黃 霞，牟鳳云，劉 曦，何順兵

(重慶交通大學(xué)，重慶 400074)

近40年來高分辨率遙感衛(wèi)星迅速發(fā)展，其豐富的幾何結(jié)構(gòu)和紋理信息為遙感信息提取技術(shù)提供了新的發(fā)展機(jī)遇。傳統(tǒng)基于像元的遙感影像分析方法對(duì)于低分辨率遙感影像具有較強(qiáng)的適用性，但對(duì)于高空間分辨率的遙感影像，隨著空間分辨率的提高，單個(gè)像元所包含的語義信息更多，更多像元呈現(xiàn)混合像元特征，影像上單個(gè)像元所表示的信息大部分來自周圍地物，采用基于像元分析的傳統(tǒng)分類算法難以提取所需信息[1]。近年來，人們?cè)诖嘶A(chǔ)上又研究出新的分類算法，如模糊分類[2]、人工神經(jīng)網(wǎng)絡(luò)[3]及小波分析[4]等，這些方法在處理具有復(fù)雜空間特征結(jié)構(gòu)的多源、多波段遙感影像時(shí)能夠取得更好的分類結(jié)果，但是，從本質(zhì)上講，它們都是基于像元層次的，在分類過程中沒有充分利用遙感影像中包含的空間信息。

遙感影像信息是對(duì)依賴于尺度的地表空間格局與過程的特征反映，不同的地物特征對(duì)空間尺度的要求不同，面向?qū)ο蟮亩喑叨冗b感信息提取技術(shù)應(yīng)運(yùn)而生。第一個(gè)面向?qū)ο蟮倪b感信息提取軟件eCognition采用面向?qū)ο蠛湍：?guī)則的處理與分析技術(shù)，并已成功投入商業(yè)應(yīng)用[5]。國內(nèi)外也出現(xiàn)了許多學(xué)者利用面向?qū)ο蠓椒▽?duì)遙感地物進(jìn)行快速智能提取，時(shí)下多著重研究分割技術(shù)原理、參數(shù)、等級(jí)網(wǎng)，以及在分析影像特征的基礎(chǔ)上，研究多尺度區(qū)域分割技術(shù)，綜合區(qū)域增長(zhǎng)(擴(kuò)展)和分割和融合技術(shù)，提取高分辨率遙感影像的土地覆被信息[6-10]，這些研究都實(shí)現(xiàn)了基于高分辨率影像提取目標(biāo)地物時(shí)，除了光譜信息，還可以利用形狀、紋理、上下文等豐富的空間信息，其實(shí)現(xiàn)技術(shù)包括遙感影像的影像分割及邊緣檢測(cè)等。

山地城市由于其空間信息復(fù)雜，其維度與目標(biāo)對(duì)象的空間關(guān)系在影像上具有獨(dú)特的特征，基于遙感影像的山地城市土地覆被信息提取具有特殊的研究意義。本文利用面向?qū)ο蟮姆椒?，?duì)典型的山地城市——重慶永川區(qū)勝利路街道的空間分辨率為2.46 m的CBERS 02B HR影像進(jìn)行了基于特征的多尺度分割，采用最鄰近分類方法，將實(shí)驗(yàn)區(qū)土地覆被信息進(jìn)行了分類和結(jié)果評(píng)估分析。

1 面向?qū)ο蟮亩喑叨刃畔⑻崛〖夹g(shù)

面向?qū)ο蟮姆诸惙椒ㄊ且环N智能化的自動(dòng)影像分析方法，它的分析單元不再是單個(gè)像素，而是由若干個(gè)像素組成的像素群，即目標(biāo)對(duì)象[11]。

ECognition提供自上到下和自下到上兩種分割模式，有兩種不同類型的分類器——最近鄰法和成員函數(shù)法，二者均作為分類描述符。本文根據(jù)RMAS法，通過實(shí)驗(yàn)，計(jì)算出影像最優(yōu)尺度：當(dāng)對(duì)象RMAS值最大時(shí)，對(duì)象內(nèi)部的異質(zhì)性最小，對(duì)象外部的異質(zhì)性最大，此時(shí)的分割尺度為類別提取的最優(yōu)分割尺度。

RMAS具有“類內(nèi)同質(zhì)性大，類間異質(zhì)性大”的原則[12]，是指對(duì)象與鄰域均值差分絕對(duì)值與對(duì)象標(biāo)準(zhǔn)差之間的比值。計(jì)算公式如下：

(1)

(2)

(3)

