胡 佳 ，林 輝 ，孫 華 ，東啟亮 ，和曉風(fēng)

(1.中南林業(yè)科技大學(xué)林業(yè)遙感信息工程研究中心，湖南 長沙 410004；2.河北省遙感中心，河北 石家莊 050021)

濕地類型遙感影像分割最優(yōu)尺度選擇

胡 佳1，林 輝1，孫 華1，東啟亮2，和曉風(fēng)1

(1.中南林業(yè)科技大學(xué)林業(yè)遙感信息工程研究中心，湖南 長沙 410004；2.河北省遙感中心，河北 石家莊 050021)

影像分割是面向?qū)ο蠓治龇椒ㄖ械闹匾襟E和關(guān)鍵技術(shù)，分割尺度又是影像分割的核心問題，目前對(duì)于分割尺度的定量評(píng)價(jià)，國內(nèi)外尚未建立統(tǒng)一的評(píng)價(jià)體系。以東洞庭湖為研究區(qū)，以高分一號(hào)衛(wèi)(GF-1)衛(wèi)星影像為研究對(duì)象，探索不同濕地類型的最優(yōu)分割尺度。利用GF-1全色和多光譜融合后影像，采用歸一化后方差均值與Moran’I 指數(shù)構(gòu)建全局評(píng)分指數(shù)，得到不同濕地類型的最優(yōu)分割尺度，結(jié)果表明:最優(yōu)分割尺度的大小與濕地分布的破碎程度直接關(guān)系；基于相同的有效影像特征以及波譜閾值，進(jìn)行分層分類以及規(guī)則分類，分層分類的總體精度為89.62%，高于規(guī)則分類的總體精度為84.43%，說明分割尺度對(duì)分類精度有較大影響。

濕地；遙感；最優(yōu)分割尺度；分層分類；東洞庭湖

遙感技術(shù)具有快捷、準(zhǔn)確反映地表大區(qū)域范圍土地變化的能力，在近20年來已廣泛用于濕地資源信息提取[1-2]、識(shí)別[3]和參數(shù)反演[4]等研究中。當(dāng)前濕地景觀斑塊化的現(xiàn)實(shí)使得高空間分辨率遙感影像與面向?qū)ο蠓治龇椒ǔ蔀闈竦匮芯康臒狳c(diǎn)之一。高空間分辨率遙感影像的出現(xiàn)為遙感技術(shù)的發(fā)展帶來了新的機(jī)遇，促進(jìn)了傳統(tǒng)遙感應(yīng)用的深度，讓群落尺度的分類[5]以及精細(xì)提取成為可能。

影像分割是面向?qū)ο笥跋穹治龇椒ㄖ械幕A(chǔ)步驟和關(guān)鍵技術(shù)，也是實(shí)現(xiàn)面向?qū)ο笥跋裥畔⑻崛〉囊粋€(gè)重要步驟[6]。分割尺度又是影像分割的核心問題，然而目前對(duì)于分割尺度的定量評(píng)價(jià)，國內(nèi)尚未建立統(tǒng)一的評(píng)價(jià)體系。近年來，在該方向的研究主要集中算法的改進(jìn)以及探索，如矢量距離法[7]、最大面積法、改進(jìn)的局部方差法[8-9]、分維變化反推法[10]等，都沒有涉及到不同類型的最優(yōu)分割尺度的選擇，僅僅針對(duì)的單景影像的最優(yōu)分割尺度。

現(xiàn)有的研究表明，不同地類或不同分辨率影像上的相同地類存在不同的最優(yōu)尺度區(qū)間或尺度閾[11]。本研究旨在找到一種基于知識(shí)發(fā)現(xiàn)的最優(yōu)尺度選擇方法，以GF-1遙感數(shù)據(jù)的全色和多光譜融合影像為基礎(chǔ)，利用歸一化后的方差平均與Moran’I 指數(shù)構(gòu)建全局評(píng)分指數(shù)，得到不同濕地類型的最優(yōu)分割尺度，為多層次地物分類提供基礎(chǔ)，同時(shí)也為多尺度濕地監(jiān)測(cè)系統(tǒng)以及輔助決策提供了數(shù)據(jù)支持和方法途徑。

