基于影像融合和面向對象分類的礦區(qū)提取研究＊

李 飛，王法景

（楊凌職業(yè)技術學院，陜西 咸陽712100）

礦產(chǎn)資源開發(fā)遙感調(diào)查主要采用人機交互式目視解譯法提取信息，但該方法要求判讀人員具有較多的先驗知識，與GⅠS集成困難，與工具庫不支持[1-3]。文中采用面向對象分類法提出了新方法。1973年，HARACLⅠCK提出紋理分割算法[4]，但僅適用于有限的圖像類型。張峰等將面向對象的分類方法應用于耕地信息提取，分析結果精度達到90%。莫登奎等利用基于面向對象的分類方法，多尺度分割ⅠKONOS影像，證明了此方法發(fā)展前景廣闊[5-7]。黎新亮等針對QuickBird影像，采用面向對象與最鄰近監(jiān)督相結合的分類方法提取影像信息，對影像進行信息提取，結果表明該方法能較好地改善分類結果。面向對象的分類方法主要是對遙感影像進行分割，得到同質(zhì)對象，再根據(jù)遙感分類或目標地物提取的具體要求，檢測和提取目標的多種特征（如光譜、形狀、紋理、陰影、空間位置等），再利用模糊分類方法對遙感影像進行分類和地物目標的提取。

本文采用面向對象的分類法是基于TM影像和SPOT數(shù)據(jù)融合后的數(shù)據(jù)，由于TM數(shù)據(jù)包含大量的光譜信息，而高分辨率SPOT數(shù)據(jù)能很好地體現(xiàn)地物的紋理、形狀等特征。融合后的影像不但具有豐富的光譜特征，還具有高分辨率，因此采用面向對象的分類法不但能很好利用地物的光譜信息來提取地物，還能通過紋理、形狀等特征來提取地物。面向對象的分類法具有以下優(yōu)點：利用對象的多特征，不但可以利用分割后影像豐富的光譜特征，還可以利用其紋理、面積等特征來進行分類；可用不同的分割尺度生成不同尺度的影像對象層，所有地物類別并不是在同一尺度的影像中進行提取，而是在其最適宜的尺度層中提取，充分利用遙感影像的蘊含信息。面向對象的分類法克服了傳統(tǒng)分類方法的缺陷，傳統(tǒng)的分類方法幾乎都是基于對象元的處理，不同的影像目標處理均在同一尺度層次內(nèi)進行；而面向對象分類方法是針對具有相同特征，如光譜、紋理和空間綜合等特征的“同質(zhì)均一”的對象單元，可以根據(jù)不同的分割尺度在不同尺度層次上對地物進行逐層分類，可以使影像分類充分利用影像的多種信息，分類結果更合理，也更適合高分辨率遙感影像的分類。

1 研究區(qū)概況及研究思路

1.1 研究區(qū)概況

本文采用的是將TM和SPOT數(shù)據(jù)融合后的數(shù)據(jù)，選取攀枝花市部分礦區(qū)進行研究。選取研究區(qū)域的中心經(jīng)緯度為107°2′48″E，26°0′15″N。由于是6月份的SPOT數(shù)據(jù)，因此周圍植被茂盛，有河流經(jīng)過，在河流兩邊分布有居民建筑。

1.2 研究思路

本次研究思路主要是獲取TM數(shù)據(jù)和SPOT數(shù)據(jù)并進行影像融合，對融合后圖像進行效果評價，選取適合礦區(qū)提取研究的融合方法。選擇最優(yōu)分割尺度對融合后的影像進行分割，得到“同質(zhì)對象”，建立分類規(guī)則、影像分類，并對根據(jù)2種方法得出的分類結果進行精度對比，最終得出實驗結果。

