皇甫潤，李 傲

(1.華北理工大學(xué) 礦業(yè)工程學(xué)院，河北 唐山 063210；2.山東科技大學(xué) 測繪科學(xué)與工程學(xué)院，山東 青島 266510)

0 引言

在遙感的空間信息提取技術(shù)中，傳統(tǒng)的影像分類方法是基于像元的分類方法，包括非監(jiān)督分類方法和監(jiān)督分類方法。由于基于像元的分類方法僅根據(jù)光譜信息進行影像分類，因此存在很多難以解決的問題，最主要的是會出現(xiàn)同物異譜現(xiàn)象和同譜異物現(xiàn)象，造成不同類別地物信息的混分，分類精度較低。隨著遙感技術(shù)的發(fā)展，影像中包含的信息越來越豐富，為了進一步滿足日益增長的應(yīng)用和研究的需求，對遙感影像信息提取技術(shù)的要求也越來越高。由此，為了提高遙感影像的總體分類精度，在技術(shù)研究的不斷深入下出現(xiàn)了一種新的提取方法——面向?qū)ο蠓诸惙椒ā?/p>

國內(nèi)許多學(xué)者對面向?qū)ο蠓诸惙椒ㄟM行了廣泛的研究。孫天天等[1]利用面向?qū)ο蠓诸惣夹g(shù)，從GeoEye影像和IKONOS影像中提取各類地物信息，得到了較高的提取精度；陳俊任等[2]對高分遙感影像的地物信息基于分層次、多尺度分割的面向?qū)ο蠓诸惣夹g(shù)進行了分類，充分利用了圖像的光譜和空間特征，在地物信息提取中取得了良好的效果；曹應(yīng)舉等[3]利用面向?qū)ο蠓诸惣夹g(shù)對土地利用類型進行了分類，分類精度為88.2%，Kappa系數(shù)為0.848；張潔等[4]基于高分一號衛(wèi)星影像利用面向?qū)ο蠓诸惣夹g(shù)并結(jié)合分形網(wǎng)絡(luò)演化多尺度分割方法對青海省天峻縣江倉第五露天礦區(qū)的地物信息進行了提取和分類，影像分類結(jié)果質(zhì)量優(yōu)良，可以有效減少混合像元的干擾；于海若等[5]基于Landsat 8遙感影像選用決策樹規(guī)則的面向?qū)ο蠓诸惙椒▽Υ笸偷V區(qū)的地物信息進行了提取、對地物類型進行了分類；袁定波等[6]基于TM遙感影像采用面向?qū)ο蠓诸惙椒▽魇⌒掠嗍械牡V區(qū)地物信息進行了動態(tài)監(jiān)測，結(jié)果表明面向?qū)ο蠓诸惙椒苡行П苊夥诸悤r出現(xiàn)的“椒鹽”現(xiàn)象，分類結(jié)果精度較高；朱元峰等[7]基于資源一號02C影像對贛州市的某一稀土礦區(qū)地物信息進行了面向?qū)ο蟮男畔⑻崛⊙芯浚诸惤Y(jié)果總體精度達到78.71%。

以上研究表明，采用面向?qū)ο蠓诸惙椒?，能夠?qū)崿F(xiàn)礦區(qū)地物類型分類，并獲得較高精度。但由于不同的礦山開采環(huán)境不同，地表環(huán)境多變，提取礦區(qū)地物信息需要考慮不同的特征因素，因此，采用不同方法對提取礦區(qū)遙感影像地物信息進行對比研究實屬必要。本研究基于白云鄂博礦區(qū)的Landsat-8衛(wèi)星遙感影像，采用非監(jiān)督分類、監(jiān)督分類和面向?qū)ο蠓诸惾N方法對礦區(qū)地物進行空間信息提取工作，并對分類的結(jié)果進行綜合評定，以比較三種方法對礦區(qū)地物分類的精度和效果。

1 研究區(qū)概況

白云鄂博礦區(qū)屬內(nèi)蒙古自治區(qū)包頭市管轄，位于陰山之北，烏蘭察布草原的西北部，區(qū)域面積328.64平方公里。白云鄂博礦區(qū)有著豐富的礦產(chǎn)資源，更重要的是蘊藏著世界已探明總儲量41%以上的稀土資源，是享譽世界的“稀土之都”。它屬于中溫帶大陸性氣候，溫度低，降水少，氣候干旱且多風(fēng)沙，全年溫差變化大。夏季干旱少雨，冬季干燥寒冷，春季干旱風(fēng)沙大，秋季日照多清爽。常年風(fēng)向為西北風(fēng)和西南風(fēng)，最大風(fēng)速為23.3 m。年降雨量為238.3 mm，集中于七八兩個月，年日照時數(shù)2 882.2 h。

