基于GF-2面向對象土地利用分類研究★

郝旋捷，馮曉天，趙燕伶，張巧玲

(自然資源陜西省衛星應用技術中心,陜西 西安 710082)

當前國際和國內在軌運行的地球觀測遙感衛星有700多顆,隨著遙感技術的發展,遙感影像分辨率不斷提高,高分辨率遙感技術已經成為遙感技術不可或缺的一部分,衛星采集精度實現從米到亞米級的飛躍,因其具有速度快、效率高、空間分辨率高等優勢,目前已經得到了廣泛應用。然而,傳統的基于像元信息提取技術,基本處理單元為單個像元。高分辨率遙感影像的空間信息量大,運用傳統信息提取技術,經常會出現錯分、漏分的問題,容易出現“同譜異物”或“同物異譜”現象,這些結果經常會出現“椒鹽噪聲”污染問題,嚴重影響信息提取精度[1]。為了更好地利用高分辨率遙感影像高效有用的信息,出現了更為有效的信息提取方法:面向對象分類方法。因此,本文以高分二號影像數據作為數據源,采用面向對象分類方法開展研究。

1 面向對象分類基本原理、方法、操作平臺

1.1 面向對象分類基本原理

目前遙感領域研究的分類方法多種多樣,面向對象的分類方法已成為主流方向之一,在影像數據的分析中具有很大的優勢。該方法可以充分發揮高分辨率遙感影像的優點,利用影像的光譜、紋理、幾何形狀等屬性信息進行影像信息提取,克服了傳統的基于像元分類方法的不足,不僅提高了分類結果的精度,同時也提高了分類的整體效率。該方法關鍵的兩個環節是影像分割和面向對象分類,主要是把遙感影像按照一定的準則將原始的影像進行分割,將相似的區域合并為一個“對象”,分割后的影像對象具有豐富的語義信息,可以根據其信息提取光譜、形狀、大小、紋理和鄰域等諸多特征,然后根據遙感影像分類要求或者土地利用信息提取的具體要求,選擇和提取影像對象的特征,建立分類規則,從而完成土地利用信息提取[2]。本文技術路線如圖1所示。

1.2 面向對象分類基本方法

1.2.1 多尺度分割

影像分割是分類過程中極為重要的一個環節,分割的好壞將會影響影像分類結果的準確度。具體是利用影像的屬性信息,選取合適的分割算法、模型將同質像元組成大小不同的對象,將各類地物劃分開來,最終分離和提取影像目標內感興趣區域的過程。目前影像分割的算法已有成百上千種,其中多尺度分割算法是用不同尺度、不同層次對遙感影像進行分割,依據地物的顏色、形狀、紋理等特點對形狀不同的地物使用不同尺度分割,然后根據其形狀特征獲取信息的方法,是目前使用最廣泛的分類方法。這種分割方法在保證影像信息損失最小的前提下,以任意尺度生成對象與對象之間平均異質性最小、對象內部像元之間同質性最大,防止有些地物影像對象出現“分割不足”或者“過度分割”等不利于分類的情況。設定合適的閾值,規定合適的分割準則,把那些特征類似的鄰近像元組合成滿足要求的影像對象。根據影像不同波段中各波段權重、均質性因子和尺度選擇進行分割,這些參數共同決定分割結果的精度與地物信息的分析。多尺度分割流程如圖2所示。

