基于eCognition和Google earth影像的土地利用分类

王欢欢

摘要：传统的土地利用分类和信息提取主要是基于中低分辨率遥感图像的，本文研究基于易于获得的高分辨率的Google earth（GE）影像，利用面向对象的易康（eCognition）软件进行土地利用分类。本文利用面向对象的思想，对没有近红外波段的GE遥感影像进行监督分类和基于隶属度函数的非监督分类得到试验区的土地利用图。

关键词：面向对象；多尺度分割；光谱差异分割；监督分类；隶属函数法

中图分类号：TP751；U674.70 文献标识码：A 文章编号：1007-9416（2018）08-0209-03

1 引言

易康（eCognition）系列软件作为面向对象影像分析技术的专业软件，与传统的遥感软件ERDAS、ENVI、PCI等有明显的不同，虽然ERDAS和ENVI里也有相应的面向对象分类模块，但其对高分辨率影像的信息提取效果，及高分辨率影像涉及的各个行业的应用范围无法与易康软件相比。易康软件的面向对象方法包括影像分割和分类提取两部分[1]。“分割”是面向对象分类的基本前提，是指依据某种同质性或者异质性标准，将影像划分成很多小块对象的过程，常用的面向对象的分割方法有多尺度分割和光谱差异分割。江华使用多尺度分割进行福州琅岐岛土地利用分类[1]；陈韬亦等人结合使用多尺度分割与光谱差异分割进行光学遥感图像分类，以检测舰船目标[2]。本文考虑的是多尺度分割与光谱差异分割在土地利用分类上的结合应用。而“分类”是指依据小块对象的形状、颜色、纹理、空间关系、隶属关系等属性来识别所属类别的过程，常用的面向对象的分类方法有隶属度函数分类法和监督分类法。分割是分类的基础，分割效果的好坏直接关系到分类的精度。本文以重庆市九龙坡区部分城区为例，利用面向对象技术，对没有近红外的GE遥感影像进行土地利用分类研究，得到重庆九龙坡区某片城市地区的土地利用图。

2 研究区域与数据源

选择重庆市九龙坡区部分城区，经纬度范围为106.53°～ 106.55°E和29.47°～29.49°N作为研究区。通过91卫图软件下载，选取该研究区2014年的GE影像作为实验数据，其影像大小是9472*7168像素，空间分辨率为1m，共有三个波段层：红、绿、蓝3个波段。在本实验的研究区域内，地物种类多样，主要的地物类型包括水体、建筑物、道路、植被、裸地。研究区域如图1所示。

3 研究方法

3.1 技术路线

根据eCognition软件进行容易获取的高分辨率影像分类的技术路线如下：输入待分类的影像，整个实验的第一步是分割，依次利用“多尺度分割法”、“光谱差异分割法”对影像进行最适合尺度的分割，将影像划分为多个对象，然后根据各地物的识别特征信息（光谱、几何、纹理、拓扑等）进行隶属度函数分类并结合最邻近分类的监督分类法，将5类地物识别出来。技术路线如图2。

3.2 面向对象分类方法

3.2.1 多尺度分割和光谱差异分割

多尺度分割是在不同的尺度下，根據光谱相似度和形状因子对影像进行自底向上的聚类，形成该尺度范围内同质影像对象[3]。尺度是一个抽象概念，无具体意义。但是宏观上讲：分割尺度越大，影像对象越大。多尺度分割通过合并相邻的像素或小的分割对象，在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割。由于本实验研究区域的地物类型多样且错综复杂，故采用多尺度分割从大类到小类逐级细分方式。

光谱差异分割可以用来合并前一步分割产生的有相似光谱的图像对象，从而改进现有的分割结果[2]。如果相邻对象的平均灰度差低于设定的最大光谱差，那么光谱差异分割就会合并相邻的图像对象[2]。本文使用多尺度分割方法进行像素级的图像分割，然后利用光谱差异分割对具有相似光谱的相邻对象进行合并。

3.2.2 基于特征规则的隶属度函数分类

隶属度分类构建的是模糊规则。选择类别提取所要使用的某一特征时，即以隶属度函数的形式来建立规则，隶属度函数使用模糊逻辑将特征值与隶属度值的关系定义为一个类。软件自带的特征有如mean，纹理，形状等，也可以使用自定义特征，通常用到光谱指数。多种规则组建规则集，根据已有的规则集和原始影像，将影像分类的过程，按照规则集中的每一条规则执行一遍，即可完成信息提取。

3.2.3 最近邻分类

最近邻分类是一种监督分类方法，即根据采样训练和样本的特征利用最近距离法进行分类。首先根据采样工具选择目视解译判断出来的某种地物的相对应的对象作为该地物类型的样本。样例编辑过程要判断是否样例包括新的信息来形容所选中的类，是否错分为另一个类，是否它是一个需要从其他类来区别选则。对待分类的所有地物类型进行采样后，定义特征空间，特征空间一个特征在空间上的结合是用于计算隶属度值的，选择多个需要使用的特征如mean和标准偏差特征将其定义到特征空间中，并应用特征空间到待分类的地物类型。最后，根据特征空间进行分类。

