面向对象和规则的高分辨率影像分类研究
2016-01-29李朝奎董小姣
李朝奎，方 文，董小姣
(1. 湖南科技大学地理空间信息技术国家地方联合工程实验室，湖南 湘潭 411201；
2. 湖南科技大学地理空间信息湖南省工程实验室，湖南 湘潭 411201)
LI Chaokui，FANG Wen，DONG Xiaojiao
面向对象和规则的高分辨率影像分类研究
李朝奎1，2，方文1,2，董小姣1，2
(1. 湖南科技大学地理空间信息技术国家地方联合工程实验室，湖南 湘潭 411201；
2. 湖南科技大学地理空间信息湖南省工程实验室，湖南 湘潭 411201)
Research on the Classification of High Resolution Image Based on Object-oriented and Class Rule
LI Chaokui，FANG Wen，DONG Xiaojiao
摘要：随着航天遥感技术的发展，遥感数据的空间分辨率、光谱分辨率和时间分辨率极大提高，高效解译并处理海量的、具有空间几何信息和纹理信息的地物高分辨率遥感影像数据已成为遥感领域研究的重点与难点。对此，本文提出一种面向对象和规则的遥感影像数据的分类提取方法，即通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识，建立影像对象多层次网络分割分类结构，实现对遥感影像准确快速的地物分类和精度评价。以藏南地区WorldView-2影像数据为试验研究对象，采用面向对象和规则的影像分类方法进行验证试验，即综合采用均值方差法、最大面积法、精度比较法进行分析，选择3种最佳分割尺度建立多层次影像对象网络层次结构进行影像分类试验。结果表明，采用面向对象规则分类方法对高分辨率影像进行分类，能使高分辨率影像分类结果近似于目视判读的结果，分类精度更高。面向对象规则分类法的综合精度和Kappa系数分别为97.38%、0.967 3；与面向对象SVM法相比，分别高出6.23%、0.078；与面向对象KNN法相比，分别高出7.96%、0.099 6。建筑物的提取精度、用户精度分别比面向对象SVM法高出18.39%、3.98%，比面向对象KNN法高出21.27%、14.97%。
引文格式： 李朝奎，方文，董小姣. 面向对象和规则的高分辨率影像分类研究[J].测绘通报，2015(9)：9-13.DOI:10.13474/j.cnki.11-2246.2015.0267
关键词：面向对象；规则；高分辨率；多尺度分割
中图分类号：P237
文献标识码：B
文章编号：0494-0911(2015)09-0009-05
收稿日期：2014-11-13
基金项目：国家自然科学基金(41271390；41571374)；国土资源部公益性行业科研专项(201511079-04)
作者简介：李朝奎(1967—)，男，教授，主要研究方向为GIS理论方法及其应用。E-mail：616059644@qq.com
一、前言
随着遥感数据空间分辨率、光谱分辨率和时间分辨率的显著提高，深入挖掘和利用遥感数据中的各类语义关联信息、有效去除各种复杂的干扰因素、提高解译的自动化和精确化程度已成为高分辨率遥感发展和应用的主要挑战[1]。面向对象分类方法[2-4]克服了高分辨率遥感影像传统分类方法的缺陷，该方法不仅充分利用多种知识提取规则作为高复杂性和差异性高分辨率影像分类的依据，而且把分割和分类进行一定程度的相互融合，从而实现对遥感影像准确快速分类，提高了影像分类的精度和速度。在此基础上，本文提出一种面向对象和规则的高分辨率影像分类方法(object-oriented and class rule classification，OCRC)，该法通过发现和挖掘高分辨率影像丰富的光谱和空间特征知识，建立影像对象多层次网络分割分类结构，并以藏南地区错那县WorldVew-2遥感影像数据为研究对象，将该分类方法的分类结果和面向对象最近邻分类方法的分类结果分别进行对比分析[5-7]。研究结果表明，本文提出的面向对象和规则的高分辨率影像分类方法在影像建筑物提取精度、用户精度上具有明显的优势。
二、面向对象和规则的信息提取方法
1. 研究区及数据源
研究区位于藏南地区的错那县。藏南地区属热带地区，气候温暖湿润，水热条件充沛，具有“西藏的江南”之称。它也是世界上最齐全的山地垂直自然带地区，且是中国水力资源最丰富的地区之一，主要河流雅鲁藏布江全流域水能蕴藏量仅次于长江，单位流域面积和单位河长的水能蕴藏量居我国各大河之首。
本文选取2012年11月28日WorldView-2遥感影像为数据源。WorldView-2影像包括0.5 m全色波段和1.8 m分辨率的多光谱波段，具有4个标准波谱段(红、绿、蓝、近红外)。遥感影像预处理包括几何校正、影像融合和影像裁切。
