基于对象级高分辨率遥感影像分类研究.doc

基于对象级高分辨率遥感影像分类研究 基于对象级的高分辨率遥感影像分类研究曹雪,柯长青(南京大学城市与资源学系,南京210093)摘要:依据高分辨率遥感影像的特点,结合深圳市QUICKBIRD数据提出一种基于多尺度分割的对象级遥感分类方法。 文中首先利用分形网络演化法(FNEA)进行多尺度图像分割,获取对地表实体更具代表性的图像对象,然后利用对象所包含的光谱、空间特征来确定地物识别中可能要用到的各种特征参数,最后通过构建语义结构实现了研究区地物的逐级分层分类。 研究结果表明,本文所采取的方法比传统方法在分类精度上有了明显的提高,为高分辨率遥感影像的信息提取提供了新的技术途径。 关键词:面向对象;高分辨率遥感;分类;多尺度分割:P237.3:A:1000-3177 (xx)87-0027-04:xx-03-10基金项目:国家自然科学基金 (40301013)项目资助作者简介:曹雪,男,南京大学城市与资源学系GIS专业硕士研究生,主要从事遥感与GIS应用方面的研究。 E2mail:caoxuexx163.1引言近30年来卫星遥感影像分辨率的不断提高是当前遥感发展的主要趋势之一,如IKONOS数据(1m)、QUICKBIRD数据(0.61m)等,这些高分辨率卫星遥感影像的出现使得在较小的空间尺度上观察地表的细节变化、进行大比例尺遥感制图以及监测人为活动对环境的影响成为可能,具有广阔的应用前景,目前正广泛地应用于各个领域。 与传统的中、低空间分辨率的遥感影像相比,高分辨率影像空间信息更加丰富,地物目标的细节信息表达的更加清楚1。 从分类技术角度来看,由于受空间分辨率的制约,传统的遥感影像信息提取只能依靠影像的光谱信息,且是在像素层次上的分类;而高分辨率影像虽然结构、纹理等信息非常突出,但光谱分辨率并不高(波段较少),所以仅仅依靠像素的光谱信息进行分类,着眼于局部像素而忽略邻近整片图斑的纹理、结构等信息,必然会造成分类精度的降低,进而影响后续的应用研究。 因此,传统的单纯依靠光谱特征的像素层次上的分类方法已经不再适合高分辨率影像的信息提取。 为了突破传统的分类方法,改善高分辨率遥感影像的分类精度,有研究者将图像分割算法引入遥感影像分类当中2?5,在传统方法的基础上提出了一种新的对象级分类技术,其最重要的特点就是分类的最小单元是由图像分割得到的“同质”对象(图斑),而不再是单个像素,通过对对象的操作,不仅可以获得地物光谱信息,更能获得包括纹理、形状、大小、上下文等丰富的空间信息,这样就充分利用了高分辨率遥感影像的特点,使分类结果更接近于目视判读的效果,大大提高了分类精度;分类后还可以通过建立对象间的拓扑关系来反映地理实体之间的关系,利用GIS的空间分析方法对遥感数据进行更深层次的挖掘。 近年来出现了如基于纹理特征的分类、模糊分类、神经网络分类、专家系统分类和基于知识的分类等方法,这些方法针对基于光谱特征分类的不足,提出利用地物纹理、结构、形状等空间特征和GIS辅助数据参与分类,从不同程度上改善了分类的精度,但这些方法就其本质还是基于影像像素层次的分类,不能从根本上适应高分辨率遥感影像的信息提取。 目前,国内外一些研究人员已经对对象级分类法作了一些有意义的探索和应用,证明了这种方法的实际应用价值和良好前景。 本文拟在这些研究6?11的基础上,尝试一种基于多尺度分割逐级分层提取地物目标的方法,即在分级分割得到对象的基础上,充分利用其对象信息(色调、形状、纹理、层次)和类间信息(与邻近对象、子对象、父对象的相关特征)对QUICKBIRD遥感影像进行分类,并与传统最大似然法分类结果进行比较,分析评价了基于对象级的遥感影像分类效果。 2实验区数据及预处理采用的实验数据是xx年10月12日成像的深圳市QUICKBIRD影像,其空间分辨率多光谱波段2.44m、全色波段0.61m,因为是实验性研究,所以只在整幅影像上裁取了比较典型的10241000大小的子区作为研究区。 首先以xx年深圳市11万土地利用现状图为基准,对QUICK2BIRD的全色和多光谱影像分别进行几何精校正,共均匀选取了35个控制点进行校正,RMS均在0.5个像元以内,符合精度要求,校正后统一采用Transverse Mercator投影。 为了充分利用影像的光谱和空间信息进行分类,分别应用IHS变换法、主成分变换法、Brovy Transform变化法对QUICK2BIRD的全色和多光谱影像进行融合处理,融合后影像空间72xx.5应用技术遥感信息分辨率为0.61m。 通过对比评价三种融合结果发现,主成分变换法在提高原多光谱影像空间分辨率的同时,能够更好地保留多光谱影像的光谱特征,有利于其后的目视判读和分类的精度,经主成分变换融合后的影像见彩色插页1图1。 