基于资源一号02C卫星影像的稀土矿区地物提取研究

朱元峰， 况润元， 张刚华

（江西理工大学,a.工程研究学院；b.建筑与测绘工程学院，江西 赣州341000）

0 引 言

目前，遥感技术在地表监测中的应用较广，如在矿区环境监测等领域已经发挥了重要作用.部分学者利用SPOT5、中巴资源卫星CBERS-02B星等数据，采用面向对象分类技术分别对铁矿区、煤矿区等矿区地物进行了信息提取，分类精度高于基于像元的分类方法[1-4].

江西省稀土总储量占全国稀土总储量的35%，其资源主要分布在赣南地区[5].而当前赣州稀土产业在我国离子型稀土产业中具有明显的竞争力[6].在江西省矿业开发利用中存在的问题[7]，在稀土分布区同样存在，因无证、无序开采，采矿工艺落后等原因，导致了严重的环境问题，如水土流失等.从国家战略和环境保护的角度出发，对稀土矿区的环境监测显得尤为重要.近年来，我国航天事业稳步发展，很多学者通过不同角度对国产卫星在矿山遥感监测中的应用做了相关研究[8-11].通过对期刊文献的检索，将国产遥感影像应用于稀土矿区信息提取的研究仍较少.鉴于此，以资源一号02C卫星（以下简称ZY-1 02C）遥感影像，和赣州市寻乌县文峰乡一稀土矿区为例，经过数据预处理、图像融合、规则设置，最后进行面向对象的信息提取，实现ZY-1 02C影像在稀土矿区信息提取中的应用.

1 研究区简介及遥感影像处理

江西省赣州市寻乌县稀土矿资源丰富，集中分布于南桥镇、文峰乡等，稀土资源储量占全县矿产资源总储量的86%.文中研究区就位于寻乌县文峰乡一带，面积近60 km2.

整个研究区的图像处理软件为美国ITT Visual Information Solutions公司开发的ENVI 4.8,该软件的功能覆盖了遥感图像处理的各个环节，具备流程化的图像处理工具功能.选用2012年12月7日的ZY-1 02C影像为数据源，包括10 m多光谱、5 m全色、2.36 m高分影像.10 m多光谱影像包含近红外、红、绿(NIR、R、G、)3 个波段.利用 ZY-1 02C附带的 RPC （Rational Polynomial Coefficients）文件，结合地面控制点及高程（DEM）对图像做正射校正.

为充分利用10 m多光谱影像的光谱特征和2.36 m全色影像的空间特征，文中采用这两种影像进行融合研究.融合方法采用包括：HSV融合、Brovey融合、Gram-Schmidt融合,主成分融合（Principal Component，简称 PC 融合）、Pan Sharpening融合（简称Pan融合）.

经目视解译发现，HSV融合结果纹理清晰度较其他几种融合结果差，且图像过亮.PC、Gram Schmidt、Pan融合结果的对比度较佳.从局部放大图像来看，HSV、PC、Pan三个融合结果比 Gram Schmidt、Brovey融合的结果更平滑，且HSV融合结果边缘最清晰.另外，分别选取图像均值、信息熵、标准差用来比较图像的光谱保持性能，选取最佳指数（Optimum Index Factor,OIF.以下简称 OIF）检测图像的信息量大小[12].图像统计参数如表1所示.

从统计结果看，PC融合、Gram-Schmidt融合、Pan融合的均值差异较小；HSV融合及Brovey融合所得图像的均值要明显小于源图像的均值.说明前三者对原始光谱的保持性更好.与源图像相比，Brovey融合所得图像的信息熵在G、R波段明显小于其他变换所得的图像.同时PC融合、Gram-Schmidt融合、Pan融合在G、R波段的信息熵要相对好于HSV变换所得影像.而在NIR波段，HSV、Gram-Schmidt、Pan 、Brovey 融合所得图像信息熵值更大，说明所得图像信息更丰富.分析标准差统计结果，HSV融合图像的标准差明显大于其他融合结果和源图像，表现为图像不同地区亮度反差较大.Brovey融合所得影像标准差明显偏小，表现为图像色调相对单一.PC融合，Gram-Schmidt融合，Pan融合所得图像标准差相差不多且更接近源图像的标准差，表明这三个融合图像所包含的信息量大.OIF的统计结果表明PC融合，Gram-Schmidt融合，Pan融合所得图像的OIF值更接近原始值，图像包含的信息量比Brovey融合所得图像要丰富.另外，HSV融合所得图像标准差、OIF值等都很大，表明图像信息很丰富，但其图像均值反映其光谱保持性较差.

