基于GF-2面向对象土地利用分类研究★

郝旋捷，冯晓天，赵燕伶，张巧玲

(自然资源陕西省卫星应用技术中心,陕西 西安 710082)

当前国际和国内在轨运行的地球观测遥感卫星有700多颗,随着遥感技术的发展,遥感影像分辨率不断提高,高分辨率遥感技术已经成为遥感技术不可或缺的一部分,卫星采集精度实现从米到亚米级的飞跃,因其具有速度快、效率高、空间分辨率高等优势,目前已经得到了广泛应用。然而,传统的基于像元信息提取技术,基本处理单元为单个像元。高分辨率遥感影像的空间信息量大,运用传统信息提取技术,经常会出现错分、漏分的问题,容易出现“同谱异物”或“同物异谱”现象,这些结果经常会出现“椒盐噪声”污染问题,严重影响信息提取精度[1]。为了更好地利用高分辨率遥感影像高效有用的信息,出现了更为有效的信息提取方法:面向对象分类方法。因此,本文以高分二号影像数据作为数据源,采用面向对象分类方法开展研究。

1 面向对象分类基本原理、方法、操作平台

1.1 面向对象分类基本原理

目前遥感领域研究的分类方法多种多样,面向对象的分类方法已成为主流方向之一,在影像数据的分析中具有很大的优势。该方法可以充分发挥高分辨率遥感影像的优点,利用影像的光谱、纹理、几何形状等属性信息进行影像信息提取,克服了传统的基于像元分类方法的不足,不仅提高了分类结果的精度,同时也提高了分类的整体效率。该方法关键的两个环节是影像分割和面向对象分类,主要是把遥感影像按照一定的准则将原始的影像进行分割,将相似的区域合并为一个“对象”,分割后的影像对象具有丰富的语义信息,可以根据其信息提取光谱、形状、大小、纹理和邻域等诸多特征,然后根据遥感影像分类要求或者土地利用信息提取的具体要求,选择和提取影像对象的特征,建立分类规则,从而完成土地利用信息提取[2]。本文技术路线如图1所示。

1.2 面向对象分类基本方法

1.2.1 多尺度分割

影像分割是分类过程中极为重要的一个环节,分割的好坏将会影响影像分类结果的准确度。具体是利用影像的属性信息,选取合适的分割算法、模型将同质像元组成大小不同的对象,将各类地物划分开来,最终分离和提取影像目标内感兴趣区域的过程。目前影像分割的算法已有成百上千种,其中多尺度分割算法是用不同尺度、不同层次对遥感影像进行分割,依据地物的颜色、形状、纹理等特点对形状不同的地物使用不同尺度分割,然后根据其形状特征获取信息的方法,是目前使用最广泛的分类方法。这种分割方法在保证影像信息损失最小的前提下,以任意尺度生成对象与对象之间平均异质性最小、对象内部像元之间同质性最大,防止有些地物影像对象出现“分割不足”或者“过度分割”等不利于分类的情况。设定合适的阈值,规定合适的分割准则,把那些特征类似的邻近像元组合成满足要求的影像对象。根据影像不同波段中各波段权重、均质性因子和尺度选择进行分割,这些参数共同决定分割结果的精度与地物信息的分析。多尺度分割流程如图2所示。

1.2.2 面向对象分类

将影像分割成大小不同的合适的对象后进行面向对象分类,这种分类方法不仅结合影像的光谱信息,而且也包括影像对象的空间、纹理、层次信息等高维度特征信息进行区分,划分为不同的类别。最重要的是也会结合各个对象之间的关系特征进行分类。这样分类出的结果精度高,能够准确的表达各个地物的信息。面向对象分类中最重要的一点是在多种分类方法中选取合适的分类方法,建立目标明确的特征或特征集合进行区分,从而保证分类结果的准确性。最邻近分类法也称最小距离分类法,是将每一个影像对象按照对应的对象特征寻找与其最邻近的样本匹配,最终完成分类的过程。即已经知道地物的类别信息,首先可以确定分类所有的类别信息,然后选择可以代表每一个类别的明显地物作为样本,设置一定要求的规则对没有选取类别的其他地物进行分类。样本点的选取必须准确而且全面是分类的关键,主要的操作步骤如下:1)根据研究内容和分类类别,建立合适的分类体系。2)依据分类体系选择每类中具有明显代表性的一些样本点。3)构建特征空间,选择一些特性鲜明的特征参与到分类中。4)选择合适的分类规则和算法将特征空间应用到待分类别进行分类。5)完成分类对结果进行分析确保其准确度。主要流程如图3所示。

1.3 操作平台

本文选择eCognition软件作为技术平台开展面向对象土地利用分类研究,eCognition软件是由德国Definiens Imaging公司开发的智能化影像分析软件,它是世界上第一个面向对象的图像分析软件,其成功研制与发布,在一定程度上推广了面向对象的分类方法,提高了高分辨率数据的识别精度和图像分类效率,满足了图像处理技术需求[3]。

2 实验过程与分析

2.1 数据来源

高分二号卫星(GF-2)是我国自主研制发射的第一颗空间分辨率优于1 m的民用光学遥感卫星,搭载有2台高分辨率相机,有效地提升了卫星综合观测效能[4],其全色影像的分辨率为1 m,多光谱影像的分辨率为4 m,其中全色数据仅含一个波段,多光谱数据包括蓝光波段、绿光波段、红光波段、近红外波段4个波段[5]。本文的实验数据源为高分二号影像,研究区为秦岭北麓段长安区与鄠邑区交界处北部(见图4),研究区面积为60 km2,位于陕西省关中平原中部。本次研究主要提取研究区耕地、林草地、建设用地、水体和其他用地。

