基于eCognition面向对象技术的高分辨率遥感影像土地利用分类——以福州琅岐岛为例

江 华



基于eCognition面向对象技术的高分辨率遥感影像土地利用分类——以福州琅岐岛为例

江 华

福州市环境科学研究院

该文采用eCognition软件平台，运用面向对象的多尺度分割方法，对研究区SPOT6影像进行土地利用分类。综合利用光谱、形状与纹理等特征，快速、有效地区分地类。研究结果表明，该软件平台分类效果较好，总体精度达到了88.25%，KAPPA系数为0.8560，与传统的分类方法相比，在提高分类精度的同时，能够有效避免“椒盐现象”的产生。

SPOT6 eCognition 面向对象 土地利用分类

0 引言

近年来，遥感技术迅速发展，数据源不断丰富，分辨率持续提高，对遥感影像信息处理与分析技术提出了更多的要求和挑战。目前主流的分类方法是监督分类和非监督分类，并在此基础上研发了各种改进的方法，如模糊分类法[1]、神经网络分类法[2]等。但这些方法在本质上还是基于影像像素层次的分类，虽然能在不同程度上对分类精度有所改善，但无法从根本上解决高分辨率遥感影像的高速与准确的信息提取问题[3]。基于面向对象技术的遥感影像分类方法突破了传统方法分类的限制，不仅可以充分利用高分辨率遥感影像上丰富的光谱信息，而且还可以把地物类型看成一个个对象，利用对象的空间信息（光谱特征、几何特征、纹理特征等）进行图像处理、分析、分类，取得了较好的效果，并得到快速发展。本文以福州琅岐岛为例，利用面向对象技术进行遥感影像土地利用分类研究，以实现对高分辨率遥感影像高效、准确的信息分析与提取。

1 研究区概况与遥感数据来源

研究区域为福州琅岐岛。琅岐岛位于闽江口，素称闽江口的明珠，自然条件得天独厚。岛东西长约15.3公里，南北宽约8.1公里，相当于香港本岛面积，为福建省第四大岛，中国第二十一大岛。本次研究范围为琅岐岛及其周边水域、滩涂，研究区总面积78.80km2，详见图1。研究中使用的遥感数据是拍摄于2013年3月7日的1.5m SPOT 6全色影像，多光谱分辨率为6m，包含蓝、绿、红和近红外四个波段。

2 研究方法和过程

面向对象方法包括影像分割和分类提取两部分。首先，根据影像像元的同质性自下而上合并形成影像对象；然后，利用对象的空间特征和光谱特征通过隶属函数或最邻近分类器，实现信息自动提取的目的[4]。其中影像分割是分类的基础，首先科学合理地确定遥感影像分割的尺度，然后选择和提取训练区样本对象或图像中的对象或基元特征，并利用这些特征或特征组合结合经验、知识进行分类，提取遥感信息。

本研究采用福州市环境科学研究院购买的德国Definiens公司开发的正版eCognition 8.9作为技术软件平台开展遥感影像信息提取和土地分类，eCognition是全球第一个面向对象的影像分析软件，它模拟人类大脑的认知过程，从不同的尺度和周围对象的关系把握认知目标，是计算机高速处理和人类认知原理的完美结合，兼顾了信息提取处理的速度和进度[5]。

在采用eCognition软件集成的隶属函数分类器构建分类树时，还可结合模糊分类和最近邻分类的方法，技术流程如图2所示，整个过程主要分为遥感影像分割、分类提取以及成果评价3个部分。

图1 研究区遥感影像原始图

图2 技术流程图

2.1 建立分类层次

eCognition可以根据构建的类层次结构对地物进行逐级分层分割，对非目标地类进行掩膜，这样就避免了其它目标对当前目标提取时的干扰，提高了分类精度，又极大地减少了每次分类所处理的分类单元数，提高了分类效率[6]。本研究区的地物类别及类层次结构图如图3所示，根据研究区的特征和实际情况，将研究区的土地利用类型分为滩涂、河流、塘库、道路、耕地、林地、菜地园地、建设用地8类。如图2所示，首先区分水体和非水体（陆地），然后在水体中根据相关参数进一步细分；对于非水体（陆地），可根据NDVI区分植被、非植被，然后再根据地物的具体特征，选择合适的参数进行分类提取。

