面向对象的多尺度山地城市土地覆盖信息提取技术研究
——以重庆永川区胜利路街道为例

黄 霞，牟凤云，刘 曦，何顺兵

(重庆交通大学，重庆 400074)

近40年来高分辨率遥感卫星迅速发展，其丰富的几何结构和纹理信息为遥感信息提取技术提供了新的发展机遇。传统基于像元的遥感影像分析方法对于低分辨率遥感影像具有较强的适用性，但对于高空间分辨率的遥感影像，随着空间分辨率的提高，单个像元所包含的语义信息更多，更多像元呈现混合像元特征，影像上单个像元所表示的信息大部分来自周围地物，采用基于像元分析的传统分类算法难以提取所需信息[1]。近年来，人们在此基础上又研究出新的分类算法，如模糊分类[2]、人工神经网络[3]及小波分析[4]等，这些方法在处理具有复杂空间特征结构的多源、多波段遥感影像时能够取得更好的分类结果，但是，从本质上讲，它们都是基于像元层次的，在分类过程中没有充分利用遥感影像中包含的空间信息。

遥感影像信息是对依赖于尺度的地表空间格局与过程的特征反映，不同的地物特征对空间尺度的要求不同，面向对象的多尺度遥感信息提取技术应运而生。第一个面向对象的遥感信息提取软件eCognition采用面向对象和模糊规则的处理与分析技术，并已成功投入商业应用[5]。国内外也出现了许多学者利用面向对象方法对遥感地物进行快速智能提取，时下多着重研究分割技术原理、参数、等级网，以及在分析影像特征的基础上，研究多尺度区域分割技术，综合区域增长(扩展)和分割和融合技术，提取高分辨率遥感影像的土地覆被信息[6-10]，这些研究都实现了基于高分辨率影像提取目标地物时，除了光谱信息，还可以利用形状、纹理、上下文等丰富的空间信息，其实现技术包括遥感影像的影像分割及边缘检测等。

山地城市由于其空间信息复杂，其维度与目标对象的空间关系在影像上具有独特的特征，基于遥感影像的山地城市土地覆被信息提取具有特殊的研究意义。本文利用面向对象的方法，对典型的山地城市——重庆永川区胜利路街道的空间分辨率为2.46 m的CBERS 02B HR影像进行了基于特征的多尺度分割，采用最邻近分类方法，将实验区土地覆被信息进行了分类和结果评估分析。

1 面向对象的多尺度信息提取技术

面向对象的分类方法是一种智能化的自动影像分析方法，它的分析单元不再是单个像素，而是由若干个像素组成的像素群，即目标对象[11]。

ECognition提供自上到下和自下到上两种分割模式，有两种不同类型的分类器——最近邻法和成员函数法，二者均作为分类描述符。本文根据RMAS法，通过实验，计算出影像最优尺度：当对象RMAS值最大时，对象内部的异质性最小，对象外部的异质性最大，此时的分割尺度为类别提取的最优分割尺度。

RMAS具有“类内同质性大，类间异质性大”的原则[12]，是指对象与邻域均值差分绝对值与对象标准差之间的比值。计算公式如下：

(1)

(2)

(3)

其中，L表示影像对象的波段层数，△CL表示在L波段层单个尺度分割对象与邻域均值差分绝对值，SL表示在L波段层单个尺度分割对象的标准差，CLi表示在L波段层的i这个像素点灰度值，CL表示单个尺度分割层上的波段均值，n表示影像对象内像素的个数，l表示目标对象的边界长度，lij为目标对象和第j个直接相邻对象的公共边界长度，m为与目标对象直接相邻的对象个数。

由此可以看出，当分割尺度小于目标地物时，对象内含有相同的地物类别，对象标准差较小，相邻对象之间因属于同一个类别而具有空间依赖，对象与邻域均值差分绝对值及RMAS都较小；当分割尺度大小等于类别目标时，对象内含有相同的地物类别，对象的标准差小，相邻对象因属于不同的目标地物而使空间依赖程度最弱，对象与邻域均值差分绝对值及RMAS均最大；当分割尺度进一步增大时，对象内都会含有不同的地物类别，对象标准差增大，与相邻对象之间的空间依赖程度同时也开始增大，对象与邻域均值差分绝对值及RMAS均开始减小。