表1 图像统计参数

经以上分析得出：Pan融合及 Gram-Schmidt融合所得图像的质量较高，信息量较丰富.与多光谱影像相比，影像的清晰度与分辨率都有很大的提高，地物形态更加明显（融合前影像与融合后影像对比见图1所示），可用于研究区的信息提取.这里选用Pan融合图像进行信息提取.

图1 融合前影像与融合后影像

2 矿山地物信息提取方法

2.1 地物特征分析

研究区稀土开采时间早、持续时间长，经历过池浸、堆浸、原地浸矿等开采方式，地貌复杂，基本地物可归纳为：植被，水体，裸地，复垦地，道路，房屋、沉淀池等.文中以近红外（NIR）、红（R）、绿（G）波段分别对应R、G、B通道假彩色融合影像为底图进行分类，以下就稀土开采地的地物特征进行分析.

植被在影像上表现为红色，分类时结合植被在近红外、红波段的光谱特征，采用NDVI（归一化植被指数）值基本能与其他地物区分.研究区内有一些蓝色钢瓦的建筑屋顶，在影像上呈现红色，利用NDVI值不能将其与植被区分开来.植被在可见光绿波段呈现小反射峰的光谱特征，而蓝色屋顶在蓝波段表现出较强的反射，故可通过设置蓝绿波段的平均值差异来区分蓝色屋顶与植被.

研究区内的河流在影像上表现为河流特有的狭长曲折形状，河面上有连接两边道路的桥梁，河流在影像上呈蓝色，易区分.天然湖泊在影像上呈现黑色，不易与山体的阴影区分.因水体在近红外波段具有强吸收低反射的光谱表现，利用近红外的标准差和红波段平均值及NDVI值区分水体与植被、裸地.

复垦地指稀土矿区重新植树造林的区域，其特征是与周围的植被有较明显的边界.该边界为类似道路的裸土组成.复垦地影像表现上具有植被的光谱特征，但颜色较植被浅.早期复垦的区域随植被的长大，边界被树冠覆盖，且地物光谱表现与天然林较一致，故分类时直接归入植被.造林时期较短的复垦地，由于植被矮小，植株间距较大，地面反射遮挡较少，复垦地兼具植被与裸地的光谱特征.

研究区的部分裸地正进行人工造林活动，但尚未绿化或绿化的苗木尚小，相当于复垦地前期.从影像上看这部分裸地由明显的方格子组成，纹理比较清晰.这些方格子实际上是由白色的沙袋围成线性田埂而成，以防雨水冲刷导致水土进一步流失.田块围成后种上苗木，这里称之为围垦裸地.除格子纹理特征外，围垦地前期的裸地与一般裸地无多大差异.另外，原来的堆浸场地废弃不用后，部分堆浸场在影像上也呈现格子纹理，与围垦地较相似，故这样的堆浸场也划分为围垦裸地.本期影像因拍摄时间的关系，部分裸地表层有积水，影像上呈为淡蓝色，围垦地的纹理仅部分可见，但光谱表现更接近于裸地而非水体.部分长着稀疏植被的裸地及水土流失形成的沙河（地）按非围垦裸地划分.一些裸地长有稀疏植被，在影像上呈块状淡灰色，无规律可循.由水土流失造成的沙地影像上表现为白色，颜色均匀，上面几乎无植被.

