面向对象的土地覆盖信息提取方法研究及应用

牟凤云，罗 丹，官冬杰，吴晓春

(1.重庆交通大学 河海学院，重庆 400074；2.国家测绘地理信息局陕西基础地理信息中心，陕西 西安 710054)

土地利用和土地覆盖变化是全球变化研究的重要方面之一[1]。遥感技术以其数据获取快、范围广、空间信息丰富、时效性和经济性等优点,成为当代土地利用/土地覆盖数据获取的主要手段[2]。但是随着遥感技术的不断提升，尤其是小卫星技术的发展和高空间分辨率的遥感影像的大量产出，使得传统遥感分类技术不断受到挑战。基于像元的遥感影像信息提取方法已经难以满足当前应用的需要。而充分利用影像对象的颜色、形状、纹理等几何特征和结构信息进行分类的面向对象遥感影像分类技术脱颖而出。笔者主要研究了面向对象的图像分类方法在土地覆被信息提取中的应用。以辽宁省沈阳市TM影像为数据源，使用ERDAS软件对实验区进行基于像元的监督分类，利用eCognition软件对实验区进行面向对象分类，通过对比实验，阐述面向对象分类在土地覆被信息提取中的具体应用，揭示其优点与不足。

1 研究区域与数据预处理

1.1 研究区数据源

沈阳市是辽宁省行政中心，位于中国东北地区南部，辽宁省中部，环渤海经济圈之内，是环渤海地区与东北地区的重要结合部，以平原为主，山地、丘陵集中在东南部，辽河、浑河、秀水河等途经境内。

文中的数据源是以沈阳市为中心的 Landsat-5 TM 影像。获取时间为2010年9月29日凌晨2点18分。平均云量0.04；太阳方位角：152.892 179 92°；太阳高度：42.440 563 99；中心纬度：41.771 22°；中心经度：123.294 75°。

1.2 数据预处理

首先进行TM 影像最优波段选择，在 TM 影像中，各个波段都有不同的针对性，对不同地物有着不同的灵敏度[3]，笔者选择TM1，2，3波段标准真彩色合成。其次在ERDAS中进行了降噪处理(Noise Reduction)、图像裁剪处理，选取以沈阳市为中心的一块区域作为实验区。具体实验流程如图1。

图1 实验流程Fig.1 Experiment flowchart

2 实验区监督分类和面向对象分类

2.1 确定分类标准

笔者选用的分类标准取自文献[4]：基于陆地生态系统特点的遥感土地覆盖分类系统，它是基于国际LCCS土地覆盖分类体系和中国现有分类体系，针对中国的土地覆盖实际情况，建立的一种土地覆盖遥感分类系统，包括6个一级分类(森林；草地；农田；聚落；湿地、水体；荒漠)和25个二级分类。

2.2 监督分类

监督分类也称训练区分类，即用被确定类别的训练样本像元去识别其他未知类别的像元的过程。首先选择目视判别或者借助其他信息可判定其类型的像元作为训练样本，其次计算机系统基于模板自动识别具有相同特性的像元。最后评价分类结果，修改分类模板，多次反复后建立一个比较准确的模板，然后在此基础上得出最终分类成果。应用ERDAS软件进行以下步骤：定义分类模板、评价分类模板、执行监督分类、分类结果评价。针对分类标准，笔者采用一级类型分类，即选用森林、草地、农田、聚落、水体等5类建立分类模板。监督分类成果如图2。

图2 监督分类成果Fig.2 Supervised classification result

2.3 面向对象分类

2.3.1 理论及软件概述

面向对象遥感影像分类就是将面向对象思想引入到遥感影像分类中，改变传统的遥感影像分类思想。面向对象分类的目标不是单个像元而是影像对象；面向对象的分类不仅考虑了地物的光谱信息，还综合考虑了纹理信息、几何信息以及其他对象信息；此外，面向对象的分类方法更多的结合了最为先进的算法，例如神经网络算法、模糊数学算法、最邻近算法等。

