利用规则对Worldview-2影像进行地物信息提取研究

罗丽娟，陈文惠，江春梅

(福建师范大学，地理科学学院，福州350007)

1 数据与方法

1.1 研究区与数据源

研究区域位于福建省长汀县河田镇内，该镇位于长汀县中部，地貌为一盆地，海拔在255～1030 m间，盆地中间分布着大面积的花岗岩质丘陵，起伏和缓，坡度均不超过25度。该地区水土流失曾经非常严重，是福建省水土流失重点治理区，经过十几年大规模的治理，生态环境有较大改善。由于土壤贫瘠且经常干旱，只有耐受力强的马尾松得以大面积推广和存活，形成了马尾松林占优势的森林景观，同时自然选择与淘汰使得地带性蕨类植物芒萁骨成为最主要的林下植被。除马尾松林外，研究区内还有少量常绿阔叶林、桉树林、竹林等森林，以及灌木、草地等自然植被和果园、茶园等人工植被。所有森林、灌丛、园地和草地等类型，基本属常绿植被，本研究中统称为植被，具有植被覆盖度高、纹理较粗的特点。水田、旱地和菜地等因种植农作物而带有一定的植被特征，但因地势低平、植被特征时空差异明显、纹理细腻等特点而明显不同于上述植被，本研究中统称为耕地。另外，本研究把水体、道路、建筑物、裸地也定义为独立的土地覆盖类型。研究区位置和影像如图1所示。

本研究以Worldview-2多光谱遥感影像为数据源，数据获取于2012年12月13日，影像空间分辨率为0.5m。Worldview-2卫星于2009年10月由美国Digital Globe公司发射，能提供0.46 m的全色影像和8个波段的1.84 m(星下点)多光谱影像，是全球第一颗高分辨率8波段商业卫星。与IKONOS和 QuickBird影像相比，Worldview-2的空间分辨率更高，纹理信息丰富，可以看到地物形态特征的更多细节，多光谱波段更丰富。Worldview-2卫星多光谱参数见表1。

图1 研究区和影像缩略图Figure1 Study area and its thumbnails of image

1.2 数据预处理

本研究主要对Worldview-2全色和多光谱原始影像进行校正配准与影像融合处理，然后裁剪出研究区河田镇的部分范围。影像融合的方法采用的是基于像元的Gram-Sehmidt变换融合法，该算法融合影像的信息熵大，影像清晰度较好，可以较好的保持影像的光谱信息特征，含有丰富的纹理和细节，有利于影像信息的提取和分析［3-5］。

表1 Worldview-2卫星多光谱波段信息Table1 Multispectral band information of Worldview-2 Satellite

1.3 影像分割

为了获得影像对象的原型以作为影像的基本处理单元，面向对象的影像分析方法要求对影像进行完全分割［1］。影像分割可以以灰度、颜色、纹理、邻域关系等作为依据，预先定义的目标可以是单个区域或者多个区域，以区域的方式分割出变化信息是为了方便数据的后续处理，常用的分割方法有阈值化方法、分裂合并法、区域生长法、特征空间聚类法和松弛迭代法［6］。

传统的单一尺度遥感影像分割方法无法兼顾到影像的宏观和微观特征;且高分辨率影像具有丰富的细节信息，直接分割往往会导致“椒盐现象”。因此需要对高分辨率影像进行不同尺度下的分割处理，即多尺度分割处理。

多尺度影像分割采用区域合并方法形成影像对象［1］。小的对象可以经过若干次合并，形成大的均质影像对象。因此多尺度影像分割类似于一个从像元开始逐步合并成为影像对象的优化过程。多尺度影像分割目的是为了实现分割后影像对象的权重异质性最小化。权重异质性要同时配合使用光谱异质性和形状异质性，其中形状因子异质性包括光滑度异质性和紧致度异质性，即:

f是异质性大小，ω为光谱权重 (0＜ω＜1)，hcolor为光谱异质性，hshape为形状异质性，ωcompact为紧致度权重 (0＜ωcompact＜1)，hcompact为紧致度，hsmooth为光滑度。

只有保证光谱异质性、光滑度异质性、紧致度异质性最小，才能使整幅影像所有对象的平均异质性最小［7］。具体使用时要根据目标对象的特性，选择合适的比重参数。通过对研究区Worldview-2影像进行多次分割试验，得到分割尺度为90，形状指数为0.2，紧凑度为0.4时，影像的分割效果最好，且所有光谱波段参与分割的效果较好，分割效果如图2。

