Landsat 8多光譜數(shù)據(jù)輔助下的高分影像多尺度分割

劉金麗，陳 釗

(北京林業(yè)大學(xué)信息學(xué)院，北京 100083)

林分樹種組成及優(yōu)勢樹種(組)信息是森林資源調(diào)查的重要內(nèi)容，為森林經(jīng)營管理提供著重要的數(shù)據(jù)支撐[1-2]。我國森林面積大，且地區(qū)分布不均，野外調(diào)查耗費大量的人力、物力和財力。遙感技術(shù)憑借其探測范圍大、獲取資料速度快周期短、受地面條件限制少等，目前在森林資源調(diào)查、遙感影像樹種分類中得到了廣泛的應(yīng)用[3-4]。隨著搭載在衛(wèi)星上的傳感器分辨率的提升，高分影像的解譯成為研究的主流趨勢。隨著分辨率的顯著提高，高分影像上地物的色彩、紋理和幾何結(jié)構(gòu)信息更加清晰?；旌舷裨獪p少，純凈像元增多，對象化特征更為明顯，但同時數(shù)據(jù)量也有了顯著增加，對軟硬件的運行條件有了更高的要求[5-6]。利用高分辨率遙感影像宏觀、高效的優(yōu)勢提高調(diào)查成果的時效性和精細(xì)程度，探索適合高分辨率遙感影像特點的信息提取模式和方法，對國產(chǎn)高分?jǐn)?shù)據(jù)行業(yè)應(yīng)用、滿足業(yè)務(wù)和信息需求，具有非常重要的學(xué)術(shù)價值和現(xiàn)實意義[7-8]。

近年來，面向?qū)ο蠓诸惓蔀檫b感影像分類的主流方法，分類對象也從傳統(tǒng)的像素轉(zhuǎn)化為具備光譜、形狀、紋理、上下文、空間關(guān)系等豐富特征的對象。已有研究表明，面向?qū)ο蟮姆诸惙椒ㄔ跇浞N類型信息提取中顯示出巨大潛力[9]。面向?qū)ο蠓诸悤r，對遙感影像進行適宜尺度的分割并根據(jù)分割結(jié)果創(chuàng)建對象是首要面臨的問題[6]。通過分割，研究人員可以把一幅影像中光譜信息或紋理信息差異較大的鄰近區(qū)域分開，進而得到內(nèi)部同質(zhì)性較高的對象集[10]。分割的最小對象是一個像元，隨著衛(wèi)星傳感器分辨率的提升，像元單位隨之減小，導(dǎo)致分割所得對象邊緣鋸齒明顯，不僅影響基于形狀特征的尺度評價結(jié)果，還會給后期整飾出圖造成一定的困難。

為探究分割參數(shù)的有效確定方法及減小對象鋸齒現(xiàn)象，本文以高分二號遙感影像為主要數(shù)據(jù)源，開展了Landsat 8多光譜數(shù)據(jù)輔助下的高分影像分割研究。

1 研究區(qū)概況與數(shù)據(jù)

1.1 研究區(qū)概況

本文研究選取黑龍江省伊春市樺皮羌子林場為研究區(qū)，地理坐標(biāo)為47°53′—48°03′N，129°24′—129°33′E，總面積約為11 854 hm2，如圖1所示。地勢東北高，西南低，山巒蜿蜒起伏，縱橫交錯，局部為丘陵。境內(nèi)平均海拔500 m，平均坡度在10～15°之間，局部最大坡度在40°左右，高山寬谷地區(qū)呈凹形，谷地寬溝頭窄，坡度1～3°。該林場地處北溫帶，屬大陸濕潤季風(fēng)氣候。四季氣溫差異較大，冷暖多變。研究區(qū)內(nèi)林分類型以闊葉混交林和針闊混交林為主，樹種類型豐富，主要有白樺、冷杉、楓樺、云杉、蒙古櫟、紫椴、落葉松等。

1.2 數(shù)據(jù)

1.2.1 GF-2影像

高分二號(GF-2)衛(wèi)星是國家高分辨率對地觀測系統(tǒng)重大專項首批啟動研制的衛(wèi)星，突破了亞米級高分辨率大幅寬成像等關(guān)鍵技術(shù)，打破我國高分辨率對地觀測數(shù)據(jù)依賴進口的被動局面[11]。

