南 鋒，張小英

（1.山西農(nóng)業(yè)大學(xué)研究生院，山西太谷030801；2.山西農(nóng)業(yè)大學(xué)文理學(xué)院，山西太谷030801）

流域的土地利用類型，反映了流域表面的覆蓋狀況，是研究流域土地利用的重要基礎(chǔ)數(shù)據(jù)。遙感影像能夠快速地獲取地球表面信息，目前其已成為獲取流域地表信息的主要手段，特別是隨著高分辨率遙感影像的應(yīng)用，其數(shù)據(jù)的精度也大大提高。但是如何從高分辨率遙感影像中自動獲取特征信息，一直是遙感應(yīng)用的研究熱點。傳統(tǒng)的遙感影像信息提取方法大多是單純基于像元的方法，通過分析像元之間的關(guān)系實現(xiàn)對影像的分類和信息的提取[1]。在處理低空間分辨率遙感影像時，由于影像中地物目標(biāo)小，目標(biāo)內(nèi)部的像元比較一致，基于像元的處理可以達(dá)到比較好的效果。但是，隨著分辨率的提高，遙感影像中的空間信息也更加豐富，地物的幾何結(jié)構(gòu)和紋理信息更加明顯，基于像元的方法在處理這類影像時會顯得粒度過小，在分類過程中會造成大量的椒鹽噪聲，因而難以提取地物的整體結(jié)構(gòu)信息。目前，高分辨率遙感的解譯主要靠人工判讀和識別來完成，工作量大、成本高，因此，利用計算機對高分辨率遙感影像自動解譯是目前遙感信息處理的重要研究方向。

近些年來，面向?qū)ο蟮姆诸惙椒ㄖ饾u成為一種主要的遙感分類方法，在分類時不僅能依靠其光譜特征，更多的是要利用其幾何信息和結(jié)構(gòu)信息[2-3]。面向?qū)ο蟮倪b感影像分類技術(shù)為高分辨率的遙感影像的計算機自動解譯提供了一條重要途徑。目前，很多遙感軟件都具有這個功能，如ENVI的FX擴展模塊、ERDAS的 Objective模塊、PCI的FeatureObjeX等。筆者利用ENVI軟件所提供的面向?qū)ο蠓诸惸K，以鄉(xiāng)寧縣紅土溝流域2010年SPOT5影像（包括全色2.5 m和多波段10 m數(shù)據(jù)）為基礎(chǔ)數(shù)據(jù)，對紅土溝流域的土地利用類型進(jìn)行了提取，結(jié)果表明，該方法具有較高的精度。

1 研究區(qū)概況與研究方法

1.1 研究區(qū)概況

紅土溝流域位于山西省鄉(xiāng)寧縣內(nèi)，該流域?qū)冱S土丘陵溝壑區(qū)，梁峁起伏，溝壑縱橫，海拔為1 048～1 375 m，相對高差327 m。流域具有黃土侵蝕溝道發(fā)育的特點，小流域完整系數(shù)0.54，不對稱系數(shù)0.07。主溝發(fā)育充分，溯源侵蝕活躍，溝壑密度為3.87 km/km2。地處中緯度，屬暖溫帶半干旱大陸性季風(fēng)氣候。多年平均氣溫8.3℃，極端最高氣溫37.6℃，極端最低氣溫-22℃。光照資源豐富，年日照時數(shù)2 557 h，≥10℃的活動積溫約3 045℃。風(fēng)向多為北偏東向，平均風(fēng)速2.5 m/s，年大風(fēng)日數(shù) 5.1 d，無霜期 183 d。

1.2 研究方法

面向?qū)ο蟮姆诸惣夹g(shù)包括圖像分割和圖像分類2個主要步驟。其中，圖像分割目的是從二維的圖像信息陣列中恢復(fù)出圖像所反映的景觀場景中的目標(biāo)地物的空間形狀及組合方式作為分類的基本圖像對象；圖像分類技術(shù)基于圖像對象進(jìn)行。圖像對象是一系列相似的圖形區(qū)域，以一種獨特的形式簡單地反映了影像包含的信息（形狀、紋理、顏色等）。

