像元類別信息輔助下的遙感影像自適應(yīng)分割分類方法研究?

沈金祥

（云南國土資源職業(yè)學(xué)院國土管理學(xué)院 昆明 652501）

1 引言

面向?qū)ο笥跋穹治鐾ㄟ^分割（畫邊界）、分類（賦屬性）兩個過程模擬目視解譯的過程，無疑是利用高分辨率遙感開展國土資源調(diào)查與監(jiān)測的有效解決方案。影像分割作為面向?qū)ο笥跋穹治龅幕A(chǔ)，無論是遙感影像還是普通的數(shù)字圖像通常都是通過預(yù)設(shè)局部像元簇的灰度或幾何形態(tài)的異質(zhì)性閾值（即分割尺度）來進行。然而，對于覆蓋范圍較廣且地類構(gòu)成較為復(fù)雜的遙感影像而言，單一的分割尺度幾乎是不可能形成滿足所有地類目標(biāo)的有效邊界。

不同類型的多尺度分割方法一般都是在多個尺度上解決不同尺度地物目標(biāo)的分割問題，再綜合這些結(jié)果形成不同尺度的地物目標(biāo)集合［1～6］。然而，對于復(fù)雜的地物分布來說，多尺度分割到底為多少尺度以及每個尺度的大小多少比較合適，依然是個難以精確確定的問題。為此，針對遙感影像中不同地物目標(biāo)“因物而異”自適應(yīng)選擇分割尺度也得到了廣泛關(guān)注。例如，文獻［7～9］等提出利用局部邊緣梯度信息自適應(yīng)調(diào)整閾值的分水嶺分割方法；文獻［10～13］等提出通過局部密度參數(shù)自適應(yīng)調(diào)整帶寬的mean-shift分割方法。這些方法都在一定程度上解決了遙感影像的自適應(yīng)分割問題。

對于中高分辨率遙感影像而言，像元級分類結(jié)果過于破碎化，即產(chǎn)生一些無意義的“椒鹽”類別；然而，像元級分類通常基于全局像元多維度灰度統(tǒng)計特征進行，在不考慮“同物異譜、異物同譜”的情況下由于“譜”特征相對純凈而可以取得較高的分類結(jié)果。像元類別信息輔助下的遙感影像自適應(yīng)分割分類方法（PCASC）整合像元級與對象級分類的優(yōu)勢，通過融入像元類別信息輔助選擇合適的分割尺度參數(shù)，同時賦予分割對象類別屬性，即可以實現(xiàn)某種程度上的對象級分類自動化與智能化。

2 PCASC方法

PCASC方法中，待分割影像監(jiān)督、非監(jiān)督分類結(jié)果都可以作為有效像元級類別信息參與到后續(xù)分割分類過程中。分割采用自上而下的方法進行，對每一次的分割結(jié)果利用像元類別信息判斷是否需要繼續(xù)分割，對不參與分割的目標(biāo)則依據(jù)像元類別信息賦予相應(yīng)的類別，具體流程如圖1。

圖1 PCASC方法流程

2.1 監(jiān)督/非監(jiān)督分類

為融入全局像元“譜”統(tǒng)計特征用于后續(xù)自適應(yīng)選擇合適的分割尺度并賦予斑塊對象類別信息，需先進行像元級的分類處理。這里的“譜”包括原始影像光譜或通過原始光譜通過計算與各類變換后新生產(chǎn)的衍生譜（如NDVI）。分類僅是進行初步的全局性分類，對于部分錯分的區(qū)域，可以通過后續(xù)分割后進一步修改對象屬性類別。為此，可以選擇依據(jù)“譜”統(tǒng)計特征的非監(jiān)督分類快速完成像元級的初分類。

2.2 影像自適應(yīng)分割分類

遙感影像中，除了少數(shù)地類目標(biāo)（如小湖泊、坑塘、冰雪等）外，有意義的地類圖斑內(nèi)部并非完全由單一的“譜”像元構(gòu)成，而通常混有少數(shù)其他地類或者噪聲“譜”像元，例如居民區(qū)、植被區(qū)等。這也是依據(jù)全局“譜”統(tǒng)計特征的像元級分類中存在大量無意義“椒鹽”像元類別的原因。面向?qū)ο蠓诸惏ㄓ跋穹指钆c分類兩個過程，影像分割一般分為“自上而下”以整景影像開始進行區(qū)域分裂以及“自下而上”以單個像元開始進行區(qū)域合并兩種方式。無論哪種方式，最終結(jié)果都是形成局部像元多“譜”灰度特征及像元“譜”空間分布特征相對較為均質(zhì)的像元斑塊（稱為對象）。這樣的對象由于考慮了“譜”之外的空間特征，能夠“容納”少部分內(nèi)部“異質(zhì)譜”像元。對象的空間幾何形態(tài)（大小、形狀等）即為依賴于像元“譜”及像元“譜”空間分布特征的異質(zhì)性指標(biāo)，稱之為“尺度”。遙感影像中不同的地物目標(biāo)具有不同的“譜”特征的同時還具有不同的空間幾何特征，即不同的目標(biāo)具有不同的尺度。