对影像进行多尺度分割后，得到分割对象，创建知识库，建立分类规则集，进行基于特征的邻近分类。eCognition以影像对象为分析单位，根据对象规则和专家知识库进行匹配，达到最大相似度的对象归为该类，实现影像的分类。

2 面向对象的多尺度永川区胜利路街道土地覆盖信息提取

2.1 数据源及实验区概况

本文选取的是2008年6月空间分辨率为2.46m的CBERS 02B HR全色多波段融合影像，实验区域为永川区胜利路街道，该区域为典型的山地城市。胜利路街道是永川区经济、文化中心，区位优势明显。它位于永川区西北城乡结合部，距重庆主城区63km，面积61.76km2(其中城区面积12km2)，辖5个社区居委会，11个农业行政村，188个村民小组，幅员面积61.67km2；总户数34589户，总人口12.9595万人，其中非农人口8.9425万人。

胜利路街道水资源丰富，北部有河麻沟水库、牛王沟水库、万兴水库，中部有粽粑水库，小安溪自北向南；其东南为部分城区，其余为乡村地带，植被与房屋信息丰富；成渝高速公路、渝隆公路、成渝铁路、永铜公路、一环路穿其境而过。

该区域2008年6月的影像上植被、房屋、水体、道路信息丰富，云层量少，可作为面向对象的多尺度高光谱遥感影像信息提取分析的数据源。

2.2 研究方法与技术路线

图1 土地覆盖信息提取技术路线

如图1所示，基于eCognition平台的面向对象的信息提取技术主要包括基于规则的分割与基于特征的分类，在进行分割前，对影像进行预处理有利于对试验区域以外的地方进行不必要的分割。且可以经过反复试验，确定分割参数，可以基于分类进行多尺度分割与基于分割进行多次分类。

2.2.1 分割和分类

永川区作为典型的山地城市，其空间信息复杂，实验影像为夏天所得，影像特征独特：地形复杂，道路、水体几何特征明显，由于树影遮挡，存在中断现象，道路与水体的宽度较小，设置分割尺度时不宜设置过大；房屋零散、破碎，且易被树荫遮挡；植被丰富，数量庞大。总体来说，从影像上分析，实验区空间信息丰富，地物破碎，设置分割尺度时，不宜像研究平原城市一样选择大尺度，宜选择较小尺度进行研究。

本实验选用5个分割尺度的阈值：5、10、15、20、25对实验区影像进行分割，特征描述如下：

(1)分割尺度为5时，影像的对象过于细小、破碎，甚至出现了一些像元大小的对象，严重破坏了植被、水体、房屋、道路的轮廓，提取时很难利用其几何信息，使得此次分割无意义；

(2)分割尺度为10时，分割的效果依旧不是特别理想，河流、道路对象已经基本生成，但几何信息仍然没有得到充分利用，植被较为破碎；

(3)分割尺度为15时，河流、道路的提取是比较完整的，和周围的地物对比度较高，在与周围地物相邻的地方虽然可能存在一些遮挡或者阴影部分，但面积不是太大，基本上还是依附于目标对象的，虽然植被稍微破碎了点，但其可与房屋区别开，这个尺度的提取效果相对较好；

(4)分割尺度为20时，房屋提取比较完整，和周围地物区分得比较明显，但是有些道路与其周围植被被分割到一个对象中，而植被的分割效果仍然不是很好；

(5)分割尺度为25时，植被的提取效果较好，除道路外，河流与其边缘植被、房屋与其周围植被也被划分到同一对象中，且大部分铁路与邻近植被分割到一起，铁路信息基本不能够被提取出来。

通过实验可以得知：植被适合的分割尺度25，房屋适合的分割尺度是20，水体、道路适合的分割尺度是15。不同的分割尺度对不同类型地物的提取有很大影响，本文综合各地物适宜的分割尺度，综合选择分割尺度15，对其形状指数与紧凑度指数的设置进行六组实验，如表1所示。

