基于高分辨率遥感影像与DSM的典型地物提取

宋亚斌，林 辉，喻龙华，彭检贵，江腾宇

(1.国家林业和草原局中南调查规划设计院，长沙 410014；2.中南林业科技大学 林业遥感大数据与生态安全湖南省重点实验室，长沙 410004；3.中国林业科学研究院亚热带林业实验中心，江西 新余 336600)

0 引言

近些年随着社会对遥感数据需求不断提升，助推了遥感技术的快速发展，使遥感影像的空间分辨率和光谱分辨率得到不断提升，可以快捷方便的获取地表细节信息，并且极大丰富了获取遥感影像的途径和方法。同时也带来难以避免的问题——复杂地物类别的干扰，并且存在同物异谱、异物同谱等现象[1]。随多源遥感技术的发展，可以同时获得同一研究区的多种遥感影像，如光学、热红外和微波等。与单源遥感影像相比，多源遥感影像具有冗余性、互补性和合作性[2]，可充分利用不同遥感数据的优势，以提升对目标信息的提取能力[3]。

国内外学者针对多源遥感影像数据的目标信息提取展开了较多研究。李晓松等[4]分析通过多源遥感技术对森林灾害评估的原理和主要技术方法，并以多源遥感技术对内蒙古自治区东部主要林区森林火灾与森林病虫害进行监测与损失评估，论证了该应用的可行性和可靠性；牟怀义[5]采用多源高分辨率卫星遥感影像对内蒙古大兴安岭克一河和吉文林地进行动态变化监测研究，结果表明对林木采伐、占地、毁林开垦以及森林灾害的监测效果较好；袁士保等[6]以多源高分辨率卫星遥感影像应用于北京市平原造林工程监管中，实现施工前辅助规划、施工中进度监管、施工后跟踪监测以及造林工程移动监管，大大提高造林工程管理效率；L Peng等[7]利用卫星遥感影像、数字航摄影像等多源遥感数据，采用立体像对技术和随机森林模型分析方法，实现区域滑坡灾害风险可靠评估；毛学刚等[8]先利用合成孔径雷达(SAR)数据提取到DSM，再结合高分遥感数据对三明市将乐县将乐国有林场研究区中杉木林、马尾松林、阔叶林进行分类，结果表明相比以单一遥感数据进行林分类型识别，多源遥感数据的精度更高；赵春晖等[9]利用支持向量机(Support Vector Machine，SVM)分类方法，采用高分辨率遥感影像和DSM数据结合进行分类，结果表明结合DSM数据可以明显提升分类精度。但DSM数据中地物高度信息会受地形地势的影响，因此直接使用DSM数据会对地物的有效提取带来干扰。

1 数据与分类

实验依据喻龙华等[10]提出的方法，先从DSM中提取出nDSM，用以去除因地形差异产生的干扰信息，再以nDSM和高分辨率影像数据为数据源，借助ENVI软件平台，进行分类实验，同时与其它特征信息及不同分类方法得到的分类结果进行对比分析。实验技术路线图如图1。

图1 实验技术路线图

1.1 数据准备

实验采用两组数据，由于高空间—高光谱影像波段过多，信息分散，为提取有用信息，提高图像处理速度，对其进行主成分分析，选取前5个波段，包含原始高光谱中99 %以上的信息。基于DSM数据获得研究区域的DEM，而后以DSM和DEM做差，获得相应nDSM。本论文中采用的三种特征数据为：高空间—高光谱影像提取的特征数据，简称为特征①；影像结合DSM提取的特征数据，简称为特征数据②；影像结合nDSM提取的特征数据，简称为特征③。

第一组实验数据位于地形起伏较大的山区，呈左方地势低，右方地势较高，主要地物类型为建筑物、树、灌草和道路等，其高空间—高光谱影像和DSM未进行配准，因此先进行精确配准，以满足实验要求。数据由中国林业科学研究院资源信息研究所机载LiCHy系统[10]于2014年4月获取。实验中所用高光谱数据影像行列为561×230，中心波长从400～990 nm共125个波段，空间分辨率为1 m，见图2(a)；与之匹配的DSM数据由其LiDAR数据通过ENVI LiDAR处理而来，影像大小同为561×230，空间分辨率也为1 m，见图2(b)；影像区域位于山区，nDSM从DSM中提取，结果见图2(c)。

(a) 高光谱数据

(b) DSM

(c) 地物高度(nDSM)

第二组实验数据位于地形起伏较小的城区，影像区域地势呈左高右低，但整体较平坦，主要地物类型为建筑物、树、草、道路和运动场等，数据由IEEE GRSS提供[11]，获取于2012年6月，位于美国休斯顿大学及附近居民区，其高空间—高光谱影像和DSM已精确配准，可直接使用。实验中高空间—高光谱影像行列为1905×349，中心波长从364～1 046 nm共144个波段，空间分辨率为2.5 m，见图3(a)；与之匹配的DSM数据空间大小和分辨率与高空间—高光谱影像完全相同，见3(b)；提取的nDSM结果见图3(c)。

(a) 高光谱数据

(b) DSM

(c) 地物高度(nDSM)

1.2 影像分类

对实验数据采用最小距离、马氏距离、最大似然和支持向量机共4种分类方法进行影像分类，均使用同一训练样本，并且用同一测试样本进行精度评价。

1)最小距离分类方法。在ENVI软件中实现最小距离分类，需要先根据分类类别，为每个地物类别选取少量典型代表性样本，以获取每一类的均值向量和协方差矩阵，并以各类均值向量作为该类在多维空间的中心，通过计算输入图像中各个像元到中心的距离判断该像元为哪一类别[12-13]。

