Landsat 8多光谱数据辅助下的高分影像多尺度分割

刘金丽，陈 钊

(北京林业大学信息学院，北京 100083)

林分树种组成及优势树种(组)信息是森林资源调查的重要内容，为森林经营管理提供着重要的数据支撑[1-2]。我国森林面积大，且地区分布不均，野外调查耗费大量的人力、物力和财力。遥感技术凭借其探测范围大、获取资料速度快周期短、受地面条件限制少等，目前在森林资源调查、遥感影像树种分类中得到了广泛的应用[3-4]。随着搭载在卫星上的传感器分辨率的提升，高分影像的解译成为研究的主流趋势。随着分辨率的显著提高，高分影像上地物的色彩、纹理和几何结构信息更加清晰。混合像元减少，纯净像元增多，对象化特征更为明显，但同时数据量也有了显著增加，对软硬件的运行条件有了更高的要求[5-6]。利用高分辨率遥感影像宏观、高效的优势提高调查成果的时效性和精细程度，探索适合高分辨率遥感影像特点的信息提取模式和方法，对国产高分数据行业应用、满足业务和信息需求，具有非常重要的学术价值和现实意义[7-8]。

近年来，面向对象分类成为遥感影像分类的主流方法，分类对象也从传统的像素转化为具备光谱、形状、纹理、上下文、空间关系等丰富特征的对象。已有研究表明，面向对象的分类方法在树种类型信息提取中显示出巨大潜力[9]。面向对象分类时，对遥感影像进行适宜尺度的分割并根据分割结果创建对象是首要面临的问题[6]。通过分割，研究人员可以把一幅影像中光谱信息或纹理信息差异较大的邻近区域分开，进而得到内部同质性较高的对象集[10]。分割的最小对象是一个像元，随着卫星传感器分辨率的提升，像元单位随之减小，导致分割所得对象边缘锯齿明显，不仅影响基于形状特征的尺度评价结果，还会给后期整饰出图造成一定的困难。

为探究分割参数的有效确定方法及减小对象锯齿现象，本文以高分二号遥感影像为主要数据源，开展了Landsat 8多光谱数据辅助下的高分影像分割研究。

1 研究区概况与数据

1.1 研究区概况

本文研究选取黑龙江省伊春市桦皮羌子林场为研究区，地理坐标为47°53′—48°03′N，129°24′—129°33′E，总面积约为11 854 hm2，如图1所示。地势东北高，西南低，山峦蜿蜒起伏，纵横交错，局部为丘陵。境内平均海拔500 m，平均坡度在10～15°之间，局部最大坡度在40°左右，高山宽谷地区呈凹形，谷地宽沟头窄，坡度1～3°。该林场地处北温带，属大陆湿润季风气候。四季气温差异较大，冷暖多变。研究区内林分类型以阔叶混交林和针阔混交林为主，树种类型丰富，主要有白桦、冷杉、枫桦、云杉、蒙古栎、紫椴、落叶松等。

1.2 数据

1.2.1 GF-2影像

高分二号(GF-2)卫星是国家高分辨率对地观测系统重大专项首批启动研制的卫星，突破了亚米级高分辨率大幅宽成像等关键技术，打破我国高分辨率对地观测数据依赖进口的被动局面[11]。

本文研究采用了2016年8月20日获取的GF-2相对辐射校正产品(图1)，影像包含4个多光谱波段和一个全色波段，波段及分辨率见表1。

表1 GF-2影像波段信息

1.2.2 Landsat 8/OLI影像

Landsat 8卫星由美国航空航天局在2013年2月11日发射升空，其上携带2个传感器，分别为OLI陆地成像仪(operational land imager)和TIRS热红外传感器(thermal infrared sensor)。Landsat 8卫星影像具有空间分辨率不高，单幅覆盖面积大、获取时间集中和不同波段合成对地物有不同增强的效果等特性[12-13]。

本文采用2017年6月23日获取的Landsat 8/OLI夏季数据，影像包含8个多光谱波段和1个全色波段，波段及分辨率见表2。

表2 Landsat 8影像波段信息

2 研究方法

面向对象影像分割包括3个过程：①影像预处理；②确定同质性准则组合参数；③确定尺度分割参数进行分割。为了对比有无Landsat 8多光谱数据辅助对GF-2分割结果的影响，本文采用两种分割方案：①单独使用GF-2影像分割；②GF-2和Landsat 8影像协同分割。分别寻找适用于两种分割方案的多尺度分割算法参数。对不同分割方案采用同样的评价方法进行分割结果评价，技术路线如图2所示。