3研究方法本次研究的基本思路就是在数据预处理的基础上,首先对影像进行分级多尺度分割获得不同级别的影像对象,所谓分级分割就是整幅影像不是用一种尺度进行分割,然后一次性地将全部地物提取出来,而是不同的地物采取不同的尺度进行分割,例如影像上水体对象较大,可以用大的尺度进行分割得到水体对象,如果用小尺度进行分割,就会使此尺度下的对象太破碎,不利于大尺度地物的信息提取;而阴影对象较小,尤其是树木的阴影,如果继续用同一种大的尺度进行分割,势必将周围一些树木像素聚合到树木阴影对象当中,产生“混合对象”,这样就会影响到后面的分类准确性,所以用相对小的尺度进行树木阴影对象的分割,这种不同尺度分割得到的影像对象更能逼近真实的地物形状,也使得到的对象更加纯净。 根据不同的分类目的得到每级分割的对象后,就可以计算对象的光谱、空间特征或两种特征组合进行分类,每分类出一种地物后就将其掩膜,这样既避免了当前目标对其他目标提取时的干扰,提高了分类精度,又极大的减少了每次分类需要处理的分类单元数,提高了分类速度。 最后通过构建语义结构将所有地物逐级分层提取出来。 3.1多尺度图像分割图像分割是对象级遥感影像分类中的重要基础,是由图像处理迈向更高层次的图像分析的关键步骤12,只有通过分割得到图像对象,才能形成对象级遥感影像分析的基本单元。 图像分割是将图像分割为分离区域的过程,它将图像划分为一个个大小不等、互不相交的小区域,小区域是具有某些共同属性的像素的连通集合13。 目前,高分辨率遥感影像分割方法常用的有基于灰度的分割算法、基于纹理的分割算法、基于知识的分割算法、分水岭算法等方法。 本文采用分形网络演化法(FNEA)进行多尺度图像分割。 FNEA是一种利用模糊集理论在特定感兴趣尺度上对目标对象进行提取的方法,它的基本思路是:从一个单个像元开始,分别与其邻居进行计算,以降低最终结果的异质性,当一轮合并结束后,以上一轮生成的对象为基本单元,继续分别与它的邻居对象进行计算,这一过程将一直持续到在用户指定的尺度上已经不能再进行任何对象的合并为止14,并且FNEA采用局部相互最适应准则15来保证每次合并的结果是所有可能合并方案中异质度最小。 在实际应用当中,要通过设置分割尺度参数来定义异质度的阈值,在阈值内的就合并,异质度超过阈值就不能合并,所以需要根据不同的分类目标选择合适的参数,以得到合理的分割结果,如本文经多次实验采用尺度参数100来区分水体和陆地,以尺度参数50来对陆地进一步细分为植被、非植被。 自2000年Baaz等人提出此方法以来,已经在很多领域得到了应用16-18,表明了这种分割方法的巨大潜力。 3.2特征参数选择与计算根据对实验区影像的目视判读和参考xx年深圳市土地利用现状图,主要进行8种地物目标的分类提取,分别为:水体、树木、树木阴影、草地、道路、建筑物、建筑物阴影和建设用地,高速公路上的少量汽车被归并到道路类;分类后为便于精度评价并与传统方法进行比较,将相近类合并后为水体、树木、草地、城镇用地、阴影5大类。 在多层分割得到各级对象的基础上,如何定义特征空间将各个地物目标提取出来,是对象级分类的关键,只有找到合适的特征参数对每种地物目标进行描述,并构建语义知识库结构,才能使每个对象“清楚”各自的背景,和其他地物对象区分开来,从而实现各种地物的逐级分层分类。 研究区的地物分类方法和技术流程如图1所示:图1对象级地物分类技术流程图图2地物语义分类结构本次研究除对象的光谱特征外,还选取了形状和邻接两种特征参与分类,其计算公式如下: (1)形状特征S=e43A (1)式中,e为对象的边界长度,A为对象的面积。 特征值范围:1;根据分割对象的形状决定。 (2)邻接特征N=A iA (2)式中,i为类别,A i为分割对象的邻接对象归为i类别的面积,A为所有邻域对象的总面积。 特征值范围:0;1。 对于一些光谱特征较为接近的地物,我们就需要选取其他特征或特征组合来识别区分,所以制定好每一类待分地物的特征描述,构建知识库结构是关键所在。 本文根据研究区域各地物不同的特点,制定的各类地物特征描述如表1所示:82遥感信息应用技术xx.5表1基于多种特征组合的地物类描述类光谱特征形状特征邻接特征水体黑色非树木、非建筑物树木暗红色树木阴影黑色或暗褐色树木草地红色或鲜红色道路白色或青灰色S较大建筑物暗灰色或灰黑色建筑物阴影建筑物阴影黑色或暗褐色建筑物建设用地白色或亮灰色S较小本文的这种分层提取是通过构建语义分类结构实现的(见图2),每级的分类都继承了上一级已经分类好的地物信息,最后在第五级层次上将所有的地物信息都继承过来,形成完整的分类。 所有分割用到的尺度参数都是根据分类目的经过多次实验确定的。 初次分类后,将一些错分的对象重新选择样本进行分类,或手动赋予其正确的类别,再合并子类后得到最终的分类结果图(见彩色插页1图2)。 