本文研究采用了2016年8月20日獲取的GF-2相對輻射校正產(chǎn)品(圖1)，影像包含4個多光譜波段和一個全色波段，波段及分辨率見表1。

表1 GF-2影像波段信息

1.2.2 Landsat 8/OLI影像

Landsat 8衛(wèi)星由美國航空航天局在2013年2月11日發(fā)射升空，其上攜帶2個傳感器，分別為OLI陸地成像儀(operational land imager)和TIRS熱紅外傳感器(thermal infrared sensor)。Landsat 8衛(wèi)星影像具有空間分辨率不高，單幅覆蓋面積大、獲取時間集中和不同波段合成對地物有不同增強的效果等特性[12-13]。

本文采用2017年6月23日獲取的Landsat 8/OLI夏季數(shù)據(jù)，影像包含8個多光譜波段和1個全色波段，波段及分辨率見表2。

表2 Landsat 8影像波段信息

2 研究方法

面向?qū)ο笥跋穹指畎?個過程：①影像預(yù)處理；②確定同質(zhì)性準(zhǔn)則組合參數(shù)；③確定尺度分割參數(shù)進行分割。為了對比有無Landsat 8多光譜數(shù)據(jù)輔助對GF-2分割結(jié)果的影響，本文采用兩種分割方案：①單獨使用GF-2影像分割；②GF-2和Landsat 8影像協(xié)同分割。分別尋找適用于兩種分割方案的多尺度分割算法參數(shù)。對不同分割方案采用同樣的評價方法進行分割結(jié)果評價，技術(shù)路線如圖2所示。

2.1 遙感影像預(yù)處理

基于ENVI 5.4軟件平臺對GF-2多光譜/全色數(shù)據(jù)和Landsat 8進行預(yù)處理。在完成輻射定標(biāo)、大氣校正、正射校正后，采用Gram-Schmidt Pan Sharpening算法對GF-2的4 m分辨率多光譜數(shù)據(jù)和1 m分辨率全色數(shù)據(jù)進行融合，采用NNDiffuse Pan Sharpening算法對Landsat 8的30 m分辨率多光譜數(shù)據(jù)和15 m分辨率全色數(shù)據(jù)進行融合。最后基于二類調(diào)查小班矢量對兩景影像進行了仿射變換校正，均方根誤差(root mean square error，RMS)分別為0.417 m和5.326 m，滿足了校正要求。

2.2 面向?qū)ο蠓指?/h3>

多尺度分割(multiresolution segmentation，MRS)是eCognition中內(nèi)嵌的分割方法，該算法適用于提取空間特征不一的圖像對象[14]。MRS算法的分割原理是，以單個像素為起始對象自下而上地進行合并，根據(jù)對象內(nèi)同質(zhì)性、對象間異質(zhì)性對影像分割對象進行充分的優(yōu)化，實現(xiàn)同一影像中不同尺度下的像素聚合。對于給定的任何影像，該算法可以根據(jù)應(yīng)用目的對像素進行靈活的抽象和組合成形。

2.2.1 同質(zhì)性準(zhǔn)則組合參數(shù)

在MRS算法所需要的參數(shù)中，對分割結(jié)果影響較為顯著的是同質(zhì)性準(zhǔn)則組合參數(shù)和尺度參數(shù)[15]。在以往的研究中，有的是遍歷式尋找最優(yōu)組合參數(shù)或采用默認(rèn)的參數(shù)組合進行分割，但經(jīng)本文試驗證明，默認(rèn)參數(shù)并不理想，為尋求一組最優(yōu)分割參數(shù)組合，有必要開展逐步試驗，分階段確定多尺度分割算法所用參數(shù)。

試驗證明，在執(zhí)行MRS算法時不同參數(shù)組合對分割結(jié)果的影響差異明顯。試驗將分割尺度設(shè)為200，分Ⅰ和Ⅱ兩個階段采取固定單一參數(shù)因子法來依次選取相對最佳的同質(zhì)性準(zhǔn)則組合參數(shù)。GF-2分割結(jié)果如圖3所示，I階段的試驗結(jié)果表明，當(dāng)形狀因子為0.5、緊致度因子分別為0.1、0.5、0.7、0.9時，分割所得對象有的過于破碎，有的分割不足。相比于以上結(jié)果，緊致度因子為0.3時的分割結(jié)果更好一些，分割結(jié)果如圖所示。在Ⅱ階段實驗中，將緊致度因子設(shè)為0.3，取不同的形狀因子繼續(xù)開展分割。Ⅱ階段的試驗結(jié)果表明，當(dāng)緊致度因子為0.3、形狀因子分別為0.1、0.3、0.7、0.9時，分割所得對象過于破碎或分割不足的現(xiàn)象同樣存在。因此本文最終取形狀因子為0.5、緊致度因子為0.3作為GF-2影像的同質(zhì)性準(zhǔn)則參數(shù)組合，使不同樹種邊緣分割清晰，對象內(nèi)部同質(zhì)性高，錯分割的情況相對最少。

