秦 朝，周 鵬，隗劍秋，韓 瑞，王申林

武漢工程大學(xué)土木工程與建筑學(xué)院，湖北 武漢 430074

隨著國產(chǎn)遙感衛(wèi)星領(lǐng)域的不斷進步，基于國產(chǎn)衛(wèi)星遙感數(shù)據(jù)的研究已成為熱點。中國高分辨率衛(wèi)星遙感數(shù)據(jù)的應(yīng)用，已經(jīng)成為我國地表覆蓋信息提取的主要數(shù)據(jù)源［1-3］。在信息提取方面，相對于中低分辨率遙感影像，高分辨率遙感影像的特點非常突出，其分類精度高、信息豐富等優(yōu)勢十分明顯［4-5］。傳統(tǒng)的基于像素的分類技術(shù)和適用于國外遙感衛(wèi)星的高分影像分類技術(shù)［6-8］，已經(jīng)無法滿足國產(chǎn)高分辨率遙感影像分類處理的需求，因此，探索適于國產(chǎn)高分辨率遙感影像的信息提取技術(shù)尤為重要。

面向?qū)ο蟮姆诸惙椒ǖ奶岢?，給高分影像的信息提取提供了新的方向［9］?；趯ο蟮目臻g特征和光譜特征分割影像，合并不同大小和形狀的斑塊對象來進行地表信息提取，以此克服基于像素單元的信息分類方法的不足。圖像分割是面向?qū)ο蠓诸惣夹g(shù)的基礎(chǔ)，不同的分割算法和分割尺度對信息提取的精度有著顯著的影響。數(shù)學(xué)形態(tài)學(xué)梯度分割和灰度圖像層次分割的比較，更多的被應(yīng)用于多光譜影像的分割；圖分割算法、分水嶺分割算法、邊緣檢測分割算法在高分影像分類應(yīng)用中不斷對比與創(chuàng)新［10-13］。

基于面向?qū)ο蠓椒ǖ耐恋乩梅诸惥龋€取決于光譜信息、空間分析和紋理信息的提取與應(yīng)用［14］。黃慧萍利用光譜信息和色彩對比完成城市綠地的快速提?。?5-17］。江東利用光譜信息和形狀信息進行人類活動信息的多尺度提取。歸一化植被指數(shù)（normalized difference vegetation index，NDVI）和形狀指數(shù)廣泛應(yīng)用與道路提取和建筑物提?。?8］。陳文倩利用光譜特征和紋理特征的信息提取和篩選進行支持向量機（support vector machine，SVM）分類，實現(xiàn)艾比湖濕地保護區(qū)的土地利用精確分類［19］。

本文是基于面向?qū)ο笮畔⑻崛〖夹g(shù)來構(gòu)建適于國產(chǎn)遙感衛(wèi)星的土地利用分類方法。利用canny邊緣檢測分割影像和Full Lambda-Schedule算法合并鄰近小斑塊，提取斑塊對象的光譜信息、波段信息、紋理信息和空間信息，運用SVM算法進行訓(xùn)練和分類，完成土地利用類型的劃分。

1 研究區(qū)與研究方法

1.1 研究區(qū)

采用的數(shù)據(jù)包含國產(chǎn)資源三號衛(wèi)星ZY-3高空間分辨率遙感影像和土地利用數(shù)據(jù)。其中ZY-3遙感數(shù)據(jù)為2018年獲取的2.1 m全色影像和5.8 m多光譜影像。資源三號衛(wèi)星影像將會為中國國土資源、農(nóng)業(yè)、林業(yè)等領(lǐng)域提供服務(wù)，進一步填補立體測圖的空白。土地利用數(shù)據(jù)為2018土地利用更新數(shù)據(jù)，研究區(qū)中的土地利用類型豐富，包括耕地、原地、林地、水域、交通設(shè)施用地和城鄉(xiāng)建設(shè)用地。在對比不同衛(wèi)星遙感數(shù)據(jù)在面向?qū)ο蠓椒ǖ耐恋乩眯畔⑻崛〖夹g(shù)下的分類精度時，選取的是 ZY-3、SPOT（SPOT-6）和 ALOS（ALOS-2）衛(wèi)星的遙感數(shù)據(jù)。SPOT遙感數(shù)據(jù)為2018年獲取的1.5 m全色影像和6 m多光譜影像。ALOS遙感數(shù)據(jù)為2018年獲取的2.5 m全色影像和10 m多光譜影像。圖1（a）為不同信息提取技術(shù)比較的ZY-3遙感影像數(shù)據(jù)源，圖1（b）為針對不同衛(wèi)星數(shù)據(jù)源的精度比較的研究區(qū)的ZY-3遙感影像數(shù)據(jù)源。

