基于對象的遙感影像解譯技術綜述

韓健楠　孫增慧

摘要：基于對象的遙感影像解譯是一種利用遙感影像中的紋理、幾何、光譜等空間信息對地物進行識別的圖像分析技術，本文對其原理進行了闡明，總結了發(fā)展現(xiàn)狀與存在問題。

關鍵詞：遙感影像；面向對象；識別分類；影像解譯

引言

由于環(huán)境監(jiān)測、空間規(guī)劃、生態(tài)保護等方面的需求，遙感影像已經越來越廣泛的被應用于各行各業(yè)中。而對遙感影像中的地物識別解譯往往是遙感影像應用的首要步驟，長期以來一直是遙感技術的熱點問題。傳統(tǒng)的方法分兩種：人工目視解譯和基于像元的自動識別，或解譯效率低，或解譯準確度不高。在此背景下，一種基于對象的遙感影像解譯被提出。作為一種新的遙感影像分析方法，其將人類的認知過程融入進了計算機自動識別程序，提升了解譯的準確度和效率，近些年來逐漸成為了遙感領域的研究熱點。

本項研究根據已有的文獻資料，對基于對象的遙感影像解譯技術的原理進行了闡明，對其發(fā)展進行了綜述，并探討了其現(xiàn)存的問題。

1遙感技術與對地觀測

遙感（Remote Sensing，RS）是指在不直接接觸物體的情況下，從遠距離借助傳感器測量物體所反射或自身所發(fā)出信號的一種觀測手段[1]。傳感器根據所接收到的電磁波信號，形成的用于輔助人類對目標物觀測的圖像稱為遙感影像。遙感影像生成的過程如圖1所示[2]。

遙感技術的發(fā)展使得對地觀測的手段由傳統(tǒng)的野外調查變成了借助衛(wèi)星，飛機等航空航天設備。通過將傳感器搭載于航空航天設備上，形成包含空間信息的遙感影像，對地觀測的效率大幅提升。遙感技術因此廣為應用于農業(yè)、環(huán)保、規(guī)劃等各個領域。

從遙感影像空間分辨率的角度，遙感的發(fā)展可以分為以下三個階段：第一階段以美國國家航天局（NASA）發(fā)射的Landsat系列衛(wèi)星為典型，其標志著多光譜成像儀在衛(wèi)星遙感上的成功應用；第二階段是隨著IKONOS（1999年發(fā)射）、QuickBird（2001）等高分辨率衛(wèi)星的出現(xiàn)，遙感影像開始突破米級精度；第三階段是隨著無人機影像系統(tǒng)的成熟，使得更高精度的遙感影像變得更易獲取。

2傳統(tǒng)遙感影像解譯

遙感影像解譯是指憑借一定的方法手段從遙感影像中識別獲取所需的地物信息的過程。傳統(tǒng)上，遙感影像解譯方法可以分為兩大類：

第一類是人工目視解譯，既憑借邏輯推理、對比分析，對遙感影像中的地物進行人工辨別。此類解譯方法雖然識別準確度高，但由于其依賴于解譯者的人工操作，往往費時費力，識別效率較低；

第二類是憑借計算機根據遙感影像中各個像元的信號值，分析其特征并根據其相互之間的相似性將像元分為不同的類，從而完成解譯過程。隨著一些如支持向量機（Support Vector Machines，SVM），神經網絡（Neural Networks）的機器學習算法被引入遙感影像分析[3.4]，基于像元的遙感影像解譯精準度逐漸提高，并被廣泛應用。但同時此類基于像元的解譯由于往往忽略了被識別物的幾何，紋理信息，其解譯結果常面臨著一種稱為“鹽椒效應”的現(xiàn)象，即在一些均質區(qū)域內部，一些像元由于與周圍像元存在一定差異，被誤識別為其他類型的像元[5.6]。

3基于對象的遙感影像解譯

高效的解譯方式需要滿足兩個條件即：（1）較少依賴于人工操作；（2）準確度高。一種可能的方法是利用新技術，使得影像的解譯過程更智能化[7]。在這里智能包含了三重含義：（1）更先進的監(jiān)督識別算法；（2）如何將經驗、隱形知識（implicit knowledge）參與識別過程；（3）識別結果有助于對復雜場景的理解。在此背景下，基于對象的遙感影像解譯被認為是實現(xiàn)解譯智能化，改進傳統(tǒng)基于單個像元解譯方法的一種有力手段。

基于對象的的遙感影像解譯英文為object-based image analysis，縮寫為OBIA，有時也被稱為object-oriented analysis（OOA）[8]。其過程可以被分為兩個步驟：分割和分類。

將圖像分割這個概念并非OBIA方法獨創(chuàng)，在用于遙感影像分析前，已在工業(yè)或醫(yī)療圖像處理中被廣泛使用[9]。根據分割算法的不同，常見的圖像分割算法可以被歸為四大類：（1）基于點型；（2）基于邊界型；（3）基于區(qū)域型；（4）混合型。而分割的結果將作為圖像識別的基本單元，即對象，將作為分析的基本元素，進入后續(xù)的分析階段。

由于分割形成的對象內部包含多個像元，因此相比于單個像元而言，對象不僅能和像元一樣提供光譜信息的測量值，更重要的是，由于對象內部的單個像元之間存在一定光譜信息上的差異，因此對象這個概念的引入能同時為分析提供了測量值的分布范圍（如對象內部像元值間的極差、標準差、平均值）。這與人類認知過程中對紋理這一概念的獲取相契合。

