基于OBIA的高分辨率遥感作物识别

胡蝶　薛以晶　高梦菲

【摘 要】自2014年起我国相继发射了高分系列卫星，中国遥感卫星进入亚米级的“高分时代”。 随着遥感影像分辨率的提高，地物识别不能只采用像元的光谱信息作为分类的依据，需要综合考虑地物的形状、纹理、结构等空间信息的共同作用，OBIA（面向对象的影像分析）使之得到了比较完美的实现。本项目通过卫星传感影像记录的地球表面信息，以eCognition软件为分析工具，基于OBIA细致化地从高空间分辨率遥感影像上提取地物（农作物）信息，并进行类型识别，综合考虑地物的形象、纹理、结构等方面来弥补传统基于像元的分类方法的不足之处，以提高目标地物分类的精确程度。

【关键词】OBIA；eCognition；作物识别；高分辨率

1 遥感数据源向高分辨率方向发展

信息技术和传感器技术的飞速发展，极大提高了卫星遥感影像分辨率，包括空间分辨率、光谱分辨率和时间分辨率。2014年8月19日，我国“高分二号”卫星顺利进入预定轨道这一事件，标志着我国遥感卫星的分辨率进入了亚米级时代。“高分二号”首次将空间分辨率精确至1米，系目前我国分辨率最高的光学对地观测卫星。数据源的精度提高为遥感后期数据处理及应用提出了新的要求，如何利用高分辨率遥感数据进行遥感处理与应用，是我们应当思考的问题。

2 OBIA与eCognition软件

面向对象影像分析（Object Based Image Analysis）连接了遥感与地理信息系统，作为高分辨率遥感影像分析的新模式，利用在传统的基于像素影像分析方法中利用率几乎为零的多种空间信息，为自动遥感影像分析与理解提供强大技术支持。本实验亦采用面向对象的分类方法。

eCognition是由德国Definiens Imaging公司开发的智能化影像分析软件，具备决策专家系统支持的模糊分类算法模块，突破了以往商业遥感软件局限于根据光谱信息进行影像分类的模式，提出面向对象的分类方法，大大提高了高空间分辨率数据的自动识别精度，极大满足了科研和工程应用的需求。

3 遥感作物识别

遥感图像就是传感器获得地物反射的电磁波信息，经过处理得到的影像数据。由于地物的物质构成、几何尺寸等不同造成与不同波长电磁波的相互作用也不同，这种相互作用体现在被反射、散射的电磁波中，继而被传感器探测到，这就是遥感图像进行地物识别的基本原理。本实验我们将识别目标锁定在作物范畴，同时也适应了当前精细化农业的主流趋势。在高分辨率遥感影像上，单一的光谱信息无法确定特定的地物特征，而必须结合地物的空间信息共同确定。因此在高分辨率遥感中，不能单一采用像元的光谱信息进行分类，需要综合考虑地物的形状、纹理、结构等多种空间信息，OBIA（面向对象的影像分析）使之得到了综合性实现。

3.1 图像预处理262

本实验选取位于东经116.6°，北纬39.7°附近的高分一号数据。实验区位于北京市大兴区东部，京沪高速西侧，李家务村与朱脑村附近区域。

3.1.1 大气校正

利用ENVI5.3现有的支持高分一号PMS数据的辐射定标和大气校正的模块进行数据预处理。将文件以xml格式打开，在工具箱中打开大气校正模块，设置应用参数（包括定标类型、存储顺序和辐射亮度单位）使之自动选择符合大气校正要求，最后选择数据路径和文件名，单击执行处理即可。

3.1.2 全色辐射定标

在工具箱中，打开辐射校正模块，选择全色数据，在面板中进行参数设置，选择输出路径和文件名后即可进行处理。为了融合图像效果，设置一致的全色数据与多光谱数据的像元值。使用辐射定标工具，将全色数据定标为大气表观反射率，数值扩大10000倍。

