面向地理对象影像分析技术的研究进展与分析

顾海燕，李海涛，闫利，韩闪闪

（1.武汉大学 测绘学院，武汉 430079；2.中国测绘科学研究院，北京 100830；3.河北省第三测绘院，石家庄 050000）

1 引 言

面向地理对象影像分析技术GEOBIA代表了遥感与地理信息科学的发展趋势，是地理信息科学中的一个正在发展的研究领域。其致力于研究如何分割遥感影像产生有意义的地理影像对象，在一定的光谱、时－空尺度上评估这些对象的特征，最终生成与GIS兼容格式的地理信息，使用户针对地理相关问题，如全球气候变化、资源管理、土地利用等，能够有效地进行自动化、智能化解译分析的技术和方法［1－4］。GEOBIA涉及影像分割、特征提取、影像分类以及以地球为中心框架的对象查询与检索技术，被认为是一个不断发展的综合性学科，涉及众多学科方向，包括：遥感、地理信息系统、图像处理、数据库知识发现、地理空间信息统计、制图、摄影测量、景观生态学、地理学等［5］。

GEOBIA主要目标是发展与应用自动化或半自动化的影像解译理论、方法和工具，以期提高影像解译的准确度及效率，减少主观性、人力、财力和物力［5－6］。其理论基础是认知心理学、空间认知理论和特征分析理论等，将人工解译与计算机的计算能力结合起来，使影像理解过程更加智能，准确度更高，可重复性更强，主观因素减少，人力物力成本降低，更好地与现有地理信息软件和技术相结合［3］。其最突出的特点是处理的最小单元不再是单个像素，而是由影像分割得到的同质影像对象［7］。具有以下优势：①综合利用了多源信息，如GIS、DEM、景观生态、人文地理专题数据等；②充分利用了遥感影像的光谱、几何、纹理、拓扑、语义、时相等特征；③融合了当今影像分析方法，如监督分类、模糊逻辑、基于规则的分类等［7－11］。

GEOBIA从提出至今已有10余年的历史，受到了国内外众多学者及研究机构的关注，Thomas Blaschke教授通过浏览数千篇论文摘要，820篇与OBIA相关的论文（其中，145篇期刊论文、84篇专著章节、近600篇会议论文），总结出OBIA的研究热点是等级尺度、影像分割、变化检测、精度评价，第一阶段的发展是生成对象的算法、软件及工具，当今最重要的发展是基于地理的智能信息以及影像处理的自动化［3，12］。

本研究在此基础上，利用Web of Science数据库，继续分析2009年2月以来GEOBIA技术的发展，总结归纳现有技术方法，深入分析GEOBIA技术的原则、优势、劣势、机遇与挑战，积极探讨需要深入研究的科学问题，为深入研究GEOBIA理论、方法和应用奠定基础。

2 技术进展

以“object based image analysis”为关键词，时间范围是2000年至2014年，通过 Web of Science数据库进行检索，在摄影测量、遥感、光学、地质、环境、地理、信息科学、城市8个研究方向检索到3712篇相关论文，每年的论文数量如图1所示。

图1 Web of Science数据库中检索到与OBIA相关的论文数量

按照期刊标题分析，了解到该研究最具影响力的论文发表在环境遥感 、国际遥感杂志、国际摄影测量与遥感杂志、IEEE地球科学与遥感等期刊上。Benz，U.C.，Blaschke，T.等发表的文章影响因子居于前5，如表1所示 （数据来自http：／／apps.webofknowledge.com／，截止2014年2月）。

表1 引用频率排前5的论文

自2006年以来，已经成功开展了4次非常成功的国际GEOBIA会议，此专题会议每两年召开一次，旨在讨论GEOBIA的新理论、新方法、新手段、热点难点问题、应用及发展等。此外，IEEE、ISPRS、ASPRS、ARCS、IGRASS等会议也报道了GEOBIA技术。

按照机构名称分析，了解到奥地利萨尔兹保大学、巴西里约热内卢天主教大学等国际研究机构正在从事这项研究，我国武汉大学、上海交通大学等高校及研究机构也开展了相关研究，如表2所示。

表2 GEOBIA研究机构

3 技术方法

GEOBIA技术首先通过影像分割技术得到多边形对象，其次统计对象的光谱、纹理、形状等特征，最后运用分类器实现面向对象分析。分割与分类这两个过程是迭代的而非线性或严格的连续过程，因此GEOBIA是面向对象的遥感影像分析，而非简单的分类，正是分析也才更接近人工解译的过程，才能够支持地理空间数据，而非影像数据的整合［16］。影像分析的循环迭代过程可以根据应用目的和待识别类型，调节各个过程的对象域和参数，引入合理的专家知识，使得分割精度、分类精度随着迭代过程的进行不断提高［13，17］。