进行高分辨率影像分类时，面向对象遥感影像分类方法相对于传统分类方法主要有以下优点：①面向对象的影像信息提取的基本处理单元是影像对象和对象间相互关系，不是单个像元[5]，使得分类过程可充分利用影像的多种特征，并减少不必要的冗余；②面向对象方法属于遥感影像的高层次理解；更适合处理空间分析、空间尺度等问题；③面向对象方法能根据地物类别特点提取不同尺度层上的信息。不同地物目标都有与之相适应的最佳分割尺度，不同尺度层上影像对不同地物类别的概括最适合，因而对该类地物具有较好的识别效果。

eCognition是目前商用遥感软件市场上第一款基于面向对象分类方法的遥感图像信息提取软件。它在面向对象的分类过程中主要包括两个关键性的技术——遥感影像的多尺度分割和面向对象分类[6]。影像分割是一种从像元开始由下至上，逐级区域合并的过程[7]。eCognition软件里自带了一些分割算法，其中多尺度分割 (Multiresolution segmentation)是最重要、最常用的。它是一种在给定对象分辨率的情况下，局部最小化对象异质性的算法。异质性是由对象的形状( shape) 差异和光谱( spectral)确定的，形状的异质性由光滑度和紧凑度来衡量[8]。

2.3.2 实验过程

1)影像多尺度分割

① 分割尺度。分割尺度是对分割效果影响最大的参数之一，其大小直接影响影像对象的大小。综合考虑，分别设置10，20，30，40这4个尺度参数进行分割试验。形状指数、紧凑度指数分别采用0.1和0.9。分割结果如图3。

图3 不同分割尺度结果Fig.3 Result of different segmentation scale

从图3中可看出：分割尺度为10时，影像对象过于细小和破碎，甚至出现了一些像素大小的对象，地物提取很难利用其几何信息；分割尺度为20时，比较零碎，但是土地覆被对象已基本上生成；分割尺度为30时，地物提取较完整，区分较明显，提取效果比之前两个尺度好得多；分割尺度为40时，地物提取虽比较完整，但是这个尺度下森林、草地和农田有些被混合分割到一个板块，单一性不强，不利于地物的提取。如果分割尺度继续增大，此现象越来越明显。综上，研究认为分割尺度为30比较合适。在这个尺度下，提取的地物信息对象最完整，不破碎亦不模糊。

② 形状指数和紧凑度指数。形状指数和紧凑度指数也会影响分割的效果。形状指数与颜色指数和为1。形状指数值越大，相对的颜色指数值越低，即影像分割过程中受到颜色的影响越小。紧凑度指数与平滑指数和为1，紧凑度指数越大，对应的平滑指数越小，对象之间越紧凑。笔者设置4组形状指数和紧凑度指数来进行分割实验，分割结果如图4。

图4 不同形状指数和紧凑度结果Fig.4 Result of different shape and compactness

从图4中可以看出，分割的结果区别明显。当形状指数和紧凑度指数均为0.9时，虽然分割对象基本按照颜色进行划分，但过于破碎，对象的板块化比较严重；当形状指数为0.9，紧凑度指数为0.1时，所有对象呈现出类似龟裂土地的板块化形状，地物边界不明显，分割效果差；当形状指数为0.1，紧凑度指数为0.9时，分割效果较好，不同地物边界被清晰的分割出来；当形状指数和紧凑度指数均为0.5时，地物对象基本能分割出来，相对于前一个分割结果来说，紧凑度指数减少使地物更加的平滑，但形状指数的增加使颜色指数降低，使得光谱信息相似的森林、草地、农田3者地物的分割变得模糊。

因此多组实验结果对比后，研究决定采用分割尺度30，形状指数0.1，紧凑度指数0.9为多尺度分割的参数。

2)通过分类体系创建知识库

在类层次窗口中建立5个类别。乡村地带农田占地面积较大、城镇用地在中心区域较为集中，分割尺度可以选大一些；但乡村居住用地零散分布在四周、城区植被较为破碎，尺度不宜过大；水体类型不同，分割尺度也不同，如适宜水库的分割尺度不一定适宜进行河流的分割。不同的地物类型，提取包含在其中的信息，如每个地物目标的平均值、标准差、形状特征等，所选用的分割参数、分类规则均不同。

3)插入分类器

eCognition提供两种不同的分类器：最邻近和成员函数。本实验选择最邻近分类法。其优点是分类操作较简单直观，易于处理多维特征空间的重叠，能快速处理类层次关系，但会限制在分类中所用的对象信息，如果类描述过多，会降低分类速度，使信息冗余增多。