2 影像融合

采用SPOT影像與TM影像融合既可以提高圖像的空間分辨率，又可以充分利用光譜特征。

2.1 HIS融合

HⅠS方法原理是用空間分辨率較高的全色圖像代替空間分辨率較低的多光譜圖像的亮度成分Ⅰ[8-9]。

2.2 色彩標準化變換融合（BROVEY變換融合）

BROVEY算法是多保留原多光譜數(shù)據(jù)，將多光譜影像中的色彩、亮度成分進行分解計算，使影像轉換系數(shù)簡單化[10-11]。

2.3 Pansharp方法

Pansharp方法是采用最小二乘逼近法，對源多光譜影像與全色影像灰度值進行解算，融合多光譜影像的光譜信息和較高空間分辨率影像的高頻信息[12-13]，并且可對單個或多個波段進行融合操作。

2.4 影像融合后效果評價

圖像質(zhì)量評價采用主觀和客觀評價2種辦法。通常根據(jù)圖像的均方誤差、邊緣強度、信息熵等標準來進行評價。3種融合方法都能提高圖像的分辨率，看清圖像的紋理特征，但是評價圖像包含的信息量時比較主觀。因此要客觀評價圖像的融合效果，本文基于圖像的光譜信息和紋理特征進行面向對象的分類，因此可以從信息熵和平均梯度方面對融合后的圖像效果進行客觀評價。

2.4.1 信息熵

信息熵表示信號中信息量的多少，其多少反映融合效果，越多效果越好[14]。

2.4.2 平均梯度

平均梯度反映圖像清晰度和微小細節(jié)反差。

影像融合方法比較如表1所示。通過表1可以看出3種方法融合大體上差別不大，平均梯度都很接近，說明3種方法都很好地提高了圖像的分辨率，突出了圖像的紋理特征。Pansharp融合和HⅠS融合后的圖像清晰度要比BROVEY變換融合后的圖像清晰度高。Pansharp融合的信息熵相對于其他2種融合方法要大一點，因此Pansharp融合后的圖像包含的信息量更多，保留了更多圖像光譜信息。由于融合方法的不同，HⅠS融合和BROVEY變換都只能進行3個波段融合而Pansharp融合沒有波段的限制，可以進行波段運算，能更好地建立分類規(guī)則，因此本文選取的融合方法是Pansharp融合。

表1 影像融合方法比較

3 面向對象的礦區(qū)信息提取

面向對象是通過“像元-對象”的計算過程分割影像，獲得分類結果[15]。研究區(qū)域采用目視判讀方法，分出植被、水體、排土場、建設用地、礦區(qū)5種地物。研究區(qū)內(nèi)的河流呈條帶狀，因此在建立規(guī)則時可以用長寬比（length/width）來分出河流。礦區(qū)占地面積大，在建立規(guī)則時可以用面積（area）來區(qū)別礦區(qū)居民點。建設用地多為居民地，結構分布復雜，多為零散分布的不細塊狀，圖像上的亮度較高。植被沒有明顯的紋理，但可以通過NDVⅠ來區(qū)分，同時植被覆蓋度廣，可以通過面積（area）來減小錯分的概率。分割尺度過大過小都會降低地類提取的精度，尺度過大，不同的地物類別有同一對象內(nèi)像元素；尺度過小，很難分清地物類別。經(jīng)過嘗試多種不同尺度分割，最終確定在分割尺度為100時，同質(zhì)對象之間的光譜差異明顯，并且同一對象內(nèi)不會包含多種地物類別。