圖1 ZY-3影像：（a）岳山村區(qū)域，（b）建設(shè)村區(qū)域Fig.1 ZY-3 images ：（a）YueshanVillage area，（b）construction village area

1.2 研究方法

1.2.1 影像分割合并 影像分割合并是根據(jù)屬性或者邊界將遙感影像上提取同質(zhì)的斑塊或?qū)ο?，是面向?qū)ο蠓诸惖那捌跍蕚涔ぷ?。采用基于邊緣檢測的分割算法，通過canny算子盡可能地進行邊緣定位，提取圖像中的不同對象的邊緣，標識的邊緣要與圖像中的實際邊緣盡可能地接近，從而完成影像分割。進行影像分割時，邊緣檢測的尺度選擇會盡量較小，這是為了盡量提取更多的信息和對象，但是分割過于破碎容易導(dǎo)致信息提取時噪聲過大，因此，影像分割后的小斑塊合并是非常有必要的。利用Full Lambda-Schedule算法進行優(yōu)化，該方法在結(jié)合光譜和空間信息的基礎(chǔ)上迭代合并鄰近的小斑塊，從而提取同質(zhì)對象。

1.2.2 基于多屬性信息的面向?qū)ο笸恋乩梅诸?選取了很多屬性信息，包括Band波段屬性、Spectral光譜屬性、Texture紋理屬性、Spatial空間屬性。

Spectral光譜屬性信息和Band波段信息也是不同地類之間的主要區(qū)分依據(jù)，是土地利用分類常用的屬性信息。水體對藍綠光波段的吸收度非常小，對其他波段的吸收程度非常顯著，尤其是中紅外和近紅外波段。相反，植被對藍光波段的吸收程度很強，對近紅外波段的反射程度極高。因此水域、城鄉(xiāng)建設(shè)用地、草地和耕地之間的光譜信息有明顯的區(qū)分度。NDVI是歸一化植被覆蓋度指數(shù)，衡量的是土地利用上的植被的覆蓋程度。NDVI可以將有植被的地類和無植被的地類直接區(qū)分開，例如將耕地、林地與道路、城鄉(xiāng)建設(shè)用地直接區(qū)分開。同時，NDVI還可以指出土地表面植被的覆蓋程度高低，例如林地和耕地的植被覆蓋程度較高而草地植被覆蓋度相對較低。

Texture紋理屬性。計算紋理特征有許多指數(shù)，選取4個紋理指數(shù)進行統(tǒng)計分析：平均灰度值范圍、平均灰度值、變化值和信息熵。紋理特征屬性是反映其遙感影像中的紋理復(fù)雜程度的指標。平均灰度值范圍表達紋理特征的極值特征。平均值、變化值則是評估影像中的分類對象灰度值的平均程度和變化程度，進一步反映圖像中不同對象斑塊的整體紋理特征和局部紋理特征。紋理信息熵可以度量圖像中所有的信息量的大小；如果圖像的紋理非常復(fù)雜，而且紋理破碎程度高，其信息熵值較大，反之則小。

Spatial空間屬性。空間屬性包括面積、周長、形狀、緊密度等方面的空間信息。面積和周長指數(shù)可以明顯評估斑塊對象的大小。緊密性、形狀指數(shù)則是對象的形狀表達，可評估多邊形對象近似圓形、矩形、正方形的程度。土地斑塊形狀可以為土地利用分類提供重要信息，受到人類活動干擾的土地利用斑塊的形狀要比自然斑塊的形狀更加規(guī)則。耕地的形狀更趨向于正方形、矩形，而非圓形。道路和河流的形狀多是帶狀，耕地、園地和城鄉(xiāng)建設(shè)用地則更多的是塊狀地物，斑塊的長和寬的區(qū)分度有顯著差異；這些帶狀、塊狀的土地利用類型的形狀指數(shù)、長寬比、主方向、矩形形狀指數(shù)的差異非常明顯。因此，空間屬性中所涉及的面積、周長、形狀等指數(shù)，能夠為土地利用類型劃分提供豐富的空間信息，如表1所示。

表1 對象屬性信息說明Tab.1 Attribute information of objects

運用SVM算法進行面向?qū)ο蠓诸?，主要是依?jù)ENVI4.8軟件中的面向?qū)ο罂臻g特征提取模塊（feature extraction，F(xiàn)X）工具進行高分辨率遙感影像分類，影像分割后在監(jiān)督訓(xùn)練界面選擇SVM算法，選取核函數(shù)為徑向基核函數(shù)（radial basis function，RBF）。根據(jù)毛學(xué)剛、秦進春、慎利等研究發(fā)現(xiàn)［1-3］，SVM核函數(shù)選擇RBF時精度較高，所以選取RBF為核函數(shù)。