2 遙感數(shù)據(jù)的選取及特征

選取白云鄂博礦區(qū)Landsat-8衛(wèi)星遙感數(shù)據(jù)，影像時間為2018年4月27號，由于成像季節(jié)是春季末夏季初，地表植被較為茂盛，因此便于識別地貌覆蓋的類型，所獲取的影像質(zhì)量較好，衛(wèi)星過境時天氣狀況表現(xiàn)良好，云量為0.1。

Landsat-8遙感衛(wèi)星影像共有11個波段，其中多光譜波段有8個，分別為1波段海岸波段，波長0.43～0.45 μm；2波段藍波段，波長0.45～0.51 μm；3波段綠波段，波長0.53～0.60 μm；4波段紅波段，波長0.63～0.68 μm；5波段近紅外波段，波長0.85～0.88 μm；6波段短波紅外1波段，波長1.56～1.66 μm；7波段短波紅外2波段，波長2.10～2.30 μm；9波段卷云波段，波長1.36～1.39 μm。以上8個波段空間分辨率均為30 m。全色波段1個，即8波段全色波段，波長0.50～0.68 μm，空間分辨率為15 m。熱紅外波段2個，分別為10波段熱紅外1波段，波長10.60～11.19 μm；11波段熱紅外2波段，波長11.50～12.51 μm，空間分辨率為100 m。

3 研究區(qū)地物信息提取

3.1 最佳波段選取

最佳波段選取的原則是信息量最大化、相關(guān)性最小化[8]、目標地物與其他地物有很好的可分性。分別選取遙感影像的短波紅外2波段、近紅外波段和藍波段為最佳波段，采用加色法的合成方法，將紅、綠、藍三色分別賦予到這三個波段上合成一幅新的圖像，即7，5，2波段假彩色合成圖像。選取紅波段、綠波段、藍波段為最佳波段，采用上述合成方法合成一幅新的圖像，即4，3，2波段真彩色合成圖像。礦區(qū)最佳波段合成圖像結(jié)果見圖1。

(a)假彩色合成圖像

圖1中的第一幅為7，5，2波段假彩色合成圖像，第二幅為4，3，2波段真彩色合成圖像，通過對比兩幅圖可以明顯地觀察到，假彩色合成圖像的色調(diào)明亮、色彩飽和度好、信息量較多、可分性較強，較之于4，3，2波段真彩色合成圖像色調(diào)灰暗、色彩不飽和、信息量相對較少來說，這種合成方法非常適合應(yīng)用于地物信息的提取。

3.2 非監(jiān)督分類

選用非監(jiān)督分類方法中的ISODATA法進行空間信息提取。首先執(zhí)行非監(jiān)督分類，得到一個初步的分類結(jié)果，然后通過對高分辨率影像目視解譯進行類別定義的操作。由于選擇的分類類別數(shù)量是最終結(jié)果類別數(shù)量的2～3倍，所以類別定義完成后需要把相同類別合并。礦區(qū)非監(jiān)督分類地物信息提取結(jié)果見圖2。

圖2 礦區(qū)非監(jiān)督分類地物信息提取結(jié)果

由圖2可知，非監(jiān)督分類方法對細部的處理能力很強，但是對于不同類型的地物區(qū)分能力不高，對于面積較小的地物類型區(qū)分的不是很明顯，如廢石、運輸?shù)缆返?。結(jié)合非監(jiān)督分類過程分析，出現(xiàn)這種情況的原因應(yīng)該是在執(zhí)行非監(jiān)督分類時只給出了圖像粗糙分類，類型數(shù)量較多，很多地物類型交織在一起，在后續(xù)的類別定義當(dāng)中無法將各種地物類型完美地分離出來，這就使得較小面積的地物類型被分類到其他類型中，這也是同物異譜現(xiàn)象和異物同譜現(xiàn)象導(dǎo)致集群組與類別間匹配難度大的結(jié)果。

3.3 監(jiān)督分類

監(jiān)督分類第一步是定義訓(xùn)練樣本，主要用到目視解譯的方法，通過分析假彩色合成圖像，定義9類樣本：尾坑池、礦區(qū)建筑、運輸鐵路、廢石、露天礦坑、尾坑、草地、開采場、裸地。在圖像上分別繪制不同地物類型的最小圖斑，數(shù)量根據(jù)圖像大小來確定。定義訓(xùn)練樣本完成后，根據(jù)分類的復(fù)雜度和精度需求選擇最大似然分類器執(zhí)行監(jiān)督分類。礦區(qū)監(jiān)督分類地物信息提取結(jié)果如圖3所示。