為了實現(xiàn)“因物而異”地分割出影像中不同尺度的地物目標(biāo)并賦予相應(yīng)的類別信息，可以采用自上而下融入基于全局“譜”特征的像元分類結(jié)果參與選擇局部合適尺度的自適應(yīng)分割方法，具體過程：1）選擇一個較大的基準(zhǔn)尺度Smax作為當(dāng)前尺度Scur進行初次分割；2）對每個分割對象統(tǒng)計其內(nèi)部像元類別構(gòu)成并根據(jù)尺度適宜性評價指標(biāo)評價其是否滿足尺度要求，如果滿足尺度要求或分割尺度已達到指定的最小尺度Smin，則將對象內(nèi)部面積比例占優(yōu)的像元類別信息賦予該對象，否則轉(zhuǎn)入3）；3）以當(dāng)前尺度Scur尺度變換步長Sstep作為當(dāng)前步長，對當(dāng)前對象進行再分割后轉(zhuǎn)入2）。

3 實驗結(jié)果與分析

3.1 實驗數(shù)據(jù)

自適應(yīng)分割分類方法獨立于研究區(qū)及數(shù)據(jù)源，這里選擇西雙版納地區(qū)的一景ZY3多光譜影像數(shù)據(jù)（文件名：ZY3_MUX_E101.1_N21.9_20130325_L1A0001117991.tar.gz）用于實驗。該景影像成像時間為2013年3月25日，空間分辨率6.7m，包含藍、綠、紅、近紅四個波段，影像地類豐富，包括有天然林地、人工林（橡膠林）、農(nóng)田、草地、裸地、建設(shè)用地、水域等地類，并有部分云。原始影像數(shù)據(jù)經(jīng)過幾何校正、輻射校正等預(yù)處理操作后截取3000 x 3000大小無云的典型區(qū)域影像用于本實驗。

3.2 實驗方法與結(jié)果分析

首先，在ENVI軟件平臺中進行非監(jiān)督分類處理獲取像元級類別信息。通過觀察影像中的地類色彩構(gòu)成的，按照預(yù)設(shè)值5-8類利用ISODATA非監(jiān)督聚類算法對4個波段影像進行光譜聚類處理。對聚類結(jié)果進行類別合并后形成水體（包括部分錯分的山體陰影）、天然林地、人工林地（橡膠林）、農(nóng)田、裸地（包括建設(shè)用地）五個類別，并將分類結(jié)果轉(zhuǎn)換為矢量格式（shp文件）保存。

其次，選擇分割算法穩(wěn)定有效、具有豐富的特征集且能夠靈活定制規(guī)則集的eCognition軟件平臺（8.9版本）用于開展自適應(yīng)分割分類實驗，關(guān)鍵流程如下：

1）新建工程導(dǎo)入待處理影像，并將上述shp文件存儲的像元分類結(jié)果作為專題數(shù)據(jù)導(dǎo)入到工程中。

2）通過景變量（Scene variable）設(shè)置一些初始參數(shù)，包括：最大分割尺度，最小分割尺度，尺度減小步長，尺度適宜性評價指標(biāo)。其中，尺度適宜性評價指標(biāo)衡量某一分割尺度下對象是否還需繼續(xù)往下分割，這里選擇對象內(nèi)部各像元類別的面積比例作為適宜性評價指標(biāo)，即如果對象中某一類別所占的面積比例超過閾值T（稱為主導(dǎo)類別），則此對象不再往下分割，并將主導(dǎo)類別作為該對象的類別。這里實驗中參數(shù)分別設(shè)置如下：最大分割尺度-300，最小分割尺度-30，尺度減小步長-10，面積閾值T-0.8（即80%）。此外，依據(jù)（最大分割尺度-最小分割尺度）/尺度減小步長，即27作為eCognition中自上而下分割分類循環(huán)執(zhí)行的最大執(zhí)行次數(shù)。

3）設(shè)置當(dāng)前尺度為300進行初次多尺度分割（multiresolution segmentation），同時，為避免最大尺度依然存在部分過分割的區(qū)域，這里以尺度5進行一次光譜差異性分割（spectral difference segmentation，實質(zhì)上是僅考慮光譜相似性進行對象級的合并操作）。圖2與圖3的對比可以看出，300尺度上的分割存在欠分割（非均質(zhì)對象）的同時，也存在過分割的目標(biāo)（圖2）。通過光譜差異性分割合并光譜相似的對象后，過分割問題可以有效解決（圖3），欠分割問題則由后續(xù)繼續(xù)向下分割解決。