其中，L表示影像對(duì)象的波段層數(shù)，△CL表示在L波段層單個(gè)尺度分割對(duì)象與鄰域均值差分絕對(duì)值，SL表示在L波段層單個(gè)尺度分割對(duì)象的標(biāo)準(zhǔn)差，CLi表示在L波段層的i這個(gè)像素點(diǎn)灰度值，CL表示單個(gè)尺度分割層上的波段均值，n表示影像對(duì)象內(nèi)像素的個(gè)數(shù)，l表示目標(biāo)對(duì)象的邊界長(zhǎng)度，lij為目標(biāo)對(duì)象和第j個(gè)直接相鄰對(duì)象的公共邊界長(zhǎng)度，m為與目標(biāo)對(duì)象直接相鄰的對(duì)象個(gè)數(shù)。

由此可以看出，當(dāng)分割尺度小于目標(biāo)地物時(shí)，對(duì)象內(nèi)含有相同的地物類別，對(duì)象標(biāo)準(zhǔn)差較小，相鄰對(duì)象之間因?qū)儆谕粋€(gè)類別而具有空間依賴，對(duì)象與鄰域均值差分絕對(duì)值及RMAS都較小；當(dāng)分割尺度大小等于類別目標(biāo)時(shí)，對(duì)象內(nèi)含有相同的地物類別，對(duì)象的標(biāo)準(zhǔn)差小，相鄰對(duì)象因?qū)儆诓煌哪繕?biāo)地物而使空間依賴程度最弱，對(duì)象與鄰域均值差分絕對(duì)值及RMAS均最大；當(dāng)分割尺度進(jìn)一步增大時(shí)，對(duì)象內(nèi)都會(huì)含有不同的地物類別，對(duì)象標(biāo)準(zhǔn)差增大，與相鄰對(duì)象之間的空間依賴程度同時(shí)也開始增大，對(duì)象與鄰域均值差分絕對(duì)值及RMAS均開始減小。

對(duì)影像進(jìn)行多尺度分割后，得到分割對(duì)象，創(chuàng)建知識(shí)庫，建立分類規(guī)則集，進(jìn)行基于特征的鄰近分類。eCognition以影像對(duì)象為分析單位，根據(jù)對(duì)象規(guī)則和專家知識(shí)庫進(jìn)行匹配，達(dá)到最大相似度的對(duì)象歸為該類，實(shí)現(xiàn)影像的分類。

2 面向?qū)ο蟮亩喑叨扔来▍^(qū)勝利路街道土地覆蓋信息提取

2.1 數(shù)據(jù)源及實(shí)驗(yàn)區(qū)概況

本文選取的是2008年6月空間分辨率為2.46m的CBERS 02B HR全色多波段融合影像，實(shí)驗(yàn)區(qū)域?yàn)橛来▍^(qū)勝利路街道，該區(qū)域?yàn)榈湫偷纳降爻鞘小倮方值朗怯来▍^(qū)經(jīng)濟(jì)、文化中心，區(qū)位優(yōu)勢(shì)明顯。它位于永川區(qū)西北城鄉(xiāng)結(jié)合部，距重慶主城區(qū)63km，面積61.76km2(其中城區(qū)面積12km2)，轄5個(gè)社區(qū)居委會(huì)，11個(gè)農(nóng)業(yè)行政村，188個(gè)村民小組，幅員面積61.67km2；總戶數(shù)34589戶，總?cè)丝?2.9595萬人，其中非農(nóng)人口8.9425萬人。

勝利路街道水資源豐富，北部有河麻溝水庫、牛王溝水庫、萬興水庫，中部有粽粑水庫，小安溪自北向南；其東南為部分城區(qū)，其余為鄉(xiāng)村地帶，植被與房屋信息豐富；成渝高速公路、渝隆公路、成渝鐵路、永銅公路、一環(huán)路穿其境而過。

該區(qū)域2008年6月的影像上植被、房屋、水體、道路信息豐富，云層量少，可作為面向?qū)ο蟮亩喑叨雀吖庾V遙感影像信息提取分析的數(shù)據(jù)源。

2.2 研究方法與技術(shù)路線

圖1 土地覆蓋信息提取技術(shù)路線

如圖1所示，基于eCognition平臺(tái)的面向?qū)ο蟮男畔⑻崛〖夹g(shù)主要包括基于規(guī)則的分割與基于特征的分類，在進(jìn)行分割前，對(duì)影像進(jìn)行預(yù)處理有利于對(duì)試驗(yàn)區(qū)域以外的地方進(jìn)行不必要的分割。且可以經(jīng)過反復(fù)試驗(yàn)，確定分割參數(shù)，可以基于分類進(jìn)行多尺度分割與基于分割進(jìn)行多次分類。

