基于eCognition的绿地利用变化检测应用研究

宋杨，李长辉，林鸿，陈鹏

(广州市城市规划勘测设计研究院，广东广州 510060)

1 引言

20世纪80年代起，遥感技术逐渐成熟并广泛应用于城市绿地景观的研究，遥感影像数据是开展城市绿地覆盖变化研究的重要数据源。围绕土地利用/覆盖的变化监测的研究许多是建议在分类的基础上，而对遥感图像进行计算机分类，传统算法设计的主要依据是地物光谱数据，统计模式是以像素作为识别的基本单元，依靠不同光谱数据组合在统计上的差别来进行的［1］。传统的基于像元的分类方法在中低分辨率遥感影像上展现的效果较好，而高空间分辨率遥感影像的光谱统计特征不如中低分辨率影像的稳定，同类物体呈现出很大的光谱异质性，不同地物的光谱相互重叠，使得传统的光谱分类方法无法得到满意的结果。

针对高分辨遥感数据的特点，一些学者提出了面向对象的信息提取方法，具体体现在分类对象、分类特征和分类器等3个方面的研究。eCongnition是德国Definiens imaging公司开发的一款基于面向对象理论的智能化影像分析软件，是目前所有商用遥感软件中第一个基于目标信息的遥感信息提取软件，它突破了传统商业遥感软件单纯基于光谱信息进行影像分类的局限性，采取面向对象的思路进行信息提取，大大提高了高空间分辨率数据的自动识别精度。本文基于eCongnition的面向对象分析的思路，围绕一对多时相的遥感影像，开展实验区绿地利用情况的变化检测。

2 面向对象分类的思路

面向对象的遥感信息提取技术以相同特征的“同质均一”的图块对象为基本分析单元，如光谱、纹理和空间组合关系，对象的属性包括颜色、尺寸、形状、结构、纹理、阴影、空间关系等。利用eCongnition软件开始面向对象的影像分析首先选择任一尺度生成初始影像对象，eCongnition软件允许生成好几个层，并且把这几个层组织成等级结构进行管理，这里所生成的第一个对象层，其下限是像素，上限是整景影像。后续生成的新的影像对象层，可以放在已有层的上层、下层或者两层之间。这个网状层次中的每一个对象都知道自己的邻对象、子对象和父对象，这个网络结构是一个拓扑关系，比如，父对象的边界决定了子对象的边界，父对象的区域大小由子对象的总和决定。由于eCongnition软件的分割采用的是区域生长算法，可以很容易实现。对象在垂直层次上形成联系后，利用尺度和高级的纹理特征也成为可能。对象层次结构可以同时展示不同尺度的影像信息。

在满足必要的精细的条件下，尽量以最大的可能分割尺度来区分不同的影像区域获得影像对象。

(1)在满足必要的形状标准的前提下尽可能采用颜色标准。因为影像数据中最重要的信息是光谱信息，形状标准的权重太高会降低分割结果的质量。

(2)在分割的基础上执行分类，eCongnition支持两种不同的监督分类技术:模糊逻辑函数分类(Membership Function)以及最邻近分类(Nearest Neighbor)。其影像对象分类中的分析和分类的知识库框架都是基于类层次的，它包含了所有的类。

3 实验实例

3.1 实验数据

实验数据是来自快鸟卫星的1组2个时相的卫星遥感影像，2个时相的数据已经过配准，每1时相卫星遥感数据均为全色与4波段多光谱的捆绑数据，全色波段的空间分辨率为0.6 m，多光谱波段的空间分辨率为2.44 m。实验目的是研究影像范围在2个时相期间绿地利用的变化情况。图1所示的是2个时相多光谱数据经3波段假彩色合成的效果。

图1 2个时相的实验区卫星影像

3.2 处理方法

本文基于eCognition的面向对象分析的方法来进行绿地利用变化检测，概括起来处理步骤主要包括:

(1)对两时相的影像分别创建独立的地图

首先在Erdas中利用多分辨率融合功能对两期数据各自的多光谱与全色波段进行融合，得到0.6 m的多光谱影像(蓝、绿、红、近红外)。两个时相的数据表示如表1所示。

两个时相的快鸟卫星影像 表1

利用eCognition的COPY函数将2期多光谱数据分别复制到各自的地图中，MapT1和MapT2，这是2期数据各自进行面向对象分析的起点。

(2)基于2时相影像各自的地图分别进行分类，每个地图划分为绿地与非绿地两大类型

对MapT1和MapT2首先进行多尺度分割，多尺度影像分割可以理解为一个局部优化过程，而异质性则是由对象的光谱和形状差异确定的，形状的异质性则是由其光滑度和紧凑度来衡量，共同决定分割效果。本文使用的多尺度分割参数如下:尺度=30，颜色=0.9，形状=0.1，质密度异质性=0.5，光滑度异质性=0.5。

