GF-2影像面向对象典型城区地物提取方法

王 蕾，杨武年，任金铜,2，邓晓宇

(1. 成都理工大学国土资源部地学空间信息技术重点实验室，四川 成都 610059； 2. 贵州工程应用技术学院贵州省教育厅生物资源开发与生态修复特色重点实验室，贵州 毕节 551700)

随着高分辨率卫星的相继问世，遥感影像为城规建设等方面提供了越来越多的便利。掌握城区地物信息的空间分布及其变化特征有助于人们的方案决策，对城市的发展规划具有促进作用。国产高分系列卫星的发射为我国卫星事业的发展注入了新的血液，在土地资源、灾害环保及城乡规划等方面得到了广泛应用[1-6]。

高空间分辨率的遥感影像使地物信息高度细节化，可导致同类光谱差异大，异类光谱差异小，从而使地物分类精度降低。人们在传统基于像元的遥感影像监督分类方法的基础上追求更加快速、精确的地物信息提取方法，而面向对象的方式已成为研究热点[7-15]。高分二号(GF-2)是我国“高分专项”工程的民用光学遥感卫星，其空间分辨率实现了亚米级的突破，使我国遥感卫星真正进入了高分时代。本文借助eCognition软件，探索最优分割尺度的获取方式，通过对影像对象的光谱及空间分析，研究各地物提取的体系规则，建立一套基于GF-2的面向对象典型城区地物提取方法。

1 研究区及数据方法

1.1 研究区概况

隆昌县位于四川省内江市东南部，以低山、丘陵为主，有丰富的矿产、土地及水资源。全县共2个街道、17个镇，总面积794 km2，其中规划中心城区40 km2。考虑数据大小及计算机运行速度，本文选取隆昌县中心城区的一矩形区域(北纬29°20′20″—29°21′，东经105°16′45″—17′55″)为试验研究区域(如图1所示)。

图1 研究区地理位置及遥感影像(GF-2 PMS 321波段组合)

1.2 数据及技术方法

国产高分二号卫星影像是我国自主研发的亚米级高分辨率光学遥感卫星，它搭载了两台全色、多光谱两台相机，影像数据星下点可达全色0.8 m、多光谱3.2 m。2 m其全色波段波谱分范围为0.45～0.90 μm，多光谱波段为0.45～0.52 μm、0.52～0.59 μm、0.63～0.69 μm、0.77～0.89 μm。本文研究采用高分中心申请的国产GF-2遥感卫星影像的PMS数据GF2_PMS1_E105.0_N29.6_20150712_L1A0000912798，影像获取时间为2015年7月12日。

对原始遥感影像数据预处理包括正射校正、大气校正、影像融合、裁剪及影像增强等。正射校正可纠正地形起伏带来的像点误差，大气校正很好地消除了空气中的薄雾，使影像更加清晰明亮。为集合影像数据的高空间分辨率及多光谱信息，将影像的全色与多光谱波段采用Nearest Neighbor Diffusion(NNDiffuse)pan sharpening算法进行融合，该方法在保持高空间细节的同时达到了很好的光谱保真效果[16-17]；接着进行多尺度分割并建立各类地物特征规则，用以面向对象提取城市地物信息；最后将面向对象分类结果与传统监督分类结果进行比较，作出精度分析并制图，其技术路线如图2所示。

2 面向对象分类

面向对象的分类突破了传统的基于像素的分类的方法，它不再以像元为最小单位，而是将影像分割成对象，综合利用各对象之间的光谱及空间特征进行分类[18]。本文借助eCognition平台，采用规则集的分类方法，根据地物特征，将城市典型地物类型划分为建筑、水体、道路、绿地、裸地5大类。

图2 研究技术流程

2.1 多尺度分割

影像分割是面向对象信息提取的根本，其分割的效果直接决定信息提取结果的好坏。影像分割目前有基于边界的分割、基于区域的分割、基于阈值的分割，以及基于理论的分割算法等[19]。而在众多的影像分割方法中，多尺度分割使得不同的主题用最适宜的尺度来描述其影像对象。

在多尺度分割中，尺度的选择对于分割而言尤为重要，太大使影像欠分割，同一对象包含多种地物信息，而太小则使分割对象过于破碎，也不利于运算。ESP(estimation of scale parameter)是一种尺度参数评估工具，它能快速地给出最优尺度的可选范围。该分析工具结果图显示了局部方差(local variance，LV)和变化率(rate of change，ROC)随尺度变化的情况，而ROC曲线的峰值指引了可能的最优分割尺度[20]。本文运用ESP工具得出如图3所示的分析结果，通过与影像地物对比分析，确定出130、210和320三个最优分割尺度。

