从资源3号卫星影像中提取厦门市不透水面信息

李　晖，陈雪娇,2，孙凤琴，聂　芹

(1.厦门理工学院计算机与信息工程学院，福建 厦门 361024;2.福建省空间信息工程研究中心，福建 福州 350002)



从资源3号卫星影像中提取厦门市不透水面信息

李晖1，陈雪娇1,2，孙凤琴1，聂芹1

(1.厦门理工学院计算机与信息工程学院，福建 厦门 361024;2.福建省空间信息工程研究中心，福建 福州 350002)

不透水面是城市地区的典型特征，不透水面的增加导致了水质恶化、城市热岛效应等一系列生态环境问题.选用高分辨率资源3号遥感影像，利用面向对象的方法，进行厦门市不透水面信息的提取.为突出不透水面的信息，将影像进行主成分变换、提取归一化植被指数和归一化水体指数，将第一主成分、归一化植被指数和归一化水体指数合成为新的影像；根据最小不透水面的面积原则，确定最优的分割尺度，结合形状、光谱等信息，对合成后的影像进行多尺度分割；再在最优尺度分割结果的基础上进行分类，并将阴影作为分类体系中单独一类，获得不透水面、裸土、水体、植被、阴影的分类结果；利用真实世界地物的形状特征和邻近关系特征，对阴影区域进行判别及合并，获得不透水面，并根据实地观测，对提取结果进行精度评价，不透水面提取的精度达80%.

资源3号卫星影像；不透水面；信息提取；面向对象

不透水面是城市地区的典型特征，不透水面分布率的上升是城市化的重要表现.随着不透水面的增加，城市绿地、水体面积的萎缩，导致了城市流域水质的恶化、城市热岛效应的增加、城市地区地面下沉等生态环境问题[1-2].遥感能够及时有效地获取城市大范围不透水面及其变化信息.国内外学者对不透水面信息的遥感提取进行了大量的研究.Slonecker等[3]总结的3类提取不透水面的遥感方法：建模方法、光谱方法和解译方法.Brabec等[4]总结了用于提取不透水面的方法：区域城市化比值、影像分类、求积仪的方法.Wu等[5]运用线性光谱分离模型，估算了美国Columbus地区的不透水面盖度的空间分布.徐涵秋[6]构建归一化差值不透水表面指数，提取了福州市的透水面盖度.马雪梅等[7]采用数据挖掘技术对TM影像进行流域内不透水面及其变化信息提取，利用研究区域连续三年的TM数据，运用数据挖掘技术的决策树方法实现了不透水面信息提取.李玮娜等[8]利用TM图像，运用实验图层组合法对太原市的不透水面进行了信息提取.李彩丽等[9]利用面向对象的方法，对IKONOS影像进行了不透水面提取.王俊松等[10]利用QuickBird高分辨率遥感影像对城市不透水率进行了研究.目前大部分不透水面信息提取主要集中在中低分辨率遥感影像.而高分辨率遥感图像具有高度细节化的多尺度表达能力，利用高分辨率遥感影像提取不透水面不仅可获得较高精度的不透水面信息，还能为中低分辨率遥感影像不透水面提取提供训练区及精度评价的标准[9].资源三号卫星(简称ZY-3)是我国第一颗自主的民用高分辨率测绘卫星[11]，利用ZY-3提取不透水面是非常值得研究的课题.

然而，高分辨率遥感影像在有效表达地物信息的同时，目标内部几何细节常以噪声的形式出现，同时存在严重的阴影问题，影响不透水面提取精度.面向对象方法以影像对象为单位，能够有效利用影像上地物对象的光谱信息和形状、纹理等特征，实现多尺度的地物信息的识别与提取，区分易于混淆的阴影与不透水面，提高不透水面的提取精度[12].本文选用高分辨率ZY-3遥感影像，利用主成分分析和指数分析方法重新进行波段组合，合成后的图像有效地突出不透水面信息；根据最小不透水面的面积原则，确定最优的分割尺度，对合成后的图像进行多尺度分割；在多尺度分割的基础上，将阴影单独作为一类，获得不透水面、裸土、水体、植被、阴影的分类结果；最后，利用真实世界地物的形状特征和邻近关系特征，对阴影区域进行判别及合并，完成厦门市不透水面信息的提取和精度评价.研究结果表明，利用面向对象的方法能够有效实现高分辨率遥感影像上城市不透水面信息的提取.研究成果为厦门市的城市扩张和随之产生的生态问题提供一定的参考依据.

1数据源与影像预处理

1.1研究区

厦门市位于24°23′N～24°54′N、117°53′E～118°26′E，属亚热带海洋性季风气候，夏无酷暑，冬无严寒，天气温和多雨，年平均气温在21℃左右.自厦门成为经济特区开始，厦门经济快速发展，城市化加快，城市迅速扩张，自然景观发生了巨大的变化，建设用地显著增多[13].

