胡 楊，趙俊三*，李 艷

(1.昆明理工大學(xué) 國土資源工程學(xué)院，云南 昆明 650093； 2.昆明云金地科技有限公司，云南 昆明 650106)

面向?qū)ο蟮母叻直媛蔬b感影像校園綠地快速提取

胡 楊1，趙俊三1*，李 艷2

(1.昆明理工大學(xué) 國土資源工程學(xué)院，云南 昆明 650093； 2.昆明云金地科技有限公司，云南 昆明 650106)

利用面向?qū)ο蟮挠跋裉幚碥浖卓?eCognition)作為軟件支持和分類方法，以QuickBird影像作為數(shù)據(jù)，以面向?qū)ο蠹夹g(shù)方法為主要技術(shù)，分別利用規(guī)則提取以及樣本多邊形對象建立訓(xùn)練區(qū)等2種方法，提取云南師范大學(xué)呈貢校區(qū)西區(qū)校園綠地。通過與傳統(tǒng)的面向像元的分類方法的比較，體現(xiàn)了該方法信息獲取的周期短、精度高、成本低等特點(diǎn)，實(shí)現(xiàn)了校園綠地的快速提取。

高空間分辨率遙感； 面向?qū)ο蠓治龇椒ǎ?分割尺度； 分類

本文以云南省昆明市呈貢區(qū)云南師范大學(xué)為研究區(qū)域。云南師范大學(xué)位處呈貢大學(xué)城，呈貢縣城位于高原明珠——滇池東岸，102°45′～103°00′E，24°42′～25°00′N。呈貢作為昆明市的近郊縣距市區(qū)僅僅只有12 km。云南師范大學(xué)呈貢校區(qū)總占地222 hm2。預(yù)計(jì)完整建校后，綠地率為50.62%。由于數(shù)據(jù)獲取于2009年QuickBird影像，空間分辨率分別為2.44和0.61 m，影像成像質(zhì)量較好，不對影像進(jìn)行大氣校正?？紤]當(dāng)時(shí)校園建設(shè)總體還未完成，僅有西區(qū)建設(shè)相對完整，故僅提取云南師范大學(xué)呈貢校區(qū)西區(qū)為此次試驗(yàn)對象。

1 研究方法

采用多尺度分割方法。首先獲取影像數(shù)據(jù)，并對影像數(shù)據(jù)進(jìn)行預(yù)處理。利用面向?qū)ο蟮姆椒ㄌ崛【G地的技術(shù)流程為：先對色調(diào)、緊致度及光滑度進(jìn)行設(shè)置，并對影像進(jìn)行多尺度分割，構(gòu)建多層次的影像對象層，然后選取適合分類的影像對象特征，包括光譜、形狀、紋理以及上下文語義特性進(jìn)行分類，對所得結(jié)果進(jìn)行精度評定，最終作為分類的結(jié)果。面向?qū)ο蟮母叻直媛蔬b感影響校園綠地提取流程圖如圖1所示。

圖1 面向?qū)ο缶G地信息提取的流程

多尺度分割的原理。多尺度分割其定義是在不同尺度下進(jìn)行聚類，聚類的標(biāo)準(zhǔn)則是根據(jù)影像顏色的相似度和形狀因子進(jìn)行自底向上的分類，由此形成相同尺度范圍且性質(zhì)相同的影像對象。聚類的標(biāo)準(zhǔn)是由異質(zhì)性指標(biāo)所決定，該指標(biāo)不僅能反映對象合并前后光譜信息的變化量，而且還能表現(xiàn)出對象合并前后形狀變化的區(qū)別。

尺度的選擇。此次試驗(yàn)選擇不同分割尺度進(jìn)行圖像分割，分割尺度分別為15、25、30、35四個(gè)等級。如圖2所示，分割尺度為15時(shí)，道路兩側(cè)的灌木叢被分割成獨(dú)立的多邊形，易于將細(xì)節(jié)信息提取出來，而房屋等大地物對象在這個(gè)尺度下太破碎，不利于提取；分割尺度為25時(shí)，行道樹被分到路邊綠化帶中，房屋等大塊地物相對集中；分割尺度為30時(shí)，分割形成的影像結(jié)果出現(xiàn)地物混合現(xiàn)象；分割尺度為35時(shí)，混合像元出現(xiàn)頻率明顯增高，細(xì)部信息無法完整提取。根據(jù)以上試驗(yàn)，云南師范大學(xué)校園綠地提取的影像分割尺度可設(shè)置在25～30，此時(shí)分類的效果比較好。

圖2 不同分割尺度下影像分類的效果

圖層權(quán)重的選擇。采用真彩色jpg格式的影像。由于3個(gè)圖層(紅、綠、藍(lán))對綠地信息提取的貢獻(xiàn)程度相似，最終將影像3個(gè)圖層的權(quán)重值設(shè)置為1。

