基于TM影像的面向对象地表覆被信息提取

2013-09-28翁中银何政伟叶娇珑

地理空间信息 2013年1期

翁中银，何政伟，范娟，叶娇珑

（1.成都理工大学地球科学学院，四川成都610059）

传统的遥感图像分类算法主要依据地物的光谱数据，导致未能充分利用遥感图像提供的多种信息（相邻像素间的关系、图像中提供的形状和空间位置特征等），分类精度受到限制[1-4]。面向对象的分类方法突破了传统方法以单个像素作为识别单元的局限，而是以单个像素的集合影像为基本单位。该方法在分类时不仅依靠地物的光谱特征，更要利用其几何和结构信息，从而提高了分类精度。近年来，面向对象的分类方法应用于各种遥感信息的提取[5-19]，但绝大部分是高分辨率遥感影像，对于在时间上连续性较好、光谱信息比较丰富、获取成本较低的中分辨率影像（如Landsat TM影像）利用不足[5]。本研究采用面向对象分类方法对渝北地区2008年TM影像进行分类实验，结果表明，采用面向对象方法对遥感影像进行分类，比采用监督、非监督分类法在分类精度上有较大提高。

1 研究区概况

渝北地处华蓥山主峰以南的巴渝平行岭谷地带，地势从西北向东南缓缓倾斜。全境自西向东是由华蓥山脉、铜锣山脉、明月山脉3条西北至东南走向的条状山脉与宽谷丘陵交互组成的平行岭谷。过境河流主要有长江和嘉陵江。嘉陵江沿区境西南边境流过，有后河注入，中、东部有寸滩河、朝阳河、长堰溪、御临河注入长江。长江沿区境东南边境流过，其地理位置为106°26′41″～106°58′42″E，29°34′30″～30°7′43″N（如图1所示）。渝北属亚热带湿润气候区，大陆性季风气候特点显著，具有冬暖春早、秋短夏长、初夏多雨、无霜期长、湿度大、风力小、云雾多、日照少的气候特点。

图1 研究区位置及TM假彩色合成影像

2 数据来源与研究方法

2.1 数据来源

本研究所采用的数据为渝北区2010-8-11的Landsat TM影像，研究区内的影像无云层覆盖，总体质量较好。

2.2 研究方法

采用面向对象的方法对中分辨率的TM遥感影像数据进行地表覆被类型信息的提取，如图2所示。

图2 数据处理流程图

数据处理流程分为3个部分：①对遥感影像的预处理及纹理特征的提取，其中数据预处理包括遥感影像的几何校正、K-L变换（主成分变换）和植被指数计算，纹理特征的提取则是利用ENVI4.7生成8个基于灰度共生矩阵的纹理特征，再利用ArcGIS 9.3采集各覆被类型的纹理特征；②利用eCongnition对经过几何校正的遥感影像进行影像分割，再选取样本，最后执行分类；③利用Erdas9.2对分类结果进行评价。

3 结果与分析

3.1 多尺度分割

多尺度影像分割是基于异质性最小，将影像分割为影像对象，即在设置的阈值范围内，将符合要求的单个像元合并为影像对象的过程[6，7]。本研究结合经过预处理的数据和原始遥感影像，利用eCognition软件的DefiniensDeveloper 7.0模块对其进行分割。因TM遥感影像空间分辨率不高，且渝北地区地表覆被类型复杂，相对破碎，故宜用较小的分割尺度。经反复实验，确定分割参数如下：各波段权重为1，分割尺度为12，形状因子为0.1，紧致度为0.5。研究区局部分割效果如图3所示。

图3 不同阈值下遥感影像分割结果

3.2 影像分类

为分析各土地利用覆被类型在遥感影像数据纹理特征中的可分性，利用ENVI4.7生成8个基于灰度共生矩阵的纹理特征，并结合ArcGIS 9.3获得各覆被类型纹理特征曲线如图4所示。

从图4中不难看出，适用于提取水体特征的有第4、5波段均值及PC1方差；适合提取建设用地的纹理特征较多，包括第1、2波段及第3、第6波段的均值和第6波段同质性；适用于提取林地信息的纹理特征有第1～3波段均值，第2、3波段二阶矩和第3波段熵；适合提取草地信息的纹理特征有第2、3波段均值及PC1均值；利于提取耕地信息的为第4波段均值；利于提取道路信息的特征包括第3波段和NDVI相异性、NDVI熵、第4波段及NDVI同质性和均值。

利用以上分析数据，结合eCongnition对TM影像进行分类，并将所得结果与监督分类和非监督分类结果进行对比（见图5）。