复杂山地环境下典型地物解译规则库研究

胡 艳，吴凤敏，袁 超，张少佳

（1.重庆市地理信息中心，重庆 401121；2.武汉大学 遥感信息工程学院，湖北 武汉 430079）

复杂山地环境下典型地物解译规则库研究

胡 艳1,2，吴凤敏1，袁 超1，张少佳1

（1.重庆市地理信息中心，重庆 401121；2.武汉大学 遥感信息工程学院，湖北 武汉 430079）

选择重庆市山地区域为研究区，以WorldView-2影像为研究对象，基于植被构面成果，采用面向对象的分类方法探讨了复杂山地环境背景下典型地物的光谱、纹理、几何、结构等特征；构建了适合山地环境地物遥感分类的解译规则库，自动进行地物的分类解译，并对分类结果进行了精度评价。结果表明，面向对象分类方法构建的解译规则库能够适用于复杂山地环境遥感影像的分类，保证了地物形状和属性的完整性，提高了遥感影像的分类精度；基于植被构面成果建立的解译规则库解决了地物分类时林地和果园难以区分的困难，提高了复杂山地环境下遥感影像的分类精度。

信息提取；规则库；面向对象；分类；复杂山地

重庆市山地面积占区域总面积的2/3以上，地表覆盖类型多样，且在空间上差异显著，地物极其破碎，因此地表覆盖分类工作量大、难度高。随着高分辨率遥感影像的出现，传统基于面向像元的分类技术面临着许多挑战。高分辨率遥感影像常用的解译方式（人机交互的目视解译）效率低、成本高，且解译精度完全依靠个人经验，难以应用于大规模遥感解译工作中[1-2]。

面向对象的自动分类技术在很大程度上能有效克服自动解译中的“椒盐”现象，同时能综合分析对象的光谱、纹理、形状以及上下文的语义信息，在高分辨率影像解译中有很大的优势，能有效提高分类精度[3-9]。地表覆盖分类中典型地物自动解译最关键的是建立解译规则库。遥感解译规则库是遥感解译和图像分析技术的关键[10]，能够快速有效地解决高分辨率遥感影像分类解译和后续分析。

本文基于高分辨率遥感影像，采用面向对象的分类技术，充分运用植被构面成果，建立了适合于山地环境的典型地物遥感解译规则库，能够为复杂山区环境下地理国情普查地表覆盖分类提供参考，推进基础地理信息处理以及地理国情普查自动化、精细化处理水平。

1 研究区及技术路线

本文以重庆市长寿区八颗镇中部区域为研究区，面积约为7 km2。该区域地物类型较为丰富，包括大面积的水域、林地、耕地以及道路房屋等，有利于典型地物遥感解译规则库的构建。研究所用遥感影像为2013年7月WorldView-2影像，分辨率为0.6 m（包括红、绿、蓝、近红外4个波段）。影像预处理包括几何校正、正射校正、影像融合等。同时，本文以1∶5 000 DLG矢量数据作为分割依据，以植被构面成果作为分类辅助参考数据。技术流程如图1所示。

图1 面向对象的规则集构建流程图

2 面向对象的分类方法

面向对象的分类方法最基本的特点就是以影像分割获得的影像对象作为基本操作单元，而不是基于单个像元操作[11]。通过影像分割获得的对象具有一定的属性，不仅包含光谱信息，还包括纹理、大小、形状等从图像中提取的附加信息，因此面向对象的分类方法能提高分类的精度，使分类结果更加接近目视判别的结果。分类流程主要包括多尺度分割、解译规则库构建、影像自动分类和信息提取等。

2.1 多尺度分割

多尺度分割是从任意一个像元开始，采用自下而上的区域合并方法形成对象，从而为进一步的分类工作提供信息载体和构建基础[12]。因此在整个遥感图像分类过程中，影像分割非常关键，分割的好坏程度将直接影响分类的精度[4]。多尺度分割参数主要有各波段权重、分割尺度、光谱因子和形状因子。

由于研究区内既有大尺度的林地和水域，又有小尺度的房屋、道路等，在影像分割中需根据各类地物特点分别进行分割参数设置。具体分割参数选择如下：形状因子权重为0.2，紧致度因子权重为0.5，分割尺度分别为100、50。在第一层影像分割过程中，采用1∶5 000 DLG矢量数据参与分割，以便提高多尺度分割精度（图2）。

图2 多尺度分割结果图（分割尺度为100）

2.2 地物要素特征指标

典型地物的特征指标一般包括光谱和几何特征，光谱特征包括均值、标准差等，几何特征包括形状、纹理和拓扑关系等。针对研究区中各类典型地物光谱特征，选择相应的指标对其类别进行划分。

式中，Green_radio为绿度比值；Red_radio为红度比值；NDVI为归一化植被指数；EVI为增强型植被指数；NDVI_CF为差分植被指数；NDWI为归一化水体指数；NIR为近红外波段；G为绿光波段；B为蓝光波段；R为红光波段。