3.3 实验方法及结果

首先是分割方法，对于多尺度分割，其结果形成的影像对象大小不一，斑块破碎，按尺度从上到下进行分割，设置不同的尺度参数，根据待分类的地物类型判断，尺度为30最适宜得到level1。光谱差异分割的分割方式是自上而下的。基于level1进行光谱差异分割，其实质是对level1中的影像对象的合并。在光谱相似区就会形成较大的对象，而光谱差异大的区域形成破碎的对象。此分割后形成level2，基于level2的分类能得到较好结果。这在分类过程中，合并同质对象，减少了对象个数，既提高了运算速度，也提高了分类精度。

然后是分类方法，其中基于确定规则分类：

植被提取通常用NDVI，对于只有RGB三个波段影像，自定义特征VI'，公式如下：

VI'=（2*G'-R'-B'）-（1.4*R'-G'），其中G'=G/（R+G+B），R'=R/（R+G+B），B'=B/（R+G+B） （1）

确定植被的自定义特征VI'值的取值范围，据此建立提取植被的规则。具体步骤为大致估计植被的自定义特征VI'的取值范围，该方法是在分割处理后的影像中选择部分植被对象，用eCognition中的查看范围特征值的功能查看它们对应的VI'值，其最大值和最小值可以作为判断植被的初始的阈值范围。实验中这些植被对象的VI'的取值范围为0.132-0.05。分割后，按照自定义特征的隶属度提取植被，得到的结果（绿色表示植被）对比原始影像，可以看出吻合度非常高，只有很少部分的错分和极少漏分，效果见图3。

然后，根据隶属度函数分类法，建立水体提取的规则：亮度特征数值范围为51-53，根据水体隶属度曲线，设置区间型的分类规则，隶属度函数曲线见图4。

最后，利用最近邻分类方法对水体、道路、建筑物、裸地进行分类提取。首先对不同地物进行采样，保证样本在整个图幅上各个区域分布均匀，样例数量尽可能多，一种地物的样例保证与其他地物的在特征空间上具有较高的区分度。分类结果表明大部分对象的类别判断准确度较高，道路部分可能有些破碎，是由于建筑物和道路RGB波段光谱特别相近，难区分；水体部分由于船只的影响部分小對象被错分；建筑物包括了其阴影部分，未进行详细区分；裸地极少部分被错分为水体，也是缺少近红外造成的，但总体分类结果准确度高，最后的土地利用分类图的效果见图5。

4 结语

光谱差异分割合并了同质对象，减少了对象个数，既提高了运算速度，也提高了分类精度。eCognition软件中“对象特征（Feature）”即参与分类的分割对象的属性，在进行基于像素分类时，我们常用的是光谱特征，在利用该软件进行面向对象分类时，可以利用光谱、形状、纹理、空间关系、上下文关系、自定义、时序规律等特征。

对于只有RGB的影像分类需要不断尝试不同的对象特征，甚至利用自定义特征进行分类，设定阈值时需要多比较找准最大最小值，这样才能得到较好的分类效果。监督分类采样时需要选择具有代表性的样例，使得能不同类别的地物在特征空间上基本完全离散分布，不同类别之间重叠特征区域极少。

参考文献

[1]江华.基于eCognition面向对象技术的高分辨率遥感影像土地利用分类——以福州琅岐岛为例[J].海峡科学，2014，（8）：12-17.

[2]陈韬亦，陈金勇，赵和鹏.基于Ecogniton的光学遥感图像舰船目标检测[J].无线电工程，2013，43（11）：11-13.

[3]胡琼，张建，徐保东，等.GoogleEarth影像与同源QuickBird影像在市土地利用分类上的对比研究[J].华东师范大学学报，2013：287-291.

[4]郭小英.基于GE影像的乡镇土地利用分类方法的研究[D].陕西杨凌：西北农林科技大学，2010：10-30.

[5]郝容，屈鸿钧，文学虎.eCognition（易康）软件在地理国情普查地表覆盖解译中的应用[J].测绘通报，2014：134-135.

[6]史燕茹，张银玲.基于GoogleEarth影像的唐山市土地利用规划分析[J].技术与市场，2012：367-368.

[7]胡银根，吴冲龙.目前我国土地利用规划决策新趋势[J].特区经济，2008，（5）：36-38.

[8]蒋国才.截拼谷歌地球影像图[J].贵州地质，2010，27（4）：5-9.

[9]李秦，高锡章，张涛，等.最优分割尺度下的多层次遥感地物分类实验分析[J].地球信息科学学报，2011，13（3）：410-417.