4精度评价4.1对象级方法分类结果精度评价遥感分类结果和地面实际情况总是存在一定的误差,所以精度评价是遥感地物分类当中的重要环节,目前精度评价最广泛使用的方法是基于误差矩阵的统计方法。 本文通过在原始影像上采集检验样本作为真实地面感兴趣区,并结合xx年的深圳市土地利用现状图对基于对象级方法的分类结果进行精度评价,误差矩阵和精度报告如表2:表2基于对象级方法的分类误差矩阵树木草地城镇用地水体阴影总样本数用户精度树木2192727028292974.84%草地37641812700458491.21%城镇用地092921043297398.25%水体0013262152341595.52%阴影001371473323360792.13%总样本数2568491730863411352617508生产者精度85.36%85.03%94.65%95.63%94.24%总精度=(15879/17508)100%=90.6957%Kappa=0.88264.2传统方法分类结果精度评价为了更好地说明对象级方法分类的精度,本文采用传统的最大似然法进行分类,并用上述同样的方法进行精度评价,然后与对象级方法进行比较,其分类结果见彩色插页1图2,误差矩阵和精度报告如表3:表3基于最大似然法的分类误差矩阵树木草地城镇用地水体阴影总样本数用户精度树木18852226100411245.84%草地681258719700346574.66%城镇用地021240405243098.73%水体00020601923398351.72%阴影003389761586290054.69%总样本数2566483429403036351416890生产者精度73.46%53.52%81.77%67.85%45.13%总精度=(10522/16890)100%=62.2972%Kappa=0.5294从精度对比可以看出,传统方法分类总精度仅为62.2972%,而对象级方法分类总精度达到90.6957%,在精度上有了明显的大幅度提高。 从分类结果图对比分析来看,传统方法由于只利用了像素的光谱特征进行分类,使得一些光谱相近的地物很难区分,如水体和阴影之间、树木和草地之间等都有大量的混分、错分,直接导致了分类精度的降低。 本文在分类前还运用了“Majority”滤波进行训练区纯化,并使用有参数最大似然法分类,消除先验概率对分类的影响,但精度依然提高不大,可见传统方法在高分辨率遥感影像的信息提取中已经有了很大的局限性;而对象级方法不仅利用对象的光谱特征,更充分利用对象的空间特征进行分类,这使得一些通过光谱特征很难区分或者根本无法区分的地物很容易的被提取出来,如本文中通过与建筑物和树木的邻接关系,区分出建筑物阴影和树木阴影,通过形状指数区分出道路和建设用地等。 空间特征的引入减少了遥感分类中的不确定性,并且分类结果图中没有传统方法的“椒盐”现象9。 5结论 (1)本文在传统分类方法的基础上,运用对象级方法,充分利用地物除光谱特征以外的形状、邻接、距离空间特征,通过构建语义结构逐级分层对深圳市QUICKBIRD影像进行分类,精度相对于传统方法有了明显的提高,总精度达到90.6957%。 (2)影像分类的基本单元不再是单个像素,而是通过分割得到的“同质”对象,这是对象级方法最重要的特点。 相对于单个像素,对象有更丰富的语义信息,包含形状、纹理等几何空间特征,并且可以加入人的思维进行分类,用以提高分类精度。 本文提出采用分级多尺度分割得到不同级别的对象,是一种基于分类的分割,把不同的分类任务放在不同的尺度下进行,这样就可以为方便的调整特定影像分析任务所需要的92xx.5应用技术遥感信息影像对象尺度提供了可能,也可以大大提高分类速度。 (3)传统方法分类结果会产生“椒盐”现象,由于高分辨率影像的特点,“椒盐”现象更加明显,这在本文的最大似然法分类结果图中可以看出,为了后续的分析和制图需要,常常需要做众数滤波进行平滑处理,但这样会有一定的信息损失。 而对象级方法首先提取同质区域(对象)进行分类,过于破碎的图斑极少,且有很强的抗噪声能力,这样以对象为基本单元进行的分类就可以避免基于像素分类结果中的“椒盐”现象。 (4)从本文研究分析中可以看出,在高分辨率遥感影像信息提取中,基于对象的分类方法在许多方面都优于传统的方法,具有良好的应用前景,黄慧萍、吴炳方等就应用了对象级影像分析方法,利用样本多边形对象的成员函数建立训练区,自动提取了大庆市城市绿地覆盖信息,精度达到了92%左右10。 在此值得一提的是,对象级分类法可以生成带有属性列表的专题栅格层,也可以是带有属性信息的矢量多边形,可以用于进行GIS的空间分析和决策支持,这为GIS和RS集成提供了思路,也是进一步深入研究的方向。 参考文献1窦闻.面向对象遥感影像分析初探及实现方法对比研究D.南京大学,硕士论文,xx,5.2郦苏丹,张翠,等.基于相似性准则的SAR图像分割方法J.