復雜山地環(huán)境下典型地物解譯規(guī)則庫研究

胡 艷，吳鳳敏，袁 超，張少佳

（1.重慶市地理信息中心，重慶 401121；2.武漢大學 遙感信息工程學院，湖北 武漢 430079）

復雜山地環(huán)境下典型地物解譯規(guī)則庫研究

胡 艷1,2，吳鳳敏1，袁 超1，張少佳1

（1.重慶市地理信息中心，重慶 401121；2.武漢大學 遙感信息工程學院，湖北 武漢 430079）

選擇重慶市山地區(qū)域為研究區(qū)，以WorldView-2影像為研究對象，基于植被構(gòu)面成果，采用面向?qū)ο蟮姆诸惙椒ㄌ接懥藦碗s山地環(huán)境背景下典型地物的光譜、紋理、幾何、結(jié)構(gòu)等特征；構(gòu)建了適合山地環(huán)境地物遙感分類的解譯規(guī)則庫，自動進行地物的分類解譯，并對分類結(jié)果進行了精度評價。結(jié)果表明，面向?qū)ο蠓诸惙椒?gòu)建的解譯規(guī)則庫能夠適用于復雜山地環(huán)境遙感影像的分類，保證了地物形狀和屬性的完整性，提高了遙感影像的分類精度；基于植被構(gòu)面成果建立的解譯規(guī)則庫解決了地物分類時林地和果園難以區(qū)分的困難，提高了復雜山地環(huán)境下遙感影像的分類精度。

信息提?。灰?guī)則庫；面向?qū)ο?；分類；復雜山地

重慶市山地面積占區(qū)域總面積的2/3以上，地表覆蓋類型多樣，且在空間上差異顯著，地物極其破碎，因此地表覆蓋分類工作量大、難度高。隨著高分辨率遙感影像的出現(xiàn)，傳統(tǒng)基于面向像元的分類技術(shù)面臨著許多挑戰(zhàn)。高分辨率遙感影像常用的解譯方式（人機交互的目視解譯）效率低、成本高，且解譯精度完全依靠個人經(jīng)驗，難以應用于大規(guī)模遙感解譯工作中[1-2]。

面向?qū)ο蟮淖詣臃诸惣夹g(shù)在很大程度上能有效克服自動解譯中的“椒鹽”現(xiàn)象，同時能綜合分析對象的光譜、紋理、形狀以及上下文的語義信息，在高分辨率影像解譯中有很大的優(yōu)勢，能有效提高分類精度[3-9]。地表覆蓋分類中典型地物自動解譯最關鍵的是建立解譯規(guī)則庫。遙感解譯規(guī)則庫是遙感解譯和圖像分析技術(shù)的關鍵[10]，能夠快速有效地解決高分辨率遙感影像分類解譯和后續(xù)分析。

本文基于高分辨率遙感影像，采用面向?qū)ο蟮姆诸惣夹g(shù)，充分運用植被構(gòu)面成果，建立了適合于山地環(huán)境的典型地物遙感解譯規(guī)則庫，能夠為復雜山區(qū)環(huán)境下地理國情普查地表覆蓋分類提供參考，推進基礎地理信息處理以及地理國情普查自動化、精細化處理水平。

1 研究區(qū)及技術(shù)路線

本文以重慶市長壽區(qū)八顆鎮(zhèn)中部區(qū)域為研究區(qū)，面積約為7 km2。該區(qū)域地物類型較為豐富，包括大面積的水域、林地、耕地以及道路房屋等，有利于典型地物遙感解譯規(guī)則庫的構(gòu)建。研究所用遙感影像為2013年7月WorldView-2影像，分辨率為0.6 m（包括紅、綠、藍、近紅外4個波段）。影像預處理包括幾何校正、正射校正、影像融合等。同時，本文以1∶5 000 DLG矢量數(shù)據(jù)作為分割依據(jù)，以植被構(gòu)面成果作為分類輔助參考數(shù)據(jù)。技術(shù)流程如圖1所示。

