基于影像融合和面向对象分类的矿区提取研究＊

李 飞，王法景

（杨凌职业技术学院，陕西 咸阳712100）

矿产资源开发遥感调查主要采用人机交互式目视解译法提取信息，但该方法要求判读人员具有较多的先验知识，与GⅠS集成困难，与工具库不支持[1-3]。文中采用面向对象分类法提出了新方法。1973年，HARACLⅠCK提出纹理分割算法[4]，但仅适用于有限的图像类型。张峰等将面向对象的分类方法应用于耕地信息提取，分析结果精度达到90%。莫登奎等利用基于面向对象的分类方法，多尺度分割ⅠKONOS影像，证明了此方法发展前景广阔[5-7]。黎新亮等针对QuickBird影像，采用面向对象与最邻近监督相结合的分类方法提取影像信息，对影像进行信息提取，结果表明该方法能较好地改善分类结果。面向对象的分类方法主要是对遥感影像进行分割，得到同质对象，再根据遥感分类或目标地物提取的具体要求，检测和提取目标的多种特征（如光谱、形状、纹理、阴影、空间位置等），再利用模糊分类方法对遥感影像进行分类和地物目标的提取。

本文采用面向对象的分类法是基于TM影像和SPOT数据融合后的数据，由于TM数据包含大量的光谱信息，而高分辨率SPOT数据能很好地体现地物的纹理、形状等特征。融合后的影像不但具有丰富的光谱特征，还具有高分辨率，因此采用面向对象的分类法不但能很好利用地物的光谱信息来提取地物，还能通过纹理、形状等特征来提取地物。面向对象的分类法具有以下优点：利用对象的多特征，不但可以利用分割后影像丰富的光谱特征，还可以利用其纹理、面积等特征来进行分类；可用不同的分割尺度生成不同尺度的影像对象层，所有地物类别并不是在同一尺度的影像中进行提取，而是在其最适宜的尺度层中提取，充分利用遥感影像的蕴含信息。面向对象的分类法克服了传统分类方法的缺陷，传统的分类方法几乎都是基于对象元的处理，不同的影像目标处理均在同一尺度层次内进行；而面向对象分类方法是针对具有相同特征，如光谱、纹理和空间综合等特征的“同质均一”的对象单元，可以根据不同的分割尺度在不同尺度层次上对地物进行逐层分类，可以使影像分类充分利用影像的多种信息，分类结果更合理，也更适合高分辨率遥感影像的分类。

1 研究区概况及研究思路

1.1 研究区概况

本文采用的是将TM和SPOT数据融合后的数据，选取攀枝花市部分矿区进行研究。选取研究区域的中心经纬度为107°2′48″E，26°0′15″N。由于是6月份的SPOT数据，因此周围植被茂盛，有河流经过，在河流两边分布有居民建筑。

1.2 研究思路

本次研究思路主要是获取TM数据和SPOT数据并进行影像融合，对融合后图像进行效果评价，选取适合矿区提取研究的融合方法。选择最优分割尺度对融合后的影像进行分割，得到“同质对象”，建立分类规则、影像分类，并对根据2种方法得出的分类结果进行精度对比，最终得出实验结果。

2 影像融合

采用SPOT影像与TM影像融合既可以提高图像的空间分辨率，又可以充分利用光谱特征。

2.1 HIS融合

HⅠS方法原理是用空间分辨率较高的全色图像代替空间分辨率较低的多光谱图像的亮度成分Ⅰ[8-9]。

2.2 色彩标准化变换融合（BROVEY变换融合）

BROVEY算法是多保留原多光谱数据，将多光谱影像中的色彩、亮度成分进行分解计算，使影像转换系数简单化[10-11]。

2.3 Pansharp方法

Pansharp方法是采用最小二乘逼近法，对源多光谱影像与全色影像灰度值进行解算，融合多光谱影像的光谱信息和较高空间分辨率影像的高频信息[12-13]，并且可对单个或多个波段进行融合操作。

2.4 影像融合后效果评价

图像质量评价采用主观和客观评价2种办法。通常根据图像的均方误差、边缘强度、信息熵等标准来进行评价。3种融合方法都能提高图像的分辨率，看清图像的纹理特征，但是评价图像包含的信息量时比较主观。因此要客观评价图像的融合效果，本文基于图像的光谱信息和纹理特征进行面向对象的分类，因此可以从信息熵和平均梯度方面对融合后的图像效果进行客观评价。

2.4.1 信息熵

信息熵表示信号中信息量的多少，其多少反映融合效果，越多效果越好[14]。

2.4.2 平均梯度

平均梯度反映图像清晰度和微小细节反差。

影像融合方法比较如表1所示。通过表1可以看出3种方法融合大体上差别不大，平均梯度都很接近，说明3种方法都很好地提高了图像的分辨率，突出了图像的纹理特征。Pansharp融合和HⅠS融合后的图像清晰度要比BROVEY变换融合后的图像清晰度高。Pansharp融合的信息熵相对于其他2种融合方法要大一点，因此Pansharp融合后的图像包含的信息量更多，保留了更多图像光谱信息。由于融合方法的不同，HⅠS融合和BROVEY变换都只能进行3个波段融合而Pansharp融合没有波段的限制，可以进行波段运算，能更好地建立分类规则，因此本文选取的融合方法是Pansharp融合。