GEOBIA技术具有面向对象、基于特征、迭代循环、知识融入、多尺度组织、可重复性、可移植性等特点［18］，涉及到的技术与方法包括影像分割、特征提取、面向对象分类、精度评价。

3.1 影像分割

影像分割是GEOBIA的基础与关键步骤，通过分割方法将影像分为同质性对象，该对象是信息的载体，对其提取的特征是建立语义模型进行对象分类识别的基础。分割算法一般需要满足3个主要准则，即对象内部的同质性、对象形状的同质性（分割边界的简化与分形属性）、相邻对象的分离性，这3个准则互相排斥，许多分割方法特别强调某一准则。根据分割思想不同，有基于边缘检测和区域增长2种，在GEOBIA中常用到的是基于区域增长的算法；根据分割方式不同，分割有自下而上的数据驱动的分割和自上而下的知识驱动的分割，自上向下方法由于只标识符合模型的像素或区域，通常只能获得局部的结果，而自下向上的方法则对整个影像区域进行完全的划分［14］。

目前，具有上千种分割方法，众多方法在医学、通信中得到广泛应用，但大多数方法不能应用于遥感影像，主要原因是：①随着多光谱与多尺度数据的增加，对算法的复杂性、冗余性、可靠性提出了更高的要求；②大量的辅助数据（GIS信息）加入到处理过程中，需要考虑GIS数据参与分割；③与其他应用相比较，遥感影像分割必须充分考虑到异质性对象的形状、光谱、纹理等特征；④遥感影像具有尺度特征，需要用恰当的尺度来描述影像对象。因此，多源、多方法、多尺度的分割模型成为遥感影像分割研究的主要目标［19］。

随着高分辨率遥感影像的发展，出现了分型网络演化、分水岭、统计区域增长、水平集、均值漂移、最小熵等分割算法，针对人为反复调整分割参数的问题，出现了遗传算法等自动化确定分割参数的方法，如奥地利萨尔茨堡大学地理信息中心研究团队，基于eCognition软件及对象的局部方差理论，开发了确定尺度参数的工具ESP，为影像分割及面向对象应用提供了稳健的尺度参数工具［20］。针对分割算法优劣的问题，出现了评价不同分割方法的文献［21－22］，Marco Neubert和 Hendrik Herold开发了评价分割质量的网站［21］。针对大数据量分割问题，采用并行计算等技术解决大数量分割，提高了分割的速度。然而，影像分割仍然是个具有挑战性的研究方向，需要从基础理论出发，得到与自然本质相一致的影像对象或地理对象。

3.2 特征提取

遥感影像特征主要包括光谱、形状、纹理、语义等特征，光谱特征是遥感影像最主要的信息，其他特征可以通过光谱特征计算得到，常用的光谱特征有：均值、方差、最大值、最小值、饱和度、色调、亮度值、标准差、自定义特征等。形状特征反映了影像上地物类型的几何形状，常用的形状特征有：面积、周长、长宽比、宽度、长度、紧致度、形状指数等［23］。纹理特征在遥感影像中占有非常重要的地位，是遥感影像各个像元空间上分布的表达。描述纹理常用的方法可分为四类：统计类型（如灰度共生矩阵法）、频域类型（如小波滤波法）、模板卷积类型（如Laws纹理能量特征法）、模型类型（如马尔科夫随机场模型），常用的纹理特征有：同质性、对比度、熵、能量、相关性、非相似性等。

这些特征之间可能存在不相关的特征，也可能存在相互依赖关系，特征越多，容易引起维度灾难，模型也会越复杂，推广能力会下降，特征选择能剔除不相关或冗余特征，从而达到减少特征个数，提高模型精确度，减少运行时间的目的。

特征选择过程一般包括产生过程、评价函数、停止准则、验证过程，产生过程是搜索特征子空间的过程，搜索算法分为完全搜索、启发式搜索、随机搜索三大类，评价函数的作用是评价产生过程所提供的特征子集的好坏，主要分为筛选器、封装器两大类。常用的评价函数包括：相关性、距离、信息增益、一致性、分类器错误率［24］。