沉淀池是收集含有稀土成分的浸出液的池子.通过对沉淀池中浸出液除杂沉淀等一系列工艺，最后在这里提取出稀土化合物.沉淀池在影像上主要表现为方形或圆型的池子，一般分布在开采区附近.有水的池子颜色较深，呈黑色或深蓝色.

研究区内的建筑可分为蓝屋顶、白屋顶（含淡黄屋顶）、灰屋顶.蓝屋顶在假彩色影像上呈红色，形状规则，一般为方形.仅采用NDVI值不能与植被区分，在上述分析植被特征时，已指出可通过设置蓝绿波段的平均值差异来区分蓝色屋顶与植被.白屋顶光谱表现与裸地相似，形状规则，一般为方形.灰屋顶一般为水泥筑屋顶，影像上表现为深灰色，一般为方形，反射率相对较低.各种屋顶同时可结合空间特征加以区分.

研究区内道路主要包括高速公路、国道，乡道及一般的土路.高速公路在影像表现上为狭长规则的线条状，为明显的南北方向，呈灰色.光谱上与一般的水泥屋顶的建筑易混淆，通过设置NDVI值可区分植被，但不能与裸地区分开来，可结合形状属性加以区分.国道在影像上呈淡灰色规则的狭长型条状结构，延伸性较明显.在稀土开采区的国道，与周围裸地光谱相似，不易区分，需结合空间特征加以提取.乡道及土路随着地形的变化，呈现明显的白色弯曲状.很大部分乡路由裸土直接构成，在光谱上与裸地难以区分.

2.2 影像分割

面向对象分类法是面向对象的分类方法，是Baatz和Schape（1999）根据高分影像特点提出的[13].面向对象的分类方法通过对影像的分割，进而得到分割单元（对象），通过对对象进行信息提取，建立规则，最终实现影像的分类.

在进行面向对象信息提取之前，先对影像进行多尺度分割.根据文中信息提取的应用平台的特点，后文用于分割的“尺度”指的是分割参数.该参数由图像中像素梯度的归一化累计分布函数（Normalized Cumulative Distribution Function）计算得出[14].因研究区域较大，这里选择603×463像素的一处子研究区作为分割实验区.以5为首个分割尺度参数，3为间隔刻度对其进行分割，分割到99为止.最后通过最大面积法[15]对分割尺度参数进行判别.分割结果见表2.

表2 分割结果

通过对分割结果的分析，有4个阶段影像的最大面积比较稳定，即分割尺度参数在5-8，17-20、26-29、45-48之间.按照最大面积法原则，这4个阶段是相应地物的最优分割尺度.分别取分割尺度参数8、20、29、48对分割结果进行目视判读.经过判读，分割参数为8时,影像较破碎，不适合本专题的信息提取要求.当分割参数为20时，适合提取植被.当分割参数为29时，适合对高速公路，植被，复垦地，水体进行信息提取.当分割参数为48时，适合对裸地进行信息提取.20、29、48三个分割参数都适合提取建筑.选29作为对沉淀池的分割参数.

2.3 分类规则

确定分割尺度后，采用分级提取，逐层掩膜的方式，进行面向对象信息提取.所有地物提取完毕后，结合人工解译方式，对存在明显误判的矢量分类结果进行微小编辑.整个提取过程分为三级，因各级之间存在相同地物被提取的情况，为避免命名重复，故相同地物按不同的提取顺序在地物名称后加阿拉伯数字加以区分.

1）一级信息提取

第一层次信息提取主要区分植被、裸地、水体.其中裸地包括裸地、道路、建筑、复垦区，其他稀土矿区地物在下一级进行提取.

为提高信息提取的准确度，归一化植被指数（NDVI）被作为单个；波段叠加到底图中，作为一项区分不同地物的指数特征.这一级分割参数设为20,采用样本统计法对植被、裸地、水体进行光谱特征统计.在影像上采集一定数量、特征明显、类别明确的样本，计算样本的NDVI、近红外、红波段、绿波段的最小值、最大值、平均值及标准差.为了使植被区分于蓝色屋顶，同时对蓝色屋顶采样及计算.以上4类地物的样本统计结果见表3.

