面向?qū)ο蠓诸惙ㄔ谔粕侥虾b感信息提取中的優(yōu)越性分析

杜福光

（唐山師范學(xué)院 資源管理系，河北 唐山 063000）

面向?qū)ο蠓诸惙ㄔ谔粕侥虾b感信息提取中的優(yōu)越性分析

杜福光

（唐山師范學(xué)院 資源管理系，河北 唐山 063000）

選取唐山南湖作為研究對(duì)象，分別采用面向?qū)ο蠓诸惙ㄅc面向像元分類法對(duì)研究區(qū)進(jìn)行遙感信息提取，得到不同的分類結(jié)果。實(shí)驗(yàn)證明，在南湖遙感影像的信息提取中，采用面向?qū)ο蠓诸惙傮w精度（91.3%）要遠(yuǎn)大于面向像元法的總體精度（72.1%），因此，面向?qū)ο蠓诸惙ň哂忻黠@優(yōu)勢，對(duì)于將面向?qū)ο蠓诸惙椒☉?yīng)用于其它領(lǐng)域的遙感信息提取能夠提供一定的借鑒意義。

遙感；信息提??；面向?qū)ο蠓诸?；唐山南?/p>

近年來遙感技術(shù)飛速發(fā)展，遙感信息的用途不斷拓展，并且已經(jīng)逐漸成為GIS的重要數(shù)據(jù)來源，被廣泛應(yīng)用于生產(chǎn)生活的方方面面。要使遙感信息成為快速、高效的數(shù)據(jù)源，就要加快遙感地物提取速度與效率。傳統(tǒng)的地物提取方法已經(jīng)難以滿足日益增長的需求，因此，新的遙感地物的提取方法非常重要，面向?qū)ο蠓诸惙ㄕ窃谶@種背景下產(chǎn)生的。

1 研究區(qū)概況

唐山南湖位于唐山市區(qū)南部，北緯36°29′，東經(jīng)119°20′，原為開灤煤礦開采沉陷區(qū)，百余年的煤炭開采，造成了市區(qū)南部地表下沉總面積達(dá)2.08萬公頃，形成塌陷坑53個(gè)，形成了廣袤的水域。自1996年開始，唐山市委、市政府對(duì)唐山南湖進(jìn)行綜合治理，形成了一定數(shù)量的居民點(diǎn)與附屬耕地，以及大面積的草地和林地，地物種類多樣，對(duì)不同地物類型進(jìn)行遙感信息提取能夠更加直觀地了解南湖植被覆蓋情況，對(duì)于南湖的綠化具有重要意義。

2 數(shù)據(jù)獲取與預(yù)處理

選取2009年Google Earth上唐山南湖的高分辨率影像，影像具體的采集時(shí)間點(diǎn)為2009年11月15日，影像清晰無云，成像質(zhì)量較好。此外，涉及到的數(shù)據(jù)還包括各種輔助資料和統(tǒng)計(jì)數(shù)據(jù)，如唐山市南湖土地利用圖及歷年統(tǒng)計(jì)資料，其來源于政府門戶網(wǎng)站和統(tǒng)計(jì)年鑒，并且在此次研究的數(shù)據(jù)獲取階段，進(jìn)行了多次實(shí)地考察用來修正各種數(shù)據(jù)。

對(duì)獲取到的研究區(qū)遙感影像定義合適的坐標(biāo)系統(tǒng)與投影系統(tǒng)進(jìn)行幾何糾正、圖像配準(zhǔn)等一系列的前期預(yù)處理工作。此外，利用ENVI遙感圖像處理軟件，對(duì)影像進(jìn)行分段拉伸，增大像元之間灰度值差距，處理后的影像層次分明、地物差異大，各類地物易于判別。經(jīng)過預(yù)處理后的研究區(qū)影像如圖1所示。

圖1 處理后的唐山南湖遙感影像

3 研究過程

通過對(duì)傳統(tǒng)的以最大似然法為代表的面向像元分類法與面向?qū)ο蠓诸惙ǖ姆诸惤Y(jié)果進(jìn)行比較，對(duì)兩種方法精度進(jìn)行評(píng)價(jià)分析，得出實(shí)驗(yàn)結(jié)論。