1 研究區(qū)概況

洞庭湖是我國第二大湖泊，由東洞庭湖、西洞庭湖、南洞庭湖三個(gè)主要的湖泊組成，發(fā)育有淡水沼澤、草灘、河流以及湖泊等多種濕地類型。東洞庭湖濕地是亞熱帶內(nèi)陸湖泊濕地的典型代表，其位于長江中游荊江江段南側(cè)，介于東經(jīng)112°43′～ 113°15′，北緯 28°59′～ 29°38′之間，總面積190 000 hm2；海拔高度30～35 m，屬亞熱帶濕潤氣候，雨量充沛，年降水量1 200～1 300 mm，主要集中在4～6月。

2 數(shù)據(jù)與方法

2.1 數(shù)據(jù)源

研究采用的遙感數(shù)據(jù)，來自于我國高分辨率對(duì)地觀測(cè)系統(tǒng)的第一顆衛(wèi)星—高分一號(hào)衛(wèi)星(簡稱GF-1衛(wèi)星)，是中國高分辨率對(duì)地觀測(cè)系統(tǒng)的首發(fā)星，開啟了中國對(duì)地觀測(cè)的新時(shí)代。GF-1衛(wèi)星上配有2臺(tái)2/8 m分辨率的多光譜相機(jī)，同時(shí)還搭載有4臺(tái)16 m分辨率的寬幅相機(jī)，設(shè)計(jì)壽命是5～8 a。該數(shù)據(jù)能夠綜合高空間分辨率、多光譜與寬幅等特性，同時(shí)又具有41天覆蓋全球的能力，使得利用GF-1遙感影像能克服因?yàn)榭臻g分辨率不足以及過境時(shí)間等限制因素對(duì)地物精細(xì)提取與分布圖比例尺的影響。

2.2 數(shù)據(jù)預(yù)處理

采用ENVI5.1軟件對(duì)GF-1遙感影像進(jìn)行輻射定標(biāo)、大氣校正、幾何校正、鑲嵌以及圖像增強(qiáng)等數(shù)據(jù)預(yù)處理工作。

2.3 研究方法

在多數(shù)分割算法中，需要設(shè)置一個(gè)最小區(qū)域值，在區(qū)域合并過程中當(dāng)每一類像素的個(gè)數(shù)均大于這個(gè)最小值的時(shí)候，區(qū)域合并中止，這個(gè)最小區(qū)域值即為分割尺度。對(duì)于遙感影像分割，理論上應(yīng)該最大限度地增加對(duì)象內(nèi)同質(zhì)性以及對(duì)象之間異質(zhì)性。出于這個(gè)原因，多數(shù)非監(jiān)督評(píng)價(jià)方法，都設(shè)計(jì)到了對(duì)象內(nèi)以及對(duì)象之間差異性的量化，然后將這些值進(jìn)行歸一化處理[12-13]。

對(duì)象之間的定量化過程通過計(jì)算每個(gè)對(duì)象的加權(quán)方差值，加權(quán)方差較小的對(duì)全局估測(cè)產(chǎn)生更多影響[14]。

對(duì)象內(nèi)的評(píng)價(jià)是利用全局Moran'I指數(shù)進(jìn)行量化，因?yàn)樗鼘?duì)于空間對(duì)象的統(tǒng)計(jì)分離是一個(gè)很好的指標(biāo)，同時(shí)也是分割質(zhì)量的一個(gè)很好評(píng)價(jià)指數(shù)。Moran'I指數(shù)出現(xiàn)較低值，表明有較高對(duì)象內(nèi)部同質(zhì)性，圖像分割效果較好。

