GF-2影像城市地物分类方法探讨

王 芳，杨武年，王 建，谢 兵，杨 鑫，任金铜

(1. 成都理工大学国土资源部地学空间信息技术重点实验室，四川 成都 610059；2. 内江师范学院土壤资源与生态调控研究中心, 四川 内江 641100； 3. 内江职业技术学院土木工程系，四川 内江 641000； 4. 四川建筑职业技术学院测绘工程系， 四川 德阳 618000)

在新型城镇化快速发展的背景下，快速、准确地获取地物信息对城镇化的建设和监管意义重大[1]。GF-2卫星是我国首颗分辨率优于1 m的卫星[2]，具有丰富的光谱、几何及纹理信息。传统的基于像素的分类方法难以获得令人满意的效果[3]，面向对象图像分析技术能有效利用对象间的空间关系和专家知识得到更好的分类效果[4-6]。许多学者采用面向对象分类提取城市地物，发现该方法在提高精度的同时，改善了椒盐现象[7-10]；也有学者在构建多个分割层的基础上，采用该方法提取城市地物取得了较好的分类结果[11-15]。本文利用GF-2影像提出一种基于最优尺度和规则的面向对象分类法，在各最优分割尺度层上建立规则进行分类。

1 研究区概况与数据预处理

研究区位于隆昌市中东部，GF-2影像如图1所示。GF-2卫星能够提供分辨率全色为0.8 m、多光谱为3.2 m的图像数据，该数据由四川省高分中心提供，获取时间为2015年6月16日。采用RPC和DEM进行正射校正，利用Gram-Schmidt方法进行图像融合并进行快速大气校正、影像裁剪。据2017年的《土地利用现状分类》标准，将研究区地物类型分为绿地、水体、道路、建筑用地和裸土5类。

2 研究方法

本文通过构建分层体系和规则来实现地物的分层、分步提取。技术路线如图2所示。

2.1 最优分割尺度的确定

以步长为10的多尺度分割对影像进行分割，各波段权重值设为1，形状和紧致度因子分别为0.1和0.5。根据最大面积法依次计算30个尺度下对象的最大面积，得到最优尺度范围，如图3(a)所示。最优分割尺度是使对象内外的同质性和异质性最大，分别以加权方差(ωVar)和均值方差(S)来衡量，以对象面积为权重，根据式(1)计算各波段加权方差和对象间均值方差，取各波段均值作为最后结果，如图3(b)、(c)所示。分别根据式(2)和式(3)将同质性、异质性归一化处理和构建质量评价函数F，本文认为同质性和异质性具有同等影响，λ=0.5。F出现峰值的尺度即为潜在最优尺度，结合最大面积法，最优尺度为50、130和210。

(1)

(2)

F=λFωVar+(1-λ)FS

(3)

2.2 分层体系与分类规则

根据最优尺度建立层次结构，使各层间具有继承性且顺序不能替换。各地物分层体系与规则见表1。在L1层，采用归一化水体指数提取水体，但其中混有建筑、阴影和体育场，利用亮度值和边界指数分别排除建筑和体育场；再根据同质性排除阴影；根据水体分布，利用到场景左边框X距离及到下边框Y距离排除剩余阴影。在L2层，采用长宽比提取道路，但其中混有绿地和建筑；根据近红外波段灰度值排除绿地；再根据亮度值和不对称性排除建筑。根据裸地特点，采用绿波段灰度值和最大化差异度量提取裸地。在L3层，根据归一化植被指数和土壤调节植被指数提取植被，剩余部分即为建筑物。

层次尺度地物分类规则L1210水体NDWI(归一化水体指数)>0.2381;Brightness(亮度值)<388;1.160像素;到场景左边框Y距离>10像素L2130道路Length/Width(长宽比)>2.2;2370.86裸地3450.2;SAVI(土壤调节植被指数)>0建筑L3中的非绿地

3 结果与分析

根据同期的土地利用数据，选取建筑472个、道路146个、植被373个、水体60个、裸地106个，共1157个样本。分别以样本总数的60%和40%作为训练和验证样本。根据分层体系和规则进行分类，如图4(b)所示。为了进行对比分析，选取最大F值的尺度50作为单一最优尺度。采用面向对象和基于像素的随机森林(RF)、支持向量机(SVM)和决策树(DT)进行分类，结果如图4(c)—(h)所示。利用混淆矩阵进行精度评定，结果见表2。

表2 不同分类方法的精度评价

3.1 与单一尺度下面向对象分类结果对比分析

从本文方法、单尺度面向对象分类结果(如图4(b)—(e)所示)及精度评价(见表2)可知：本文分类法效果最好，总体精度和Kappa系数分别为93.30%和0.91，相比RF、SVM和DT分类法，分别提高了2.60%、0.04，5.20%、0.08，1.27%、0.15。由于本文方法根据各地物的最优尺度构建分层体系和规则，能较好区分光谱相似的道路、建筑和裸地。相比之下，在面向对象分类中，许多地物存在欠分割和过分割现象，造成其分类结果存在较多漏分和混分，使其分类结果较差。从各地物分类效果看，本文方法除道路外，其余地物制图和用户精度都在90%以上，其效果最佳；效果其次的为RF法，但裸地漏分和混分严重；效果再次的为SVM法，但裸地混分和漏分、水体混分严重；在DT分类中，建筑漏分、裸地漏分和混分、道路混分严重。

3.2 与基于像素的分类结果对比分析

由4种方法的分类结果(如图6(b)，(f)—(h)所示)和精度评价(见表2)可知：本文方法能够获得与实际地物较匹配的对象，充分利用其光谱、几何和纹理特征用于分类，减少错分和漏分现象，地物边界较为明显、平滑，较好地克服了基于像素分类法的椒盐现象。使分类总体精度较基于像素RF、SVM和DT的分类方法分别提高了5.42%、5.42%和11.48%；Kappa系数分别提高了0.08、0.08和0.16。从基于像素的分类效果看，在RF、SVM分类结果中，道路漏分和混分、裸地混分现象严重，造成其分类效果较差；DT分类中，裸地混分、道路漏分和混分现象严重，其制图和用户精度均不到60%，使其分类精度最低，效果最差。

4 结 论

本文基于GF-2影像，采用最大面积法和评价指标函数获取各地物的最优分割尺度，构建分层体系和分类规则对研究区地物进行了分类，获得了较好的分类效果。得出如下结论：

(1) 将分割质量评价函数与最大面积法相结合得到各地物的最优尺度建立分层体系。并根据对象的光谱、几何和纹理特征构建了一套适合于研究区城市地物的分类规则。

(2) 根据最优尺度和分类规则，克服了单一尺度分类法的不足，改善了欠分割和过分割现象。由大尺度到小尺度的分层提取使各层之间具有继承性和差异性，改善了分类效果。

(3) 本文方法能生成与实际地物较为匹配的对象，在改善错分、漏分现象的同时，也较好地克服了基于像素监督分类法的椒盐现象，获得了更为优越的分类效果。