基于OIF和最优尺度分割的GF?2影像分类适用性研究

任金铜 杨武年 邓晓宇 王蕾 王芳

摘 要： 高分二号作为国产高分辨率遥感的代表，其影像数据对提高地物信息提取的质量和精度的作用值得研究和探索。通过分析高分二号多光谱数据特点，利用OIF指数选取最佳波段组合，选用ESP最优尺度分析算法获得研究区最优分割尺度，最后在最佳波段组合和最优分割尺度的基础上提取典型地物，并对分类结果进行精度验证。研究发现，高分二号多光谱数据最佳波段组合为134；利用最佳波段组合和最优分割尺度提取地物信息的总体分类精度均大于85%，Kappa系数均大于0.8，分类结果精度较高；从总体来看，当选用最优分割尺度为82时，分类结果精度最高，其总体精度为93%，Kappa系数为0.910；其次是最优分割尺度为31，其总体精度为89%，Kappa系数为0.859；最优分割尺度为42的分类结果精度表现最差，其总体精度为85%，Kappa系数为0.808。

关键词： 高分二号； OIF； 多尺度分割； 面向对象分类； KNN； 遥感卫星； 地物信息提取

中图分类号： TN911.73?34 文献标识码： A 文章编号： 1004?373X（2018）08?0072?06

Abstract： GF?2 is a representative of high?resolution remote sensing satellites of China， whose image data′s function to improve the quality and accuracy of ground object information extraction is worthy of research and exploration. Optimal waveband combinations are selected by analyzing the characteristics of GF?2′s multispectral data and using the OIF indexes. The ESP optimal scale analysis algorithm is selected to obtain the optimal segmentation scales in the research area. On the basis of optimal waveband combinations and optimal segmentation scales， the typical ground objects are extracted and the accuracy of classification results is verified. The research results show that the optimal waveband combination of GF?2′s multispectral data is 134； the overall classification accuracy of ground object information extracted by means of optimal waveband combinations and optimal segmentation scales is larger than 85%， the Kappa coefficient is larger than 0.8， and the accuracy of classification results is high； on the whole， when the selected optimal segmentation scale is 82， the accuracy of the classification results is the highest （the overall accuracy is 93% and the Kappa coefficient is 0.910）； when the optimal segmentation scale is 31， the accuracy of the classification results comes to the second （the overall accuracy is 89% and the Kappa coefficient is 0.859）； when the optimal segmentation scale is 42， the accuracy of the classification results is the lowest （the overall accuracy is 85% and the Kappa coefficient is 0.808）.

Keywords： GF?2； OIF； multi?scale segmentation； object?oriented classification； KNN； remote sensing satellite； ground object information extraction

0 引 言

随着空间信息技术的不断发展，20世纪90年代以来高分辨率遥感卫星影像数据逐渐进入商业和民用领域，应用领域日益广阔[1]。2006年我国将高分辨率对地观测系统重大专项（高分专项）列入《国家中长期科学与技术发展规划纲要（2006—2020年）》，高分二号（GF?2）的成功发射，宣告了我国高空间分辨率遥感进入亚米时代[2]。

“高分專项”的实施使得我国自主获取高空间分辨率遥感卫星影像的能力越来越强。如何提高国产高分辨率遥感数据处理能力和信息提取精度值得进一步研究和探索。针对国产卫星遥感数据处理和应用方面已有较多的研究，研究人员分别从国产卫星遥感数据的质量、数据处理能力和定位精度等方面开展了相关研究[3?9]。在国产卫星遥感应用方面，开展了诸如土地利用、地理国情监测、地质调查、专题地物信息提取及生态环境等方面的研究工作[10?19]。目前，针对GF?2遥感影像数据处理及信息提取方面的研究，主要涉及遥感数据融合方法及地物信息的提取[20?23]。

1 实验数据

高分二号于2014年8月19日发射成功，是我国自主研发的首颗空间分辨率优于1 m的民用光学遥感卫星，搭载有两台高分辨率1 m全色、4 m多光谱相机[2]。据中国资源卫星应用中心统计，截止2017年5月31日GF?2存档数据0级产品1 513 225景，1A级产品782 957景，2A级产品5 250景，GF?2遥感影像数据已被应用于国土、住建、交通和林业等多个部门[24]。