1.2.2 面向對象分類

將影像分割成大小不同的合適的對象后進行面向對象分類,這種分類方法不僅結合影像的光譜信息,而且也包括影像對象的空間、紋理、層次信息等高維度特征信息進行區分,劃分為不同的類別。最重要的是也會結合各個對象之間的關系特征進行分類。這樣分類出的結果精度高,能夠準確的表達各個地物的信息。面向對象分類中最重要的一點是在多種分類方法中選取合適的分類方法,建立目標明確的特征或特征集合進行區分,從而保證分類結果的準確性。最鄰近分類法也稱最小距離分類法,是將每一個影像對象按照對應的對象特征尋找與其最鄰近的樣本匹配,最終完成分類的過程。即已經知道地物的類別信息,首先可以確定分類所有的類別信息,然后選擇可以代表每一個類別的明顯地物作為樣本,設置一定要求的規則對沒有選取類別的其他地物進行分類。樣本點的選取必須準確而且全面是分類的關鍵,主要的操作步驟如下:1)根據研究內容和分類類別,建立合適的分類體系。2)依據分類體系選擇每類中具有明顯代表性的一些樣本點。3)構建特征空間,選擇一些特性鮮明的特征參與到分類中。4)選擇合適的分類規則和算法將特征空間應用到待分類別進行分類。5)完成分類對結果進行分析確保其準確度。主要流程如圖3所示。

1.3 操作平臺

本文選擇eCognition軟件作為技術平臺開展面向對象土地利用分類研究,eCognition軟件是由德國Definiens Imaging公司開發的智能化影像分析軟件,它是世界上第一個面向對象的圖像分析軟件,其成功研制與發布,在一定程度上推廣了面向對象的分類方法,提高了高分辨率數據的識別精度和圖像分類效率,滿足了圖像處理技術需求[3]。

2 實驗過程與分析

2.1 數據來源

高分二號衛星(GF-2)是我國自主研制發射的第一顆空間分辨率優于1 m的民用光學遙感衛星,搭載有2臺高分辨率相機,有效地提升了衛星綜合觀測效能[4],其全色影像的分辨率為1 m,多光譜影像的分辨率為4 m,其中全色數據僅含一個波段,多光譜數據包括藍光波段、綠光波段、紅光波段、近紅外波段4個波段[5]。本文的實驗數據源為高分二號影像,研究區為秦嶺北麓段長安區與鄠邑區交界處北部(見圖4),研究區面積為60 km2,位于陜西省關中平原中部。本次研究主要提取研究區耕地、林草地、建設用地、水體和其他用地。

2.2 實驗步驟

2.2.1 數據預處理

遙感影像在成像時,存在傳感器姿態、成像時間、大氣影響、地形干擾等因素影響,后期影像分類的結果準確性將會受到影響。使用ENVI 5.3軟件對原始影像數據進行輻射定標、大氣校正、幾何校正,減少相關影響造成的差異,然后將全色數據和多光譜數據進行圖像融合,最后對研究區域進行裁剪。

2.2.2 影像分割

本研究影像分割方法選取多尺度分割算法,該算法是通過合并相鄰的像素或小的分割對象,通過多次尺度分割實驗來選出最優的分割尺度,是不斷進行局部優化的過程,以確保分割后異質性最小,同質性最大[6]。在進行多尺度分割時需要設置幾項分割參數,其中參數包括尺度參數、光譜因子和形狀因子[7],根據對象的光譜特征,結合幾何、紋理特征以及對象之間相鄰關系來進行更加精確地分割。1)尺度參數,與空間分辨率大小不一樣,分割尺度的設置是確定并限制分割結果中生成的區域形狀的尺度范圍。分割尺度參數大小決定影像分割區域的大小,以及分割區域數目的多少,對其分割質量及信息提取的精度造成影響,若尺度過小容易讓區域過于破碎,過大則會讓不同地物對象出現凝塊。2)均質性因子,均質性因子由對象的顏色因子和形狀因子確定(兩者之和為1),分別代表了影像分割時“顏色”和“形狀”各自所占的權重,光譜信息是遙感影像信息采集的來源,可以通過設置其中一個標準來定義另一個標準。3)形狀因子,形狀因子由光滑度和緊致度組成(兩者之和為1),分別代表了影像分割時平滑邊界消除邊緣鋸齒和規則對象的形狀各自所占的權重。

