面向对象分类法在唐山南湖遥感信息提取中的优越性分析

杜福光

（唐山师范学院 资源管理系，河北 唐山 063000）

面向对象分类法在唐山南湖遥感信息提取中的优越性分析

杜福光

（唐山师范学院 资源管理系，河北 唐山 063000）

选取唐山南湖作为研究对象，分别采用面向对象分类法与面向像元分类法对研究区进行遥感信息提取，得到不同的分类结果。实验证明，在南湖遥感影像的信息提取中，采用面向对象分类法总体精度（91.3%）要远大于面向像元法的总体精度（72.1%），因此，面向对象分类法具有明显优势，对于将面向对象分类方法应用于其它领域的遥感信息提取能够提供一定的借鉴意义。

遥感；信息提取；面向对象分类；唐山南湖

近年来遥感技术飞速发展，遥感信息的用途不断拓展，并且已经逐渐成为GIS的重要数据来源，被广泛应用于生产生活的方方面面。要使遥感信息成为快速、高效的数据源，就要加快遥感地物提取速度与效率。传统的地物提取方法已经难以满足日益增长的需求，因此，新的遥感地物的提取方法非常重要，面向对象分类法正是在这种背景下产生的。

1 研究区概况

唐山南湖位于唐山市区南部，北纬36°29′，东经119°20′，原为开滦煤矿开采沉陷区，百余年的煤炭开采，造成了市区南部地表下沉总面积达2.08万公顷，形成塌陷坑53个，形成了广袤的水域。自1996年开始，唐山市委、市政府对唐山南湖进行综合治理，形成了一定数量的居民点与附属耕地，以及大面积的草地和林地，地物种类多样，对不同地物类型进行遥感信息提取能够更加直观地了解南湖植被覆盖情况，对于南湖的绿化具有重要意义。

2 数据获取与预处理

选取2009年Google Earth上唐山南湖的高分辨率影像，影像具体的采集时间点为2009年11月15日，影像清晰无云，成像质量较好。此外，涉及到的数据还包括各种辅助资料和统计数据，如唐山市南湖土地利用图及历年统计资料，其来源于政府门户网站和统计年鉴，并且在此次研究的数据获取阶段，进行了多次实地考察用来修正各种数据。

对获取到的研究区遥感影像定义合适的坐标系统与投影系统进行几何纠正、图像配准等一系列的前期预处理工作。此外，利用ENVI遥感图像处理软件，对影像进行分段拉伸，增大像元之间灰度值差距，处理后的影像层次分明、地物差异大，各类地物易于判别。经过预处理后的研究区影像如图1所示。

图1 处理后的唐山南湖遥感影像

3 研究过程

通过对传统的以最大似然法为代表的面向像元分类法与面向对象分类法的分类结果进行比较，对两种方法精度进行评价分析，得出实验结论。

3.1 面向像元分类法

最大似然法是面向像元分类法中最为广泛的一种分类器[1]。它有严密的统计理论基础，是建立在贝叶斯准则基础上分类误差概率最小的一种分类方法。它通过假定训练区地物的光谱特征和自然界大部分随机现象一样，近似服从正态分布，利用训练区可求出均值、方差以及协方差等特征参数，从而可求出总体的条件概率密度函数，并利用贝叶斯公式进行后验概率的计算，根据其最大值原则判定类别归属。

在ENVI软件中，利用ROI工具窗口进行样本选择。选用多边形方式，在目视判读的基础上，选择各类地物中代表性地物，并用不同颜色进行标注。各类感兴趣地物的分布状况如图2所示。

图2 分类样本分布

利用所选样本采用最大似然法进行监督分类，分类后结果如图3所示。

图3 最大似然法分类结果

对分类后的数据利用软件Confusion Matrix功能计算混淆矩阵，并得出分类后精度进行精度评价，评价结果如表1所示。

表1 最大似然法分类精度评价结果

从表1看，水体的生产精度和用户精度最高，草地的生产精度和用户精度次之；剩下依次是裸地、有林地、建筑物、耕地、道路。明显可以看出，由于类别间分离性较差，基于像元的分类结果精度不高，误分率较高。

