辅以波谱分析的高分辨率影像面向对象分类研究

苏晓玉， 甘甫平， 万里飞， 刘少峰

（1. 中国地质大学（北京），北京 100083；2. 中国国土资源航空物探遥感中心对地观测技术工程实验室，北京 100083）

辅以波谱分析的高分辨率影像面向对象分类研究

苏晓玉1,2， 甘甫平2， 万里飞1， 刘少峰1

（1. 中国地质大学（北京），北京 100083；2. 中国国土资源航空物探遥感中心对地观测技术工程实验室，北京 100083）

随着遥感影像空间分辨率的提高，地物的空间信息更加丰富，地物尺寸、形状以及相邻地物的关系得到更好的反映，因此目前高分辨率影像分类方法更侧重于利用地物的空间信息，分类过程中参与较多的人为主观因素，在地物类型未知的地区很难进行解译工作。另外，分割过于细碎导致操作数据量太大也是高分辨率影像分类的难题之一。论文提出了辅以波普分析的高分辨率影像面向对象分类方法，即在传统面向对象分类方法的基础上结合影像波谱分析，先对影像光谱角制图粗分类、掩膜操作，再面向对象精分类，较好解决了以往面向对象分类方法地物类型的不确定性和分割细碎等问题。试验以空间分辨率为0.5米的八波段WorldView2影像为研究数据提取西部那曲地区道路和河流，精度达到96.36%。

WorldView2遥感影像；光谱分析；面向对象；光谱角制图

随着航空航天传感器技术的不断进步，高分辨率遥感影像数据日益丰富并被广泛应用到实际应用中。目前于2009年10月9号在加利福尼亚州范登堡空军基地发射成功的WorldView2卫星不仅能够提供0.5m分辨率的全色影像和1.8m分辨率的多光谱影像，而且光谱分辨率也有所提高，是独有8波段的高清晰卫星影像数据。除了同快鸟一样提供传统的4个多光谱波段(蓝(480nm)，绿(545nm)，红(660nm)和近红外(832.5nm)之外，还额外提供了海岸带波段(425nm)、黄波段(605nm)、红边缘波段(725nm)、近红外远端波段(950nm)。在城市环境、精准农业、交通及道路设施、林业、军事等领域中有着广泛的应用前景。

高分辨率影像为地物观测提供更丰富的空间信息和细节，地物尺寸、形状、纹理以及相邻地物的关系等在影像上都得到更好的反应。然而地物的光谱分布更具变化，不同的地物光谱相互重叠，数据量大幅度增加，传统的光谱方法无法有效解译高分辨率遥感数据。因此，目前分类方法更多的是利用地物的空间信息，其中面向对象的分类方法采用了先分割后分类的技术路线，前人研究[1-9]已证明了该方法是高分辨率影像分类的有效方法，其分类精度依赖于分割结果。单纯的面向对象方法往往只考虑地物的形状、颜色及与相邻地物关系，分类过程中参与大量的人为主观因素，并且在研究区地物类型未知的情况下，很难给地物下定义；随着影像分辨率的提高，分割过于细碎造成分类操作数据量太大，这是基于对象分类方法的弊端。目前高分辨率影像不仅分辨率不断提高，光谱波段也有所增加。波谱特征是各种地物各自所具有的电磁波特性，利用波谱区分地物类型更让人对以信服。本文在面向对象分类方法的基础上辅以光谱分析，首先提取影像地物的反射率波普曲线确定地物类型，在光谱角制图粗分类基础上面向对象精分类，为后续分类节省很多操作步骤，进一步改善了以往面向对象分类体系。将传统基于象元的与基于对象的分类方法相结合，充分弥补单纯运用一种方法的不足。随着高分辨率影像波段的增加，各种光谱分析也将对高分辨率影像信息提取起到越来越大的作用。

1 研究方法与试验应用

1.1 流程设计

本文实验流程主要包括图像处理、端元选择、SAM分类、掩膜处理、面向对象分类和结果分析（见图1）。

图1 实验技术流程

1.2 研究区与数据预处理

研究区地处西藏北部，位于青藏高原腹地，平均海拔4500米以上，这里海拔较高，热量不足，气候严寒干旱。尤其每年11月至次年3月，是藏北的干旱刮风期，一旦下雪又很容易成为雪灾，这期间气候干燥，温度低下，缺氧风沙大。此环境下，给地物解译增加一定的难度。

数据预处理首先对WordView2多光谱影像和全色影像进行裁剪、融合处理，融合过程中保留8波段波谱信息，处理结果的假彩色合成影像如图2所示。本研究WordView2数据成像时间是2010年2月22日，产品等级为L2A，与QuickBird数据类似，通常是以相对辐射率形式分布的，因此要对原数据产品（这里指融合后的影像）进行辐射定标，将辐射亮度转化为绝对辐射亮度，然后通过FLAASH模块对辐射率图像大气校正与光谱重建，从而得到反射率影像，用于光谱分析。