分割因子的選擇。主要包括色彩因子、形狀因子、光滑度及緊致度等4個(gè)因子。由于各因子對綠地信息的提取貢獻(xiàn)程度也相似，所以本文綠地分割信息的提取中色彩因子的權(quán)重值設(shè)置為0.5，形狀因子的權(quán)重值設(shè)置為0.5，光滑度設(shè)置為0.5，緊致度設(shè)置為0.5。

2 分類和精度對比

2.1 樣本多邊形對象建立訓(xùn)練區(qū)

圖像分割生成同質(zhì)像元區(qū)域，樣本的選取即在這些同質(zhì)像元區(qū)域進(jìn)行。分類前，先對分類系統(tǒng)中的“綠地”與“其他”2個(gè)類別進(jìn)行樣本多邊形的訓(xùn)練區(qū)選取工作，根據(jù)同質(zhì)像元所表現(xiàn)出來的紋理信息和光譜信息，選取訓(xùn)練樣本作為依據(jù)執(zhí)行分類。得到分割尺度為25和30的訓(xùn)練樣本選取及分類結(jié)果(圖3)。

圖3 面向?qū)ο蟊O(jiān)督分類樣本的選取圖與結(jié)果圖(分割尺度為30)

2.2 規(guī)則函數(shù)確定綠地

對圖像進(jìn)行閾值確定，選擇藍(lán)光波段為對象，閾值范圍為[48.6240，230]。在此閾值條件下，增加藍(lán)光波段最小值為規(guī)則，確定以綠地及陰影組成的感興趣區(qū)域，篩選剔除不可滲透表面。增加紅光波段和綠光波段的平均值為規(guī)則，取出由第一條規(guī)則確定的感興趣區(qū)域中的陰影。

初次分類后，會(huì)出現(xiàn)一些現(xiàn)象分別是錯(cuò)分和漏分。分類精度呈現(xiàn)高值的關(guān)鍵在于是否選取了具有代表性的訓(xùn)練區(qū)，以及規(guī)則的確定是否體現(xiàn)了地物對象在光譜、紋理、形狀等方面的特性。對于錯(cuò)分、漏分的現(xiàn)象一般采用以下措施：一為選取更為體現(xiàn)分類要求的訓(xùn)練區(qū)，重新分類，直到滿足一定的分類精度，或者研究地物的光譜特征，確定滿足分類要求的規(guī)則，重新選取規(guī)則；二是人工參與進(jìn)行改正，對錯(cuò)分、漏分的同質(zhì)區(qū)域進(jìn)行修改。

2.3 傳統(tǒng)基于像元監(jiān)督分類

本研究利用Envi遙感軟件作為對比面向?qū)ο笮畔⑻崛〖夹g(shù)在高分辨率遙感影像中的應(yīng)用，利用面向像元的最大似然分類對云南師范大學(xué)呈貢校區(qū)西區(qū)校園綠地進(jìn)行提取。在影像上選取感興趣區(qū)(圖4)，其精度滿足大于1.8的選取要求。運(yùn)行監(jiān)督分類，得到傳統(tǒng)面向像元綠地分類圖。從圖上明顯可以看出，分類結(jié)果椒鹽現(xiàn)象非常明顯，產(chǎn)生了大量的破碎圖斑。

圖4 傳統(tǒng)像元最大似然分類樣本的選取圖

2.4 結(jié)果分析

遙感圖像分類的精度是以標(biāo)準(zhǔn)數(shù)據(jù)(圖件或地面實(shí)測調(diào)查)作為標(biāo)準(zhǔn)與分類圖進(jìn)行對比，之后通過計(jì)算分類百分比的數(shù)值大小來評定分類精度。由于試驗(yàn)區(qū)面積通常較大，所以通常在實(shí)際工作中采用抽樣調(diào)查的方式進(jìn)行精度評定分析，以部分像素或分類結(jié)果作為整幅影像的分類精度。遙感圖像分類精度有2種，第一種是非位置精度，第二種是位置精度。

非位置精度以一個(gè)簡單的數(shù)值，如面積、像素?cái)?shù)目表示分類精度。由于這種精度評定方法未考慮位置因素，類別之間的錯(cuò)分結(jié)果彼此平衡，在一定程度上抵消了分類誤差，使分類精度偏高。

位置精度分析將分類的類別與其所在的空間位置進(jìn)行統(tǒng)一檢查。目前普遍采用混淆矩陣的方法。以Kappa系數(shù)評價(jià)整個(gè)分類圖的精度，以條件Kappa系數(shù)評價(jià)單一類別的精度。

本試驗(yàn)采用位置精度分析。實(shí)地考察獲得驗(yàn)證樣本共61個(gè)，進(jìn)行分類結(jié)果的精度驗(yàn)證。

分類穩(wěn)定性評價(jià)。分類穩(wěn)定性是指最好與次好分類間的差，是以百分比進(jìn)行計(jì)算的。統(tǒng)計(jì)輸出顯示了基本的統(tǒng)計(jì)運(yùn)算(影像對象的數(shù)目、平均值、標(biāo)準(zhǔn)差、最小值及最大值)，它是用每類的最好到次好的值進(jìn)行計(jì)算的。穩(wěn)定性評價(jià)結(jié)果見表1。

