利用影像纹理和阴影信息提取城市不透水面的方法<br/>——以咸阳市为例

利用影像纹理和阴影信息提取城市不透水面的方法
——以咸阳市为例

2016-09-02黄曦涛李怀恩

测绘通报 2016年5期

黄曦涛，李怀恩，张　瑜，白　穆

(1. 西安理工大学西北旱区生态水利工程国家重点实验室培育基地，陕西西安 710048；2. 陕西省基础地理信息中心，陕西西安 710054； 3. 陕西测绘地理信息局，陕西西安 710054)

利用影像纹理和阴影信息提取城市不透水面的方法

——以咸阳市为例

黄曦涛1,2，李怀恩1，张瑜3，白穆2

利用2012年的咸阳市资源三号卫星影像，同时利用光谱信息和纹理信息对咸阳市的地表进行监督分类，使用阈值和开闭运算提取阴影，并通过TM影像提取NDBI等指数辅助归类，优化分类结果，提高提取不透水层信息的准确率，旨在为城市合理布局，减少城市内涝等提供基本信息。研究结果表明，利用多源遥感卫星影像，同时考虑光谱和纹理信息的分类方法进行不透水面的提取精度提高了17.2%，对阴影检测和归类处理提取精度进一步提高了2.7%，方法简便可行，结果稳定可靠；咸阳市研究区地表不透水率为30.73%，不透水率相对较低，城市生态环境较好；不透水面主要分布在渭河以北老城区。

不透水面；光谱；纹理；阴影；不透水率

不透水面是指能阻止水渗透到地表下层面的硬化地表。诸如屋顶、广场、沥青或水泥的道路及停车场等人工不透水面是城市地区的典型特征，在城镇与乡村之间存在显著差别，是与城市水文过程、水质面源污染及城市植被制图等研究有关的重要参数[1-3]。不透水面积与城市总用地面积的比值不透水率，常出现于城市水文、水质、面源污染及城市植被制图等研究中，既可作为城市化程度的指标，也可作为城市生态环境的指标，在城镇与乡村之间存在显著差别。已有的研究结果表明，不透水面的增加会提高城市内涝和城市连片区域下沉风险，对水质量、小区域气候、生存环境都会产生负面影响。

随着遥感技术的快速发展及中高分辨率遥感平台的大量普及，我国对于城市用地不透水性的研究也逐渐增多，传统不透水层地面调查需要投入大量人力物力，不适用于大范围作业[4]。目前利用中高分辨率遥感影像开展不透水地面提取方法的研究已经成为热点。Slonecker等总结出不透水地面的遥感提取方法主要包括解译法、光谱法和建模法[5]。近年来，国内基于中高空间分辨率遥感影像提取不透水地面的方法主要有图像像元分类法、亚像元分类法、决策树模型法和线性光谱混合分析法等，但在样本训练区的选择及精度提升上存在较大难度。同时，有限的光谱信息无法为分类提供更多信息，大量地面阴影对地物的遮挡严重影响到分类精度。而图像空间分辨率的提高，使纹理特征表现得越来越明显，对分类能起到重要作用。因此，本文基于2012年咸阳市城区内资源三号和TM卫星影像，利用光谱和纹理信息进行地表分类及阴影检测和归类研究，完成咸阳市不透水面的提取，旨在提高精度，为城市内涝等进一步研究奠定基础，并为国产影像的应用进行探索。

一、数据预处理

本文选用2012年11月的资源三号遥感卫星(ZY-3)影像为数据源，包括2.5m分辨率的全色波段和10m分辨率的多光谱蓝、绿、红和近红外4个波段。经过对研究区影像进行正射纠正、全色与多光谱影像(蓝、绿、红3个波段合成)配准、主成分变换法融合后按照咸阳市中心外扩对影像进行裁剪，提取陕西省咸阳市(秦都区和渭城区)建成区为研究区面积约179.41km2。

二、研究方法

1. 基于光谱的监督分类

本文对影像的土地利用分类按水泥建筑、地草、乔灌、裸地、金属篷房、水体、阴影7类进行划分，使用ERDAS9.3软件对研究区预处理后的影像进行监督分类[6]，分类结果如图1所示。