选择厦门北站周边作为研究区，研究区内部主要的土地利用类型有农田、水体(包括河流、人工湖等)、裸地(未利用地)、植被、建设用地、道路等.由于研究区位于城区，含盖了厦门北站、校园、居民区等城市设施，主要的不透水面包括道路、楼房(教学楼、居民楼等)、水泥面以及广场等部分区域.1.2数据及预处理

本文以ZY-3遥感影像(获取时间：20121022)作为数据源.获取的影像包含多光谱和全色数据，其中，多光谱数据有蓝光(0.45～0.52 μm)、绿光(0.52～0.59 μm)、红光(0.63～0.69 μm)与近红外(0.77～0.89 μm)四个波段，空间分辨率为7 m，全色影像分辨率为4 m.

对获取的ZY-3影像进行几何精校正和重投影.由于ZY-3全色影像与多光谱数据来自同一传感器系统，利用PANSHARP，对多光谱和全色图像进行融合，提高多光谱数据的空间分辨率，又保持了多光谱和边缘特性，图像质量得到显著的增强[14].主成分变换具有方差信息浓聚、重新分配、数据量压缩的作用，可更准确、突出特征地揭示多波段数据内部的遥感信息.为充分利用高分辨率数据的光谱信息以及空间特征，对融合后的影像进行主成分变换，变换后的第一主成分保留了原始图像的83.82%的信息.研究区内部除不透水面外主要的土地利用类型为植被和水体，故为了突出植被和水体信息，分别计算归一化差分植被指数(NDVI)和归一化水体指数(NDWI).将变换后的第一主成分、NDVI和NDWI进行波段组合(其中R通道为主成分的第一分量，G通道为NDVI，B通道为NDWI)，得到组合后的图像(图1).在组合后的图像中，水体和植被信息得到突出，与不透水面(道路、楼房等)的界限更加明显.值得指出的是，从遥感图像上可以看到研究区内部的行道树、高大楼房等在道路及房屋周边会产生明显的阴影.

2　技术路线与方法

2.1不透水面提取的技术路线

利用面向对象技术方法提取不透水面信息，首先采用不透水面最小面积原则确定最适宜尺度，进行多尺度分割，然后选用最邻近分类法进行影像分类，最后对阴影进行甄别及剔除，提取不透水面信息.技术路线如图2.

2.2多尺度分割

多尺度分割是依据所设置的分割尺度，结合对象的形状、亮度值、色调等特征，将影像中的对象自动提取出来，并按照对象之间的等级联接起来的技术.高分辨率遥感图像体现出很强的层次特征[15]，不同地物具有不同的空间尺度[16].因此，本文以完整分割不透水面为准，根据最小不透水面的面积原则，确定最优尺度范围.

由于研究区内主要的不透水面类型有：楼房(主要是校园楼房与居民楼)、道路、校园操场等.相对于道路和校园操场，一栋教学楼的平面面积比较小.其中，道路为线状地物，要将其完整、不破碎的分割出，分割尺度通常比较大；教学楼的面积与居民楼相当，但居民楼在空间分布上较为密集，可将其整块密集区域分割提取.基于此，本文以独栋楼的平面面积为最适合的分割区域，以厦门理工学院的宿舍楼为例，实地平面面积约为500 m2，融合后影像分辨率为4 m，影像像元面积为16 m2，则像素个数为500/16 = 31.26，因此最优尺度范围处于31.26左右.

为了确定最优尺度的具体值，选取了6个分割尺度：40、35、30、25、20、15，分别对研究区影像进行区域分割，获得各个尺度下的分割效果图(图3).

从表1可以看出，分割尺度30最为合适，将道路上的阴影可以完整提取来，同时又不破坏楼房旁道路的完整性.但对于研究区内的大部分道路，采用尺度30进行分割时，道路部分出现“破碎”(图4a)，需要将同属于道路的对象进行合并，得到完整的道路(图4b).但是，研究区内少部分细小的道路周围布满植被，或是被植被覆盖，采用最优尺度的分割时不能够将所有的对象都分割出来，有些细小的道路并没有被分割出来，而与植被归为一类，降低了道路分类的精度(图4c).

表1　各个尺度的影像特征描述

3　信息提取

3.1影像分类

研究区主要有四类土地利用类型，不透水面、裸土、植被(包括农田和草地)和水体.阴影主要出现在楼房旁的道路上，楼房与阴影相连，故此部分阴影属于不透水面，而在合成后的影像上阴影和水体的色调和形状等特征相似(图5)，故在分类时需要将阴影单独作为一类，以判断是否为不透水面.故在影像分类中最终确定为五类：不透水面、裸土、植被、水体和阴影.