3.1 面向像元分類法

最大似然法是面向像元分類法中最為廣泛的一種分類器[1]。它有嚴(yán)密的統(tǒng)計(jì)理論基礎(chǔ)，是建立在貝葉斯準(zhǔn)則基礎(chǔ)上分類誤差概率最小的一種分類方法。它通過假定訓(xùn)練區(qū)地物的光譜特征和自然界大部分隨機(jī)現(xiàn)象一樣，近似服從正態(tài)分布，利用訓(xùn)練區(qū)可求出均值、方差以及協(xié)方差等特征參數(shù)，從而可求出總體的條件概率密度函數(shù)，并利用貝葉斯公式進(jìn)行后驗(yàn)概率的計(jì)算，根據(jù)其最大值原則判定類別歸屬。

在ENVI軟件中，利用ROI工具窗口進(jìn)行樣本選擇。選用多邊形方式，在目視判讀的基礎(chǔ)上，選擇各類地物中代表性地物，并用不同顏色進(jìn)行標(biāo)注。各類感興趣地物的分布狀況如圖2所示。

圖2 分類樣本分布

利用所選樣本采用最大似然法進(jìn)行監(jiān)督分類，分類后結(jié)果如圖3所示。

圖3 最大似然法分類結(jié)果

對(duì)分類后的數(shù)據(jù)利用軟件Confusion Matrix功能計(jì)算混淆矩陣，并得出分類后精度進(jìn)行精度評(píng)價(jià)，評(píng)價(jià)結(jié)果如表1所示。

表1 最大似然法分類精度評(píng)價(jià)結(jié)果

從表1看，水體的生產(chǎn)精度和用戶精度最高，草地的生產(chǎn)精度和用戶精度次之；剩下依次是裸地、有林地、建筑物、耕地、道路。明顯可以看出，由于類別間分離性較差，基于像元的分類結(jié)果精度不高，誤分率較高。

3.2 面向?qū)ο蠓诸惙?/p>

面向?qū)ο笫窍鄬?duì)于傳統(tǒng)遙感影像處理軟件主要針對(duì)單個(gè)像元的解譯算法而言[2]。該方法在分類時(shí)不僅僅考慮地物的光譜特征，還利用其幾何特征和結(jié)構(gòu)特征，圖像中的最小單元是對(duì)象，而不再是單個(gè)的像元。因此，面向?qū)ο蟮倪b感影像解譯方法會(huì)比面向像元的遙感影像解譯方法取得更好的效果，特別是應(yīng)用在地物連續(xù)分布的遙感影像上。

采用面向?qū)ο蟮奶崛》椒ㄓ幸韵聝?yōu)勢：首先，通過對(duì)影像分割，可以很好的解決噪聲問題，因?yàn)檫@些噪聲區(qū)域?qū)⑴c其周邊的像元一起合并到特定的影像對(duì)象中去，使得部分孤立地物，如車輛等，被融入道路對(duì)象中；其次，可充分利用地物的幾何結(jié)構(gòu)特征和光譜特征；第三，面向?qū)ο蠓ǚ诸惙ㄒ肓丝臻g特征，如距離、拓?fù)溧徑雍头较虻?，可有效利用影像?duì)象間的語義關(guān)系，使專家知識(shí)能夠直接指導(dǎo)遙感影像分類[3]。

3.2.1 圖像分割與區(qū)域合并

要生成影像對(duì)象，就必須通過分割這個(gè)過程。影像分割是將影像細(xì)化成分隔區(qū)域的過程。在分割過程中值得注意的是影像的對(duì)象平均異質(zhì)性應(yīng)該被減少到最小，像元的平均異質(zhì)性也應(yīng)該最小化，像元所歸屬的影像對(duì)象的異質(zhì)性應(yīng)該被分配到每個(gè)像元中，所有的影像對(duì)象自動(dòng)構(gòu)成體系。影像分割時(shí)，有的特征可能會(huì)被錯(cuò)分，也有可能一個(gè)特征被分成很多小部分，這時(shí)需通過合并改善對(duì)地物界線的描繪來解決過度分割問題，最終達(dá)到理想的分割效果。