2. 最佳分割尺度
地表实体的现象和过程都是客观真实的，不同尺度研究对象的现象和过程则表现出地表实体的复杂性[8]。在一个最优尺度上能清楚地观察研究目标的地理现象、过程和地理特征间的规律，保持地物实体大小的空间结构特征是遥感影像分割的基本准则，即地物最佳分割尺度，直接影响分类结果和精度。本文采用均值方差法、最大面积法、精度比较法选取各类地物的最佳分割尺度，选择10、20、30、40、50、60、70、80、90、100、110尺度分割试验区。试验结果得出，均值方差法的最佳分割尺度为30、60和80，最大面积法最佳分割尺度区间为(40，50)、(60，80)、(90，100)，精度比较法中建筑物、水体、植被、裸地、道路的分割尺度分别在30、80、60、20、30时分类精度达到最大值(如图1—图3所示)。综上所述，本文选择分割尺度80区分水体和非水体，分割尺度60区分非水体中的植被和非植被，分割尺度30区分非植被中的建筑物、道路、裸地。
图1 分割尺度与均值方差值关系
图2 分割尺度与最大面积值关系
图3 尺度与精度关系
3. 地物光谱和空间特征分析
(1) 光谱特征
通过对影像的整体观察和分析，本文将研究区分为植被、水体、道路、裸地、建筑物5类地物，选择并观察影像上植被、水体、道路、裸地、建筑物样本的光谱特征如何变化(如图4所示)，总结植被、水体、道路、裸地、建筑物的特征，最后在影像上按植被、水体、道路、裸地、建筑物类别分别选取30个大小为10～15的典型区域像素样本。试验结果表明，各目标类别训练样本之间的分离性均大于0.8，分离性较好，适宜作为训练样本进行光谱特征分析。
通过采集和分析大量典型地物特征样本值的特点和变化，利用光谱间的相互关系，总结突出的某些特征分布规律，使其能充分反映地表物体的属性和空间分布特征。
图4 地物特征光谱曲线
植被的NDVI值与其他地物类别的NDVI值差异很大，植被的NDVI值在所有地类中是最高的，其平均值大于0.6，而其他地类的NDVI平均值均小于0.2(如图5(a)所示)。水体的NDWI值与其他地物差异明显，在结果图中显示为白色，水体指数的取值范围通常为[0.29,0.6](如图5(b)所示)。
从图4中的典型地物波谱特征可知，道路的亮度值为Band 2>Band 1>Band 4>Band 3，建筑物的亮度值为Band 2>Band 1>Band 4>Band 3。为了区分道路和建筑物，通过波谱特征分析和反复试验，F=(B1-B4)/B1大于阈值0为建筑物，小于等于阈值0为道路。在WorldView-2影像上，虽然裸地、道路、建筑物特征比较明显，通过目视就能将其区分。但是由于裸地、部分道路与建筑物(白色)的亮度均值变化大小顺序相似，在影像上光谱都呈现出白色，为了区分裸地、部分道路与白色建筑物，B2大于阈值640为建筑物，小于等于阈值640且大于等于阈值450为裸地，小于阈值450为道路。
图5 NDVI、NDWI特征结果
(2) 空间特征
形状特征是高分辨率影像中目标识别和分类中一个非常重要的特征。面向对象的分类方法是以对象为基本分类单元，对象的形状特征能通过数学工具、人工智能、非线性系统等科学计算出来，从而准确反映和描述地表真实地物的形状。本文将选择长宽比特征、宽度特征、矩形适合性、曲率、标准差曲率和密度特征用于规则分类，尺度30的分割结果如图6所示。
图6 各形状特征结果
4. 分类规则及层次结构
影像分割后，利用不同特征知识提取具有高复杂性和差异性的高分辨率影像地物，通过多层次间的传递，使得层次之间具有继承关系，组成复杂的规则知识网络结构，实现影像上各种地物高效和准确地逐级分层分类。本文以Ecognition8.7软件为平台，综合利用影像中各层次地物类别光谱、形状、纹理、上下文特征信息，选择合适的分类特征或特征组合，建立各类地物的分类规则集。根据对研究区中的地物知识分析和特征挖掘，建立水体、植被、建筑物、道路、裸地分层体系和分类规则，对WorldView-2影像进行逐级分类(见表1)。
表1 研究区地物分类规则
三、试验结果分析
试验将分类图像中特定的对象与已知分类的参考对象检验样本进行比较，采用混淆矩阵精度评价方法，计算分类结果的用户精度、生产者精度、总精度和Kappa系数，对影像信息提取结果进行评价。面向对象的规则分类总精度高达97.38%，Kappa系数为0.967 3，建筑物的生产者精度和用户精度分别高达91.67%、96.37%。试验结果显示，面向对象的规则分类效果较好，能有效地将光谱信息类似的裸地、建筑物、道路进行区分，各类地物信息提取完整。通过对5类地物的特征知识发现和挖掘，选择与面
向对象规则相同的对象特征用于SVM和KNN分类，选择光谱、形状、植被指数、水体指数等共20个特征指数，见表2。图7、表3—表5分别是各分类结果图和各精度评价表。
表2 影像中影像对象特征总和