對(duì)于所有的圖像分割，量化計(jì)算都是可以基于多個(gè)光譜波段，由于兩種計(jì)算結(jié)果單位不同，采用歸一化處理，可獲得同等效應(yīng)的量綱，利用每個(gè)波段的GS平均值去找到最佳的單一尺度分割。可以知道局部方差和Moran'I指數(shù)的趨勢(shì)是相反的，出現(xiàn)隨著分割尺度的增大，局部方差越來越大而Moran'I指數(shù)卻越來越小，由于兩個(gè)指數(shù)的數(shù)值量綱不同，也就是二者不具有可比性，因此需要通過歸一化處理，在其值都介于0到1之間后，通過相加綜合兩個(gè)指標(biāo)的數(shù)據(jù)，且全局評(píng)分越小，則表示分割效果越好，因此定義全局評(píng)分最小時(shí)對(duì)應(yīng)的分割尺度為該類別的最優(yōu)分割尺度。

3 結(jié)果與分析

3.1 分割尺度實(shí)驗(yàn)

根據(jù)上面的方法，制定實(shí)驗(yàn)流程（如圖1所示）。

3.1.1 樣本選取

根據(jù)2014年11月對(duì)研究區(qū)濕地的實(shí)地調(diào)查結(jié)果，結(jié)合GF-1影像的解譯能力和國家遙感濕地分類體系，確定東洞庭湖的分類體系，建立遙感影像目視判讀表。選擇水體、泥灘地等6類典型濕地類型的512×512像素大小的影像，每種濕地類型選擇20幅圖像，判讀結(jié)果如表1所示。

辣蓼和泥蒿兩種濕地植被，由于生長環(huán)境以及植物特征相近，又是混合交錯(cuò)生長，因此利用遙感手段很難將其區(qū)分，故劃分為一類。又因?yàn)橛跋癫杉瘯r(shí)間為冬季，蔞蒿與荻都未萌芽，不予區(qū)分；蘆葦雖已統(tǒng)一收割，留下了小段的根狀莖，仍可分為蘆葦?shù)仡悺?/p>

3.1.2 多尺度分割

對(duì)研究分別進(jìn)行多尺度分割，從30到250的25次分割，結(jié)果如圖3所示。

由圖2可以看出，隨著分割尺度的增大，分割后的圖斑數(shù)在逐漸減少。

3.1.3 最優(yōu)尺度分析

利用ArcGIS10.1軟件，統(tǒng)計(jì)每個(gè)分割尺度下的局部方差以及Moran'I指數(shù)，并進(jìn)行歸一化運(yùn)算，然后計(jì)算歸一化后方差與Moran'I指數(shù)和GS，結(jié)果見表2。

圖1 最優(yōu)尺度分析流程Fig. 1 Flow chart of optimal segmentation

表1 樣本特征及目視判讀Table 1 Features and visual discrimination of each sample

圖2 基于不同尺度的分割結(jié)果Fig. 2 Segmentation results at different scales

表2 苔草多尺度分割全局評(píng)分值Table 2 Global score of carex at different scale

從表3中可以看出，隨著分割尺度逐漸增大，局部方差的值在逐漸增大，從最初分割尺度為10的107.536到1 718.105，說明對(duì)象間異質(zhì)性是在逐漸增大，與此同時(shí)，Moran'I指數(shù)在逐漸減小，在分割尺度為250時(shí)，出現(xiàn)了最小值-0.237，說明對(duì)象內(nèi)部同質(zhì)性處于較低水平。通過歸一化計(jì)算，計(jì)算和值，最小值為0.521，出現(xiàn)在分割尺度為80，此時(shí)對(duì)象間異質(zhì)性和對(duì)象內(nèi)部同質(zhì)性達(dá)到了相對(duì)平衡，因此80為苔草的最優(yōu)分割尺度。

對(duì)不同濕地類型，分別進(jìn)行多尺度分割與計(jì)算，統(tǒng)計(jì)每個(gè)類型的全局評(píng)分，得到每個(gè)類型的最優(yōu)分割尺度（見圖3）。

由圖3可知，全局評(píng)分GS的最小值位置，即為最優(yōu)分割尺度，而GS值的分布，從最大值1遞減至最小值，而后緩慢再增加至最大值1。通過數(shù)據(jù)分析，最終得到了典型濕地類型的3個(gè)層次最優(yōu)分割尺度，可以看出破碎程度較大的草灘地最優(yōu)分割尺度較小，而分布較為完整的水體則最優(yōu)分割尺度最大，結(jié)果符合人眼對(duì)圖像的判別。