本研究选用四川高分中心提供的2015年8月5日GF?2的PMS1遥感数据（GF2_PMS1_E105.3_N29.6_20150805_L1A0000962396?MSS1），实验数据包括4 m多光谱数据和1 m全色数据，其中，多光谱数据包括有蓝（0.45～0.52 μm）、绿（0.52～0.59 μm）、红（0.63～0.69 μm）和近红外（0.77～0.89 μm）波段。选取影像数据中地物特征较为典型的2 000×2 000像元的区域作为研究区开展研究工作，如图1所示，研究区内分布有城镇建筑物、耕地、林地、水体和裸地等典型地物类型。

2 GF?2影像数据预处理及最佳波段组合

2.1 GF?2卫星遥感影像数据预处理

针对GF?2遥感影像数据特点及后续研究需要，利用ENVI软件平台开展数据预处理工作：

1） 针对GF?2卫星遥感影像的亮度值偏低、影像整体色调偏暗的现象，进行Linear 3%的线性拉伸，以实现图像增强处理；

2） 利用中国资源卫星应用中心提供的《2016年国产陆地观测卫星外场绝对辐射定标系数》进行辐射定标处理；

3） 利用GF?2影像数据自带的RPC文件和地理空间数据云（http：//www.gscloud.cn/）提供的DEM（ASTER GDEM V2）数据，对影像进行正射校正；

4） 选取具有典型地物特征的区域，对研究区2 000×2 000像元区域进行裁剪和重采样，获取研究区影像数据。

2.2 最佳波段组合选取

为了充分利用GF?2多光谱影像特征，有针对地选取不同波段组合开展相关研究是很有必要的。最佳指数因子（Optimum Index Factor，OIF）是美国查维茨首次提出，OIF理论以波段合成后的信息量最大和波段间信息相关性最小作为选取最佳波段的依据[25]，具体计算公式为：

式中：Si表示i波段的辐射亮度值的标准差；Rij表示i，j波段之间的相关系数；m表示波段合成总数。

如图2和表1所示，通过不同波段组合和相关计算可知：

1） 波段134组合的标准差之和最大，相关系数之和最小，OIF指数也就最大；而波段123组合的标准差之和最小，相关系数之和最大，说明波段123组合的数据量最小，波段间冗余度最大，OIF指数最小。

2） 通过对不同波段组合进行OIF计算排序后，得到研究区GF?2多光谱数据的最佳波段组合方案134，其次是234。

3） 对研究区GF?2多光谱波段进行不同波段组合，通过可视化方式的假彩色合成效果对比可知，波段321组合的RGB假彩色合成显示效果最接近真实地物色彩，符合人们对地物理解；波段431组合的效果由于利用近红外波段替代波段红波段进行RGB假彩色合成，植被和水体特征被进一步凸显，影像色彩特征更为丰满。

3 GF?2影像最佳波段组合分类适用性

3.1 基于最优分割尺度的面向对象分类

为了解决基于像元分析的遥感分类方法难以综合考虑地物目标中除光谱特征以外的信息，研究者提出了影像对象的概念，将影像中具有同质性的区域分割出来作为后续处理的最小单元[26]。面向对象的遥感影像分类质量和精度，不仅取决于影像自身的特点，还取决于对影像分割的質量。当分割尺度较小时，目标地物类型将被分割成较多的影像对象，出现“过分割”现象；反之，分割尺度设置过大，分割后的影像对象可能包含两个或两个以上的目标地物类型，出现“欠分割”现象[27]，只有在获得较好分割效果的基础上，地物信息的提取与目标特征的识别才可获得理想的效果[28]。多尺度分割是对不同尺度的影像对象层采用不同的尺度分割[29]。由于不同地物类别具有不同的尺度，如果基于单一的尺度进行分割，会使得分割后的图像变得过于破碎或分割不完全，这样的分割很难保证影像的分类精度。为确保分类精度，应尽量选择最优尺度进行遥感图像分割，最优分割尺度本质上是提取地物信息获得高精度地物类别的最适合尺度[30]。