1.3 光谱分析

1） 图像端元提取

最小噪声分离变换(Minimum Noise Fraction,MNF)技术是对高光谱遥感图像进行降维的有效方法，目的是将噪音与有用信息分离。利用MNF变换对WordView2图像进行去噪处理；对图像经MNF变换后生成的二维散点图3(a)进行分析，确定最终要选择的端元。选取散点图犄角处的点，经过光谱分析，获得WordView2的8个波段图像上公路和河流的均值反射曲线（这里只考虑公路和河流）。

图2 整个研究区WorldView2融合影像

图3 图像端元光谱曲线

2） 光谱角制图

光谱角制图(spectral angle mapping, SAM)是遥感信息分类的主要方法之一，采用光谱角作为衡量光谱向量相似性的指标，已得到了广泛应用。光谱角分类技术是一种基于自身波谱特征的分类方法，这种方法将测试波谱（像元光谱）与参照波谱（端元波谱）在N维空间进行匹配。通过计算具有同样波长范围的测试光谱与参照光谱向量在光谱空间上形成的夹角余弦来估算两者之间的相似度，即

式中，N为波段数；A= (A1, …AN)和B=(B1,…BN)分别表示两个光谱向量在N个波段上的属性值（一般取光谱反射率）；α为光谱角。同类像元之间所夹的光谱角很小，接近0，因此其余弦值较大，接近1；不同类像元之间的光谱角则比较大，相应的其余余弦值接近于0。其中光谱单元之间广义夹角阈值的选择靠人为确定[12]。本研究为下一步在此分类基础上面向对象提取,故阈值取相对较大的值，包含所有的目标地物，避免漏分。研究过程中试验各种阈值（0.04、0.05、0.01、0.02、0.023、0.03、0.05等），分别得到水和道路的分类结果，参考真彩色图件，最后确定本研究光谱角阈值填图河流阈值为0.23、公路为0.05。填图结果如图4所示，初步确定了河流和公路的范围。

图4 光谱角制图粗分类结果

1.4 面向对象精提取

上文根据地物光谱特征与形态特征已初步确定河流与公路的范围，图4分类结果可以看出右侧近于干枯的支流与公路光谱特征十分相近，而周围也有很多星星点点的错分现象，下面针对这些问题做基于对象的精分类。在面向对象精分类之前对SAM填图结果做掩膜操作，首先提取目标地物作为感兴趣区，利用感兴趣区创建掩膜图像（图5）。应用掩膜后的图像只有感兴趣区域的象元值不变其他区域全部为0，这样使目标范围更明确，大大减少了操作的数据量，提高分类精度。确定了影像中感兴趣地物的类别与范围，下面进行面向对象精提取。面向对象的分类方法最重要的特点就是分类的最小单元是由图像分割得到的“同质”对象（图斑），而不再是单个像素，不仅可以获得地物光谱信息，更能获得包括纹理、形状、大小、上下文等丰富的空间信息，这样就充分利用了高分辨率遥感影像的特点，使分类结果更接近于目视判读的效果，大大提高了分类精度[7]。

1） 多尺度图像分割原理

多尺度分割是给高分辨率遥感图像中的不同影像对象分别予以一个特定的尺度，根据指定的光谱和形状异质性最小准则，使整幅高分辨率遥感图像的同质分割达到高度优化的程度。它采用自底向上的区域增长方法，具体策略为：从单像素的影像区域（对象）开始，在全图范围内，把相邻的影像区域逐步合并为更大的影像区域。当新生成的更大影像区域的异质性大于尺度参数定义的阈值时，合并过程将终止，程序完成影像分割。通常根据影像信息纹理特征及所提取专题信息要求确定光谱异质性和形状异质性的权重。而尺度参数可根据所要提取的感兴趣地物目标的大小范围在影像上所占的像元数来确定。尺度参数越小，程序合并过程执行的次数就越少，程序分割最终生成的影像对象区域面积也越小，即生成的影像对象尺寸大小将随着设定的“尺度参数”增大而增大[10]。

图5 应用掩膜的图像

多尺度分割算法的关键是图像区域异质性的计算，包含光谱异质性和形状异质性两方面，其计算式为

式中，f为图像区域异质性，x，y分别为合并新生成的更大影像区域的光谱异质性和形状异质性;ω1为权值，01ω1≤≤。

式中iρ为第i影像层的权；N，iσ分别为合并新生成的更大影像区域的像元总数和其所在i影像层光谱值的标准差；1N，1iσ分别为合并前相邻影像区域1的像元总数和其所在i影像层光谱值的标准差；2N，2iσ分别为合并前相邻影像区域2的像元总数和其所在i影像层光谱值的标准差；ω2为权值，0≤ ω2≤ 1。μ和v的计算分别为

