基于面向对象分类方法的SPOT 5影像土地利用信息提取研究——以河南省临颍县为例
发布网友
发布时间：2022-04-24 22:37
共1个回答
热心网友
时间：2023-10-13 16:00
杨大志
（河南省国土资源厅信息中心 郑州 450016）
摘 要：本文采用面向对象分类的方法，使用专业遥感图像分类软件 eCognition 4.0，以河南省临颍县为研究区，对处理后的临颍县 SPOT 5 影像进行多层次分割及合并，根据分类体系定义相应知识库，进行土地利用信息提取研究，探讨该方法在高空间分辨率遥感影像应用于土地利用 / 土地覆被自动分类中的应用潜能，为高分辨率影像用于土地利用分类信息提取提供新的技术手段。
关键词：eCognition SPOT5 自动分类 土地利用
土地资源利用状况调查、土地资源动态监测是土地管理工作的一个重要内容。近年来，随着空间遥感技术的发展，高分辨率遥感影像在土地资源调查、土地资源动态监测等领域中的应用日益广泛。高分辨率遥感数据与多光谱和高光谱分辨率数据相比，具有空间信息丰富、地物几何结构和纹理信息更加明显，波段较少的特点。对于高分辨率的遥感影像来说，利用传统的面向像元的图像分类方法来提取土地利用分类信息，易造成分类精度低，空间数据大量冗余以及资源的浪费。实际上，靠传统的面向像元的遥感图像分类法来提取土地利用信息已不能满足实际运用的要求。因此，基于高分辨率遥感影像土地利用分类信息提取必须根据其特点采取新的技术方法，建立起图像数据与目标特性之间的物理—机理联系，而不仅仅是统计联系，才能充分挖掘高分辨率遥感影像所包含的信息，这是高分辨率卫星影像信息处理成败的关键。面向对象分类技术作为一种新的遥感影像很好地解决了这个问题，而 eCognition 软件正是基于面向对象方法的影像分类技术。本文就是基于该软件以河南省临颍县土地利用分类信息提取为例对该方法进行了探讨。
1 研究区概况和资料收集
研究选取河南省临颍县作为研究区。临颍县位于河南省中部，颍河上游，属漯河市，面积821 km2，人口 65.76 万，辖 15 个乡（镇），362 个行政村。临颍县地处颍河冲积平原，西北部较高，东南部稍低。图 1 是河南省临颍县 SPOT 5 遥感影像图。
本研究主要收集了如下资料：
（1）影像数据。本次遥感图像分类采用数据为 SPOT 5（2.5 m 分辨率）影像数据，景带号为279/281 和 279/282，接收时间为 2004 年 9 月。两景数据采用 ERDAS 8.7 软件进行处理，通过配准校正融合，选择克拉索夫斯基椭球体和高斯－克吕格投影，通过裁切，得到临颍县遥感影像数据。
（2）矢量数据。近年的土地利用数据库数据。
（3）其他资料。与研究区有关的行政区划、农、林等方面的文献资料。
通过近年的土地利用数据库数据和影像数据研究可以发现临颍县土地利用类型较丰富，主要以农用地为主，地物类型比较全面，是研究土地利用 / 土地覆被的较好选择。
图1 河南省临颍县 SPOT 5 遥感影像图
2 面向对象分类方法简介
面向对象的分类方法是一种智能化的自动影像分析方法，它的分析单元不再是单个像素，而是由若干个像素组成的像素群，即目标对象。目标对象比单个像素更具有实际意义，特征的定义和分类均是基于目标对象进行的。通常面向对象的分类方法包括两个步骤：多分辨率分割和模糊逻辑分类。
eCognition 软件采用面向对象的遥感影像解译思想，首先根据像元光谱信息、局部区域纹理信息以及形状和尺度参数自动将影像分割为若干相对同质的区域，称为影像对象（ImageObjects），为下一步分类提供信息载体和构建基础，所有后续的分类工作都基于这些影像对象进行，分类结果避免了斑点噪声而具有很好的整体性，改变了以往面向像素进行分类的传统。同时，软件提供最邻近法和模糊隶属度函数两种解译方法。
本研究就是采用面向对象的分类方法，以 eCognition 中 membership functio（n隶属度函数）为主，模仿目视解译过程，从遥感信息机理与地学规律的综合分析入手，综合其他辅助信息进行分类。通过对辅助资料、外业调查成果以及软件的学习得到了临颍县各类典型地物分类的知识，并以相应的形式表示这些知识，集成影像亮度值、亮度值关系和几何形状以及纹理、邻近关系等特征，对试验区土地利用 / 覆被进行分类。
3 分类体系和技术流程
3.1 分类体系
根据临颍县土地利用实际情况，参照历年土地利用分类标准，本次信息提取分类采取的分类体系如图 2 所示。
图2 研究区地物类型
3.2 技术流程
使用 eCognition 软件对研究区 SPOT 5 影像数据进行土地利用信息提取研究分如下几步进行：首先是把处理好的影像数据输入到软件中，定制分割参数，对其执行分割，生成影像对象；其次是根据研究区地物类型创建分类层次结构；再次是确定合适的分类方法（包括最邻近法和模糊隶属度函数两种方法），选取相应地物类型样本或者分类特征，构建知识库，执行分类，并可根据目视解译结果和事先准备的调查区资料对分类结果进行人工干预，进一步提高分类精度；接着对分类结果进行分类精度评价；最后是把分类结果输出，输出的格式可以为所需要的相应的矢量格式或栅格格式。本研究的技术流程图如图 3 所示。
图3 研究技术流程图
4 主要分类过程
4.1 定制分割参数
