利用面向对象的信息提取技术进行城市用地分类

刘佳雨

摘要：针对城市用地分类问题，利用面向对象的高分辨率影像信息提取技术，对高分辨率影像进行影像分割，寻找影响对象提取精度的最优分割尺度，在得到最优分割尺度的基础上针对研究区城市用地的特点，有针对性地建立不同对象的提取规则，实现对目标对象的信息提取，从而形成最终的城市用地分类图，并将其与基于像元的光谱信息分类的方法进行对比，结果表明：视觉方面，面向对象信息提取技术克服了监督分类最大似然方法仅利用光谱信息分类的缺陷，充分考虑了像元间的空间关系特点，有效消除了“椒盐”噪声的影响；精度方面，面向对象信息提取技术的总体精度高达86.1166%，比最大似然法的总体精度提高了9.8851%，KAPPA系数也高达0.8131。

关键词：面向对象；高分辨率影像；多尺度分割；ENVI5.0；信息提取

Abstract： Object-oriented extraction technology is applied to urban land classification for the purpose of finding the optimal segmentation scale，which affects the accuracy of the classification，and combining with the characteristics of the study area. Different extraction rules should be established to extract the object information.Compared with the pixel-based classification method，the results shows that：①object-oriented extraction technology takes full account of the spatial relationships between features，and eliminates the “pepper and salt”noises；②In accuracy，the overallaccuracy of the object-oriented extraction technology is up to 86.1166%，9.8851 percentage points higher than the maximum likelihood method，Also a KAPPA coefficient of 0.8131 is acquired.

Key words： Object-oriented；High spatial

resolution image；Multi-scale segmentation；ENVI5.0；Information extraction

引言

城市用地类型的多样化使得针对城市用地的分类方法研究成为近年来人们关注的问题，传统的基于像元光谱信息的分类技术使用的多是中低分辨率的影像，其分类原理仅利用了影像的光谱信息，使得分类影像的视觉效果由于大量“椒盐”噪声的存在受到很大影响，并且“异物同谱”和“同物异谱”现象使得分类精度大大降低[1]。随着一系列高分辨率卫星的发射，高分辨率影像的获取成本越来越低，这使得面向对象的信息提取技术蓬勃发展，成为近年来研究的热点问题[2]。其基本思想是首先按照研究对象的特点将影像分割成具有一定意义的均质对象，而不是以单独的像元为研究单位，然后综合运用对象的光谱、纹理、形状、大小以及空间邻近关系等特征进行分类，所以分类精度大大提高[3]，同时该技术也省去了后期目视解译工作的繁重任务，排除了人为主观性的干扰，节省了大量成本，实现了自动获取遥感信息的过程[4]。

国内外很多学者也针对面向对象信息提取技术做了很多研究，比如孙晓霞，张继贤等利用面向对象的分类方法从IKONOS全色影像中提取河流和道路信息[5]；曹宝，秦其明等应用面向对象的分类方法对SPOT5遥感影像进行分类[6]，但是基于面向对象的高分辨率影像应用于城市用地分类的研究却比较少，因此本文利用ENVI5.0中的Feature Extraction模块，选取杭州具有典型城市用地类型的部分区域作为研究对象，利用面向对象的影像分割技术，基于边缘分割的算法，对城市用地进行分类，同时和传统的基于像元光谱信息的分类方法进行比较，并做出了精度评价，类似的应用研究目前国内并不多见，这就为利用高分辨率卫星影像提取城市用地信息提供了一种全新的思路和方法，具有巨大的经济和社会价值。

1. 研究区与数据源简介

WorldView-2影像数据获取时间为2008年6月，具有一个空间分辨率为0.5m的全色波段，八个空间分辨率为2m的多光谱波段，地物的光谱信息比较丰富。从影像上看，研究区内道路、绿地、建筑物、水体等城市用地类型清晰可见。为了最大限度地利用高分辨率影像的空间以及光谱信息，保证数据的精度，在正式做信息提取之前，先对研究区影像进行了融合、正射纠正、大气校正等预处理，得到图1所示的真彩色合成影像。本文从杭州市WorldView-2高分辨率遥感影像上截取2596*1523像素大小的区域作为研究区，且该地区的城市用地类型明显（见图1）。

