基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类1)

王宇航 范文义 刘超逸

(东北林业大学，哈尔滨，150040)



基于面向对象的QUICKBIRD数据和SAR数据融合的地物分类1)

王宇航 范文义 刘超逸

(东北林业大学，哈尔滨，150040)

为了实现精确植被类型信息提取，以福建省三明市将乐林场Quickbird影像和Radarsat-2全极化影像作为基础数据，探讨高空间分辨率光学遥感影像与SAR(合成孔径雷达)全极化影像融合进行地表覆盖及森林类型识别的可行性。采用面向对象多尺度分割方法对Quickbird全色与多光谱的融合影像进行处理，SAR影像采用Gram-Schmidt融合方法处理，运用处理的Quickbird与SAR的融合影像，分类提取植被的光谱、纹理和几何特征信息，建立类层次结构，并对分类结果进行比较分析。结果表明：基于对象与知识的方法对高空间分辨率影像分类取得了较好的分类效果，多源遥感数据分类的总体精度为0.903。

多源遥感；面向对象；尺度分割；合成孔径雷达(SAR)；数据融合

Based on the Quickbird data and Radarsat-2 full polarization data of San Ming City, Fujian Province, the object-oriented method was adopted to identify the land cover types from the fusion of Quickbird panchromatic and multi-spectral image, SAR images and the fusion of Quickbird image and SAR image which acquired by using the Gram-Schmidt method. Classification factors including spectral, texture and geometric features were used to establish a class hierarchy, and the classification results were compared. The knowledge-based and object-based methods was effective in the identification and classification of a high spatial resolution images, and vegetation types were effectively identified. The accuracy of multi-source remote sensing data was up to 0.903 with some improvements.

森林资源对于全球的碳循环、水循环、能量平衡以及人类的生态环境等十分重要。近年来，随着遥感技术的快速发展，光学遥感技术和合成孔径雷达(SAR)遥感技术已广泛应用于森林资源动态监测、生物量估算等方面。光学遥感由于空间分辨率高、光谱信息丰富等特点，但受太阳辐射条件限制，图像获取具有一定的局限性，且影像上“同物异谱”、“同谱异物”和“椒盐”现象普遍存在[1-4]。微波遥感具有对云雾的穿透能力，具有全天时、全天候、多极化、纹理信息丰富等特点，且SAR图像反映了地表不同地物的后向散射强度信息，在一定程度上还可以获取植被冠层以下的信息。所以，将光学影像与SAR影像进行信息融合，对于遥感图像的解译及森林类型的识别十分有益。

目前，国内外针对SAR数据与光学数据融合分类做了大量研究，研究重点多集中于SAR与中等分辨率光学影像的融合。王霄鹏等[5]利用单极化SAR与TM影像进行融合对湿地典型地物类型进行分类，表明相对于VV(垂直垂直同极化)、HV(水平垂直交叉极化)、VH(垂直水平交叉极化)极化影像，HV极化影像与TM数据进行融合分类的精度最高，总体分类精度达到86.11%；Michelson et al[6]采用最大似然法和神经网络法，对ERS-1 SAR数据和TM数据进行分类实验，表明采用先分割，再进行最大似然分类的方法好于神经网络法，其精度达到57.1%；韩震等[7]利用ERS-2 SAR数据和ETM+数据融合，对崇明岛滩涂地表进行了分类，分类总体精度达到90.45%。目前将高空间分辨率光学数据与SAR数据进行融合对地表植被类型分类的研究还比较少。本文以Quickbird全色波段影像与全极化RADARSAT-2影像为数据源，通过将高空间分辨率光学数据与微波数据进行信息融合，从而获得高空间分辨率极化信息影像，并对融合影像采用面向对象法进行植被类型分类，以期为森林类型分类提供新的方法。

1 分类系统与数据

研究区域为福建省三明市将乐林场，根据《土地利用现状分类》国家标准分类体系并结合区域植被二类调查资料，将研究区一级分类体系归为植被区与非植被区。非植被区包括水体、道路、房屋与裸地。在植被区的二级分类体系中，二级类型主要有耕地、灌草地、未成林造林地及林地。林地类型主要有杉木林(Cunninghamialanceolata)、马尾松林(Pinusmassoniana)及阔叶林，其中阔叶林包括：建柏(Fokieniahodginsii)、木荷(Schimasuperba)、巨尾桉(Eucalyptus)、枫香(Liquidambarformosana)以及其他软硬阔叶树。由于研究区域杉木林、马尾松林面积约占区域面积的80%，且阔叶林面积所占比例较少，所以将研究区植被类型分为：杉木林、马尾松林、阔叶林、灌草地、耕地以及未成林造林地。

