地理国情普查中地表覆盖自动解译问题研究

2016-12-26吴海新吴延斌

地理空间信息 2016年4期

关键词：国情普查尺度

吴海新，吴延斌

（1.河南省有色测绘有限公司，河南郑州 450016；2.栾川县地理信息中心，河南栾川471500）

地理国情普查中地表覆盖自动解译问题研究

吴海新1，吴延斌2

（1.河南省有色测绘有限公司，河南郑州 450016；2.栾川县地理信息中心，河南栾川471500）

针对地表覆盖自动解译时经常遇到的分割尺度设置、影像噪声、判读差异、DLG数据与影像不一致等问题，在实际应用中，根据影像分辨率与测区地类设定合适的分割尺度，采用合理的解译顺序、调整分割尺度和采样率来降低噪声影响，用人机交互解译来解决判读差异问题，人工解译与现场核实相结合判断DLG数据与影像不一致区域。以上措施较好地解决了自动解译遇到的问题。

地表覆盖；自动解译；分割尺度；影像噪声；判读差异

现今，利用eCognition或ENVI进行自动解译已经在地理国情普查项目中得到了认可，自动解译的成果可以部分应用于测绘生产。如果自动解译应用得当，在地理国情普查项目中可以节省30%～50%的工作量。不可否认，人工解译的工作还占有较大比重，但自动解译仍然降低了地理国情普查项目中地表覆盖分类的难度和规模[1]。在进行自动解译的工作中，遇到了很多问题，如何避免这些问题以及遇到这些问题时如何快速处理，是本文讨论的重点。

1 地物分割尺度

无论是用eCognition还是ENVI进行解译，都需要对影像进行分割，最常用的方法是“多尺度分割”，即按照影像的光谱特征，沿地物的分界线将影像分割成若干个小图斑，并把分界线保存在一个矢量面层中[2]。

1.1 影像分割存在的问题

图1 房屋和道路粘连

1）房屋和道路粘连。如图1所示，无论怎么调整多尺度分割算法的参数，分割结果都不能完全让人满意。通过目视判读，能够很清楚地区分房子和道路，但是影像分割结果表明，虽然大部分道路和房子分割效果较好，道路和房子总存在部分粘连现象。通过分析道路和房子的影像特性，得出粘连的原因：①二者在空间距离上相隔太近，粘连通常发生在道路与房子中间毫无间隔的情况；②灰屋顶与水泥道路的工程材料近似，造成光谱反射值十分接近，在分割算法中这二者的异质性很小，所以这两类易被合并为一类；③影像成像时角度、阴影的影响，导致在影像上不能判别出两类地物的差异。

2）裸耕地与乡村道路粘连。如图2所示，裸耕地是指在影像中没有种植作物的耕地，但曾经是耕地，也是边界平整，内部分布均匀，呈块状或条带状分布；乡村道路通常是泥质地表，只不过经常有人、畜、车行走，地面紧实，内部分布均匀，也呈条带状分布。裸耕地与乡村道路的光谱差异不大，形状也相似，有时裸耕地与道路连接，在分割时不可避免地粘连在一起。

图2 裸耕地与乡村道粘连

3）房屋分割问题。建筑区房屋的样式不同，使用的建筑材料也不同，甚至一个单栋房屋的屋顶也可能由好几种建筑材料构成，这就造成一栋房屋的光谱反射特性不相同，在进行影像分割时，会把这种类型的房屋分割为好几部分，而不是一个整体，如图3所示。

1.2 解决方法

地物分割时最重要的一个指标是分割尺度，分割尺度设置得是否合理，决定了分割出的矢量数据的准确性。一般分割尺度要配合光谱指数和紧致度一起使用，光谱指数一般设置在0．7～0．9之间；紧致度一般设置在0．5～0．7之间，紧致度越大生成的边界弯曲度就越小，边界就越整齐。分割尺度设置越小，分割的图斑就越细碎；反之，分割的图斑就越大。分割尺度的设置与两个因素有关，第一个因素是影像的分辨率，一般0．5 m分辨率的影像分割尺度可以给大些，例如300～500，1 m分辨率或2 m分辨率的影像分割尺度给小些，例如100～200；第二个因素是测区地类数量，一般地类较多，分布越零碎，分割尺度就给小些，地类较少，分布有规律性，分割尺度就给大些。值得注意的是，分割尺度不是一个可以严格设定的数字，需要根据经验并结合试验才能得出一个较为合理的数值[3]。在实际应用中，如果分割尺度设置过小，一个地物就容易被分割得过于破碎。因此，应该根据影像分辨率、测区地类设定合适的分割尺度。