因此在进行了各种实验对比之后，决定采用分割尺度15，形状指数0.1，颜色指数0.9，紧凑度指数0.9，平滑度指数0.1作为多尺度分割的参数。

表1 影像分割参数及特征描述

采用最邻近分类器对分割后的影像进行分类，通过分类体系创建知识库，插入邻近分类器，建立分类规则集，定义样本对象，对植被、房屋、水体、道路等每个类别选取典型的样本，执行分类。本实验初次分类效果并不理想，经过三次基于分割的分类后，成功将植被、房屋、水体、道路等地物信息提取出来。

2.2.2 分类后处理

由于影像存在阴影或其他原因，导致目标地物在影像上被遮挡，存在错分、误分的情况，道路、水体等难免会出现中断不连续等现象，本实验利用生长法对目标地物中断处进行处理。

生长法的原理是先将目标地物对象打断成具有明确方向的线性段，然后根据目标地物对象方向，采用image fusion算法让目标地物对象沿着其主方向进行融合背景地物，这样不仅能重新找回已经丢失的目标地物对象，调整参数后还能突破以往无法提取出的灰度值较低的区域，从而将目标地物对象连接起来。最后我们将连接的部分单独提取开来，采用connector算法，将相近的目标地物对象通过生长部分，采用最短路径的算法连接起来，把连接起来的部分融合进目标地物对象中，而未连接的部分则重新还原为背景地物。

经过生长法处理的分类对象需要经过合并小图斑、平滑等处理，进一步提高目标地物的提取精度。

将成果制作专题地图(见图2)，可以看出，胜利路街道植被覆盖度较高，水资源丰富，道路网完整，交通发达，其房屋主要集中在东南的城区，零散分布在乡村地带。

图2 胜利路街道地物分类专题图

2.2.3 精度评价

ECognition有成员函数和分类稳定性两种参数对其分类结果评估。一种图像对象的成员函数值绝对值很高，这就表明此对象属性非常适合于至少一类对象的描述，分类精度会较高，但是分类的稳定性就会较低。如图3所示，植被、水体、道路、房屋及其他的分类精度依次是93.46%、96.12%、95.55%、95.76%、97.27%，平均精度达95.63%，其分类稳定性依次是26.76%、14.88%、9.82%、12.74%、4.25%。可以看出，此次试验成果精度较高，该方法具有较强的可行性与推广性。

图3 地物分类精度

3 结语

本次实验采用面向对象的方法，基于eCognition平台，选择胜利路街道的CBERS 02B HR融合影像作为数据源，进行了遥感影像信息提取的分析。本次实验选用了不同的分割参数进行了多次分割，并采用邻近分类的方法进行了三次分类，将植被、水体、房屋、道路等地物成功从影像上提取出来，分类精度平均达95.63%，可行性较高，但分类的稳定性较低。从本实验可以看出，基于多尺度创建的对象进行分割，可以灵活地运用地物本身的几何信息和结构信息，可以通过构建知识库的方式为分类提供更多的依据，精确提取山地城市复杂的空间信息，提高分类精度。

参考文献：

[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]乔程，骆剑承，吴泉源.面向对象的高分辨率影像城市建筑物提取[J].地理与地理信息科学，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]张振勇，王萍，朱鲁，陈香菱.eCognition技术在高分辨率遥感影像信息提取中的应用[J].信息技术，2007，15-17.

[8]杨长保，丁继红.面向对象的遥感图像分类方法研究[J].吉林大学学报(地球科学版)，2006，36(4):642-646.

[9]李敏，崔世勇，李成名，印浩，李云岭.面向对象的高分辨率遥感影像信息提取——以耕地提取为例[J].遥感应用，2008，6:63-66.

[10]李锦业，张磊，吴炳方等.基于高分辨率遥感影像的城市建筑密度和容积率提取方法研究[J].遥感技术与应用，2007，22(3):209-3l3.

[11]孙晓霞，张继贤，刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学，2006，31(1):62-63.

[12]张俊，朱国龙，李妍.面向对象高分辨率影像信息提取中的尺度效应及最优尺度研究[J].测绘科学，2011，36(2):107-109.