本文光学遥感数据为2013年7月12日获取的Quickbird影像，包括分辨率为0.61 m的全色波段影像与分辨率为2.44 m的4个多光谱波段影像。SAR数据为2013年10月30日获取的Radarsat-2 C波段精细4极化SLC单视复图像数据，空间分辨率为8 m。首先对全色和多光谱Quickbird影像进行大气校正，然后对Quickbird采用多项式纠正法进行几何校正来消除图像几何畸变，再进行正射校正以消除地形阴影等影响。Radarsat-2数据受雷达特殊的侧视成像几何的影响，使图像易产生透视收缩等几何畸变，本文基于NEST软件，采用基于SAR成像原理的距离-多普勒模型校正法，对SAR数据进行几何校正。校正后，采用增强型LEE方法去除斑点噪声，在保证图像空间分辨率的同时，又很好的保持图像的边缘信息和细节信息[8]。滤波后同样对数据进行正射校正处理。

2 研究方法

本文基于Definiense Cognition 8.9平台进行面向对象多尺度分割。根据影像像元的同质性，用多尺度分割方法，自下而上分割形成分割影像对象[9-10]。面向对象分类技术集合图像邻近像元，为对象来识别地表类型，充分利用了高分辨率数据的空间、纹理和光谱信息对图像分割分类。多源遥感信息融合能将光学高空间分辨率与SAR全极化数据各自优势形成互补，使融合后的影像既具有全色波段的高空间分辨率又具有4通道全极化信息。

2.1 Quickbird影像分割分类

为了能充分利用Quickbird影像的高分辨率及光谱信息，将Quickbird全色波段影像与多光谱影像经过地理配准后，进行图像融合，使生成的新图像具有较高分辨率和丰富的光谱信息。然后用Ecognition软件对影像进行分割，为了提高影像分类精度，对分割对象提取植被指数信息以及纹理特征参数加入到分类中。

2.1.1 Quickbird多尺度分割

对地物类型用最优尺度分割后，能够用一个对象或多个对象表示出这种地物，得到对象的大小应与地物目标大小接近[11]，所以面向对象法分类的精度取决于图像分割的质量。在分割过程中，目前最好的方法是在分割参数中带有权重的异质性设置为最小，异质性包含颜色因子和形状因子2个对象特征，而形状因子包括形状信息、平滑度和紧致度。异质性F定义为[12]：

F=wcolorΔhcolor+wshapeΔhshape。

(1)

式中：wshape∈[0,1],wcolor∈[0,1]，wshape+wcolor=1；Δhcolor和Δhshape分别表示颜色指数和形状指数，wcolor和wshape分别表示颜色指数和形状指数的权重。

颜色异质性的定义为[12]：

Δhcolor=∑cwc(nmergeσc,merge-(nobj_1σc,obj_1+

nobj_2σc,obj_2)。

(2)

式中：wc为权重系数(用以实现多波段数据的多变量分割)；nmerge是合并后目标对象的像元数；nobj_1是合并前目标对象1的像元数；nobj_2是合并前目标对象2的像元数；σc是波段C目标对象内部像元的标准方差。

形状异质性用对象的形状光滑度和紧致度描述了形状的改进，定义为[12]：

Δhshape=wcomptΔhcompt+wsmoothΔhsmooth。

(3)式中：Δhcompt为紧致度参数；Δhsmooth为光滑度参数；wcompt为紧致度参数的权重；wsmooth为光滑度参数的权重。

通过调节波段权重、颜色、形状、光滑度、紧致度来获得合适的尺度参数。本文在多尺度分割上建立2层次结构，在第1层分割中，分割尺度选为90，用以区分图像植被与非植被。在第1层基础上创建第2层次作为第1层次的继承子对象，分割尺度选为40，用以区分植被中杉木、马尾松、阔叶林、未成林造林地、灌草地及耕地。多尺度分割参数见表1。

表1 Quickbird影像多尺度分割参数

2.1.2 植被指数特征

不同地物具有不同的光谱特性，用植被指数探测绿色植被更具有灵敏性，所以引入归一化植被指数(NDVI)与土壤调节植被指数(SAVI)作为特征参数加入到分类中，其数学模型为：