图1　基于光谱的监督分类

分类后利用ERDAS9.3软件的AccuracyAssessment功能在原始分类图像上随机产生256个点，通过随机点的实际类别与监督分类后图像上的类别进行统计分析，得到分类精度为74.22%，Kappa系数为0.674 4。由此可见，仅仅基于光谱信息的分类精度较低，不利于不透水层提取。

2. 基于光谱信息与纹理信息的不透水层提取

(1) 主成分分析[7]

为减少计算工作量，隔离噪声并减少数据集维数，先对研究区融合影像进行主成分分析，获取互不相关的主成分波段。各个主分量所占的信息量百分比分别为：前两个主分量占数据信息量的99.34%，几乎涵盖了所有信息；第三、四主分量占信息量的0.66%，几乎全是噪声，故本次研究将第三、四主分量剔除。

(2) 纹理提取

本文采用ENVI5.0软件中的Texture纹理分析模块(co-occurrencemeasures)对研究区影像的前两个主分量按照灰度共生矩阵[8-9]的方法进行纹理分析，提取的研究区纹理特征影像如图2所示(以第二主分量为例)。

(3) 结合光谱信息与纹理信息的地表分类

经过反复试验，发现遥感影像的8个纹理特征分量中，Mean分量包含的信息数据最为丰富，对后期的分类能够起到积极作用，故本文将采用ZY-3影像的1、2、3波段(蓝、绿、红)及前两个主分量的Mean特征分量，组成包含5个波段信息的影像。分类结果如图3所示。

3. 阴影提取与归类

(1) 阴影检测

影像上的阴影主要是由于光照不足造成相应区域影像亮度小及信息缺乏，即相当于在阴影区域的景物反射函数上乘以一个较小的光照亮度函数。阴影区域检测算法包括3个步骤：

图2　纹理特征图像

图3　基于光谱和纹理合成的分类结果

1) 将影像从RGB颜色空间转换到包含亮度信息的HSI颜色空间，结果如图4所示。

图4　RGB色彩空间转换HSI色彩空间结果

2) 基于影像亮度的直方图分析进行阈值处理，确定阴影亮度阈值并分离阴影区域和非阴影区域，完成阴影区域和非阴影区域分离。对亮度I(x，y)作如下阈值处理

(1)

式中，I(x，y)为影像亮度；K为阴影阈值，代表非阴影区和阴影区的光照亮度，经试验阈值设定为0.117提取效果最佳。提取结果如图5所示。

图5　阈值设定及阴影提取效果

3) 由于I(x，y)中含有未被去除的地物反射特性信息，只根据阴影的光照亮度值是无法把阴影区域完全分离出来的。因此，对I(x，y)阴影数据进行数学形态学的开闭运算[10]，用带条件的腐蚀(边界向内收缩，消除小且无意义的物体)、膨胀(物体与背景点合并，填补空洞)运算，可以进一步分离阴影区确定最终的阴影范围。为了去掉地物的反射信息而只近似保留光照函数信息，选择基于灰度形态学的滤波算法来分离亮度的低频信息

I(x,y)=fo(fc(I(x,y),g),g)

(2)

式中，x、y为影像坐标；I(x，y)为影像阴影； fc为闭运算； fo为开运算；g为结构元素。本次试验取3×3矩阵。综上，对影像阴影进行开闭运算后的阴影检测结果如图6所示。

图6　阴影检测结果

(2) 阴影归类

获取阴影区域后增强对比度发现城市阴影内部主要由硬化平地和植被组成，由于两种地类之间的纹理存在明显区别，因此需要继续使用纹理合成影像对阴影区域进行监督分类，再通过LandsatTM数据提取NDBI、MNDWI、NDVI指数辅助解决阴影的归类问题。最终得到的阴影部分分类结果如图7所示。

图7　阴影分类(植被和不透水层)成果

4. 不透水层提取结果与精度评价

对获取的分类信息进行划分：水泥建筑、金属篷房为不透水层，地草、乔灌、裸地、水体为透水层，阴影中硬化平地为不透水层，植被为透水层，得到咸阳市城市不透水层分布，结果如图8所示。

通过实地取样100点，对获取的分类数据进行检测，基于光谱和纹理合成影像的分类精度为91.42%，Kappa系数为0.887 7，比原始影像提高了17.2%和0.213 3，考虑阴影归类后，分类精度为94.12%，Kappa系数为0.899，比原始影像提高了2.7%和0.011 3。