图7 3种方法分类结果
表3 面向对象规则分类结果精度评价
表4 面向对象SVM分类结果精度评价
表5 面向对象KNN分类结果精度评价
四、结论
本文提出了面向对象和规则的遥感影像分类方法。对面向对象规则的分类方法、面向对象SVM分类方法和面向对象KNN分类方法进行了试验对比分析，结果表明：
1) 面向对象的分类方法能很有效地利用地表真实地物的空间信息特征如面积、形状、长度、长宽比、矩形适合性等参与影像的分类过程，特别是对于同谱异物的地物类别效果明显。
2) 面向对象规则分类的建筑物、道路、裸地、水体、植被等地类的生产精度、用户精度、总精度、Kappa系数都要比面向对象SVM法和面向对象KNN法高，其中面向对象规则法的总精度为97.38%，分别比面向对象SVM分类和面向对象KNN法高出6.23%、7.96%；Kappa系数为0.967 3，比面向对象SVM分类和面向对象KNN分类高出0.078、0.099 6；建筑物的生产者精度、用户精度分别比面向对象SVM方法高出18.39%、3.98%，且比面向对象KNN方法高出21.27%、14.97%。
3) 通过面向对象多尺度分割方法，可以生成与影像上地物实体大小相似的影像对象，并以此进行分类的结果和精度比传统的基于像元分类方法更精确，其中面向对象的规则法通过对影像上真实地物特征知识的发现和挖掘，建立地物分类规则和分类结果，比面向对象的监督分类方法，如面向对象SVM法和面向对象KNN法分类结果好、精度更高，并且其中的建筑物信息提取更为完整精确。
参考文献：
[1]REGO L F G.Automatic Land-cover Classification Derived from High-resolution IKONOS Satellite Image in the Urban Atlantic Forest in Rio De Janeiro(Brazil) by Means of an Object-oriented Approach[J].Applied Remote Sensing for Urban Planning, Governance and Sustainability，2007(5)：25-36.
[2]BAATZ M, SCHAPE A.Object-oriented and Multi-scale Image Analysis in Semantic Networks[C]∥Proceedings of the 2nd International Symposium on Operationalization of Remote Sensing.Enschede：[s.n.]，1999.
[3]BAATZ M, SCHAPE A. Multiresolution Segmentation: An Optimization Approach for High Quality Multi-scale Image Segmentation[J]. Angewandte Geographische Information sverarbeitung，2000(XII): 12-23.
[4]KETTINGRL,LANDGREBEDA.ComputerClassificationofRemotelySensedMultispectralImageDatabyExtractionandClassificationofHomogeneousObject[J].IEEETransactionsonGeoscienceElectronics,1976，14(1): 19-26.
[5]曹雨田, 闫冬梅, 张丽.基于QuickBird卫星数据的土地利用分类规则集研究[J]. 地理与地理信息科学, 2011,27(6): 28-31.
[6]闫利.遥感图像处理实验教程[M].武汉：武汉大学出版社，2010:24-30.
[7]闫利, 赵展, 聂倩.利用规则进行高分辨率遥感影像地物提取[J]. 武汉大学学报：信息科学版，2012,37(6): 636-639.
[8]吕一河, 傅伯杰. 生态学中的尺度及尺度转换方法[J]. 生态学报, 2001(12)：2096-2105.
[9]ZHANGL,HUANGX.Object-orientedSubspaceAnalysisforAirborneHyper-spectralRemoteSensingImagery[J].NeuroComputing,2010，73(4): 927-936.
[10]陈杰.结合支持向量机与粒度计算的高分辨率遥感影像面向对象分类[J]. 测绘学报, 2011,2(40)：128-134.
[11]黄慧萍.面向对象影像分析中的尺度问题研究[D]. 北京:中国科学院研究生院,2003：7482.