2.2.2 多尺度分割

本文研究為探討Landsat 8對GF-2分割的影響，需確定分割尺度開展試驗。一般來說，尺度的選擇是為了更好的分割結(jié)果，因此本文采用ESP2工具確定一定范圍內(nèi)的最優(yōu)分割尺度。

ESP2(estimating the scale parameter 2，ESP2)文獻[16]在2014年開發(fā)出來的用于評價不同尺度影像分割結(jié)果整體最大異質(zhì)性的工具。該工具利用影像分割結(jié)果整體局部方差均值隨分割尺度的變化率來評估與影像地物屬性相對應(yīng)的最優(yōu)尺度參數(shù)，并將變化率曲線的峰值作為影像對象整體最大異質(zhì)性的直觀反映。由于影像的豐富性，ESP2計算得到的最優(yōu)分割尺度往往是多個值[17]。ROC計算方法為

(1)

式中，L代表尺度為L時的分割結(jié)果中所有對象LV均值；L-1代表尺度為L-1分割結(jié)果中所有對象的LV均值。在計算ROC后繪制ROC隨尺度L的變化曲線，曲線中的峰值說明了依賴于某類地物對象特征的影像可以在該尺度上進行最合適的分割。

2.3 分割結(jié)果評價

不同尺度下的分割結(jié)果各有差異，為以一個定量的標(biāo)準(zhǔn)去評價分割結(jié)果，諸多學(xué)者開展了評價方法的研究[15-16]。分割結(jié)果的好壞，主要體現(xiàn)在分割對象與實際地物斑塊在形狀、面積等幾何特征上的差異，因此本文采用了矢量距離指數(shù)作為一種評價指標(biāo)。除此之外，eCognition還提供了緊密度指數(shù)和形狀指數(shù)兩個評價指標(biāo)用于定量表示分割所得多邊形在邊緣與面積上的特征。緊密度指數(shù)和形狀指數(shù)均屬于對象特征集中的空間屬性，是根據(jù)圖像分割與合并結(jié)果產(chǎn)生的對象(多邊形)計算得到的。

2.3.1 矢量距離指數(shù)

矢量距離指數(shù)是基于對象匹配法，對比影像分割對象和實際地物邊界吻合度的一種分割尺度評價方法[14]。該指數(shù)將分割后影像對象的邊界定義為分割邊線，將分割目標(biāo)對象的實際地物邊界定義為參考多邊形，通過計算分割邊線和參考多邊形橫、縱兩方向距離來對分割結(jié)果進行定量評價，其計算公式如下

(2)

式中，D為矢量距離指數(shù)；Hdi為第i條橫向距離線長度；Vdj為第j條縱向距離線長度；n1為橫向距離線總數(shù)；n2為縱向距離線總數(shù)。D的值越小，表明分割邊線和參考多邊形兩方向上的總距離差異越小，分割質(zhì)量越高。

2.3.2 緊密度指數(shù)

緊密度特征描述了對象的緊密性，與基于多邊形長度的邊界指數(shù)類似，只不過緊密度是基于面積來計算的。然而，圖像對象越緊致，它的邊界長度就越小。緊密度是根據(jù)對象長度和寬度的乘積除以像素個數(shù)計算得出的，其計算公式為

(3)

式中，C是緊密度指數(shù)；lv是圖像對象V的長度；wv是圖像對象V的寬度；#Pv是圖像對象中包含像素的總數(shù)。lv和wv與對象V的關(guān)系如圖4所示。

2.3.3 形狀指數(shù)

形狀指數(shù)描述了對象邊界的光滑度，對象邊界越光滑，其形狀指數(shù)越小。它是通過計算圖像對象的邊界長度除以面積平方根的4倍得出的，其計算公式為

(4)