3.1.1 基于ESP的最优分割尺度选择

ESP（Estimation of Scale Parameter）方法是2010年由Dr?gu? L.，Csillik O.等人提出，2014年修改完善的最优分割尺度计算方法[31]。其思路是根据不同对象的异质性建立局部方差（Local Variance，LV），以迭代的方式自上而下的计算影像对象在多尺度范围中各层的局部方差，局部方差的阈值变化率（Rate of Change，ROC）表明影像在每一层的范围中根据影像数据本身属性所得到最适合方式得到的分割尺度，异质性的变化通过回执一个局部方差与对应尺度关系图计算得到[27]。其中，

3.1.2 基于最优分割尺度的面向对象信息提取

本研究选用K最邻近（K?Nearest Neighbor，KNN）分类算法进行地类信息提取，使用KNN方法进行样本类别划分时，只与相邻的样本有关，在一定程度上改善了过分依赖极限定理的现象。由于研究区地物类别较为复杂，易产生交叉或重叠的待分样本，因此选用KNN分类算法。

在進行面向对象信息提取过程中，选用研究区GF?2多光谱影像的最佳波段431组合进行RGB假彩色合成，为了提高可视效果利用全色波段进行绿波段增强。分别选取最优分割尺度为31，42，82对图像进行分割处理，将研究区地类划分为：耕地、林地、建设用地、水体和裸地五种地物类型，不同最优分割尺度的分类结果如图4所示。

3.2 分类结果的精度评价

本研究采用定量评价主要基于常用的混淆矩阵计算分类结果的总体精度、Kappa系数，以及分类结果中各地类的生产精度、用户精度等。结合图4的分类结果对比表2、表3和表4可知：

1） 最优分割尺度为82的总体分类精度最高，其次是最优分割尺度31，相对而言最优分割尺度42表现最差；

2） 总体来说，三种最优分割尺度的总体分类精度大于80%，Kappa系数均大于0.8，说明GF?2多光谱数据在选取最佳波段组合后，利用ESP算法获取最优分割尺度进行的面向对象分类过程中，获得了较理想的分类效果。

当最优分割尺度为31时进行KNN面向对象分类，由表2可知：

1） 水体和建设用地分类结果较好，生产精度较高，被正确分类结果占比较高；林地和耕地的生产者精度偏低，被正确分类结果相比水体和建设用地偏低；裸地的生产精度最低，被正确分类结果最差。

2） 从用户精度来看，耕地被错分误差较大，其次是林地。

3） 从分类结果混淆矩阵可知，分类结果中有部分林地被错分为耕地，部分耕地被错分为了建设用地和裸地，有些建设用地被错分为裸地，小部分裸地被错分为了耕地。

当分类选用最优分割尺度为42时，通过表3可看出：

1） 从生产精度来看，耕地和建设用地生产者精度较高，被正确分类结果占比较高；其次是林地和裸地，水体表现最差，被正确分类结果占比最低。

2） 从用户精度来看，林地和水体的最高，其次是裸地和建设用地，耕地表现最差。

3） 从混淆矩阵的错分情况来看，林地和水体所选样本并未被错分；耕地错分较多，部分耕地被错分为林地、水体、裸地和建设用地；建设用地中有被错分为水体的情况。

当分类选用最优分割尺度为82时，从表4可看出：

1） 从生产精度来看，耕地最高，耕地被正确分类占比最高，分类效果最好，其次是林地、水体和建设用地，裸地最低。

2） 对于用户精度，林地、水体和裸地的最高，其次是建设用地，耕地最差。

3） 从混淆矩阵的错分情况来看，所选验证样本中，耕地、水体和裸地未被错分，部分建设用地被错分为水体，耕地被错分情况最为严重，部分耕地被错分为林地、裸地和建设用地。

4 结 论

通过对GF?2多光谱数据进行OIF指数计算，获得最佳波段组合；通过ESP算法选择最优分割尺度，利用KNN面向对象分类方法进行分类，并对分类结果进行评价得出以下结论：