NDVI=(ρNIR-ρRED)/(ρNIR+ρRED)；

(4)

SAVI=(ρNIR-ρRED)+(1+K)/(ρNIR+ρRED+K)。

(5)

式中：ρNIR为近红外波段反射率；ρRED是红外波段反射率；K是调节系数。

2.1.3 纹理信息特征

由于有些植被的光谱信息具有相似性，分类过程会出现一定的误分现象，为了减少“同谱异物”现象，引入灰度共生矩阵特征参数参与分类以提高分类精度。灰度共生矩阵(GLCM)反映了影像灰度关于方向、相邻间隔、变化幅度的综合信息[13],本文选用灰度共生矩阵特征之一的同质性作为纹理信息特征参与到分类中。区域的同质性数值H值越大，则同质性越高[14-15]，数学模型为：

(6)

式中:i为灰度共生矩阵行中的位置；j为灰度共生矩阵列中的位置；N为矩阵的行(列)数；Pi,j为矩阵中第i行第j列元素值标准化后的值。

2.2 Radarsat影像分割分类

雷达图像反映的是微波与地物相互作用的后向散射结果，不同的地物具有不同的后向散射系数,其数学模型[16]为：

σ0=β0+10log10Ij；

(7)

(8)

(9)

式中：Ij为雷达入射角；h为轨道高度；r为地球半径；j指第j列；RSj为图像中第j列的斜矩；β0为雷达后向散射亮度；DN为雷达影像像元值；A2为第2列像元的增益；A3为固定偏移量。

Radarsat数据是经过精确定标的雷达数据，可以提取图像上记录的地物雷达后向散射系数。根据定标文件，分别提取了C波段4通道极化数据的耕地、杉木、马尾松、阔叶林、未成林造林地、灌草地以及水体的后向散射系数(见表2)。

表2 雷达后向散射系数

注：HH.水平水平同极化;VV.垂直垂直同极化;HV.水平垂直交叉极化;VH.垂直水平交叉极化。

由表2可知，不同地物类型具有不同的后向散射系数值，林地、草地、耕地、水体之间后向散射系数差异大较容易得到区分。对于单波段同极化图像而言，耕地与未成林造林地的后向散射系数较为相近，但在交叉极化图像上却有明显差异。阔叶林和针叶林(杉木、马尾松)间后向散射系数的差异也较为明显，这是由于极化主要反映森林的表面形态和森林结构特征，对树叶的形态具有较强的刻画能力，故对森林类型的识别较为有效[17-18]。因此，可通过多极化雷达数据的合成，充分发挥极化的作用，区分出不同的地物类型及森林类型。本文采用Radarsat-2全极化数据来对目标区域进行地物分类。

由于杉木和马尾松的叶子表面形态和森林结构特征较为相近，所以杉木和马尾松二者的后向散射系数较为相近，只依靠后向散射系数不容易将二者区分。所以引用灰度共生矩阵(同质性)参与到分类中，以提高对植被类型的区分精度。

2.2.1 全极化SAR数据合成

为了充分利用SAR图像的全极化后向散射系数信息，对4通道极化的后向散射强度图像进行了假彩色合成，由于舍弃了SAR图像的相位信息，所以采用公式(10)来进行假彩色合成。

(10)

式中：mHH、mVH、mHV、mVV为4种不同极化通道的强度值；R、G、B分别表示红、绿、蓝3个波段。

通过4通道极化，后向散射图像进行假彩色合成能够得到一个近似于Pauli基分解的RGB假彩色合成图像。其中，红色波段对应偶次散射，绿色波段对应偶极子散射，蓝色波段对应奇次散射。

2.2.2 Radarsat融合影像多尺度分割

与光学图像分割相似，在Radarsat-2融合图像上建立2层次分割结构，在第1层分割中，分割尺度选为100，用以区分图像植被与非植被。在第1层基础上创建第2层次作为第1层次的继承子对象，分割尺度选为50，用以区分植被中杉木、马尾松、阔叶林、未成林造林地、灌草地及耕地。融合图像多尺度分割参数见表3。