表1 不同分割尺度分類穩(wěn)定性評價(jià)

分類總體精度評價(jià)。選取實(shí)地考察獲得的樣本作為分類精度評價(jià)的感興趣區(qū)，輸入經(jīng)過分類后處理的結(jié)果圖進(jìn)行混淆矩陣計(jì)算。得到分類的總精度、生產(chǎn)者精度、使用者精度、kappa系數(shù)、錯(cuò)分誤差和漏分誤差等。分類總體精度與kappa系數(shù)表現(xiàn)了分類結(jié)果的準(zhǔn)確性(與所選擇的樣本感興趣區(qū)域做比較)。其值越高，表明一致性越好。Envi規(guī)則分類結(jié)果的混淆矩陣見表2。

表2 不同分割尺度分類穩(wěn)定性評價(jià)

3 評價(jià)結(jié)論

與傳統(tǒng)的基于像元的影像信息提取技術(shù)相比，以面向?qū)ο鬄榧夹g(shù)指向的影像信息提取確實(shí)先進(jìn)了很多。分割后對影像的分析是以同質(zhì)像元為基礎(chǔ)進(jìn)行的，它們具有集中的紋理信息，光譜信息以及足夠的幾何精度，該技術(shù)實(shí)現(xiàn)了以影像對象為基礎(chǔ)的類別自動(dòng)提取。影像分割與信息提取是面向?qū)ο笮畔⑻崛〖夹g(shù)中完全獨(dú)立的步驟，基于色彩特征、紋理特征和形狀特征的影像分割是信息提取的前提，由人工控制各個(gè)分割因子的權(quán)重值，其余由計(jì)算機(jī)完成；信息提取過程中的樣本選取是針對有獨(dú)立意義的同質(zhì)像元區(qū)域，而規(guī)則選取則需要操作人員的知識參與，比較耗費(fèi)時(shí)間和精力?？傮w而言，面向?qū)ο蟮男畔⑻崛〖夹g(shù)與傳統(tǒng)的基于像元的方法相比，節(jié)省了大量的時(shí)間與人力資源，信息提取任務(wù)可在較短時(shí)間內(nèi)完成。因此在樣本數(shù)量足夠的情況下，根據(jù)操作人員對實(shí)地的考察與了解，選取合適的規(guī)則或是訓(xùn)練場，獲得高精度的分類結(jié)果是完全可能的。

[1] 樊恒通. 基于面向?qū)ο蠓椒ǖ某鞘兄脖惶崛∨c綠量估算研究[D]. 鄭州：河南大學(xué)，2006.

[2] JENSEN J R. Remote sensing of the environment:an earth resource perspective[M]. 2nd ed. Upper Saddle River:Prentice Hall，2007.

[3] 陳杰. 高分辨率遙感影像面向?qū)ο蠓诸惙椒ㄑ芯縖D]. 長沙：中南大學(xué)，2010.

[4] 宮鵬，黎夏，徐冰. 高分辨率影像解譯理論與應(yīng)用方法中的一些研究問題[J]. 遙感學(xué)報(bào)，2006，10(1)：1-5.

[5] APLIN P，ATKINSON P，CURRAN P. Per-field classification of landuse using the forthcoming very fine resolution satellite sensors: problems and potential solutions，advances in remote sensing and GIS analysis[M].Wiley，Chichester，1999，219-239.

[6] SCHIEWE J，EHLERS M. A novel method for generating 3D city models from high resolution and multi-sensor remote sensing data[J].International Journal of Remote Sensing，2005，26(4):683-698.

[7] BAATZ M，SCHAPE A. Object-Oriented and multi-scale image analysis in semantic networks [A]∥In:Proc of the 2nd International Symposium on Operationalization of Remote Sensing. Enschede ITC，1999.

[8] 周春艷. 面向?qū)ο蟮母叻直媛蔬b感影像信息提取技術(shù)[D]. 濟(jì)南：濟(jì)南科技大學(xué)，2006.

(責(zé)任編輯：張瑞麟)

2016-07-29

胡 楊(1990—)，男，碩士研究生，研究方向?yàn)镚IS與土地利用，E-mail：625376106@qq.com。

趙俊三，E-mail：1429620189@qq.com。

10.16178/j.issn.0528-9017.20170246

S127

B

0528-9017(2017)02-0338-03

文獻(xiàn)著錄格式：胡楊，趙俊三，李艷. 面向?qū)ο蟮母叻直媛蔬b感影像校園綠地快速提取[J].浙江農(nóng)業(yè)科學(xué)，2017，58(2)：338-340，346.