4)定义样本对象

eCognition中最邻近分类方法类似于传统图像分析软件中监督分类方法，必须首先定义训练区，它是一个类的典型代表。在样本训练区内选择典型样本。

5)对影像对象分类

第一次分类后，各类地物基本被分类，尤其是聚落、水体信息分类较好，但农田、森林、绿地类型中还存在错分的情况。分类结果依赖选择样本，错分的影像对象通常位于该类总体区域的边缘附近，因此在此基础上，需进行重分类，把未分类对象作为样本，把错分类对象纠正到正确分类中，再次分类检查结果，重复循环此过程，直到得到满意的分类结果，如图5。可以看出，一个成功的最邻近分类通常需要进行多次的样本选择与分类的循环。

图5 最邻近分类结果Fig.5 Nearest neighbor classification results

3 精度评定

3.1 监督分类结果精度评价

此处笔者采用基本混淆矩阵法即Congalton提出的误差矩阵法(Error Matrix)对信息提取精度进行评价。计算生产者精度、用户精度、总体精度和Kappa系数等评价指标。计算结果如表1。

表1 沈阳市TM 影像传统监督分类方法精度评价Table 1 Accuracy evaluation of Shenyang TM images’ traditional supervised classification

3.2 面向对象分类结果精度评价

eCognition提供的精度评价工具简单易用，由于它是基于模糊逻辑的软分类，精度评价包括分类稳定性和最佳分类结果概率值指标，且精度评价的结果能在图中直观显示：①分类稳定性最大值为1，最为稳定；最小值为0，最不稳定。稳定性在图中直观显示，从黑色到白色的图斑，表示稳定性从高到底；②最佳分类结果概率值。也可以在图中由黑色(高值)到白色(低值)过渡色显示。笔者选用成员函数值及分类稳定性进行评价，结果如图6～图9。

图6 最佳分类结果精度评价Fig.6 Accuracy evaluation of the best classification results

图7 图像显示最佳分类结果——由黑(高值)至白(低值)Fig.7 Imageof the best classification results

图8 分类稳定性Fig.8 Classification stability

图9 图像显示分类稳定性——由黑(高)到白(低)Fig.9 Image of classification stability

3.3 实验结果对比分析

监督分类精度结果如表2。其中总体精度为90.65%，Kappa系数为0.847 8。

表2 精度结果对比Table 2 Contrast of accuracy results /%

从表2中可以看出，面向对象分类方法得出的精度结果总体要比监督分类高，水体是个反例，因为水体对象特征明显，对象数目不多，采样容易，所以两种方法得出精度结果相差不大。图7可以看出面向对象最佳分类结果显示黑色和深灰(高值)面积占大部分区域，说明分类精度较高，在图9中可以看出分类稳定性聚落、水体、森林、草地都比较好，但是农田稳定性并不高。在eCognition中，已分类的对象不是简单的属于某一类，可以得到Class Hierarchy中每个类的隶属度函数值的详细清单。一类对象如果具有最高的隶属度函数值，且不低于最低隶属度函数值，就把它分为此类。增加最邻近函数的方法可能会使分类精度提高，但是，这种过程可能会降低分类的稳定性。对于面向对象分类来说，影响分类的精度的因素应该是多方面的，主要有以下两个方面。

3.3.1 分割精度的影响

影像分割包含尺度选择与分割，尺度的选择有赖于操作人员的经验，对于不同星种、不同分辨率的影像，其分割尺度均有差别的，难以制定统一标准。

3.3.2 对象分类算法的影响

不同分类算法，对象分类规则有所差别，对象特征所占权重也有所不同，例如最近邻算法是位置占优的对象分类方法，其他的各种对象特征相对来说考虑较少，特别是在通过计算机进行对象分类的时候，往往会出现错分的情况。因此，对象分类是面向对象分类的最后一步，提高分类算法的科学性，也就控制了分类精度。

总的来说，面向对象的影像分类算法还是在很大程度上提高了分类精度，只要用科学的方法进行影像分割及对象分类，它的精度会比传统的分类方法高。

4 结论与展望

笔者以辽宁省沈阳市 TM 影像为数据源，对面向对象分类法在土地覆被信息提取中的应用进行了理论研究和实验分析。

1)本实验中选取多组数据进行对比分析，最终确定多尺度分割参数组合为分割尺度30，形状指数0.1，紧凑度指数0.9。在对实验区样本对象选择邻近分类后选用成员函数值及分类稳定性进行评价，从图表中均可看到比监督分类较好的实验结果。