圖1 面向?qū)ο蟮囊?guī)則集構(gòu)建流程圖

2 面向?qū)ο蟮姆诸惙椒?/h2>

面向?qū)ο蟮姆诸惙椒ㄗ罨镜奶攸c就是以影像分割獲得的影像對象作為基本操作單元，而不是基于單個像元操作[11]。通過影像分割獲得的對象具有一定的屬性，不僅包含光譜信息，還包括紋理、大小、形狀等從圖像中提取的附加信息，因此面向?qū)ο蟮姆诸惙椒芴岣叻诸惖木?，使分類結(jié)果更加接近目視判別的結(jié)果。分類流程主要包括多尺度分割、解譯規(guī)則庫構(gòu)建、影像自動分類和信息提取等。

2.1 多尺度分割

多尺度分割是從任意一個像元開始，采用自下而上的區(qū)域合并方法形成對象，從而為進一步的分類工作提供信息載體和構(gòu)建基礎[12]。因此在整個遙感圖像分類過程中，影像分割非常關鍵，分割的好壞程度將直接影響分類的精度[4]。多尺度分割參數(shù)主要有各波段權(quán)重、分割尺度、光譜因子和形狀因子。

由于研究區(qū)內(nèi)既有大尺度的林地和水域，又有小尺度的房屋、道路等，在影像分割中需根據(jù)各類地物特點分別進行分割參數(shù)設置。具體分割參數(shù)選擇如下：形狀因子權(quán)重為0.2，緊致度因子權(quán)重為0.5，分割尺度分別為100、50。在第一層影像分割過程中，采用1∶5 000 DLG矢量數(shù)據(jù)參與分割，以便提高多尺度分割精度（圖2）。

圖2 多尺度分割結(jié)果圖（分割尺度為100）

2.2 地物要素特征指標

典型地物的特征指標一般包括光譜和幾何特征，光譜特征包括均值、標準差等，幾何特征包括形狀、紋理和拓撲關系等。針對研究區(qū)中各類典型地物光譜特征，選擇相應的指標對其類別進行劃分。

式中，Green_radio為綠度比值；Red_radio為紅度比值；NDVI為歸一化植被指數(shù)；EVI為增強型植被指數(shù)；NDVI_CF為差分植被指數(shù)；NDWI為歸一化水體指數(shù)；NIR為近紅外波段；G為綠光波段；B為藍光波段；R為紅光波段。

2.3 解譯規(guī)則庫構(gòu)建

遙感解譯規(guī)則庫主要是利用植被構(gòu)面成果，結(jié)合典型地物要素特征指標進行構(gòu)建。解譯規(guī)則庫除了依據(jù)地物的光譜特性之外，還充分考慮了地物的形狀、紋理特征。植被構(gòu)面成果是基于1∶5 000 DLG數(shù)據(jù)中植被點與植被線信息通過構(gòu)面程序?qū)⒚恳粋€植被點信息賦予其所在植被面，從而獲得植被面矢量數(shù)據(jù)。植被面數(shù)據(jù)將植被類型進行了細分，每一個植被面都有相應的屬性信息。植被構(gòu)面成果將植被類型分為林地、園地、耕地及其他植被；對植被類別劃分得較細，有利于遙感影像中植被類別的分類（表1）。

表1 典型地物遙感解譯規(guī)則庫

2.4 遙感影像分類

根據(jù)解譯規(guī)則庫中各類地物的判別規(guī)則，采用面向?qū)ο蟮姆诸惙椒ǖ玫搅搜芯繀^(qū)遙感影像分類結(jié)果如圖3所示。

圖3 遙感影像分類結(jié)果

為了更好地分析面向?qū)ο蠓诸惙椒ǖ木龋疚膶Ψ诸悓ο筮M行了精度評價。本文針對每一類地物，選取樣本點進行檢驗，為了保證精度評價的準確性，設置采樣點數(shù)目與類別涉及像元數(shù)成正比，確定最小采樣點數(shù)不小于10，且采樣點隨機均勻分布于整幅遙感影像中，再計算各類別的Kappa系數(shù)，對分類結(jié)果精度進行評價（表2）。

從表2中可以看出，基于植被構(gòu)面成果解譯規(guī)則庫進行的分類結(jié)果精度較高，總體精度達到0.96，其中房屋和水體使用最新的1∶5 000 DLG數(shù)據(jù)參與影像分類，精度為1.00。植被分類中，由于林地與園地的混分造成林地分類精度稍低，而由于紋理特征的差異耕地分類結(jié)果較好。