在軟件FX模塊中，設(shè)置閾值為67.3的分割參數(shù)和閾值為97的合并參數(shù)對(duì)預(yù)處理后的影像做分割處理。圖4為經(jīng)過邊緣分割并合并后的圖像。

圖4 分割合并后影像

3.2.2 典型地物特征分析

3.2.2.1 地物光譜特征分析

光譜特征是多光譜遙感影像地物識(shí)別最直接，也是最重要的解譯元素。由于各種地物的結(jié)構(gòu)、組成不同，因此它們本身的熱輻射特征及對(duì)電磁波的反射狀況存在差異，在影像上表現(xiàn)為像元灰度值之間的不同。為便于觀察各目標(biāo)地物光譜特征及其變化的規(guī)律，在原始影像中采集了一定數(shù)目的訓(xùn)練樣本，得到各研究地物樣本的灰度統(tǒng)計(jì)值（表2），并生成光譜均值圖（圖5）。

表2 地物樣本灰度統(tǒng)計(jì)表

從圖5可以看出，水體、有林地、建筑物的均值曲線與其它地物的均值曲線距離較遠(yuǎn)，通過均值可以把它們與其它地物區(qū)分開。在第2波段，雖然道路與裸地的均值相混淆，但在第3波段，它們的均值曲線呈現(xiàn)分離趨勢。因此，水體、有林地、建筑物、道路及裸地可把灰度均值作為區(qū)別其它地物的光譜特征指標(biāo)之一。而耕地與草地的均值曲線則十分靠近，容易混淆，以此作為區(qū)分特征就很容易導(dǎo)致錯(cuò)分現(xiàn)象的發(fā)生。

圖5 地物光譜均值曲線

3.2.2.2 紋理特征分析

應(yīng)用紋理分析提取影像的紋理特征，不僅可以推進(jìn)影像解譯的自動(dòng)化，而且可以抑制“同物異譜”、“同譜異物”現(xiàn)象對(duì)分類精度的影響[4]。在研究區(qū)中，由于組成成分、植被覆蓋狀況的相似植，耕地與草地僅依據(jù)光譜特征無法區(qū)分，但二者在紋理上有較大差異，草地呈近似點(diǎn)狀分布，而耕地一般呈多邊形分布。然而，紋理信息對(duì)像元亮度的變化十分敏感，在地物的邊緣必然出現(xiàn)明顯的亮度變化，這就造成地物類型邊緣處的紋理特征值不能真實(shí)反映地物之間紋理的差別。因此，在利用紋理信息提取地物時(shí)，需要對(duì)提取結(jié)果的邊緣作相關(guān)的處理，以減少不必要的誤差。

3.2.2.3 地物形狀分析

形狀是判斷對(duì)象類別的一個(gè)重要標(biāo)志，根據(jù)形狀屬性對(duì)地物分類在一定程度上消除了“同物異譜”、“同譜異物”的影響，如通過面積區(qū)分大小地物對(duì)象，通過延長性區(qū)分長短地物對(duì)象等。例如道路成條狀，其延長性屬性明顯區(qū)別于其他地物，可通過恰當(dāng)?shù)脑O(shè)定來將其與其他地物進(jìn)行區(qū)分。

3.2.2.4 其他輔助信息

除了以上所用的輔助信息以外，地物之間空間布局與顏色也是一種常用的輔助信息[5]。如，河流旁邊的裸地一般是河床，很少是旱地；河流旁邊的線狀地物一般為公路、農(nóng)村道路，在南方多水地區(qū)還有可能是渠。這種輔助信息就是利用了空間關(guān)系來解譯目標(biāo)地物；而顏色的性質(zhì)主要由色調(diào)、亮度與飽和度來描述。它們作為描述顏色性質(zhì)的參數(shù)，在解譯地物方面也至關(guān)重要。

3.2.3 分類結(jié)果

根據(jù)以上分析，利用原始影像、紋理特征、形狀特征等輔助信息，建立專家分類模版，對(duì)研究區(qū)影像進(jìn)行分類，結(jié)果如圖6所示。

圖6 面向?qū)ο蠓诸惤Y(jié)果圖

3.2.4 分類結(jié)果精度評(píng)價(jià)

