基于面向对象的SPOT5湿地影像分类

朱丹瑶

(牡丹江师范学院历史与文化学院，黑龙江牡丹江 157011)

基于面向对象的SPOT5湿地影像分类

朱丹瑶

(牡丹江师范学院历史与文化学院，黑龙江牡丹江 157011)

本文选取洪河保护区湿地景观为研究对象，运用面向对象分类方法对研究区进行分类研究，分类精度达到95.31%，Kappa系数为0.9452。面向对象的分类方法充分考虑地物的几何、光谱、纹理、结构等多方面的信息，能够有效地弥补传统分类方法的缺陷，在高分辨率应用上可以体现更好的效果。

面向对象；湿地分类；SPOT5

近年来，随着遥感技术的不断发展，不同时空分辨率、不同光谱分辨率的遥感数据被广泛应用于各个领域。其中对于小尺度范围内的环境监测，如景观环境监测、地质资源勘探等，更加倾向使用高分辨率的遥感影像，使其能够反映更多地物信息。对于高分辨率影像的分类实践，传统的分类方法表现出其固有的局限性。在此基础上发展的神经网络分类器(Neural Net Classifier)[1]和模糊集(Fuzzy Set)[2]分类方法等在一定程度上提高了图像分类精确度，但本质上都是基于像元层次，对于高分辨率影像仍不能满足精度需求为了提高其分类精度，一些学者提出面向对象分类方法[3-5]。面向对象的分类方法不仅考虑目标光谱信息，同时还利用目标空间信息，如结构、纹理、分布、形状等信息，提取更多参考数据参与分类，现已表现出较强的适用性，主要应用于高分辨率影像的分类研究中。

1 研究区与数据

1.1 研究区概况

本文选取我国境内三江平原东北部典型淡水湿地环境——洪河保护区为研究区。该区域位于黑龙江省东北部同江市与抚远县交界处，东邻前锋农场，西与洪河农场接壤，北与鸭绿河农场相接。地理坐标为133°34′38″E～133°46′29E″，47°42′18″N～47°52′07″N，总面积21835hm2。研究区属于温带大陆性季风气候，地貌单一，地势坡降极小，从而集聚大量水体，发育各种湿地特有植被，形成典型的湿地生态系统[6]。

1.2 数据源与预处理

研究采用的遥感数据为由法国SPOT卫星高分辨率多波段扫描仪(HRV)获取的空间分辨率为2.5m的全色波段遥感影像2景，获取时间为2012年7月。首先对SPOT影像进行高分辨率与多光谱的图像融合，融合后影像以保护区1:10万国家基本比例尺地形图作为参考图像，对SPOT影像进行几何纠正。由于洪河保护区横跨两景SPOT影像，需对纠正后的影像进行拼接处理，之后按照保护区矢量边界进行裁切处理，最后由于对图像进行2%线性拉伸，得到图像增强的效果。最终得到严格校准、图像信息增强显示的保护区遥感影像图(图1)。

2 研究方法

2.1 面向对象分类方法

面向对象分类不再以像元为处理单元，突破了传统分类的局限[7]。它以图斑作为分类的处理对象，图斑包含的语义信息比单个像元更加丰富，不仅仅包含光谱信息，还包括多种特征如形状、大小、纹理、位置等信息。

还可以运用专家知识进行特征提取，也可以实现较高层次的目标地物提取。面向对象的分类方法主要分为两个步骤，分别为发现对象以及特征提取。发现对象首先要对图像进行分割，得到同质对象，再根据具有相同属性的对象进行同一类别的合并，后根据图斑属性以及具体知识进行目标地物的提取[8](图2)。

图2 面向对象分类流程图

2.2 技术路线

该分类方法存在两个关键点，其一是图像分割，目的是找到合适的分割尺度，使得到的图斑对影像的分类更加合理，同时能够包含相对丰富的信息属性。目前图像分割方法较多，其中以多尺度为基础的图像分割方法[9]的分割结果较为理想，其计算公式如下：

(1)

其中，F为波段融合值，fi为第i波段融合值，hs为图像总波段数。

fi=wi·hc+(1-wi)hs.

(2)

其中，wi为第i波段权重，hc为光谱融合值，hs为形状融合值。

(3)

其中，n、∓分别为对象像元数及对象像元标准差，wc为光谱权重。

hs=wcm·hcm+(1-wcm)hsm.

(4)

其中，wcm为形状紧凑度权重，hcm为形状紧凑度，hsm为形状光滑度。

(5)

(6)

其中，n、l分别为对象像元数、周长，b为外接矩形的周长。

另一个技术难点是如何简便、快捷地选择和提取对象特征。单一目标地物总是具有特殊的特征组合，合理、有效地选择其特征以及特征组合才能提取具有较高精度的目标地物，同时区别于其他类别。地物特征的选择首先受到影像本身的限制，如遥感图像的成像条件、成像季节等；还与分类人员本身对研究区的熟悉程度以及具有的决策知识密切相关。

