張 藝，丁曉光，李 苗

（陜西省地震局，陜西 西安 710068）

0 引言

遙感技術(shù)能夠快速、實時獲取多時相、高分辨率的海量對地觀測數(shù)據(jù)，為震后救援和災(zāi)害損失評估提供了可靠的數(shù)據(jù)源。對于地震應(yīng)急部門而言，第一時間獲取現(xiàn)場災(zāi)害信息是至關(guān)重要的，而現(xiàn)場信息最主要的表現(xiàn)就是地物，例如建筑物倒損信息的快速獲取，由此判斷極重災(zāi)區(qū)的分布位置；道路作為應(yīng)急救援的生命線，快速提取道路分布圖，判斷通行能力等，由此可見，精準地物信息提取的重要性。

高分二號（GF-2） 衛(wèi)星是我國自主研制的首顆空間分辨率優(yōu)于1 m的民用光學遙感衛(wèi)星，如何深入挖掘該影像的應(yīng)用潛力，提取高精度的地物信息是當前的重要研究方向。相較于中低分辨率影像，高分辨率影像中的地物外部輪廓更加清晰，光譜異質(zhì)性更強，且光譜波段數(shù)目相對較少，傳統(tǒng)的地物信息提取方法效果不理想， 因此， BattzM和Schape［1］于1999年提出了面向?qū)ο蟮姆治龇椒ǎ∣bject Oriented Analysis，OOA）。該方法充分利用地物光譜信息及形狀、紋理和上下文關(guān)系等空間信息，將影像對象和像元作為影像分析單元進行地物信息提?。?-4］。其中，多尺度分割是一種面向?qū)ο蟮膱D像分割算法，是面向?qū)ο蠹夹g(shù)的基礎(chǔ)和關(guān)鍵，分割尺度的選擇將直接影響最終信息提取的精度與質(zhì)量，因此研究遙感影像分割尺度是十分必要的。

1 研究區(qū)域與數(shù)據(jù)

本文研究區(qū)地處渭河盆地中部，西安市城北，地勢平坦，地物種類較齊全，含建筑物、植被、河流等，圖像噪聲污染較少，形狀、光譜信息差距較大，符合多尺度分割研究的目的。數(shù)據(jù)源采用“高分二號”的1m/4m影像數(shù)據(jù)，成像時間為2016年12月5日04時02分51秒，太陽高度角為57.3923°，太陽方位角為171.397°，影像包括紅、綠、藍、近紅外四個多光譜波段，以及一個全色波段。

圖1 研究區(qū)影像Fig.1 Study area image

2 影像預(yù)處理

由于受遙感系統(tǒng)空間、時間以及輻射分辨率的限制，原始數(shù)據(jù)存在著很多干擾，很難精確的記錄地表復(fù)雜信息，例如因地形起伏和傳感器誤差而引起的像點位移，大氣反射誤差等等，這些誤差降低了遙感數(shù)據(jù)的質(zhì)量，需要進行數(shù)據(jù)預(yù)處理來降低和消除干擾，從而提高圖像分析的精度［5-6］。 高分二號數(shù)據(jù)的預(yù)處理借助于ENVI5.3平臺，具體流程如圖1所示：其中，輻射定標是為了建立影像DN值與實際輻射亮度值之間的定量關(guān)系，使反演結(jié)果具有應(yīng)用價值；大氣校正是為了消除大氣和光照等因素對地物反射的影響，從而獲取地物反射率、輻射率、地表溫度等物理參數(shù)，本文運用了ENVI軟件中的FLAASH大氣校正模塊，原理是運用輻射傳輸模型算法，將輻射亮度值轉(zhuǎn)為地表真實反射率值；正射校正是利用數(shù)字高程模型（DEM）、地面控制點、校正模型對影像進行傾斜校正與投影校正，消除影像由于衛(wèi)星姿態(tài)、地面起伏引起的像點偏移，進而轉(zhuǎn)換為正射影像的過程；圖像融合既可以保留多光譜的真彩色信息，又能保留全色波段的高空間分辨率信息，以便進行更高效、更準確的信息提取。

圖2 GF-2影像處理流程圖Fig.2 GF-2 image processing flowchart

3 影像解譯

本文中各地類的解譯通過面向?qū)ο蠓椒▉韺崿F(xiàn)，但是要實現(xiàn)高質(zhì)量的面向?qū)ο蠓诸?，就需要進行多尺度分割，對分割尺度的選取需要進行合理的技術(shù)優(yōu)化，因地制宜的選擇合適的尺度是面向?qū)ο笮畔⑻崛〉闹匾Ｕ希?-8］。圖像分割完成后，還需要借助各地物的光譜特征、形狀特征等參量，進行影像分層信息提取。在影像分割前，可以先確定分類體系，并對各地物類進行光譜信息采集與統(tǒng)計分析，以便進行之后地物類別的劃分［9］。