1） 由计算OIF指数可知，GF?2多光谱数据134波段组合的波段信息量最大、波段间的信息相关性最小，确定为最佳波段组合；

2） 通过ESP算法的计算，分析最优尺度分析结果ROC?LV图，选取尺度为31，42和80作为最优分割尺度对图像进行分割；

3） 利用最佳波段组合和最优分割尺度对GF?2多光谱数据进行KNN面向对象分类，通过对分类结果进行定性和定量分析发现：从定性分析来看，采用三种最优分割尺度进行分割，都获得了较为满意的分类效果，由于尺度的不同，选用最优分割尺度为82时，分类结果中部分细节被错分，如林地和耕地，但阴影被错分较少，而对于最优分割尺度为31，42时，虽能保持地物细节，但阴影部分被错分为水体较多，部分水体由于色调偏亮被错分为建设用地；从定量分析来看，三者最优分割尺度的分类效果的总体分类精度均大于80%，Kappa系数均大于0.8，可见分类效果较好，其中选用最优分割尺度为82的分类精度最高，其次是最优分割尺度为31的分类精度。

总体来说，最优分割尺度为82的总体分类精度最高，但往往忽视地物细节，由于分割尺度较大，部分细碎地物被错分为其他地物类别；最优分割尺度为31的分类由于所选分割尺度较小，能够保留细碎地物而不被错分，但总体分类精度相比最优分割尺度为82的精度稍低。根据实际工作需要，可参考选择不同最优分割尺度开展图像分割。然而，本研究仅利用GF?2多光谱数据开展研究工作，应用全色波段作为辅助，并未对其融合后的亚米级高分影像开展研究。另外，由于地物类别复杂多变，最优尺度分割的适应度还有待于进一步研究。

注：本文通讯作者为杨武年。

参考文献

[1] 方涛，霍宏，马贺平，等.高分辨率遥感影像智能解译[M].北京：科学出版社，2016.

FANG Tao， HUO Hong， MA Heping， et al. Intelligent interpretation of high resolution remote sensing image [M]. Beijing： Science Press， 2016.

[2] 胡如忠，刘雪萍，楚良才，等.国产遥感卫星进展与应用实例[M].北京：电子工业出版社，2016.

HU Ruzhong， LIU Xueping， CHU Liangcai， et al. Progress and application of domestic remote sensing satellites [M]. Beijing： Publishing House of Electronic Industry， 2016.

[3] 施骏骋，王金强，文广，等.资源三号影像的DOM制作对比分析[J].测绘科学，2016，41（1）：133?138.

SHI Juncheng， WANG Jinqiang， WEN Guang， et al. Comparative analysis on DOM production by ZY3 data [J]. Science of surveying and mapping， 2016， 41（1）： 133?138.

[4] 胡芬，杨博，唐新明，等.ZY?3卫星异轨立体影像几何定位精度分析[J].航天返回与遥感，2016，37（1）：71?79.

HU Fen， YANG Bo， TANG Xinming， et al. Geo?positioning accuracy analysis of ZY?3 cross?track stereo?images [J]. Spacecraft recovery &； remote sensing， 2016， 37（1）： 71?79.

[5] 李德仁，张过，蒋永华，等.国产光学卫星影像几何精度研究[J].航天器工程，2016，25（1）：1?9.

LI Deren， ZHANG Guo， JIANG Yonghua， et al. Research on image geometric precision of domestic optical satellites [J]. Spacecraft engineering， 2016， 25（1）： 1?9.

[6] 甘世书，贺鹏，胡觉，等.基于国产资源卫星遥感影像正判率及其影响因素分析[J].中南林业调查规划，2015，34（4）：32?34.

GAN Shishu， HE Peng， HU Jue， et al. Analysis of correct interpretation rate and influence factors based on domestic resource satellite images [J]. Central south forest inventory and planning， 2015， 34（4）： 32?34.

[7] 刘玉红，赵筱榕，刘津.基于RPC像方改正模型的国产卫星几何纠正算法研究[J].地理信息世界，2014，21（6）：43?47.