通过设置NDVI值，植被可以明显地区分裸地与水体.植被与蓝色屋顶的区分通过设置蓝绿波段的临界值来实现.分析发现，植被在绿波段的最大值59与蓝色屋顶在绿波段的最小值60最为接近，故可设置植被在绿波段的平均值小于60以区分蓝色屋顶.水体与裸地在NDVI值方面有部分重叠，水体在光谱上表现为强吸收性，裸地在红波段及近红外波段具有高反射性，可通过设置近红外波段的平均值来区分裸地与水体.结合目视解译，通过分类规则设置结果的实时预览，对近红外的最大平均值稍加延伸，设临界值为42.确定特征值后，对这一级的地物采用规则分类法进行分类.先提取植被1与裸地1，然后掩膜掉植被1，在裸地中分离出裸地2与水体1.

表3 样本统计结果

从分类结果可以看出，大面积植被1基本提取出来，水体1形态较完整.复垦地、房屋、高速公路及一般的道路都被归纳好裸地2.

2）第二级信息提取

第二级的信息提取主要在第一级的大面积裸地上进行.这一级主要分离出大面积裸地、复垦地、高速公路.提取时首先对大面积裸地2掩膜，设分割参数为29.此时复垦地周围的小路及其他乡路被并入较大斑块，最终分入复垦地，在后续的提取中继续提取.大面积裸地包括其他未分类地物通过下级继续提取.

这一层次的分类采用面向对象的监督分类法，具体采用基于径向基（Radial Basis）的支持向量机分类法.经分析，除裸地，高速公路，复垦地外，蓝色屋顶的建筑与以上地物光谱差异较大，故在此层提取蓝色屋顶的建筑.提取前对各地物进行采样，选取具有代表性，判读标志明确的相应地物作为样本.高速公路利用其形状特征，设置延长性、矩形匹配、主方向；裸地设置近红外、红、绿波段的标准差；建筑利用形状特征设置紧密度、NDVI值、纹理均值；复垦地设置近红外、红、绿波段的均值，按以上分类规则执行分类，并对分类结果做2个像素的平滑，至此完成第二级的信息提取,提取出高速公路1，裸地3，复垦地1，建筑1.

3）三级信息提取

完成裸地3、复垦地1、高速公路1的分别提取后，可以对裸地3、复垦地1、高速公路1内的地物进行三级信息提取.

经分析，裸地3内主要地物有裸地，白色屋顶的建筑，以及国道等道路.此三类地物光谱特征较相似，都表现出高反射，可设置纹理，光谱特征提取裸地；设置光谱，形状特征提取建筑；光谱，空间特征提取道路.首先以裸地3对研究区进行掩膜处理，设置分参数度48，对裸地3进行图像分割，分割完成后，采用支持向量机法进行信息提取.按上述分析采样后设置分类规则后执行监督分类.提取出裸地4、建筑2、道路1.

复垦地1主要区分复垦地、道路及水体.提取时首先以复垦地1掩膜研究区，设置分割参数为20，使小路得以完全分割却不破碎.复垦地利用纹理及光谱特征区分，道路利用光谱，空间结构延长线区分，水体通过光谱特征区分，采样后建立分类规则执行面向对象的监督分类.提取出复垦地2、道路 2、水体 2.

高速公路1区域主要地物有高速公路，裸岩，水体及水泥屋顶的建筑.裸岩包括稀土开采区裸露的岩体，高速公路两边防止山体滑坡而浇筑的岩体 （水泥体），河流中裸露的大面积岩石等.这几种地物光谱表现都比较相似.高速公路结合上述空间特征延长性，利用表面平滑的纹理特征来提取.裸岩并无特别明显的特征，水泥屋顶的建筑通过形状特征与其他地物区分.水体通过近红外和红波段标准差以区分其他地物.掩膜后，首先设置分割参数29进行分割.分割完成之后，按上述分析设置分类规则，采用面向对象的监督分类法，提取出高速公路2、建筑3、裸岩1、水体3.

