基于面向对象的高分辨率遥感影像目标信息提取

吴文欢，于宏，赵英俊，陆冬华，伊丕源

（核工业北京地质研究院，遥感信息与图像分析技术国家级重点实验室，北京100029）

基于面向对象的高分辨率遥感影像目标信息提取

吴文欢，于宏，赵英俊，陆冬华，伊丕源

（核工业北京地质研究院，遥感信息与图像分析技术国家级重点实验室，北京100029）

分析比较多光谱遥感影像分割任务中应用较多的3种分割算法，得出分形网络演化（FNEA）方法在影像对象获取中的优势明显。综合考虑目标地物的光谱、形状、纹理结构等属性特征，上下文语义特征，空间关系特征，辅以地物的边缘信息，提取研究区高分辨率遥感影像地物信息，并对分类结果进行精度评价，实验表明，基于面向对象的FNEA算法在高分辨率遥感影像目标信息提取方面具有良好的应用价值。

面向对象；信息提取；空间关系；精度评价

高分辨率的卫星影像通常指空间分辨率优于5 m的遥感影像［1］。随着传感器技术的发展，高分辨率遥感影像具有更加丰富的空间信息，目标地物的几何形状、轮廓结构也更加明显，其与周围地物邻域关系能更好的表达和反映，便于认知地物目标的属性特征，但同时同类地物的内部光谱差异逐渐增大。

目前，遥感影像分析的方法主要分为基于像元（Pixel Based）与面向对象（Object-Oriented）两大类。若采用传统基于像元的影像信息提取技术，常常会出现错分、漏分现象，并存在严重的“椒盐”噪声，使检测识别精度大大降低。通过综合利用遥感数据的光谱信息、几何形状、空间关系等多种信息，对影像进行分割得到同质的影像对象，并在后续的影像分析中按照分割对象进行处理，这种面向对象思想的处理方法已逐渐成为高分辨率遥感影像信息提取技术的发展趋势。

面向对象方法进行信息提取包含两个重要方面，一是影像分割技术，二是影像对象的分类与信息提取。遥感影像对象分割的质量是面向对象遥感信息分析技术成功与否的关键影响因素，只有在高质量的分割基础之上，才能更好的实现遥感信息提取与目标的有效识别。本文对比分析3种常用的分割算法，利用最优分割算法获取对象信息，并统计分析其特征属性以指导影像对象信息提取，最后对分类结果进行精度评价分析。

1 影像对象分割方法

面向对象方法分类处理的基本单元是经过影像分割后的“同质”对象，而不是传统意义上的单个像素。影像分割处理是面向对象方法信息提取的前提。目前对于多光谱的遥感影像分割任务来说，应用较多的分割算法包括分形网络演化算法、分水岭算法和置信度均值漂移算法等［2］。

1.1 基于分形网络演化算法的分割

分形网络演化算法（Fractal Net Evolution Approach，FNEA）［3］。由Baatz和Schäpe于2000年提出，它是一种基于邻域异质性最小的多尺度分割方法。多尺度分割方法是一种从单像素对象开始的自下而上的区域合并技术，具体步骤如下：首先设置参数，包括尺度参数、形状因子权值（光滑度权值＋紧致度权值）。自下而上根据局部区域异质性准则对每个像素计算得到最小异质度目标，若最小的异质度小于设定的阈值，则对这两个目标进行合并操作。当所有的像素都遍历完，从上次分割的区域开始，进行分割。每次分割结束后，得到分割后图像的区域最小值，作为停止阈值，如果区域最小值大于尺度参数或者设定的循环次数，则停止分割。

1.2 基于分水岭算法的分割

分水岭分割算法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是三维地形，将像素的灰度值作为地面的高程值来显示。在这种情况下，主要考虑3种类型的点：第1是局部的最小值点；第2是当一滴水放在某点的位置上时，水只会下落到特定的某个最小值点，满足这一条件的点集合称为“集水盆地”；第3是水会等概率的流向不止一个这样的最小值点，随着整个模型水不断侵入加深，每个局部极小值的影响域向外扩展，在两个集水盆地交汇处，形成地形表面的峰线，即形成“分水岭”或“分割线”［4］。