之后將分割所得到的對象，借助監(jiān)督學習算法進行融合并分類，即可得到解譯結果。

圖2為一個OBIA解譯的例子[10]，其中A圖為原始的航拍影像，B為圖像分割的結果，由紅色線條所分割圍成的圖塊即對象，C為進行融合、分類后的解譯結果圖。

4.研究現(xiàn)狀

對于OBIA在遙感領域應用的興起，學界一般認為其與兩個外界因素密切相關[11]：高清影像的發(fā)展和商業(yè)OBIA軟件的成熟。

首先，隨著IKONOS、QuickBird等亞米級超高分辨率衛(wèi)星遙感的普及，遙感圖像所能提供的信息包含了更多的細節(jié)。由于這些影像中單個像元所覆蓋的面積過小，因此基于單個像元的自動解譯過程易限于局部細節(jié)，難考慮到全局。而OBIA由于其分析單元為對象，因此可以通過調整對象的幾何性質（尺寸、形態(tài)等），更加深入的對圖像進行分析。

其次，商業(yè)軟件易康（eCognition）于2000年發(fā)布，為OBIA分析建立了一個以規(guī)則集（rule sets）為分類依據的識別流程，并提供了相應的圖形操作界面。據Blaschke[12]，OBIA相關的研究數量在易康發(fā)布后迅速增加，大約有50～55%的OBIA學術論文中，采用了易康作為研究工具。

目前OBIA技術已經廣泛應用于地物識別、變化監(jiān)測等方面，并取得了不錯的結果。并且隨著開始漸漸應用于非影像類遙感數據如點云的解譯[13]、地下結構的識別[14]。

5總結

作為一種自動的解譯手段，基于對象的遙感影像解譯技術由于考慮了地物的幾何、紋理等信息，相較于傳統(tǒng)的基于單個像元的解譯，因為引入了對象的概念，對解譯過程提供了新的判據，在實際應用中顯示出了巨大的潛力。但在目前，仍有以下幾點問題需要深入研究：（1）如何確定圖像分割的尺度，由于地表情況的復雜型，不同地物解譯過程往往所需的分割程度有所差異，分割過程有時會面臨過度分割或分割不足的問題；（2）對象融合分類參數的選擇，如何最優(yōu)化參數選擇，使得對象融合分類的效率最大化。

參考文獻：

[1]趙英時. 遙感應用分析原理與方法[M]. 科學出版社，2013.

[2]RICHARDS J A. Sources and Characteristics of Remote Sensing Image Data[G]//Remote Sensing Digital Image Analysis. Berlin，Heidelberg：Springer Berlin Heidelberg，2013：1–26.

[3]MOUNTRAKIS G，IM J，OGOLE C. Support vector machines in remote sensing：A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing，Elsevier B.V.，2011，66（3）：247–259.

[4]ATKINSON P M，TATNALL A R L. Introduction Neural networks in remote sensing[J]. International Journal of Remote Sensing，1997，18（4）：699–709.

[5]BLASCHKE T，LANG S，LORUP E等. Object-Oriented Image Processing in an Integrated GIS / Remote Sensing Environment and Perspectives for Environmental Applications[J]. Environmental Information for Planning，Politics and the Public，2000，2（1995）：555–570.

[6]BLASCHKE T，STROBL J. What s wrong with pixels ？ Some recent developments interfacing remote sensing and GIS[J]. GIS—Zeitschrift fur Geoinformationsysteme，2001：12–17.

[7]LANG S. Object-based image analysis for remote sensing applications：modeling reality – dealing with complexity[G]//Object-Based Image Analysis. Berlin，Heidelberg：Springer Berlin Heidelberg，2008：3–27.

[8]STUMPF A，KERLE N. Object-oriented mapping of landslides using Random Forests[J]. Remote Sensing of Environment，2011，115（10）：2564–2577.

[9]BLASCHKE T，BURNETT C，PEKKARINEN A. Image Segmentation Methods for Object-based Analysis and Classification[G]//JONG S M De，MEER F D Van der. Remote Sensing Image Analysis：Including The Spatial Domain. Dordrecht：Springer Netherlands，2004：211–236.

[10]DUNBAR M D，MARTINKO E A. COMPUTER VISUALIZATION OF FOREST COVER CHANGE：HUMAN IMPACTS IN NORTHEASTERN KANSAS AND NATURAL DISTURBANCE IN YELLOWSTONE NATIONAL PARK[R]. .

[11]BLASCHKE T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing，Elsevier，2010，65（1）：2–16.

[12]RUTZINGER M，H?FLE B，HOLLAUS M等. Object-Based Point Cloud Analysis of Full-Waveform Airborne Laser Scanning Data for Urban Vegetation Classification[J]. Sensors，Molecular Diversity Preservation International，2008，8（8）：4505–4528.

[13]FADEL I，VAN DER MEIJDE M，KERLE N等. 3D object-oriented image analysis in 3D geophysical modelling：Analysing the central part of the East African Rift System[J]. International Journal of Applied Earth Observation and Geoinformation，Elsevier，2015，35：44–53.

基金項目：

土地工程數據平臺構建關鍵技術研究（2018-TD02）