3.1.3 正射校正

在辐射定标、大气校正等步骤后，ENVI自动将RPC嵌入处理结果中，在图层管理中进行辐射定标或在大气校正结果图层中进行视图元数据的查看，其中的RPC选项就是处理结果中自动嵌入的嵌入的RPC文件。可以直接使用正射校正工具进行正射校正。为了后续图像融合，我们需要对多光谱数据及全色数据均进行正射校正。

3.1.4 图像融合

为提高融合速度，将多光谱数据的储存顺序由BSQ转成BIP。在工具箱中，在栅格管理模块中选择上一步中多光谱正射校正结果，选用NNDiffuse融合方式，选择多光谱和全色数据，执行处理后得到融合图像。

3.2 尺度适应性比较

高分辨率影像可在地物的空间结构和形状、纹理特征方面提供更多的细节信息，从面向对象的观点出发，针对不同类型的地物则需在不同的尺度下进行，相比传统方法常采取基于光谱信息的单尺度分割，不同的地物应选取不同的分割尺度可在提取手段上明显提高地物识别的适应性及精度。本实验的关键的核心问题也在于实现对高分辨率遥感影像的多尺度分割。

本实验采取的多尺度分割方法通过实验测试选取最优分割尺度保证了地物间较高的异质性，从而适用于识别不同类型地物的应用。操作过程中我们使用eCognition进一步对不同地物多尺度分割中的形状参数和紧致度参数进行不同设置，可从分割结果图中明显看出分割结果的不同，从而选择出适应该种地物的分割尺度。

3.3 特征量选择

采用合适的图像分割算法，将图像划分成若干个互不相交的小区域并由此得到基元，本实验除了对基元的光谱特征进行特征计算外，还进行了基元的纹理、形状、大小的特征计算，以从高分辨率影像中获取更多信息。利用规则集，把易分的地块先分出来，然后利用基于样本的邻近分类方法对分类效果不好的地类进行再次分类。

在eCognition软件中建立工程，导入影像及专题数据。本实验的关键在于建立作物分割规则。此处我们选择作物的光谱信息、形状以及纹理作为区别不同作物的特征量，其中权重设置为（0.7：0.2：0.1）。其中纹理特征中主要考虑紧致度、平滑度两个方面，权重分配上各占纹理特征的一半（0.5：0.5）。为了进行细化分类，我们可以将作物分级，在一级作物分类时采取上述权重设置，在进一步细化分类时（比如不同种类小麦间的区分），可根据具体情况调节各特征值的权重设置，以获取适应该种作物区别的特征参量。

3.4 精度评价

本实验采用混淆矩阵进行精度评价，该方法主要是将分类结果和实际测得值进行比较，对每个实测像元的位置和已分类图像中的相应位置进行比较计算。我们采用的评价指标有总体分类精度和用户精度。其中总体分类精度是具有概率意义的统计量，体现出随机样本所分类的结果与参考数据所对应区域的实际类型一致的概率。用户精度则是从分类结果中任取一个随机样本，得出其类型与实际情况一致的条件概率。

4 结论

面向对象方法在传统的基于光谱的地物分类基础上，结合了形状、纹理信息，适应当前数据高分辨率方向发展趋势，明显提高了作物识别精度。在图像分割上方面，对不同的目标作物选取不同的适应尺度，在其他地物干扰的情况下，将特征量的选择进一步细化，可更精确地提取地物信息。

【参考文献】

[1]张永生，巩丹超.高分辨率遥感卫星应用———成像模型、处理算法及应用技术[M].北京：科学出版社，2004.

[2]明冬萍，骆剑承，周成虎，等.高分辨率遥感影像信息提取及块状基元特征提取[J].数据采集与处理，2005，20（1）：34-39.

[3]胡翔云.航空遥感影像线状地物与房屋的自动提取[D].武汉：武汉大学，2001.

[责任编辑：朱丽娜]