式中，E、L分别为合并新生成的更大影像区域的实际边界长度和包含该新生成影像区域范围的矩形边界总长度；1E、1L分别为合并前的相邻影像区域1的实际边界长度和包含该影像区域范围的矩形边界总长度；2E,2L分别为合并前的相邻影像区域2的实际边界长度和包含该影像区域范围的矩形边界总长度。

以上分割程序可以简单理解为是一个使生成的影像区域（对象）的加权异质性最小化的局部最优化过程[11]。

2） 影像对象分类过程

本实验区是西藏那曲地区，此地风沙大，气候干旱，河流和公路都表现异常的高反射率。从图2上我们可以明显看到大部分水体光谱特征比较纯净，而右侧支流图斑较小且破碎，时有时无；道路宽度较窄，与周围地物光谱相近。本文首先尝试几种分割参数，分割尺度不同，分割对象的细碎程度便不同。分析对比范围大小特点确定本次试验分两大步，先选用分割尺度参数10（即对象停止合并的阈值）提取道路和右侧支流，既保留了地物的完整性又不至于分割过于细碎。剩下的河流光谱特征较明显，面积范围大，没必要分割如此细碎，分割尺度参数50下河流界限依然清晰分明，因此此次阈值为50对未提取的对象再次运行分割程序合并，提取大面积河流。

（1） 第1次分割。分割尺度设为10，即对象停止合并的阈值为10。同质性标准中颜色和形状的比重分别占0.9和0.1，形状的紧凑度和光滑度均为0.5。按照自底向上的区域合并算法先将相邻象元为合并为较小对象，比较异质性f与阈值10的大小，若f＜v，再将较小对象合并为较大的多边形对象，直到异质性f＞10，则停止合并。

（2） 提取道路和右侧支流，赋予属性。观察目标地物的物理特性得到以下结论：

① 道路和右侧支流有较相近的光谱特征值，蓝色波段灰度均值范围在56以上，绿色波段灰度均值范围在85以下。

② 道路和水体之间不相交、不相连且各自连续。

③ 道路方向变化平缓，局部曲率小，而右侧水体方向不规则，河道带状弯曲走向。

④ 道路内部灰度变化小，色调统一。

⑤ 道路有较明显的平行边缘和一定的长度，宽度变化较小。

根据特性①先利用像元的灰度均值进行初步提取，本文先把绿色通道灰度均值大于85的对象归到辅助类中，再把蓝色通道灰度均值大于56的对象划分到road中。这时大部分的道路和右侧支流就都在road类里了，接下来利用特性②、③、④把分到road类中的水体归到river类中，最后修改少量错分的现象。在这一环节中不仅运用了对象的光谱特征，还有形状特征、拓扑特征，包括对象面积、边界长度、形状指数、最长边长度、与其他类对象的距离等。另外临时辅助类的用法给整个过程添加了很多便利，尤其针对小面积且破碎的目标提取更是不可缺少。目标都提取完整后删除辅助图层，以免影响下面的分类提取。分类结果如图6所示。

图6 第1次分割与归类结果

（3） 再一次分割图层。前提是在原图层的基础上，过滤掉已提取的目标，也就是对未分类的对象进行合并。此次分割尺度设为50，重复分割算法流程直到异质性f＞50。从图7中可以明显看出除了已提取的道路与部分右侧支流其他对象面积远大于图6。

（4） 大面积河流提取。河流的物理特性是：河流具有很明显的高反射率，呈条带分布，支流和主流是彼此相交或相连的且有一定的长度。利用绿色波段灰度均值大于85的光谱特征就能把大范围的河流提取出来，然后将少量其他光谱特征和形状特征相结合手动归属为某种类型来纠正错分或漏分的地方即可。本研究地物提取最终结果如图7所示。

图7 第2次分割与归类结果

2 分类结果与精度评价

对比评价图8三种分类结果。图8(a)错分现象较多；图8(b)地物轮廓分明，画面干净整洁，已没有明显的错分，路中心有断开现象，连通性不好；图8(c)右侧河流出现断流，整体分类效果较好。从下面3个表格也能够看出除了在光谱角制图分类中为避免漏分取较大阈值使得道路制图精度达到 100%，其他都是本研究的分类精度最高，总精度达到96.36%。