2. 信息提取方法

2.1 基于像元光谱信息的最大似然监督分类法

传统的基于像元光谱信息的最大似然监督分类法通过定义训练样本的方式形成待提取感兴趣地物的光谱特征空间，并利用这个特征空间对整个研究区进行分类，这种分类方法仅仅考虑了研究对象的光谱信息，没有考虑其纹理、大小、形状以及空间拓扑关系特征。利用这种方法得到分类专题图如图2所示。通过对分类图的分析，得到以下结论：（1）大量的“椒盐”噪声存在于分类结果中使得图像的视觉效果受到影响，主要原因是同一地物在高分辨率影像上表现的光谱特征不同，混合像元增多所致；（2）建筑物和道路不能很好地分开，导致大量的错分和混分现象存在，主要原因是它们的建筑材料类似，表现在遥感图像上的光谱信息非常接近，“异物同谱”现象在基于像元光谱信息的分类方法中很难区分。

2.2 面向对象的信息提取方法

由于不同地物的物理化学成分、内部结构构造、纹理结构以及表面特征的不同，使得不同地物对于电磁波的辐射和反射能力不尽相同，反映在遥感影像上就表现为平均辐射亮度值的不同，从而形成不同地物在遥感影像上的不同形态及色彩表现，我们能够对不同地物进行特征分析，从而根据不同的特征在影像上进行信息提取，这就使得面向对象的信息提取技术成为可能[7]。目前，比较流行的遥感影像处理软件ENVI、ERDAS等都提供面向对象的分类方法，还有专门针对面向对象信息提取的eCognition[8]。其中，ENVI5.0FX扩展模块提供了完整的面向对象信息提取的技术流程，本文主要利用ENVI5.0 FX扩展模块中的Feature Extraction工具进行基于规则的面向对象的信息提取，其主要流程如图3所示。

2.2.1 多尺度影像分割

多尺度影像分割是根据研究目的，按照一定规则将图像分割成独立区域的过程，图像分割技术概括起来分为边缘搜索、区域增长和基于知识的分割等三类[9]。多尺度影像分割先将单个像元作为一个对象，然后根据相邻像元之间的光谱异质及其阈值和对比度异质及其阈值对象元进行合并及分割，再用形状异质对产生的对象形状进行修正，最终得到具有相似形状、颜色、纹理等特征的多边形，正因为如此，信息提取时，非常重要的语义信息并不是通过单个像元表达的，而是通过分割出的图像对象（一组像元）反映的[10]。分割尺度的大小影响影像对象的大小和数量，分割尺度不同，生成的影像对象多边形的大小和数量也不同，一个好的分割尺度分割得到的多边形可以将不同的地物类型的边界线勾勒清楚，同时能够防止地物分割的过于细碎，所以多尺度影像分割技术是面向对象信息提取最关键的一步，其分割质量的好坏直接影响到最终信息提取的精度[11]。

Feature Extraction根据邻近像素亮度、纹理、颜色等对图像进行分割，它使用的是基于边缘的分割算法，即边缘搜索，这种算法计算速度快，并且只需要一个输入参数就能产生多尺度分割结果，通过不同尺度边界的差异控制，从而产生从细到粗的多尺度分割，高分辨率影像中对象的特征各有不同，需根据实际情况设定不同的分割尺度，所以在分割一幅影像时，最好的办法是通过反复试验不同的参数设置，以期得到最佳的分割尺度[12]。利用Feature Extraction工具进行基于规则的面向对象的信息提取时，要求根据待提取对象的不同特点分别设置分割尺度和合并尺度数值，并选择合适的算法进行影像的多尺度分割[13]。各种算法及其特点如表1所示。

经过多次试验并结合待提取地物在高分辨率影像上的特点，决定选择Edge基于边缘检测的分割算法并结合Full Lambda Schedule合并算法来对实验区进行多尺度影像分割。通过尺度分割实验，并结合四种城市用地类型的特点，选择出各自的最佳的分割尺度，形成了具有“同质性”的对象像元群，四种待提取对象的最佳分割及合并尺度如表2所示。选择高尺度的图像分割，分出的斑块少；选择低尺度的图像分割，会分出更多的斑块，至此完成了面向对象信息提取中发现对象的过程。

