江 華

?

基于eCognition面向?qū)ο蠹夹g(shù)的高分辨率遙感影像土地利用分類(lèi)——以福州瑯岐島為例

江 華

福州市環(huán)境科學(xué)研究院

該文采用eCognition軟件平臺(tái)，運(yùn)用面向?qū)ο蟮亩喑叨确指罘椒ǎ瑢?duì)研究區(qū)SPOT6影像進(jìn)行土地利用分類(lèi)。綜合利用光譜、形狀與紋理等特征，快速、有效地區(qū)分地類(lèi)。研究結(jié)果表明，該軟件平臺(tái)分類(lèi)效果較好，總體精度達(dá)到了88.25%，KAPPA系數(shù)為0.8560，與傳統(tǒng)的分類(lèi)方法相比，在提高分類(lèi)精度的同時(shí)，能夠有效避免“椒鹽現(xiàn)象”的產(chǎn)生。

SPOT6 eCognition 面向?qū)ο?土地利用分類(lèi)

0 引言

近年來(lái)，遙感技術(shù)迅速發(fā)展，數(shù)據(jù)源不斷豐富，分辨率持續(xù)提高，對(duì)遙感影像信息處理與分析技術(shù)提出了更多的要求和挑戰(zhàn)。目前主流的分類(lèi)方法是監(jiān)督分類(lèi)和非監(jiān)督分類(lèi)，并在此基礎(chǔ)上研發(fā)了各種改進(jìn)的方法，如模糊分類(lèi)法[1]、神經(jīng)網(wǎng)絡(luò)分類(lèi)法[2]等。但這些方法在本質(zhì)上還是基于影像像素層次的分類(lèi)，雖然能在不同程度上對(duì)分類(lèi)精度有所改善，但無(wú)法從根本上解決高分辨率遙感影像的高速與準(zhǔn)確的信息提取問(wèn)題[3]?；诿嫦?qū)ο蠹夹g(shù)的遙感影像分類(lèi)方法突破了傳統(tǒng)方法分類(lèi)的限制，不僅可以充分利用高分辨率遙感影像上豐富的光譜信息，而且還可以把地物類(lèi)型看成一個(gè)個(gè)對(duì)象，利用對(duì)象的空間信息（光譜特征、幾何特征、紋理特征等）進(jìn)行圖像處理、分析、分類(lèi)，取得了較好的效果，并得到快速發(fā)展。本文以福州瑯岐島為例，利用面向?qū)ο蠹夹g(shù)進(jìn)行遙感影像土地利用分類(lèi)研究，以實(shí)現(xiàn)對(duì)高分辨率遙感影像高效、準(zhǔn)確的信息分析與提取。

1 研究區(qū)概況與遙感數(shù)據(jù)來(lái)源

研究區(qū)域?yàn)楦Ｖ莠樶獚u?，樶獚u位于閩江口，素稱(chēng)閩江口的明珠，自然條件得天獨(dú)厚。島東西長(zhǎng)約15.3公里，南北寬約8.1公里，相當(dāng)于香港本島面積，為福建省第四大島，中國(guó)第二十一大島。本次研究范圍為瑯岐島及其周邊水域、灘涂，研究區(qū)總面積78.80km2，詳見(jiàn)圖1。研究中使用的遙感數(shù)據(jù)是拍攝于2013年3月7日的1.5m SPOT 6全色影像，多光譜分辨率為6m，包含藍(lán)、綠、紅和近紅外四個(gè)波段。

2 研究方法和過(guò)程

面向?qū)ο蠓椒òㄓ跋穹指詈头诸?lèi)提取兩部分。首先，根據(jù)影像像元的同質(zhì)性自下而上合并形成影像對(duì)象；然后，利用對(duì)象的空間特征和光譜特征通過(guò)隸屬函數(shù)或最鄰近分類(lèi)器，實(shí)現(xiàn)信息自動(dòng)提取的目的[4]。其中影像分割是分類(lèi)的基礎(chǔ)，首先科學(xué)合理地確定遙感影像分割的尺度，然后選擇和提取訓(xùn)練區(qū)樣本對(duì)象或圖像中的對(duì)象或基元特征，并利用這些特征或特征組合結(jié)合經(jīng)驗(yàn)、知識(shí)進(jìn)行分類(lèi)，提取遙感信息。