LIU Yuhong， ZHAO Xiaorong， LIU Jin. Research on the geometry correction of domestic satellite based on RPC?image space correction model [J]. Geomatics world， 2014， 21（6）： 43?47.

[8] 李卫红，周平华，李琦，等.“资源一号”02C卫星影像几何校正方法试验[J].华北科技学院学报，2015，12（1）：99?102.

LI Weihong， ZHOU Pinghua， LI Qi， et al. The geometry rectification experiment of "ZY?1" 02C satellite [J]. Journal of North China Institute of Science and Technology， 2015， 12（1）： 99?102.

[9] 王雪平.基于稀少控制点的资源三号影像几何纠正研究[D].长沙：中南大学，2014.

WANG Xueping. Geometric rectification for ZY?3 image with sparse control points [D]. Changsha： Central South University， 2014.

[10] 赵欣，王晓晶，赵院，等.国产高分一号卫星数据傅里叶变换提取梯田影像可行性分析[J].中国水土保持，2016（1）：63?65.

ZHAO Xin， WANG Xiaojing， ZHAO Yuan， et al. Feasibility analysis on methodology of terraced extraction by using Fourier transformation based on domestic hi?resolution remote sensing images of GF?1 satellite [J]. Soil and water conservation in China， 2016（1）： 63?65.

[11] 黄艳艳，赵红莉，杨树文，等.HJ?1B卫星遥感影像的积雪识别[J].测绘科学，2016，41（8）：129?133.

HUANG Yanyan， ZHAO Hongli， YANG Shuwen， et al. A method of snow identification based on HJ?1B satellite remote sensing data [J]. Science of surveying and mapping， 2016， 41（8）： 129?133.

[12] 李粉玲，常庆瑞，申健，等.基于GF?1卫星数据的冬小麦叶片氮含量遥感估算[J].农业工程学报，2016，32（9）：157?164.

LI Fenling， CHANG Qingrui， SHEN Jian， et al. Remote sensing estimation of winter wheat leaf nitrogen content based on GF?1 satellite data [J]. Transactions of the Chinese Society of Agricultural Engineering， 2016， 32（9）： 157?164.

[13] 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.

HUANG Shuai， DING Jianli， LI Yanhua. Study of water information extraction based on domestic GF?1 remote sensing image by using object?oriented method [J]. Yangtze river， 2016， 47（5）： 23?28.

[14] 郭玉宝，池天河，彭玲，等.利用随机森林的高分一号遥感数据进行城市用地分类[J].测绘通报，2016（5）：73?76.

GUO Yubao， CHI Tianhe， PENG Ling， et al. Classification of GF?1 remote sensing image based on random forests for urban land?use [J]. Bulletin of surveying and mapping， 2016（5）： 73?76.

[15] 陈玲，梁树能，周艳，等.国产高分卫星数据在高海拔地区地质调查中的应用潜力分析[J].国土资源遥感，2015，27（1）：140?145.

CHEN Ling， LIANG Shuneng， ZHOU Yan， et al. Potential of applying domestic high?resolution remote sensing data to geological survey in high altitudes [J]. Remote sensing for land and resources， 2015， 27（1）： 140?145.

[16] 刘佳.国产高分卫星数据的农业应用[J].卫星应用，2015（3）：31?33.

LIU Jia. Agricultural applications of domestic Gaofen satellite data [J]. Satellite application， 2015（3）： 31?33.

[17] 付帅，艾波，高小明，等.基于资源三号卫星影像的水深反演：以永兴岛为例[J].海洋信息，2015（1）：55?58.

FU Shuai， AI Bo， GAO Xiaoming， et al. Water depth inversion based on ZY?3 satellite image?a case study of Yongxing Island [J]. Marine information， 2015（1）： 55?58.

[18] MA Ligang， DENG Jinsong， YANG Huai， et al. Urban Landscape classification using Chinese advanced high?resolution satellite imagery and an object?oriented multi?variable model [J]. Frontiers of information technology &； electronic engineering， 2015， 16（3）： 238?248.

