基于面向对象的高分遥感景观格局提取方法

杨叶涛， 王迎迎， 曾又枝

(1.中国地质大学(武汉)地球物理与空间信息学院，武汉 430074； 2.湖北省气象局，武汉 430074)

0 引言

高分辨率遥感数据的出现，使得在dm级别上进行景观格局分析成为可能[1-3]。采用高分辨率遥感数据可以对以往无法获取的细微景观要素、景观格局、景观过程进行提取，为地表覆盖景观研究提供更加全面、精细的信息。高空间分辨率遥感技术的推广使用，使景观格局研究出现了一些新问题，已有的景观分析方法面临着挑战[4]。不同于中低分辨率遥感数据，面向对象的图像分析方法在高分辨率遥感数据上得到广泛应用[5-7]。景观格局分析需要多尺度视角，已有多尺度方法都是建立在中低分辨率图像之上[8-9]。由于数据分辨率的提高，原有在大尺度上形成的景观破碎、连续、连接等概念需要重新认识，景观格局在高分辨率数据上的尺度问题需要进行深入研究。此外，面向对象图像分析方法的尺度变换与传统图像分析方法的尺度变换截然不同。面向对象的尺度变换方法是按照像素的相似程度在不同尺度上进行图像分割来实现的，而传统方法则按照规则形状的像素聚合来形成不同的空间尺度[10-11]。本研究以高分辨率遥感数据的面向对象图像分析为基础，尝试建立景观格局的斑块、连续与连接特征相结合的混合描述模型。将该模型应用于QuickBird图像林地覆盖度景观格局信息提取，分析尺度变化规律。

1 混合景观格局模型

为了实现对景观连续变化特征与连接特征的描述，并保持与斑块镶嵌特征的空间尺度一致性，本文研究了基于Delaunay-Voronoi原理的混合景观格局模型。Delaunay-Voronoi方法在邻域处理与尺度变换上有其自身优势，因此在遥感图像分割与多尺度分析上有广泛应用[12-14]。建立的景观格局斑块镶嵌结构，连续特征与连接特征一体化描述的混合景观模型如图1所示。

图1 基于面向对象图像分析与Delaunay-Voronoi方法的混合景观格局描述模型

首先，将图像分割结果用Voronoi图进行剖分，通过Voronoi图的连接性分析，建立图模型，用以表示景观的空间连接性； 然后，通过Voronoi图的Delaunay三角化，建立不规则三角网表面模型，用以表示景观连续变化特征。

其中，Voronoi剖分需首先确定Voronoi单元中心点的分布(Voronoi离散节点集)。因Voronoi图与Delaunay三角网互为偶图，3个相邻的Voronoi多边形的离散节点构成Delaunay三角形的顶点。Delaunay三角网代表景观格局特征的空间连续变化。根据所表达的景观格局意义，计算Voronoi图所有离散节点相互之间的距离，构成网络模型。

2 实验分析

研究区面积为3.84 km2，覆盖该区的实验数据包括QuickBird数据的1个全色波段和4个可见光、近红外波段。由于本研究以林地为例研究斑块的镶嵌特征、连接特征与连续特征，因此本文首先从该图像中提取林地覆盖图。采用ISODATA的非监督聚类从NDVI图像中提取植被，然后结合纹理信息剔除草地类型，最后得到林地覆盖图(图2)。

图2 研究区QuickBird图像(左)及其林地覆盖图(右)

本研究采用Definiens Professional 5.0软件在50～400尺度区间内，以50为间隔，用8个不同尺度对图像进行分割; 然后，采用像素聚合方法对该区林地景观特征进行多尺度分析。每个聚合尺度对应1个图像分割尺度所得到的多边形面积中位数平方根，如表1所示。景观指标如表2所示。

表1 景观格局分析尺度参数

表2 斑块模型、表面模型与连接模型景观指标

将分割结果分别与林地覆盖图叠加，提取多边形林地覆盖度属性。将多边形林地覆盖度属性分为3类，即[0, 0.3)，[0.3, 0.7)，[0.7, 1.0)，按分类后的多边形提取斑块镶嵌景观模型。采用基于约束的Halton伪随机点采样方式得到Voronoi离散节点集，节点密度与分割多边形面积中位数一致，保证每个分割多边形至少有1个随机节点，对分割多边形进行Voronoi剖分。随机选取一定数量的高覆盖面域为连接景观模型中的核心区域(如图2中的红色圈区域)，以林地覆盖度倒数建立连接阻抗图层，得到景观连接网络模型。对Voronoi图Delaunay化，获取林地覆盖度连续表面TIN模型。