本研究采用福州市環(huán)境科學(xué)研究院購(gòu)買(mǎi)的德國(guó)Definiens公司開(kāi)發(fā)的正版eCognition 8.9作為技術(shù)軟件平臺(tái)開(kāi)展遙感影像信息提取和土地分類(lèi)，eCognition是全球第一個(gè)面向?qū)ο蟮挠跋穹治鲕浖M人類(lèi)大腦的認(rèn)知過(guò)程，從不同的尺度和周?chē)鷮?duì)象的關(guān)系把握認(rèn)知目標(biāo)，是計(jì)算機(jī)高速處理和人類(lèi)認(rèn)知原理的完美結(jié)合，兼顧了信息提取處理的速度和進(jìn)度[5]。

在采用eCognition軟件集成的隸屬函數(shù)分類(lèi)器構(gòu)建分類(lèi)樹(shù)時(shí)，還可結(jié)合模糊分類(lèi)和最近鄰分類(lèi)的方法，技術(shù)流程如圖2所示，整個(gè)過(guò)程主要分為遙感影像分割、分類(lèi)提取以及成果評(píng)價(jià)3個(gè)部分。

圖1 研究區(qū)遙感影像原始圖

圖2 技術(shù)流程圖

2.1 建立分類(lèi)層次

eCognition可以根據(jù)構(gòu)建的類(lèi)層次結(jié)構(gòu)對(duì)地物進(jìn)行逐級(jí)分層分割，對(duì)非目標(biāo)地類(lèi)進(jìn)行掩膜，這樣就避免了其它目標(biāo)對(duì)當(dāng)前目標(biāo)提取時(shí)的干擾，提高了分類(lèi)精度，又極大地減少了每次分類(lèi)所處理的分類(lèi)單元數(shù)，提高了分類(lèi)效率[6]。本研究區(qū)的地物類(lèi)別及類(lèi)層次結(jié)構(gòu)圖如圖3所示，根據(jù)研究區(qū)的特征和實(shí)際情況，將研究區(qū)的土地利用類(lèi)型分為灘涂、河流、塘庫(kù)、道路、耕地、林地、菜地園地、建設(shè)用地8類(lèi)。如圖2所示，首先區(qū)分水體和非水體（陸地），然后在水體中根據(jù)相關(guān)參數(shù)進(jìn)一步細(xì)分；對(duì)于非水體（陸地），可根據(jù)NDVI區(qū)分植被、非植被，然后再根據(jù)地物的具體特征，選擇合適的參數(shù)進(jìn)行分類(lèi)提取。

圖3 分類(lèi)層次結(jié)構(gòu)圖

2.2 影像分割

根據(jù)研究區(qū)域范圍的大小和影像特征，確定合適的分割尺度，分割尺度的選擇對(duì)分類(lèi)結(jié)果的精度具有至關(guān)重要的影響。因?yàn)閷?duì)于光譜特征上比較相近的地類(lèi)，如果分割參數(shù)選擇不當(dāng)，他們就會(huì)混合在一起，造成分類(lèi)精度降低。不同分割尺度的試驗(yàn)結(jié)果見(jiàn)圖3，分割尺度取30時(shí)，分割過(guò)于細(xì)致、破碎，不利于分類(lèi)；當(dāng)分割尺度取120時(shí)，分割不夠完整，存在一個(gè)對(duì)象包含了多種地物的現(xiàn)象；分割尺度取70的結(jié)果相對(duì)兼顧了研究區(qū)各種植被的局部細(xì)節(jié)以及空間幾何分布特征。本研究選擇分割尺度為70，其它參數(shù)設(shè)置為：形狀權(quán)重0.35，緊湊度0.6。

圖4 不同分割尺度結(jié)果比較

2.3 分類(lèi)提取

分割后的遙感影像具有光譜信息、紋理結(jié)構(gòu)、形狀等各種屬性。因材質(zhì)、空間分布方式的差異，每一地物類(lèi)別都具有獨(dú)立于其它地物的專(zhuān)屬特征[7]。本研究主要通過(guò)光譜特征、紋理、形狀特征等三個(gè)方面對(duì)地物進(jìn)行識(shí)別分類(lèi)。

