面向对象的高分辨率遥感影像城市地物信息提取研究

李小强，李金平，甘甜

(云南师范大学旅游与地理科学学院，云南昆明650500)

高分辨率卫星遥感影像特别是IKONOS、QUICKBIRD、Worldview等高分辨率影像出现后，在城市生态环境评价、城市规划、农业以及自然灾害预报等方面［1-4］显示出巨大的应用潜力。高分辨率遥感影像为用户提供了地物景观的结构、纹理、几何和位置等信息，但光谱分辨率不足。针对高分辨率影像，在分类时不仅要依靠其光谱特征，更要充分利用其几何信息和结构信息［5］。高分辨率卫星影像信息处理成败的关键在于能否充分挖掘高分辨率遥感影像包含的空间综合信息，建立图像数据与目标特征之间的物理机理联系［6］。

传统的遥感影像信息处理和提取的方法，如ISODATA、K-均值分类法、最小距离法、平行六面体法、最大似然分类等是建立在基于像素级别的光谱信息分析的基础上，它们的共同特征是使用图像的强度量即灰度值的统计信息，其影像处理的效率和所能获取的结果信息都是有限的，且处理结果中含有大量“椒盐”噪声，不能区分“同物异谱”及“同谱异物”现象［7］。尽管许多数学方法如各种神经网络方法、模糊分类等的引入提高了分类的精度，然而它们依然对地物形状、结构等信息的分析很少涉及，这些分类方法本质还是像素层次上的分类。

对于具有突出结构纹理等信息而光谱分辨率不高的高分辨率影像，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，面向对象的影像分类方法应运而生。面向对象的遥感信息提取方法综合考虑光谱的统计特征、形状、大小、纹理和相邻关系等一系列因素，能够提取较高精度的信息。

1 面向对象的影像分类

面向对象遥感图像分类处理的最小单元不再是单个像素，而是含有更多语义信息的多个相邻像素组成的影像对象，在分类时更多的是利用对象的几何信息以及影像对象之间的语义对象、纹理信息、拓扑关系，而不仅仅是单个对象的光谱信息。它的基本思路是将不同的像素按照某种原则和阈值组合成不同的对象，不同的对象也可以按照某种原则和阈值组合成新的对象，然后采用监督分类和非监督分类等方法对不同的对象进行分类。本文以eCognition软件为例介绍面向对象分类原理，它包括两个过程:分割和分类。

1.1 多尺度分割技术

遥感影像分割是面向对象的遥感影像分析方法的基础和关键，在遥感影像工程中处于影像处理与影像理解的中间环节，是面向对象的影像分析理论研究的突破口［8］。

eCognition采用多尺度分割算法来生成影像对象，它是基于成对区域融合技术的自底向上的分割算法。多尺度分割作优化处理，对给定数量的影像对象，最小化平均差异性并最大化它所代表的均一性。在进行影像分割的过程中，除了考虑影像的光谱属性，还考虑了影像的几何特性，如形状和大小。因此，分割考虑的标准主要是根据两个指标:光谱异质性和形状异质性。光谱异质性主要根据像元的灰度值进行设定阈值和分类，形状异质性主要是根据图像的纹理特征进行分类［9］。

总的异质性值用光谱异质性hcolor和形状异质性hshape计算:

式中w为光谱权值(0＜w＜1)。

光谱异质性hcolor由对象本身的大小衡量权重:

式中:c为波段数;wc代表每一波段的权重因子;nobj1、nobj2分别为合并前对象1和对象2的像素数、分别为合并前对象1和对象2的每一波段的光谱标准差;nmerge为合并后对象的总体像素数;为合并后对象的光谱标准差。

形状异质性hshape由对象的紧密度wcompact和光滑度hsmooth组成:

式中wcompact是紧密度的权重因子。hcompact、hsmooth的公式为:

式中:lobj1、lobj2分别为合并前对象1和对象2的周长;bobj1c、bobj2c分别为合并前对象1和对象2外切矩形的周长;lmerge为合并后对象的周长;bmerge为合并后对象外切矩形的周长。