1.2.1 圖像分割 圖像分割是構(gòu)建對象的主要方法，也是精確分類的基礎(chǔ)，常用的分割方法包括基于多尺度的、基于灰度和紋理的、基于知識的分割算法等?；诙喑叨鹊倪b感影像分割方法綜合了遙感圖像的光譜特征和形狀特征，計算圖像中每個波段的光譜異質(zhì)性與形狀異質(zhì)性的綜合特征值，然后根據(jù)各個波段所占的權(quán)重，計算圖像所有波段的加權(quán)值，當(dāng)分割出的對象或基元光譜和形狀綜合加權(quán)值小于某個指定的閾值時，進(jìn)行重復(fù)迭代運算，直到所有分割對象的綜合加權(quán)值大于指定閾值即完成圖像的多尺度分割操作。用這種分等級的分類結(jié)構(gòu)進(jìn)行分類，可以確定對象之間的上下文關(guān)系與等級關(guān)系，提高分類信息的信噪比，使得分類更加精確。ENVI的FX擴展模塊，根據(jù)臨近像素亮度、紋理、顏色等對影像進(jìn)行分割，它使用了一種基于多尺度的邊緣分割算法，這種算法計算很快，并且只需輸入一個參數(shù)，就能產(chǎn)生多尺度分割結(jié)果。通過不同尺度上邊界的差異控制，從而產(chǎn)生從細(xì)到粗的多尺度分割。在分割過程中可以通過預(yù)覽分割效果，選擇一個理想的分割閾值，盡可能較好地分割出邊緣特征。

1.2.2 圖像分類 圖像分類是一種常用的圖像解譯技術(shù)，將像元根據(jù)某種條件劃分為不同的類別。該技術(shù)廣泛地用于各個領(lǐng)域和各種應(yīng)用。傳統(tǒng)的圖像分類技術(shù)是基于不同地物的光譜特征，由于同物異譜和異物同譜現(xiàn)象的存在，使得在具體應(yīng)用時受到限制。目前，常用的圖像分類方法是監(jiān)督分類和基于知識分類。這里的監(jiān)督分類和我們常說的監(jiān)督分類是有區(qū)別的，它分類時和樣本的對比參數(shù)更多，其不僅僅是光譜信息，還包括空間、紋理等信息?；谥R分類也是根據(jù)影像對象的熟悉來設(shè)定規(guī)則進(jìn)行分類，ENVI的FX擴展模塊有3種圖像分類方法供選擇，分別是監(jiān)督分類、規(guī)則分類和直接矢量輸出。監(jiān)督分類方法在選擇訓(xùn)練樣區(qū)上與傳統(tǒng)的分類方法并沒有本質(zhì)的區(qū)別，所不同的是訓(xùn)練區(qū)不僅包括光譜信息，還包括空間、紋理等信息，并通過這些信息構(gòu)建分類規(guī)則，大大提高了分類的精度。

2 紅土溝流域土地利用類型的提取

2.1 分類前影像數(shù)據(jù)處理

在進(jìn)行分類前，對紅土溝流域SPOT5影像要進(jìn)行校正、融合，流域邊界裁剪。因為2，3，4波段組合光譜特征和信息量最為豐富[4]，彩色標(biāo)準(zhǔn)化（brovey）算法在影像質(zhì)量改善方面最佳[5]。融合時采用SPOT5全色波段影像和2，3，4波段分別代替RGB三原色進(jìn)行彩色標(biāo)準(zhǔn)化變換融合，以便獲得最佳的融合效果。

2.2 土地利用類型提取

2.2.1 流域土地分類系統(tǒng)的建立 根據(jù)紅土溝流域土地利用類型的實際情況，將流域地類分為荒草地、林地、居民點、梯田、坡地、溝壩地、果園、灌木林地、采礦用地、水工建筑用地、內(nèi)陸灘涂和裸地，并且建立了相應(yīng)的解譯標(biāo)志（表1），以供面向?qū)ο蟊O(jiān)督分類時選取相應(yīng)的訓(xùn)練樣區(qū)參考。

