基于模糊分割参数优化下的土地利用分类研究

王亚娟,马要中

(1.中国矿业大学(北京)土地复垦与生态重建研究所，北京 100083；2.河南理工大学，河南 焦作 454000)

基于模糊分割参数优化下的土地利用分类研究

王亚娟1,马要中2

(1.中国矿业大学(北京)土地复垦与生态重建研究所，北京 100083；2.河南理工大学，河南 焦作 454000)

影像分割是分类的基础，分割结果的好坏直接影响分类结果的精度。针对目前存在的分割结果获取通常消耗大量时间且结果因人而异这一现象，文中基于一种模糊分割的参数优化工具—Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)来确定分割参数，并借助面向对象分类软件eCognition以济宁某一地区高分辨率遥感影像为基础进行土地利用的分类研究。结果表明，利用该工具不仅可以快速确定土地的最优分割尺度，结合eCognition也可较高精度地对土地利用进行分类。

FbSP optimizer；eCognition；高分辨率影像；土地分类

随着遥感技术的发展，高分辨率影像的应用越来越广泛，由于其包含丰富的光谱与纹理信息使之在地物提取上更为有利。如何从高分辨率影像中提取丰富的信息并满足一定的精度要求成为研究热点[1]。为了充分利用其空间信息实现地物的精确分类，面向对象的方法应运而生[2]。该方法是通过对影像进行分割，得到同质对象，再根据分类目标综合分析对象的光谱、形状和纹理等特征，进行分类和地物目标的提取[3-4]。目前较多使用的分割方法是通过eCognition来实现的[5]，该软件以影像对象为基本空间单元进行地物目标提取，可应用于各种专题研究[6]。

为了得到不同尺度的最优分割参数通常需要不断试验，耗费大量时间且结果因人而异。因此，本文借助章云[7]所提出的基于模糊分割的参数优化工具—Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)，同时结合eCognition软件通过训练样本可快速找到基于样本的最优分割尺度参数，并结合光谱、纹理及自定义特征快速有效地对土地利用进行分类，为后续矿区土地利用分类系统的构建提供借鉴与参考。

1 研究区概况及数据来源

研究区位于山东省济宁市任城区的济东煤田中部，井田范围东西宽10 km，南北长6～11 km，济宁市行政区划图及研究区遥感影像图如图1所示。

研究采用高分2号影像，拍摄时间为2015年6月5日，全色分辨率1 m，多光谱4 m，包含红、绿、蓝及近红外4个波段。

图1 研究区位置及遥感影像图

2 研究方法

本文对研究区的土地利用信息提取流程主要包括影像预处理(正射校正、影像融合、影像裁剪)、影像分割、分类及精度评价。影像分割是基础，分类依分割得到的影像对象而进行。本研究利用参数分割工具进行参数确定，根据研究区范围大小最终将土地利用做出以下分类：水体、林地、道路、耕地及建设用地。

2.1 影像分割

首先对影像进行过分割，使某一地物分割破碎，然后利用破碎地物分割的子对象信息及将其合并后的目标信息进行参数评估，最后根据工具运算后的参数再次执行分割。若结果与目标地物信息边缘相一致则可确定分割参数，否则需要进行迭代运算至最终确定最优分割参数为止。其中子对象信息包括纹理特征(Texture)、稳定性(Stability)、亮度值(Brightness)及像元数(Area)，目标信息除包含以上4个特征值外还包括矩形拟合值(Rectangle Fit)及紧凑度(Compactness)。Texture及Stability值[5]分别由方程(1)和(2)所得，Compactness由方程(4)获得[5]，其余特征值采用在子对象形成时eCognition所给出的值。

Tecxeture(mobjects)=

(1)

其中:m为目标对象包含的子对象数，nmerge为合并

(2)

(3)

(4)

式中:l为目标对象的边界长度，nobjM为目标对象的像元数。

由于研究区采煤塌陷导致多地出现积水情况，经治理后有很多零散分布的小面积水域，若分割尺度过大就会与相邻地物混合在一起，降低分类精度。为准确提出水体部分先进行较小尺度的分割，当尺度为50时部分水体如图2(a)所示，部分建筑物及耕地如图2(c)所示；当尺度为100时部分水体如图2(b)所示，部分建筑物及耕地如图2(d)所示。形状及紧凑度按照默认设置即shap:0.1,，Compactness:0.5。