圖2 初次分割效果（Scale：300；Shape：1；Compactness：0.5）

圖3 光譜相似性分割效果（Scale：5）

4）建立1、2、3、4、5五個類別用于接收專題層中像元值1、2、3、4、5所標(biāo)識的類別信息，并設(shè)置兩個臨時類別“conformity”和“inconformity”，用于存放當(dāng)前尺度適宜、不適宜兩類對象。然后，以1為尺度進行棋盤分割，并通過專題屬性賦類別規(guī)則將專題類別賦予到尺度為1的對象層上，這就得到了與像元級分類結(jié)果完全一致的對象級分類結(jié)果（圖4）。

5）依據(jù)類相關(guān)統(tǒng)計特征定義“inconformity”的類描：下層對象（上述尺度為1的棋盤分割對象）中類別1、類別2、類別3、類別4、類別5的面積均小于面積閾值0.8。

6）依據(jù)類描述將當(dāng)前尺度對象分為“conformity”和“inconformity”兩類，將當(dāng)前尺度減尺度減小步長10，然后對“inconformity”類別的對象進行多尺度分割。對此步驟執(zhí)行27次。其中，如果某步循環(huán)中沒有“inconformity”類別的對象，則跳出循環(huán)。

7）對最終分割好的結(jié)果執(zhí)行專題屬性賦類別規(guī)則，對象將獲得下層對象（上述尺度為1的棋盤分割對象）統(tǒng)計面積占優(yōu)的類別信息。

從圖4為自適應(yīng)分割分類效果可以看出，對象級分類消除了像元級分類中眾多無實際意義的“椒鹽”類別，總體來看，依據(jù)影像中明顯的光譜差異形成了不同尺度大小的地物目標(biāo)，即不同尺度大小的地物目標(biāo)都得到了較為恰當(dāng)?shù)姆指钆c分類。圖中不同面積大小、不同形態(tài)的水體單元都得到了較好的分割，典型的如A區(qū)域較小的水體單元均得到了很高的分割與分類。然而，也存在部分區(qū)域中的地物類別難以得到較好的分割識別，例如，圖中B區(qū)域中的農(nóng)田、裸地，光譜信息對比明顯，在像元級分類中也得到了分類，但最后的自適應(yīng)分割與分類中卻沒有得到分割識別。原因在于基準(zhǔn)分割尺度（本實驗為300）下，這些地類目標(biāo)在所在分割對象中的面積比例過小，而這里對象能夠繼續(xù)自上而下自適應(yīng)分割的依據(jù)對象內(nèi)沒有面積占優(yōu)（這里為80%）的主導(dǎo)類別。顯然，B區(qū)域中的農(nóng)田、裸地所在的斑塊存在面積占優(yōu)的類別（人工林）（圖2，圖3），因此沒有能夠得到繼續(xù)向下分割識別。

與像元級分類相比，對象級分類通過修改屬性可以便捷地修正分類錯誤信息。在eCognition中通過設(shè)置類別過濾，可以便捷地修正“異物同譜”引起的分類錯誤。圖中4中C區(qū)域陰影因為與水體光譜特征接近（同為反射率較低的暗像元區(qū)域）而在像元級分類中誤分為水體信息，在自適應(yīng)分割后初分類誤分為水體信息后，通過設(shè)置水體類別過濾，可以比較容易地通過手工框選批量賦予正確的類別（天然林）信息。

圖4 eCognition中自適應(yīng)分割分類效果

4 結(jié)語

對于較高空間分辨率的遙感影像而言，對象級分類方法由于其操作過程與成果形式更為接近目視解譯，能夠滿足國土資源監(jiān)測調(diào)查的各項需要。自適應(yīng)尺度的分割是提高對象級分類識別自動化、智能化的關(guān)鍵環(huán)節(jié)。通過將像元級高精度的分類結(jié)果融入到對象級的多尺度分割與識別過程中，可以一定程度上實現(xiàn)有效自適應(yīng)分割與自動類別屬性標(biāo)識?？梢钥闯觯珳?zhǔn)的自適應(yīng)分割結(jié)果很大程度上依賴于初分割后對象的尺度適宜性指標(biāo)，簡單的類別主導(dǎo)性原則尚不能作為繼續(xù)向下分割的最有效指標(biāo)。在像元級分類結(jié)果的基礎(chǔ)上，考慮初分割目標(biāo)內(nèi)部像元類別空間分布與組合這樣的復(fù)雜特征作為尺度適宜性指標(biāo)，預(yù)計能夠進一步提升自適應(yīng)分割精度。