3.2 面向对象分类法

面向对象是相对于传统遥感影像处理软件主要针对单个像元的解译算法而言[2]。该方法在分类时不仅仅考虑地物的光谱特征，还利用其几何特征和结构特征，图像中的最小单元是对象，而不再是单个的像元。因此，面向对象的遥感影像解译方法会比面向像元的遥感影像解译方法取得更好的效果，特别是应用在地物连续分布的遥感影像上。

采用面向对象的提取方法有以下优势：首先，通过对影像分割，可以很好的解决噪声问题，因为这些噪声区域将与其周边的像元一起合并到特定的影像对象中去，使得部分孤立地物，如车辆等，被融入道路对象中；其次，可充分利用地物的几何结构特征和光谱特征；第三，面向对象法分类法引入了空间特征，如距离、拓扑邻接和方向等，可有效利用影像对象间的语义关系，使专家知识能够直接指导遥感影像分类[3]。

3.2.1 图像分割与区域合并

要生成影像对象，就必须通过分割这个过程。影像分割是将影像细化成分隔区域的过程。在分割过程中值得注意的是影像的对象平均异质性应该被减少到最小，像元的平均异质性也应该最小化，像元所归属的影像对象的异质性应该被分配到每个像元中，所有的影像对象自动构成体系。影像分割时，有的特征可能会被错分，也有可能一个特征被分成很多小部分，这时需通过合并改善对地物界线的描绘来解决过度分割问题，最终达到理想的分割效果。

在软件FX模块中，设置阈值为67.3的分割参数和阈值为97的合并参数对预处理后的影像做分割处理。图4为经过边缘分割并合并后的图像。

图4 分割合并后影像

3.2.2 典型地物特征分析

3.2.2.1 地物光谱特征分析

光谱特征是多光谱遥感影像地物识别最直接，也是最重要的解译元素。由于各种地物的结构、组成不同，因此它们本身的热辐射特征及对电磁波的反射状况存在差异，在影像上表现为像元灰度值之间的不同。为便于观察各目标地物光谱特征及其变化的规律，在原始影像中采集了一定数目的训练样本，得到各研究地物样本的灰度统计值（表2），并生成光谱均值图（图5）。

表2 地物样本灰度统计表

从图5可以看出，水体、有林地、建筑物的均值曲线与其它地物的均值曲线距离较远，通过均值可以把它们与其它地物区分开。在第2波段，虽然道路与裸地的均值相混淆，但在第3波段，它们的均值曲线呈现分离趋势。因此，水体、有林地、建筑物、道路及裸地可把灰度均值作为区别其它地物的光谱特征指标之一。而耕地与草地的均值曲线则十分靠近，容易混淆，以此作为区分特征就很容易导致错分现象的发生。

图5 地物光谱均值曲线

3.2.2.2 纹理特征分析

应用纹理分析提取影像的纹理特征，不仅可以推进影像解译的自动化，而且可以抑制“同物异谱”、“同谱异物”现象对分类精度的影响[4]。在研究区中，由于组成成分、植被覆盖状况的相似植，耕地与草地仅依据光谱特征无法区分，但二者在纹理上有较大差异，草地呈近似点状分布，而耕地一般呈多边形分布。然而，纹理信息对像元亮度的变化十分敏感，在地物的边缘必然出现明显的亮度变化，这就造成地物类型边缘处的纹理特征值不能真实反映地物之间纹理的差别。因此，在利用纹理信息提取地物时，需要对提取结果的边缘作相关的处理，以减少不必要的误差。

3.2.2.3 地物形状分析

形状是判断对象类别的一个重要标志，根据形状属性对地物分类在一定程度上消除了“同物异谱”、“同谱异物”的影响，如通过面积区分大小地物对象，通过延长性区分长短地物对象等。例如道路成条状，其延长性属性明显区别于其他地物，可通过恰当的设定来将其与其他地物进行区分。

