基于GF-1影像的矿区地物提取与分析★

贾玉娜 高 雅 白 洋

(华北理工大学，河北 唐山 063210)

0 引言

遥感技术的进步使得丰富的影像数据分辨率获得大幅度提升，为合理监测资源开发及矿山环境变化等提供了更加精准的数据支持。李成尊等2005年利用Quick Bird遥感影像对晋城煤矿区域内不同性质的地质灾害进行信息提取，精度达到100%和95%[1]。王晓红等2006年以唐山市某矿区为研究区域，采用不同影像数据进行矿区地物提取并展开对比，得出TM数据影像对矿区的已采区进行大面积圈定有相对优势[2]。赵得军2017年根据高分一号遥感影像构建矿区的地物特征知识库，提出了一种基于知识库的最佳分割尺度选择方法，结合地物特征知识库实现了矿区典型的识别[3]。

1 遥感影像融合处理

图像融合可使地物信息丰富，色彩鲜明且有高空间分辨率，便于地物信息提取与研究。对高分一号遥感影像经过Brovey,PC,GS融合技术的比照，最终选用GS融合方法。此方法能更准确的反映地物信息，也是目视效果最好的一种融合方法，见图1。

2 基于传统像元分类法和面向对象分类法的矿区地物提取

2.1 传统基于像素的监督分类

Bayes分类法是在两类或多类的情况下，通过执行运算分类计算每一类待分类样本的归属概率，进行图像分类[4]。通过传统的监督分类对研究区进行矿区地物提取后，提取效果如图2所示，不同地类的提取边界效果不太理想。

2.2 传统基于像素的非监督分类

非监督分类的前提是假定影像上同类物体在同样条件下具有相同的光谱信息特征[5]。非监督分类后，要求分析者对各类别进行定义并解释，然后将同一地物的子类进行合并，从而达到最终的分类效果，非监督分类效果如图3所示。

2.3 面向对象分类法

面向对象的分类方法是从对象层次对遥感图像进行分类[6]，影像分割后采用模糊分类的方法依据纹理、形状和光谱等特征来确定分类与子类。采用提供对象所考虑类的隶属的模糊分类法进行分类，从而使精度准确、操作便捷。面向对象分类结果如图4所示。

3 面向对象分类法与传统基于像元法的比较

3.1 分类精度评价方法

基于建立好的混淆矩阵可以统计、计算其他参数。在混淆矩阵中，每一列的元素代表预测类别，每一列元素的总数代表被预测为该类别的元素总数目；分类中的样本真实归属类别数为矩阵相对应的行值，矩阵中行元素总数为某类别实际样本数。混淆矩阵中对角线元素为准确分类样本数。

1)总体精度是正确分类的样本数与总样本数的比值，指分类结果正确程度的大小。数学公式如下：

(1)

其中，N为样本总数;pii为正确分类的样本数。

2)生产者精度是单一类别中样本准确分类的概率。数学公式如下：

(2)

其中，ppi为某一类被分类的总像元数。

3)用户精度是正确分类样本数占实际分类样本总数的比率。数学公式如下：

(3)

其中，pqi为实际被分到该类别的样本总数。

Kappa系数是表示分类影像与参考影像之间的吻合程度，是检验二者之间一致性的客观评价标准。其数学公式如下：

(4)

单一类别的条件Kappa系数：

(5)

生产者精度、用户精度、单一类别的条件Kappa系数结合用于对单一类别分类结果的精度进行评价。总体精度和Kappa系数这两个指标用于整体分类结果精度评价。二者一般搭配使用来反映分类质量的好坏，可以更加客观的对分类结果进行评价。

3.2 分类精度评价对比

分别用监督分类、非监督分类和面向对象分类方法对融合后的高分一号影像展开地物提取实验。采用混淆矩阵的方法分析对比可以得出：采用面向对象的方法对研究区域进行分割，根据精度评定报表得出分类总精度为88.547 0%，Kappa系数为0.862 5；采用监督分类的方法对研究区域地物进行信息提取其分类精度达到67.997 0%，Kappa系数为0.514 5；用非监督分类法矿区地物进行分类，分类精度只有36.923 1%，Kappa系数为0.258 7；综合看面向对象的分类效果最为理想，提取精度相对较高，见表1。

表1 面向对象、监督分类和非监督分类各精度值对比 %

4 结语

面向对象分类法在考虑光谱信息的基础上充分利用了空间、地物、纹理等特征信息进行处理，具有分类精度高和处理过程高效等特色，为矿区环境监测提供有效的理论依据。采用监督分类和非监督分类的方法对高分一号影像进行分类实验，分类精度为67.997 0%和36.923 1%，精度低于面向对象的分类方法，采用混淆矩阵的方法对分类结果进行精度评定，面向对象分类精度最高。