在多尺度分割结果的基础上，利用归一化植被指数NDVI＞0.3的逻辑条件利用隶属度函数对分割结果对象进行归属判断，进行绿地对象的提取。在此基础上对绿地提取后剩余的对象指定类别为非绿地类，利用Merge函数对绿地类以及非绿地类进行相邻图斑的合并，得到连通的图斑，为变化检测奠定基础。

图2 两个时相的绿地提取结果

(3)对两时相地图分类结果进行地图的同步处理，使得分类的结果图斑具有空间划分上的可比性

到目前为止，2期影像是分别以各自的地图MapT1和MapT2为起点完成了绿地以及非绿地两类地物目标的分类。后续的变化检测分析工作需要将2期的分类结果归纳到一条主线上进行比较。需要利用同步函数Synchronize Map对分类结果进行层次上的梳理，使2期的分类结果LevelT1及LevelT2构成垂直关系的上下层，时相2的分类结果位于时相1的分类结果的上层。由于两期影像的差异性，影像多尺度分割结果图斑边界总是存在不一致，这使得两期分类结果不具有可比性。变化检测分析的前提是对同一位置边界所确定区域的属性类型进行比较，因此必须保证两期图像绿地及非绿地最终分类结果的图斑划分程度一致。利用eCognition的Convert to Sub－Objects函数对两期分类影像的图斑边界进行统一，这个过程如图3所示。

图3 对两期影像分类结果进行图斑边界的统一

(4)应用自定义的绿地变化检测的规则对两时相分类结果进行分析，得出绿地变化情况的结论

根据本文实验的目的，设定如下的规则，然后对两期影像分类结果进行逻辑运算，按照绿地增加、绿地减少、绿地未变化3种情况进行分析，得到实验区在2期影像拍摄期间绿地利用变化情况的分类效果图，如图4所示。

根据表2所列规则以及图4所示的绿地变化检测结果可知，在2期影像表达的时间范围内，试验区上部以及围绕路网的零星地区绿地发生了增加(绿色区域)，试验区中部偏右的池塘边缘地区绿地发生了减少(红色)，其余大部分区域绿地的面积未发生改变(灰色)。图4所示的变化检测结果直观，能从宏观层面上快速获取绿地变化情况。

绿地利用变化检测的三个规则 表2

图4 2期影像绿地利用情况的变化检测结果

4 结语

本文基于eCognition软件的面向对象分析思路对一组快鸟影像覆盖的实验区进行了绿地利用变化的情况进行检测，得到绿地增加、减少、未变化3种情况的结果图斑。检测结果经目视判读，证明检测结果符合实际绿地变化趋势。绿地分类结果图斑后续可输出矢量格式，进行数理统计，形成绿地变化情况的量化结果。本文旨在通过该实验流程探索基于eCognition软件进行变化检测的处理步骤和效果，值得注意的是进行变化检测前多时相数据需要经过配准，融合等预处理，在实施变化检测最终分析前需要对分类结果图斑进行边界的统一，以便分类结果具有可比性。本文实现的面向对象的变化检测处理流程，结合eCognition提供的丰富的面向对象分析手段，可用于更为复杂的目标对象的变化检测任务。

［1］Thomas M.Lillesand，Ralph W.Kiefer著.遥感与图像解译(第四版)［M］.北京:电子工业出版社，2003，394

［2］张永生，巩丹超.高分辨率遥感卫星应用—成像模型、处理算法及应用技术［M］.北京:科学出版社，2005，15～30

［3］陶超，谭毅华，蔡华杰等.面向对象的高分辨率遥感影像城区建筑物分级提取方法［J］.测绘学报，2010，2(1):39～45

［4］宫鹏，黎夏，徐冰.高分辨率影像解译理论与应用方法中的一些研究问题.遥感学报，2006，1(1):1～5

［5］孙晓霞，张继贤，刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路［J］.测绘科学，2006(1):62～63

［6］徐涛，谭宗坤，闫小平.面向对象的城市水体信息提取方法［J］.地理空间信息，2010，3(8):64～66

［7］张生，赵春三，杨桄.多光谱与高分辨率图像融合方法比较研究［J］.遥感信息，2007，93(5):56～59

［8］陈云浩，冯通，史培军等.基于面向对象和规则的遥感影像分类研究［J］.武汉大学学报(信息科学版)，2006(4):316～320

［9］黄昕，张良培，李平湘.融合形状和光谱的高空间分辨率遥感影像分类［J］.遥感学报，2007，11(2):193～200

［10］明冬萍，骆剑承，沈占锋等.高分辨率遥感影像信息提取与目标识别技术研究［J］.测绘科学，2005，6(3):18～20