面向对象的高分遥感影像信息提取技术研究

常　虹，詹福雷，杨国东，牛雪峰，张旭请，邵　鹏，唐天琦

(1. 云南省基础地理信息中心，云南 昆明 650032； 2. 吉林大学地球探测科学与

技术学院，吉林 长春 130026)

Research on Objects-oriented Information Extraction Technology for High

Resolution Remote Sensing Image

CHANG Hong，ZHAN Fulei，YANG Guodong，NIU Xuefeng，ZHANG Xuqing，SHAO Peng，TANG Tianqi



面向对象的高分遥感影像信息提取技术研究

常虹1，詹福雷2，杨国东2，牛雪峰2，张旭请2，邵鹏2，唐天琦2

(1. 云南省基础地理信息中心，云南 昆明 650032； 2. 吉林大学地球探测科学与

技术学院，吉林 长春 130026)

Research on Objects-oriented Information Extraction Technology for High

Resolution Remote Sensing Image

CHANG Hong，ZHAN Fulei，YANG Guodong，NIU Xuefeng，ZHANG Xuqing，SHAO Peng，TANG Tianqi

摘要：以WorldView-2高分遥感影像数据为例，采用规则集开发的模式进行地图要素提取，对主要制图要素图像进行了分割、分类试验，实现了多尺度分割的层次构建和制图地物要素分级分类。

关键词：高分影像；面向对象；规则集开发；多尺度分割；分级分类

一、引言

随着遥感技术的发展，利用高分辨率遥感影像的信息分类提取更加精确。遥感影像制图要素提取方法主要有3种：目视解译、基于像元的信息提取、面向对象分类。基于像元的分类方法对高分辨率遥感影像提取会出现比较严重的椒盐现象，而面向对象的信息提取不但考虑光谱的统计特性还考虑其形状、大小、纹理、拓扑关系，能得到较高的信息提取精度。本文以World View-2影像为数据源，经过对影像数据进行预处理和边缘检测，利用多次试验结果得出最合适的分割参数后进行多尺度分割，同时对遥感影像进行光谱分析，利用不同地物的光谱属性及纹理、形状等特征进行分类，得到了较为满意的制图地物要素提取效果。

二、高分影像处理步骤

1. 图像预处理

本文所采用的试验数据已经作过辐射校正和几何校正，为了更加准确地提取高分影像所包含的各类信息，对影像进行融合处理，以获取更加丰富的图像信息，突出专题信息，提高分类精度，增强地物特征的显示。本试验选择融合方法为pan sharpening、小波变换融合、HPF融合、删减法融合，通过比较，最终采用pan sharpening来进行本试验区图像的融合。为了进一步改善图像质量加强图像判读和识别效果，使图像数据更有益于解译，采用自适应滤波、统计滤波、降噪处理等技术对图像进行了预处理；同时采用PCA(主成分分析方法)对试验区进行光谱增强，将具有相关性的多波段数据压缩到完全独立的较少的几个波段上。

2. 影像信息提取准备

波段重组是对一些原始波段进行算法改进以便在制图要素提取中获得更好的效果。本研究在前人研究的基础上选择适合的算法，采用植被指数中应用最广泛的归一化植被指数NDVI=(NIR-red)/(NIR+red)；归一化差异水体指数NDWI= (green-NIR)/(green+NIR)；改进的归一化差异水体指数MNDWI=(red-NIR)/(red+NIR)；其中NIR代表近红外波段；green代表绿光波段；red代表红光波段。

本研究采用现有的效果较好的canny边缘检测算法来进行影像的边缘检测，并且利用检测后的结果来进行辅助分割，使得图像分割更加准确快速。

3. 分割分类及规则集开发

(1) 多尺度分割

多尺度影像分割是从任一个像元开始, 采用自下而上的区域合并方法形成影像对象，将小的对象经过若干次合并变成大的均质影像对象，可理解为一个类似像元合并成为影像对象的逐步优化过程。影像分割的结果由分割参数决定，它由尺度参数、形状参数、紧致度参数组成。本研究针对选取分割参数作出了如下判断。

1) 尺度参数可以由参考多边形来评价多尺度分割的尺度参数是否合理。如果分割结果和参考多边形相同则说明设定的多尺度参数可以用来实现地物提取，并且得到了最好的分割结果；如果分割结果把参考多边形分割成了不同的部分则说明分割尺度较小；如果分割最小面积对参考多边形形成了外覆盖，则说明分割尺度过大。

2) 形状参数和紧致度参数可以通过分析分割的轮廓线来选取，如果分割结果将不同属性的影像地物分割成了相同的地物或者将相同属性的地物分割成了不同地物，则说明形状参数和紧致度参数过小，导致分割过程没能更好地考虑地物的形状和紧致度。

3) 分割质量可以通过混淆矩阵来评价不同制图要素的分割精度。

经过试验，本研究选取两种分割参数，即C1层为scale=100，shape=0.2，camp=0.5用于对水体表面的分类；C2层scale=50，shape=0.1，camp=0.5用于其他制图要素的分类。