3.3 面向对象分类

面向对象分类与像素级分类的区别是：分类对象是通过分割技术产生的同质性多边形对象。面向对象分类方法主要包括语义建模分类、监督分类、非监督分类3类。

语义建模分类是根据语义网络模型，利用贝叶斯概率模型、DS证据理论、模糊逻辑等方法进行分类，该方法具有系统性、经验性、知识性，依赖专家知识进行类别建模，采用半自动探测方法和经验描述特征，利用机器学习方法进行分类，全过程不仅需要监督，而且需要主动产生式的人工操作［25－28］。

监督分类思想与传统的像素级监督分类一致，需要采集样本，根据对象特征，利用监督分类器如最邻近、最大似然、模糊逻辑、支持向量机、决策树、随机森林等完成分类。

非监督分类思想与传统的像素级非监督分类一致，无需采集样本，只需根据对象特征，利用非监督分类器如ISODATA、BP、SOM等完成分类。

3.4 精度评价

GEOBIA精度评价不同于像素级分类结果的方法，需要从专题精度和空间精度两个方面同时对分类结果进行评价，客观反映分类精度。在专题精度方面，与传统的基于像元的评价方法类似，通过选取识别对象中的一定数量的样本，与实地点进行比较来判断精度，利用总体精度、混淆矩阵、蒙特卡洛模拟方法等来评价；在空间精度方面，通过评价对象轮廓边界合理性与准确性来评价分类精度，涉及到GIS叠加分析等技术方法。此外，一些分类方法如随机森林提供了内置的评价精度的方法，如袋外误差OOB，为精度评价提供了又一评价手段［29］。

4 GEOBIA分析

Hay和Castilla 2008年对GEOIBA技术进行了SWOT（strengths，weaknesses，opportunities，threats）分析［7，30］，本研究在此基础上，结合最近5年的发展，深入分析了GEOBIA技术的原则、优势、劣势、机遇与挑战，探讨了需要深入研究的科学问题。

4.1 GEOBIA原则

（1）多源数据——不仅包括对地观测数据，还包括GIS数据、DEM、景观生态、人文地理专题数据等。

（2）多种特征——不仅充分利用了遥感影像的光谱、几何、纹理、拓扑、语义、时相等特征，而且能够集成多类型专家知识。

（3）多尺度分析——不同地物具有不同的尺度，场景由不同大小、形状和空间位置的对象组成，等级之间和内部的多尺度分析是非常重要的。

（4）可重复性——传统人工解译过程是不可重复的，知识不能有效积累。而在GEOBIA中，知识通过建立并保存过程中参数和规则来达到可重复性［22］，不同的解译人员，应用同样的参数可以得到同样的结果，这样可追踪性强，结果可信度高。

（5）可移植性——分为2种情况：①在一定区域、一定时间、一定类型数据上建立的分割、规则参数，可以用到其他类似区域、相近时间、类似数据上；②在研究数据的小部分代表性数据上建立分割、规则参数可以用到整个研究区域数据上，减少建立过程参数的消耗［31］。

（6）普适性——建立满足 GIS开源标准的GEOBIA服务，为用户提供网络化在线服务，实现全球地理信息的集成与共享。

4.2 GEOBIA优势

（1）GEOBIA技术建立了RS与GIS之间的联系，是地理信息科学中的一个新兴的和正在发展的研究领域，日益被认为是一个不断发展的综合性学科，具有深厚的理论基础，在城市监测、灾害监测、景观生态等领域得到广泛应用。

（2）将影像分割为对象，能够很好地与矢量GIS集成在一起，克服了像素级分类的椒盐噪声及其转为矢量格式的缺陷，符合人类认知自然场景的规律。

（3）综合利用了多源信息，如 GIS、DEM、景观生态、人文地理专题数据等；充分利用了遥感影像的光谱、几何、纹理、拓扑、语义、时相等特征；融合了当今主流的影像分析方法，如建模分类、监督分类、非监督分类等。

4.3 GEOBIA劣势

（1）需要人为调整分割参数，很难验证分割的质量，分割仍然是个病态问题，没有唯一的解决方案，如改变异质性测量准则可以得到不同的分割对象，即使人工解译也不能准确描述地理对象。

（2）很难确定哪些特征是非常重要的，不同的数据类型及不同的场景条件限制了分类规则集的应用，特征选择、规则集构建成为制约GEOBIA自动化发展的关键因素。

（3）由于GEOBIA综合性强，涉及的理论知识较多，缺乏对GEOBIA理论的深入研究与分析，需从理论角度综合分析GEOBIA，解决目前存在的分割、特征优选等关键问题。