2.2 实验步骤

2.2.1 数据预处理

遥感影像在成像时,存在传感器姿态、成像时间、大气影响、地形干扰等因素影响,后期影像分类的结果准确性将会受到影响。使用ENVI 5.3软件对原始影像数据进行辐射定标、大气校正、几何校正,减少相关影响造成的差异,然后将全色数据和多光谱数据进行图像融合,最后对研究区域进行裁剪。

2.2.2 影像分割

本研究影像分割方法选取多尺度分割算法,该算法是通过合并相邻的像素或小的分割对象,通过多次尺度分割实验来选出最优的分割尺度,是不断进行局部优化的过程,以确保分割后异质性最小,同质性最大[6]。在进行多尺度分割时需要设置几项分割参数,其中参数包括尺度参数、光谱因子和形状因子[7],根据对象的光谱特征,结合几何、纹理特征以及对象之间相邻关系来进行更加精确地分割。1)尺度参数,与空间分辨率大小不一样,分割尺度的设置是确定并限制分割结果中生成的区域形状的尺度范围。分割尺度参数大小决定影像分割区域的大小,以及分割区域数目的多少,对其分割质量及信息提取的精度造成影响,若尺度过小容易让区域过于破碎,过大则会让不同地物对象出现凝块。2)均质性因子,均质性因子由对象的颜色因子和形状因子确定(两者之和为1),分别代表了影像分割时“颜色”和“形状”各自所占的权重,光谱信息是遥感影像信息采集的来源,可以通过设置其中一个标准来定义另一个标准。3)形状因子,形状因子由光滑度和紧致度组成(两者之和为1),分别代表了影像分割时平滑边界消除边缘锯齿和规则对象的形状各自所占的权重。

影像分割的好坏直接决定了遥感影像地物信息提取的精度,因此尺度参数的选择尤为重要,尺度参数选择过大就会出现过分割现象,地物分界不清晰,如图5(a)所示,如果尺度参数过小会出现分割地物过小、分割后的地物与实际情况不符合的现象,如图5(b)所示。本文经过多次实验通过目视解译的方式最终选择出最优的分割尺度参数、形状因子和紧致度因子分别为100,0.8,0.3,分割结果如图5(c)所示。因此,选择合适的参数有利于提高影像分割质量,提高土地利用信息提取精度。

2.2.3 影像分类

根据研究区的实际地物分布情况,将本次分类体系设置为耕地、林草地、建设用地、水体和其他用地五类。其中,耕地是指种植和生长农作物的土地;林草地是指将林地和草地合为一类,这是因为草地含量较少,分离度差,对分类结果影响较大;建设用地是指建造建筑物、构筑物的土地,通过工程手段,提供各项建设的土地;水体是指水的集合体,主要包括河流、湖泊、坑塘水面等水域;其他用地为除上面几类以外的其他土地,例如裸露无植被覆盖的未利用地。

训练样本对选取、分类结果会产生一定的影响,因此,在选取训练样本时需要同时考虑所选样本的准确性和代表性,尽可能在样本选取过程中保证选取样本类型准确和土地利用类型全面。这里需要注意样本数量不是选取的越多越好,选取数量过多会导致分类精度变低。在样本选取结束之后根据光谱特征和纹理特征进行最近邻特征空间的建立,并将其应用到5个类当中,然后进行最近邻分类,分类结果如图6所示。

2.2.4 分类结果对比分析

本文使用ENVI5.3软件基于像元进行监督分类,根据监督分类结果与面向对象分类结果进行对比分析,并对分类结果进行基于样本的精度评价得出结论。监督分类采用该类型中分类效果最好的最大似然法对研究区进行分类,该方法参考光谱特征,计算待分类像元属于某训练样本的似然度,最后归入似然度最大的类别中,具有精度高、速度快的优点[8]。主要流程为建立兴趣区,选择样本,最大似然分类,后处理。分类结果如图7所示。

为使分类结果更具有准确性,更有效的对比分类结果,使用基于样本的精度评价方法,选择与分类依据不同的样本区作为评价依据,对两种分类方法结果进行精度评定。

整体精度计算公式为:

Kappa系数计算公式为:

其中,P0为整体精度,

将分类结果进行过滤处理,然后将验证点值与分类结果值一一对应建立关联,生成混淆矩阵(见表1)。结果显示,监督分类的总体分类精度为75.50%,Kappa系数为0.569。

表1 监督分类混淆矩阵

经验证,面向对象分类生成混淆矩阵(见表2),总体分类精度为90.05%,Kappa系数为0.857。

表2 面向对象混淆矩阵

将面向对象的最邻近分类和基于像元的监督分类的结果进行对比可知,监督分类的总体精度为75.50%,Kappa系数为0.569。面向对象分类总体精度为90.05%,Kappa系数为0.857,分类精度高出14.55%,Kappa系数高出0.288。通过对比两种分类的精度,面向对象分类有效提高了分类精度,分类结果较为满意。

3 结论与讨论

本文利用eCognition和ENVI软件分别对秦岭北麓段长安区与鄠邑区交界处北部地区高分二号影像进行面向对象分类,结果表明:面向对象的分类方法会在一定程度上克服传统分类方法中的缺陷,有效减少地物分类混淆,提高分类可靠性。运用eCognition软件采用面向对象分类方法中的最邻近分类法,充分利用高分辨率影像丰富的空间结构关系和上下文语义信息,分类结果总体精度为90.05%,Kappa系数为0.857,比传统的监督分类方法精度高出14.55%,Kappa系数高出0.288。面向对象分类方法在高分辨率影像分类中总体分类效果较好,有效提高分类精度,是一种有效土地利用分类方法,在遥感影像信息的分析中有着巨大潜力。