图3 分类层次结构图

2.2 影像分割

根据研究区域范围的大小和影像特征，确定合适的分割尺度，分割尺度的选择对分类结果的精度具有至关重要的影响。因为对于光谱特征上比较相近的地类，如果分割参数选择不当，他们就会混合在一起，造成分类精度降低。不同分割尺度的试验结果见图3，分割尺度取30时，分割过于细致、破碎，不利于分类；当分割尺度取120时，分割不够完整，存在一个对象包含了多种地物的现象；分割尺度取70的结果相对兼顾了研究区各种植被的局部细节以及空间几何分布特征。本研究选择分割尺度为70，其它参数设置为：形状权重0.35，紧凑度0.6。

图4 不同分割尺度结果比较

2.3 分类提取

分割后的遥感影像具有光谱信息、纹理结构、形状等各种属性。因材质、空间分布方式的差异，每一地物类别都具有独立于其它地物的专属特征[7]。本研究主要通过光谱特征、纹理、形状特征等三个方面对地物进行识别分类。

2.3.1光谱特征

水体多成青色，且色调单一，与其它地物的光谱特征相差较大，可用归一化水指数（NDWI）来提取。该指数是基于绿波段与近红外波段的归一化比值指数，计算公式为：NDWI=[p(Green)-p(Nir)]/[p(Green)+p(Nir)]。通过对选择的训练区样本统计发现，水体NDWI值一般大于0.05，非水体一般为负数，不大于0.02。

不同地物的归一化植被指数（NDVI）值差别较大，归一化植被指数计算公式为：NDVI=[p(nir)-p(red)]/[p(nir)+p(red)]，为基于近红外波段和红外波段的谱间特征。通过计算统计，研究区典型地物间的NDVI区间如表1所示。从表1可知，植被与非植被NDVI指数差别明显，在NDWI指数区分水体和非水体后，用于区分植被与非植被。

表1 典型地物NDVI指数区间范围

除NDWI、NDVI外，还可运用亮度值、波段均值差、标准差等光谱特征参数，对相似地物进行辅助分类。如，道路的亮度值高于建筑物；在相同NDWI数值基础上，养殖池塘的红色波段与蓝色波段均值的比值在一定区间内，具有较明显的区分度。

同时，植被中不同地类有一定的差异，但也有相近的光谱特征曲线，仅用光谱特征是难以区分的，更不能保证分类的精度。因此，为了更有效地进行土地利用分类，需借助其它参数进行多角度分析。

2.3.2纹理特征

影像纹理值指灰度值在空间上的变化，是一种独立于颜色反映地物同质性的特征。在各种纹理分析方法中，灰度共生矩阵是当前公认较成熟的统计方法之一，它反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息[8]。

纹理特征主要用于区分光谱特征相似的地物。从上述光谱特征分析可知，耕地、菜地、林地光谱参数分布有重叠的区间，在此情况下，纹理特征是区分三类地物的重要参数之一。菜地园地和耕地都较为规则，林地比较不规则；菜地园地、耕地排列都较为规则，但因地物尺寸不一样，所呈现的纹理特征也不一致，菜地园地纹理更为稀疏，耕地纹理较为细腻。纹理特征是面向对象技术区分同谱异物的重要方法之一。

2.3.3形状特征

除上述两项重要的特征外，形状特征也有利于快速有效地分辨不同几何形态的地物，提高分类精度。如道路为条带状，其长宽比和形状指数大于其它地物；居民地建筑呈一定规则的方形，可利用矩形拟合度辅助分类。

根据类层次结构，以上述三项特征为主要分类方向选取特征参数，辅以模糊分类、最近邻法等。通过反复试验和实地验证，选取了较为合理的评价指标体系，并制定隶属函数分类规则，研究区分类体系与地物特征如表2所示。每一个对象对应于一个特定类别的隶属度，隶属度值越高，属于该类的概率则越大[9]。同时，需对隶属函数自动分类后的结果进行修正，调整样本函数曲线，也可通过人工判别、手动修正归类来提高分类精度。通过多次反复试验和调整，最终获得较为科学、合理的分类规则体系。

表2 研究区地类分类体系与地物特征

3 分类结果与精度评价

3.1 分类结果

琅岐岛面向对象方法土地利用分类的结果见表3和图5，同时为了比较影像的分类结果，采用传统的基于像素的最大似然法进行分类，传统分类结果见图6。

表3 琅岐岛土地利用分类统计表

图5 琅岐岛面向对象技术土地利用分类结果图

图6 琅岐岛最大似然法土地利用分类结果图

将图5和图6在同一部分放大对比可以看出（详见图7），面向对象技术提取的分类结果图斑完整性较好，避免出现了“椒盐现象”。eCognition作为一种独创的基于对象的影像分析软件，支持将提取的特征以栅格或矢量的格式导出。直接输出的矢量（.shp）格式，包含了斑块的空间属性信息，可以实现无损失的直接导入ArcGIS等GIS软件平台中，较为便捷地在GIS中实现对部分自动分类出现的错误斑块进行目视补判、人工修正等，进一步提高分类精度。而ERDAS平台下的最大似然法分类结果为带有很多“椒盐”的栅格格式（.img），需要进行去除杂点、小图斑等后处理，再在GIS平台中进行数据交换，根据需要转换为Coverage、shp等格式。格式转换过程不仅相对复杂，而且效果不够好。