背景差分处理后，将差分图像Dk（x，y）进行二值化后得到Rt（x，y），Rt（x，y）中运动区域像素总和除以运动区域个数得到电缆位置变化的中心点，并将电缆位置对应为-5 V～+5 V，电缆位置与输出电压及LCD显示的对应关系如图3所示.其中，LCD分辨率为240×320，0 V对应120，设y为电缆中心点到管道底的距离，U为输出电压.当电缆位于管道上半部分时：

图2 Worldview-2影像分割效果图Figure2 Segmentation results of Worldview-2 images

1.4 基于规则影像信息提取

从Worldview-2影像的分割结果来看，地物较为复杂，并且稍显破碎，因此必须综合多种特征和知识来进行判别和提取。

本研究根据不同地物特征采用确定性或模糊性规则来提取不同类别地物。确定性规则是针对某一特征设定阈值和逻辑运算方式，来判别影像对象是否属于某一类别［8］。若影像对象符合某种确定类别的充分规则条件，则判定该影像对象属于该类别;而对于那些有可能属于该类别的影像对象，则需要进一步通过模糊性规则来进行判断。模糊性规则是根据影像对象的特征值计算该对象属于某一类的隶属度。隶属度可设定为正数或负数。如果所有的隶属度之和大于0.5则判定该对象属于该类别。把多个规则组合形成一个规则集，来判别影像对象是否属于某一地物类别。由于在影像中即使是同一类地物也往往会表现出较大的差异，因此对于同一地物类别，需要用多个规则集来判别，只要影像满足某一规则集，就可判定其归属类别。

2 提取规则和分类层次

遥感地物信息提取的前提是建立在各地物类型的特征基础上，因此，在分类之前需要根据各地物的特点，选择最能表达该地物的特征或特征组合。但是，并非选择的特征越多提取精度就越高，相反，特征数量过多，会加大数据运算量，降低数据时效性，而且多余的特征会影响本质特征发挥最大效应，反而降低分类精度。

图3 研究区典型地物反射光谱曲线Figure3 Spectrum curves of typical features in study area

本研究选取研究区内多种典型地物代表6种地物类型 (马尾松和杨梅代表植被，河流代表水体，国道代表道路，水泥屋顶、铁皮屋顶、瓦房屋顶代表居民地，稻田和旱地代表耕地，裸地即为裸地)。采用ASD公司生产的便携式野外地物光谱仪FieldSpec3实地测量所选地物类型的反射光谱数据，每种地物类型采集10个左右的样点，每点同时采集10条光谱曲线，在每组中剔除异常曲线后取平均值作为该组的代表性光谱曲线，然后将代表光谱曲线再求平均值作为该种地物类型的光谱曲线，最后基于excel绘制实测光谱曲线作为6种地物类型的光谱曲线 (图3)，分析地物光谱特征进而得到信息提取策略。

影像对象存在“同物异谱”和“同谱异物”现象，而合理的分类层次可以有效地提高地物信息的提取精度。本研究基于研究区主要地物类型地物光谱特征和实验影像的特点，建立3层分类体系。

在第一层中，要区分出植被与非植被。结合典型地物的特征知识、研究区典型地物特征实测光谱曲线 (图3)和大量的研究实践可知，植物叶面在可见光红光波段 (630nm～690nm)具有很强的吸收特性，而在近红外波段 (770nm～895nm或860nm～1040nm)具有很强的反射特性，其具有较高的NDVI(Nir-Red/Nir+Red)，因此通过NDVI能够对植被信息进行较好的提取。

在第二层中，以第一层的非植被为父对象层。研究区的水体包括河流和坑塘水库2种类型。水体在绿波段 (510nm～580nm)有较强反射，且随波段增加反射率递增，而在近红外范围 (770nm～895nm或860nm～1040nm)内吸收性最强，几乎无反射，且随波段增加反射率递减，因此用绿波段和近红外波段的反差构成的NDWI(Green-Nir/Green+Nir)可以突出影像中的水体信息 (水体的NDWI值大)。另外由于植被在近红外波段的反射率强，因此采用绿光波段与近红外波段的比值可以最大程度地抑制植被的信息，从而达到突出水体信息的目的。通过NDWI，经过多次实验，建立合理的特征空间，运用成员函数法，可以很好地提取出水体。