2.3.1光譜特征

水體多成青色，且色調(diào)單一，與其它地物的光譜特征相差較大，可用歸一化水指數(shù)（NDWI）來(lái)提取。該指數(shù)是基于綠波段與近紅外波段的歸一化比值指數(shù)，計(jì)算公式為：NDWI=[p(Green)-p(Nir)]/[p(Green)+p(Nir)]。通過(guò)對(duì)選擇的訓(xùn)練區(qū)樣本統(tǒng)計(jì)發(fā)現(xiàn)，水體NDWI值一般大于0.05，非水體一般為負(fù)數(shù)，不大于0.02。

不同地物的歸一化植被指數(shù)（NDVI）值差別較大，歸一化植被指數(shù)計(jì)算公式為：NDVI=[p(nir)-p(red)]/[p(nir)+p(red)]，為基于近紅外波段和紅外波段的譜間特征。通過(guò)計(jì)算統(tǒng)計(jì)，研究區(qū)典型地物間的NDVI區(qū)間如表1所示。從表1可知，植被與非植被NDVI指數(shù)差別明顯，在NDWI指數(shù)區(qū)分水體和非水體后，用于區(qū)分植被與非植被。

表1 典型地物NDVI指數(shù)區(qū)間范圍

除NDWI、NDVI外，還可運(yùn)用亮度值、波段均值差、標(biāo)準(zhǔn)差等光譜特征參數(shù)，對(duì)相似地物進(jìn)行輔助分類(lèi)。如，道路的亮度值高于建筑物；在相同NDWI數(shù)值基礎(chǔ)上，養(yǎng)殖池塘的紅色波段與藍(lán)色波段均值的比值在一定區(qū)間內(nèi)，具有較明顯的區(qū)分度。

同時(shí)，植被中不同地類(lèi)有一定的差異，但也有相近的光譜特征曲線(xiàn)，僅用光譜特征是難以區(qū)分的，更不能保證分類(lèi)的精度。因此，為了更有效地進(jìn)行土地利用分類(lèi)，需借助其它參數(shù)進(jìn)行多角度分析。

2.3.2紋理特征

影像紋理值指灰度值在空間上的變化，是一種獨(dú)立于顏色反映地物同質(zhì)性的特征。在各種紋理分析方法中，灰度共生矩陣是當(dāng)前公認(rèn)較成熟的統(tǒng)計(jì)方法之一，它反映了圖像灰度關(guān)于方向、相鄰間隔、變化幅度的綜合信息[8]。

紋理特征主要用于區(qū)分光譜特征相似的地物。從上述光譜特征分析可知，耕地、菜地、林地光譜參數(shù)分布有重疊的區(qū)間，在此情況下，紋理特征是區(qū)分三類(lèi)地物的重要參數(shù)之一。菜地園地和耕地都較為規(guī)則，林地比較不規(guī)則；菜地園地、耕地排列都較為規(guī)則，但因地物尺寸不一樣，所呈現(xiàn)的紋理特征也不一致，菜地園地紋理更為稀疏，耕地紋理較為細(xì)膩。紋理特征是面向?qū)ο蠹夹g(shù)區(qū)分同譜異物的重要方法之一。

2.3.3形狀特征

除上述兩項(xiàng)重要的特征外，形狀特征也有利于快速有效地分辨不同幾何形態(tài)的地物，提高分類(lèi)精度。如道路為條帶狀，其長(zhǎng)寬比和形狀指數(shù)大于其它地物；居民地建筑呈一定規(guī)則的方形，可利用矩形擬合度輔助分類(lèi)。

根據(jù)類(lèi)層次結(jié)構(gòu)，以上述三項(xiàng)特征為主要分類(lèi)方向選取特征參數(shù)，輔以模糊分類(lèi)、最近鄰法等。通過(guò)反復(fù)試驗(yàn)和實(shí)地驗(yàn)證，選取了較為合理的評(píng)價(jià)指標(biāo)體系，并制定隸屬函數(shù)分類(lèi)規(guī)則，研究區(qū)分類(lèi)體系與地物特征如表2所示。每一個(gè)對(duì)象對(duì)應(yīng)于一個(gè)特定類(lèi)別的隸屬度，隸屬度值越高，屬于該類(lèi)的概率則越大[9]。同時(shí)，需對(duì)隸屬函數(shù)自動(dòng)分類(lèi)后的結(jié)果進(jìn)行修正，調(diào)整樣本函數(shù)曲線(xiàn)，也可通過(guò)人工判別、手動(dòng)修正歸類(lèi)來(lái)提高分類(lèi)精度。通過(guò)多次反復(fù)試驗(yàn)和調(diào)整，最終獲得較為科學(xué)、合理的分類(lèi)規(guī)則體系。

