基于FbSP optimizer分割工具下的矿区土地利用分类研究——以济宁2号矿区为例

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FbSP optimizer分割工具下的矿区土地利用分类研究
——以济宁2号矿区为例

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。该文基于一种通过训练过程和模糊逻辑分析，确定最优分割参数的分割工具——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，以高分2号影像为基础，进行矿区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，同时结合eCognition，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；济宁

0 引言

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。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[1]。面向对象信息提取包括影像分割和信息提取2个模块，影像分割是信息提取的基础，信息提取是基于分割得到的影像对象而进行的。所谓“影像对象”，是指通过多尺度影像分割生成的同质目标[1]。目前应用最多的分割方法是通过eCognition来实现的多尺度分割方法。eCognition是全球第一个基于对象，模仿人类思维进行影像综合智能分析和信息提取的专业遥感软件系统，具有模糊逻辑分类、模型化、复杂语意分析及整合多源数据等功能。通过人机交互定义的分割尺度、颜色、形状等参数进行影像对象分割，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[2]。

随着eCognition软件的成功应用，目前已有很多学者针对面向对象的影像处理方式做了大量的尝试性研究。江华[3]利用该软件与面向对象技术做了高分辨率遥感影像的土地利用分类，相对传统最大似然分类法提高了分类精度，黄瑾[4]做了遥感图像分类研究，苏伟[5]等人利用多尺度分割技术对城市土地覆被分类做了研究，何少林[6]等人针对无人机影像做了面向对象的土地利用信息提取，何勇[7]等人进行了农村公路等的提取，均取得了相对较好的结果。但最优分割参数的获取需经不断的尝试与实验来最终确定，耗时耗力。其中，何少林充分利用多尺度这一原则，对道路水田、农作物、居民地等地物，分别在不同图层上做了不同地物的提取，相对单尺度的提取精度大大提高。但不同参数的获取花费大量时间，且人为干预较多，其分割参数因人而异。由于城市土地利用变化是结构变化与空间布局的综合反映[8]，为准确对土地利用进行分类，该文借助章云[9]所提出的通过训练过程和模糊逻辑分析，确定最优分割参数的一种监督软件工具——Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)，同时结合eCognition软件及光谱、纹理等特征，以济宁2号矿区为例，进行了快速有效的土地利用分类研究，为后续矿区土地利用分类系统的构建提供了借鉴与参考。

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宁煤田中部，井田范围东西宽10km，南北长6～11km，由于煤炭的开采，导致部分地区塌陷，出现积水情况，研究范围为开采导致的地面塌陷地积水区域及矿区所对应的其他地物信息。济宁市行政区划图及研究区遥感影像图如图1所示。研究所用数据拍摄时间为2015年6月5日的高分辨率2号影像，全色分辨率1m，多光谱4m，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

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。该次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，最终将土地利用分为水体、林地、道路、耕地及建设用地。

2.1 影像分割

良好的分类结果是在良好的分割基础上进行的，为获取最优分割结果，该文采用FbSP optimizer来确定最优分割参数。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(SubObj)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)。纹理特征及稳定性值[10]分别由方程(1)和(2)所得，紧凑度由方程(4)获得[10]，其余特征值采用在子对象形成时eCognition所给出的值。

(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。

济宁2号矿区属于高潜水位地区，采煤导致多地出现积水情况，使得耕地无法恢复，数量减少。常年积水区域面积的确定可通过此分割工具的分割效果来大致确定(图2)。此结果可作为确定塌陷地积水面积的一种参考，为耕地数量的报损提供一定的依据，同时为土地复垦方案的准确性提供参考[11]。

(a)为常年深积水区；(b)为常年浅积水区；(c)为季节性积水区 图2 塌陷地积水区域分割结果

由于矿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，根据研究区范围首先将影像进行过分割，当尺度为50时，部分水体如图3(a)所示，部分建筑物及耕地如图3(c)所示；当尺度为100时，部分水体如图3(b)所示，部分建筑物及耕地如图3(d)所示。形状及紧凑度按照默认设置，shap为0.1，Compactness为0.5。

图3 不同尺度(局部)分割结果

由图3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，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碎分割，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，该文在初始分割为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，研究区部分分割效果如图4(a)所示。对除水体外部分进行分割时，为方便获取最优尺度分割参数，该文借助章云所提出的一种基于模糊逻辑的分割工具，该工具是配合eCognition使用，且独立于eCognition软件。不同训练样本获得不同分割尺度参数，但整体结果差异较小，经比较，该文以图4(a)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。该目标对象共有4个子对象，各子对象参数如表1所示，最终迭代结果及分割结果分别如图4(b)、图5所示。

表1 基于目标对象的子对象特征信息

图4 最优分割结果对比

图5 参数运算结果

依图4分割结果对比，可知尺度参数为325时分割结果良好，耕地及建筑用地分割较为完整。由于林地的纹理特征较为明显，即使道路两旁及耕地之间较小区域的林地也可通过此种方法进行分类，既不至于过碎分割，又可以很好的区分出来。因此，该文以此分割结果为基础，进行矿区内除水体外其他地物信息的提取。

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。最邻近分类方法是利用训练样本对象来选择对象特征，并在一个特定的特征空间中对影像对象进行分类，在对代表性的样本对象集被声明之后，算法在特定的特征空间内寻找每个影像最接近的样本对象，与传统的监督分类相似。当地物特征不明显，无法描述其特征空间时，适合使用最邻近距离法[12]。模糊分类方法是通过影像对象本身以及对象间的特征属性，计算隶属度函数，获得相应区域特征的模糊化值，建立规则模型进行影像分类，选择特征时应当选择待分类类别最显著的特征加入规则库，而且不能加入太多，过多的规则会影响分类精度[13]。该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，综合分析影像地物特征，实现地物信息的提取。