2.2.1 分割和分類

永川區(qū)作為典型的山地城市，其空間信息復(fù)雜，實(shí)驗(yàn)影像為夏天所得，影像特征獨(dú)特：地形復(fù)雜，道路、水體幾何特征明顯，由于樹影遮擋，存在中斷現(xiàn)象，道路與水體的寬度較小，設(shè)置分割尺度時(shí)不宜設(shè)置過大；房屋零散、破碎，且易被樹蔭遮擋；植被豐富，數(shù)量龐大?？傮w來說，從影像上分析，實(shí)驗(yàn)區(qū)空間信息豐富，地物破碎，設(shè)置分割尺度時(shí)，不宜像研究平原城市一樣選擇大尺度，宜選擇較小尺度進(jìn)行研究。

本實(shí)驗(yàn)選用5個(gè)分割尺度的閾值：5、10、15、20、25對(duì)實(shí)驗(yàn)區(qū)影像進(jìn)行分割，特征描述如下：

(1)分割尺度為5時(shí)，影像的對(duì)象過于細(xì)小、破碎，甚至出現(xiàn)了一些像元大小的對(duì)象，嚴(yán)重破壞了植被、水體、房屋、道路的輪廓，提取時(shí)很難利用其幾何信息，使得此次分割無意義；

(2)分割尺度為10時(shí)，分割的效果依舊不是特別理想，河流、道路對(duì)象已經(jīng)基本生成，但幾何信息仍然沒有得到充分利用，植被較為破碎；

(3)分割尺度為15時(shí)，河流、道路的提取是比較完整的，和周圍的地物對(duì)比度較高，在與周圍地物相鄰的地方雖然可能存在一些遮擋或者陰影部分，但面積不是太大，基本上還是依附于目標(biāo)對(duì)象的，雖然植被稍微破碎了點(diǎn)，但其可與房屋區(qū)別開，這個(gè)尺度的提取效果相對(duì)較好；

(4)分割尺度為20時(shí)，房屋提取比較完整，和周圍地物區(qū)分得比較明顯，但是有些道路與其周圍植被被分割到一個(gè)對(duì)象中，而植被的分割效果仍然不是很好；

(5)分割尺度為25時(shí)，植被的提取效果較好，除道路外，河流與其邊緣植被、房屋與其周圍植被也被劃分到同一對(duì)象中，且大部分鐵路與鄰近植被分割到一起，鐵路信息基本不能夠被提取出來。

通過實(shí)驗(yàn)可以得知：植被適合的分割尺度25，房屋適合的分割尺度是20，水體、道路適合的分割尺度是15。不同的分割尺度對(duì)不同類型地物的提取有很大影響，本文綜合各地物適宜的分割尺度，綜合選擇分割尺度15，對(duì)其形狀指數(shù)與緊湊度指數(shù)的設(shè)置進(jìn)行六組實(shí)驗(yàn)，如表1所示。

因此在進(jìn)行了各種實(shí)驗(yàn)對(duì)比之后，決定采用分割尺度15，形狀指數(shù)0.1，顏色指數(shù)0.9，緊湊度指數(shù)0.9，平滑度指數(shù)0.1作為多尺度分割的參數(shù)。

表1 影像分割參數(shù)及特征描述

采用最鄰近分類器對(duì)分割后的影像進(jìn)行分類，通過分類體系創(chuàng)建知識(shí)庫，插入鄰近分類器，建立分類規(guī)則集，定義樣本對(duì)象，對(duì)植被、房屋、水體、道路等每個(gè)類別選取典型的樣本，執(zhí)行分類。本實(shí)驗(yàn)初次分類效果并不理想，經(jīng)過三次基于分割的分類后，成功將植被、房屋、水體、道路等地物信息提取出來。

2.2.2 分類后處理

由于影像存在陰影或其他原因，導(dǎo)致目標(biāo)地物在影像上被遮擋，存在錯(cuò)分、誤分的情況，道路、水體等難免會(huì)出現(xiàn)中斷不連續(xù)等現(xiàn)象，本實(shí)驗(yàn)利用生長(zhǎng)法對(duì)目標(biāo)地物中斷處進(jìn)行處理。

生長(zhǎng)法的原理是先將目標(biāo)地物對(duì)象打斷成具有明確方向的線性段，然后根據(jù)目標(biāo)地物對(duì)象方向，采用image fusion算法讓目標(biāo)地物對(duì)象沿著其主方向進(jìn)行融合背景地物，這樣不僅能重新找回已經(jīng)丟失的目標(biāo)地物對(duì)象，調(diào)整參數(shù)后還能突破以往無法提取出的灰度值較低的區(qū)域，從而將目標(biāo)地物對(duì)象連接起來。最后我們將連接的部分單獨(dú)提取開來，采用connector算法，將相近的目標(biāo)地物對(duì)象通過生長(zhǎng)部分，采用最短路徑的算法連接起來，把連接起來的部分融合進(jìn)目標(biāo)地物對(duì)象中，而未連接的部分則重新還原為背景地物。

