基于对象和特征组合的高分辨率遥感影像分类研究

聂倩，叶晓婷

(宁波市测绘设计研究院，浙江宁波 315042)

1 引言

高分辨率遥感影像能够提供大量的地表特征，使同一地物类别内部组成要素丰富的细节信息得到表征，地物的几何结构、形状、纹理及相邻地物间的关系更加突出［1，2］。然而高分辨率影像的光谱统计特征不如低分辨率影像稳定，地物的局部异质性较大，故传统的仅依靠像元光谱信息的分类方法在处理此类影像时，会过多地关注地物的局部像素而忽略地物的整体几何结构信息，必然造成分类结果出现“椒盐现象”。因此，传统的单纯依靠光谱特征的像素层次上的分类方法已经不再适合高分辨率影像的信息提取［3］。

针对高分辨率遥感影像特点和传统分类方法存在的缺陷，本文采用基于多尺度分割的对象级分类方法对高分辨率影像进行信息提取。该方法通过多尺度分割得到不同尺度的对象层，利用对象所包含的光谱特征、几何和拓扑特征确定地物识别中可能用到的各种特征参数，最后采用模糊分类器逐级分类来提取地物信息。

2 试验区数据

研究采用的试验数据是合肥市西北部的QuickBird多光谱影像，其经度和纬度范围分别为31°46'～31°46'43″和117°11'20″～117°12'07″，如图1 所示。其空间分辨率是2.44 m(红、绿、近红外3个波段)，成像时间为2005年5月，影像为Standard级，地理投影方式为UTM投影。结合研究区的具体情况和特点，主要进行7类地物目标的提取:水体、道路、阴影、植被、建筑物、裸地、操场。

3 面向对象的分类原理

图1 QuickBird彩红外影像

面向对象的遥感影像分类是以影像对象作为基本处理单元的图像分析方法，其基本原理是通过多尺度分割获得同质对象，构建与地表实体相似的层次等级结构，为同一研究区域中不同的地物提供多尺度影像数据，最后选择影像特征隶属函数并结合专家知识进行影像模糊分类，其分类技术流程如图2所示。

图2 面向对象分类技术流程图

3.1 多尺度影像分割

本文采用的分割算法综合考虑了遥感影像的光谱和空间信息两个因子，是一种自上而下异质性最小的区域合并算法，其分割过程可以理解为一个局部优化过程，而异质性则是光谱异质性和形状异质性的加权和，反映两个对象合并前后光谱和形状信息的变化量［4、5］，即

式中，f为异质性指数;ω是光谱权重(0＜ω＜1);hcolor和hshape分别为两个对象合并产生的光谱异质性和形状异质性;hshape由对象的紧凑度hc和光滑度hs组成;

遥感影像上各类地物都具有自身的形状和尺寸，采用不同的分割尺度对影像进行多尺度分割以形成影像目标层次。如图3所示，分别选取100、60和40作为影像分割阈值，同质性标准中光谱和形状的权重分别占0.6和0.4，形状的紧凑度和光滑度均为0.5，得到大、中、小3个尺度的对象，不同类别的信息提取在相应的影像对象层中进行。

图3 不同分割尺度得到的对象图

3.2 特征参数的选择

多尺度分割后，影像的基本单元已不是单个像元，而是由同质像元组成的多边形对象，每一多边形对象可计算出所包含像元的光谱、形状、纹理、拓扑关系等信息。本文根据研究区地物的特点，除利用对象的光谱特征外，还选取对象的纹理特征、形状特征和拓扑特征等来区分各类地物，如表1所示。

3.3 分类规则及层次结构

地物分类规则的建立应考虑以下3个层次:

(1)根据对象的光谱、几何和拓扑特征定义各层次类别的判定规则;

(2)若存在子类型，子类型应首先继承其父类型的判定规则，然后增加其特有的特征或特征组合作为判定规则;

(3)对每一层的分类结果进行合并与传递，形成最终的分类规则［6］。

根据对象的特征信息及地物间的关系，本文建立了分类层次结构，如表1所示。

影像对象的特征选择和分类规则表1

4 试验结果及精度评价

采用上述基于面向对象和特征组合的分类方法，得到QuickBird影像的分类结果图(如图4所示)。为了说明基于对象的分类方法更适合于几何和纹理信息更丰富的高分辨率影像，本文采用传统的最大似然法进行分类，其分类结果如图5所示。

同时为了客观定量的评价这两种分类方法的优劣，在试验区采用相同的分类精度检验点进行精度评价，其分类精度评价结果如表2所示。

图4 面向对象分类

图5 最大似然法分类

QuickBird影像总体分类精度对比 表2

从精度对比可以看出，最大似然分类较面向对象分类法精度要低，尤其体现在对建筑物和道路的识别上，运用传统的基于像元分类方法，这两类地物是不能够很好区分，由于“异物同谱”现象造成道路和部分房屋等水泥构成物分类混淆。观察两幅分类结果图可以看出，最大似然分类结果(图5)中分布有许多细碎的小斑块，即“椒盐噪声”，其根本原因在于高分辨率影像的局部异质性大，基于像元的传统分类方法没有充分考虑像元与邻接像元的上下文关系，因此它在高分辨率影像的信息提取中有很大的局限性;而对象级方法充分利用对象的光谱和空间特征进行分类，从而减少了分类结果的不确定性，提高了分类的精度。

5 结论

针对高分辨率影像的空间分辨率高而光谱分辨率相对不足的特点，本文采用基于对象和特征组合的分类方法，充分利用地物的光谱、纹理、形状及影像中地物之间的上下文信息，通过构建语义层次结构对QuickBird影像进行分类，精度相对于传统方法有了明显的提高，不仅显著提高了ADS40影像的分类精度，而且使分类后的影像含有丰富的语义信息，同时避免了“椒盐”现象的发生。

［1］黄昕，张良培，李平湘.基于小波的高分辨率遥感影像纹理分类方法研究［J］.武汉大学学报:信息科学版，2006，31(1):66～69

［2］崔林丽，唐娉，赵忠明.一种基于对象和多特征整合的分类识别方法研究［J］.遥感学报，2006，10(1):104～110

［3］蔡银桥，毛政元.基于多特征对象的高分辨率遥感影像分类方法及其应用［J］.国土资源遥感，2007，71(1):77～81

［4］杜凤兰，田庆久，夏学齐等.面向对象的地物分类法分析与评价［J］.遥感技术与应用，2004，19(1):20～23

［5］Frieke M.B.Van Coillie，Lieven P.C.Verbeke and Robert R.De Wulf，“Feature selection by genetic algorithms in object－based classification of IKONOS imagery for forest mapping in Flanders，Belgium”，Remote Sensing of Eenvironment，2007，pp.476 ～487

［6］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，2006，31(4):312～320