基于GF-2影像的面向对象植被信息提取研究
2020-11-20瞿跃辉陈忠明
瞿跃辉,陈 利,陈忠明
(湖南省农林工业勘察设计研究总院,长沙 410007)
近年来遥感技术快速发展,遥感影像的种类越来越丰富,空间分辨率、时间分辨率都不断提高,遥感影像含有的各类地物信息也越来越丰富,这些都为各类遥感专题应用提供了基础数据[1]。如何从海量的遥感信息中获取想要的专题信息,一直都是国内外遥感研究的热点[2]。目前,通过遥感影像进行信息提取的方法主要分为基于像素为基本单元和基于对象为基本单元的分类提取。基于像素的遥感影像分类方法是利用每个像元所包含的光谱,将具有相同特征的目标像素聚集到同一特征空间区域而进行的分类,不同目标的光谱特征、空间特征存在差异,这种分类方法没有考虑地物目标与周围信息的相互关系[3];而面向对象分类方法的基本原理是在分类前对影像进行分割,将分割后得到的分割对象作为分类提取的最小分类单元,每个分割对象中的像元具有相似的光谱、纹理、空间信息等特征。
GF-2卫星作为国产的首颗空间分辨率高于1 m的民用陆地观测卫星,其获取的影像拥有高空间分辨率,以及丰富的光谱、纹理及形状信息,众多研究表明,采用面向对象的分类方法可以较好获取高分辨率遥感影像的光谱、纹理等信息。
1 研究区概况
长株潭城市群生态绿心地区位于长沙、株洲和湘潭三市交汇地,涉及三市 10个县级行政单位的21个乡镇(街道办事处) ,是目前国内唯一一个大型城市群绿心,总面积约 528.32km2。其中,长沙市面积 306km2,占57.92%;株洲市面积 83.87km2,占15.87%;湘潭市面积138.45 km2,占26.21%。本研究选取的实验范围为长株潭生态绿心地区的龙头铺街道和云田镇2个乡镇,位于长株潭交汇处。
2 数据来源与研究方法
2.1 数据来源
采用2017年7月的GF-2多光谱遥感数据,以及2017年林地变更调查成果数据等为数据源。
2.2 研究方法
2.2.1 数据预处理
遥感是从远处通过探测仪器接收地物反射、辐射或散射电磁波信息,通过提取、分析、判定、解译等,达到判别地物属性和专题应用的目的。遥感影像在成像过程中会受到诸多因素的影响,包括卫星拍摄角度、大气散射、成像误差等,获取的图像灰度值并不完全是地物辐射电磁波的真实信息,造成影像的辐射失真和几何畸变[4]。通过对遥感影像的预处理,能够极大减少卫星获取影像过程中形成的辐射误差与几何畸变,预处理结果的好坏对于后期植被信息提取有着较大影响。
遥感影像预处理的步骤主要包括:辐射定标、大气校正、正射校正、图像配准、影像融合、图像镶嵌和图像裁剪等。通过图像预处理,使得遥感影像所包含信息能够真实反映地物目标信息。本研究影像预处理后结果如图1。
图1 影像预处理结果图
2.2.2 面向对象的多尺度分割
面向对象信息提取方法的第一步是获取最小分类单元,即影像对象。影像对象通过影像分割得到,影像分割结果好坏对分类结果有直接影响,所以,分割的对象同实际地物轮廓之间的吻合程度越高,影像特征信息的提取结果会越准确[5]。本研究采用的是多尺度分割方法得到影像的对象,多尺度分割是一种异质性最小区域合并的算法[6],在合并过程中,如果新生成的影像区域异质性大于所设定的参数阈值时,即会结束影像合并而完成影像分割,得到一个影像区域,生成异质性最小、同质性最高影像对象[7]。
面向对象多尺度分割算法主要有形状指数、分割尺度和紧致度指数等三个参数,其中对分割效果影响最大的是分割尺度[8]。不同的分割尺度会生成差异较大的分割对象,进而严重影响后期的提取精度。在紧致度指数和形状指数一定情况下,如果设置尺度参数值越大,得到的分割对象越大,斑块数量会越少;如果设置尺度参数值越小,得到的分割对象越小,斑块数量则会越多。