[19] 官尚碧，刘智华，马泽忠，等.基于国产环境一号卫星的土地生态安全评价[J].安徽农业科学，2015（17）：357?359.

GUAN Shangbi， LIU Zhihua， MA Zezhong， et al. Evaluation on land ecological safety based on HJ?1 satellite [J]. Journal of Anhui agricultural sciences， 2015（17）： 357?359.

[20] 张馨蓓.高分二号影像融合方法比较与评价[J].黑龙江科技信息，2016（17）：86?87.

ZHANG Xinbei. Comparison and evaluation of GF?2 image fusion methods [J]. Heilongjiang science and technology information， 2016（17）： 86?87.

[21] 胡茂莹.基于高分二号遥感影像面向对象的城市房屋信息提取方法研究[D].长春：吉林大学，2016.

HU Maoying. Research on the object?oriented method of urban building extraction with GF?2 remote?sensing imagery [D]. Changchun： Jilin University， 2016.

[22] 王爱芸.山地GF?2卫星遥感图像融合方法优选研究[D].昆明：云南大学，2016.

WANG Aiyun. The research of remote sensing image fusion method optimization based on the GF?2 satellite in the mountain area [D]. Kunming： Yunnan University， 2016.

[23] 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.

REN Jintong， YANG Wunian， YANG Xin， et al. Research on the evaluation of domestic GF?2 PMS data fusion [C]// Proceedings of the Academic Conference on New Progress of Resources Environment and Geomatics Spatial Information Technology. Beijing： Science Press， 2016： 223?225.

[24] China Center for Resources Satellite Data and Application. History data statistics of satellites [EB/OL]. [2017?03?15]. http：//218.247.138.119：7777/DSSPlatform/reportbysatellite.html？satellite=GF2&；isHistory=yes.

[25] 杜挺.Landsat8 OLI遥感影像融合算法比较及其土地利用分类适应性分析[D].西安：西北大学，2015.

DU Ting. The comparison among fusion algorithms of Landsat8 OLI remote?sensing imagery and the analysis on adaptability of the classification of land use [D]. Xian： Northwest University， 2015.

[26] 庄喜阳，赵书河，陈诚，等.面向对象的遥感影像最优分割尺度监督评价[J].国土资源遥感，2016，28（4）： 49?58.

ZHUANG Xiyang， ZHAO Shuhe， CHEN Cheng， et al. Supervised evaluation of optimal segmentation scale with object?oriented method in remote sensing image [J]. Remote sensing for land and resources， 2016， 28（4）： 49?58.

[27] 刘丽雅.基于国产GF?1的高寒山区土地利用/覆盖分类研究[D].杭州：浙江大学，2016.

LIU Liya. Research on land use/cover classification of high cold mountain areas based on China?made GF?1 [D]. Hangzhou： Zhejiang University， 2016.

[28] 刘兆祎，李鑫慧，沈润平，等.高分辨率遥感图像分割的最优尺度选择[J].计算机工程与应用，2014，50（6）：144?147.

LIU Zhaoyi， LI Xinhui， SHEN Runping， et al. Selection of the best segmentation scale in high?resolution image segmentation [J]. Computer engineering and applications， 2014， 50（6）： 144?147.

[29] 周亦，张亚亚.利用eCognition进行高分一号卫星数据土地利用现状解译能力测试[J].测绘通报，2016（8）：77?80.

ZHOU Yi， ZHANG Yaya. Test of land use interpretation ability with satellite data of GF?1 using the eCognition [J]. Bulletin of surveying and mapping， 2016（8）： 77?80.

[30] 朱红春，蔡丽杰，刘海英，等.高分辨率影像分类的最优分割尺度计算[J].测绘科学，2015，40（3）：71?75.

ZHU Hongchun， CAI Lijie， LIU Haiying， et al. Optimal segmentation scale calculation for high?resolution remote sensing image [J]. Science of surveying and mapping， 2015， 40（3）： 71?75.

[31] DR?GU? L， CSILLIK O， EISANK C， et al. Automated parameterisation for multi?scale image segmentation on multiple layers [J]. ISPRS Journal of photogrammetry &； remote sensing， 2014， 88： 119?127.