从图3可知，道路整体的光谱曲线起伏较小，但其在绿波段呈递增趋势，在红波段呈递减趋势，因此两者之差即Green-Red可以增强道路信息;同时发现道路和水泥屋顶的光谱特征曲线类似，而道路、河流等线状地物一般具有典型的线性特点，在剔除河流后，道路的形状特征极其显著，这是道路不同于其他地物的明显特征。Density代表影像对象的密集程度，表示的是影像对象面积除以影像对象的半径，影像对象的半径采用协方差矩阵来近似计算，Density值越大则影像对象越像正方形，经过实验观察得到Density值能辅助区分开线状地物，因此综合Density和Green-Red来提取道路信息。

研究区中的建筑物包括居住地、水泥屋顶厂房和其他材质屋顶厂房，三者光谱特征曲线具有较大差异，尤其是在近红外波段 (770nm～895nm)，三者在光谱反射率值上有较大差别，且光谱曲线趋势各异，居住地呈略微递增趋势，水泥屋顶厂房呈平稳状态，其他材质屋顶却呈下降趋势。在近红外波段(770nm～895nm)除了以上三者，水泥屋顶厂房与其他地物的光谱反射率值也互相区别 (如图3)。

其他材质屋顶厂房在蓝色波段 (450nm～510nm)的光谱反射率值较其他地物的反射率值极高，光谱曲线递增极其显著。居住地的光谱曲线呈略微递增趋势，光谱反射率值较其他 (裸地、旱地、稻田)剩余地物光谱反射率值极小 (小于0.1)，利用近红外波段和红波段之差值即Nir1-Red可以使其更小，从而突显出居民地信息。在805nm～895nm波段裸岩的光谱反射率值均小于旱地和稻田，因此可以利用近红外波段 (770nm～895nm)来提取裸地。在近红外波段 (770nm～895nm)稻田和旱地的光谱曲线相似，几乎重合，因此可以利用近红外同时提取稻田和旱地即耕地;而由于耕地具有植被的特性，因此NDVI可以辅助其获得较好的提取效果。

分类体系中第三层的作用是对上述两层中的所有地物进行汇总，进而生成最终的分类结果。将第二层中“水泥屋顶厂房”、 “其他材质屋顶厂房”和“居住地”合并成一个完整的地物类型“建筑物”。所以在第三层中最终得到植被、水体、道路、建筑物、裸地和耕地6种地物类型。具体提取规则见表2，提取流程见图4。

表2 实验影像地物提取规则集Table2 Extraction rules of the experimental images

3 实验结果与分析

图4 worldview-2规则提取流程Figure4 Flow chart of Worldview-2 rule extraction

基于表2中的各地物提取规则和图4的提取流程，对实验影像中的植被、水体、道路、建筑物、裸地、耕地等进行提取，结果如图5。

采用实地核查的方法进行评定地物提取结果的精度评价，在研究区域内随机选取152个核查点，核查结果见表3。

本研究采用的精度评价指标为总体分类精度、Kappa系数、误分率、漏分率等。总体分类精度等于被正确分类的样本总数除以总样本数;Kappa系数是把样本点总数乘以混淆矩阵对角线的和，再减去某一类中样本总数与该类中被分类样本总数之积后，再除以样本总数的平方减去某一类中样本总数与该类中被分类样本总数之积对所有类别求和的结果得到的值，Kappa系数值越接近1分类精度越高;漏分率等于该类别分类结果中漏分部分占参考数据的比重;误分率等于被误分到该类别的部分占该类别对象分类结果的比重;漏分率和误分率可以比较具体显示每类地物的提取结果精度状况。通过实地核查检验，本研究利用规则方法提取地物的总体分类精度为84.2%，Kappa系数值为0.791。

表3 核查结果与各类地物的提取精度Table3 Results of verification and extraction accuracy of the ground objects

