面向对象的国情监测LCA提取方法

2015-02-06何忠焕魏永强

地理空间信息 2015年2期

关键词：面向对象国情尺度

何忠焕，魏永强，王强

（1.国家测绘地理信息局重庆测绘院,重庆 400015）

面向对象的国情监测LCA提取方法

何忠焕1，魏永强1，王强1

（1.国家测绘地理信息局重庆测绘院,重庆 400015）

介绍了面向对象的地物提取技术，从地理国情监测工程化应用角度出发，阐述了面向对象提取地理国情地表覆盖在生产中的作业方法和技术流程。通过实验证明了该方法的可行性和可靠性，并探讨了参数设置的相关注意事项。

地理国情监测；地表覆盖数据；面向对象提取

1 技术方法比较

随着计算机技术和传感器技术的飞跃发展，遥感影像的分辨率越来越高，时效性越来越强。地物要素在影像上的光谱界线愈加难以区分，“同物异谱”、“异物同谱”现象越来越普遍。因此，传统的基于像素进行地物要素分类提取的方法在地理国情监测实际生产中的利用效能越来越低。在这种情况下，面向对象的提取方法为工程化生产应用提供了解决方案。该方法除了利用光谱信息外，还能够充分地挖掘影像的空间位置、纹理、形状等综合特征。面向对象分类技术的关键是：精确高效的分割和准确快速的分类。分割技术主要有：多尺度、均值漂移、分水岭、统计区域增长分割等。其中多尺度分割的应用面最广，该法综合利用影像的光谱、纹理等特征，计算相应的权值，与设置的阈值对比，完成分割。分类方法中，一类是基于各种图像分析算法设计的。规则集包含任意数量的子规则和很多不同类型算法，一个单一的规则能使一个具体的算法应用到一个具体特定的区域，它们所显示的结果是影像分析所定义的结构和流量控制图。另一类是基于专家知识的决策树分类。该方法通过决策学习过程得到分类规则并对遥感影像进行分类，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感先验知识的框架。和以往分类中手动建立规则集相比，该分类器通过决策树学习的方式建立规则集，不仅提高了效率，而且大大降低了对操作员的要求。目前，主流的面向对象技术平台基本囊括了以上分割和分类技术，但是它们在实际中的应用表现差异较大，对比如表1所示。

综合各类技术的优缺点，结合地理国情监测的工程化应用需求，本文提出综合利用多尺度分割和决策树分类算法提取地表覆盖数据的解决方案，为地理国情监测的地表覆盖信息提取提供参考。

表1 面向对象提取技术对比图

2 技术流程

首先，分析正射影像质量，判断可行性。然后，在国情要素提取环节采集道路面，将该骨架数据与整合后的基础数据进行融合，形成分割参考矢量。接下来，将预处理过的数字正射影像和参考矢量导入地表覆盖提取工作区进行分割。与此同时，可根据正射影像分析成果采集样本数据。最后，将样本导入分割结果，进行样本训练。训练完成后，使用决策树分类方法进行一次分类。重复训练分类，形成分类成果。同时结合人工判读，修编结果。最终完成地表覆盖的提取工作。主要技术流程如图1所示。

图1 地表覆盖提取流程图

2.1 影像分析

测区广袤，包含各种地物要素，并不是所有图幅都适合自动分类。因此，在进行地表覆盖分类提取工作前，进行影像分析是必要的。地表类型复杂、影像质量差、时相为冬季、云雾覆盖严重的图幅则不适合进行自动分类。经过筛选之后，分类别按不同方法进行提取工作，可大大提高工作效率。

2.2 样本采集

影像分析筛选之后，对于适合参与自动分类的影像，采集地物类样本数据，形成样本库数据，为后续样本训练做好数据准备。在样本采集完成后，可以导出样本文件下次重复使用。采集到的样本的好坏，直接关系到后续样本训练的效率，因而影响影像分类的精度。在样本采集的过程中，一定要细心、细致，并且需要结合外业外调成果，保证样本的丰富性与准确性，为后续分类提供可靠、精确的参考标准。

2.3 参考矢量制作

计算机自动分割后，地物要素边界比较精确，但由于影像的光谱信息的不均衡性会导致一些明显为同一地物要素的图斑过于破碎，进而影响后续自动分类效果。为了提高后续处理的效率，在分割前，将一些人工地物（主要是道路）采集成面，再结合基础数据中的线状要素，制作成影像分割的参考矢量。在进行自动分割时，利用这些参考矢量，配置以合适的分割参数，即可获得分割效果良好的结果。