式中，S是形狀因子；bv是圖像對象V的邊界長度；#Pv是圖像對象中包含像素的總數(shù)；bv與對象V的關(guān)系如圖4所示。

3 結(jié)果與分析

3.1 評價樣本

根據(jù)矢量距離指數(shù)法評價法原理，需要參考多邊形作為對比計算要素，其勾繪應(yīng)符合單一樹種斑塊在影像上的實際分布。郁閉度較大的林分中，樹木生長旺盛，反映在影像上是均勻、密集的顆粒紋理，分割對象應(yīng)完整、邊緣光滑。郁閉度較小的林分，在影像上將會看到明顯的林隙，分割對象會因大大小小的林隙而變得破碎、 邊緣曲折不齊。本文研究根據(jù)各個郁閉度值對應(yīng)的小斑所占面積比，在GF-2遙感影像上依據(jù)分層抽樣原理勾畫了210個單樹種參考多邊形。緊密度指數(shù)和形狀指數(shù)為參考多邊形對應(yīng)的分割多邊形的指數(shù)平均值。

3.2 評價對象

基于上文的最佳同質(zhì)性準(zhǔn)則參數(shù)組合，本文研究在50～500的尺度參數(shù)值范圍內(nèi)開展以25為單位步長遞增的多尺度分割試驗，以確定ESP2工具的尺度計算范圍。試驗結(jié)果顯示，當(dāng)尺度參數(shù)在100以下時，所得對象極為破碎，破壞了森林樹種組成的生長結(jié)構(gòu)。尺度參數(shù)在400以上時，不能有效分割林分。因此本文選取了100～400之間的分割尺度，使用ESP2工具生成了ROC曲線如圖5所示。

研究區(qū)內(nèi)樹種類型十分豐富，影像上呈現(xiàn)出的地物類別層次較為復(fù)雜。相應(yīng)地，反映在ROC曲線上的變化也更具有挑戰(zhàn)性。這里，本文選出了較為明顯的11處峰值，對應(yīng)的尺度分別是116、132、144、200、243、259、281、305、323、335、383。

3.3 評價結(jié)果

在ESP2工具所得尺度上，GF-2影像單獨分割與兩數(shù)據(jù)協(xié)同分割的矢量距離指數(shù)、緊密度指數(shù)、形狀指數(shù)均有明顯差異，且三值明顯低于GF-2影像單獨分割，見表3。Landsat 8數(shù)據(jù)輔助下的高分影像分割可以降低對象邊緣鋸齒性，在一定程度上優(yōu)化分割結(jié)果。GF-2遙感影像分割在尺度參數(shù)259上的矢量距離指數(shù)最低(D=23 786)，GF-2與Landsat 8協(xié)同分割在尺度參數(shù)243上矢量距離指數(shù)最低(D=22 097)。

表3 分割結(jié)果評價

為探究Landsat 8參與分割對各指數(shù)值的影響程度，本文計算了兩數(shù)據(jù)共同分割下的各指數(shù)值相對差異占GF-2單獨分割各指數(shù)值的比例，結(jié)果如圖6所示。結(jié)果表明，D值的影響差異范圍在3.10～14.93%之間，C值的影響差異范圍在21.67～40.23%之間，S值的影響差異范圍在5.99～21.97%之間，在11個尺度上的提升均值分別為8.05%、28.40%、11.76%。

4 結(jié) 語

本文研究以黑龍江省伊春市樺皮羌子林場為研究區(qū)，設(shè)計試驗探究了有無Landsat 8多光譜數(shù)據(jù)輔助下的GF-2影像分割結(jié)果，并計算了兩種分割方案的評價指數(shù)差異度。結(jié)果表明，在試驗的所有尺度上，Landsat 8輔助下的分割結(jié)果各指數(shù)都優(yōu)于GF-2單獨分割，這為高分影像的分割優(yōu)化提供了很有價值的思路。另外，分割所受影響因素較多，為了讓后期對象特征提取的精度更高，下一步的研究計劃是開展因素更為全面、參數(shù)組合更為豐富的試驗。

我國的高分專項工程已實施近8年之久，獲取的數(shù)據(jù)十分寶貴。開展高分專項所得數(shù)據(jù)的應(yīng)用研究，不僅是未來研究的應(yīng)有方向，更是國內(nèi)遙感影像解譯事業(yè)發(fā)展的必經(jīng)之路。另外，在知識與數(shù)據(jù)資源充分共享的當(dāng)下，研究人員也應(yīng)充分利用所有可得的數(shù)據(jù)，探究更為科學(xué)、有效的研究方案。