3 结果分析

3.1 林地覆盖度的提取

基于图像分割与像素聚合这2种方法在多尺度上获取的林地覆盖度如图3所示。

图3 在不同尺度参数下2种方法提取的林地覆盖度

像素聚合方法随分析尺度参数从1上推到8，一些小尺度上明显存在的林地覆盖特征随着尺度上推过程，边界逐渐转为模糊，直至最终消失。图像分割方法随着尺度参数从1上推到8，能很好地区分不同密度的林地覆盖区域，保留高异质性的边界特征。从分割结果来看，多边形的边界与地表覆盖特征目视判读结果基本一致。

3.2 类型斑块景观特征

在林地覆盖度提取结果的基础上，分别计算多尺度斑块镶嵌指标值，如图4所示。

图4 类型斑块指标的多尺度变化特征

总体来看，不同的指标对2种不同的景观格局提取方法的反应不一致。SHDI指标和PSCV指标随尺度变化的规律大致相同，而MSI指标和AWMPFD指标随尺度变化背离明显。

部分在像素聚合方法上探测到的景观格局尺度变化规律仍然存在。随着尺度上推，景观格局中小面积的斑块逐渐消失，从而导致SHDI的降低。相对于像素聚合，图像分割方法能更好地保留高异质性的小斑块，所以随尺度增大，其速度降低。同样情况出现在斑块面积变异系数上。另外2个指标在多尺度上获取的结果相背离，表明建立在像素聚合方法上的尺度推演规律对高分辨率遥感面向对象景观格局提取并不一定适用。MSI指标和AWMPFD指标随尺度变化背离明显是由于采用分割方法，随尺度变大分割多边形区域会随之增大，但是处理的基本单元仍然为原始图像像素，导致多边形的边界更加复杂。像素聚合方法中随尺度变大，斑块面积同样上升，但是其处理的基本单元为聚合后的网格，基本单元尺寸增大导致形状系数基本不变。

3.3 连续景观格局特征

本研究选取的连续景观指标包括平均粗糙度(Sa)以及表面积比率(Sdr)。采用2种不同方法所获取的指标值随尺度变化规律如图5所示。

图5 连续表面指标的多尺度特征

无论采用图像分割法，还是采用像素聚合法，Sa和Sdr都随着分析尺度上推而减小。随尺度上推，表面模型的空间异质性降低从而导致平均粗糙度与表面积比率值减小。对比2种图像分析方法，图像分割能更好地保存小尺度上的空间异质性特征，从而使得Sa和Sdr在相同尺度下取值要明显高于像素聚合方法。

Sa指标反映了连续表面模型高程取值的整体变异特征，与空间位置无关，类似于斑块模型中的多样性指标。随尺度上推，像素聚合方法和图像分割方法都有对上推前的网格或者多边形高程取均值的操作，从而使得2种方法获取的Sa指标随尺度增加的变化趋势基本一致。

Sdr指标表示局部表面积与平面投影面积的比率，类似于斑块模型中的边缘密度指标或者对比度指标,表达了表面模型粗糙度的空间变异特征。由于图像分割方法将同质区域分割到同一多边形内，并加大与相邻非同质区域的对比度，而像素聚合分割方法使得边界变得模糊(图3)，从而使Sdr指标在2种方法中没有类推性质。图像分割方法在同尺度下取值要明显高于像素聚合方法，而且其随尺度减小的趋势也不同于像素聚合方法。

3.4 连接景观格局特征

对预先设定连接模型的核心区提取景观连接指标，如图6所示。

图6 连接指标的多尺度变化特征

从图6可以看出，2种图像分析方法所提取的LCP指标随尺度变化特征基本相同，但在分析尺度为8时，像素聚合方法的LCP急剧上升，这是由于聚合方法在此尺度上有1个比较短的连接路径消失所导致的。随尺度上推，像素聚合方法中节点间的连接路径数NL下降速度要快于图像分割方法的，这表明图像分割方法能更好地保留图像中对连接性研究至关重要的廊道。在所有尺度上图像分割方法所获取的最短路径比像素聚合方法所获取路径的阻抗小，从而可以得出图像分割方法获取的景观连接特征比像素聚合方法更为准确。

4 结论

1)与像素聚合方法获取的景观格局特征相比，面向对象图像分割方法所获取的景观格局特征更接近于真实景观。像素聚合方法没有考虑景观要素的边界特征以及区域的异质性，采用众数或者平均值表示像素聚合以后的景观特征,从而导致了景观要素边界的模糊以及部分面积较小景观要素的消失。斑块模型、连接模型与连续模型的多个指标在多尺度上的提取结果证明了图像分割方法在高分辨遥感数据的景观格局提取上的优越性。面向对象的图像分割方法能够很好地保存不同尺度上景观要素的边界，以及小面积的景观要素，从而提高了景观格局提取的准确度。