图2 不同尺度(局部)分割结果

由图2可知，当尺度为50时水体、耕地及建筑物都过于破碎，不利于训练样本的选择；当尺度为100时对于较小的水体可以较好地区分出来，耕地及建筑物同样实现了过分割，可选择适当的训练样本及目标地物通过迭代运算获得最优尺度参数。因此，本文在初始分割为100的基础上进行训练样本的选择来获取最优分割尺度参数。

章云及童恒建对建筑物、森林及商业住宅区进行试验所获得的最优分割尺度均是在形状参数及平滑度均设置为0.1的情况下所获得的结果，但对于本文所选择的同一地块的训练样本，不同的平滑度具有不同的训练结果。基于此，本文在形状参数为0.1情况下(经实验，形状参数为0.1时即可满足初始分割条件)将平滑度分别设置为0.1、0.3、0.5、0.7、0.9进行优化运算，不同平滑度及迭代次数下的分割参数如表1所示。

表1 不同平滑度下的分割参数

本文以图3(以平滑度为0.5为例)最右方标注耕地部分为训练样本进行迭代以获取最优分割参数。

图3 尺度为100时部分分割效果

当按照表1不同平滑度参数所得结果进行分割时，所得分割参数结果差别较大但最终分割结果大体相同，只有尺度为231时部分建筑物分割较碎。经比较，当尺度为251时部分耕地及建筑用地没有在尺度为325时分割效果完整；但当尺度为412时部分道路与建筑物出现合并现象，如图4(a)、图4(b)所示。综合考虑分割效果，最终选择尺度参数为325时作为最终分割结果。

矿区煤炭的开采导致矿区环境遭到破坏，出现部分水域面积较小的塌陷积水区，该积水区域的确定为土地复垦工作的开展提供依据[8]。由于试验的不同尺度对水体的分割均出现过分割现象。因此，本文在尺度为100的分割参数上先进行水体的提取，然后以水体为专题图层对其余部分在最优尺度分割结果上进行土地利用的分类。

图4 部分分割效果对比图

2.2 分类提取

eCognition中提供了多种分类方法，有基于样本的监督(最近邻)分类、基于知识的模糊分类、多条件类描述分类、阈值分类及分类器算法分类等。本文采用通过阈值来指定类别的指定类算法以及在类描述中使用阈值的类描述分类算法来综合分析影像地物特征，实现地物信息的提取。

本文地物类型主要分为水体、林地、道路、耕地及建设用地，所利用参数特征主要包括光谱特征中的NDVI值、近红外及几何特征中的纹理、形状等特征。其中，本文纹理特征采取红、绿、蓝3个通道的标准偏差的平均值作为提取特征，即Texture=([Standard deviation Red Channel]+[Standard deviation Green Channel]+[Standard deviation Blue Channel])/3，由于林地及建设用地纹理较为粗糙，耕地及道路较为平滑，再结合相适应的光谱值可较好地实现地物信息的提取。研究区各地物分类特征如表2所示。

表2 研究区地物分类特征

3 分类结果及精度评价

3.1 分类结果

基于FbSP optimizer分割工具并结合eCognition面向对象法的研究区地物分类结果如图5所示。为比较影像的提取结果，采用常规利用ENVI5.1基于样本的面向对象方法进行对比，提取结果如图6所示。将图5、图6同一部分局部放大(矩形边框范围)，详见图7。由图可知，基于eCognition面向对象法相对传统面向对象方法分类结果图斑较为完整。

图5 基于eCognition提取结果

图6 传统面向对象提取结果

图7 两种方法分类局部对比图

3.2 精度评价

易康针对分类结果以及分类方式提供4种精度评价方法，包括分类稳定性、最佳分类结果概率、基于像素的混淆矩阵及基于对象样本的混淆矩阵。为降低主观人为因素影响，本文选择基于像素的混淆矩阵精度评价方法，即Error Matrix based on TTA Mask。在ArcGIS里选择样本点时，为保证样本点的精度可对照谷歌地球影像，然后选择一个一个样本点创建点矢量文件，导入到eCognition工程中转化为样本后创建TTAMask文件，最后进行精度评价，评价结果如表3所示，传统面向对象分类结果同样采取混淆矩阵精度评价方法，结果如表4所示。