圖3 各濕地類型GS分布Fig.3 The GS distribute of each types of wetlands

表3 各類型最優(yōu)分割尺度Table 3 The optimal segmentation scale of each types

表3說明，泥灘地和水體的最優(yōu)分割尺度都為120，高于其他地類，可能的是水體與泥灘地的斑塊較大，且不細(xì)碎，與之相反草灘地類型中的辣蓼+泥蒿、苔草、蘆葦以及雜草，最優(yōu)尺度要小于120，而其中分布較集中的蘆葦與苔草的最優(yōu)分割尺度為80，分布分散的雜草與辣蓼泥蒿混合的最優(yōu)分割尺度為50。

圖4 分類結(jié)果Fig.4 The result of classification

3.2 濕地信息提取的比較

對(duì)研究區(qū)分別進(jìn)行面向?qū)ο蟮姆謱臃诸惡鸵?guī)則分類。分層分類基于的是三層分割結(jié)果，而為了統(tǒng)一規(guī)則分類的分類條件，將規(guī)則分類分割尺度設(shè)置為80。

兩種分類方法都能夠提取典型濕地類型信息，采用外業(yè)調(diào)查對(duì)分類結(jié)果進(jìn)行精度檢驗(yàn)，結(jié)果如表4和表5。

表4 分層分類面向?qū)ο蠓诸惥仍u(píng)價(jià)Table 4 Confusion matrix of Hierarchical classification based on object-oriented classification

表5 規(guī)則分類分類精度評(píng)價(jià)Table 5 Confusion matrix of rules classification based on object-oriented classification

由表4和表5可以看出，分層分類方法的結(jié)果要優(yōu)于規(guī)則分類，分層分類方法的總體精度可達(dá)89.62%，而規(guī)則分類的總體精度只有84.43%，雖然與分層分類的閾值相同，由于單一分割尺度造成的過分割或者欠分割導(dǎo)致精度降低了5.19個(gè)百分點(diǎn)，這說明分割結(jié)果對(duì)分類精度有直接影響。

4 結(jié) 論

通過對(duì)洞庭湖濕地開展尺度分割研究，得到以下結(jié)論：(1)不同濕地類型對(duì)應(yīng)不同最優(yōu)分割尺度，利用局部評(píng)分指標(biāo)能夠找到濕地類型的最優(yōu)分割尺度；(2)最優(yōu)分割尺度的大小與其分布的細(xì)碎程度有直接關(guān)系，分布最為集中的水體與泥灘地，最優(yōu)分割尺度為120，而較為分散的蘆葦以及苔草最優(yōu)分割尺度為80，最為細(xì)碎的辣蓼+泥蒿與雜草，最優(yōu)分割尺度為50；(3)分層分類方法優(yōu)于單一分割尺度的規(guī)則分類方法，盡管兩類分類算法的分類特征以及閾值設(shè)置相同，但是分層分類總體精度高于規(guī)則分類5.19個(gè)百分點(diǎn)，又說明分割尺度對(duì)分類精度有直接影響。

[1]東啟亮,林 輝,孫 華,等.獨(dú)立分量分析與主成分分析方法的濕地遙感分類精度對(duì)比——以西洞庭湖濕地為例[J].濕地科學(xué),2014,(3): 332-339.

[2]劉 冰,林 怡.基于決策樹方法的ETM+影像濕地信息提取[J].測(cè)繪工程,2013,22(1):63-66,69.

[3]馮霞,秦 昆,崔衛(wèi)紅,等.高分辨率遙感影像目標(biāo)形狀特征多尺度描述與識(shí)別[J].遙感學(xué)報(bào),2014,(1):97-110.

[4]吳 見, 彭道黎. 高光譜遙感林業(yè)信息提取技術(shù)研究進(jìn)展[J].光譜學(xué)與光譜分析,2011,(9):2305-2312.

[5]李 娜,周德民,趙魁義.高分辨率影像支持的群落尺度沼澤濕地分類制圖[J].生態(tài)學(xué)報(bào),2011,(22):6717-6726.