由表3可知，水体和建筑物的漏分率为零，耕地的漏分率极低，而裸地、植被、和道路的漏分率相对较高。裸地主要被误分为道路，由实地核查得知，这些被误分的裸地均位于道路附近，会被误分主要是由于地类面积较小、形状特征不明显，未从道路中被分割出来，而地表物种繁多，任何分割尺度均不能完全分割出所有地物类型。植被主要被误分为耕地，经核查，这部分植被覆盖度均较低，从而使得这些地类与本身具有植被特性的耕地易混淆，从图3中马尾松、杨梅树、稻田和旱地的反射光谱曲线亦可以看出。道路主要被误分为裸地和耕地，被误分原因与裸地被误分为道路的原因相同。建筑物、裸地、耕地和道路有较高的误分率。建筑物主要被误分为裸地，因为建筑物中的水泥建筑与裸地的反射光谱较为接近，而有些建筑物往往因房屋较小而影像中没有表现出明显的形状特征，与裸地在提取中易混淆。裸地主要被误分为道路和耕地，而道路主要被误分为裸地和耕地，原因是裸地的反射光谱特征与土质道路、未种植植被的旱地极为相似，从而造成三者互为误分。耕地主要被误分为植被，耕地这一类地物在全幅影像中有多个特征，且旱地季候种植的作物有时难与植被类型相区分开，特征多样性导致耕地的误分率较高。

图5 地物提取结果图Figure5 Extraction results of the ground objects

4 结语

本研究采用基于面向对象的方法建立规则集对Worldview-2影像进行地物提取。利用eCognition软件的多尺度分割算法进行遥感影像的分割处理，获取影像对象，并将其作为地物提取的基本单元，针对各类地物的不同特征，建立提取规则进行典型地物提取，总体分类精度为84.2%，Kappa系数为0.791。规则提取过程中光谱特征相近 (例如裸地、道路、播种前的耕地)的地物间的相互混淆，使得利用一定规则对全幅影像进行提取仍无法满足全局影像地物的精准要求，寻求能够进一步区分混淆地物的特征和归类的方法，将是以后研究的重点。

［1］Guan Yuan-xiu，Cheng Xiao-yang．The Guide for High Resolution Satellite Image Processing［M］．Beijing:Science Press，2008．［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．］

［2］ Lu D，Weng Q A．Survey of image classification methods and techniques for improving classification performance［J］．International Journal of Remote Sensing，2007，28(5):823-870．

［3］ Chen Li，Lin Hui，Sun Hua，et al．Worldview-2 images based urban green space information extraction ［J］．Journal of Forestry University，2014，29(1):155-160．［陈利，林辉，孙华，等．基于Worldview-2影像城市绿地信息提取研究 ［J］．西北林学院学报，2014，29(1):155-160．］

［4］ Lu Chao．Research on information extraction of WorldView-2 imagery with object-oriented technology［D］．Hang Zhou:Zhe Jiang University，2012．［陆超．基于 Worldview-2影像的面向对象信息提取技术研究 ［D］．杭州:浙江大学，2012．］

［5］ Chen Chun-hua，Su Yi-ping，Zou Chong-yao，et al．Experimental study on the method of remote sensing image fusion based on WorldView-2［J］．Geographic Spatial Information，2013，11(6):72-74．［陈春华，苏逸平，邹崇尧，等．Worldview-2遥感影像融合方法实验研究 ［J］．地理空间信息，2013，11(6):72-74．］

［6］Zhang Liu-jin．Image Segmentation［M］．Beijing:Science Press，2001:1-182．［章毓晋．图像分割 ［M］．北京:科学出版社，2001:1-182．］

［7］ Zhou Chun-yan，Wang Ping，Zhang Zhen-yong，et al．Object-oriented information extraction technology of high resolution remote sensing image［C］．SPIE，Xian，2006．［周春艳，王萍，张振勇，等．面向对象的高分辨率遥感影像信息提取技术 ［C］．SPIE，Xian，2006．］

［8］ Yan Li，Zhao Zhan，Nie Qian，et al．Ground objects extraction from high-resolution remote sensing image with rules［J］．Wuhan University Journal of Natural Sciences，2012，37(6):636-639．［闫利，赵展，聂倩，等．利用规则进行高分辨率遥感影像地物提取［J］．武汉大学学报，2012，37(6):636-639．］

［9］ Zhang Jun，Yu Qing-guo，Zhu Xiao-dong，et al．Object-oriented features space optimization of high spatial resolution remote sensing image［J］．Science of Surveying and Mapping，2011，36(3):141-143．［张俊，于庆国，朱晓东，等．面向对象的高分辨率影像特征选择研究 ［J］．测绘科学，2011，36(3):141-143．］

［10］ Ni Zhuo-ya，Gan Fu-ping，Zhou Ping，et al．Object-oriented image classification of Naqu using Worldview-2 image［J］．Application of Remote Sensing，2011(118):114-118．［倪卓娅，甘甫平，周萍，等．面向对象的那曲Worldview-2影像的分类 ［J］．遥感应用，2011(118):114-118．］