多尺度分割时，在满足必要的形状标准的前提下，应尽可能采用光谱标准，因为影像数据中最重要的是光谱信息，形状标准的权重过高会降低分割结果的质量。另外，若光滑度的权重较高，分割后的对象边界较为平滑，反之，若紧密度的权重较高，分割后的对象形状较为紧密。采用不同的尺度对影像进行多次分割，可以形成网络层次结构，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。

1.2 分类器介绍

eCognition中面向对象分类法采用模糊分类原理，用取值于区间［0，1］的隶属函数A(x)表征x属于A类的高低程度。有两种分类器:最邻近分类器和隶属度函数分类器。

(1)最邻近分类器。

最邻近分类器是基于给定的特征空间和样本对象的分类方案。在声明每个类的样本对象后，每个影像对象都赋为特征空间中最临近样本所代表的类中。对于每一个影像对象，在特征空间中寻找距离最近的样本对象，如果一个影像对象最近的样本对象属于A类，那么这个对象将被划分为A类。实际操作时，通过一个隶属度函数进行，影像对象在特征空间中与属于A类样本对象的距离越近，则属于A类的隶属度越大。

影像对象o与样本对象s之间的距离计算公式为:

式中:f为特征空间;σf为所有特征值的标准差分别为样本对象和影像对象的特征空间中的特征。

(2)隶属度函数分类器。

隶属度函数可以精确定义对象属于某一类的标准，一个隶属度函数是一维的，是基于一个特征的。

2 高分辨率遥感影像城市地物信息提取

本文以沈阳市东陵区IKONOS影像为实验数据，通过对城市地物光谱特征、几何特征和空间特征的分析，采用面向对象的信息提取技术与传统的监督分类法分别提取各类感兴趣地物，主要包括影像预处理、面向对象分类、传统的监督分类和分类结果精度评价4项工作，整体技术流程如图1所示。

图1 城市地物遥感信息提取流程图

2.1 构建影像对象

采用不同的尺度对影像进行多次分割，可以构建影像对象网络层次结构。本次研究分割两个层级，参数设置如表1，相同区域不同分割参数结果对比见图2。

表1 多尺度分割参数设置

2.2 规则知识库定义

地物的物理与几何特征使影像中局部区域的灰度产生明显变化而形成影像特征。面向对象提取精度的高低关键在于由各种影像特征构建的知识库中规则是否具有很强的区分性［10］。

根据实地调查和遥感影像信息，将地物分为7类提取，分别是道路(水泥路和沥青路)、河流、湖泊、建筑物(蓝色屋顶、红色屋顶、一般屋顶)、裸地、阴影和植被。

首先在Level1中对河流、湖泊和裸地进行提取，因为这两种地物的地表面积较大，采用较大的分割尺度可以得到较大而且影像均质性很高的对象。首先利用归一化差值水体指数NDWI(NDWI=(GNIR)/(G+NIR))提取出河流，然后在未分类的对象中利用近红外波段NIR提取湖泊。由于湖泊和阴影有相似的波谱特征，部分阴影被错分为湖泊，之后的步骤中再对其进行正确分类。具体提取规则见表2。

图2 多尺度分割影像对象网络层次结构

表2 Level1中地物提取规则

将分类好的河流、湖泊、部分阴影和未分类对象分别进行对象合并。此时未分类对象合并成一个整体，然后利用多尺度分割将未分类对象重新分割生成Level2，其他类的地物以及Level1中错分的阴影将在此层级中分类。具体分类规则见表3。

表3 Level2中地物提取规则

表3中阴影1是指在Level1中被错分为湖泊的对象被重新分类为阴影。按照表3中所列规则将每一地物分类出来，并将阴影1、阴影2合并为阴影，将蓝色屋顶、红色屋顶、一般屋顶合并为建筑物，将水泥路、沥青路合并为道路。

3 分类结果分析与评价

在上述步骤基础上用eCognition对遥感影像进行面向对象分类，并利用ENVI对影像采用最大似然监督分类法进行分类，并对分类结果采用Majority/Minority Analysis处理，分类结果如图3所示。

