一种高分辨率遥感影像最优分割尺度确定的方法*1

张吉星， 程效军，2， 郭　王

(1.同济大学 测绘与地理信息学院，上海　200092； 2.现代工程测量国家测绘地理信息局重点实验室，上海　200092)



一种高分辨率遥感影像最优分割尺度确定的方法*1

张吉星1， 程效军1，2， 郭王1

(1.同济大学 测绘与地理信息学院，上海200092； 2.现代工程测量国家测绘地理信息局重点实验室，上海200092)

摘要：近年来，面向对象的影像分析方法成为提取高分辨率遥感影像中目标地物信息的新技术，其关键和核心的步骤是多尺度分割。而在多尺度分割中，最优分割尺度的确定成为了重点和难点。鉴于此，文章以某大学校区的高分辨率遥感影像为实验对象，利用eCognition软件，结合分割对象的均值方差和最大面积来确定最优分割尺度，得出了几种主要地物的最优分割尺度：水体的最优分割尺度为30，建筑物的最优分割尺度为40，植被的最优分割尺度为75，道路的最优分割尺度为100。经实验验证，分割尺度准确。

关键词：高分辨率遥感影像；多尺度分割；最优分割尺度；均值方差；最大面积

0 引言

近年来，遥感传感器技术的迅速发展使获取的遥感影像的分辨率越来越高。高分辨率遥感影像提供了比中低分辨率遥感影像更多的纹理、地物几何布局以及光谱等信息。如何利用这些信息从海量的高分辨率遥感影像中提取地物目标的信息，并对其进行有效的利用成为当前面临的难题之一[1]。

以往通常依靠“像元”进行遥感影像分析，但此传统方法往往会忽略影像的形状、纹理以及结构等空间特性[2]。而面向对象的影像分析方法因其注重结构、形状和空间分布等特征，恰恰弥补了传统方法的不足，在高分辨率遥感影像的处理分析中表现出了明显的优势[3]。

运用面向对象的影像分析技术进行分类，首先要对影像进行分割，得到一个个对象，再基于对象完成影像的分类。其中，分割影像时的最优分割尺度的选择直接决定了影像的分类精度[4]。本文利用均值方差法和最大面积法来确定不同地物的最优分割尺度[5]。

1多尺度分割和最优分割尺度的涵义

多尺度分割就是对不同尺度的影像对象层采用不同的尺度分割，这样可以由不同尺度的数据结构构成影像数据，这种结构是一种层次网状结构。

在一幅遥感影像中，不同类别的地物具有不同的尺度，如果只是基于单一的尺度进行分割，会使得分割后的图像变得过于破碎或者不完全分割，这样较难保证影像的分类精度。因此，需要在多尺度下对地物进行分割。

对于采用多尺度分割技术进行遥感影像信息提取来说，最优尺度应该有两方面的涵义[5]：

1)当信息提取针对一种地物类型或几种地物类型时，最优尺度应该表现为：分割后对象与目标地物轮廓相当、大小接近，对象多边形既不能太破碎也不能边界模糊，且光谱变异情况较小。

2)当信息提取针对整景影像时，最优尺度应该表现为：分割后影像对象内部异质性尽量小，与此同时，不同类别对象之间的异质性尽量大。

2最优分割尺度的确定

本文介绍两种确定最优分割尺度的方法：均值方差法和最大面积法。

2.1均值方差法

该方法的基本原理是：影像层中纯对象增多，与相邻对象之间的光谱变异增大，则对象的均值方差增大；相反，混合对象增多时，与相邻对象之间的光谱变异降低，对象的均值方差就变小，当均值方差达到最大时所对应的分割尺度为最优[6]。

因此，首先进行多尺度分割，形成不同的尺度分割层，然后绘制均值方差随分割尺度的变化曲线图，最后便可以确定不同地物所对应的最优分割尺度。

均值是指某个对象内所有像元灰度值的均值，均值方差是指整幅影像中所有对象均值的方差。均值方差的计算公式如下：

(1)

(2)

(3)

2.2最大面积法

该方法的基本原理是：在面向对象的影像分割中，影像对象的大小是由分割尺度与影像空间分布特征决定的。一般来说，影像对象大小都是随着尺度的增大而增大，但是当影像信息的尺度增大时，影像对象的大小不应该超过地物类别在影像中的个体大小。选取相当于原影像中地物类别大小的空间尺度作为最优分割尺度[6]。

