面向对象的高分辨率遥感影像校园绿地快速提取

胡 杨，赵俊三*，李 艳

(1.昆明理工大学 国土资源工程学院，云南 昆明 650093； 2.昆明云金地科技有限公司，云南 昆明 650106)

面向对象的高分辨率遥感影像校园绿地快速提取

胡 杨1，赵俊三1*，李 艳2

(1.昆明理工大学 国土资源工程学院，云南 昆明 650093； 2.昆明云金地科技有限公司，云南 昆明 650106)

利用面向对象的影像处理软件——易康(eCognition)作为软件支持和分类方法，以QuickBird影像作为数据，以面向对象技术方法为主要技术，分别利用规则提取以及样本多边形对象建立训练区等2种方法，提取云南师范大学呈贡校区西区校园绿地。通过与传统的面向像元的分类方法的比较，体现了该方法信息获取的周期短、精度高、成本低等特点，实现了校园绿地的快速提取。

高空间分辨率遥感； 面向对象分析方法； 分割尺度； 分类

本文以云南省昆明市呈贡区云南师范大学为研究区域。云南师范大学位处呈贡大学城，呈贡县城位于高原明珠——滇池东岸，102°45′～103°00′E，24°42′～25°00′N。呈贡作为昆明市的近郊县距市区仅仅只有12 km。云南师范大学呈贡校区总占地222 hm2。预计完整建校后，绿地率为50.62%。由于数据获取于2009年QuickBird影像，空间分辨率分别为2.44和0.61 m，影像成像质量较好，不对影像进行大气校正。考虑当时校园建设总体还未完成，仅有西区建设相对完整，故仅提取云南师范大学呈贡校区西区为此次试验对象。

1 研究方法

采用多尺度分割方法。首先获取影像数据，并对影像数据进行预处理。利用面向对象的方法提取绿地的技术流程为：先对色调、紧致度及光滑度进行设置，并对影像进行多尺度分割，构建多层次的影像对象层，然后选取适合分类的影像对象特征，包括光谱、形状、纹理以及上下文语义特性进行分类，对所得结果进行精度评定，最终作为分类的结果。面向对象的高分辨率遥感影响校园绿地提取流程图如图1所示。

图1 面向对象绿地信息提取的流程

多尺度分割的原理。多尺度分割其定义是在不同尺度下进行聚类，聚类的标准则是根据影像颜色的相似度和形状因子进行自底向上的分类，由此形成相同尺度范围且性质相同的影像对象。聚类的标准是由异质性指标所决定，该指标不仅能反映对象合并前后光谱信息的变化量，而且还能表现出对象合并前后形状变化的区别。

尺度的选择。此次试验选择不同分割尺度进行图像分割，分割尺度分别为15、25、30、35四个等级。如图2所示，分割尺度为15时，道路两侧的灌木丛被分割成独立的多边形，易于将细节信息提取出来，而房屋等大地物对象在这个尺度下太破碎，不利于提取；分割尺度为25时，行道树被分到路边绿化带中，房屋等大块地物相对集中；分割尺度为30时，分割形成的影像结果出现地物混合现象；分割尺度为35时，混合像元出现频率明显增高，细部信息无法完整提取。根据以上试验，云南师范大学校园绿地提取的影像分割尺度可设置在25～30，此时分类的效果比较好。

图2 不同分割尺度下影像分类的效果

图层权重的选择。采用真彩色jpg格式的影像。由于3个图层(红、绿、蓝)对绿地信息提取的贡献程度相似，最终将影像3个图层的权重值设置为1。

分割因子的选择。主要包括色彩因子、形状因子、光滑度及紧致度等4个因子。由于各因子对绿地信息的提取贡献程度也相似，所以本文绿地分割信息的提取中色彩因子的权重值设置为0.5，形状因子的权重值设置为0.5，光滑度设置为0.5，紧致度设置为0.5。

2 分类和精度对比

2.1 样本多边形对象建立训练区

图像分割生成同质像元区域，样本的选取即在这些同质像元区域进行。分类前，先对分类系统中的“绿地”与“其他”2个类别进行样本多边形的训练区选取工作，根据同质像元所表现出来的纹理信息和光谱信息，选取训练样本作为依据执行分类。得到分割尺度为25和30的训练样本选取及分类结果(图3)。

图3 面向对象监督分类样本的选取图与结果图(分割尺度为30)

2.2 规则函数确定绿地

对图像进行阈值确定，选择蓝光波段为对象，阈值范围为[48.6240，230]。在此阈值条件下，增加蓝光波段最小值为规则，确定以绿地及阴影组成的感兴趣区域，筛选剔除不可渗透表面。增加红光波段和绿光波段的平均值为规则，取出由第一条规则确定的感兴趣区域中的阴影。

初次分类后，会出现一些现象分别是错分和漏分。分类精度呈现高值的关键在于是否选取了具有代表性的训练区，以及规则的确定是否体现了地物对象在光谱、纹理、形状等方面的特性。对于错分、漏分的现象一般采用以下措施：一为选取更为体现分类要求的训练区，重新分类，直到满足一定的分类精度，或者研究地物的光谱特征，确定满足分类要求的规则，重新选取规则；二是人工参与进行改正，对错分、漏分的同质区域进行修改。