經(jīng)過生長(zhǎng)法處理的分類對(duì)象需要經(jīng)過合并小圖斑、平滑等處理，進(jìn)一步提高目標(biāo)地物的提取精度。

將成果制作專題地圖(見圖2)，可以看出，勝利路街道植被覆蓋度較高，水資源豐富，道路網(wǎng)完整，交通發(fā)達(dá)，其房屋主要集中在東南的城區(qū)，零散分布在鄉(xiāng)村地帶。

圖2 勝利路街道地物分類專題圖

2.2.3 精度評(píng)價(jià)

ECognition有成員函數(shù)和分類穩(wěn)定性兩種參數(shù)對(duì)其分類結(jié)果評(píng)估。一種圖像對(duì)象的成員函數(shù)值絕對(duì)值很高，這就表明此對(duì)象屬性非常適合于至少一類對(duì)象的描述，分類精度會(huì)較高，但是分類的穩(wěn)定性就會(huì)較低。如圖3所示，植被、水體、道路、房屋及其他的分類精度依次是93.46%、96.12%、95.55%、95.76%、97.27%，平均精度達(dá)95.63%，其分類穩(wěn)定性依次是26.76%、14.88%、9.82%、12.74%、4.25%?？梢钥闯?，此次試驗(yàn)成果精度較高，該方法具有較強(qiáng)的可行性與推廣性。

圖3 地物分類精度

3 結(jié)語

本次實(shí)驗(yàn)采用面向?qū)ο蟮姆椒?，基于eCognition平臺(tái)，選擇勝利路街道的CBERS 02B HR融合影像作為數(shù)據(jù)源，進(jìn)行了遙感影像信息提取的分析。本次實(shí)驗(yàn)選用了不同的分割參數(shù)進(jìn)行了多次分割，并采用鄰近分類的方法進(jìn)行了三次分類，將植被、水體、房屋、道路等地物成功從影像上提取出來，分類精度平均達(dá)95.63%，可行性較高，但分類的穩(wěn)定性較低。從本實(shí)驗(yàn)可以看出，基于多尺度創(chuàng)建的對(duì)象進(jìn)行分割，可以靈活地運(yùn)用地物本身的幾何信息和結(jié)構(gòu)信息，可以通過構(gòu)建知識(shí)庫的方式為分類提供更多的依據(jù)，精確提取山地城市復(fù)雜的空間信息，提高分類精度。

參考文獻(xiàn)：

[1]NUSSBAUM S， MENZ G. Object—Based Image Analysis and Treaty Verification New Approaches in Remote Sensing——Applied to Nuclear Facilities in Iran [M]. Heidelberg：Springer and Verlag，2008.16-26.

[2]Bandemer H， Gottwald S. Fuzzy Sets， Fuzzy Lnglc， Fuzzy Methods with Applications [M]. John Wiley Sons，1996.

[3]Horst Bischof， Werner Schneider， Axel Pinz. Multi-spectral Classification of Landsat-images Using Neural Networks [J].IEEE Transactions on Geoscience and Remote Sensing，1992，30(3):482-490.

[4]Mallat S. A Theory of Multi Resolution Signal Decom-position: the Wavelet Representation [J]. IEEE Trans. on Pattern Analysis and Machine Intelligence，1989，11(7):674-693.

[5]喬程，駱劍承，吳泉源.面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J].地理與地理信息科學(xué)，2008，24(5):36-39.

[6]Laasasenaho J， Melkas T， Aldrn S. Modelling bark thickness of Picea abies with taper curves [J]. Forest Ecology and Management.2005，20.

[7]張振勇，王萍，朱魯，陳香菱.eCognition技術(shù)在高分辨率遙感影像信息提取中的應(yīng)用[J].信息技術(shù)，2007，15-17.

[8]楊長(zhǎng)保，丁繼紅.面向?qū)ο蟮倪b感圖像分類方法研究[J].吉林大學(xué)學(xué)報(bào)(地球科學(xué)版)，2006，36(4):642-646.

[9]李敏，崔世勇，李成名，印浩，李云嶺.面向?qū)ο蟮母叻直媛蔬b感影像信息提取——以耕地提取為例[J].遙感應(yīng)用，2008，6:63-66.

[10]李錦業(yè)，張磊，吳炳方等.基于高分辨率遙感影像的城市建筑密度和容積率提取方法研究[J].遙感技術(shù)與應(yīng)用，2007，22(3):209-3l3.

[11]孫曉霞，張繼賢，劉正軍.利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路[J].測(cè)繪科學(xué)，2006，31(1):62-63.

[12]張俊，朱國龍，李妍.面向?qū)ο蟾叻直媛视跋裥畔⑻崛≈械某叨刃?yīng)及最優(yōu)尺度研究[J].測(cè)繪科學(xué)，2011，36(2):107-109.