[6]莫利江,曹 宇,胡遠(yuǎn)滿,等.面向?qū)ο蟮臐竦鼐坝^遙感分類——以杭州灣南岸地區(qū)為例[J].濕地科學(xué),2012,(2): 206-213.

[7]于 歡,張樹清,孔 博,等.面向?qū)ο筮b感影像分類的最優(yōu)分割尺度選擇研究[J].中國圖象圖形學(xué)報(bào),2010,(2): 352-360.

[8]李 秦,高錫章,張 濤,等.最優(yōu)分割尺度下的多層次遙感地物分類實(shí)驗(yàn)分析[J].地球信息科學(xué)學(xué)報(bào),2011,(3): 409-417.

[9]宋仁飛,林 輝,臧 卓,等.東洞庭湖濕地植被高光譜數(shù)據(jù)變換及識(shí)別[J].中南林業(yè)科技大學(xué)學(xué)報(bào),2014,34(11): 135-139.

[10]崔 巍,李 榮,姚志武,等.基于分維的遙感影像最佳分割尺度研究[J].武漢理工大學(xué)學(xué)報(bào),2011,(12):83-86.

[11]魯 恒,李永樹,唐 敏.面向?qū)ο蟮纳降貐^(qū)域多源遙感影像分割尺度選擇及評(píng)價(jià)[J].山地學(xué)報(bào),2011,(6): 688-694.

[12]Szantoi Z, Escobedo F, Abd-Elrahman A, et al. Analyzing fine-scale wetland composition using high resolution imagery and texture features[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 204-212.

[13]Johnson B, Xie Z. Unsupervised image segmentation evaluation and refinement using a multi-scale approach[J]. ISPRS journal of photogrammetry and remote sensing, 2011, 66(4): 473-483.

[14]Small C, Milesi C. Multi-scale standardized spectral mixture models[J]. Remote Sensing of Environment, 2013, 136: 442-454.

Select optimal segmentation scale of wetlands using remote sensing data

HU Jia1, LIN Hui1, SUN Hua1, DONG Qi-liang2, HE Xiao-feng1
(1. Research Center of Forestry Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China; 2.The Remote Sensing Center of Hebei Province, Shijiazhuang 050021, Hebei, China)

Image segmentation is the basis steps and key technology of object-oriented analysis methods. And the segmentation scale is the core of segmentation. However, the uniform evaluation system for quantitative evaluation of segmentation scale was not established yet. Dong Dongting Lake was the study area in this paper. Its purpose is to explore the optimal segmentation scale of different wetland types for GF-1 remote sensing images. After use the normalized average variance and normalized Moran ‘I to build a global score index based the fusion image of panchromatic and multispectral GF-1 data, it can find the optimal segmentation scale of different wetland types. What’s more, the direct relationship can be found between the optimal segmentation scale and the size of its crushing distribution. Then, by compare the overall classification accuracy of hierarchical classification and rules classifications which were based the same effective image feature and spectrum threshold, the result show that the overall accuracy of hierarchical classification that is 89.62% is higher than the overall accuracy of rules classification which is 84.43%. It can be drawn that segmentation results have a greater impact on the classification accuracy.

wetland; remote sensing; optimal segmentation scale; hierarchical classification; dong Dongting lake

S771.8

A

1673-923X(2015)11-0032-06

10.14067/j.cnki.1673-923x.2015.11.007

2015-07-10

國家重大專項(xiàng)(21-Y30B05-9001-13/15-2)；國家自然科學(xué)基金項(xiàng)目(31370639)；湖南省高校產(chǎn)業(yè)化培育項(xiàng)目(13CY011)

胡 佳，碩士研究生

林 輝，教授，博士生導(dǎo)師；E-mail：1053460198@qq.com

胡 佳，林 輝，孫 華，等. 濕地類型遙感影像分割最優(yōu)尺度選擇[J].中南林業(yè)科技大學(xué)學(xué)報(bào), 2015, 35(11): 32-37.

[本文編校：吳 毅]