2.1 遥感影像预处理

基于ENVI 5.4软件平台对GF-2多光谱/全色数据和Landsat 8进行预处理。在完成辐射定标、大气校正、正射校正后，采用Gram-Schmidt Pan Sharpening算法对GF-2的4 m分辨率多光谱数据和1 m分辨率全色数据进行融合，采用NNDiffuse Pan Sharpening算法对Landsat 8的30 m分辨率多光谱数据和15 m分辨率全色数据进行融合。最后基于二类调查小班矢量对两景影像进行了仿射变换校正，均方根误差(root mean square error，RMS)分别为0.417 m和5.326 m，满足了校正要求。

2.2 面向对象分割

多尺度分割(multiresolution segmentation，MRS)是eCognition中内嵌的分割方法，该算法适用于提取空间特征不一的图像对象[14]。MRS算法的分割原理是，以单个像素为起始对象自下而上地进行合并，根据对象内同质性、对象间异质性对影像分割对象进行充分的优化，实现同一影像中不同尺度下的像素聚合。对于给定的任何影像，该算法可以根据应用目的对像素进行灵活的抽象和组合成形。

2.2.1 同质性准则组合参数

在MRS算法所需要的参数中，对分割结果影响较为显著的是同质性准则组合参数和尺度参数[15]。在以往的研究中，有的是遍历式寻找最优组合参数或采用默认的参数组合进行分割，但经本文试验证明，默认参数并不理想，为寻求一组最优分割参数组合，有必要开展逐步试验，分阶段确定多尺度分割算法所用参数。

试验证明，在执行MRS算法时不同参数组合对分割结果的影响差异明显。试验将分割尺度设为200，分Ⅰ和Ⅱ两个阶段采取固定单一参数因子法来依次选取相对最佳的同质性准则组合参数。GF-2分割结果如图3所示，I阶段的试验结果表明，当形状因子为0.5、紧致度因子分别为0.1、0.5、0.7、0.9时，分割所得对象有的过于破碎，有的分割不足。相比于以上结果，紧致度因子为0.3时的分割结果更好一些，分割结果如图所示。在Ⅱ阶段实验中，将紧致度因子设为0.3，取不同的形状因子继续开展分割。Ⅱ阶段的试验结果表明，当紧致度因子为0.3、形状因子分别为0.1、0.3、0.7、0.9时，分割所得对象过于破碎或分割不足的现象同样存在。因此本文最终取形状因子为0.5、紧致度因子为0.3作为GF-2影像的同质性准则参数组合，使不同树种边缘分割清晰，对象内部同质性高，错分割的情况相对最少。

2.2.2 多尺度分割

本文研究为探讨Landsat 8对GF-2分割的影响，需确定分割尺度开展试验。一般来说，尺度的选择是为了更好的分割结果，因此本文采用ESP2工具确定一定范围内的最优分割尺度。

ESP2(estimating the scale parameter 2，ESP2)文献[16]在2014年开发出来的用于评价不同尺度影像分割结果整体最大异质性的工具。该工具利用影像分割结果整体局部方差均值随分割尺度的变化率来评估与影像地物属性相对应的最优尺度参数，并将变化率曲线的峰值作为影像对象整体最大异质性的直观反映。由于影像的丰富性，ESP2计算得到的最优分割尺度往往是多个值[17]。ROC计算方法为

(1)

式中，L代表尺度为L时的分割结果中所有对象LV均值；L-1代表尺度为L-1分割结果中所有对象的LV均值。在计算ROC后绘制ROC随尺度L的变化曲线，曲线中的峰值说明了依赖于某类地物对象特征的影像可以在该尺度上进行最合适的分割。

2.3 分割结果评价

不同尺度下的分割结果各有差异，为以一个定量的标准去评价分割结果，诸多学者开展了评价方法的研究[15-16]。分割结果的好坏，主要体现在分割对象与实际地物斑块在形状、面积等几何特征上的差异，因此本文采用了矢量距离指数作为一种评价指标。除此之外，eCognition还提供了紧密度指数和形状指数两个评价指标用于定量表示分割所得多边形在边缘与面积上的特征。紧密度指数和形状指数均属于对象特征集中的空间属性，是根据图像分割与合并结果产生的对象(多边形)计算得到的。

2.3.1 矢量距离指数

矢量距离指数是基于对象匹配法，对比影像分割对象和实际地物边界吻合度的一种分割尺度评价方法[14]。该指数将分割后影像对象的边界定义为分割边线，将分割目标对象的实际地物边界定义为参考多边形，通过计算分割边线和参考多边形横、纵两方向距离来对分割结果进行定量评价，其计算公式如下

