基于高分辨率遥感影像的农村居民点内部用地信息提取研究

陈广群，刘洋，兰泽英

(1.广州市城市规划勘测设计研究院，广东广州 510060； 2.武汉大学资源环境科学学院，湖北 武汉 430079；3.地理信息系统教育部重点实验室，湖北武汉 430079)

基于高分辨率遥感影像的农村居民点内部用地信息提取研究

陈广群1∗，刘洋1，兰泽英2，3

(1.广州市城市规划勘测设计研究院，广东广州 510060； 2.武汉大学资源环境科学学院，湖北 武汉 430079；3.地理信息系统教育部重点实验室，湖北武汉 430079)

近年来，随着农村地区土地利用规划工作的细致深入，对快速获取农村居民点内部用地信息提出了更高的要求。目前，国内外的研究主要集中在对于房屋或道路的提取上，且大多以面向像元的分类方法为主，其结果并不能反映农村居民地内部的整体用地情况且分类精度有待进一步提高。为此，本文提出了一种方法:首先利用大比例尺土地利用现状图提取农村居民点外边界；接着建立起农村居民地遥感分类体系；然后，采用面向对象的分类技术，辅以各种地学知识建立起提取农村居民点内部用地信息的有效模型；最后以武汉市黄陂区的桃园吉地区为研究区域进行了实例研究，验证此方法的有效性。

高分辨率遥感影像；农村居民地内部用地信息提取；面向对象分类技术

1 引 言

农村居民地在我国土地利用中所占的比重很大，但是其布局散乱、用地粗放。因此，采用高分辨率遥感技术快速、有效地掌握其内部用地信息，从而进行潜力挖掘、优化布局已成为当前我国新农村建设的首要任务。

目前，国内外对城市居民点用地信息提取的研究很多(Aaron K.Shackelford，2003)，但针对农村居民地的研究相对较少，且主要集中在对于房屋或道路的提取上(陈敏，2004；苏俊英，2004；朱长青等，2004；Michael Bock，Panteleimon Xofis，2004；Jingnan Huang et al，2007)，其结果并不能反映农村居民地的整体用地情况。此外，目前的研究大多以面向像元的分类方法为主，并相继出现了基于光谱特征和形状特征的简单决策树模型(安如，赵萍，2005)，基于知识发现的房屋半自动提取方法(杨存建，周成虎，2001)，基于纹理特征的房屋与道路分离的骨架化算法(苏俊英，曹辉，张剑清，2004)，基于ffmax算子的辅助分类方法(Chu He et al，2006)等。但在农村居民点内部，由于用地结构混乱，像元间相互影响的情形十分突出，此类方法并不能较大地提高分类的精度。

为此，本文利用高分辨率遥感影像，提出了一种方法(如图1所示):首先利用大比例尺土地利用现状图提取农村居民点外边界；接着根据新农村建设对于居民地规划的需求建立起农村居民地遥感分类体系；然后，采用面向对象的分类技术，辅以各种地学知识建立起提取农村居民点内部用地信息的有效方法模型；最后以武汉市黄陂区的桃园吉地区为研究区域进行了实例研究，验证此方法的有效性。

图1 利用高分辨率遥感影像提取农村居民点用地信息技术路线流程图

2 研究区域

本文以武汉市黄陂区的桃园吉地区为研究对象，它位于黄陂市东部，具有典型的江汉平原农村居民点的特点，总面积 112.4 km2。采用的遥感影像为2005年的SPOT5影像，分辨率为2.5 m×2.5 m，研究区域被划分为2 469×1 922个栅格。该影像为在气象条件良好的前提下拍摄所得，并经过几何纠正，影像配准和融合从而转化成数字正射影像图。此外，本文还采用了该地区2005年的1∶1万的土地利用现状图作为参考。

3 居民地外边界提取

将遥感影像作为底图，以土地利用现状图中获取的居民点图斑作为边界条件进行图像裁剪，运算结果就代表影像图中相应的农村居民点范围，为此采用了同时期的影像数据(2005年SPOT5影像)和矢量数据(2005年的1∶1万的土地利用现状图)，步骤如下:首先，基于ArcInfo软件的查询模块将土地利用现状图中的居民地图斑筛选出来；其次，上步操作得到的图斑是Shapefile数据格式，必须转换为栅格图像文件才能与影像进行叠置计算。在转换过程中，利用Coverage作为中间数据格式进行处理。此外，转换后还需要设置图像的投影信息等；最后，通过掩膜运算实现影像中农村居民点边界的提取。