3.1 分類體系的建立

考慮到本文研究目的以及真實的下墊面情況，結(jié)合影像的實地特點，將地物分為以下5類，建筑物（主要包括樓房、簡易房等）、植被（主要包括耕地、草地、城市綠化帶等）、道路（主要包括城市主干道、鄉(xiāng)間小路等）、荒地（主要包括巖石、裸地等）、水體（主要包括河流、池塘等）。遙感影像中不同地物或?qū)ｎ}要素所呈現(xiàn)出的光譜特征與其實際反射值有一定的差距，即光譜響應(yīng)特征，同一類型的地物通常具有相似的光譜響應(yīng)特征，不同地物則表現(xiàn)出不同的特征，因此光譜響應(yīng)特征是區(qū)別不同地物的重要依據(jù)。本文通過目視解譯的方式先將要提取的地物分辨出來，進行光譜信息采樣，分別建立5種地物的光譜曲線，統(tǒng)計分析每種地物有別于其它地物的特征點，如圖3，可判斷出：①水體在近紅外波段（0.77～0.89μm） 的反射率最低，可以通過該指標與其它地物進行區(qū)分；②建筑物在可見光波段的反射率最高；③道路與荒地的光譜特征變化趨勢相似，可借助于形狀特征進行區(qū)別；④植被可以通過構(gòu)建NDVI指數(shù)進行信息提取。

圖3 不同地物光譜曲線圖Fig.3 Spectral curve of different objects

3.2 影像分割實驗——以提取植被信息為例

影像分割是遙感影像面向?qū)ο蠓诸惖那疤?，分割結(jié)果直接影響目標信息識別的精度［10-11］。本文借助于eCognition軟件對研究區(qū)高分二號影像進行分割實驗。

3.2.1 研究尺度參數(shù)對分割結(jié)果的影響

實驗首先通過固定緊致度因子和形狀因子，研究尺度參數(shù)大小對分割結(jié)果的影響。為了排除其他因子的影響，緊致度因子、形狀因子均設(shè)定為0.5，在尺度參數(shù)值范圍10～300（以10為單位遞增）內(nèi)進行分割實驗。分割結(jié)果顯示尺度參數(shù)在110以下對植被的分割效果極為破碎，不適合研究區(qū)域植被的分割，因此分割尺度在110以下忽略不嘗試。

通過對分割尺度參數(shù)在110～300范圍內(nèi)分割結(jié)果進行對比發(fā)現(xiàn)：在形狀因子、緊致度因子均為0.5的條件下，尺度參數(shù)設(shè)置得越小，分割得到的植被對象數(shù)量就越多，對象的面積越小，圖4是分割尺度分別為110、150、200、220下植被的分割效果。

圖4 相同的形狀和緊致度因子不同尺度下植被的分割結(jié)果圖Fig.4 The segmentation results of vegetation at different scales with the same shape and compact factor

對比110～300分割效果圖發(fā)現(xiàn)，在相同緊致度因子和形狀因子下，小尺度的分割效果相當于是在較大尺度分割輪廓上的再分割。如圖4中的B和C，緊致度因子和形狀因子均為0.5時，分割尺度150相當于是200尺度下的再分割。隨著尺度參數(shù)越來越大，影像分割趨于飽和，分割效果的變化越來越不明顯，如200與220的分割尺度在分割效果上差異極小，即分割輪廓變化不大。因此需要考慮改變形狀因子和緊致度因子來實現(xiàn)對植被較好的分割效果。

3.2.2 研究形狀因子和緊致度因子對分割效果的影響

為了研究形狀因子和緊致度因子對植被分割效果的影響，將分割尺度參數(shù)固定為較適中的150，向符合本研究區(qū)域植被分割效果的方向調(diào)整形狀因子和緊致度因子，嘗試將形狀因子調(diào)小或者將緊致度因子調(diào)整較大進行分割實驗，對比幾種因子下分割效果，如圖5所示。

圖5 相同分割尺度為150時不同緊致度、形狀因子下植被的分割結(jié)果圖Fig.5 The segmentation results of vegetation under different shape and compact factors but the same segmentation scale of 150