图3 ESP尺度分析结果

多尺度分割要求综合考虑各种地物不同尺度下的目标特征，确定均质性因子、波段权重及分割尺度等参数[21]。根据确定的3个最优分割尺度，采用多层次影像分割与地物提取方法，各层次参数及相关信息见表1。

表1 多尺度分割层次及相关参数

2.2 分类体系与规则

基于规则的面向对象分类要求根据各类地物的不同特征来建立其规则，按照建立的分割层次，从上至下依次为L1、L2、L3，顺序不可替换，使不同的城区地物目标在不同的尺度下进行提取。

在L1层中，根据归一化水体指数NDWI可区别水体与其他地物，但同时也容易将一些阴影混杂其中。本文研究区水体分布于特定的区域，因此，考虑用到x轴的距离对阴影进行过滤。

在L2层中，道路和裸地在第三波段都有较高的均值，并且裸地有更高的亮度值(brightness)。而道路通常都具有较大的长宽比(length/width)且为条带状，可通过形状指(shape index)数进行约束。

在L3层中，只提取建筑和绿地两类，因此，用归一化植被指数NDVI提取出绿地即可，建筑则为非绿地。

在eCognition软件中，根据GF-2的数据特点，设置NDVI与NDWI的波段组合特征集。通过调试各特征阈值，最终确定分类规则见表2。

表2 分类规则

3 结果及分析

3.1 城区典型地物提取结果

按照建立的分类体系，对各分类层分别赋属性值，每个图层完全继承上一层的未分类对象，利用表2中各类地物分类规则，最终提取出5类典型城区地物(如图4所示)。

3.2 精度分析

在传统基于像元的监督分类中，支持向量机(support vector machine，SVM)是近些年研究较多且分类效果较好的基于像元的监督分类方法，本文采用对比支持向量机的传统监督分类与基于规则的面向对象分类来评价分类结果。

图4 面向对象分类与SVM监督分类结果

比较图3中两种方法的分类结果，面向对象分类的整体性明显强于SVM监督分类，很好地避免了基于像元的方法所带来的“椒盐”现象。基于像元的分类方法很难区分水泥建筑与道路，而建筑表现出的蓝色合成材料屋顶与水泥屋顶很难合成一个类别，并且大量的房屋阴影也被错分为水体。而面向对象基于规则的分层提取方法用限制长宽比来区别道路与水泥建筑，用先提取其他类别的方式来避开不易区分不同表现形式的建筑屋顶的情况，而水体在研究区的特殊分布位置的限定就不会导致阴影的错分。

随机选取200个样本点(所选单个样本面积较小，尽量保证只含单一地物)，对两种分类方法的结果进行检验，从而建立混淆矩阵，并从中提取评价因子：用户精度、生产者精度、总体分类精度和Kappa系数[22]。各评价因子统计值见表3，该表显示，使用SVM监督分类方法道路的用户精度仅为74.2%，裸地和建筑生产者精度分别为71.18%和82.3%，错分和漏分的现象比较明显。而面向对象的分类方法则表现出较高的分类精度，除绿地的错分误差与裸地的漏分误差相对较大外，其余地物的用户精度和生产者精度均接近1。

表3 不同分类方法精度评价

由表3中明显看出，面向对象分类得到了比较满意的分类结果，相比SVM监督分类，总体分类精度提高了3.09%，Kappa系数为提高了0.04。这说明面向对象分类方法在城区典型地物信息提取方面优于传统的基于像元的监督分类方法，分类效果更佳。

4 结 论

本文基于国产高分二号遥感影像，采用规则集的面向对象分类方法，对隆昌县中心城区部分区域提取典型城区地物信息，并比较了传统基于像元的SVM监督分类结果，得到了以下结论：

(1) 基于GF-2遥感数据源的面向对象的分类方法在本文研究区的总体分类精度为92.23%，比SVM监督分类精度提高了3.09%。面向对象的分类图示整体性强于基于像元的分类，避免了“噪声斑点”。总体面向对象分类方法更适合GF-2的典型城区地物信息提取，精度更高，其分类效果更好。

(2) 在面向对象分类中，多尺度分割使影像对象的尺寸适宜不同的地物目标，通过ESP工具分析，能快速得出最优分割尺度，加快了分析时间，提高了分割尺度的精准性。而分层地物信息提取使之从恰当的尺度上描述出各地物轮廓，并为同一类型多种表现形式的地物提取提供更好的方法。