4.4 GEOBIA机遇

（1）GEOBIA被认为是一个不断发展的综合性学科，涉及众多学科方向，建立的 Wiki促进了该技术在国际间的交流与发展。各种商用软件及开源库的出现，为使用者与研究者提供了平台基础。

（2）随着并行计算、云计算、大数据技术的发展，GEOBIA能够解决大数据量问题，能够满足海量数据对影像分析速度的要求。

（3）随着人工智能、机器学习的发展，GEOBIA朝着自动化、智能化方向发展。

（4）根据现有开源GIS程序标准、规则和方法，集成不同的平台和数据类型，吸纳不同领域专家知识，实现地理信息的集成与共享。

4.5 GEOBIA挑战

（1）GEOBIA 的自动化与智能化发展，对GEOBIA模型提出了新的要求与挑战，需要运用地理本体、地理认知、机器学习等理论方法，构建集影像分割、特征提取、影像分类、专家知识于一体的多尺度GEOBIA模型，实现该技术的自动化与智能化。

（2）特征优选及分类规则集构建仍然是费时且具有挑战性的工作，需要运用人工智能、机器学习等理论方法，实现特征的自动选择与分类规则集的自动构建。

（3）由于不同专家具有不同的解译分析经验，将会得到不同的分析结果，因此，需综合利用不同的专家知识，将人工解译与计算机的计算能力结合起来，使GEOBIA综合性更强、准确度更高。

（4）GEOBIA不确定性分析，如影像分割、尺度问题、采集样本、人类认知、专家知识等带来的解译质量的不确定性。

4.6 需要深入研究的科学问题

（1）由于难以确定合适的分割参数，分割得到的对象与实际地物存在不一致，且分类本身是个反反复复的过程，需要反复试验才能确定特征及相应阈值，消耗了解译者的精力，因此，如何建立GEOBIA自动化模型，灵活控制整个分析过程，提高解译分析的精度和效率，是GEOBIA需解决的科学问题之一。

（2）由于不同专家具有不同的解译分析经验，将会得到不同的分析结果，因此，如何综合利用不同的专家知识，将人工解译与计算机的计算能力结合起来，使 GEOBIA 综合性更强、准确度更高，是GEOBIA需解决的科学问题之二。

（3）GEOBIA存在许多不确定性，如分割是个病态问题，没有唯一的解决方案，以及难以准确描述地理对象。因此，如何从地理本体、地理认知等理论角度，解决GEOBIA不确定性，是GEOBIA需解决的科学问题之三。

5 结束语

本文分析了GEOBIA技术的发展，描述了一般流程，总结归纳了现有影像分割、特征提取、面向对象分类、精度评价等技术方法，深入分析了GEOBIA技术的原则、优势、劣势、机遇与挑战，探讨了需要深入研究的科学问题，为深入研究GEOBIA理论、方法和应用奠定了基础。

［1］ELISABETH A，FRIEKE M B，STEVEN M.Introduction to the GEOBIA 2010special issue：From pixels to geographic objects in remote sensing image analysis［J］.International Journal of Applied Earth Observations and Geoinformation，2012，15：1－6.

［2］ARVOR D，DURIEUX L，ANDRES S，et al.Advances in geographic object－based image analysis with ontologies：A review of main contributions and limitations from a remote sensing perspective［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，82：125－137.

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

［4］BLASCHKE T，HAY G J，WENG Q，et al.Collective sensing：Integrating geospatial technologies to understand urban systems—an overview［J］.Remote Sensing，2011，3（8）：1743－1776.

［5］WIKI.GEO－object－based image analysis［DB／OL］.http：／／wiki.ucalgary.ca／page／GEOBIA，2013－5.

［6］Definiens Imaging GmbH.Developer 8reference book［R］.Munich，Germany：Definiens Imaging GmbH，2011.

［7］HAY G J，CASTILLA G.Geographic object－based image analysis（GEOBIA）：A new name for a new discipline［M］.In Object－Based Image Analysis：Spatial Concepts for Knowledge－driven Remote Sensing Applications，New York，USA：Springer－Verlag，2008，Chapter 1.4：75－89.

［8］DURO D C，FRANKLIN S E，DUBE M G.A comparison of pixel－based and object－based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT－5HRG imagery［J］.Remote Sensing of Environment，2012，118：259－272.

［9］LALIBERTE A S，RANGO A，HAVSTAD K M，et al.Object－oriented image analysis for mapping shrub encroachment from 1937to 2003in southern New Mexico［J］.Remote Sensing of Environment，2004，93（1－2）：198－210.