图7 两种分类方法分类结果细部对比图

3.2 精度评价

因国土部门的土地利用数据较本研究使用的遥感数据年份更早，与现状地类存在一定的差异。本研究在土地利用现状数据的基础上，结合野外实地调查以及高分辨率影像目视选取样本，采用误差矩阵的评价方法对两种分类结果的精度进行评价，两种分类方法精度评价结果分别见表4和表5。

表4 面向对象法分类精度评价分析

表5 最大似然法分类精度评价分析

结果表明，面向对象的分类方法得到的总体精度为88.25%，明显高于最大似然法（总体精度为74.17%），分类结果较为理想。KAPPA系数是一种计算分类精度的方法，系数在0.61~0.80，则表明精度为高度的一致性（substantial），在0.81~1之间，则表示几乎完全一致（almost perfect）。可以看出，面向对象分类结果KAPPA系数评价结果为几乎完全一致，最大似然法评价结果为高度一致性，面向对象技术评价结果具有明显的精度优势。

面向对象方法对道路和建设用地、耕地的分类结果明显高于基于像素最大似然法，这是因为面向对象分类方法除考虑地物的光谱特征外，还综合利用了纹理和形状等特征参数。

此外，对于面向对象分类结果而言，分类用户精度较低的地类主要为林地（70.28%）和菜地园地（72.72%），主要原因在于影像拍摄时间为2013年3月，为植被生产初期，耕地、菜地、果园和森林等植被之间光谱特征差别度不大，容易混淆，从而造成分类精度不高。为此，需进一步挖掘总结各类地物在光谱、纹理、形状方面的细微差异，并综合运用最近邻分类、叠加DEM等方法，全方位地建立分类规则，提高分类精度。

4 结论和建议

（1）与传统基于像素的最大似然法相比，基于面向对象分类技术的eCognition软件分类结果具有更高的精度，用地分类总体精度达到了88.25%，KAPPA系数为0.8560。

（2）面向对象分类方法是以影像分割技术为前提，综合考虑了光谱特征，以及地物形状、纹理、分布、相互关系等各个要素，在一定程度上解决了同物异谱、同谱异物的现象，不仅分类精度较传统的最大似然法高，并且也能避免传统分类方法“椒盐现象”的产生。

（3）地物特征识别和分类规则建立是基于面向对象技术进行土地利用分类的关键，通过试验、实地验证并总结更加科学合理且具有区域特征的分类规则，有效选择特征参数，对进一步提高分类精度具有重要的作用。

[1] Wang Fangju.Fuzzy supervised classification of remote sensing images[J]. IEEE Trans. On Geosci. and Remote Sensing, 1990, 28(2): 194-201.

[2] Benediktssn J A,Swain P H, Ersoy O K. Neural network approaches versus statistical methods in classification of multisource remote sensing data[J]. IEEE Trans. On Geosci. And Remote Sensing, 1990, 28(4):540-552.

[3] 翟立君.卫星MPLS网络关键技术研究[M]．北京：清华大学出版社，2001.

[4] 李娜，周德民，赵魁义．高分辨率影像支持的群落尺度沼泽湿地分类制图[J]．生态学报，2011，31(22)：6717-6726.

[5]WINTER Rolf. The Coming of Age of MPLS[J]. IEEE Transations on Electron Devices,2011(59): 2964-2972.

[6] 曹雪，柯长青．基于对象级的高分辨率遥感影像分类研究[J]．应用技术，2006（5）：27-30．

[7] 邓媛媛，巫兆聪，易俐娜．面向对象的高分辨率影像农用地分类[J]．国土资源遥感，2010，12（15）：117-121．

[8] Lucas R,Rowlands A,Brown A,et a1.Rule—based Classification of Multi—temporal Satellite Imagery for Habitat and Agricultural Land Cover Mapping[J].ISPRS Journal of Photogrammetry＆Remote Sensing,2007(62): 165-185.

[9] 黄慧萍．面向对象影像分析中的尺度问题研究[D]．北京：中国科学院遥感应用研究所，2003．