(3) 面向对象的分类方法能从高分辨率的GF-2遥感影像上相对快速、准确地提取出典型城区地物，为城市的规划及建设各方面提供了有力的参考，为高分系列数据的应用及其潜力研究提供了依据。

但是，对国产高分数据的研究还处于初级阶段，其在各方面的应用还需要不断尝试；其次，城区地物复杂多样，高分数据分割尺度的研究还有待加强，使其能在合适的尺度上准确提取地物信息；此外，对更多的规则知识挖掘，完善专家知识决策，从而构建出面向对象城区典型地物提取的模型，还有待进一步研究。

[1] 程乾，陈金凤.基于高分1号杭州湾南岸滨海陆地土地覆盖信息提取方法研究[J].自然资源学报，2015，30(2):350-360.

[2] 孙中平，白金婷，史园莉，等.基于高分影像的面向对象土地利用变化检测方法研究[J].农业机械学报，2015，46(S1):297-303.

[3] 李艳华，丁建丽，闫人华.基于国产GF-1遥感影像的山区细小水体提取方法研究[J].资源科学，2015，37(2):408-416.

[4] 牛增懿，丁建丽，李艳华，等.基于高分一号影像的土壤盐渍化信息提取方法[J].干旱区地理，2016，39(1):171-179.

[5] 黄帅，丁建丽，李艳华.面向对象的国产GF-1遥感影像水体信息提取研究[J].人民长江，2016，47(5)：23-28.

[6] 张飞飞，杨光，田亦陈.基于国产GF-2遥感影像的大麻地块提取方法研究——以安徽省六安市苏埠镇为例[J].安徽农业大学学报，2016，43(4):1-5.

[7] 孙晓艳，杜华强，韩凝，等.面向对象多尺度分割的SPOT5影像毛竹林专题信息提取[J].林业科学，2013，49(10):80-87.

[8] 谢伟军，韩飞，张东，等.面向对象的海域使用专题信息遥感提取关键技术研究[J].海洋环境科学，2014，33(2):274-279.

[9] 牟凤云，罗丹，官冬杰，等.面向对象的土地覆盖信息提取方法研究及应用[J].重庆交通大学学报(自然科学版)，2014，33(6):104-108.

[10] 朱长明，李均力，张新，等.面向对象的高分辨率遥感影像湿地信息分层提取[J].测绘通报，2014(10)：23-28.

[11] 李小强，李金平，甘甜.面向对象的高分辨率遥感影像城市地物信息提取研究[J].河南城建学院学报，2014，233(2):63-67.

[12] 韩鹏鹏，黄进良，李仁东，等.基于面向对象的坑塘遥感监测与动态分析[J].农业机械学报，2015，46(1):272-277.

[13] 宋亚婷，江东，黄耀欢，等.基于面向对象方法的露天煤矿用地类型提取优先级分析[J].遥感技术与应用，2016，31(3)：572-579.

[14] 林雪，彭道黎，黄国胜，等.结合多尺度纹理特征的遥感影像面向对象分类[J].测绘工程，2016，25(7):22-27.

[15] 何顺兵，牟凤云.基于面向对象的多尺度山地城市土地覆盖信息提取——以重庆市大学城城区为例[J].重庆工商大学学报(自然科学版)，2016，33(1):83-88.

[16] 任金铜，杨武年，杨鑫，等.国产高分二号PMS数据融合效果评价研究[C]∥资源环境与地学空间信息技术新进展学术会议论文集.北京:科学出版社，2016：223-225.

[17] SUN Weihua，CHEN Bin，DAVID W.Messinger,Nearest-neighbor Diffusion-based Pan-sharpening Algorithm for Spectral Images[J].Optical Engineering，2014,53(1):1-11.

[18] 邰晓雷，潘晓露，李一民.高分辨率遥感影像城区地物信息提取技术研究[J].贵州大学学报(自然科学版)，2012，29(1):88-91.

[19] 刘纯，洪亮，楚森森.高分辨率遥感影像分割方法研究[J].测绘与空间地理信息，2014，37(10):44-49.

[21] 刘丹丹，刘江，张玉娟，等.面向对象的多尺度高分影像建筑物提取方法研究[J].测绘与空间地理信息，2016，39(6):17-20.

[22] 邓书斌，陈秋锦，杜会建，等.ENVI遥感图像处理方法[M].北京:高等教育出版社，2014.