4 辅以地学知识的面向对象影像分类

本文采用面向对象的分类方法来提取农村居民点内部用地信息。其实现过程包括:首先建立农村居民点内部用地信息的遥感分类体系；其次，对影像进行多尺度分割，并建立类层次结构，针对每种类别，建立不同的特征组合；然后依据分割得到的同质对象的特征向量空间来进行遥感影像分类；接着，对于错分或漏分的同质对象，可以通过人机交互的方式进行纠正，在初次分类的影像上进行再分类；最后采用实地调查数据对分类精度进行评价。

4.1 农村居民地遥感分类体系

按照《我国新农村规划分类体系》的要求，农村居民点的详细分类体系主要由以下几个类别组成:村民住宅用地(dwelling building)、公共建筑用地(public building)、生产建筑用地(operative building)、道路用地(pavement land)、广场用地(open space)、水利洗涤用地(pond land)，及村庄内部绿化用地(vegetation land)。结合研究区域的实际特点，具体分析上述土地利用类型在遥感影像中的信息机理如下:

(1)村民住宅用地、公共建筑用地、生产建筑用地这3个类别是按照建筑物的利用类型来区分的，由于它们在遥感影像中各项特征相似，不具备可分性，因此将其归属为建筑物用地(build－up land)，其颜色为白色，大小在25 m×25 m以下。

(2)在农村居民点中，道路用地的铺筑材料是水泥或碎石，一般宽 2.5 m，光谱特征与水泥房顶相似；还有一部分道路被两边的行树覆盖，光谱特征表现为与绿地相似，颜色为深绿偏亮。由于道路在影像中表现出“同物异像现象”，为了获得更好的分类精度，本文将道路用地细分为:水泥覆盖的道路(cement covered pavement)、树冠覆盖的道路(crown covered pavement)。

(3)广场用地主要指房屋间的空地，受经济水平的限制，目前这些地块未进行规划管理，还属于泥土地，宽1 m～5 m不等，颜色呈土黄。

(4)水利洗涤用地主要反映为居民点内部的小型水塘，图斑紧湊，主要表现为深蓝色。

标准的土地利用分类体系和通过遥感影像提取出来的土地利用分类体系的对应关系 表1

(5)村庄内部绿化用地包括林地和草地，林地的分布主要有以下几种方式:成片分布在居民点外围、零星分布在房屋四周、平行分布在道路两旁，其中，道路两旁的绿地受水泥地面反射光谱的影响，颜色为绿色稍亮；密集绿地颜色偏深绿；稀疏绿地由于混有部分泥土的反射光谱，颜色偏淡绿。由于绿化用地表现出“同物异像”现象，为了获得更好的分类精度，本文将绿化用地细分为:密集型(dense vegetation)和稀疏型(spread vegetation)，最后再进行统计汇总。

4.2 多尺度影像分割

影像分割的目的在于将影像划分成一个个有意义的区域，为下一步分类提供基础。影像分割的精度直接决定以后分类结果精度高低(Volker Walter，2004)。分割尺度的选择、图层权重的选择以及分割因子的选择是影像分割过程中的重要环节。

(1)尺度的选择:对于一种确定的地物类型，最适宜的尺度值是分割后的多边形能将这种地物类型的边界显示十分清楚，并且能用一个对象或几个对象表示出这种地物，既不能太破碎，也不能太大(黄慧萍，2003)。在农村居民点中，地类图斑本身就比较小，因此分割尺度均选在30 m以下。其中，绿地和洗涤用地有成片分布情况，而且它们的光谱特征与其他地类差别较大，因此分割尺度最大；建筑用地和空地的分割尺度其次；道路的宽度只有2.5 m，应该尽量选择小尺度分割。

(2)图层权重的选择:可以根据不同图层对分割结果的重要性而取不同的权重值。如果分割过程中所需要的一个层的信息越多，则此层的权重就越高(Barlow J，2003；Geneletti D，2003)。