表3 基于eCognition面向对象分类精度评价

表4 传统面向对象分类精度评价

由于Kappa系数利用了整个误差矩阵的信息，它通常认为能够准确地反映整体的分类精度。结果表明，基于eCognition的分类结果总体精度由传统分类法的87.997 8%上升至91.625 6%，Kappa系数由0.806 5提升至0.8914，依据分类质量与Kappa统计值的关系知结果为极好，可满足分类要求。因此，本文利用该工具下的分割结果进行土地利用分类的研究具有可行性，这不仅大大减少了寻找最优分割参数的时间也提高了工作质量。

4 结 论

1)本文结合使用eCognition及FbSP optimizer工具通过获取最优尺度分割参数对研究区高分2号影像进行地类信息的提取。结果表明，有效的分割结果不仅大大减少了不同地类不同分割参数的试验时间，也提高了分类结果的精度，证明了利用该工具进行分割与分类的可行性。

2)本文根据矿区面积及土地利用所分地类选择了耕地作为训练样本，并在不同平滑度参数实验下确定了最优尺度参数，较适应与整个区域，可作为其他相似地区的高分2号影像分割参数的参考。若研究区域较小、分类较细则应另选训练样本以获取最优尺度参数。

3)本文初步尝试了利用最优分割工具所得参数并结合所选提取特征进行了土地利用的分类，对于如何更好地利用光谱及纹理特征进行地物的分类还需进一步实验与验证。由于不同的训练样本会获取不同的最优分割尺度参数，对于如何更好地选择训练样本还需进一步验证。

[1] 黄瑾.基于E-cognition的面向对象的高分辨率遥感图像分类研究[J].黑龙江工程学院学报,2015，29(5):16-19.

[2] 曾举，李向新，王涛.基于Ecognition的高分辨率遥感影像水体提取研究[J].江西科学,2011，29(2):263-266.

[3] 葛春青,张凌寒,杨杰.基于决策树规则的面向对象遥感影像分类[J].遥感信息,2009(2):86-90.

[4] 余其鹏,张晓祥,梅丹丹,等.结合地籍数据的高密度城区面向对象遥感分类[J].遥感技术与应用,2014，29(2):344-351.

[5] TONG H, MAXWELL T, ZHANG Y, et al.A supervised and fuzzy-based approach to determine optimal multi-resolution image segmentation parameters[J].Photogrammetric Engineering & Remote Sensing, 2012,78(10):1029-1044.

[6] 施益强，朱晓铃，蔺方.基于多因子对象的高空间分辨率遥感影像道路提取[J].集美大学学报(自然科学版),2010，15(4):312-316.

[7] ZHANG Y, MAXWELL T, TONG H, et al.Development of a supervised software tool for automated determination of optimal segmentation parameters for ecognition[M].na, 2010.

[8] 宫传刚,严家平,陈孝杨,等.基于3S技术的采煤沉陷区土地利用变化分析——以淮北闸河矿区为例[J].测绘工程,2015,24(9):34-38.

[责任编辑：刘文霞]

Research on land use classification based on fuzzy segmentationparameter optimization

WANG Yajuan1,MA Yaozhong2

(1.Institute of Land Reclamation and Ecological Restoration, China University of Mining & Technology, Beijing 100083, China;2.Henan Polytechnic University,Jiaozuo 454000，China)

Image segmentation is the basis of classification, and the result of segmentation has a direct impact on the accuracy of classification results. For the current existence of the segmentation results which usually consume a lot of time, the results vary from person to person.This paper, based on a segmentation tool, determines the optimal segmentation parameters through the training process and fuzzy logic analysis, which is Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer). And the classification of land use is made based on the high resolution remote sensing image from Jining by using object-oriented classification software eCognition. The result shows that this tool can not only quickly determine the optimal scale of land use, but be used to classify the land use according to the eCognition.

FbSP optimizer; eCognition; high resolution image; land classification

10.19352/j.cnki.issn1671-4679.2017.03.002

2016-10-31

王亚娟(1991-)，女，硕士研究生，研究方向：遥感;土地复垦与生态重建.

TP751

A

1671-4679(2017)03-0005-05