2.2.3 面向对象植被信息提取
在图像分类方法中,基于模糊聚类的图像分类方法能够对遥感图像有效地处理、分析以及分类等[10]。模糊聚类方法主要特点是对图像属性以不同的模糊隶属度进行聚类,能够比较真实的反映出图像模糊性和不确定性[11]。本研究采用隶属度函数进行筛选与分类,进行植被信息的被提取。本文选用10类特征值:即归一化植被指数、比值植被指数、方差、对比度、均值、协同性、相异性、信息嫡、二阶矩和相关性。
3 结果与分析
3.1 最佳分割尺度
通过专业分割软件进行多尺度分割操作。首先在软件中导入影像,设置分割尺度、形状指数和紧致度指数,得到分割效果图2 。
图2 分割效果图
从图2中可以清晰看出水域、农田、裸露地等都形成为单独小块的对象,而不是一个个单独的像元,达到了需要的分割效果。根据影像多尺度分割后的数据,采用ESP工具插件,设置分割起始尺度、分割尺度的增长步长、形状指数、紧致度指数以及循环次数等,计算分割尺度,结果见图3。
从图3中可清晰地看出峰值的存在。这里的峰值出现了多个,这是因为对于影像中多种地物会得出几个最优分割尺度,所以往往计算得到的变化率峰值会有多个。将不同峰值分别再次进行影像分割,得到最优分割尺度。最后确定最优分割参数为: 尺度参数113、紧致度指数参数0.5和形状指数参数0.4。
3.2 植被信息提取
采用隶属度函数分类方法,结合特征值进行提取。在专业分割软件中选择类别提取所需使用的某一特征,以隶属度函数的形式来建立规则。本文利用隶属度函数的模糊规则来提取道路、建筑、水域、裸露地、耕地、植被以及其它类别地物,隶属度函数设置以及分类结果局部图分别如图4、图5。
由于采用遥感影像进行森林植被的提取,而遥感影像本身是基于像元构成,这会导致提取结果出现细碎小斑块、斑块边界不规整而呈现锯齿状等,需要进一步优化提取结果。优化处理选用指数核的多项式近似方法,使用参数化连续平均技术来计算平滑线,通过源线所有点的加权坐标平均值来计算当前点坐标。优化处理后局部放大效果图如图6所示。图中黄色矢量线为优化处理前的结果,红色矢量线为优化处理后的结果。
图4 隶属度函数设置图
图5 分类结果局部图
图6 优化处理效果图
将分割提取得到的结果数据导入地理信息系统软件中,得到植被提取结果图(图7 )。
图7 植被提取结果图
3.3 精度检验
遥感影像信息提取精度的高低对结果能否实际应用起到关键作用。精度验证采用系统布点的方法进行,设置75个检验点,间距为1 km,系统布点如图8。
分别对每个检验点结合林地变更调查数据以及目视判别进行验证。如果检验点中提取得到的地类与林地数据库和目视判读一致,则判定该点提取正确。最后得到植被提取正确点数64个,错误点数11个,总体精度为85.33%。
图8 系统布点图
4 结论与讨论
1)面向对象方法根据影像的光谱、形状、纹理等特征形成同质性的最小分类单元,能够有效减少“同物异谱”“同谱异物”带来的误差,更适用于高分辨率遥感影像进行信息提取。
2)利用ESP分割工具,计算不同分割尺度参数下影像对同质性的局部变化率作为分割对象层的平均标准差,以此来判别分割效果是否最佳,实现了最佳分割参数的定量计算,可以有效减少主观判断分割效果实验过程中的重复操作和不确定性。
3)采用面向对象方法能够对GF-2影像的植被信息进行快速提取,提取精度达85.33%。
4)由于受到研究实验范围限制,研究论文的结论在大区域、大尺度范围内的适用性需要进一步进行考证和探讨。