(2) 分级分类

本研究根据各要素的特点，选择出最能表达该要素的特征或是特征组合，实现制图要素的分类处理，即先将易提取的制图要素分类并生产与其相反的另一类别，如先将整幅图像分为植被和非植被，再从非植被类别中分出水体表面和非水体，如此进行下去直至分类结束。

根据前面的分割研究，决定在C1层上首先将图像分为两类：水体表面和非水体。成员函数的组合为

mean(MNDWI)≥0.06

(1)

其他制图要素在C2层上进行，C2层在C1层分类的基础上采用新的分割参数重新分割影像数据来进行其他要素的分类。

在非水体类别中分为植被类和非植被类，植被的分类成员函数组合为

mean(NDVI)≥0.21

(2)

mean(PCA band1)≤780

(3)

在非植被类别中分为道路类别和非道路类别，道路的分类成员函数组合为

mean(NDVI)<0.27

(4)

density≤1.1

(5)

lengthwidth≥3.1

(6)

式中，density为图像密度函数值；lengthwidth为图像长宽比函数值。

在非道路类别中分为裸地类别和非裸地类别，裸地的分类成员函数组合为

mean(PCA band1)≤580

(7)

在非裸地类别中分为建筑物屋顶和其他类别，建筑物屋顶的分类成员函数组合为

0.15

(8)

mean(PCA band1)≥340

(9)

再将其他类别采用最邻近分类方法分出感兴趣类别。

三、试验区卫星数据处理

用于试验的World View-2影像原图如图1所示，区域面积约18 km2，图像中面积较大的区域是裸地和植被，河流表面成块出现，道路网比较复杂，建筑物比较分散。利用主要地物制图要素的光谱曲线图查看地物的光谱信息，不但可以得到利用光谱信息分类的精度信息，还有助于面向对象分类的方法的确定。主要制图地物要素光谱曲线图如图2所示。

图1　原始影像图

图2　主要地物光谱曲线图

图2中A为植被、B为土路、C为裸地、D为水体表面、E为建筑物、F为沥青路。由图2可以看出一些地物如建筑物和裸地光谱范围出现重叠并且建筑物和道路的标准差较大，因此传统基于像元的分类方法很难满足高分遥感影像制图的需要。本文选择的面向对象分类方法，不仅考虑光谱的统计特性，还考虑其形状、大小、纹理、拓扑关系等，能得到较高的信息提取精度。对遥感影像进行光谱分析后，对其进行边缘检测、多尺度分割、分级分类、不同地物合并处理等，分类效果如图3所示。将处理后的数据导出矢量数据后，加标注图内注记和图幅整饰等制作的平面图如图4所示。

图3　分类成果图

图4　平面图

四、精度统计

遥感影像信息提取完成后，对试验结果进行了精度评价。利用融合后的WorldView-2多光谱影像作为参考影像，通过目视解译，设定目视解译结果为已知地物类，将按试验分类方法提取的图像中特定的像元与已知分类的参考像元进行比较，用通用的遥感分类图像质量评价混淆矩阵计算分类的总体精度、用户精度、生产者精度以及Kappa系数。随机选取的500个地物点的分类精度统计如表1所示。

表1　精度评价统计表

五、结束语

通过高分辨率遥感影像的多尺度分割试验，针对不同地物选择最优的分割尺度，使得各地物能在不同尺度层次上进行提取，并依此建立合理的分割分类规则集，较好地完成了分类，得到分类总体精度为88.6%， Kappa系数为85.75%，其中，建筑物为79.61%，草地为94.85%，道路为88.54%，裸地为84.76%，水体表面为95.96%，体现了面向对象分类方法的优越性。由该试验方法提取的制图要素导出的矢量数据经过添加标注、图幅整饰等编辑工作，可完成专题图制作，因此，机助制图需要的主要地物要素从高分辨率遥感影像上的半自动提取得以实现。

参考文献：

[1]MYINT S W, GOBER P, BRAZEL A, et al. Per-pixel vs. Object-based Classification of Urban Land Cover Extraction Using High Spatial Resolution Imagery [J]. Remote Sensing of Environment, 2011, 115(5): 1145-1161.

[2]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 and Remote Sensing, 2004, 58(3): 239-258.

[3]JALAN S. Exploring the Potential of Object Based Image Analysis for Mapping Urban Land Cover[J]. Journal of the Indian Society of Remote Sensing, 2012, 40(3): 507-518.

[4]苏伟,李京,陈云浩,等.基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚为例[J].遥感学报,2007,11(4):521-530.

[5]汪金花,谷端勇.利用遥感影像进行专题制图方法的探讨[J].矿山测量,2002(3)：52-53.

[6]徐涵秋.利用改进的归一化差异水体指数 (MNDWI) 提取水体信息的研究[J].遥感学报, 2005, 9(5): 589-595.

[7]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.

引文格式： 常虹，詹福雷，杨国东,等. 面向对象的高分遥感影像信息提取技术研究[J].测绘通报，2015(1)：99-101.DOI:10.13474/j.cnki.11-2246.2015.0020

作者简介：常虹(1966—)，女，高级工程师，主要从事GIS数据处理及遥感图像处理等方面的研究。E-mail：980331136@qq.com

收稿日期：2013-12-16

中图分类号：P237

文献标识码：B

文章编号：0494-0911(2015)01-0099-03