面向对象遥感分类方法在震害快速提取中的应用

王 岩，王晓青，窦爱霞，孙素梅，付 聪

（1. 辽宁省地震局，辽宁 沈阳 110034；2. 中国地震局地震预测研究所，北京 100036）

0　引言

强震发生后，评估地震灾害的范围程度是最急迫的需求，评估过程中，对灾害进行准确、快速的提取能够第一时间掌握全局，为进一步的救灾工作提供最有效的依据[1]。在震害快速提取中，应用遥感卫星影像已成为主要手段之一，提高灾害提取的精度与速度，是研究的关键问题[2-3]。随着遥感技术的日趋成熟，获取的各类影像分辨率越来越高，其包含的空间信息越来越丰富，地物的几何结构、纹理信息突出，运算量也逐步增大，造成基于像元的分类方法越来越难以适应需求[4]。

面向对象的遥感图像分类方法，以影像对象代替像元，是一种运用多尺度分割实现图像信息的融合再分类的方法[5-6]。面向对象的分类中，应用信息不仅局限于光谱信息，更侧重于对象与对象之间的纹理、形状、关系等。在精度上，由于应用了更接近人类思维模式的模糊逻辑分类而更为精确；在速度上，采用影响对象为基础计算单位，大大减少了计算量，提高了速度[7-8]。

本文以汶川地震中破坏严重的北川县城作为研究对象，应用面向对象分类方法，实现震后灾害区域的快速提取。

1　研究区域与数据

研究选取2008年5月12日汶川8.0级地震后，烈度为Ⅺ的北川县城及周边地区作为研究区域。北川位于四川盆地西北部，境内地质构造复杂，震后二次灾害严重，是汶川地震后受灾最为严重的区域之一。

研究数据：福卫二号卫星多光谱影像，分辨率8m，获取时间2008年5月14日。福卫二号卫星由中国台湾制造，2004年5月美国发射，多光谱波段包括：0.45～0.52微米（蓝），0.52～0.60微米（绿），0.63～0.69微米（红），0.76～0.90微米（近红外）四个波段。

2　面向对象影像分类

2.1　目标类别

研究主要目的是快速提取震后的受灾区域，即地震发生后因严重灾害而引起变化的区域，称为“热区”。热区地物类型包括建筑物严重损毁区域和地质灾害区域。

根据灾害评估内容类别的需求和北川县城及周边地区的地物特征，在面向对象分类中划分了四个类别：植被、水体、热区和阴影。其中热区类别是震前震后变化巨大的地物范围；水体类别是震前震后未发生变化的水体部分，不包括堰塞湖；阴影主要是各山体之间的阴影部分。四个类别相互独立，为并列关系。

2.2　多尺度分割

面向对象分类是从单一像元开始，采用自下而上区域合并的方法形成影像对象，再针对众多对象进行分类的方法。多尺度影像分割技术，是面向对象分类的核心内容，是完成影像对象分割的基础。多尺度影像分割包含两个重要选择：分割尺度和同质性系数。分割尺度的选择是根据地物类别的颗粒大小决定分割单元大小；同质性系数是根据地物光谱和形状特征的不同选择不同的要素权重。

分割尺度的大小代表对象异质性的阈值，用无量纲的数值表示，数值越大颗粒越大。异质性是由对象的光谱和形状差异确定的，光谱异质性、质密度异质性共同提供形状信息，与颜色信息相互依存，组成同质性系数，如图1所示。

光谱异质性的计算公式如下：

图1　同质性系数的组成Fig.1　 Composition of homogeneity coefficient

光滑度异质性的计算公式为：

质密度异质性计算公式为：

其中，n是组成影像对象的像元个数。

形状因子综合了质密度异质性与光滑度异质性两种信息，计算公式为：

同质性系数综合了光谱异质性与形状异质性两种信息，计算公式为：

如图2所示，不同的分割尺度下，地物分割成不同大小的单元集合。尺度为10时，地物分割太过于细碎；尺度为20时，水体、居民区分割最为合理；尺度为30时，植被分割最为合理；尺度为40、50时，过于概括而无法有效区分。为了最大程度正确分类各种地物，研究选择两个不同尺度进行交叉分类：尺度为20时分割水体、热区，尺度为30时分割植被、阴影。

图2　不同尺度参数下的分割Fig.2　 Segmentation result of different scales

同时，从图2中可见，同一分割尺度下，分割后的单元并不是大小一致的，而是随着地物特征变化的，这些变化取决于同质性系数的选择。由于北川县城的灾害快速提取中对形状特征的要求不是很突出，在分割过程中形状因子的权重选择较小，其中植被与阴影区受形状因素影响程度更低，具体归一化权重选择如表1所示。

