佟彪沈 偉

（上海星火測繪有限公司，上海 200122）

面向?qū)ο蟮腖andsat 8 影像城市建成區(qū)提取方法研究

佟彪沈 偉

（上海星火測繪有限公司，上海 200122）

城市建成區(qū)是城市研究和規(guī)劃制定過程中的重要基礎(chǔ)資料。針對城市建設(shè)用地的統(tǒng)計資料 （主要體現(xiàn)為 “兩證一書”）和矢量數(shù)據(jù)獲取困難的現(xiàn)狀，本文利用面向?qū)ο笥跋穹治龇椒◤墓_、免費(fèi)的Landsat 8影像中提取城市建設(shè)用地，并提出基于影像對象分類的建成區(qū)范圍提取新方法。其基本思路是是：首先采用面向?qū)ο蟮挠跋穹治黾夹g(shù)，在Landsat 8影像中提取城市建設(shè)用地區(qū)域；之后對初步提取出的城市建設(shè)用地區(qū)域，采取二次分割與分類的處理，獲取 “集中連片”的城市建成區(qū)。以沈陽市為例進(jìn)行了建成區(qū)提取的實(shí)驗(yàn)，結(jié)果表明本文的方法結(jié)果準(zhǔn)確、處理速度快。

城市建成區(qū)；面向?qū)ο蟮挠跋穹治觯籐andsat 8；決策樹分類

按照 《城市規(guī)劃基本術(shù)語標(biāo)準(zhǔn)》 （GB/T 50280-98），城市建成區(qū) （簡稱 “建成區(qū)”），指“城市行政區(qū)內(nèi)實(shí)際已成片開發(fā)建設(shè)、市政公用設(shè)施和公共設(shè)施基本具備的地區(qū)”［1］。對建成區(qū)的提取是研究城市空間擴(kuò)展及其驅(qū)動力分析的基礎(chǔ)，也是制定各類規(guī)劃的重要參考。

根據(jù)定義，判斷建成區(qū)范圍主要有三個條件： “實(shí)際開發(fā)建設(shè)”、 “集中連片”、 “設(shè)施基本具備”。目前對建成區(qū)范圍的提取方法主要分為統(tǒng)計資料法和遙感技術(shù)提取方法。統(tǒng)計資料法是根據(jù)城市規(guī)劃建設(shè)部門掌握的城市建設(shè)用地數(shù)據(jù)資料 （主要體現(xiàn)為 “兩證一書”）通過統(tǒng)計計算得出建成區(qū)范圍，這種方法存在未建設(shè)先統(tǒng)計和各城市統(tǒng)計口徑不統(tǒng)一等問題；基于遙感技術(shù)的提取方法具有快速、數(shù)據(jù)易獲取的優(yōu)點(diǎn)，近年來發(fā)展迅速。主要有人工目視解譯法［2］、基于像素的分類或指數(shù)提取法［3］、基于局部紋理的提取方法［4］等，總的來說標(biāo)準(zhǔn)尚未統(tǒng)一、方法尚未普及。姚君蘭等 （2016）提出了一種基于矢量居民地要素的點(diǎn)密度聚類提取建成區(qū)的方法［5］，具有自動化程度高、人為干預(yù)少的優(yōu)點(diǎn)，但矢量居民地數(shù)據(jù)有成本和保密性的限制，較難獲取。本文借鑒這種思路，利用面向?qū)ο笥跋穹治龇椒◤墓_、免費(fèi)的Landsat 8影像中提取城市建設(shè)用地，提出基于影像對象分類的建成區(qū)范圍提取新方法。

1 實(shí)驗(yàn)工具和實(shí)驗(yàn)數(shù)據(jù)

1.1 實(shí)驗(yàn)工具

面向?qū)ο蟮挠跋穹治黾夹g(shù) （Object-Oriented Image Analysis,OOIA），通過影像分割將一幅影像分為若干影像對象 （Image Object），這些影像對象滿足對象內(nèi)部異質(zhì)性最小而對象之間異質(zhì)性最大的原則?；谟跋駥ο蟮墓庾V、形狀、空間關(guān)系等特征，可以使用最鄰近分類、聚類分析、模糊分類，以及決策樹、支撐向量機(jī)、專家分類系統(tǒng)等多種分類方法進(jìn)行影像目標(biāo)的提取與解譯。與傳統(tǒng)的基于像元發(fā)分類方法相比，具有可利用特征豐富、集成多種分類方法、成果易于編輯和使用等優(yōu)點(diǎn)。

