面向对象的高分辨率卫星影像土地分类

摘要： 本文采用面向对象的方法对高分辨率卫星影像进行土地分类信息提取。首先利用最近邻分类法对多尺度分割后形成的影像对象块粗分类。随后根据各地类的影像特征构建知识库，优化错分类的地类信息。试验表明，面向对象的高分辨率影像土地分类能充分利用影像信息，提高了信息提取的精度。

Abstract： This paper proposes an objected-oriented method to extract land-use from high-resolution satellite image. Firstly， the nearest neighbor classification method is used to obtain rough classification result though judgment of image objects. These image objects come from multiresolution segmentation to raw image. Then， the knowledge base is constructed according to the image features of different classes. Lastly， land-use information is optimized using knowledgebase. The experiment result show that object-oriented land-use information extraction could use image information completely and obtain better effect.

关键词： 土地分类；高分辨率卫星影像；面向对象；知识库

Key words： land-use information；high spatial resolution satellite image；object-oriented；knowledge base

中图分类号：S127 文献标识码：A 文章编号：1006-4311（2017）24-0187-03

0 引言

土地分类是按照土地自然属性进行的土地类型划分，分类后形成的土地类型是土地资源评价、土地利用规划的基础。传统的分类方式以实地勘察为主，但这类方式速度慢、时效性低。随着QuickBird、GeoEye、Worldview等高分辨率卫星影像的出现，人们在利用影像的光谱信息的同时还可以利用影像中丰富的纹理和地物形状、位置信息，这为土地类型快速、准确地划分提供了条件。

利用高分辨率遥感影像进行信息提取时，如果采用传统的面向像元方法会由于高分辨率影像信息的丰富性、细致性产生大范围的“椒盐现象”，造成分类精度的降低。面向对象的遥感影像分类方法能利用影像中的光谱、纹理、空间信息进行影像类别判定，从而能提高信息提取的精度。Hackelford和Davis通过对比面向对象分类方法与面向像元分类方法，得出了面向对象的分类方法更适合于进行城市或城郊分类信息提取的结论[1]。Hofmanne使用面向对象的分类方法针对IKONOS影像较好的识别了非正式居民地[2]。余坤勇、许章华、刘健等使用“基于片层-面向类”算法实现了南方山地丘陵区的竹林信息提取[3]。余晓敏、湛飞并采用了一种基于影像对象最优化特征组合的方式对城市地表信息提取[4]。莫登奎等则基于模糊逻辑分类的面向对象的分析方法提取了株洲市城乡结合部的土地覆盖信息[5]。这些方法虽然取得了不少研究成果，但在提取的速度、自动化程度上还与实际的运用有一定的差距[6]。

本文利用高分辨率卫星影像自身的光谱、空间、纹理特征，对研究区进行土地分类信息提取。

1 面向对象的土地类型提取方法

面向对象的信息提取是将影像分割成同质影像块后模拟人类认知事物的过程对分割好的影像块设定条件，将满足条件的影像块分配到合适的类别中去，最后得到与实际相符的分类图[7]。本文采用的面向对象土地分类流程如图1所示。

1.1 影像分割

影像分割是面向对象遥感信息提取的第一步，只有通过分割才能形成具有光谱、纹理、形状、位置信息的影像对象块。分割算法包括对比度分割、多阈值分割、光谱差异分割等，在沒有任何辅助数据的条件下将原始遥感影像数据进行分割的常用算法是多尺度分割。多尺度分割是基于给定分辨率影像对象的最小影像异质性的由下至上分割，而影像的异质性由光谱、光滑度和紧凑度三个指标决定，计算公式为shape=1-color；shape= smoothness +compactness；smoothness=（1-βcompactness）*shape。其中shape为影像对象的形状因子，color是光谱信息，smoothness是对象边界的光滑度，compactness代表了对象的紧凑性。

1.2 面向对象土地分类信息的提取原理

土地类型由于受到土壤、气候、人类活动等多方面的影响，在不同时间、不同地段会呈现出不同的类型、不同成分的表现，比如土壤在北方呈现出黑色，而在云南多以红土为代表。面向对象地类信息提取的关键就是根据各地类的特点设置相关的规则集，从而进行地类的识别。表1呈现了常见5大地类的特征。

根据土地类别的特征，利用分割后形成的影像对象块的光谱、纹理、形状特征进行最大似然分类，形成遥感影像土地类型的初分类。然后根据地类的特征设置提取规则集优化地类信息提取的效果。

2 土地分类信息提取试验

2.1 试验区概况

安宁县位于滇中高原中部，有“安宁雄镇，诸爨要冲”的美誉，年平均气温14.8℃，属于中亚热带气候。本试验选取拍摄于2010年1月经过校正和与全色光融合后QuickBird安宁市温泉镇影像，精度达到0.61m，覆盖面积达到了6512.25平方米，如图2所示。

从图2可以看出，该地区地类主要包括植被、裸地、水体、道路和建筑5个类别。由于对太阳光线的遮挡，在高分辨率的遥感影像上就出现了若干由植被或者建筑物遮挡产生的暗色调阴影区域。在没有其他辅助数据的协助下很难识别落影下的实际地类类型，故将阴影另设为一特殊的地类。