1.3 基于置信度均值漂移算法分割

均值漂移（Mean Shift）分割算法是基于非参数核密度估计理论的特征空间分析技术，早期是由Fukunaga等人［5］在关于概率密度梯度函数的估计中提出；Yizong Cheng对基本的Mean Shift算法通过进行一族核函数的定义和权重系数的设定做了推广，拓展了算法的适用范围；Comaniciu等人［6］将Mean Shift算法成功地运用到特征空间分析。当给定某一概率密度函数，均值漂移可以根据该函数的采样数据来确定其局部极大值所在位置，是一种在概率空间中求解局部极值的使用方法。现在通常情况下，Mean Shift算法是指一种有效的统计迭代算法。这种算法显著的优点是具有较好的算法收敛性、计算量小且简单易实现，已广泛应用于聚类分析、目标跟踪、图像分割、图像边缘提取和信息融合等方面［7-8］。

2 对象分割效果分析

影像对象分割实验选取一幅0.6 m空间分辨率的QuickBird遥感影像作为数据源，对3种影像分割算法实验效果分析对比发现不同分割算法的优缺点。为了评价影像的分割效果，以目视分割解译结果为参考标准，并从实验测试对象中选择一个参考区域（框体示意范围）进行评价。FNEA算法、分水岭算法和置信度Mean Shift算法实验结果如图1所示。

通过分割结果对比图可以发现，上述3种方法中，FNEA分割算法因使用数据驱动方式的自下而上的方法进行区域合并，能够较好地对整个影像进行分割；分水岭分割算法因对影像的噪声信息和梯度的局部不规则性过于敏感，分割结果有非常明显的过分割现象，而且这种算法存在局限性，主要适用于灰度图像或影像的梯度图像；Mean Shift分割获取的影像对象轮廓性较好，边缘精度要优于FNEA算法，但对于灰度变化较小的区域如植被区域分割不太理想，并且这种算法也存在一定的过分割和欠分割现象。综上情况，基于光谱特征的FNEA分割算法和Mean Shift分割算法分割结果相近，在边缘定位精度方面FNEA分割算法有所不足。但因FNEA算法采用多尺度分割策略，充分考虑了目标地物的光谱、形状、纹理结构等属性特征，所以笔者选择FNEA分割算法，在分割过程中融合边缘信息作为图像分割的约束条件［9］。

图13 种分割算法分割效果对比图Fig.1The effect comparison of three segmentation algorithms

3 影像分类效果分析

3.1面向对象信息提取

研究区选择某一典型目标分布区，利用QuickBird卫星遥感数据开展信息提取研究。针对前期分割实验，根据研究区影像数据中目标地物的特征选取最优的分割尺度，使得分割后的影像对象能最佳地拟合地物的边界，并且能用一个或者尽量少的对象来表达目标地物。除此之外，最优的分割结果得到的边界清晰且连续性较好。在分割过程中，根据波段在分割过程中参与的信息的多少赋予恰当的波段权重，辅助数据参与分割时也参与权重的选择，如建筑物边缘信息。在本研究中，地物的光谱信息在影像数据挖掘中占据主导地位，因此赋予光谱因子更大权重，权值为0.6，形状因子权重赋值0.4。分割时形状因子的参与主要用于保持影像对象形状的完整性，以提高最终分类结果的精度。形状因子包括光滑度和紧致度，二者权重之和为1。较高的光滑度可以避免锯齿状边界的对象的出现，得到边界光滑和连续性较好的对象。较高的紧致度使得对象形状更加接近矩形，对于形状规则的建筑物来说，较大紧致度有利于产生规则的分割对象。光滑度和紧致度不是相互对立的，高紧致度的对象也可以具有高光滑度，具体赋值可以通过反复试验获取。研究选择光滑度值为0.5，紧致度值为0.5。利用分割后的影像对象，通过统计影像对象的特征信息［9］（包括光谱均值、方差、形状、纹理属性等），分析其中存在的特征规律，并利用上下文语义关系、空间特征关系，建立合适的分类规则，最终将地物有效地分类识别。