(2)

式中，D为矢量距离指数；Hdi为第i条横向距离线长度；Vdj为第j条纵向距离线长度；n1为横向距离线总数；n2为纵向距离线总数。D的值越小，表明分割边线和参考多边形两方向上的总距离差异越小，分割质量越高。

2.3.2 紧密度指数

紧密度特征描述了对象的紧密性，与基于多边形长度的边界指数类似，只不过紧密度是基于面积来计算的。然而，图像对象越紧致，它的边界长度就越小。紧密度是根据对象长度和宽度的乘积除以像素个数计算得出的，其计算公式为

(3)

式中，C是紧密度指数；lv是图像对象V的长度；wv是图像对象V的宽度；#Pv是图像对象中包含像素的总数。lv和wv与对象V的关系如图4所示。

2.3.3 形状指数

形状指数描述了对象边界的光滑度，对象边界越光滑，其形状指数越小。它是通过计算图像对象的边界长度除以面积平方根的4倍得出的，其计算公式为

(4)

式中，S是形状因子；bv是图像对象V的边界长度；#Pv是图像对象中包含像素的总数；bv与对象V的关系如图4所示。

3 结果与分析

3.1 评价样本

根据矢量距离指数法评价法原理，需要参考多边形作为对比计算要素，其勾绘应符合单一树种斑块在影像上的实际分布。郁闭度较大的林分中，树木生长旺盛，反映在影像上是均匀、密集的颗粒纹理，分割对象应完整、边缘光滑。郁闭度较小的林分，在影像上将会看到明显的林隙，分割对象会因大大小小的林隙而变得破碎、 边缘曲折不齐。本文研究根据各个郁闭度值对应的小斑所占面积比，在GF-2遥感影像上依据分层抽样原理勾画了210个单树种参考多边形。紧密度指数和形状指数为参考多边形对应的分割多边形的指数平均值。

3.2 评价对象

基于上文的最佳同质性准则参数组合，本文研究在50～500的尺度参数值范围内开展以25为单位步长递增的多尺度分割试验，以确定ESP2工具的尺度计算范围。试验结果显示，当尺度参数在100以下时，所得对象极为破碎，破坏了森林树种组成的生长结构。尺度参数在400以上时，不能有效分割林分。因此本文选取了100～400之间的分割尺度，使用ESP2工具生成了ROC曲线如图5所示。

研究区内树种类型十分丰富，影像上呈现出的地物类别层次较为复杂。相应地，反映在ROC曲线上的变化也更具有挑战性。这里，本文选出了较为明显的11处峰值，对应的尺度分别是116、132、144、200、243、259、281、305、323、335、383。

3.3 评价结果

在ESP2工具所得尺度上，GF-2影像单独分割与两数据协同分割的矢量距离指数、紧密度指数、形状指数均有明显差异，且三值明显低于GF-2影像单独分割，见表3。Landsat 8数据辅助下的高分影像分割可以降低对象边缘锯齿性，在一定程度上优化分割结果。GF-2遥感影像分割在尺度参数259上的矢量距离指数最低(D=23 786)，GF-2与Landsat 8协同分割在尺度参数243上矢量距离指数最低(D=22 097)。

表3 分割结果评价

为探究Landsat 8参与分割对各指数值的影响程度，本文计算了两数据共同分割下的各指数值相对差异占GF-2单独分割各指数值的比例，结果如图6所示。结果表明，D值的影响差异范围在3.10～14.93%之间，C值的影响差异范围在21.67～40.23%之间，S值的影响差异范围在5.99～21.97%之间，在11个尺度上的提升均值分别为8.05%、28.40%、11.76%。

4 结 语

本文研究以黑龙江省伊春市桦皮羌子林场为研究区，设计试验探究了有无Landsat 8多光谱数据辅助下的GF-2影像分割结果，并计算了两种分割方案的评价指数差异度。结果表明，在试验的所有尺度上，Landsat 8辅助下的分割结果各指数都优于GF-2单独分割，这为高分影像的分割优化提供了很有价值的思路。另外，分割所受影响因素较多，为了让后期对象特征提取的精度更高，下一步的研究计划是开展因素更为全面、参数组合更为丰富的试验。

我国的高分专项工程已实施近8年之久，获取的数据十分宝贵。开展高分专项所得数据的应用研究，不仅是未来研究的应有方向，更是国内遥感影像解译事业发展的必经之路。另外，在知识与数据资源充分共享的当下，研究人员也应充分利用所有可得的数据，探究更为科学、有效的研究方案。