2.2.2 基于分割的分类技术

Feature Extraction中包括两种基于分割的特征提取方法：基于规则的特征提取和基于样本的特征提取，其中基于规则的特征提取属于模糊分类法。本文主要采用基于规则的特征提取法进行城市用地分类，即通过分析待提取地物本身的特征属性及与其他地物的特征差异，建立各种限定规则来提取地物，从而达到分类的目的。

应当选择待提取地物最显著的特点来建立规则，所设规则不宜太多，规则多并不意味着精度就会提高。每一个分类由若干个规则组成，每一个规则由若干个属性表达式描述，每个分类可以有若干个规则，它们之间是“or”的关系，每一个规则可以有若干个属性表达式，它们之间是“and”的关系。本文针对四种待提取地物类型的不同特点，采用不同的提取规则如表3所示。

提取绿地信息时，首先计算图像的NDVI值，植被的NDVI值明显高于其他地物，通过选择ROI进行绿地NDVI值统计，确定在NDVI>0.18405时可以将大部分的植被信息提取出来；一些人工搭建的塑料棚等的反射率较高，NDVI值较大，也被错误地提取出来，利用植被和人工棚在绿波段Band3的DN值特点进行区分，绿地在此波段的最大DN值和人工棚在此波段的最小DN值很接近，所以利用人工棚在此波段的最小DN值1297作为提取绿地信息的上限，可以将错误提取出来的人工搭建物剔除。

提取水体信息时比较简单，由于水体在近红外波段的反射率很低，通过选择水体的ROI信息并进行统计，只利用一个属性表达式Band7<853.54874就可以将水体很好地提取出来。

提取道路信息时，首先利用NDVI<0.18405将绿地信息剔除；由于道路相比于建筑物的延伸性较好，并且道路的长宽比较大，经过多次实验确定当Elongation>3，长宽比>1.5时可以将道路信息较好地提取出来。

提取建筑物信息时比较复杂，相比于绿地和水体来说，建筑物的光谱特征不明显，又没有道路的延伸性特点，所以需要利用多个属性表达式逐层提取建筑物信息。首先通过选择ROI进行建筑物NDVI值统计，确定在NDVI<0.18405时可以剔除掉植被等NDVI值较高的地物信息；由于建筑物大致呈矩形，经过多次实验确定当矩形形状度量RectangularFit>0.5时，可以将建筑物信息很好地提取出来；由于建筑物的面积不会太小，所以有必要进行面积限定以剔除掉一些面积过小的干扰区域，利用Area>45m2作为限定条件。

由于目前没有很好的方法对影像中的阴影进行消除，所以阴影地区的地物信息不能很好地提取出来，所以本文采用人工解译的方法对影像中的阴影进行提取。最终得到如图4所示的专题图。

3. 精度评价

采用在研究区内随机抽取采样点的方式，并参考已有的一些辅助资料进行精度评价，并对随机抽取的100个采样点逐点进行类别确定，随后执行评价，以期得到比较精确的评价结果。采用的两种分类方法的精度评价结果如表4、表5所示。

由表4和表5可以大体得到以下结论：从单个类别提取的生产者精度和用户精度来看，除了“其他”类别的生产者精度外，面向对象的信息提取技术能够达到的精度普遍有所提高。比如对绿地信息的提取在面向对象的信息提取技术中，可以有针对性地加入NDVI以及第三波段这类辅助判断的信息从而提高了分类的精度；道路信息的提取在面向对象信息提取中的生产者精度为83.21%，用户精度为100%，比监督分类最大似然法的精度分别提高了7.78%和39.49%，这是因为道路和建筑物具有相似的光谱特征，单纯使用光谱特性进行判别就会使它们很容易被错分，然而面向对象信息提取技术除了利用光谱信息外，还充分利用了道路的空间特征，如长宽比和延伸性等，从而达到了很高的提取精度；面向对象的信息提取技术最终得到的总体精度为86.1166%，高出监督分类最大似然法9.8851%，Kappa系数也提高了0.1596。