表3 融合图像多尺度分割参数

2.3 Quickbird数据与Radarsat数据的图像融合

用Gram-Schmidt(GS)融合变换对Quickbird全色波段数据和SAR数据进行图像融合。GS变换法是多维正交线性变换法，在任意可内积空间，任一组相互独立的向量都可通过GS变换找到该向量的一组正交基。设{u1,u2,…,un}是一组相互独立的向量，GS变换构造正交向量{v1,v2,…,vn}的方式如下[19]：

假设v1=u1，依次计算第i+1个正交向量:

vi+1=ui+1-pwiui+1；

(11)

(12)

式中：wi为已经计算的前i个正交向量跨越的空间，pwiui+1是ui+1在wi的正交投影。

首先需要将Quickbird全色影像与Radarsat融合影像进行融合前预处理，由于光学数据与SAR数据分辨率不同，所以要对SAR图像进行空间重采样，将SAR影像分辨率采样为与Quickbird融合影像相同的分辨率，本次实验SAR影像分辨率为0.61m。以Quickbird影像作为参考数据，将SAR影像与Quickbird影像进行相对配准，配准过程选取15个匹配点，且像元均方根误差控制在1个像元，保证配准的精度。将处理后的Quickbird影像与SAR影像进行Gram-Schmidt融合变换，再将融合后影像进行多尺度分割分类，与光学图像分割相似，在融合图像上建立2层次分割结构，每层次尺度及参数选择与光学图像分割参数设置一样，并同时引入灰度共生矩阵参数加入到分类中。

3 结果与分析

3.1 Quickbird影像分类结果

由表4可知，Quickbird影像分类总体精度为0.901，kappa系数0.886，说明基于面向对象法结合植被指数、纹理特征对高分辨率影像分类具有较好的效果。由图1可知，研究区域的主要林分类型杉木林、马尾松林、阔叶混交林之间发生了混分现象，原因可能是区域林分间有混交林，且研究区域为山区地形，易产生阴影区域，在阴影区域中针叶林杉木与马尾松光谱信息与纹理特征相近。阔叶林和未成林造林地，灌草地与未成林造林地间也发生混分现象，原因可能是未成林及一些阔叶林幼林在植被高度及光谱特性上与灌草地相近。

(a)Quickbird融合图像 (b)分类结果

图1 Quickbird全色与多光谱影像融合分类

3.2 SAR影像分类结果

由表5、图2可知，在Radarsat-2影像分类中，植被分类总体精度为0.796，kappa系数为0.703，森林类型与耕地、灌草地、未成林造林地类型得到很好的区分，但树种间区分能力较弱。分类图像上产生碎斑现象，原因是图像上斑点噪声对分类产生影响形成的。森林类型中针叶林杉木和马尾松的精度高于阔叶林，原因是当利用极化信息进行树种类型区分时，针叶林的形态结构比阔叶林更规则，均质性较好，而阔叶林的异质性则要高于针叶林。

(a)Radarsat-2图像 (b)分类结果

图2 SAR影像分类

3.3 融合影像分类结果

由表6、图3可知，在融合影像分类中，植被分类总体精度为0.903，kappa系数为0.889。由于融合图像具有光学图像0.61 m的高空间分辨率又具有SAR图像的全极化信息，同时引入了灰度共生矩阵来加强图像纹理信息，使图像中植被间差异得到了很好的区分。其中，灌草地的分类精度较高，同时减少了与阔叶林及未成林造林地的分类混淆，原因是雷达遥感具有一定穿透性，能揭示树冠下树枝和地表的信息，从而区分不同植被类型。

(a)多源融合图像 (b)分类结果

图3 多源融合影像分类

4 结论与讨论

相对于单一遥感数据的分类，多源遥感融合能够有效利用不同传感器优势。基于面向对象分类法，将QuickBird全色波段影像与RadarSat-2 SAR后向散射图像进行融合，进行地表覆盖及植被类型识别，基于对象与知识的方法对高空间分辨率影像分类取得了较好的分类效果，植被类型得到了较好的区分。利用多源遥感数据的分类总体精度最高为0.903，相比光学遥感数据，采用多源遥感数据分类不仅使植被类型得到较好的区分,且在阔叶林、灌草地、耕地地物等植被类型之间减少了“同物异谱”混分现象，说明雷达遥感能够揭示树冠以下和地表的信息，从而能较好的区分出不同的森林类型。

目前，针对SAR图像与高空间分辨率融合，使融合图像既具有SAR图像高分辨率光谱信息，又具有中等分辨率光学图像的光谱信息。而在SAR图像与高分辨率图像融合基础上，如何更好的将SAR图像与光学图像的优势全面结合起来，提取并加入更多有效分类参数，提高树种间分类精度有待进一步的研究。

表6 分类精度和混淆矩阵

[1] 苏伟，李京，陈云浩，等.基于多尺度影像分割的面向对象城市土地覆被分类研究：以马来西亚吉隆坡市城市中心区为例[J].遥感学报，2007,11(4):521-530.