4）四级信息提取

通过前三级信息提取，稀土矿区的基本地物已经提取完毕.为了对裸地现有状况有个更清晰的认识，故对已经提取出来的裸地4做第四级信息提取，主要地物分为围垦地，未围垦地及沉淀池.沉淀池设置近红外和红外的平均值和标准差，围垦地主要设置纹理特征和NDVI值，非围垦地设置面积等形状特征和纹理均值，分割参数设为29，采用面向对象的监督分类提取出沉淀池、围垦地、非围垦地.

从沉淀池分类矢量叠加结果图可以看出，沉淀池分类误判较多，误判的数量已经远远多于影像上沉淀池本身的数量.究其原因有二，对于提取沉淀池这一地物，一是用于分类的影像分辨率不够高；二是研究区面积大.所以本次沉淀池的分类结果并不能客观反映其在矿区的真实分布.故将沉淀池按非围垦地进行提取.

经过四层分割三级提取，上述研究区的地物已经提取完毕.最后共提取出11种地物分别是：植被、复垦地、围垦地、非围垦地、水体、高速公路、国道、乡道、蓝顶建筑、灰顶建筑、白顶建筑.其中裸岩1归入非围垦地，复垦地2为复垦地最终提取结果，水体1、2、3合为水体.道路 1对应国道，道路2对应乡道.高速公路2对应高速公路.建筑1对应蓝顶建筑，建筑2对应灰顶建筑，建筑3对应白顶建筑.提取结果见图2.

图2 提取结果

3 结果分析

从分类结果的总体分布来看，主要地物基本都被提取出来了.屋顶颜色不同的三种建筑形态比较完整，少量灰色屋顶被分入高速公路类.从局部细节来看，河流在狭窄河道出现了断流，主要原因有两个，一是大坝截流；二是沿岸植被茂盛.大坝截流导致水流量急剧减少，大片河床裸露在外，使得河流与裸地的区分度下降.狭窄河道处水面受植被遮挡，在光谱表现上更接近植被.这两个原因使得部分水体被分入了裸地及植被，从而出现断流现象.

部分国道与其他地物如裸地，乡路混分较严重.国道是水泥硬化路面，与裸地、水泥浇筑的乡路光谱上十分相似，与后者在形态上亦相近.由于在山区，国道沿途植被较茂盛，植被投射到路面的阴影，使得国道与周边的植被、裸地等光谱区分度下降.在裸地面积较大地区，国道与建筑周围的水泥硬化路面较难区分.以上原因，使得部分国道与裸地、乡路区分效果不是很好.乡路与裸地光谱相近，有些地区的乡路未经硬化，使得裸地、复垦地边缘地区被分为乡路.另外，乡路路面相对狭窄，路旁植被茂盛而遮盖路面或者形成阴影，使得提取的乡路出现“断点”.

复垦地与植被也基本能区分开来，但总体看来，复垦地稍显破碎.往往是连续的复垦地当中夹杂着一小块植被，或者相反.这主要有两方面原因.一是影像上的复垦地纹理不够清晰.不能充分利用纹理信息，使得天然林与人工林的一个区分度下降.二是复垦地长势不一.由于植被的种植有先后等因素，导致部分复垦地上的植被茂盛部分稀疏.茂盛地区的人工植被受地面反射影响小，在光谱表现上更接近天然植被.部分早期种植的复垦地将归入植被，当成是该地区植被分布的一个指标.

从分类结果可以看出：围垦地比较容易识别.围垦地基本都位于大面积裸地之内，受未围垦地包围.未围垦地主要分布在河流两岸，围绕两个大面积的裸地，周围零星分布小面积的裸地.同时可以看出未围垦地周围复垦地分布密集，是一个环境趋于改善的信号.