通過對尺度參數(shù)為150時不同形狀因子和緊致度因子的植被分割效果進行對比發(fā)現(xiàn)，相較于形狀因子和緊致度因子均為0.5的分割效果，形狀因子為0.4時的分割效果相較0.5時更為細碎，不太符合研究區(qū)域分割植被邊界特點；而緊致度因子為0.4、0.3時分割效果變化不大。通過反復(fù)對比實驗，最終將植被的分割尺度確定為150，緊致度因子確定為0.4，形狀因子確定為0.5。

3.3 各地物分割參數(shù)的確定

如果采用同一個尺度對所有地物進行分割，即使能夠滿足一種地物的分割效果，但不一定會滿足其他地物，尤其在類似于本研究區(qū)的影像中，地物分布復(fù)雜，不同地物的邊界也較為復(fù)雜的情況下，會造成分割效果不理想。例如，對實驗3.2.1中110～300尺度下的分割效果進行對比，發(fā)現(xiàn)植被分割較為合適的尺度下，左上角小部分建筑物卻存在“欠分割”現(xiàn)象。因此，運用3.2.1、3.2.2的方法，對剩下的地物進行分割尺度、緊致度因子、形狀因子研究實驗，最后篩選出各類地物的最優(yōu)分割參數(shù)，分別定義為Level1、Level2、Level3，如表1所示：建筑物、道路的最優(yōu)分割尺度為80，最優(yōu)緊致度因子和形狀因子分別為0.4和0.4；植被、水體的最優(yōu)分割尺度為100，最優(yōu)緊致度因子和形狀因子分別為0.4和0.5；荒地的最優(yōu)分割尺度為120，最優(yōu)緊致度因子和形狀因子分別為0.4和0.5。

表1 不同地物的最優(yōu)分割參數(shù)

3.4 面向?qū)ο蟮母鞯匚镄畔⑻崛?/h3>

在圖層分割完成的基礎(chǔ)上，本文將采用模糊分類法對各類地物信息進行提取。模糊分類是根據(jù)對象的分類特征賦予其歸于某類的隸屬度，即模糊化的過程，然后進行模糊規(guī)則推理，將各類特征隸屬度組成隸屬度元組，再根據(jù)隸屬度元組將其歸于某類目標地物［10］。具體運用eCognition軟件中assign class與classification算法，參考Update range功能，確定每種地物的隸屬度臨界值，建立規(guī)則集，從簡單到復(fù)雜進行目標地物信息提取。

3.4.1 植被、水體信息提取

打開Level2分割結(jié)果，依據(jù)3.1中光譜特征的分析，水體在近紅外波段（0.77～0.89μm） 的反射率最低，因此查看Object features中近紅外閾值，通過Update range設(shè)置范圍，提取水系；通過自定義特征，構(gòu)建歸一化植被指數(shù)（NDVI）， 確定植被閾值范圍為 ［0.2～0.9］， 提取植被。

3.4.2 荒地信息提取

打開Level3分割結(jié)果，排除植被與水體后，利用亮度、差異性、以及形狀不規(guī)則性進行閾值范圍設(shè)置，提取荒地。

3.4.3 建筑物、道路信息提取

建筑物與道路的區(qū)分最為復(fù)雜，打開Level1分割結(jié)果，由于建筑物在可見光波段的反射率最高，其形狀基本近似于矩形，因此運用光譜特征與形狀特征相結(jié)合的方式，建立規(guī)則集，提取建筑物；利用密度、長寬比等進行閾值分割，提取道路。

目標地物信息提取后，有一部分地物難以識別，將其歸為未識別地類，地物信息提取結(jié)果如圖6所示。

圖6 地物信息提取結(jié)果Fig.6 Feature information extraction result

4 結(jié)論與討論

本文選用高分二號影像數(shù)據(jù)作為研究對象，采用多尺度分割的面向?qū)ο蠓诸惙椒?，結(jié)合影像豐富的幾何、紋理、光譜等信息，借助于eCognition平臺建立最優(yōu)的分類規(guī)則，較好的提取了目標地物，更在一定程度上提高了分類精度。

但依然存在以下幾個問題：

（1） 本文只選取了渭河盆地北部比較平坦的地區(qū)作為研究對象，缺乏山地，因此，下一步將選取渭河盆地南部包括秦嶺山地作為研究對象，深入研究分割尺度對地物信息提取的影響，并將該成果應(yīng)用于應(yīng)急救援中。

（2） 太陽照射時，因高樓產(chǎn)生的陰影部分難以進行地物區(qū)分，不僅使一部分地物未識別，也使陰影下的植被與道路存在錯分現(xiàn)象，因此，下一步可以借助于不同時間段的高分影像，研究陰影下地物的分割尺度，進行解譯。