图8 3种分类方法对比

表1 光谱角制图（SAM）分类方法的精度评价

表2 面向对象分类方法的精度评价

表3 辅以波谱分析的面向对象分类方法的精度评价

3 结 论

本文针对传统基于像素分类方法和单纯面向对象分类方法的优势和不足，将两种方法相结合，提出辅以波谱分析的面向对象分类技术。即先用光谱角制图初步确定目标地物类型和分布范围，通过掩膜操作去掉影像中不相关的地区，大大减小下步分类操作的数据量，最后面向对象精分类，避免高分辨率数据分割过于细碎给分类造成难题。波谱特征是各种地物各自所具有的电磁波特性，利用光谱特征区分地物类型更具说服性。单纯的面向对象分类方法更多的考虑地物的空间信息，分类过程中参与了更多的人为主观因素，存在一定不确定性。本文研究方法即继承了传统象元分类方法的优势，又弥补了单纯面向对象分类方法的缺陷。面向对象分类过程中针对不同的地物采取不同的分割尺度采用两次分割与归类，每一级分类后就过滤掉已提取的地物，再对同一个图层上对象合并进行下一级提取，使得分类过程更具人性化，更方便，节省很多繁琐的操作。本文尝试用高光谱影像光谱分析方法处理高分辨率影像数据，充分发挥新高分辨率影像数据波段增加的优势，精度达到96.36%。本研究采取实验对比法来对光谱角粗分类的阈值和面向对象精分类分割尺度进行确定。所选地区地物较单一，所有阈值和参数的设置都依赖分类目标地物光谱的纯净度和范围大小，因此不完全适用于所有类似的图像。另外研究过程中仍参与了部分人工干预，自动化程度欠缺，更智能的分类方法也有待进一步的研究。

[1] Lobo A, Chic O, Casterad A. Classification of mediterranean crops with multisensory data：per-pixel versus per-object statistics and image segmentation [J].International Journal of Remote Sensing, 1996, (17)：2358-2400.

[2]Serp ico S Rol F. Classification of multisensor remote sensing images by structured neural networks [J].IEEE Transactionson Geoscience and Remote Sensing,1995, 33(3)：562-577.

[3]Manro C, Eufemia T. Accuracy assessment of per-field classification integrating very fine spatial resolution satellite imagery with topographic data [J]. Joumal of Geospatial Engineering, 2001, 3(2)：127-134.

[4]黄 昕, 张良培, 李平湘. 基于多尺度特征融合和支持向量机的高分辨率遥感影像分类[J]. 遥感学报,2007, 11(1)：48-54.

[5]Christodoulos I, Silas C, Constantinos S. Multifeature texture analysis for the classification of clouds in satellite imagery [J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(11)：2662-2668.

[6]蔡银桥, 毛郑元. 基于多特征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, (1)：77-81.

[7]曹 雪, 柯长青. 基于对象级的高分辩率遥感影像分类研究[J]. 应用技术, 2006, (5)：27-30.

[8]王建芳, 包世泰. 面向对象解译方法在遥感影像地物分类中的应用[J]. 热带地理, 2006, 26(3)：234-238.

[9]鲍海英, 李 艳, 赵 萍. 辅以纹理特征的面向对象的遥感影像分类方法研究——以陕西省杨陵县为例[J]. 遥感应用, 2009, (8)：33-37.

[10]谭衢霖, 刘正军, 沈 伟. 一种面向对象的遥感影像多尺度分割方法[J]. 北京交通大学学报, 2007,31(4)：111-114.

[11]刘衍宏, 刘少峰, 张 川. 基于Hyperion数据的粘土矿物权重信息提取研究——以江西省赣州地区为例[J]. 国土资源遥感, 2010, (3)：26-30.

The object-oriented classification of high resolution images with spectrum analysis

Su Xiaoyu1,2, Gan Fuping2, Wan Lifei1, Liu Shaofeng1
( 1. China University of Geosciences (Beijing), Beijing 100083, China; 2. Laboratory of the Earth Observation Technology of China Aero Geophysical Survey and Remote Sensing Center for Land and Resources, Beijing 100083, China )

With the improvement of remote sensing image spatial resolution, the spatial information of ground objects is more abundant, the ground objects’ size, shape and the relationships between adjacent ground objects are reflected better. As a result, high resolution image classification methods are currently more emphasized on using spatial information and many artificial subjective factors are participated in the classification process. In the abandoned area it is difficult to interpret. Too much fine segmentation causing plenty of operations is another difficult problem of high resolution images classification. The object-oriented classification of high resolution images with spectrum analysis is put forward as follows：SAM is firstly classified roughly with mask operation, and then fine object-oriented classification is conducted. That solves better the problems of type uncertainty of ground objects and too much fine segmentation in object-oriented classification. The river and road of the Tibet naqu area are extracted with eight bands WorldView2 data of 0.5 meters spatial resolution and accuracy reaches 96.6%.

WorldView2 remote sensing image; spectrum analysis; object-oriented; SAM

TP 751.1

A

1003-0158(2012)01-0073-07

2011-07-15

国家863计划资助项目（2006AA06A208）；中国地质大调查局地质大调查资助项目（1212011087113）

苏晓玉（1986-），女，黑龙江克山人，硕士研究生，主要研究方向为资源与环境遥感、地质遥感、地理信息系统。