对研究区随机选择5149个像素作为真实感兴趣区.假设这些感兴趣区分类完全正确，然后将这些像素作为判断标准，对分类结果做精度评价.最后统计得出研究区采用面向对象分类结果总体分类精度为78.71%，总Kappa系数为0.7632，达到了很好的分类质量.从分类精度结果来看，国道和乡路的生产者精度较低，其余各类都在70%以上.整个研究区内绿植覆盖面中植被占78.69%，复垦地占9.98%.裸地中围垦地占0.88%，未围垦地占5.47%，有相当大面积的裸地需要进行生态恢复建设.信息提取结果统计参数见表4.

表4 提取结果统计参数

分类结果说明使用资源一号高分影像为数据源，采用面向对象分类法能实现对稀土矿区的地物较高质量的信息提取.

4 结 论

文中对ZY-1 02C卫星影像用近红外（NIR）、红（R）、绿（G）波段分别对应 R、G、B 通道假彩色融合，选择图像质量较高、信息量较丰富的Pan融合图像作为信息提取的地图；对研究区地物进行了光谱特征、空间特征、纹理特征的分析，通过对影像进行多尺度分割，得出了不同地物对应的分割尺度；最后根据以上分析，采用分级提取、逐层掩膜的方式进行面向对象信息提取，实现了对稀土矿区地物的信息提取.提取结果说明使用资源一号高分影像为数据源，采用面向对象分类法能实现对稀土矿区的地物较好的信息提取.但从实际应用的角度来说，提取结果的精度尚不能达到理想水平.

综合整个研究过程，第一，由于选择区域较大，地物分类多，一定程度上影响了分类精度；第二，对地物信息的提取采用的分类法较单一，没有在横向上比较不同地物信息提取方法的优劣势，以促进分类精度的提高.针对以上存在的问题，还需要在以后的工作中对影像地物分割、分类规则的建立、信息提取的方法等方面进行更深入的研究.

[1]祝振江.基于面向对象分类法的高分辨率遥感影像矿山信息提取应用研究[D].北京:中国地质大学,2010.

[2]周瑞.面向对象分类方法在矿区地物信息提取中的应用研究[D].太原:中北大学,2012.

[3]王少军,冯稳,孟丹,等.面向对象分类方法在铁尾矿堆快速提取中的应用研究[J].遥感信息,2012(2):103-107.

[4]袁定波,刘成林,汪国斌.面向对象的矿区信息提取方法的应用与研究[J].遥感信息,2013,28(2):110-115.

[5]游宏亮.对离子型稀土保护性开发的建议[J].四川稀土,2009(2):16-20.

[6]曾国华,刘安安,贾宝贵.赣州稀土产业竞争力评价及提升策略[J].有色金属科学与工程,2015,6(6):132-136.

[7]朱嵩,郭志忠.江西矿产资源开发利用现状与对策思考[J].江西理工大学学报,2009,30(6):59-62.

[8]路云阁,刘采,王姣.基于国产卫星数据的矿山遥感监测一体化解决方案——以西藏自治区为例[J].国土资源遥感,2014,26(4):85-90.

[9]邓莹.基于国产卫星在矿山集中区矿山地质环境中的应用研究[J].安徽地质,2017,27(2):121-124.

[10]安志宏,聂洪峰,王昊,等.ZY-1 02C星数据在矿山遥感监测中的应用研究与分析[J]．国土资源遥感,2015,27(2):174-182．

[11]刘碧虹,王 娟,张建国.资源一号 02C卫星数据在甘肃矿山开发遥感检测中的应用研究[J].矿产勘查,2015,6(3):298-303.

[12]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2003.

[13]Baatz M,Schape A.Object-oriented and multi-scale image analysis in semanticent works[C]//Proceeding of the 2nd international symposium on operationalization of Remote sensing,1999.

[14]邓书斌.ENVI遥感图像处理方法[M].北京:科学出版社,2010.

[15]黄慧萍.面向对象影像分析中的尺度问题研究[D].北京:中国科学院遥感应用研究所,2003.