精度評(píng)價(jià)仍采用混淆矩陣法，在ENVI下由計(jì)算機(jī)自動(dòng)進(jìn)行混淆矩陣的計(jì)算[6]。參與混淆矩陣計(jì)算的圖像有兩幅，一幅是分類結(jié)果圖，一幅是地表真實(shí)圖像或地表真實(shí)感興趣區(qū)圖像。結(jié)果如表3。

表3 面向?qū)ο蠓诸惥仍u(píng)價(jià)結(jié)果

4 結(jié)論

實(shí)驗(yàn)通過用監(jiān)督分類和面向?qū)ο蠓诸惙椒▽?duì)圖像進(jìn)行分類，以及用混淆矩陣對(duì)分類結(jié)果的精度作評(píng)價(jià)分析，得出兩種方法（最大似然分類法a、面向?qū)ο蠓诸惙╞）的比較結(jié)果，見表4。

從表4可以看出，采用面向?qū)ο蠓ǚ诸愂沟酶鞯匚锓诸惥染黠@得到提高，總體分類精度由72.05%提高到91.32%。

表4 兩種分類方法比較

在唐山南湖遙感影像地物提取中，從分類結(jié)果來看，面向?qū)ο蠓诸惙ㄒ黠@優(yōu)于面向像元分類法，能夠滿足實(shí)際應(yīng)用的需要。由此可見，基于面向?qū)ο蠓ǚ诸?，地物各種特征參數(shù)的分析與選取對(duì)分類結(jié)果非常重要。由于本文影像來自于Google Earth遙感影像，像元數(shù)量較少，紋理不夠清晰，如草地、耕地、有林地等含有綠色植被的地物在分類時(shí)常常出現(xiàn)混淆，導(dǎo)致總體分類困難及精度不是很高。此外，在唐山南湖信息提取過程中其他遙感信息提取方法是否具有更高的精度也有待于進(jìn)一步分析與探索。

[1] 劉濤,孫忠林,孫林.基于最大似然法的遙感圖像分類技術(shù)研究[J].福建電腦,2010(1):7-8.

[2] 孫曉霞.利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路[J].測繪科學(xué),2006(1):62-63.

[3] 張?jiān)?王仰麟,彭建,等.基于空間概率面的山區(qū)居民地遙感信息提取[J].地理與地理信息科學(xué),2006(4):6-10.

[4] 陳超,江濤,岳遠(yuǎn)平.監(jiān)督分類和目視修改相結(jié)合在高分辨率遙感影像中的應(yīng)用[J].國土資源信息化,2009(5): 37-48.

[5] 駱劍承.遙感影像智能圖解及其地學(xué)認(rèn)知問題探索[J].地理科學(xué)進(jìn)展,2000,19(4):289-296.

[6] 周成虎.遙感影像地學(xué)理解與分析[M].北京:科學(xué)出版社,2001:257-258.

（責(zé)任編輯、校對(duì)：王淑娟）

The Analysis of Superiority in RS Information Extraction of Tangshan Nanhu by Using Object-Oriented Classification Method

DU Fu-guang
(Department of Resource Management, Tangshan Teachers College, Tangshan 063000, China)

The object-oriented classification method and pixel-oriented classification in remote sensing information extraction are used respectively by taking Tangshan Nanhu as study object and different classification results are achieved. The experiment shows that, in the process of Nanhu remote sensing image information extraction, object-oriented classification overall accuracy (91.3%) is much larger than the overall accuracy of pixel-oriented classification (72.1%). Therefore, an object-oriented classification method has obvious advantages. It may provide some reference for other areas of remote sensing information extraction.

remote sensing; information extraction; object-oriented classification; Tangshan Nanhu

P208

A

1009-9115(2014)02-0146-04

10.3969/j.issn.1009-9115.2014.02.045

河北省科技計(jì)劃軟科學(xué)項(xiàng)目（13454008D），唐山市科技計(jì)劃軟科學(xué)項(xiàng)目（13140227b）

2013-06-05

杜福光（1983-），男，山東煙臺(tái)人，碩士，講師，研究方向?yàn)镚IS開發(fā)與遙感應(yīng)用。