4. 结论

本文采用面向对象信息提取技术和传统的监督分类最大似然法对城市用地进行了分类，并通过定性和定量的方法对最终的分类结果进行对比，结论如下：（1）面向对象的信息提取技术在进行分类前，首先根据地物的光谱、纹理等特点对影像进行了分割，形成了“同质性”的对象像元群，相比于单纯依靠地物的光谱信息进行地物提取的监督分类最大似然法更加符合自然界地物的客观性。（2）面向对象的信息提取技术给人以更好的视觉效果，它彻底克服了传统的基于像元光谱信息的分类方法会产生大量“椒盐”噪声的缺陷。（3）面向对象的信息提取技术在利用了像元光谱信息的基础上，还充分利用了同质像元群的空间特征，比如利用延伸性和长宽比对道路信息进行提取，避免了和其具有相似光谱特征的建筑物的混分，最大限度地克服了“异物同谱”现象对分类结果的影响。（4）从最终的精度评价结果的定量描述中可以看出，面向对象的信息提取技术可以显著提高分类精度，有益于城市用地类型的划分，可以对规划和政府部门的决策提供更加快速准确的信息支持。

本文的不足之处：（1）面向对象分类方法的分类精度很大程度上依赖于分割尺度的大小，若分割尺度过大则达不到分类精度的要求，而过小则会使图像过于细碎，加大分类的难度，影响分类的精度[12]，但是目前还没有形成可靠的影像分割精度的评价标准，本文也仅仅是凭借多次实验确定的最佳分割参数，带有一定的主观性。所以确定一套统一的影像分割精度的评价标准以及如何结合研究区地物的特征来获取影像的最优分割尺度，将会成为今后研究的重点。（2）被阴影遮盖地区的地物信息没有利用基于面向对象的信息提取技术进行提取，而是通过人工解译的方法将阴影单独提取出来，这主要是因为目前关于影像阴影的去除技术尚不成熟，所以如何有效剔除影像的阴影区域并且能够最大限度地保留地物的原始光谱及纹理信息是进一步研究的重点和难点所在。

参考文献：

[1] 周春艳，王萍，张振勇等.基于面向对象信息提取技术的城市用地分类[J].遥感技术与应用，2008，23（1）：31-36.

[2] 张寿选.基于面向对象的高分辨率影像专题信息提取[J].地理空间信息，2013，11（1）：92-94.

[3] 孙永军，童庆禧，秦其明.利用面向对象方法提取湿地信息[J].国土资源遥感，2008，75（1）：79-82.

[4] 黄慧萍，吴炳方，李苗苗等.高分辨率影像城市绿地快速提取技术与应用[J].遥感学报，2004，8（1）：68-74.

[5] Sun Xiao-xia，Zhang Ji-xian，Liu Zheng-jun.Extracting the river and the road using an object oriented technique from IKONOS panchromatic imagery[J].Science of Surveying and Mapping，2006，31（1）：62-63.孙晓霞，张继贤，刘正军.利用面向对象的分类方法从 IKONOS全色影像中提取河流和道路[J].测绘科学，2006，31（1）：62-63.

[6] 曹宝，秦其明，马海建等.面向对象方法在 SPOT5遥感图像分类中的应用—以北京市海淀区为例[J].地理与地理信息科学，2006，22 （2）：46-49.

[7] 王娟，张军，吕兆峰.基于分形纹理的遥感影像土地覆盖的分类方法研究[J].测绘科学，2008，33（2）：15-17.

[8] 黄亮，左小清，冯冲等.基于Canny算法的面向对象影像分割[J].国土资源遥感，2011，91（4）：26-30.

[9] Ballard A，Brown CM，ComputerVision[M].Englewood Cliffs，NJ：Prentice-Hall Inc.1982.

[10] Baatz M，et al eCognition User Guide[Z].Munich：Definiens Imaging GmbH，2002.

[11] 邓书斌.ENVI遥感图像处理方法[M].科学出版社.2010.

[12] 乔婷，张怀清，陈永富等.基于NDVI分割与面向对象的东洞庭湖湿地植被信息提取技术[J].西北林学院学报，2013，28（4）：170-175.

[13] Mo D K，Lin H，Li J P，et al.VHR Imagery Multi-Resolution Segmentation Based on Mean Shift[J].Journal of Guangxi Normal University：Natural Science Edition，2006，24（4）：247-250.