影像分割是OOIA方法的重要基礎(chǔ)。目前應(yīng)用較多的是基于光譜和形狀信息的多尺度分割（Multi-resolution Segmentation）技術(shù)，這種方法最早由德國學(xué)者提出，目前已由德國Definiens公司開發(fā)為商業(yè)化的影像分析平臺 eCognition（易康）。本文的建成區(qū)提取分析，采用eCognition 9.0 Trial作為實(shí)驗(yàn)工具。

1.2 實(shí)驗(yàn)數(shù)據(jù)

本文選擇沈陽市作為實(shí)驗(yàn)區(qū)，區(qū)域邊界采用國家測繪地理信息局提供的1：400萬行政邊界圖中沈陽市轄區(qū)范圍，包括沈陽市內(nèi)九區(qū) （即沈河區(qū)、和平區(qū)、皇姑區(qū)、鐵西區(qū)、大東區(qū)、于洪區(qū)、渾南區(qū)、沈北新區(qū)和蘇家屯區(qū)）全部范圍，投影選擇橫軸墨卡托投影 （Transverse Mercaor），中央子午線選擇123°E。

使用的影像是 2015年 10月 13日成像的Landsat 8影像，行列編號為119—031。影像下載自地理空間數(shù)據(jù)云 （http：//www.gscloud.cn/），共有12個波段，其中B8波段為全色波段，空間分辨率為15m，其他波段分辨率為30m。本文選用與城市建設(shè)用地提取相關(guān)性較大的B2~B8波段參與建成區(qū)的提取實(shí)驗(yàn)，通過投影、輻射和幾何校正、裁剪，得到沈陽市轄區(qū)范圍的影像，如圖1所示。

多尺度分割需要設(shè)置的參數(shù)主要有參與分割的各波段像元的權(quán)重、分割尺度參數(shù)、分割中光譜值權(quán)重、形狀參數(shù)中緊湊度的權(quán)重等。經(jīng)過反復(fù)試驗(yàn)，本文采用的參數(shù)為：各波段權(quán)重均為1；光譜權(quán)重為0.8、緊湊度權(quán)重為0.5；分割尺度的設(shè)置，首先對像素層用尺度80進(jìn)行初始分割，得到L80對象層，再對L80對象層以尺度160進(jìn)行二次分割，得到L160對象層；再對L160對象層以尺度320進(jìn)行分割，得到L320對象層；最后對L320對象層以尺度480進(jìn)行分割，得到L480對象層。通過對這幾個尺度的分割結(jié)果進(jìn)行對比，最后選定L160作為最優(yōu)分割尺度，進(jìn)行后續(xù)的分類實(shí)驗(yàn)。分割結(jié)果如圖2所示。

圖1 實(shí)驗(yàn)區(qū)Landsat 8影像

2 提取方法

本文研究的建成區(qū)提取方法，其基本思路是：首先采用面向?qū)ο蟮挠跋穹治黾夹g(shù)，在Landsat 8影像中提取城市建設(shè)用地區(qū)域，以滿足“實(shí)際開發(fā)建設(shè)”和 “設(shè)施基本具備”這兩個條件；之后對初步提取出的城市建設(shè)用地區(qū)域，采取二次分割與分類的方法進(jìn)行處理，以滿足 “集中連片”的條件。

2.1 城市建設(shè)用地的初步提取

本文在eCognition軟件的輔助下，采用基于面向?qū)ο蟮臎Q策樹分類方法，主要步驟包括：影像分割、定義類別、選擇類別樣本、確定分類特征、樣本訓(xùn)練、基于決策樹的分類。

（1）影像分割

圖2 影像分割結(jié)果局部

（2）定義類別

通過對研究區(qū)的分析，定義了 4個大類，即：水體water、植被vegetation、人工構(gòu)筑物artificial和裸地land。在水體類別中根據(jù)光譜特征差異，細(xì)分為11大面積水域和12小面積水域這兩個小類；在植被類別中根據(jù)光譜特征差異，細(xì)分為21綠色植被和22陰影這兩個小類；在人工構(gòu)筑物類別中，細(xì)分為31城市建成區(qū)、32農(nóng)村建成區(qū)、33道路，并且在城市建成區(qū)中又根據(jù)光譜特征差異細(xì)分為311高密度建成區(qū)和312低密度建成區(qū)；在裸地類別中又細(xì)分為41未耕種地區(qū)和42未建設(shè)地區(qū)，總計10個小類，類別結(jié)構(gòu)如圖3所示：