影像分割的好壞直接決定了遙感影像地物信息提取的精度,因此尺度參數的選擇尤為重要,尺度參數選擇過大就會出現過分割現象,地物分界不清晰,如圖5(a)所示,如果尺度參數過小會出現分割地物過小、分割后的地物與實際情況不符合的現象,如圖5(b)所示。本文經過多次實驗通過目視解譯的方式最終選擇出最優的分割尺度參數、形狀因子和緊致度因子分別為100,0.8,0.3,分割結果如圖5(c)所示。因此,選擇合適的參數有利于提高影像分割質量,提高土地利用信息提取精度。

2.2.3 影像分類

根據研究區的實際地物分布情況,將本次分類體系設置為耕地、林草地、建設用地、水體和其他用地五類。其中,耕地是指種植和生長農作物的土地;林草地是指將林地和草地合為一類,這是因為草地含量較少,分離度差,對分類結果影響較大;建設用地是指建造建筑物、構筑物的土地,通過工程手段,提供各項建設的土地;水體是指水的集合體,主要包括河流、湖泊、坑塘水面等水域;其他用地為除上面幾類以外的其他土地,例如裸露無植被覆蓋的未利用地。

訓練樣本對選取、分類結果會產生一定的影響,因此,在選取訓練樣本時需要同時考慮所選樣本的準確性和代表性,盡可能在樣本選取過程中保證選取樣本類型準確和土地利用類型全面。這里需要注意樣本數量不是選取的越多越好,選取數量過多會導致分類精度變低。在樣本選取結束之后根據光譜特征和紋理特征進行最近鄰特征空間的建立,并將其應用到5個類當中,然后進行最近鄰分類,分類結果如圖6所示。

2.2.4 分類結果對比分析

本文使用ENVI5.3軟件基于像元進行監督分類,根據監督分類結果與面向對象分類結果進行對比分析,并對分類結果進行基于樣本的精度評價得出結論。監督分類采用該類型中分類效果最好的最大似然法對研究區進行分類,該方法參考光譜特征,計算待分類像元屬于某訓練樣本的似然度,最后歸入似然度最大的類別中,具有精度高、速度快的優點[8]。主要流程為建立興趣區,選擇樣本,最大似然分類,后處理。分類結果如圖7所示。

為使分類結果更具有準確性,更有效的對比分類結果,使用基于樣本的精度評價方法,選擇與分類依據不同的樣本區作為評價依據,對兩種分類方法結果進行精度評定。

整體精度計算公式為:

Kappa系數計算公式為:

其中,P0為整體精度,

將分類結果進行過濾處理,然后將驗證點值與分類結果值一一對應建立關聯,生成混淆矩陣(見表1)。結果顯示,監督分類的總體分類精度為75.50%,Kappa系數為0.569。

表1 監督分類混淆矩陣

經驗證,面向對象分類生成混淆矩陣(見表2),總體分類精度為90.05%,Kappa系數為0.857。

表2 面向對象混淆矩陣

將面向對象的最鄰近分類和基于像元的監督分類的結果進行對比可知,監督分類的總體精度為75.50%,Kappa系數為0.569。面向對象分類總體精度為90.05%,Kappa系數為0.857,分類精度高出14.55%,Kappa系數高出0.288。通過對比兩種分類的精度,面向對象分類有效提高了分類精度,分類結果較為滿意。

3 結論與討論

本文利用eCognition和ENVI軟件分別對秦嶺北麓段長安區與鄠邑區交界處北部地區高分二號影像進行面向對象分類,結果表明:面向對象的分類方法會在一定程度上克服傳統分類方法中的缺陷,有效減少地物分類混淆,提高分類可靠性。運用eCognition軟件采用面向對象分類方法中的最鄰近分類法,充分利用高分辨率影像豐富的空間結構關系和上下文語義信息,分類結果總體精度為90.05%,Kappa系數為0.857,比傳統的監督分類方法精度高出14.55%,Kappa系數高出0.288。面向對象分類方法在高分辨率影像分類中總體分類效果較好,有效提高分類精度,是一種有效土地利用分類方法,在遙感影像信息的分析中有著巨大潛力。