2.3 传统基于像元监督分类

本研究利用Envi遥感软件作为对比面向对象信息提取技术在高分辨率遥感影像中的应用，利用面向像元的最大似然分类对云南师范大学呈贡校区西区校园绿地进行提取。在影像上选取感兴趣区(图4)，其精度满足大于1.8的选取要求。运行监督分类，得到传统面向像元绿地分类图。从图上明显可以看出，分类结果椒盐现象非常明显，产生了大量的破碎图斑。

图4 传统像元最大似然分类样本的选取图

2.4 结果分析

遥感图像分类的精度是以标准数据(图件或地面实测调查)作为标准与分类图进行对比，之后通过计算分类百分比的数值大小来评定分类精度。由于试验区面积通常较大，所以通常在实际工作中采用抽样调查的方式进行精度评定分析，以部分像素或分类结果作为整幅影像的分类精度。遥感图像分类精度有2种，第一种是非位置精度，第二种是位置精度。

非位置精度以一个简单的数值，如面积、像素数目表示分类精度。由于这种精度评定方法未考虑位置因素，类别之间的错分结果彼此平衡，在一定程度上抵消了分类误差，使分类精度偏高。

位置精度分析将分类的类别与其所在的空间位置进行统一检查。目前普遍采用混淆矩阵的方法。以Kappa系数评价整个分类图的精度，以条件Kappa系数评价单一类别的精度。

本试验采用位置精度分析。实地考察获得验证样本共61个，进行分类结果的精度验证。

分类稳定性评价。分类稳定性是指最好与次好分类间的差，是以百分比进行计算的。统计输出显示了基本的统计运算(影像对象的数目、平均值、标准差、最小值及最大值)，它是用每类的最好到次好的值进行计算的。稳定性评价结果见表1。

表1 不同分割尺度分类稳定性评价

分类总体精度评价。选取实地考察获得的样本作为分类精度评价的感兴趣区，输入经过分类后处理的结果图进行混淆矩阵计算。得到分类的总精度、生产者精度、使用者精度、kappa系数、错分误差和漏分误差等。分类总体精度与kappa系数表现了分类结果的准确性(与所选择的样本感兴趣区域做比较)。其值越高，表明一致性越好。Envi规则分类结果的混淆矩阵见表2。

表2 不同分割尺度分类稳定性评价

3 评价结论

与传统的基于像元的影像信息提取技术相比，以面向对象为技术指向的影像信息提取确实先进了很多。分割后对影像的分析是以同质像元为基础进行的，它们具有集中的纹理信息，光谱信息以及足够的几何精度，该技术实现了以影像对象为基础的类别自动提取。影像分割与信息提取是面向对象信息提取技术中完全独立的步骤，基于色彩特征、纹理特征和形状特征的影像分割是信息提取的前提，由人工控制各个分割因子的权重值，其余由计算机完成；信息提取过程中的样本选取是针对有独立意义的同质像元区域，而规则选取则需要操作人员的知识参与，比较耗费时间和精力。总体而言，面向对象的信息提取技术与传统的基于像元的方法相比，节省了大量的时间与人力资源，信息提取任务可在较短时间内完成。因此在样本数量足够的情况下，根据操作人员对实地的考察与了解，选取合适的规则或是训练场，获得高精度的分类结果是完全可能的。

[1] 樊恒通. 基于面向对象方法的城市植被提取与绿量估算研究[D]. 郑州：河南大学，2006.

[2] JENSEN J R. Remote sensing of the environment:an earth resource perspective[M]. 2nd ed. Upper Saddle River:Prentice Hall，2007.

[3] 陈杰. 高分辨率遥感影像面向对象分类方法研究[D]. 长沙：中南大学，2010.

[4] 宫鹏，黎夏，徐冰. 高分辨率影像解译理论与应用方法中的一些研究问题[J]. 遥感学报，2006，10(1)：1-5.

[5] APLIN P，ATKINSON P，CURRAN P. Per-field classification of landuse using the forthcoming very fine resolution satellite sensors: problems and potential solutions，advances in remote sensing and GIS analysis[M].Wiley，Chichester，1999，219-239.

[6] SCHIEWE J，EHLERS M. A novel method for generating 3D city models from high resolution and multi-sensor remote sensing data[J].International Journal of Remote Sensing，2005，26(4):683-698.

[7] BAATZ M，SCHAPE A. Object-Oriented and multi-scale image analysis in semantic networks [A]∥In:Proc of the 2nd International Symposium on Operationalization of Remote Sensing. Enschede ITC，1999.

[8] 周春艳. 面向对象的高分辨率遥感影像信息提取技术[D]. 济南：济南科技大学，2006.

(责任编辑：张瑞麟)

2016-07-29

胡 杨(1990—)，男，硕士研究生，研究方向为GIS与土地利用，E-mail：625376106@qq.com。

赵俊三，E-mail：1429620189@qq.com。

10.16178/j.issn.0528-9017.20170246

S127

B

0528-9017(2017)02-0338-03

文献著录格式：胡杨，赵俊三，李艳. 面向对象的高分辨率遥感影像校园绿地快速提取[J].浙江农业科学，2017，58(2)：338-340，346.