2)马氏距离分类方法。在ENVI软件中实现马氏距离分类，同最小距离分类过程一样，但在设置最大距离误差时选“None”。

3)最大似然分类方法。在ENVI软件中实现最大似然分类，同马氏距离分类过程一样，并在设置似然度阈值时选“None”。

4)支持向量机分类方法。在ENVI软件中实现支持向量机分类，同马氏距离分类过程一样。训练样本需设置核函数以及相关参数[14]，经过多次试验，本实验核函数选取“Radial Basis Function”，其它参数默认。

1.3 评价方法

通过目视解译和制图精度的方法对分类结果进行评价，以此对三种不同特征数据的分类方法的精度以及可靠性进行比较分析。

2 结果与评价

2.1 结果

从目视效果来说，第一组实验数据对应结果如图4～图6。三种特征数据分类处理结果，以特征①效果最差，并且其对应的4个分类结果都比较细碎(为更好的比较三种特征数据处理对分类效果的影响，避免其它因素的干扰，未对分类结果进行分类后处理，如：聚类处理、过滤处理等)，图4；4种分类方法，均以特征③效果最好，图6。同一种特征数据处理中，以支持向量机法的最好，三种特征数据处理中仅其对右上角的道路进行了正确分类；马氏距离法和最大似然法次之，但两者在建筑物存在过多的分类错误，特别是最大似然法，在左上角存在大面积错分；最小距离法却存在对建筑物的漏分，并且在中间林区存在许多细碎的且错分的地类。

图4 第一组实验数据特征①分类结果

图5 第一组实验数据特征②分类结果

图6 第一组实验数据特征③分类结果

第二组实验数据对应结果如图7～图9。三种特征数据分类处理结果，同样以特征①效果最差，并且建筑物存在明显错分。图7(a)，(c)，(d)图中右侧建筑物基本全错分到其它类型(裸地和道路)，尤其是云覆盖的位置，而图7(b)图中相应位置几乎全错分为建筑物；特征②和特征③较好，加入DSM和nDSM后，即使是云层遮盖的位置也能较好的实现建筑物和地面的分类。同一种特征数据处理中，以马氏距离法和支持向量机法的较好，并且仅特征③采用了去除地形高程的nDSM，较好地避免了把图中阴影部分的高架道路错分为建筑物类。

图7 第二组实验数据特征①分类结果

图8 第二组实验数据特征②分类结果

图9 第二组实验数据特征③分类结果

2.2 定量评价

利用制图精度评价指标进行定量评价，其统计结果见表1和表2。两个实验采用的四种分类方法中均以最小距离分类法最差，并且对三种特征数据的处理方法，最小距离分类法分类几乎没有差异。同一特征数据处理方法下，分类精度表现为：支持向量机分类法>马氏距离分类法>最大似然分类法>最小距离分类法。而相同的分类方法下，特征①所得结果最差，特征③最优，特征③的总体精度要比特征②高出2%左右，第一组数据最高达到89.26 %，第二组数据最高达到83.51 %。并且建筑物、树、草等各类的分类精度大小均表现为：特征③>特征②>特征①。

表1 第一组实验数据定量评价影像分类数据源精度/%建筑物树草其它总体Kappa系数特征 ①47.5683.7262.7368.2561.030.42最小距离特征 ②48.3084.5963.1269.1161.540.43特征 ③49.0284.9863.8069.8762.690.45特征 ①72.3371.0071.4655.7165.630.48马氏距离特征 ②74.8272.1373.3696.2982.760.74特征 ③77.9572.4973.7098.0684.760.77特征 ①37.2072.8579.8596.2062.580.43最大似然特征 ②62.9045.5879.2897.8077.050.65特征 ③71.6974.3476.9798.2382.920.74特征 ①21.7575.7370.8795.2262.800.44支持向量机特征 ②83.5881.3873.5895.9086.910.80特征 ③84.7882.2474.2797.9489.260.83

表2 第二组实验数据定量评价影像分类数据源精度/%建筑物树草其它总体Kappa系数特征 ①44.3165.9677.8763.0660.160.47最小距离特征 ②45.7468.7879.2165.8462.190.49特征 ③45.8268.9979.8965.9262.420.5特征 ①73.1883.4786.0758.8477.090.68马氏距离特征 ②74.1478.5082.4878.575.640.66特征 ③76.2785.1691.8660.8780.180.72特征 ①81.7195.4952.2755.2577.730.68最大似然特征 ②85.6395.1250.1647.4577.570.68特征 ③92.3896.6454.550.1681.570.73特征 ①74.6585.7686.4465.480.350.72支持向量机特征 ②76.9386.2387.0266.3280.700.73特征 ③77.8592.3792.2266.9183.510.78

3 结论与讨论

1)最小距离分类法、马氏距离分类法、最大似然分类法和支持向量机分类法4种分类方法中，以马氏距离分类法、最大似然分类法和支持向量机分类法分类效果较好，但均存在一定程度的混分现象。综合考虑视觉效果和定量评价指标，支持向量机分类法效果最好，最小距离分类法效果最差。

2)在高空间—高光谱遥感图像分类过程中，结合DSM数据可以大幅提高分类精度，但DSM数据中不同区域的地形差异会成为分类过程中新的干扰信息，直接影响分类精度；而采用nDSM可以有效去除地形因素的干扰，有效提高地物信息提取精度。

3)虽然论文采用了两组完全不同地形、地物特征的实验数据，但由于实验范围的限制，论文研究的结果在更广区域的适用性有待进一步研究和探讨。