表1 影像融合方法比较

3 面向对象的矿区信息提取

面向对象是通过“像元-对象”的计算过程分割影像，获得分类结果[15]。研究区域采用目视判读方法，分出植被、水体、排土场、建设用地、矿区5种地物。研究区内的河流呈条带状，因此在建立规则时可以用长宽比（length/width）来分出河流。矿区占地面积大，在建立规则时可以用面积（area）来区别矿区居民点。建设用地多为居民地，结构分布复杂，多为零散分布的不细块状，图像上的亮度较高。植被没有明显的纹理，但可以通过NDVⅠ来区分，同时植被覆盖度广，可以通过面积（area）来减小错分的概率。分割尺度过大过小都会降低地类提取的精度，尺度过大，不同的地物类别有同一对象内像元素；尺度过小，很难分清地物类别。经过尝试多种不同尺度分割，最终确定在分割尺度为100时，同质对象之间的光谱差异明显，并且同一对象内不会包含多种地物类别。

4 矿区提取结果与精度评价

4.1 矿区提取结果及分析

利用eCognition软件对面向对象进行分类，得到面向对象分类的矿区提取结果图。但是由于分割尺度选取的较大，导致出现了“淹没”现象，部分水体被分割到其他地物对象里，但本次研究是对矿区的提取，面向对象很好地提取出研究区的矿区，达到预期要求。制作矿区自动分类的专题图，基于像元的最大似然法不能很好地区分出矿区和建设用地，而面向对象因为很好地利用了地物的纹理特征，因此可区分出矿区和建设用地。但是面向对象分类时在影像分割时选取的分割尺度为100，而在本研究区域内河流呈细条带状，因此在划分“同质对象”时把一部分水体分割到建设用地占大多数的对象中。在图像最下面的“矿区”，因为那片建设用地相对集中，没有呈现碎斑状，而且在光谱特征方面与矿区较接近，无法从光谱特征和纹理特征方面来区分，因此错把那些建设用地分成“矿区”，属于错分。

4.2 精度评价

4.2.1 矿区提取后精度分析

面向对象分类很好地提取出了建设用地和排土场，没有出现建设用地和矿区混在一起的情况。但还是有极少部分的矿区和排土场与其他地物混到一起，这是因为分割尺度的原因，对于某一特定分割尺度，难以精确表示每个地物，特别在地物内部。因此今后可以考虑利用多尺度分割的方法来进行面向对象的分割。

4.2.2 误差比较

根据分类结果的精度，可得到总体精度、准确度、Kappa系数及制造者等信息，通过混淆矩阵来体现[16]。利用最大似然法分类的Kappa系数与目视解译融合后图像获得的地表真实感兴趣区（ROⅠ）计算混淆矩阵，计算结果为0.81。评价面向对象的分类结果精度，随机抽取研究区内270个样本[17]，每个地类至少抽取50个，得到的误差矩阵如表2所示。

表2 研究区面向对象分类结果精度评价误差矩阵

通过对比面向对象分类和最大似然法分类的Kappa系数可以看到，利用面向对象的分类方法进行矿区提取的分类精度更高一些。因为基于像元的最大似然法易出现混分，而面向对象因结合考虑光谱、形状、纹理信息，分类效果更好。

5 结语

采用专门的面向对象分类的矿区遥感分类，运用模糊分类规则模型和成员函数法构建分类规则来实现矿区自动提取。同时构建分类样本体系，选取合适的样本来进行矿区提取。

通过Kappa系数得出面向对象的分类精度要大于最大似然法；对研究区域进行SPOT影像和TM影像的融合，在保留地物光谱信息的条件下，提高空间分辨率。基于面向对象是基于构建类似决策树的规则来实现影像分类，最大似然法基于地物的光谱特征来建立分类体系，选取分类样本来进行分类，而建设用地和矿区以及排土场三者之间在图像上的像元亮度值很接近，不好区分，因此会产生“混分”的结果。而面向对象分类不但可以从地物的光谱方面，还可以从地物的纹理、形状等特征来建立分类规则。因此建立的规则更加完善，对地物的分类也更准确。面向对象分类最主要的是对影像的分割，分类的对象不再是像元级而是一个集合的对象，杜绝“碎斑”现象，分类结果更优。但是分割尺度选择太小会出现把一个地物分割成几个对象的情况，分割尺度选择太大会出现一个对象类包含其他地物的情况。而且针对不同的地物一个分割尺度不可能把每个地物都完美地分割出来，本文的分割尺度选取能很好地把同一地物分到同一“对象”中，但还是有部分水体被分到其他地物对象中。今后可以尝试选用多尺度分割，建立多个图层，逐层提取地物，提高分类效果。