[2] 曹雪，柯长青.基于对象级的高分辨率遥感影像分类研究[J].应用技术，2006(5)：27-30.

[3] MALLINIS G, KOUTSIAS N, TSAKIRI-STRATI M, et al. Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2008,63(2):237-250.

[4] JACQUIN A, MISAKOVA L， GAY M. A hybrid object-based classification approach for mapping urban sprawl in periurban environment[J]. Landscape and Urban Planning,2008,84(2):152-165.

[5] 王霄鹏，张杰，马毅，等.不同极化方式SAR与TM融合影像滨海湿地分类精度比较[J].海洋学研究,2014,32(1):40-46.

[6] MICHELSON D B, LILJEBERG B M, PILESJO P, et al. Comparsion of algorithms for classifying swedish landcover using Landsat TM and ERS-1 SAR data[J]. Remote Sensing of Environment,2000,71(1):1-15.

[7] 朝震，金亚秋.ERS-2 SAR和Landsat ETM+数据融合提取崇明东滩典型地物信息与分类[J].海洋环境科学,2006,25(3):21-24.

[8] 王宇航，范文义，张金虎.SAR图像滤波方法比较与分析[J].森林工程，2015,31(3)：81-84.

[9] 李娜，周德民，赵魁义.高分辨率影像支持的群落尺度沼泽湿地分类制图[J].生态学报，2011,31(22)：6717-6726.

[10] Platt R V, Rapoza L. An evaluation of an object-oriented paradigm for land use/land cover classification[J]. The Professional Geographer,2008,60(1):87-100.

[11] 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.

[12] 凌飞龙.面向植被识别的SAR图像分类方法研究[D].北京：中国林业科学研究院，2010.

[13] 田甜，范文义，卢伟，等.面向对象的优势树种类型信息提取技术[J].应用生态学报，2015,26(6)：1665-1672.

[14] TICKLE P K， WITTE C， LEE A， et al. Use of airborne scanning lidar and large scale photography within a strategic forest inventory and monitoring framework[C]//IGARSS. Proceedings, 2001 IEEE Geoscience and Remote Sensing Symposium. Sydney： IEEE,2001:1000-1003.

[15] KOSAKA N, AKIYAMA T, TSAI B, et al. Forest type classification using data fusion of multispectral and panchromatic high-resolution satellite imageries[C]//IGARSS. Proceedings, 2005 IEEE Geoscience and Remote Sensing Symposium. Seoul： IEEE,2005:2980-2983.

[16] 魏丹婷，塔西甫拉提·特依拜，雷磊，等.不同入射角下的雷达后向散射系数图像模拟[J].遥感信息,2012,27(3):54-59.

[17] HIROSAWA H, MATSUZAKA Y, KOBAYASHI O. Measurment of microwave backscatter from a cypress without leaves[J]. IEEE Trans Geosci and Remote Sens,1989,27(6)：698-701.

[18] HOEKMAN D H. Radar backscattering of forest stand[J]. International Journal of Remote Sensing，1985,6(2):325-343.

[19] CLAYTON D G. Gram schmidt orthogonallization[J]. Applied Stat-istics,1971,20(3):335-338.

An Object-based Fusion of QUICKBIRD Data and RADARSAT SAR Data for Classification Analysis//

Wang Yuhang, Fan Wenyi, Liu Chaoyi

(Northeast Forestry University, Harbin 150040, P. R. China)//Journal of Northeast Forestry University，2016,44(9)：44-49.

Multi-source remote sensing; Object-based; Scale segmentation; Synthetic aperture radar; Data fusion

王宇航，男，1990年6月生，东北林业大学林学院，硕士研究生。E-mail：1099366281@qq.com。

范文义，东北林业大学林学院，教授。E-mail：fanwy@163.com。

2016年2月24日。

S757.2

1)国家高技术研究发展计划(2012AA102001)。

责任编辑：王广建。