该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，该文纹理特征采取红、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。

3 分类结果及精度评价

3.1 分类结果

依据分类提取规则，该地区不同土地利用类型分类特征如表2所示。基于FbSP optimizer分割工具，结合eCognition，面向对象法的研究区地物分类结果如图6所示，采用利用ENVI5.1基于样本的面向对象方法，提取结果如图7所示。

图6 基于eCognition提取结果影像图

将图6、图7同一部分局部放大(红色边框范围)，可知基于eCognition相对传统面向对象方法，分类结果图斑较为完整。对比该地区谷歌影像图8(a)(2015年8月30日)及标准假彩色遥感影像图8(b)(2015年6月5日)，发现部分地区出现变化，因此分类结果不完全对应谷歌影像图，但大部分分类结果与实地影像相对应。

表2 研究区地物分类特征

图7 传统面向对象提取结果影像图

图8 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，该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，选择一个样本创建点矢量文件，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。水体、道路、林地、耕地及建设用地样本点个数分别为11，15，23，20，34个，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

由于Kappa系数利用了整个误差矩阵的信息，通常被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87.9978%上升至91.6256%，Kappa系数由0.8065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，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，大大减少了寻找最优分割参数的时间，提高了工作质量。

表4 传统面向对象分类精度评价

4 结论

(1)该文结合矿区特点，先进行了初始分割下的水体提取，然后通过eCognition及FbSP optimizer工具，迅速获取除水体外地物的最优尺度分割度参数，并进行了地类信息的提取。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。

(2)提出了根据分割效果可初步判定塌陷地积水区的常年深积水区、常年浅积水区及季节性积水区，为后续耕地数量减少的研究提供一定的依据。

(3)由于不同的训练样本会获取不同的最优分割尺度参数，该文根据矿区面积及土地利用所分地类来选择耕地作为训练样以获取最优尺度参数，较适应整个区域，可作为其他相似地区的高分二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。

(4)该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土地利用的分类，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。

[1] 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,(2):263-266.

[2] 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,(4):312-316.

[3] 江华.基于eCognition面向对象技术的高分辨率遥感影像土地利用分类——以福州琅岐岛为例[J].海峡科学,2014,(8):12-17.

[4] 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,(5):16-19.

[5] 苏伟,李京,陈云浩,等.基于多尺度影像分割的面向对象城市土地覆被分类研究——以马来西亚吉隆坡市城市中心区为例[J].遥感学报,2007,(4):521-530.

[6] 何少林,徐京华,张帅毅.面向对象的多尺度无人机影像土地利用信息提取[J].国土资源遥感,2013,(2):107-112.

[7] 何勇,陈昌鸣,熊增连,等.基于eCognition的面向对象农村公路提取[J].重庆交通大学学报(自然科学版),2012,(6):1194-1197.

[8] 赵跃伦,赵建,高文凯.济宁市采煤塌陷地土地复垦工程水资源配置研究[J].山东国土资源,2016,32(10):35-38.

[9] Zhang Y, Maxwell T, Tong H, et al. Development of a supervised software tool for automated determination of optimal segmentation parameters for ecognition[M].Society for Imaging Science and Technology，2010.

[10] 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.

[11] 林霞,吴孟泉,孙西兵.近20年烟台主城区土地利用变化特征与驱动分析[J].山东国土资源,2015,31(5):91-94.

[12] 周春艳，王萍，张振勇，等.基于面向对象信息提取技术的城市用地分类[J].遥感技术与应用,2008,(1):31-35+123.

[13] 杨圣军，赵燕，吴泉源，等.高分辨率遥感图像中采矿塌陷地的提取——以龙口矿区为例[J].地域研究与开发,2006,(4):120-124.

Classification of Land Use in Mining AreasBased on FbSP Optimizer Segmentation Tool——Setting No.1 Mining Area in Jining City as an Example

WANG Yajuan1， MA Yaozhong2

(1.Land Reclamation and Ecological Restoration Institute of China University of Mining and Technology, Beijing 100083, China；2. Henan Polytechnic University, Henan 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. In this paper, a segmentation tool- FbSP optimizer based on the training process and fuzzy logic analysis is proposed to determine the optimal segmentation parameters. The classification of land use in mining area based on the score 2 resolution image using the object-oriented classification software eCognition. It is showed that this tool can not only quickly determine the optimal scale of land use, but also can be used to classify land use according to the eCognition with high accuracy.

FbSP optimizer；eCognition；high resolution image；land classification

2016-11-14；

2017-02-16；编辑：曹丽丽

教育部新世纪优秀人才支持计划(NCET-12-0964)

王亚娟(1991—)，女，河南濮阳人，主要从事遥感、土地复垦与生态重建方面的研究；E-mail：1425850563@qq.com

P208

B

王亚娟,马要中.基于FbSP optimizer分割工具下的矿区土地利用分类研究——以济宁2号矿区为例[J].山东国土资源，2017,33(8)：92-97.WANG Yajuan， MA Yaozhong.Classification of Land Use in Mining Areas Based on FbSP Optimizer Segmentation Tool——Setting No.1 Mining Area in Jining City as an Example[J].Shandong Land and Resources, 2017,33(8)：92-97.