面向?qū)ο蠓诸怱VM選取RBF函數(shù)，需要設(shè)置Gamma in Kernel Function參數(shù)，數(shù)據(jù)類型是float，設(shè)置值為輸入圖像波段數(shù)的倒數(shù)。同時，指定the Penalty參數(shù)，此參數(shù)類型也是float，且為正數(shù)，選取值為100。Allow Unclassified設(shè)置允許有未分類的類別。Threshold為分類設(shè)置概率域值，如果一個像素計算得到所有的規(guī)則概率小于該值，該像素將不被分類，范圍是0～100，選取默認值為5。

結(jié)合spatial空間屬性、Texture紋理屬性、Band波段屬性、Spectral光譜屬性信息，進行面向?qū)ο蟮腟VM分類方法的技術(shù)路線如圖2。

圖2 技術(shù)流程圖Fig.2 Technique flowchart

2 結(jié)果與討論

2.1 不同的分類算法的結(jié)果比較

監(jiān)督分類的方法，最大似然法、馬氏距離法、最小距離法和平行六面體法的總精度在60%～72%之間，kappa系數(shù)則在0.48～0.6之間。這幾種監(jiān)督分類方法的精度類似，沒有明顯的差異。而面向?qū)ο螅╧-nearest neighbor，KNN）分類方法和SVM分類方法的總精度是62.42%和91.90%，Kappa系數(shù)為0.4729和0.8703，由此可見面向?qū)ο蟮腟VM分類方法的總精度和Kappa系數(shù)最高。對國產(chǎn)衛(wèi)星ZY-3遙感影像的信息提取，最優(yōu)方法為面向?qū)ο蟮腟VM分類方法。

面向?qū)ο蟮姆诸惙椒ㄖ?，基于SVM算法的學(xué)習(xí)樣本是由分割合并以后的土地利用斑塊組成，本研究以像元進行統(tǒng)計，學(xué)習(xí)樣本像元個數(shù)為35萬個，以像元個數(shù)為基本統(tǒng)計單元。

在ENVI軟件的支持下，對高分辨率遙感影像、土地利用現(xiàn)狀圖及分類圖上進行隨機均勻抽樣，測試樣本數(shù)據(jù)集像元總數(shù)具體為：最大似然法1694106個，馬氏距離法1621884個，最小距離法1619890個，平行六面體法1715094個；KNN方法1674162個，SVM方法1714943個。

訓(xùn)練樣本，是以土地利用現(xiàn)狀調(diào)查的土地利用類型為基礎(chǔ)，結(jié)合遙感影像進行訓(xùn)練樣本的選擇與土地利用類型屬性匹配，在影像圖與實際地類正確匹配的基礎(chǔ)上選擇的土地利用類型樣本。測試樣本用于不同分類方法的精度比較，在利用不同分類方法進行土地利用信息提取與分類以后，與土地利用現(xiàn)狀調(diào)查的土地類型相驗證，識別其分類精度。

不同的分類方法在不同地類的分類精度上也有非常明顯的差異。根據(jù)生產(chǎn)精度和用戶精度的對比，面向?qū)ο蟮腟VM分類方法對于耕地、園地、林地、公路、水域和城鄉(xiāng)建設(shè)用地的分類精度整體處于較高水平?；谙裨谋O(jiān)督分類方法中，最大似然法、馬氏距離法和最小距離法對耕地、林地、水域和建設(shè)用地的分類精度較好。而平行六面體法僅對耕地、水域和建設(shè)用地的分類精度較好。面向?qū)ο蟮腒NN分類方法對耕地、林地、水域和建設(shè)用地的分類精度較好。面向?qū)ο蟮腟VM分類方法在耕地、水域和城鄉(xiāng)建設(shè)用地的生產(chǎn)者和用戶分類精度都在80%以上，這三類用地的生產(chǎn)精度和用戶精度最高；林地次之，生產(chǎn)精度和用戶精度都在50%～0%之間；公路最小。面向?qū)ο蟮腟VM分類方法在耕地、水域和城鄉(xiāng)建設(shè)用地的分類精度較高。因此，從不同分類方法對于不同地類的分類精度比較而言，面向?qū)ο蟮腟VM分類方法在所有地類的分類精度整體較高；其中，對于耕地、公路、水域、城鄉(xiāng)建設(shè)用地的分類精度更高，如圖3所示。

實驗結(jié)果表明，面向?qū)ο蟮腟VM分類方法是最適合于國產(chǎn)衛(wèi)星ZY-3遙感影像的信息提取和土地利用分類的方法。首先利用canny算子邊緣檢測進行影像，分割，然后基于Full Lambda-Schedule算法結(jié)合光譜屬性和空間屬性的基礎(chǔ)上迭代合并鄰近小斑塊，提取影像，進行分割合并，并提取對象的光譜屬性、波段屬性、空間屬性和紋理屬性，基于SVM算法利用這一系列的屬性信息完成土地利用自動分類見表2。