表1 各地物分类规则Table 1Classification rules of target categories

图2 面向对象方法分类结果图Fig.2Classification results of Object-Oriented method

按照统计分析得到的特征组合与阈值条件，结合模糊函数建立的分层次分类体系，实验对象的分类结果如图2所示。

3.2 分类精度评价

精度评价对于遥感影像分类很重要，主要是通过混淆矩阵方法，定量地对分类结果与参考数据进行对比。笔者利用融合之后的多光谱影像作为参考，通过目视解译的手段对基于面向对象分类方法的提取结果进行精度评估。随机选取350个采样点对面向对象方法的地物分类提取结果精度进行评价，评价统计结果如表2所示。

表2 面向对象FNEA分类精度评价Table 2Classification accuracy evaluation on FNEA Object-Oriented

笔者曾经利用相同数据基于像元的传统分类方法得到的分类结果总体精度为78.00%，Kappa为系数0.743 3。相比较而言，基于面向对象方法的分类结果总体精度达到86.57%，Kappa系数为0.843 3（表2），生产精度与用户精度均有较好体现。总之，面向对象的信息提取方法分类过程中不仅利用地物的光谱信息，还有空间特征以及多尺度层次分类，分类结果不存在椒盐噪声问题，基于FNEA分类方法优势明显，实用效果更好。

4 结语

对常见的FNEA分割算法、分水岭分割算法以及置信度均值漂移分割算法进行了实验分析，选定较优的FNEA算法作为研究区面向对象信息提取的分割算法，整个信息提取过程中，通过融合边缘信息作为约束条件、目标对象特征分析，影像分类结果总体精度达到86.57%，方法效果突出，证实面向对象的目标信息提取方法优势明显，具有良好的实用性。

［1］宫鹏，黎夏，徐冰.高分辨率影像解译理论与应用方法中的一些研究问题［J］.遥感学报，2006，10（1）:1-5.

［2］沈占锋，骆剑承，吴炜.遥感影像均值漂移分割算法的并行化实现［J］.哈尔滨工业大学学报，2010，42（5）:811-815.

［3］Baatz M，Schäpe A.Multi-resolution segmentation: an optimization approach for high quality multiscaleimagesegmentation［J］.Angewandte GeographischeInformationsVerarbeitung，2001，14（6）:12-17.

［4］肖鹏峰.高分辨率遥感图像分割与信息提取［M］.北京：科学出版社，2012.

［5］Fukunaga K，Hostetler L D.The estimation of the gradient of a density function with applications in patternrecognition［J］.IEEETrans Information Theory，1975，21:32-40.

［6］Comaniciu D，Meer P.Mean Shift:A robust approach toward feature space analysis［J］.IEEE Transactions onPatternAnalysisandMachineIntelligence，2002，24（5）:603～619.

［7］ZALIKKR，ZALIKB.A sweep～line algorithm for spatialclustering［J］.Advances inEngineering Software，2009，9（40）:445-451.

［8］MUKHER JEEDP，LEVNERYP，ZHANGH.Ore image segmentation by learning image and shape features［J］.PatternRecognitionLetters，2009，（30）:615-622.

［9］吴文欢.基于面向对象的典型目标自动提取与变化检测方法研究［D］.北京：核工业北京地质研究院，2014.

Target information extraction of high resolution remote sensing image with Object-Oriented

WU Wenhuan，YU Hong，ZHAO Yingjun，LU Donghua，YI Piyuan

（National Key Laboratory Remote Sensing Information and Image Analysis Technology，Beijing Research Institute of Uranium Geology，Beijing 100029，China）

Three algorithms used in multi-spectral remote sensing image segmentation were analyzed，and Fractal Net Evolution Approach was believed to have obvious advantages in high resolution image segmentation.Spectral properties，shape，texture structure was used to extract the target information with the semantic feature，spatial relation.The classification results of high resolution remote sensing imagery was evaluated by the accuracy.Experimental results shew that image target information extraction based on FNEA Object-Oriented has good application value.

Object-Oriented；information extraction；spatial relation；accuracy evaluation

TP75

A

1672-0636（2016）02-0091-05

10．3969/j．issn．1672-0636．2016．02．005

2016-03-07

吴文欢（1989—），男，山东临沂人，助理工程师，主要从事遥感图像处理工作。E-mail:wenhuanwu@126.com