据此，可以绘制相应的曲线来确定最大分割尺度，具体方法为：首先计算各种分割尺度下所形成的影像层中对象的最大面积，然后以X轴为分割尺度，Y轴为对象的最大面积，就能够绘制对象最大面积随着尺度变化的曲线，最后再分析对象的最大面积与分割尺度之间的相互关系，便可以得出某种地物的最优分割尺度。

3高分辨率遥感影像多尺度分割实验分析

3.1实验数据

本实验采用的数据为2012年6月30日拍摄的一张QuickBird的多光谱遥感影像，其分辨率为2.4 m(红、绿、蓝、近红外4个波段的分辨率全为2.4 m)，符合高分辨率遥感影像的要求。该影像在进行多尺度分割之前已经经过了必要的大气校正和几何粗校正等处理，为后续的工作打下了基础。实验区为某大学校区，该实验区虽东西方向有一些起伏，但总体来说，地势还是比较平坦。除此之外，选择该地区的影像还有以下原因：该地区地物类型丰富，并且地物之间有明显的区别。所以，选择的这片区域较适合本实验的研究。实验区影像的大小为350×350 pixels，地理位置为北纬34°15′48.37″，东经117°11′16.35″。实验区影像，如图1所示。

图1　实验区影像Fig.1　The experimental area image

3.2 实验流程

实验流程，如图2所示。

图2　最优分割尺度确定流程Fig.2　Process of determining optimal segmentation scale

3.3多尺度影像分割

这一环节是整个实验的关键：如何从不同分割尺度分割后的影像中分析出每种地物的最优分割尺度。

本文采用目视解译和理论上的数据分析相结合的方式，即先对每张分割后的影像进行逐一的目视分析，然后再结合理论上的指标方法：均值方差法和最大面积法，通过这两种方法分析出每种地物的最优分割尺度。

首先选取不同的分割尺度对同一幅影像分别进行多尺度分割操作，通过前期对实验区的实地考察和对影像的分析，选择分割尺度从20到115(以5为步长)的一系列尺度参数对研究区进行预分割。

其中，尺度分别为20、30、40、75、100、105、110、115分割后的影像层，如图3所示。

不同分割尺度的分割效果为：

1)当分割尺度为20时，绝大多数的地物都被分成若干个多边形，且多边形显得过于破碎，类别对象之间的可分性较低，因此，这一分割尺度不适合影像类别信息的提取。

2)当分割尺度为30时，提取水体比较合适。虽然较长的玉泉河被分割成4段，但是还是可以组合成一条完整的河，这一尺度最主要的优势就是分割出图书馆前的一条小河。如果分割尺度再大，图书馆前的小河流就不能被分割出来。

3)当分割尺度为40时，提取建筑物比较合适。虽然体育馆被分割成两段，但是每栋宿舍楼的轮廓基本上都能被清晰地勾画出。如果尺度再大，宿舍楼就会渐渐与周围的其他地物合并成一个对象，所以说，这一尺度最适合提取建筑物。

4)当分割尺度为75时，提取植被比较合适。在所选择的尺度中，当尺度小于50时，植被虽然被分得很详细，但是过于琐碎，不便于后面信息的提取；当尺度大于50时，植被被分割得过于笼统，且随着尺度的增大，越来越多的植被会与其他的地物被合并在一个多边形内。

5)当分割尺度为100时，比较适合提取道路，虽然被分割得比较零碎，但是还是可以与其他地物分开。而尺度再大，则会与其它地物混合。

6)当分割尺度大于100时，通过目视解译很容易看到，各种地物的可分性已较低，多边形面积太大，基本上都包含了多种地物。

以上是对分割尺度的效果进行定性的描述，下面将分别利用均值方差法和最大面积法对分割尺度进行定量计标，并通过IDL编程实现。

3.3.1均值方差法

利用均值方差法进行计算得到分割后的影像的均值方差与分割尺度的曲线图，如图4所示。

从图4可以看出：曲线出现了多个峰值，如30、40、75、90、100，每个峰值所对应的分割尺度就是不同类别的最优分割尺度。

3.3.2最大面积法

利用最大面积法进行计算得到分割后的影像中的对象的最大面积与相应的分割尺度之间的曲线图，如图5所示。

从图5可以看出：随着分割尺度的增大，最大面积大致呈阶梯状上升，形成了几个面积大致不变的曲线平台，这几个平台所对应的分割尺度为25-30、40-55、75-85、95-105。可以判断出每一个曲线平台都是适合一种地物类别提取的尺度范围。