4 礦區(qū)提取結果與精度評價

4.1 礦區(qū)提取結果及分析

利用eCognition軟件對面向對象進行分類，得到面向對象分類的礦區(qū)提取結果圖。但是由于分割尺度選取的較大，導致出現(xiàn)了“淹沒”現(xiàn)象，部分水體被分割到其他地物對象里，但本次研究是對礦區(qū)的提取，面向對象很好地提取出研究區(qū)的礦區(qū)，達到預期要求。制作礦區(qū)自動分類的專題圖，基于像元的最大似然法不能很好地區(qū)分出礦區(qū)和建設用地，而面向對象因為很好地利用了地物的紋理特征，因此可區(qū)分出礦區(qū)和建設用地。但是面向對象分類時在影像分割時選取的分割尺度為100，而在本研究區(qū)域內(nèi)河流呈細條帶狀，因此在劃分“同質(zhì)對象”時把一部分水體分割到建設用地占大多數(shù)的對象中。在圖像最下面的“礦區(qū)”，因為那片建設用地相對集中，沒有呈現(xiàn)碎斑狀，而且在光譜特征方面與礦區(qū)較接近，無法從光譜特征和紋理特征方面來區(qū)分，因此錯把那些建設用地分成“礦區(qū)”，屬于錯分。

4.2 精度評價

4.2.1 礦區(qū)提取后精度分析

面向對象分類很好地提取出了建設用地和排土場，沒有出現(xiàn)建設用地和礦區(qū)混在一起的情況。但還是有極少部分的礦區(qū)和排土場與其他地物混到一起，這是因為分割尺度的原因，對于某一特定分割尺度，難以精確表示每個地物，特別在地物內(nèi)部。因此今后可以考慮利用多尺度分割的方法來進行面向對象的分割。

4.2.2 誤差比較

根據(jù)分類結果的精度，可得到總體精度、準確度、Kappa系數(shù)及制造者等信息，通過混淆矩陣來體現(xiàn)[16]。利用最大似然法分類的Kappa系數(shù)與目視解譯融合后圖像獲得的地表真實感興趣區(qū)（ROⅠ）計算混淆矩陣，計算結果為0.81。評價面向對象的分類結果精度，隨機抽取研究區(qū)內(nèi)270個樣本[17]，每個地類至少抽取50個，得到的誤差矩陣如表2所示。

表2 研究區(qū)面向對象分類結果精度評價誤差矩陣

通過對比面向對象分類和最大似然法分類的Kappa系數(shù)可以看到，利用面向對象的分類方法進行礦區(qū)提取的分類精度更高一些。因為基于像元的最大似然法易出現(xiàn)混分，而面向對象因結合考慮光譜、形狀、紋理信息，分類效果更好。

5 結語

采用專門的面向對象分類的礦區(qū)遙感分類，運用模糊分類規(guī)則模型和成員函數(shù)法構建分類規(guī)則來實現(xiàn)礦區(qū)自動提取。同時構建分類樣本體系，選取合適的樣本來進行礦區(qū)提取。

通過Kappa系數(shù)得出面向對象的分類精度要大于最大似然法；對研究區(qū)域進行SPOT影像和TM影像的融合，在保留地物光譜信息的條件下，提高空間分辨率?；诿嫦驅ο笫腔跇嫿愃茮Q策樹的規(guī)則來實現(xiàn)影像分類，最大似然法基于地物的光譜特征來建立分類體系，選取分類樣本來進行分類，而建設用地和礦區(qū)以及排土場三者之間在圖像上的像元亮度值很接近，不好區(qū)分，因此會產(chǎn)生“混分”的結果。而面向對象分類不但可以從地物的光譜方面，還可以從地物的紋理、形狀等特征來建立分類規(guī)則。因此建立的規(guī)則更加完善，對地物的分類也更準確。面向對象分類最主要的是對影像的分割，分類的對象不再是像元級而是一個集合的對象，杜絕“碎斑”現(xiàn)象，分類結果更優(yōu)。但是分割尺度選擇太小會出現(xiàn)把一個地物分割成幾個對象的情況，分割尺度選擇太大會出現(xiàn)一個對象類包含其他地物的情況。而且針對不同的地物一個分割尺度不可能把每個地物都完美地分割出來，本文的分割尺度選取能很好地把同一地物分到同一“對象”中，但還是有部分水體被分到其他地物對象中。今后可以嘗試選用多尺度分割，建立多個圖層，逐層提取地物，提高分類效果。