本文采用最邻近分类法[17]进行分类，该方法与监督分类相似，但是其针对的是影像对象而不是单个像元.其原理是通过选择典型的样本统计该地物类型的特征，以该特征为中心，通过计算未分类对象中用于分类的特征与样本统计特征之间的距离，该对象最终会划分到距离近的样本类型中.在实际操作过程中，需要为每一个类别选取样本对象，样本对象选取的多少与是否准确对分类结果有直接的影响.在分类过程中，本文根据分类的效果来调整样本以达到最佳的分类效果.若某类地物对象并没有全部分到该类别，则多选取样本；若某类别包含了不属于该类的对象，则删除错误样本.以此得到分类后的结果(图6a).

3.2不透水面提取

通过实地考察，研究区内主要不透水面类型是道路、校园楼房和居民房等建筑物，还有少部分的小块水泥面，阴影的存在影响道路的提取，降低了不透水面的提取精度，而ZY-3图像上的阴影主要来自行道树以及高大房屋的本影和落影，其中的大部分落在这些地物四周的道路上(图6b).所以本文将阴影部分认为是道路，将之合并到不透水面中，得到剔除阴影后的最终分类结果(图6c).分别计算各类的面积可知，不透水面占研究区总面积的53.036%，裸土占7.654%，植被占35.839%，水体占2.471%.但是由于在分类系统中，作为其中的一类，阴影是一个整体，无法将其分割开来，故在归并为不透水面的过程中，也会导致一部分落在阴影内的植被等信息归并为不透水面.

4　精度评价

本文采用eCognition[18]软件提供最佳分类结果方法进行精度评价(表2).其中，个数指对象的个数，是采用某个分割尺度，各个类别地物被分割的对象的数目；平均值是指某个类别的所有对象分到最佳类别的概率的平均值，反映该类别总体的分类情况.标准偏差，即标准差，反映某个类别所有分割对象的最佳概率的离散程度，本文5个类别的标准偏差都很小，说明分类结果较为稳定；最小值和最大值分别表示某个类别的所有对象中，对象分到最佳类别概率最小值和最大值.从表2可以看出，本文最佳分类结果的各类的概率统计平均值都很高，每个对象分到最佳类别的概率平均值都比较大，不透水面为0.97.

表2　最佳分类结果的概率统计表

分类结果的取值范围在0和1之间，值越大说明对象分到最佳类别的概率值越大，分类的精度越高.对象分类结果可以利用最佳分类结果显示图直观表示，颜色从深绿到红色，表示概率值从高到低.本文最终的分类结果显示图颜色基本为绿色，说明了每个对象基本都分到最佳的类别，分类的精度比较高.进一步说明了应用面向对象的方法，从ZY-3高分辨率影像上可以提取较高精度不透水面的信息.

同时计算了混淆矩阵和Kappa系数，对分类结果的精度进行评价.结合目视解译，对不透水面(包括阴影)、植被、裸土和水体四个类别分别随机采样，获得各类的分类精度(表3)，本文的分类结果的精度都较高.由于在随机采样的过程中，植被的范围较为集中，随机点均落在植被区的范围内，故植被的分类精度达到了100%.

表3　分类精度评价

实地调查发现，研究区内部有小块水泥面(包括亮度值比较大的道路)与裸土接壤，但因为水泥面和裸土在影像上的色调、亮度和形状特征相似，二者的边界不清晰，无法准确地将所有的裸土和水泥面精确的区分来；影像上的水体、阴影和操场在色调、亮度和几何特征上很相似，因此本文的少部分水体边缘显示为不透水面(分类时显示为阴影，最后剔除阴影时变成不透水面)，造成误差；植被与裸土相连(有些裸土上生长少量的植被)，植被和裸土的边界比较模糊，因此与植被相连的裸土分类结果比较不稳定，不能够非常精确的将二者区分开；一些细小的道路周围布满植被，由于最佳的分类尺度不能够将所有的对象都分割出来，有些细小的道路并没有被分割出来，而与植被归为一类，降低了不透水面提取的精度；部分不透水面被植被，尤其是藤蔓类植物覆盖，无法利用遥感影像将其提取出来.

5　结语

本文基于ZY-3高分辨率遥感影像，利用面向对象的分析方法进行厦门市不透水面信息提取.为充分利用高分辨率遥感图像的光谱信息和空间结构信息，同时突出植被和水体信息，将主成分变化后的第一主成分、归一化植被指数和归一化水体指数合成为新的影像，组成的新的影像有效的增强了水体、植被以及不透水面的差异；基于面向对象的思想，根据最小面积原则，确定最优分割尺度，对合成后的影像进行多尺度分割，将阴影作为分类体系中单独一类，对阴影进行甄别，合并入不透水面类中，提高不透水面分类的精度；最后，根据实地观测，对提取结果进行精度评价和误差分析，不透水面的分类精度达到80%，同时指出了导致分类结果误差的原因.研究结果表明，利用面向对象的方法能够有效实现高分辨率遥感影像上城市不透水面信息的提取.研究成果为厦门市的城市扩张和随之产生的生态问题提供一定的理论参考依据.