(3)分割因子的选择:影像分割时，要反复试验确定合适的颜色、光滑度和聚集度3个分割因子。这3个因子决定了在影像对象层中各自所占的百分比。多尺度影像分割的参数如表2所示。

多尺度影像分割参数 表2

4.3 分类层次及类别表达

农村居民点内部地物的关系复杂，因此本文采用层次分析法(AHP)，将土地利用类型分为若干层次，首先基于光谱特征进行差异较大的类别信息提取，得到第一层次的分类结果；然后再基于形状特征等几何信息对第一层中无法区分的地类进行细分，获得第二层次的分类结果，按此操作流程，直至分出所有的类别为止。这个层次结构的建立是一个动态过程，即它并非一层不变，而是随着分类操作反复调整的。

本文中，首先根据影像的光谱特征可以较容易区分广场用地、水利洗涤用地和稀疏型绿化用地，它们分别为土黄色、深蓝色和淡绿色。但是建筑物用地和水泥覆盖的道路均为白色，树冠覆盖的道路和密集型绿化用地均为深绿色，这两组地物在第一层分类中无法区分，需要建立第二层分类结构。分类层次如图2所示。

此时，需要结合地学知识分析地物类别与影像对象特征的相关性，选择差异显著的其他特征将它们区分开来。由于道路斑块较狭长，建筑物斑块则较为规整，绿化用地的形状呈现出显著的不对称性，因此通过各种形状特征指数可以将这些地类进一步区分开来。本文利用eCognition软件的Feature View工具来实现，所选定的形状特征指数主要有“长度/面积”、“长度/宽度”、“曲率/长度”，如表3所示。

图2 影像分类的层次结构

相似光谱特征类别的表达 表3

4.4 居民地内部土地利用信息提取

基于分割的面向对象分类技术一般包括两种方法，即模糊分类和最邻近分类，本文采用后一种方法。在分类前先对每种地类进行样本多边形的训练工作。根据分类系统中地物类别的特征组合，利用成员函数筛选训练样本。成员函数把任意特征值范围转换为统一的范围[0，1](王宁宇，2006)，描述了样本对于某个类型的隶属度。面向对象技术允许随时对训练区样本的成员函数曲线进行调整，在训练中舍弃特征值分散的样本，选择属性值在函数曲线上集中的多边形为样本库成员，每种土地利用类型有一个样本函数库，一个标准图幅影像的样本多边形数目为20个～50个。确定样本库后就可以在不同的对象层提取对应的地物类别，每一个多边形的特征组合与所有地类的样本函数曲线比较，若该属性值位于曲线范围之内，则获得一个隶属度，隶属度加权和大于其中一种地类的预设值，则该多边形确定为该类用地。

初次分类后，难免有错分与漏分的现象，面向对象分类方法提供了一种人机交互的方式，将漏分的多边形手动归为某种地物类型，错分的多边形进行类型的修改。这样充分利用了人工目视解译在高分辨率遥感影像处理中的优势，通过人机交互的方式，反复修正分类结果，使分类精度大大提高。

5 实验结果及分析

5.1 居民地边界提取结果

提取结果如图3所示，其中左边为提取出的农村居民点多边形与影像的叠加结果，共有89块多边形；右边为其中一块多边形的放大效果图。由于该地区为典型的江汉平原地带，居民地的分布受地形的影响较小，因此居民地的分布较为分散，但比较均匀。

图3 SPOT影像图中的农村居民点范围提取结果

5.2 基于面向对象技术的遥感影像分类结果

(1)影像的多尺度分割结果

本文采用eCognition软件来进行基于面向对象技术的遥感影像分类。在农村居民地外边界提取结果的基础之上，我们采用表1中所示的参数对影像进行多尺度分割，一共划分了3个层次，得到3个尺度的分割结果，分别如图4中的level1，level2以及level3所示。

图4 多尺度分割结果图

(2)影像分类结果

我们确定了影像分类的分类层次以及相似类别的表达后，光谱特征被首先用来区分第一层次的土地利用类别。在具有较大分割尺度的影像对象层中(Level3)，我们建立了每个类别的训练样本。然后，采用面向对象技术的最邻近分类法进行初始分类，结果如图5所示。