表2 研究區(qū)地類(lèi)分類(lèi)體系與地物特征

3 分類(lèi)結(jié)果與精度評(píng)價(jià)

3.1 分類(lèi)結(jié)果

瑯岐島面向?qū)ο蠓椒ㄍ恋乩梅诸?lèi)的結(jié)果見(jiàn)表3和圖5，同時(shí)為了比較影像的分類(lèi)結(jié)果，采用傳統(tǒng)的基于像素的最大似然法進(jìn)行分類(lèi)，傳統(tǒng)分類(lèi)結(jié)果見(jiàn)圖6。

表3 瑯岐島土地利用分類(lèi)統(tǒng)計(jì)表

圖5 瑯岐島面向?qū)ο蠹夹g(shù)土地利用分類(lèi)結(jié)果圖

圖6 瑯岐島最大似然法土地利用分類(lèi)結(jié)果圖

將圖5和圖6在同一部分放大對(duì)比可以看出（詳見(jiàn)圖7），面向?qū)ο蠹夹g(shù)提取的分類(lèi)結(jié)果圖斑完整性較好，避免出現(xiàn)了“椒鹽現(xiàn)象”。eCognition作為一種獨(dú)創(chuàng)的基于對(duì)象的影像分析軟件，支持將提取的特征以柵格或矢量的格式導(dǎo)出。直接輸出的矢量（.shp）格式，包含了斑塊的空間屬性信息，可以實(shí)現(xiàn)無(wú)損失的直接導(dǎo)入ArcGIS等GIS軟件平臺(tái)中，較為便捷地在GIS中實(shí)現(xiàn)對(duì)部分自動(dòng)分類(lèi)出現(xiàn)的錯(cuò)誤斑塊進(jìn)行目視補(bǔ)判、人工修正等，進(jìn)一步提高分類(lèi)精度。而ERDAS平臺(tái)下的最大似然法分類(lèi)結(jié)果為帶有很多“椒鹽”的柵格格式（.img），需要進(jìn)行去除雜點(diǎn)、小圖斑等后處理，再在GIS平臺(tái)中進(jìn)行數(shù)據(jù)交換，根據(jù)需要轉(zhuǎn)換為Coverage、shp等格式。格式轉(zhuǎn)換過(guò)程不僅相對(duì)復(fù)雜，而且效果不夠好。

圖7 兩種分類(lèi)方法分類(lèi)結(jié)果細(xì)部對(duì)比圖

3.2 精度評(píng)價(jià)

因國(guó)土部門(mén)的土地利用數(shù)據(jù)較本研究使用的遙感數(shù)據(jù)年份更早，與現(xiàn)狀地類(lèi)存在一定的差異。本研究在土地利用現(xiàn)狀數(shù)據(jù)的基礎(chǔ)上，結(jié)合野外實(shí)地調(diào)查以及高分辨率影像目視選取樣本，采用誤差矩陣的評(píng)價(jià)方法對(duì)兩種分類(lèi)結(jié)果的精度進(jìn)行評(píng)價(jià)，兩種分類(lèi)方法精度評(píng)價(jià)結(jié)果分別見(jiàn)表4和表5。

表4 面向?qū)ο蠓ǚ诸?lèi)精度評(píng)價(jià)分析

表5 最大似然法分類(lèi)精度評(píng)價(jià)分析

結(jié)果表明，面向?qū)ο蟮姆诸?lèi)方法得到的總體精度為88.25%，明顯高于最大似然法（總體精度為74.17%），分類(lèi)結(jié)果較為理想。KAPPA系數(shù)是一種計(jì)算分類(lèi)精度的方法，系數(shù)在0.61~0.80，則表明精度為高度的一致性（substantial），在0.81~1之間，則表示幾乎完全一致（almost perfect）?？梢钥闯觯嫦?qū)ο蠓诸?lèi)結(jié)果KAPPA系數(shù)評(píng)價(jià)結(jié)果為幾乎完全一致，最大似然法評(píng)價(jià)結(jié)果為高度一致性，面向?qū)ο蠹夹g(shù)評(píng)價(jià)結(jié)果具有明顯的精度優(yōu)勢(shì)。