图3 分割破碎的房屋

2 高分辨率影像噪声

常见的高分辨率遥感影像空间分辨率为0．5 m，也就是说在实际地表上0．5 m的地物在影像上为1个像素。对同一个地物，分辨率越高的影像细节展示越丰富，从某方面来说，这种情况有助于判别地物。另一方面，需要关注的是这个地物的类别信息，它的细节信息并不重要，这种过于丰富的细节对这个地物而言就是噪声，对影像进行分割分类时就会造成干扰[4]。

2.1 存在的主要问题

1）道路噪声。城市道路有相对固定的宽度，用水泥或者沥青作为铺面材料，通常是比较好提取的。影像获取的环境肯定是在白天天气晴好的情况下，这时候城市道路上车流量还比较大。一辆小汽车长度在4～6 m之间、宽度在1．5～2 m之间，在全色影像中占12个像素以上，每辆小汽车都是清晰可见的，这些汽车对于道路提取就是噪声。如图4所示，对这幅影像进行影像分割时道路就会被割成一块块的，影响长宽比特征和密度特征的使用。

图4 道路噪声

2）房屋噪声。房屋建筑区是指人工地物中的建筑，对建筑的提取关注的是建筑的最外围轮廓边界，如果两栋房屋间距小于单倍楼体间距，这两栋房屋可以合并表示。房屋建筑屋顶上丰富的内容，如露台、热水器等，这些对于房屋建筑区的提取都是噪声，如图5所示。

图5 房屋噪声

2.2 解决方法

如果对解译成果精度要求比较高，可以对道路和房屋进行预处理，利用矩形工具和即时平行线工具先绘制道路和房屋，然后再对剩余的图斑进行解译；如果对解译成果精度要求不高，可以考虑适当调大分割尺度，降低采样率，最大限度地保存图斑原有的边缘。

3 计算机视觉与人工判读差距

3.1 存在的问题

计算机视觉是一门研究如何使机器“看”的科学，指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等，并进一步作图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉的挑战是要为计算机和机器人开发具有与人类水平相当的视觉能力。机器视觉需要图像信号、纹理和颜色建模、几何处理和推理以及物体建模。计算机视觉关注的目标在于充分理解电磁波（主要是可见光与红外线部分）遇到物体表面被反射所形成的图像，因此，计算机视觉处理的是影像信息。但是人工判读不仅处理影像信息，还能根据地物的特性来分析影像。目前，计算机视觉技术还远远不能和人工判读相比。

3.2 解决方法

在实际应用中，可以采取人机交互解译方式，根据地理国情普查中地表覆盖解译的特点及要求，先进行专题图层分割，然后进行人机交互式解译，也可以采用规则库自动解译辅以人机交互或全人工人机交互式解译等方法，但其根本是要确定合适的分割尺度，尽可能突出地物的典型信息，智能化地确定不同地物的规则库，提高自动解译的精度水平[2]。

4 DLG数据应用

4.1 存在的问题

DLG数据的几何信息和属性信息能够轻松地被eCognition和ENVI软件充分利用起来，但是DLG信息存在着现势性不够、地物综合过多的问题，如何有效地应用DLG数据是研究的一个关键点。因为季节的变换、时间的变迁，水域边界会经常变化；房屋建筑区也会发生拆迁和新建；1∶10 000的耕地信息综合尺度大。而本论文提取的目标是大于400 m2的地物。假设DLG的正确程度达到90%，但实际上我们并不明确哪些信息是属于90%正确的范围，哪些信息是错误的。如何充分利用DLG的正确信息，而不被错误信息误导，是应用DLG信息的关键。另外，因为地物提取出的结果都是面状，而DLG的点状信息、中心线信息都是不能够直接用于地物提取的。

4.2 解决方法

在地理国情普查中，DLG数据主要起到地类及其范围的辅助判断的作用。实际应用中，遇到DLG数据与遥感影像不一致的地方，应分析原因，明显可以判读的，以遥感影像信息为准；难以判断的，应采取人工解译、现场核实等方法避免出现错误。