2)传统的遥感影像分类方法比较成熟，相关应用软件操作简单，方便使用。但也存在很多不足，例如精度不够、椒盐现象等。而面向对象的遥感影像分类方法较之于传统方法提高了分类的效率和精度。

3)本实验中得到精度结果表明，相对于传统分类方法，面向对象的分类更为灵活，分类精度更高，尤其是对于农田、森林、耕地等光谱特征相似的地物类别，使用面向对象分类方法的优点可以得到更好的体现，而水体，建筑用地等影像光谱特征明显的分类对象传统方法也可较好的区分，所以面向对象法并不总是优于传统监督分类法，应针对分类对象选择合适的分类方法。

笔者虽然取得了一定的成果和认识，但仍有部分工作需进一步研究与探讨。

1)大范围的生态监测需要及时地更新土地利用现状数据，采用中分辨率的TM影像(分辨率为30 m)工作量相对较小，但由于空间分辨率不够高，很多地方的解译不能满足精度要求，若采用高分辨率的影像数据如SPOT5数据(分辨率为2.5 m)，则可以满足土地利用类型调查的精度，但所需工作量巨大，所耗时间较久。

2)分类过程进一步的研究可以对二级标准(如森林还包括针叶林、阔叶林、针阔混交林、灌丛等)进一步采取分层分类，进行同类地物不同尺度分割，考虑地表实体的多层次结构，采用多尺度影像对象层次网络结构揭示地表特征，逐层提取地物类型。

3)可进一步完善影像对象特征库。增加新的对象特征以及每类地物的类描述信息。根据高分辨率遥感影像特点研究影像对象的用户自定义特征描述方法，完善特征库。

[1] 陈佑启,杨鹏.国际上土地利用/土地覆盖变化研究的新进展[J].经济地理,2001,21(1):95-100.

Chen Youqi,Yang Peng.Recent progresses of international study on land use and land cover change[J].Economic Geography,2001,21(1):95-100.

[2] 梁英丽,杨武年.基于遥感技术的土地利用/土地覆盖信息提取——以四川省眉山市青神县为例[J].测绘,2010,33(2):76-79.

Liang Yingli,Yang Wunian.Information extraction for land use / land cover based on RS techniques—a case of Qingshen County in Sichuan[J].Surveying and Mapping,2010,33(2):76-79.

[3] 黄瑾.面向对象遥感影像分类方法在土地利用信息提取中的应用研究[D].成都:成都理工大学,2010.

Huang Jin.Object-Oriented Classification Technique of Remote Sensing Image Used in Classification of Land Use[D].Chengdu:Chengdu University of Technology,2010.

[4] 张增祥.中国土地覆盖遥感监测[M].北京:星球地图出版社,2010.

Zhang Zengxiang.China Land Cover Monitoring[M].Beijing:Planet Map Publishing House,2010.

[5] Baatz M,Schäpe A.Multiresolution segmentation:an optimization approach for high quality multiscale image segmentation[C]//Angewandte Geographische Information Dverarbeitung XⅡ.Karlsruhe:

[s.n.],2000.

[6] 祖琪,袁希平,莫源富,等.基于面向对象分类方法在SPOT影像中的地物信息提取[J].中国岩溶,2011,30 (2):227-232.

Zu Qi,Yuan Xiping,Mo Yuanfu,et al.Surface features’ information extraction from SPOT images with object-oriented classification method [J].Carsologica Sinica,2011,30(2):227-232.

[7] 莫登奎,林辉,孙华,等.基于高分辨率遥感影像的土地覆盖信息提取[J].遥感技术与应用,2005,20(4):410-414.

Mo Dengkui,Lin Hui,Sun Hua,et al.Extracting land cover with high resolution remote sensing data[J].Remote Sensing Technology and Application,2005,20(4):410-414.

[8] Benz U C,Hofmann P,Willhauck G,et al.Multi-resolution,object-oriented fuzzy analysis of remote sensing data for GIS-ready information[J].ISPRS Journal of Photogrammetry & Remote Sensing,2004,58(3/4):239-258.