表1　尺度参数列表

另外，在多光谱福卫二号卫星影像中有四个波段数据，其中不同波段对不同地物的反映不同。例如近红外波段对植被、水体的反映就较为敏感，在这种情况下，研究通过适当调整不同波段在不同地物分类中的权重进行筛选。如表2所示，为实验获得的最佳权重。

表2　波段权重表

3　分类结果与效能评价

3.1　分类结果

面向对象影像分割中可以根据每一种地物的特征，分别选择不同的分类标准，在不同的尺度下建立分类流程。如图3，为北川县城及周边区域震害快速提取的工作示意图，其中用到了比值植被指数（RVI）、差值环境指数（DVIEVI）、归一化植被指数（NDVI）三个光谱特征来分别分类植被、热区和水体。

RVI是比值植被指数，其公式为：

图3　北川县城及周边区域震害快速提取Fig.3　 Rapid seismic damage extraction of Beichuan County and its surrounding area

其中NIR为近红外波段的亮度值，R为红光波段的亮度值。

DVIEVI是差值环境指数，其公式为：

NDVI是归一化植被指数，其公式为：

选取的分类特征是取自大量不同类别的特征，选取过程中经过对图像的直方图分析调整，综合分析得到。

按照上述分类流程，得到了分类结果，如图4（a）所示，粉色为热区、绿色为植被、蓝色为水体、黑色为阴影。面向对象的分类结果是矢量化的结果，不再是单个像元分离，更易于进行各种变换和统计。将提取的热区用矢量化图层表示，与原始影像叠合，结果如图4（b），可见各个类别的划分非常明确，没有细碎的噪声，分类结果与目视解译基本吻合。

图4　分类结果图与热区Fig.4　 Classification result and the hot-area

3.2　效能评价

面向对象的遥感分类结果提供了矢量分类数据，能够快速给出灾害范围的区域、面积等定量化结果，便于与基础生命线数据库中的矢量信息进行交叉计算，第一时间提供震后的评估数据。

与人工解译结果比对分析发现，除了山体滑坡信息中较为细碎的小滑坡和影像中云的影响，判读结果基本一致。去除云的影响，受灾面积正确率达90%、水体95%、植被85%。在面向对象分类中，同一类型遥感影像数据在大范围宏观灾害提取中选取的各参数信息具有可遗传性，试用广泛，因此可以在大区域计算中减少重复工作，大大提高灾害提取速度。

21天结束后，共99人参加打卡活动，总打卡次数1218次。根据读者在21天的打卡表现，最终评选出31名全勤打卡奖及28名优质打卡奖，在写书评的读者中评选出五名优秀书评奖。开学后我们邀请三十名寒假打卡的读者组织了“寒假21天阅读习惯养成”活动的线下交流会暨颁奖仪式。活动中读者交流寒假打卡的心得体会，邀请两位同学就“如何挑选你要读的书”“如何抽出时间读更多的书”以及“读书给你带来了什么”这三个问题分享了自己的心得和感悟。

4　结论

在震后快速评估中，快速、准确的提取有效灾害信息是评估依据的基础。本文应用面向对象的分类方法，快速提取了汶川地震发生后北川县城及周边的宏观灾害区域。提取过程中综合运用了遥感影像数据的多光谱特征和纹理特征，模拟人类思维的模式，使得分类结果最大程度接近于人工解译结果，并大大提高了解译速度。同时，面向对象的分类结果得到的是矢量化的数据信息，相对于传统的基于像元的分类结果，更便于定量化信息的分析和后续应用计算。

参考文献：

[1] 王晓青， 丁香. 地震现场灾害损失评估地理信息系统[M]. 北京： 地震出版社， 2002.

[2] 王晓青， 魏成阶， 苗崇刚， 等 . 震害遥感快速提取研究—以2003年2月24日巴楚－伽师6.8级地震为例 [J]. 地学前缘， 2003， 10（U08）： 285-291.

[3] 王岩， 李彤霞， 李秀丽， 等 . 基于 MODIS 的日本 9.0级地震前后温度变化研究[J]. 防灾减灾学报， 2015，31（4）： 14-19.

[4] 窦爱霞. 震害遥感图像的变化检测技术研究[D]. 山东： 山东科技大学， 2003.

[6] 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.

[7] 王岩， 王晓青， 窦爱霞. 面向对象遥感分类方法在汶川地震震害提取中的应用[J]. 地震， 2009， 29（3）：54-60.

[8] 王岩. 面向对象图像处理方法在震害信息提取中的应用研究[D]. 北京： 中国地震局预测研究所， 2009.