三、结果分析

通过在ArcGIS9.3中对咸阳市研究区不透水层数据进行统计分析，可得本次不透水层研究区总面积接近179.41km2，不透水层面积约为55.25km2，研究区不透水率为30.80%；考虑到研究区外围主要为农村耕地，因此使用咸阳市城区范围(基于遥感影像获取具有城市景观特征，符合城市形态的区域)作为统计单元计算，咸阳市城区面积53.22km2，城区内不透水面积接近27.66km2，咸阳市城区内部不透水率接近51.97%(如图9所示)，城区外围城乡接合部区域不透水率接近21.86%，其中，不透水层主要分布在渭河以北秦都、渭城老城区，透水层主要分布在城乡结合区域。这主要是因为城区渭河以北核心区人口稠密，建筑硬化表面密度较其他区域更高，渭滨街办和东部石桥乡往东大部区域为城乡接踵而至合部，工矿企业居多，但内部非硬化地表仍然保持较高的比例，另外渭河以南由于近年受房地产、教育等产业的快速发展影响，硬化地表比例上升明显，在渭河咸阳湖段以南偏东方向由于开发强度较弱，现阶段不透水地面比例还保持在较低的水平。

四、结论与讨论

本文结合纹理和光谱特征进行不透水面信息的自动提取及基于阈值法和开闭运算对阴影进行检测和归类，有效提高了基于中等分辨率国产卫星影像提取不透水面信息的精度。根据美国城市平均水平中高密度居住用地的不透水率为30%～65%[11]的评

价指标来看，咸阳市城区平均不透水率仍处于相对较低的水平，利于城市生态环境保持在较好水平。此外，本研究能够为下一步开展城市水文模拟、城市内涝等研究提供下垫面参数，为城市土地利用规划提供参考。咸阳市主城区地表不透水状况应通过适当增加植被、水体等合理规划的方法进一步改善,减少城市内涝发生的概率，从而改善人居环境。

[1]ARNOLDCL,GIBBONSCJ．ImperviousSurface:TheEmergenceofaKeyEnvironmentalIndicator[J].JournaloftheAmericanPlanningAssociation,1996,62(2)：243-258.

[2]YUANF,BAUERME．ComparisonofImperviousSurfaceAreaandNormalizedDifferenceVegetationIndexasIndicatorsofSurfaceUrbanHeatIslandEffectsinLandsatImagery[J].RemoteSensingofEnvironment,2007,106(3)：375-386.

[3]WENGQH．RemoteSensingofImperviousSurfaces[M].BocaRaton:CRCPress, 2008.

[4]LIWF,OUYANGZY,ZHOUWQ,etal．EffectsofSpatialResolutionofRemotelySensedDataonEstimatingUrbanImperviousSurfaces[J].JournalofEnvironmentalSciences,2011,23(8)：1375-1383.

[5]SLONECKERET,JENNINGSD,GAROFALOD．RemoteSensingofImperviousSurface:AReview[J].RemoteSensingReviews,2001,20(4)：227-255.

[6]党安荣，王晓栋，陈晓峰，等.ERDASIMAGE遥感图像处理方法[M].北京：清华大学出版社,2003.

[7]严红萍，俞兵.主成分分析在遥感图像处理中的应用[J].资源环境与工程,2006,20(2)：165-170.

[8]薄华，马缚龙，焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报,2006,34(1)：155-159.

[9]杨德坤，侯德文，步亚东.灰度共生矩阵在纹理特征提取中的发展[J].信息系统工程,2012(1)：134-136.

[10]刘小洲，周石琳，李智勇.高分辨率遥感图像中建筑物阴影的提取[J].计算机仿真,2008,25(8)：197-200.

[11]陈爽，张秀英，彭立华.基于高分辨卫星影像的城市用地不透水率分析[J].资源科学,2006,28(2)：41-45.

ExtractionMethodofImperviousSurfaceInformationinCitybyTexturesandShadows——TakingXianyangCityasanExample

HUANGXitao，LIHuaien，ZHANGYu，BAIMu

2015-06-16

黄曦涛(1981—)，男，工程师，主要从事测绘地理信息技术应用及相关管理工作。E-mail：huangxitao_81@126.com

P23