表1 紅土溝流域地類解譯標(biāo)志

2.2.2 流域地類的提取 在ENVI軟件中利用其面向?qū)ο蟮姆诸惸KFX，對融合后的遙感影像進(jìn)行圖像分割、分塊合并、分塊精煉、對象屬性計算等，建立光譜、紋理、空間、自定義（顏色空間和波段比）4種對象屬性，其中，圖像分割與合并分塊都是一個不斷調(diào)整的過程，其最終結(jié)果直接影響到后續(xù)結(jié)果的分類精度。然后，通過監(jiān)督分類，選取相應(yīng)的分割對象作為訓(xùn)練樣區(qū)，以建立基于光譜、紋理、空間分類和自定義（顏色空間和波段比）規(guī)則的專家知識庫，在選擇訓(xùn)練樣區(qū)的過程中，還可以對分類結(jié)果進(jìn)行預(yù)覽，以確定訓(xùn)練區(qū)選擇的優(yōu)劣，及時對訓(xùn)練樣區(qū)作出調(diào)整。圖1為圖像分割所得到的結(jié)果，圖2為對圖像分割結(jié)果進(jìn)行合并分塊后所得的基本對象，圖3為監(jiān)督分類結(jié)果。從圖1，2，3可以看出，面向?qū)ο蟮姆诸惤Y(jié)果避免了基于像元的傳統(tǒng)分類方法的“椒鹽”現(xiàn)象，分類邊界更加準(zhǔn)確，結(jié)果更加具有整體性和便于理解。

2.3 分類結(jié)果精度檢驗

從分類結(jié)果中隨機抽取若干圖斑與真實地類進(jìn)行對照，其精度如表2所示。

表2 分類結(jié)果抽樣檢查

從表2的分類正確率結(jié)果可以看出，分類的總體精度達(dá)到了86.15%，很多地類的正確率達(dá)到了80%以上，說明面向?qū)ο蟮姆诸惙椒ㄔ诹饔虻仡愄崛≈芯哂休^高的正確率。同時，從表2中還可以看出，正確率比較低的地類為梯田、坡地和水工建筑用地，其中錯分主要發(fā)生在梯田和坡地之間，主要原因是二者的光譜信息、空間位置信息和紋理信息太過于接近，分類過程中很難區(qū)分。大部分錯分的水工建筑用地實際為荒草地，這主要是由于水工建筑用地形狀不規(guī)則且面積很小，光譜信息也不一致，沒有統(tǒng)一的規(guī)律可循，在監(jiān)督分類過程中選取的樣本跟荒草地的樣本有很大的相似之處，分類過程中將坡地、梯田和水工建筑作為單獨的一類是不合適的。因而，在計算機分類完成后，需要采用人工目視解譯法對錯分的地類進(jìn)行補判。在計算機分類完成后采用少量的人工干預(yù)就達(dá)到了需要的精度。

3 結(jié)論

高分辨率遙感圖像的細(xì)節(jié)信息豐富，圖像的局部異質(zhì)性大，傳統(tǒng)基于像元的分類方法主要是利用像元的光譜特征，大多應(yīng)用在中低分辨率遙感圖像。對高分辨率影像來說，在分類過程中易受其局部異質(zhì)性大的影響和干擾。而面向?qū)ο蠓诸惙椒ㄔ诜诸愡^程中充分考慮了圖像豐富的光譜、形狀、結(jié)構(gòu)、紋理、相關(guān)布局以及圖像中地物之間的上下文信息，結(jié)合專家知識進(jìn)行分類，顯著提高了分類精度，而且分類后的圖像含有豐富的語義信息，便于解譯和理解，是一種非常有效的高分辨率遙感影像解譯方法。

［1］孫家柄.遙感原理與應(yīng)用[M].武漢：武漢大學(xué)出版社，2003.

［2］張秀英，楊敏華，劉常娟，等.面向?qū)ο筮b感分類新技術(shù)在第二次土地調(diào)查中的應(yīng)用[J].遙感信息，2008（3）：77-80.

［3］毛先成，劉文毅，何美香，等.GIS在縣域土地利用變化分析中的應(yīng)用——以山西省懷仁縣為例[J].山西農(nóng)業(yè)科學(xué)，2009，37（10）：30-34.

［4］柳文祎，何國金.ALOS全色波段與多光譜影像融合方法的比較研究[J].科學(xué)技術(shù)與工程，2008，8（11）：2864-2869.

［5］曹敏，史照良，沈泉飛.ALOS影像在土地覆被分類中最佳波段選取的研究[J].測繪通報，2008（9）：16-18.