分割参数的定制相当重要，它关系到每一个分类对象的大小，直接影响到最后的分类结果。通过多次试验，本次分类决定采用多层次分割的方法进行：水体和非水体信息的提取以分割参数为 80 进行，其他参数均为默认；分类体系中其他类别信息的提取在首次分割基础上，以分割参数为 65，其他参数也为默认对非水体进行多重分割，来进行其他地物类型的分类。
4.2 制定分类策略，创建类层次结构
在进行分类之前，首先要参照研究区地物类型，分析每种地物类型特征及其相互之间的关系，制定合适的分类策略，创建类层次结构。可利用的研究对象属性特征包括色调、形状、面积 / 大小和纹理等特征，各对象之间关系包括与父对象之间、与子对象之间以及与邻对象之间的关系三种类型。对象属性特征选取正确与否及其在多大程度上被正确表达对分类结果有着重要影响，它决定了最后分类正确与否和其精度。面向对象的分类方法可以模仿人类大脑认知过程，充分利用每种地物类型特征，按照由简单到困难的顺序逐步剥离提取分类体系中每种地物信息。通过研究本次分类所要提取信息自身特征及其相互之间的关系，制定本次分类的分类策略，创建了类层次结构，如图 4 所示。
图4 类层次结构示意图
4.3 分类特征的选取
根据创建的类层次结构，选取合适的对象属性，对对象属性进行定义，提取出相应对象的土地利用信息。本次分类采用以下几步进行：
第一步是提取水体信息。分割参数设为 80，对影像进行分割，分割后，在整个研究区均匀选取样本，采用标准最邻近方法（standard nearest neighbor）对遥感影像进行分类（类似于监督分类），提取水体信息。在此基础上，依据水体的形状特征，把水体分为河流水面和坑塘水面两类。根据实验，长宽比大于 3 是河流，小于 3 的是坑塘。
● 河流（Length/width ＞ 3）
● 坑塘（Length/width ＜ 3 或者 not 河流）
第二步是提取植被信息，并进一步把植被分为耕地和林地。首先把提取出的水体信息保护起来，在首次分割的基础上对非水体进行再分割，分割参数设为 65，其他参数为默认值，把非水体分为植被和非植被两类，然后根据耕地和林地的不同特征把其信息提取出来。
植被和非植被信息提取依据：
● 非植被（Stdde（v1）＞ 11）
● 植被（not 非植被）
林地和耕地信息提取依据：
● 林地（Max.Diff ＞ 0.62）
● 耕地（not 林地）
第三步是对非植被信息进一步细分，从中提取出主要交通道路、城镇居民点工矿和裸地（已收获耕地）信息。首先从非植被信息中提取出交通道路和非交通道路信息，然后把非交通道路细分为裸地（已收获耕地）和城镇居民点工矿两类。
交通道路和非交通道路信息提取依据：
● 交通道路（Length/width ＞ 6）
● 非交通道路（not 交通道路）
裸地（已收获耕地）和城镇居民点工矿提取依据：
● 裸地（Rel.border to 植被 neighbour objects ＞ 0.7）
● 城镇居民点工矿（not 裸地）
此时，分类体系中的所有类别信息已经全部提取出来，可根据实际情况对分类结果进行手工编辑，进一步删除一些过小对象和纠正一些错分信息。当分得的各类信息结果都比较满意后，进行基于分类的融合，把小对象合并为大的对象，通过手工编辑和基于分类的融合后，得到最终分类结果，如图 5 所示。
图5 遥感影像分类结果图
4.4 分类精度评价
得到分类结果后，要根据分类得到的结果进行分类精度评价。评价采用如下方法进行：在分割后的影像上均匀随机选取每个地类的目标对象，选取的目标对象数目根据分类结果得到的每个地类的目标对象数目而定，进行自动统计，得到统计结果。统计结果见表 1。
表1 分类结果精度评价表
续表
通过分类结果精度评价表可以发现，自动分类的最后分类精度超过了 80%，这对于研究区来讲，分类结果还是比较令人满意的。同时，根据统计结果可以得到如下结论：耕地、城镇居民点、坑塘、河流信息提取的效果较好，相对而言，裸地和道路信息提取比较困难，林地信息由于同耕地信息相近，提取起来也有相当的难度，还有待于今后进一步研究。
5 总结和讨论
通过研究表明，采用面向对象方法进行图像解译和信息的自动提取与面向像元方法相比具有较强优势。面向对象的分类方法可以灵活运用地物本身的几何信息和结构信息，纹理信息以及上下层关系信息、邻近关系信息等，更主要的是可以加载人的思维，构建知识库，从而提高了分类的精度，为各种不同地物的分类提供了更多的依据，比如通过影像的形状和纹理特征可以有效地识别河流、道路、建筑物的形状。利用 eCognition 对高分辨率遥感图像进行土地利用自动分类，快速简便，而且能够达到较高精度，节省了大量的人力物力，为大面积土地利用调查和监测提供了新的科学方法。
参 考 文 献
eCognition 3 Made in German［yZ］
Sun Xiaoxia.2004.An object-oriented classification method on high resolution satellite dat［aZ］.Istanbul
丁晓英.2005.eCognition 在土地利用项目中的应用［J］.测绘与空间地理信息，2（86）：116～120
杜凤兰.2004.面向对象的地物分类方法分析与评价［J］.遥感技术与应用，1（91）：20～23
刘亚岚，阎守邕，王涛，等.2002.遥感图像分区自动分类方法研究［J］.遥感学报，（65）：357～362
孙晓霞，张继贤，刘正军.2006.利用面向对象的分类方法从 IKONOS 全色影像中提取河流和道路［J］.测绘科学，3（11）：62～63
（2006 年度中国土地学会年会大会交流）