表2 基于植被構(gòu)面成果和傳統(tǒng)解譯規(guī)則庫的分類結(jié)果精度比較

與傳統(tǒng)的解譯規(guī)則庫分類精度相比，基于植被構(gòu)面成果解譯規(guī)則庫解決了直接利用遙感解譯規(guī)則庫進行地物分類時難以區(qū)分林地和果園的問題，提高了植被的分類精度，對于復雜山地環(huán)境下遙感影像分類具有更高的適用性。

3 結(jié) 語

本文研究了復雜山地環(huán)境下典型地物要素的基本特征，建立了對應的指數(shù)指標，以及地物類別與規(guī)則的層次結(jié)構(gòu)關系；結(jié)合植被構(gòu)面成果，構(gòu)建了適合于山地環(huán)境的典型地物遙感解譯規(guī)則庫；實現(xiàn)了高分辨率遙感影像的自動解譯分類；并分析了遙感影像分類的效果與精度。

面向?qū)ο蟮姆诸惙椒ㄒ泊嬖谝欢ǖ木窒扌?，需要進一步研究。①影像分割參數(shù)選擇。由于遙感信息的獲取是一個復雜的過程，各種因素的影響造成許多像素間的相似性很難用某個數(shù)學定義來簡單區(qū)分，因此分割的結(jié)果中不同地物的邊界很難與目視解譯效果對應起來，從而導致目標的錯分與遺漏。②解譯規(guī)則庫適用范圍。本文使用WorldView-2影像構(gòu)建解譯規(guī)則庫，而對于不同傳感器影像，解譯規(guī)則庫中指標及閾值的選取需重新設定。

[1] John R Jensen. Introductory Digital Image Processing： a Remote Sensing Perspective[M]. Third Edition, Upper Saddle River：Prentice Hall, NJ, 2005

[2] Vander S C J, Jong S M, Roo A P J. A Segmentation and Classification Approach of IKONOS-2 Imagery for Land Cover Mapping to Assist Flood Risk and Flood Damage Assessment [J]. International Journal of Applied Earth Observation and Geoinformation, 2003,4(3)：217-229

[3] 曹寶,秦其明,馬海建,等.面向?qū)ο蠓椒ㄔ赟POT5遙感圖像分類中的應用：以北京市海淀區(qū)為例[J].地理與地理信息科學,2006,22(2)：46-49,54

[4] 陳云浩,馮通,史培軍,等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J].武漢大學學報(信息科學版),2006,31(4)：316-320

[5] 孫曉霞,張繼賢,劉正軍.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, 2006,31(l)：62-63

[6] 尹展,張建國,李宏斌.面向?qū)ο蠓诸惣夹g(shù)在高分辨率遙感影像信息提取中的應用研究[J].測繪與空間地理信息,2013, 36(8)：61-63

[7] 陳秋曉,駱劍承,周成虎,等.基于多特征的遙感影像分類方法[J].遙感學報,2004,8(3)：239-245

[8] Baatz M, Schape A. Object-oriented Multi-scale Image Analysis in Semantic Networks [C]//In： Proc of the 2nd International Symposium on Operationalization of Remote Sensing, 1999

[9] Antonio Plaza, Pablo Martinez, Rosa Perez, et al. A Quantitative and Comparative Analysis of Endmember Extraction Algorithms from Hyperspectral Data[J]. IEEE Transactions on Geoscience and Remote Sensing,2004,42(3)：651-654

[10] Hay G J, Marceau D J, Dube P, et al. A Multi-scale Frame Work for Landscape Analysis：Object-specific Analysis and Upscaling [J]. Landscape Ecology,2001,16(6)：155-161

[11] Benz U C, Peter H, Gregor W, et al. Multi-resolution Objectoriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information[J]. ISPRS Journal of Photogrammetry & Remote Sensing,2004,58：239-258

[12] 章毓晉.圖像分割 [M].北京：科學出版社, 2001

P237

：B

：1672-4623（2016）11-0009-03

10.3969/j.issn.1672-4623.2016.11.004

胡艷，博士研究生，高級工程師，主要從事遙感技術(shù)與應用方面研究。

2016-08-29。

項目來源：地理空間信息工程國家測繪地理信息局重點實驗室經(jīng)費資助項目（201304）。