圖3 類別定義

（3）選擇類別樣本和確定分類特征

使用eCognition的樣本選擇工具，對每一個類別選擇3—5個典型影像對象作為樣本。在分類特征選取方面，本文實(shí)驗(yàn)采用了光譜特征中的均值 （mean）、標(biāo)準(zhǔn)差 （standard deviation），形狀參數(shù)中的形狀指數(shù) （shape index）、邊界指數(shù)（border index）、緊致度 （compactness），以及紋理特征中的灰度共生矩陣 （GLCM）同質(zhì)度 （homogeneity）、對比度 （contrast）、均值 （mean）、方差 （stddev）、熵 （entropy）和相關(guān)性 （correlation）共計11個特征。

（4）樣本訓(xùn)練和基于決策樹的分類

決策樹 （decision tree）是常用的分類預(yù)測方法，它將樣本對應(yīng)的最可能的類型作為因變量，通過一組已知的自變量 （即樣本）來進(jìn)行預(yù)測。其具體操作原理是：根據(jù)樹的結(jié)構(gòu)布局原則，首先確定各節(jié)點(diǎn)中最適合的測試屬性的方法，然后通過迭代運(yùn)算將樣本集分成特征盡量均一的子集（即每個子集中的樣本都屬于同一類別），在這一過程中生成決策樹及相應(yīng)的分類規(guī)則，用于新的數(shù)據(jù)的分類預(yù)測中。常用的決策樹算法很多，本文采用的是分類回歸樹 （Classification And Regression Tree，CART），這是一種非線性和非參數(shù)的數(shù)據(jù)分類算法。本文通過eCognition提供的Decision Tree模塊實(shí)現(xiàn)這一分類算法，分為樣本訓(xùn)練和分類兩個步驟。通過對L160層對象的操作，關(guān)閉其他類別圖層的顏色，得到城市建設(shè)用地的初步提取結(jié)果如圖4所示。

圖4 城市建設(shè)用地的初步提取結(jié)果

2.2 城市建成區(qū)獲取

如圖4，通過面向?qū)ο蟮臎Q策樹分類，已經(jīng)可以將研究區(qū)內(nèi)大部分 “實(shí)際開發(fā)建設(shè)的”、“設(shè)施基本具備的”城市建設(shè)用地區(qū)域提取出來，但是也在一定程度上存在著城市建設(shè)用地與農(nóng)村建設(shè)用地、道路建設(shè)用地等之間的混淆現(xiàn)象 （錯分或漏分）。接下來本文對提取出來的城市建設(shè)用地采用再次分割與分類的方法，提取出 “集中連片”的建成區(qū)。

首先將初步分類結(jié)果進(jìn)行二值化，即通過類別合并，將城市建設(shè)用地以外的所有用地類別都?xì)w并為非城市建設(shè)用地，從而生成 “城市-非城市”的二值影像。然后對二值影像采用較小的尺度分割，經(jīng)過反復(fù)試驗(yàn)，最終采用尺度10、光譜參數(shù)0.8和緊致度參數(shù)0.5進(jìn)行初次分割，得到L10層對象，再對L10層采用尺度40進(jìn)行分割，得到L40層對象。最后，針對L40層，建立city和uncity兩個類別，以光譜均值為特征建立隸屬度函數(shù)，進(jìn)行模糊分類，得到建成區(qū)提取的初步結(jié)果，如圖5所示。

2.3 城市建成區(qū)邊界細(xì)化

如圖5，通過 “城市-非城市”二值影像進(jìn)行再次分割與分類，已經(jīng)剔除掉大部分細(xì)碎圖斑，并且將主城區(qū)域大部分集中連片的建成區(qū)提取出來。但是這個分類結(jié)果的邊界仍不夠精細(xì)，在城市邊緣區(qū)域有大量非建設(shè)用地被歸入建成區(qū)范圍。

圖5 建成區(qū)提取的初步結(jié)果

為了使建成區(qū)邊界更加精細(xì)化，本文首先在圖5所示結(jié)果中剔除掉與主城區(qū)不連通的小片圖斑，得到建成區(qū)備選區(qū)域。而后以此區(qū)域?yàn)椴僮鞣秶?，?“城市-非城市”二值影像以較小的尺度進(jìn)行二次分割與分類，即以上述L10對象層為基準(zhǔn)，以尺度 20進(jìn)行分割，得到L20對象層，再對L20對象層進(jìn)行基于隸屬度的模糊分類，得到建成區(qū)邊界細(xì)化結(jié)果，如圖6所示。

由圖6可見，本方法提取的結(jié)果基本把沈陽市主城區(qū)及其周邊的建成區(qū)都提取了出來，在城市邊緣部分，北部的道義-虎石臺-蒲河新城，西部的鐵西新區(qū)、于洪新城，南部的長白島、渾南新城，東部的沈撫新城等區(qū)域，都提取得較為完整。在主城部分，有部分被識別為 “非城市建設(shè)用地”的孔洞，有些如北陵公園周邊、丁香湖周邊、渾河沿岸等，確屬非建設(shè)用地；也有部分地區(qū)屬于分類時漏分的城市建設(shè)用地，需要在后處理的階段將孔洞填充掉。