遥感学报,xx,7 (2):118?124.3甘博,吴秀清,等.统计的Hough变换在机场遥感图像分割中的应用J.计算机工程,xx,8 (8):264?265.4Gorte,B.Probabilistic segmentationof remotelysensed image.In:ITC PublicationSeries No.63.19985刘伟强,陈鸿,夏德深.基于马尔可夫随机场的快速图像分割J.中国图象图形学报,xx,3 (3):228?233.6Lobo A,Chic O,Casterad A.Classification ofmediterranean cropswith multisensordata:per2pixel versusper2object statisticsand imagesegmen2tationJ.International Journal of Remote Sensing,1996 (17):2358?2400.7Aplin P,Atkinson P,and CurranP.Per2field classification of land use usingthe forthingvery fineresolution satellitesensor:problems andpo2tential solutionA.In:Advances inRemote Sensingand GISAnalysisM.Chichester:1999,Wiley&Sons,219?239.8Le Wanga,Wayne P.Sousab,Peng Gongc,Gregory S.Biging.Comparison ofIKONOS andQuickBird imagesfor mappingmangrove speciesonthe Caribbeancoast ofPanamaJ.Remote Sensingof Environment,xx (9):432?440.9陈秋晓,骆剑承,周成虎,等.基于多特征的遥感影像分类方法.遥感学报,xx,5 (3):239?245.10黄慧萍,吴炳方,李苗苗,等.高分辨率影像城市绿地快速提取技术与应用J.遥感学报,xx,1 (1):68?74.11张峰,吴炳方,黄慧萍,等.泰国水稻种植区耕地信息提取研究J.自然资源学报,xx,11 (6):766?772.12张毓晋.图像分割M.北京:科学出版社,xx.13杜凤兰.北京大兴区高分辨率遥感土地利用分类及不确定性研究D.南京大学,硕士论文,xx,5.14Baatz,M.and Sch.ape,2000.Multiresolution segmentation2an optimizationapproach forhigh qualitymulti2scale imagesegmentationA.In:Strobl,J.and Blaschke,T.(eds.):Angewandte GeographischeInformationsverarbeitungC.Wichmann Verlag:12?23.15Hay,G.Blaschke,T,Marceau,D,Bouchard,A.A parisonof threeimage2object methodsfor themultiscale analysisof landscapestructureJ.JournalofPhotogrammetry&Remote Sensing, (1253):1?19.16Blaschke T,Strobl J.Whats wrongwith pixel?Some recentdevelopments interfacingremote sensingand GISJ.GIS2Zeitschrift furGeoinfor2mations system,xx (6):12?17.17Blaschke T,Lang S,Lorup E,Strobl J,Zeil P,2000.Object2oriented imageprocessing in an integratedGIS/RemoteSensingenvironment andperspectivesfor environmentalapplicationsA.In:Cremers A,Greve K.Environmental Informationfor Planning,Politics andthe Public,vol.2C.Metropolis Verlag,Marburg,pp.555?570.18Schiewe J,Tufte L,Ehlers M.Potential andproblems ofmultiscale