从分类效果看，面向对象分类方法分类结果更具有实际意义，与实际地物对应较好，而传统的基于像素的分类方法“同物异谱”和“同谱异物”现象严重，分类结果零散。由于使用NIR波段，两种方法中植被、河流和湖泊的分类效果都很好。然而，在基于像素分类中“椒盐”噪声在影像中每个部分都会出现。这些噪声的产生是因为IKONOS影像有非常高的分辨率，能够获取丰富的细节信息。

图3 原始图像与面向对象分类、最大似然分类的结果对比图

通过对对象进行随机抽样，采用野外实地调查和目视解译的方法进行精度评价，其分类结果精度分析见表4，总体分类精度达92.5%。而监督分类方法的总体分类精度为85.8%(表5)，并且图斑支离破碎。相比于最大似然分类，面向对象分类提取道路和建筑的精度有了很大提高，这主要归功于解译时充分利用了几何特征、波谱特征、邻域特征等对象知识。另外，面向对象分类结果错分和漏分要少得多，主要发生在道路与建筑之间，这主要是由于两者波谱特征相似，并且一些结构复杂的建筑物在分割后被分为零碎的多个部分而导致提取困难。裸地采用最邻近分类器分类，类似于监督分类，用户精度为89.8%。

表4 面向对象分类结果精度评价

表5 最大似然分类误差矩阵

4 结语

像素分类含有大量“椒盐”噪声且视觉效果很差，而且“异物同谱”和“同物异谱”现象严重。面向对象的分类结果在精度和分类效果上都有显著的优势。从视觉效果上可以看出，面向对象的分类结果更加符合人类的思维方式，也更接近真实值。多尺度分割技术可以使噪声问题得到很好的解决，因为这些噪声区域将和其周边的像素一起被融入到特定的影像区域中，而该影像区域在影像分析时则表现为同一对象。面向对象的分类方法在分类过程中可以灵活地运用这些影像对象的各种光谱特征、纹理特征、几何特征、空间特征和拓扑关系等规则所构成的知识库，加入人的思维过程，从而能够极大地提高分类精度。因此，面向对象的分类方法能够充分利用高分辨率遥感影像的结构、纹理、几何和位置等丰富信息，弥补传统的基于像素光谱统计特征分类方法的不足，使得高分辨率遥感影像自动识别的精度得到极大提高，更适用于城市地物专题数据库的更新。

当然采用面向对象的遥感影像分析方法也有一些局限性，主要表现为:(1)最佳分割尺度难于选取，目前只能依靠数据特点经过多次试验来获取。(2)易于分类的影像对象特征的提取，一种地物相异于其他种地物的特征较难选取，这需要有丰富的遥感信息提取经验。

［1］蒲智，刘萍，杨辽，等.面向对象技术在城市绿地信息提取中的应用［J］.福建林业科技，2006，33(1):40-44.

［2］仇江啸，王效科.基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究［J］.遥感技术与应用，2010，25(5):653-661.

［3］刘常娟，杨敏华，张秀英.利用高分辨率遥感影像计算耕地田坎系数的可行性研究［J］.国土资源导刊，2007，4(5):48-50.

［4］陈文凯，何少林，张景发，等.利用遥感技术提取震害信息方法的研究进展［J］.西北地震学报，2008，30(1):88-93.

［5］杜凤兰，田庆久，夏学齐.遥感图像分类方法评析与展望［J］.遥感技术与应用，2005，19(6):521-525.

［6］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，2006，31(1):62-63.

［7］周成虎，骆剑成.高分辨率卫星遥感影像地学计算［M］.北京:科学出版社，2009.

［8］刘建华，毛政元.高空间分辨率遥感影像分割方法研究综述［J］.遥感信息，2009(6):95-101.

［9］关元秀，程晓阳.高分辨率卫星影像处理指南［M］.北京:科学出版社，2008.

［10］胡进刚，张晓东，沈欣，等.一种面向对象的高分辨率影像道路提取方法［J］.遥感技术与应用，2006，21(3):184-188.