2.4 提取結(jié)果的處理與精度評價

在圖6的結(jié)果基礎(chǔ)上，將主城區(qū)內(nèi)的小片孔洞按照 “集中連片”的原則填充掉，并將邊緣區(qū)包含較多非建設(shè)用地的影像對象刪除掉 （規(guī)則是：非建設(shè)用地面積超過影像對象總面積的一半），得到最終的沈陽市建成區(qū)提取結(jié)果，如圖7所示。

圖6 建成區(qū)邊界細(xì)化結(jié)果

圖7 建成區(qū)提取的最終結(jié)果及精度評定

為了評價本文方法的建成區(qū)提取精度，基于2015年的高分辨率影像 （來自Google Earth）結(jié)合城市規(guī)劃資料，采用人工解譯的方法，勾繪了沈陽市2015建成區(qū)范圍 （如圖7所示）。將本文提取的結(jié)果與人工解譯的建成區(qū)范圍進(jìn)行比對可得：研究區(qū)域總面積為3431.1361km2，人工識別的建成區(qū)面積為576.8145km2，本文方法提取的建成區(qū)面積為633.4482km2，分類的混淆矩陣見表1所示，總體精度為93.47%，Kappa系數(shù)為0.7755。

3 結(jié)論與展望

由圖7和表1可見，本文提出的方法基本上能夠提取出研究區(qū)域的大部分城市建成區(qū)，數(shù)據(jù)獲取方便，方法簡便易行，并且直接得到的是矢量格式的建成區(qū)邊界，便于后續(xù)編輯處理和使用。其主要創(chuàng)新點(diǎn)是采用面向?qū)ο笥跋穹治黾夹g(shù)應(yīng)用于中分辨率的Landsat 8影像的分析當(dāng)中，并且采用對初步提取的城市建設(shè)用地區(qū)域進(jìn)行二次分割與分類的技術(shù)，既保證了提取的建成區(qū)“集中連片”，又保證了建成區(qū)的邊界具有一定的精確度。

本方法只是一個初步的實(shí)驗(yàn)，提取結(jié)果的精度還有待提高，在各個步驟的影像分割參數(shù)選擇、分類特征與分類方法確定、閾值選取、分類結(jié)果的精度評價等方面還需要進(jìn)一步研究細(xì)化，有待于在進(jìn)一步的研究中探索一套統(tǒng)一的評價標(biāo)準(zhǔn)和操作流程。

［1］中華人民共和國建設(shè)部．城市規(guī)劃基本術(shù)語標(biāo)準(zhǔn)：GB/T 50280-98［S］．北京：中國標(biāo)準(zhǔn)出版社，1998．

［2］邊振興，王曉良.利用RS和GIS技術(shù)對沈陽市城市邊緣區(qū)擴(kuò)展的研究 ［J］.沈陽農(nóng)業(yè)大學(xué)學(xué)報，2015（03）：316-321.

［3］徐涵秋，杜麗萍，孫小丹.基于遙感指數(shù)的城市建城區(qū)界定與自動提取 ［J］.福州大學(xué)學(xué)報 （自然科學(xué)版），2011（05）：707-712.

［4］吳小語，張鵬林.融合DMSP-OLS和Landsat影像的城區(qū)邊界提取 ［J］.應(yīng)用科學(xué)學(xué)報， 2016（01）：67-74.

［5］姚君蘭，王紅，胡斌斌.基于矢量數(shù)據(jù)的城市建成區(qū)范圍提取方法 ［J］.測繪通報，2016（05）：84-87.

Object-oriented Landsat 8 Image of the City Proper Extraction Method Research

TONG BiaoSHEN Wei

The city built-up area is basic information of urban planning and research.According to the difficulty acquisition of statistic data of the city construction and vector data,the article proposes a new method to extract city built-up area from the Landsat8 imagery,by using object oriented image analysis.Its basic idea is to firstly use the object-oriented image analysis technology to extract city construction land based on the Landsat 8 image.Then it performs a twice-segmentation-and-classification procedure to obtain the concentrated city built-up area.Taking Shenyang city as an example,the result shows that this method is accurate and fast.

urban built-up area,Object-Oriented Image Analysis,Landsat 8,decision tree

TP751

A

1008-3812（2017）02-021-05

2017-03-31

佟彪 （1981— ），男，遼寧朝陽人，工程師，注冊測繪師。研究方向：遙感技術(shù)在城市測繪、地籍測量方面的應(yīng)用。