2.4 影像分割

将处理好的影像导入系统，使用参考矢量分割方法，按照经验值设置参数进行分割。为了提高效率，可以对系统进行MPI并行配置。分割参数设置对分割结果影响重大，直接影响后续处理的工作量大小。

2.5 特征提取

特征提取模块可以提取光谱特征、形状特征、纹理特征等。特征信息提取完后，在影像上选取目标对象，就可以看到相应的特征信息。主要包括均值、色调、像素面积、长宽比、对比度、饱和度等。

2.6 决策树分类

样本点是影像分类的重要依据。将前期采集好的样本点导入系统中。导入样本后，样本点所在的图斑会自动赋上样本点的类别，通过图斑进行训练，为后续分类提供分类参考依据。决策树分类作为一种基于空间数据挖掘的监督分类方法，通过决策学习过程得到分类规则并对遥感影像进行分类，突破了以往分类树或分类规则的构建要利用分类者的生态学和遥感先验知识的框架。该分类器实现遥感影像面向对象自动分类。和以往分类中手动建立规则集相比，该分类器通过决策树学习的方式建立规则集，不仅提高了效率，而且大大降低了对操作员的要求。

2.7 后续处理与质量检查

修编：自动分类后，部分区域的图形以及属性还不是很精确。需要进一步使用系统工具进行图形编辑和属性修改。主要包括：小图斑剔除、面切割、合并、属性赋值等操作。

检查：地表覆盖分类数据为全覆盖的面状数据，检查主要包括以下几个方面：面缝隙、层内面不能重叠、面几何噪声、不合理面分割等。重点在于面缝隙、面分割等拓扑检查。

3 实验结果

本节所用底图数据为生产测区内一幅2．5万分幅数字正射影像。该数据为WorldViewII高分影像，多光谱分辨率2 m，全色分辨率0．5 m。

图2 实验结果

图2中a为以外业调绘为参考制作的样本数据；b为参考矢量数据；c为分割结果；d为最终提取的地表覆盖数据。计算机自动分割后，地物要素边界比较精确，但是由于影像的光谱信息的不均衡，一些明显为同一地物要素的图斑过于破碎，对后续自动分类效果稍有影响。为了提高后续处理的效率，我们在国情要素提取时，将一些人工地物（主要是道路）采集成面，再结合基础数据中的线状要素，制作成影像分割的参考矢量。在进行自动分割时，利用这些参考矢量，配置以合适的分割参数，即可获得分割效果良好的结果，如图2b所示。

分割完成后，根据影像信息提取光谱特征、形状特征、纹理特征等，再根据样本点训练样本。然后使用GLC分类方法完成一级类提取。这样的分类结果还不满足要求，需要进行二次分类。二次分类需要根据细分的类别重新进行样本的采集、训练、导入、分类过程。如此循环直至分类完成。最后，对数据进行修编及质量检查，取得最终的地表覆盖数据。如图2d所示。通过实验可看出，采用前述方案，能够对植被、水域等基本地理国情监测对象进行很好的提取，为地理国情监测地表覆盖快速提取提供了技术支持。

4 参数设置探讨

分割参数的设置至关重要，影响着分割及分类的效果。本节对这些参数进行探讨，给出一些实验结论，供大家参考。以上节WorldViewII融合影像为实验数据，分辨率为0．5 m。

1）尺度参数对分割的影响。设置光谱指数为0．9，紧致度为0．1，该两参数保持不变。分割结果如图3所示。

图3 不同尺度的分割结果

a耗时4．75 min ；b耗时3 min；c耗时2 min。从图中可看出，a中对象数量最多、b次之、c最少。尺度参数对分割效果影响最大，分割尺度与对象大小成正比关系，与对象个数成反比关系。同时，尺度大小决定了分割效率的高低，对工程化应用有重要影响。

2）光谱指数和紧致度对分割的影响。设置尺度为500，分割结果如图4所示。

图4 光谱指数及紧致度对分割结果的影响

紧致度的本质就是形状权重，光谱指数+紧致度=1。光谱指数设置越小，紧致度设置越大，分割结果与地物光谱的相关性就越小，分割对象较规整。光谱指数设置越大，紧致度设置越小，分割对象的光谱一致性相对好，分割结果越破碎。分割参数的设置至关重要，影响了分割及分类的效果，建议根据提取的地物类型，选择合适的尺度参数。经过反复实验，得出以下经验，如表2。