由图5可知，在较大尺度的影像对象层中，光谱特征具有显著区别的类别能够较容易进行区分。然而，具有相似光谱特征的类别却存在着误分类的情况，例如图中的区域A和B。在实地，A和B同为一条道路的两个部分，但是A区域被行树全覆盖，在影像中呈深绿色，故在初始类结果中被划分为深绿色地类，而B被水泥材料覆盖，在影像中呈白色，故被划分为白色地类。因此，在具有“同物异像”或“同像异物”现象的区域还需要对小尺度影像对象层(Level1和Level2)辅以表3所示的形状特征指数进一步细分类。并且，分类结束之后，我们还需要采用人机交互方式对漏分或错分的区域进行改正，从而得到最终的分类结果，如图6所示。

图5 初始分类结果

图6 最终分类结果

(3)分类精度分析

由于农村居民地内部的用地信息在1∶1万土地利用现状图中得不到反映，因此本文采用实地调查的土地利用数据作为参考来评价此影像分类的精度。首先，我们在研究区域的89块农村居民地图斑中选取了靠近主要道路的3块和远离主要道路的3块作为样本；然后把样本的影像分类结果和实地调查结果做对比分析，分析的结果如表4所示。

由评价结果可知，本文中农村居民地内部土地利用信息的提取结果具有较好的精度，总体上达到了84.09%，大多数地类的分类精度均在80%以上。而道路用地由于“同像异物”和“同物异像”现象的影响使得其分类精度相对较低，为77%左右。对于稀疏型绿化用地，则是由于受到其周围泥土反射光谱的影响，其分类精度也相对较低，为76.67%左右。总体而言，此分类精度是令人满意的。

分类结果的精度分析 表4

6 结 论

高分辨率遥感影像在土地详细利用中具有广阔的应用前景。近年来，随着农村地区土地利用规划工作的细致深入，对快速获取农村居民点内部用地信息的提出了更高的要求。高分辨率遥感影像中包含了丰富的细节信息，为土地利用工作提供了数据来源，为此，本文提出了一种基于高分辨率遥感影像提取农村居民地内部土地利用信息的技术路线。实验结果表明，与传统的基于像元的监督分类技术相比，面向对象的分类过程更加符合人脑的思维过程，分类结果更加符合实地情况。该方法实现了对农村居民地内部的房屋、道路、绿地、裸土地的定量、定位描述，为土地利用规划提供了实时、可靠、详细的数据基础，它对于促进土地集约利用，缓解用地矛盾，保护生态环境，改善农村居民的生活条件具有十分重要的意义。

[1]Karathanassi，V，Iossifidis，C.＆Rokos，D.A texture－based classification method for classifying built areas according to their density.International Journal of Remote Sensing. 2000.21:1807～1823

[2]Caprioli M，Tarantino E.Urban Features Recognition from VHR Satellite Data wit h an Object2oriented Approach [A].Proceedings of Commission IV Joint Workshop，Challenges in Geospatial Analysis，Integration and Visualization II，Stut tgart[C].Germany，September 8～9，2003

[3]Townshend J，Huang C，Kalluri S，Defries R，et al.Beware of per pixel characterization of land cover.International.Journal of Remote Sensing，2000，21(4):839～843

[4]Blaschke T，Lang S，Lorup E，et al.Object－oriented image processing in an integrated GIS/remote sensing environment and perspectives for environmental applications[J]. Environmental Information for Planning，2000，2:555～570

[5]Chu He，Gui－song Xia，and Hong Sun.An Adaptive and Iterative Method of Urban Area Extraction From SAR Images [J].IEEE.IEEE GEOSCIENCE AND REMOTE SENSING.2006.10，3(4):504

[6]A.M.Marangoz，S.Karaki and M.Oruc.Analysis of object－oriented classification results derived from pan－sharpened landsat 7 ETM and Aster images.ISPRS workshop on topographic mapping from space，Ankara，February 2006

[7]Aaron K.Shackelford，Student Member，IEEE.A Combined Fuzzy Pixel－Based and Object－Based Approach for Classification of High－Resolution Multi－spectral Data over Urban Areas[J].IEEE GEOSCIENCE AND REMOTE SENSING. 2003.10，41(10):2354～2364