[1]WENG Q H,LU D S.A sub-Pixel analysis of uthanization effeet on land surface temperature and its interplay with impervious surface and vegetation coverage in Indianapolis,United States[J].International Journal of Applied Earth observation and Geoinformation,2008,10(1):68-83.

[2]聂芹.上海市城市不透水面及其热环境效应的分形研究[D].上海：华东师范大学,2013.

[3]SLONECKER E T,JENNINGS D,GAROFALO D.Remote sensing of impervious surface：A review[J].Remote Sensing Reviews,2001,20:227-255.

[4]BRABEC E,SCHULTE S,RICHARDS P L.Impervious surface and water quality：A review of current literature and its implications for watershed planning[J].Journal of Planning Literature,2002,16：499-514.

[5]WU C，MURRAY A T.Estimating impervious surface distribution by spectral mixture analysis[J].Remote Sensing of Environment,2003(84)：493-505.

[6]徐涵秋.城市不透水面与相关城市生态要素关系的定量分析[J].生态学报,2009,29(5)：2456-2462.

[7]马雪梅,雷秀丽,李希峰，等.基于数据挖掘技术的流域不透水面及变化信息提取[J].测绘通报,2007(12)：34-37.

[8]李玮娜,杨建生,李晓,等.基于TM图像的城市不透水面信息提取[J].国土资源遥感,2013,25(1)：66-70

[9]李彩丽,都金康,左天惠.基于高分辨率遥感影像的不透水面信息提取方法研究[J].遥感信息,2009,5(105)：32-36.

[10]王俊松,杨逢乐,贺彬,等.利用QuickBird 影像提取城市不透水率的研究[J].遥感应用,2008,3(97)：69-75.

[11]王素敏,李向英,何劲.资源三号卫星影像测绘性能分析[J].遥感与航空摄影,2013,3(20)：45-48.

[12]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 & Remote Sensing,2004(58):239-258.

[13]朱晓铃.厦门市土地利用/覆被遥感动态监测[J].厦门理工学院学报,2012,20(1)：66-70

[14]谭永生,沈掌泉,贾春燕,等.中高分辨率遥感影像融合研究[J].遥感技术与应用,2007,22(4):536-541.

[15]刘国英,王爱民,陈荣元,等.基于小波域TS-MRF模型的监督图像分割方法[J].红外与毫米波学报,2011,30(1)：181-186.

[16]黄慧萍,吴炳方.地物提取的多尺度特征遥感应用分析[J].遥感技术与应用,2003,18(5)：276-281.

[17]陈春雷,武刚.面向对象遥感影像最优分割尺度评价[J].遥感技术与应用,2011,26(1):96-100.

[18]Trimble.eCognition Developer 8.64.0 User Guide[M].München,Germany：Trimble,2010.

(责任编辑宋静)

Extraction of Information of Impervious SurfaceArea of Xiamen from ZY-3 Images

LI Hui1,CHEN Xuejiao1,2,SUN Fengqin1,NIE Qin1

(1.School of Computer & Information Engineering,Xiamen University of Technology,Xiamen 361024,China; 2.Spatial Information Research Center of Fujian,Fuzhou 350002,China)

Impervious surface is a character of urban areas. Large impervious surfaces lead to deteriorated water quality,urban heat island effect and other ecological problems.This paper proposed an object-oriented approach to extract information of impervious surfaces in Xiamen using high resolution ZY-3 images.Firstly,the principal component analysis was carried out and the first principal component,normalized difference vegetation index and normalized water index were layer-stacked into a new image to highlight the information of impervious surface.The optimal scales of segmentation were then determined according to the principle of the least impervious surface area,and multi-scale segmentation of the composite images executed based on their spectral line shapes.Based on the segmentation at the optimal scales,five classes were classified:impervious surface,bare soil,water,vegetation,and shadow.The shadows were identified and then merged into impervious surface by the shapes and adjacent relations of the ground objects and accuracy evaluation of the extracts carried out on the field observation.The impervious surface extracts achieve 80% accuracy.

ZY-3 images;impervious surface area;information extraction;object-oriented method

2016-01-23

2016-03-16

福建省教育厅科技项目(JA13239)；福建省自然科学基金项目(2015J01175)；厦门理工学院人才引进项目(YKJ13003R)

李晖(1985-)，女，讲师，博士，研究方向为GIS与遥感应用.E-mail：lih666@xmut.edu.cn

P208

A

1673-4432(2016)03-0077-07