［10］Li H T，Gu H Y，Han Y S，et al.Object－oriented classification of high－resolution remote sensing imagery based on an improved colour structure code and a support vector machine［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2010，31（6）：1453－1470.

［11］MYINT S W，GOBER P，BRAZEL A，et al.Per－pixel vs.object－based classification of urban land－cover extraction using high spatial resolution imagery［J］.Remote Sensing of Environment，2011，115（5）：1145－1161.

［12］CAMARGO F F，ALMEIDA C M，COSTA G A O P，et al.An open source object－based framework to extract landform classes［J］.Expert Systems with Applications，2012，39（1）：541－554.

［13］BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multi－resolution，object－oriented fuzzy analysis of remote sensing data for GIS－ready information［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2004，58（3－4）：239－258.

［14］BURNETT C，BLASCHKE T.A multi－scale segmentation／object relationship modelling methodology for landscape analysis［J］.Ecological Modelling，2003，168（3）：233－249.

［15］WALTER V.Object－based classification of remote sensing data for change detection［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2004，58（3－4）：225－238.

［16］BLASCHKE T，LANG S J，HAY G.Object－based image analysis－spatial concepts for knowledge－driven remote sensing applications［M］.Heidelberg：Springer，2008：106－238.

［17］BAATZ M S A.Multiresolution segmentation－an optimization approach for high quality multi－scale image segmentation［M］.Karlsruhe：Wichmann Verlag，2000：120－156.

［18］HUSSAIN M，CHEN D M，CHENG A，et al.Change detection from remotely sensed images：From pixel－based to objectbased approaches［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2013，80：91－106.

［19］LI H T，GU H Y，HAN Y S，et al.An efficient multi－scale SRMMHR （statistical region merging and minimum heterogeneity rule）segmentation method for high－resolution remote sensing imagery［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2009，2：67－73.

［20］DRAGUT L，TIEDE D，LEVICK S R.ESP：A tool to estimate scale parameter for multi resolution image segmentation of remotely sensed data［J］.International Journal of Geographical Information Science，2010，24（6）：859－871.

［21］NEUBERT M，HEROLD H，MEINEL G.Evaluation of remote sensing image segmentation quality－further results and concepts［DB／OL］.http：／／www.isprs.org／proceedings／xxxvi／4－c42／papers／OBIA2006＿Neubert＿Herold＿Meinel.pdf，2013－5－15.

［22］NUSSBAUM S，MENZ G.Object－based image analysis and treaty verification：New approaches in remote sensing－applied to nuclear facilities in Iran［M］.New York，USA：Springer－Verlag，2008.

［23］MARTHA T R，KERLE N，VANWESTEN C J，et al.Segment optimization and data－driven thresholding for knowledgebased landslide detection by object－based image analysis［J］.IEEE Transactions on Geoscience and Remote Sensing，2011，49：4928－4943.

［24］DASH M，LIU H.Feature selection for classification［J］.Intelligent Data Analysis，1997，1（1－4）：131－156.

［25］FORESTIER G，PUISSANT A，WEMMERT C，et al.Knowledge－based region labeling for remote sensing image interpretation［J］.Computers，Environment and Urban Systems，2012，36（5）：470－480.

［26］LANG S.Object－based image analysis for remote sensing applications：Modeling reality－dealing with complexity［M］.In Object－Based Image Analysis：Spatial Concepts for Knowledge－driven Remote Sensing Applications，New York，USA：Springer－Verlag，2008，Chapter 1.1：1－25.

［27］TONJRS R，GLOWE S，BUCKNER J，et al.Knowledge－based interpretation of RS images using semantic nets［J］.Photogrammetric Engineering＆ Remote Sensing，1999，65（7）：811－821.

［28］于静.基于目视解译的城市遥感影像语义结构研究［D］.北京：中国科学院研究生院，2008.

［29］PUISSANT A，ROUGIER S，STUMPF A.Object－oriented mapping of urban trees using random forest classifiers［J］.International Journal of Applied Earth Observation and Geoinformation，2014，26：235－245.

［30］HAY G J，CASTILLA G.Object－based image analysis：Strengths，weaknesses，opportunities and threats（SWOT）［DB／OL］.http：／／www.isprs.org／proceedings／XXXVI／4－C42／Papers／01＿Opening%20Session／OBIA2006＿Hay＿Castilla.pdf，2013－5－15.

［31］张春晓.高分影像认知模型及应用研究［D］.北京：中国科学院研究生院，2010.