面向?qū)ο蠓椒▽?duì)道路和建設(shè)用地、耕地的分類(lèi)結(jié)果明顯高于基于像素最大似然法，這是因?yàn)槊嫦驅(qū)ο蠓诸?lèi)方法除考慮地物的光譜特征外，還綜合利用了紋理和形狀等特征參數(shù)。

此外，對(duì)于面向?qū)ο蠓诸?lèi)結(jié)果而言，分類(lèi)用戶(hù)精度較低的地類(lèi)主要為林地（70.28%）和菜地園地（72.72%），主要原因在于影像拍攝時(shí)間為2013年3月，為植被生產(chǎn)初期，耕地、菜地、果園和森林等植被之間光譜特征差別度不大，容易混淆，從而造成分類(lèi)精度不高。為此，需進(jìn)一步挖掘總結(jié)各類(lèi)地物在光譜、紋理、形狀方面的細(xì)微差異，并綜合運(yùn)用最近鄰分類(lèi)、疊加DEM等方法，全方位地建立分類(lèi)規(guī)則，提高分類(lèi)精度。

4 結(jié)論和建議

（1）與傳統(tǒng)基于像素的最大似然法相比，基于面向?qū)ο蠓诸?lèi)技術(shù)的eCognition軟件分類(lèi)結(jié)果具有更高的精度，用地分類(lèi)總體精度達(dá)到了88.25%，KAPPA系數(shù)為0.8560。

（2）面向?qū)ο蠓诸?lèi)方法是以影像分割技術(shù)為前提，綜合考慮了光譜特征，以及地物形狀、紋理、分布、相互關(guān)系等各個(gè)要素，在一定程度上解決了同物異譜、同譜異物的現(xiàn)象，不僅分類(lèi)精度較傳統(tǒng)的最大似然法高，并且也能避免傳統(tǒng)分類(lèi)方法“椒鹽現(xiàn)象”的產(chǎn)生。

（3）地物特征識(shí)別和分類(lèi)規(guī)則建立是基于面向?qū)ο蠹夹g(shù)進(jìn)行土地利用分類(lèi)的關(guān)鍵，通過(guò)試驗(yàn)、實(shí)地驗(yàn)證并總結(jié)更加科學(xué)合理且具有區(qū)域特征的分類(lèi)規(guī)則，有效選擇特征參數(shù)，對(duì)進(jìn)一步提高分類(lèi)精度具有重要的作用。

[1] Wang Fangju.Fuzzy supervised classification of remote sensing images[J]. IEEE Trans. On Geosci. and Remote Sensing, 1990, 28(2): 194-201.

[2] Benediktssn J A,Swain P H, Ersoy O K. Neural network approaches versus statistical methods in classification of multisource remote sensing data[J]. IEEE Trans. On Geosci. And Remote Sensing, 1990, 28(4):540-552.

[3] 翟立君.衛(wèi)星MPLS網(wǎng)絡(luò)關(guān)鍵技術(shù)研究[M]．北京：清華大學(xué)出版社，2001.

[4] 李娜，周德民，趙魁義．高分辨率影像支持的群落尺度沼澤濕地分類(lèi)制圖[J]．生態(tài)學(xué)報(bào)，2011，31(22)：6717-6726.

[5]WINTER Rolf. The Coming of Age of MPLS[J]. IEEE Transations on Electron Devices,2011(59): 2964-2972.

[6] 曹雪，柯長(zhǎng)青．基于對(duì)象級(jí)的高分辨率遙感影像分類(lèi)研究[J]．應(yīng)用技術(shù)，2006（5）：27-30．

[7] 鄧媛媛，巫兆聰，易俐娜．面向?qū)ο蟮母叻直媛视跋褶r(nóng)用地分類(lèi)[J]．國(guó)土資源遙感，2010，12（15）：117-121．

[8] Lucas R,Rowlands A,Brown A,et a1.Rule—based Classification of Multi—temporal Satellite Imagery for Habitat and Agricultural Land Cover Mapping[J].ISPRS Journal of Photogrammetry＆Remote Sensing,2007(62): 165-185.

[9] 黃慧萍．面向?qū)ο笥跋穹治鲋械某叨葐?wèn)題研究[D]．北京：中國(guó)科學(xué)院遙感應(yīng)用研究所，2003．