2.2 影像初处理

面向对象遥感信息提取的第一步就是根据影像的特点选择相应的参数对影像进行分割，形成与实际地物相似的影像对象块。通过多次数据实验本文选择分割尺度为80，光谱异质性权重在蓝光波段为0.5、绿光和红光波段为0.8、近红外光波段为1，形状差异性权重为0.8，紧凑度权重为0.2的多尺度分割算法对影像进行分割，分割后的影像对象块边界与地类边界相一致且避免了对象的过度破碎。

在分割完成后需要利用影像对象的光谱、形状、纹理信息进行最近邻采样，即在选择了有代表性的样本后，以样本的光谱亮度均值、标准差及形状指数为指标参数进行最近邻分类，并最终将影像对象块分类到植被、裸地、水体、道路、建筑和阴影6个类别中，粗分类结果如图3所示。

2.3 基于知识库的土地分类优化

从图3可以看出由于地类间光谱信息的相似性和影像中纹理、位置信息的利用不充分导致了部分土地类型的错分类，造成了土地分类碎化性严重、一定量的地类归并为阴影类等情况。针对以上问题需要根据各地类错分类的情况，利用地类在影像上的特征构建相应的规则集进行土地分类优化。

建筑物地类的错分类主要由两部分组成：一是具有蓝绿色屋顶的建筑物被错分到了植被类中。由于植被在蓝光波段的低反射性和蓝绿色屋顶在蓝光波段的小反射峰，可以将NDVI>0.2且蓝光波段均值小于200的建筑物派送到植被类中；二是由于试验区影像的拍摄区域存在一定量的乡镇地带，乡镇建筑物的形状、颜色具有很大的自主性，难于寻到统一的规范，所以通过手动调整的方法进行修改。

道路地类的长条状特性使其在影像对象块的类别判定中具有明显的优势，该地类的错分主要表现在与裸地和建筑物阴影的错分中。低等级道路的路宽较窄、路面多由沙土铺设而成，因而与裸地存在一定的误分，通过设置长宽比大于8的裸地派送为道路类。建筑物的落影在影像上构成长条状的影像对象，其阴影的暗色调会掩盖地物的实际类别，通过将明亮度小于150的规则将错分为道路的对象划分到阴影类。

部分裸地由于土质成分、光线照射不充分等原因使其成像色调较暗被错分成了阴影类，需要通过位置关系将距离建筑物超过30米且亮度大于148的阴影归为裸地类。

阴影的错分类主要集中在植被、水体和道路类中，该类错误则通过如上所说的NDVI、NDWI指数和明亮度进行完善。

通过上述基于知识库的方法对影像中的五大地类信息进行类别优化后，最终的分类结果如图4所示。

3 结果分析与评价

从图4的分类结果来看，本文提出的方法能较好的保证土地分类中各地类内部的均一性和连续性。为了精确的验证面向对象的高分辨率遥感影像土地分类结果，使之与Erdas监督分类进行比较，并随后在Erdas中对两种分类结果随机抽取250个点进行分类精度评价。比较结果如表2所示，可以看出本文提出的面向对象土地分类方法比传统基于像元的监督分类方法精度提高了将近17%。

本文采用方法的不足之处在于对土地分类中的道路、裸地信息识别精度较低。这主要是由于实验区影像含有一定量的乡镇地区，乡间道路等级较低，其光谱特性与黄褐色的裸地极易混淆；再者村镇中的建筑物密度高且形状不规则，会对其间的内部道路有不同程度的遮挡，造成影像上道路的突然中断或者形状不连续，因而无法很好的利用道路识别知识库的内容进行提取。所以在以后研究中应注重对乡镇土地类型中的道路、建筑和裸地信息光谱、形状、纹理相应特征的研究，以提高乡镇土地利用类型信息提取的精度。

4 结束语

本文利用面向对象的方法，在最近邻分类完成后通过建立的土地类型知识库的方式进一步完成了高分辨率卫星影像的土地分类信息的提取。该种方法能较好的利用影像的位置、纹理信息，避免由于影像分辨率过高而造成的地类破碎化严重的问题，很好地识别了各地类。

参考文献：

[1]陈小良.基于面向對象技术的土地利用/覆被分类研究[M].中国地质大学，2009.

[2]Hofmann，P.Detecting informal settlements from IKONOS image data using methods of object oriented image analysis-an example from Gape Town （South Africa），Remote Sensing of Urban Areas/Femerkundung in urbanen Raumen.Regenseburg，ed.By JURGENS，C，2001：41-42.

[3]余坤勇，许章华，刘健，等.“基于片层-面向类”的竹林信息提取算法与应用分析[J].中山大学学报（自然科学版），2012，51（1）：89-95.

[4]余晓敏，湛飞并.基于高分辨率遥感影像的城市地表信息提取研究[J].测绘与空间地理信息，2012，35（7）：21-24.

[5]蔡银桥，毛政元.基于多特征对象的高分辨率遥感影像分类方法及其应用[J].国土资源遥感，2007（1）：77-81.

[6]史文中，朱长青，王昱.从遥感影像提取道路特征的方法综述与展望[J].测绘学报，2001，30（3）：257-262.

[7]唐静，吴俐民，左小清.面向对象的高分辨率卫星影像道路信息提取[J].测绘科学，2011，36（5）：98-99.