3.2.2.4 其他辅助信息

除了以上所用的辅助信息以外，地物之间空间布局与颜色也是一种常用的辅助信息[5]。如，河流旁边的裸地一般是河床，很少是旱地；河流旁边的线状地物一般为公路、农村道路，在南方多水地区还有可能是渠。这种辅助信息就是利用了空间关系来解译目标地物；而颜色的性质主要由色调、亮度与饱和度来描述。它们作为描述颜色性质的参数，在解译地物方面也至关重要。

3.2.3 分类结果

根据以上分析，利用原始影像、纹理特征、形状特征等辅助信息，建立专家分类模版，对研究区影像进行分类，结果如图6所示。

图6 面向对象分类结果图

3.2.4 分类结果精度评价

精度评价仍采用混淆矩阵法，在ENVI下由计算机自动进行混淆矩阵的计算[6]。参与混淆矩阵计算的图像有两幅，一幅是分类结果图，一幅是地表真实图像或地表真实感兴趣区图像。结果如表3。

表3 面向对象分类精度评价结果

4 结论

实验通过用监督分类和面向对象分类方法对图像进行分类，以及用混淆矩阵对分类结果的精度作评价分析，得出两种方法（最大似然分类法a、面向对象分类法b）的比较结果，见表4。

从表4可以看出，采用面向对象法分类使得各地物分类精度均明显得到提高，总体分类精度由72.05%提高到91.32%。

表4 两种分类方法比较

在唐山南湖遥感影像地物提取中，从分类结果来看，面向对象分类法要明显优于面向像元分类法，能够满足实际应用的需要。由此可见，基于面向对象法分类，地物各种特征参数的分析与选取对分类结果非常重要。由于本文影像来自于Google Earth遥感影像，像元数量较少，纹理不够清晰，如草地、耕地、有林地等含有绿色植被的地物在分类时常常出现混淆，导致总体分类困难及精度不是很高。此外，在唐山南湖信息提取过程中其他遥感信息提取方法是否具有更高的精度也有待于进一步分析与探索。

[1] 刘涛,孙忠林,孙林.基于最大似然法的遥感图像分类技术研究[J].福建电脑,2010(1):7-8.

[2] 孙晓霞.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(1):62-63.

[3] 张源,王仰麟,彭建,等.基于空间概率面的山区居民地遥感信息提取[J].地理与地理信息科学,2006(4):6-10.

[4] 陈超,江涛,岳远平.监督分类和目视修改相结合在高分辨率遥感影像中的应用[J].国土资源信息化,2009(5): 37-48.

[5] 骆剑承.遥感影像智能图解及其地学认知问题探索[J].地理科学进展,2000,19(4):289-296.

[6] 周成虎.遥感影像地学理解与分析[M].北京:科学出版社,2001:257-258.

（责任编辑、校对：王淑娟）

The Analysis of Superiority in RS Information Extraction of Tangshan Nanhu by Using Object-Oriented Classification Method

DU Fu-guang
(Department of Resource Management, Tangshan Teachers College, Tangshan 063000, China)

The object-oriented classification method and pixel-oriented classification in remote sensing information extraction are used respectively by taking Tangshan Nanhu as study object and different classification results are achieved. The experiment shows that, in the process of Nanhu remote sensing image information extraction, object-oriented classification overall accuracy (91.3%) is much larger than the overall accuracy of pixel-oriented classification (72.1%). Therefore, an object-oriented classification method has obvious advantages. It may provide some reference for other areas of remote sensing information extraction.

remote sensing; information extraction; object-oriented classification; Tangshan Nanhu

P208

A

1009-9115(2014)02-0146-04

10.3969/j.issn.1009-9115.2014.02.045

河北省科技计划软科学项目（13454008D），唐山市科技计划软科学项目（13140227b）

2013-06-05

杜福光（1983-），男，山东烟台人，硕士，讲师，研究方向为GIS开发与遥感应用。