综合上述两种最优分割尺度的结果，最终证实30、40、75、100为不同地物的最优分割尺度。其中，水体的最优分割尺度为30，建筑物的最优分割尺度为40，植被的最优分割尺度为75，道路的最优分割尺度为100。

图3　多尺度分割效果 Fig.3　Effectofmulti-scalesegmentation

图4　对象均值方差随尺度的变换曲线Fig.4　Transformation curve of mean variance of object with scale

图5　对象最大面积随尺度的变换曲线Fig.5　Transformation curve of maximum area of object with scale

4结束语

本文利用eCognition软件对某大学校区的高分辨率遥感影像进行多尺度分割，其目的就是为了确定每种地物的最优分割尺度。采用定性的目视解译法和定量的均值方差法与最大面积法来确定每种地物的最优分割尺度。其中，定性的目视解译是通过对实验区实地考察进行，而定量的均值方差法和最大面积法则是通过IDL编程实现。最后确定的每种地物的最优分割尺度为：水体的最优分割尺度为30，建筑物的最优分割尺度为40，植被的最优分割尺度为75，道路的最优分割尺度为100。对于这样的结果，通过实验验证符合实际情况。值得注意的是，地物的最优分割尺度并不是一成不变的，而是取决于特定的地物环境。

[参考文献]

[1]张博，何彬彬.改进的分水岭变换算法在高分辨率遥感影像多尺度分割中的应用[J].地球信息科学，2014，16(1)：142-150.

[2]明冬萍，骆剑承，周成虎，等.高分辨率遥感影像信息提取及块状基元特征提取[J].数据采集与处理，2005，20(1)，34-39.

[3]Blaschke T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing，2010，65(1)：2-16.

[4]丁月平，史玉峰.高空间分辨率遥感影像分类最优分割尺度[J].辽宁工程技术大学学报，2014，33(1)，56-61.

[5]孙波中.多尺度分割技术在高分辨率影像信息提取中的应用研究[D].西安：西安科技大学，2011.

[6]朱红春，蔡丽杰，刘海英，江涛.高分辨率影像分类的最优分割尺度计算[J].测绘科学，2015，40(3)，71-75.

A Method of Determining Optimal Segmentation Scale of High Resolution Remote Sensing Image

ZHANG Ji-xing1，CHENG Xiao-jun1，2，GUO Wang1

(1.CollegeofSurveyingandGeo-Informatics，TongjiUniversity，Shanghai200092，China； 2.KeyLaboratoryofAdvancedEngineeringSurveyofSBSM，Shanghai200092，China)

Abstract：In recent years， the method of object-oriented image analysis has become a new technology to extract the target feature information of high resolution remote sensing images.The key and core step of this method is multi-scale segmentation.The emphasis and difficulty of multi-scale segmentation is to determine the optimal segmentation scale.Therefore， this paper takes the high resolution remote sensing image of a university campus as the experimental object and uses eCognition software，and using a combination of mean variance method and maximum area method to determine the optimal segmentation scale indexes of the segmentation objects.The results showed that the optimal segmentation scale of water was 30，the optimal segmentation scale of building was 40，the optimal segmentation scale of vegetation was 75，and the optimal segmentation scale of road was 100.The segmentation scales were proved to be correct by experiment.

Key words：high resolution remote sensing images；multi-scale segmentation；optimal segmentation scale；mean variance；maximum area

* 收稿日期：2016-04-01

中图分类号：P 237

文献标识码：A

文章编号：1007-9394(2016)02-0012-03

作者简介：张吉星(1990～)，男，江苏淮安人，硕士研究生，研究方向：摄影测量与遥感。

地矿测绘2016，32(2)：12～14

CN 53-1124/TDISSN 1007-9394

Surveying and Mapping of Geology and Mineral Resources