[8]Jingnan Huang，X.X.Lu，Jefferey M.Sellers.A global comparative analysis of urban form:Applying spatial metrics and remote sensing.ELSEVIER Landscape and Urban Planning.2007

[9]Michael Bock，Panteleimon Xofis，Jonathan Mitchley.Object－oriented methods for habitat mapping at multiple scales. ELSEVIER Journal for nature conservation.2004.12

[10]Volker Walter.Object－based Classification of Remote Sensing Data for Change Detection[J].ISPRS Journal of Photogrammetry＆Remote Sensing，2004，58:225～238

[11]Barlow J，Martin Y，F ranklin S E.Detecting Translational Landslide Scars Using Segmentation of Landsat ETM＋and DEM Data in the Northern Cascade Mountains[J].British Columbia，Can J Remote Sensing.2003，29(4):510～517

[12]Geneletti D，Go rte B G H.A Method for Object－Oriented Land Cover Classification Combining Landsat TM Data and Aerial Photograph s[J].Remote Sensing.2003，24(6): 1273～1286

[13]Floyd M H，Zong2Guo Xiao.Sar.Application in Human Settlement Detection，Population Estimation and Urban Landuse Pattern Analysis:A Status Report[J].IEEE.Geoscience and Remote Sensing，1997，35(1):93～1011

[14]王宁宇，李博.基于eCogniton的高分辨率遥感图像的自动识别分类技术[J].北京建筑工程学院学报，2006.12，22(4):26～29

[15]苏俊英，曹辉，张剑清.高分辨率遥感影像上居民地半自动提取研究[J].武汉大学学报，2004.9，29(9):791～795

[16]黄慧萍.面向对象影像分析中的尺度问题研究[D].中国科学院研究生院，博士学位论文，2003

[17]朱长青，王耀革，马秋禾等.基于形态分割的高分辨率遥感影像道路提取[J].测绘学报，2004.11，33(4):347～351

[18]田光进，刘纪远，张增祥等，基于遥感与GIS的中国农村居民点规模分布特征.遥感学报，2002.7，第六卷第4期: 307～312

[19]安如，赵萍，王慧麟等.遥感影像中居民地信息的自动提取与制图[J].地理科学，2005，25(1):74～80

[20]杨存建，周成虎.TM影像的居民地信息提取方法研究[J].遥感学报，2000，4(2):146～150

[21]陈敏，刘秉瀚，杨靛青.TM遥感图像中居民点的自动提取[J].福州大学学报，2004(32):95～98

Extraction of Land－use Information within Rural Residential Area from High－resolution RS Images

Chen GuangQun1，Liu Yang1，Lan ZeYing2，3
(1.Guangzhou Urban Planning＆Design Survey Research Institute，Guangzhou 510060，China；2.School of Resource and Environment Science，Wuhan University，Wuhan 430079，China；3.Key Laboratory of Geographic Information System，Ministry of Education，Wuhan University，Wuhan 430079，China)

Extracting land－use information within rural residential area is one of the major applications in remote sensing today.In this paper，a new method，which is auxiliary land－use knowledge method，is presented for this requirement.With the abundant geographic knowledge in the thematic map，we first propose a simple and effective method to extract rural residential out－border from RS image by overlapping analysis，and take the result as the basic data for further interpretation.Secondly，the object－oriented approach is employed for further classification，whose basic cell isn’t a single pixel any more，but rather an image object from image segmentation.During the process，land－use knowledge is also taken as auxiliary information to establish class system and class hierarchy，select feature presentation of image objects，and examine classification result.Finally，a high－resolution RS image of Hubei Province is taken as testing data to verify the above method.The experiment results are satisfying:the detailed land－use information is extracted and categories with similar spectrum feature are divided effectively.It is obvious that this method offers a good solution to extract land－use information within rural residential area.

high－resolution RS image；Extracting land－use information within rural residential area；object－oriented classification approach

1672－8262(2010)03－71－06

P231

A

2010—03—23

陈广群(1963—)，女，助理工程师，主要从事地图学与GIS应用。

国家973基金支持项目(2006CB701303)