2.2 不同衛(wèi)星的分類結(jié)果的比較

利用面向?qū)ο蟮姆椒?，對不同衛(wèi)星的高空間分辨率遙感數(shù)據(jù)進行土地利用信息提取，如表3所示，分析適于國產(chǎn)衛(wèi)星ZY-3遙感影像的土地利用分類技術(shù)。選取的訓(xùn)練樣本與測試樣本分布（見圖4）；本研究選用ZY-3、SPOT和ALOS衛(wèi)星進行分類精度的對比，如圖5所示，總精度分別是90.50%、67.20%和80.40%，kappa系數(shù)分別是0.857、0.628和0.783。結(jié)果表明：面向?qū)ο蟮腟VM的分類方法，對國產(chǎn)衛(wèi)星ZY-3高空間分辨率遙感影像的信息提取精度最高。

圖3 國產(chǎn)衛(wèi)星ZY-3遙感影像的土地利用分類方法比較：（a）監(jiān)督分類最大似然法，（b）監(jiān)督分類馬氏距離法，（c）監(jiān)督分類最小距離法，（d）監(jiān)督分類平行六面體法，（e）面向?qū)ο蟮腒NN方法，（f）面向?qū)ο蟮腟VM方法Fig.3 Comparison of land-use classification methods based on domestic ZY-3 satellite remote sensing images：（a）maximum likelihood，（b）mahalanobis distance，（c）minimum distance，（d）parallelepiped，（e）object-oriented classification based on KNN，（f）object-oriented classification based on SVM

表2 基于ZY-3遙感影像的不同分類方法精度比較Tab.2 Accuracy comparison of different classification methods based on ZY-3 remote sensing image %

表3 多源衛(wèi)星遙感影像的分類精度比較Tab.3 Comparison of classification accuracy of multi-source satellite remote sensing images %

圖4 樣本分布圖：（a）訓(xùn)練樣本，（b）測試樣本Fig.4 Samples distribution：（a）training sample，（b）test sample

圖5 多源遙感影像分類精度對比：（a）ZY-3，（b）SPOT，（c）ALOSFig.5 Comparison of classification accuracy of multi-source remote sensing images：（a）ZY-3，（b）SPOT，（c）ALOS

3 結(jié) 語

隨著國產(chǎn)衛(wèi)星的飛速發(fā)展，中國在遙感應(yīng)用相關(guān)領(lǐng)域的數(shù)據(jù)不再僅由國外衛(wèi)星提供遙感數(shù)據(jù)，而更多的是使用國產(chǎn)衛(wèi)星的遙感影像數(shù)據(jù)。因此，探索對國產(chǎn)衛(wèi)星ZY-3高空間分辨率遙感影像的信息提取技術(shù)十分重要。本研究根據(jù)國產(chǎn)衛(wèi)星ZY-3高空間分辨率遙感影像精度高、細節(jié)復(fù)雜、光譜和空間信息豐富的特點，利用面向?qū)ο蟮腟VM分類方法，為中國土地資源、農(nóng)業(yè)、林業(yè)、城市規(guī)劃等領(lǐng)域提供數(shù)據(jù)基礎(chǔ)。研究的結(jié)論如下：

1）本研究利用面向?qū)ο蟮腟VM分類方法。首先，利用canny算子邊緣檢測進行影像分割，基于Full Lambda-Schedule算法結(jié)合光譜屬性和空間屬性的基礎(chǔ)上迭代合并鄰近小斑塊；然后，影像分割合并，提取對象的光譜屬性、波段屬性、空間屬性和紋理屬性，尤其是形狀指數(shù)和局部空間自相關(guān)指數(shù)；最后，基于SVM算法進行樣本訓(xùn)練和土地利用分類。結(jié)果表明，對光譜屬性、波段屬性、空間屬性和紋理屬性的綜合利用能夠顯著提高面向?qū)ο蟮腟VM方法的分類精度。

2）本研究選取6種分類方法，包括監(jiān)督分類方法中的最大似然法、馬氏距離法、最小距離法和平行六面體法，以及面向?qū)ο蟮膋nn和SVM分類方法。通過分類方法對比，發(fā)現(xiàn)面向?qū)ο蟮腟VM分類方法的總精度和kappa系數(shù)最高，分別為91.90%和0.8703。

3）利用面向?qū)ο蟮腟VM分類方法，對中國國產(chǎn)衛(wèi)星ZY-3、法國衛(wèi)星SPOT和日本對地觀測衛(wèi)星ALOS的高空間分辨率遙感影像進行土地利用分類，分類結(jié)果總精度分別是90.50%、67.20%和80.40%，kappa系數(shù)分別是0.857、0.628和0.783，表明面向?qū)ο蟮腟VM分類方法對國產(chǎn)衛(wèi)星ZY-3影像的分類總精度和kappa系數(shù)最高。