本文基于面向对象遥感分类方法，采用SPOT5遥感数据进行湿地群落分类研究。根据研究区湿地植被特点及SOPT数据分辨率，确定分类群落类型为漂筏苔草群落、毛果苔草群落、狭叶甜茅群落、小叶章-苔草群落、小叶章群落、小叶章-灌丛群落、沼柳-丛桦群落、白桦群落、农田以及无植被水域。由于试验区为淡水湿地沼泽，遥感图像具有复杂的光谱特征。湿地景观群落的分布与水文因素具有高度的相关性，因此该区域的地形图可作为辅助数据参与分类。运用ENVI5.0EX模块作为数据处理平台，首先输入经过预处理的原始图像，输入DEM图像作为辅助分类图像，经过多次反复试验，分割阈值设为55，合并分块阈值设为60，同时选择具有典型性和代表性的训练样区，且数量不宜过多；之后提取目标的特征信息则主要依靠专家知识；最后应用选取的特征类型和特征值，运用最近邻域分类方法得到较为理想的分类效果(图3)。

图3 洪河保护区植被群落分类

2.3 分类结果精度评价

为了更好地说明面向对象分类方法的分类效果，现将传统的监督分类方法即最大似然法与面向对象方法进行比较分析(图4)。最大似然法[10-11]是传统的遥感影像分类法中比较具有代表性,同时应用比较普遍的一种方法。

图4 分类结果对比图

图4中，(a)和(b)分别是面向对象分类结果和最大似然法分类结果。可以直观地看出，最大似然法进行运算的分类结果更加破碎化，图像放大之后会看到更多的噪音，原因在于最大似然法仅运用光谱信息进行分类，而高分辨率影像光谱信息复杂多样，同物异谱或同谱异物现象更加严重，导致该方法在运用于高分辨率影像分类时误差较大。而面向对象分类方法作为特征参与分类的不仅仅是光谱信息，还包括分割得到图斑的几何形状、空间位置、相互关系以及可人为定义的大量专家知识，在处理高分辨率遥感影像方面更加具有适用性，避免了分类结果的破碎化和椒盐现象，并且分类结果中各类别边界明确清晰。分类结束之后,对两种方法进行精度测试，结果表明面向对象分类结果精度达到95.31%，Kappa系数为0.9452；而最大似然法的分类结果精度只有80.07%，Kappa系数为0.6650。说明面向对象分类方法在进行高分辨率遥感影像信息提取时比传统的最大似然监督分类方法具有更高的分类精度。

[1]Skidmore A, Turner B, Brinkhof W, et al.Performance of neural network: Mapping forests using GIS and remotely sensed data[J].ISPRS Journal of Photogrammetric Engineering & Remote Sensing,1997(63):501-514.

[2]Maselli F,Rudolfa,Conese C. Fuzzy classification of spatially degraded Thematic Mapper data for the estimation of sub-pixel components[J].International Journal of Remote Sensing,1996(17):537-551.

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

[4]Blaschke T,Lang S, Lorup E,et al.Object-oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications[C]//Environmental Information for Planning, Metropilis-Verlag,2000(2):555-570.

[5]Hofamnn P.Detection informal settlements from IKONS image data using methods of object oriented image analysis:an example from Cape Town(South Africa) [C].Remote Sensing of Urban Areas/F Enerkundung in Urbanen Raumen,2001:41-42.

[6]周德民,宫辉力.洪河保护区湿地水文生态模型研究[M].北京:中国环境科学出版社,2007.

[7]Baatz M, Schpe A. Object-Oriented and Multi-Scale Image Analysis in Semantic Networks[R].Proc.of the 2nd International Symposium on Operationalization of Remote Sensing,Enschede:ITC,1999.

[8]曹宝,秦其明,马海建,等.面向对象方法在SPOT5遥感图像分类中的应用——以北京市海淀区为例[J].地理与地理信息科学,2006(22):46-54.

[9]Baatz M, Schap E. Multiresolution Segmentation-an optimization approach for high quality multi-scale image segmentation[C]∥Strobl,Blaschke,Greisebener. Angewandte Geographische Information Sverarbeitung XI. Beitrage zum AGIT-Symposium Salzburg 1999,Karlsruhe:Herbert Wichmann Verlag,2000.

[10]Richardsia J.Remote Sensing Digital Image Analysis: An Introduction[M].Berlin:Springer,1999.

[11]Magd I,Tanton T. Improvements in Land Use Mapping for Irrigated Agriculture From Satellite Sensor Data using a Multi Stage Maximum Likelihood Classification[J].International Journal of Remote Sensing,2003,24(21): 4197-4206.

Object-oriented SPOT5 Wetland Image Classification

ZHU Dan-yao

(School of History and Culture, Mudanjiang Normal University, Mudanjiang Heilongjiang 157011, China)

In this paper, we take Hong-he National Nature Reserve wetland landscape as study area by object-oriented classification method. The classification accuracy is 95.31% and Kappa coefficient is 0.9452. Object-oriented classification methods take full account of information of spectrum, geometry, texture, structure and other aspects, make up for the deficiency of the traditional classification methods, and can get a better information result.

object-oriented; wetland classification; SPOT5

2014-07-11

朱丹瑶(1986- )，女，黑龙江北安人，牡丹江师范学院历史与文化学院助教，硕士，从事环境遥感监测研究。

X87

A

2095-7602(2014)06-0045-05