2)本文以面向对象多尺度分割形成的高分辨率遥感图像对象为基础，结合Delaunay-Voronoi空间数据的几何表达方法，实现基于同一数据结构建立斑块模型、连续模型与连接图模型，很好地保持了3种模型的空间信息一致性，使3种模型能紧密结合。该方法目前以随机方式生成的离散点构成了图像对象Voronoi剖分的基础，这种方式不能保证剖分以后的Voronoi图边界与图像分割多边形的边界保持一致，从而使得构建的TIN表面模型与连接图模型与真实景观有出入，影响景观指标计算。下一步工作主要是实现顾及图像分割多边形边界的Delaunay-Voronoi剖分，使得景观格局提取结果更接近于面向对象的图像分析结果。

参考文献(References)：

[1] Herold M,Couclelis H,Clarke K C.The role of spatial metrics in the analysis and modeling of urban land use change[J].Computers,Environment and Urban Systems,2005,29(4):369-399.

[2] Jacquin A,Misaova L,Gay M.A hybrid object-based classification approach for mapping urban sprawl in periurban environment[J].Landscape and Urban Planning,2008,84(3):152-165.

[3] 周伟,袁春,白中科,等.基于QuickBird影像的郑州市城区景观格局评价[J].生态学杂志,2007,26(8):1259-1264.

Zhou W,Yuan C,Bai Z K,et al.Landscape patterns of Zhengzhou urban area:An assessment based on QuickBird imagery[J].Chinese Journal of Ecology,2007,26(8):1259-1264.

[4] Wulder M A,Hall R J,Coops N C,et al.High spatial resolution remotely sensed data for ecosystem characterization[J].BioScience,2004,54(6):511-521.

[5] Blaschke T.Object based image analysis for remote sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2010,65(1):2-16.

[6] Walter V.Object-based classification of remote sensing data for change detection[J].ISPRS Journal of Photogrammetry and Remote Sensing,2004,58(3):225-238.

[7] 蔡红玥,姚国清.基于分水岭算法的高分遥感图像道路提取优化方法[J].国土资源遥感,2013,25(3):25-29.

Cai H Y,Yao G Q.Optimized method for road extraction from high resolution remote sensing image based on watershed algorithm[J].Remote Sensing for Land and Resources,2013,25(3):25-29.

[8] Adriaensen F,Chardon J P,De Blust G,et al.The application of ‘least-cost’ modeling as a functional landscape model[J].Landscape Urban Plan,2003,64(4):233-247.

[9] 杨叶涛,龚健雅,王迎迎,等.遥感时空不一致性对城市景观格局动态分析影响[J].武汉大学学报:信息科学版,2011,36(8):974-977.

Yang Y T,Gong J Y,Wang Y Y,et al.Influence of RS spatio-temporal mismatches on multi-temporal landscape pattern analysis in urban area[J].Geomatics and Information Science of Wuhan University,2011,36(8):974-977.

[10]Baatz M,Schäpe A.Multiresolution segmentation:An optimization approach for high quality multi-scale image segmentation[C]//Strobl J,Blaschke T.Angewandte Geographische Informations-verarbeitung XII.Wichmann,Heidelberg:Springer-Verlag,1999:12-23.

[11]Dietzel C,Herold M,Hemphill J J,et al.Spatio-temporal dynamics in California’s central valley:Empirical links to urban theory[J].International Journal of Geographic Information Science,2005,19(2):175-195.

[12]何少林,徐京华,张帅毅.面向对象的多尺度无人机影像土地利用信息提取[J].国土资源遥感,2013,25(2):107-112.

He S L,Xu J H,Zhang S Y.Land use classification of object-oriented multi-scale by UAV image[J].Remote Sensing for Land and Resources,2013,25(2):107-112.

[13]赵泉华,李玉,何晓军,等.基于Voronoi几何划分和EM/MPM算法的多视SAR图像分割[J].遥感学报,2013,17(4):841-854.

Zhao Q H,Li Y,He X J,et al.Multi-look SAR image segmentation based on voronoi tessellation technique and EM/MPM algorithm[J].Journal of Remote Sensing,2013,17(4):841-854.

[14]贾春阳,李卫华,李小春.基于自适应权值FNEA算法的高分辨率遥感图像分割[J].国土资源遥感,2013,25(4):22-25.

Jia C Y,Li W H,Li X C.High-resolution remote sensing image segmentation based on weight adaptive fractal net evolution approach[J].Remote Sensing for Land and Resources,2013,25(4):22-25.