2.3 解译规则库构建

遥感解译规则库主要是利用植被构面成果，结合典型地物要素特征指标进行构建。解译规则库除了依据地物的光谱特性之外，还充分考虑了地物的形状、纹理特征。植被构面成果是基于1∶5 000 DLG数据中植被点与植被线信息通过构面程序将每一个植被点信息赋予其所在植被面，从而获得植被面矢量数据。植被面数据将植被类型进行了细分，每一个植被面都有相应的属性信息。植被构面成果将植被类型分为林地、园地、耕地及其他植被；对植被类别划分得较细，有利于遥感影像中植被类别的分类（表1）。

表1 典型地物遥感解译规则库

2.4 遥感影像分类

根据解译规则库中各类地物的判别规则，采用面向对象的分类方法得到了研究区遥感影像分类结果如图3所示。

图3 遥感影像分类结果

为了更好地分析面向对象分类方法的精度，本文对分类对象进行了精度评价。本文针对每一类地物，选取样本点进行检验，为了保证精度评价的准确性，设置采样点数目与类别涉及像元数成正比，确定最小采样点数不小于10，且采样点随机均匀分布于整幅遥感影像中，再计算各类别的Kappa系数，对分类结果精度进行评价（表2）。

从表2中可以看出，基于植被构面成果解译规则库进行的分类结果精度较高，总体精度达到0.96，其中房屋和水体使用最新的1∶5 000 DLG数据参与影像分类，精度为1.00。植被分类中，由于林地与园地的混分造成林地分类精度稍低，而由于纹理特征的差异耕地分类结果较好。

表2 基于植被构面成果和传统解译规则库的分类结果精度比较

与传统的解译规则库分类精度相比，基于植被构面成果解译规则库解决了直接利用遥感解译规则库进行地物分类时难以区分林地和果园的问题，提高了植被的分类精度，对于复杂山地环境下遥感影像分类具有更高的适用性。

3 结 语

本文研究了复杂山地环境下典型地物要素的基本特征，建立了对应的指数指标，以及地物类别与规则的层次结构关系；结合植被构面成果，构建了适合于山地环境的典型地物遥感解译规则库；实现了高分辨率遥感影像的自动解译分类；并分析了遥感影像分类的效果与精度。

面向对象的分类方法也存在一定的局限性，需要进一步研究。①影像分割参数选择。由于遥感信息的获取是一个复杂的过程，各种因素的影响造成许多像素间的相似性很难用某个数学定义来简单区分，因此分割的结果中不同地物的边界很难与目视解译效果对应起来，从而导致目标的错分与遗漏。②解译规则库适用范围。本文使用WorldView-2影像构建解译规则库，而对于不同传感器影像，解译规则库中指标及阈值的选取需重新设定。

[1] John R Jensen. Introductory Digital Image Processing： a Remote Sensing Perspective[M]. Third Edition, Upper Saddle River：Prentice Hall, NJ, 2005

[2] Vander S C J, Jong S M, Roo A P J. A Segmentation and Classification Approach of IKONOS-2 Imagery for Land Cover Mapping to Assist Flood Risk and Flood Damage Assessment [J]. International Journal of Applied Earth Observation and Geoinformation, 2003,4(3)：217-229

[3] 曹宝,秦其明,马海建,等.面向对象方法在SPOT5遥感图像分类中的应用：以北京市海淀区为例[J].地理与地理信息科学,2006,22(2)：46-49,54

[4] 陈云浩,冯通,史培军,等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报(信息科学版),2006,31(4)：316-320

[5] 孙晓霞,张继贤,刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学, 2006,31(l)：62-63

[6] 尹展,张建国,李宏斌.面向对象分类技术在高分辨率遥感影像信息提取中的应用研究[J].测绘与空间地理信息,2013, 36(8)：61-63

[7] 陈秋晓,骆剑承,周成虎,等.基于多特征的遥感影像分类方法[J].遥感学报,2004,8(3)：239-245

[8] Baatz M, Schape A. Object-oriented Multi-scale Image Analysis in Semantic Networks [C]//In： Proc of the 2nd International Symposium on Operationalization of Remote Sensing, 1999

[9] Antonio Plaza, Pablo Martinez, Rosa Perez, et al. A Quantitative and Comparative Analysis of Endmember Extraction Algorithms from Hyperspectral Data[J]. IEEE Transactions on Geoscience and Remote Sensing,2004,42(3)：651-654

[10] Hay G J, Marceau D J, Dube P, et al. A Multi-scale Frame Work for Landscape Analysis：Object-specific Analysis and Upscaling [J]. Landscape Ecology,2001,16(6)：155-161

[11] Benz U C, Peter H, Gregor W, et al. Multi-resolution Objectoriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J]. ISPRS Journal of Photogrammetry & Remote Sensing,2004,58：239-258

[12] 章毓晋.图像分割 [M].北京：科学出版社, 2001

P237

：B

：1672-4623（2016）11-0009-03

10.3969/j.issn.1672-4623.2016.11.004

胡艳，博士研究生，高级工程师，主要从事遥感技术与应用方面研究。

2016-08-29。

项目来源：地理空间信息工程国家测绘地理信息局重点实验室经费资助项目（201304）。