segmentationmethods inremote sensingJ.GIS2Zeitschrift furGeoinforma2tions system,xx (6):34?39.Classification ofHigh2resolution RemoteSensingImages UsingObject2oriented MethodCAOXue,KE Chang2qing(Department ofUrban andResources Sciences,Nanjing University210093China)Abstract:High2resolution remotesensing imageshave manymore spatialcharacteristics thanlow2resolution dataexcept spectralchar2acteristics.Object2oriented imageclassification isa newtechnique inthis researchfield,it canmake mostuse oftheir advantagesto(下转第51页)03遥感信息应用技术xx.5表21987-1997-xx土地转移矩阵(pix)19871997xxclass1class2class3class4Class1class17111xxclass28721467class31529156class41991111446Class2class16910344848793319class2441314413924569class37539263912444class4218213Class3class1992086941646258class220921932503628352class3104379448641651class459751365Class4class1491417432361384class286438514063174class32228651123771150class419332723模型验证以3期1987年,1997年,xx年乌鲁木齐市分类影像为例,分类系统为4类,绿地,城区,水体,其他用地。 进行如上模型运算,n=3,t=4,k取4,得到C ij。 得到的图像灰度值为从21到85的共64个连续变化灰度值,每一个灰度值代表一种土地利用变化方式。 3.1土地利用变化的空间信息提取根据亮度值与变化类型一一对应的原理,通过图像密度分割,对64种变化模式进行空间提取,得到3期64种变化模式的信息图如彩色插页4图5。 像元及其所代表实际变化信息见表1:其中1,2,3,4,为类代码为转化方向。 3.2变化信息的数值提取信息的提取:3期分类图像的动态变化数据见表2。 4结果与讨论通过信息图的空间信息表述,可以认识到乌鲁木齐市区三个时段变化较为频繁,图像上显示为各种变化相互交织,尤其以新市区的城市用地的拓展和水磨沟区的绿地减少为主要变化类型。 城区内部在1987年至1997年间转化较剧烈,在1997年至xx年间趋向平缓,从空间上说明乌鲁木齐城区城市用地先内后外的拓展方式。 结果表明地类变化的地理位置可以通过谱系的解读出来,同时,变化的具体面积可以通过模型计算后的数据精确的计算出来,对基于遥感的信息提取提供一种新的方法。 本文所提的方法与已有的大量从事LUCC(土地利用与土地覆盖变化)研究的方法相比,能够在空间上更简便的提取土地利用变化信息,特别是对多期动态土地利用的变化趋势和变化信息的提取,提供较好的研究手段。 参考文献1张洪岩,王钦敏,鲁学军等.地学信息图谱方法前瞻J.地球科学进展,xx,22 (6):997?100.2史培军,陈晋,潘耀忠.深圳市土地利用变化机制分析J.地理学报,2000,55 (3):151?160.3Robert K.Kaufmann,Karen.C.Change detection,auracy,and biasinasequential analysisofLandsat imageryin thePearl RiverDelta,China:econometric techniquesSeto.Agriculture,Ecosystems andEnvironment85 (xx);95?105The Modelfor ExtractingInformation ofLand Use/Land CoverChangeMA Yong2gang,LI Hong,XIA Li(Xinjiang RemoteSensing Center,Urumqi.Xinjiang,China,830011)Abstract:With thenew model,we extractthe informationo