圖3 礦區(qū)監(jiān)督分類地物信息提取結(jié)果

由圖3可知，監(jiān)督分類無論是在細部的處理上還是在不同地物類型的區(qū)分上精度都高于非監(jiān)督分類。監(jiān)督分類較好地將草地和裸地進行了區(qū)分，對露天礦坑和尾坑區(qū)分也比較明顯，具有清晰的輪廓。缺點是依舊沒有將運輸鐵路和礦區(qū)建筑清晰地區(qū)分出來，而且由于原圖像中廢石和草地兩種地物類型的顏色相近，這兩種地物區(qū)分度也不高?？傮w來講，監(jiān)督分類方法比非監(jiān)督分類方法區(qū)分度高。

3.4 面向?qū)ο蠓诸?/h3>

基于樣本的面向?qū)ο蠓诸惙椒?，是通過訓(xùn)練樣本數(shù)據(jù)區(qū)對剩余數(shù)據(jù)進行分類，但與傳統(tǒng)的基于像元的監(jiān)督分類方法不同，傳統(tǒng)方法中的訓(xùn)練樣本是由多個像元組成，只能利用樣本的光譜信息，而面向?qū)ο蠓诸惖臉颖居蓪ο蠼M成，既可以利用影像的光譜信息，也可以利用影像的幾何信息和紋理信息。本研究選用面向?qū)ο蟮姆诸惙椒?，首先進行圖像分割與合并，在多次嘗試后，選擇分割尺度為45，合并尺度為80。圖像分割與合并完成后，進入到分類過程：選擇樣本，建立9種地物類別；然后設(shè)置樣本屬性，選擇默認設(shè)置為所有的屬性都被選擇，接著選擇分類算法，選擇K鄰近法；最后輸出分類結(jié)果。礦區(qū)基于樣本的面向?qū)ο蠓诸惖匚镄畔⑻崛〗Y(jié)果見圖4。

圖4 礦區(qū)面向?qū)ο蠓诸惖匚镄畔⑻崛〗Y(jié)果

由圖4可知，各類地物都有較為清晰的輪廓，分類精度較好。美中不足的地方是在圖像上開采場這一地物類型和礦區(qū)周邊部分地塊具有相似的色彩和紋理，致使部分開采場被劃分到周邊某些地物類型中，產(chǎn)生錯分；另外，由于影像為4月份的影像，草還沒有完全長出來，所以裸地和草地也產(chǎn)生了錯分。

4 精度評價

采用混淆矩陣方法對分類結(jié)果進行評價。遙感軟件ENVI計算混淆矩陣的方法有兩種，第一種方法是使用一幅地表真實圖像，第二種方法是使用地表真實感興趣區(qū)。下面使用地表真實感興趣區(qū)來計算混淆矩陣。

混淆矩陣中主要包含兩項內(nèi)容。①總體分類精度：是正確分類的像元數(shù)與總像元數(shù)的比值。正確分類的像元數(shù)在混淆矩陣中沿對角線排布。②Kappa系數(shù)：是在考慮了混淆矩陣對角線以外的各種漏分和錯分像元后所得到的評價分類精度的數(shù)值。

礦區(qū)三種分類方法精度對比見表1。

表1 礦區(qū)三種分類方法精度對比

由表1可知，面向?qū)ο蠓诸惙椒ň茸罡?，在空間信息分類中具有較大優(yōu)勢，更適合于礦區(qū)的空間信息提取工作。三種分類方法分類精度由高到低依次是面向?qū)ο蠓诸?、監(jiān)督分類和非監(jiān)督分類。面向?qū)ο蠓诸惙椒ň茸罡叩脑蚴牵哼@種方法在影像分析中不僅利用了地物的光譜信息，而且更多地利用了地物的幾何信息和紋理信息，大大降低了同物異譜現(xiàn)象和同譜異物現(xiàn)象對影像信息提取帶來的干擾，減少了錯分和漏分，從而提高了影像的分類精度。監(jiān)督分類和非監(jiān)督分類在影像分析中只利用了地物的光譜信息，但監(jiān)督分類在進行地物分類的過程中會建立訓(xùn)練樣本，并對訓(xùn)練樣本的可分離性進行衡量，是一個先學(xué)習(xí)后分類的過程；而非監(jiān)督分類是憑借像元的灰度值進行盲目分類，不會在分類前加入任何的先驗知識，是一個邊學(xué)習(xí)邊分類的過程，這就使得監(jiān)督分類方法的分類精度高于非監(jiān)督分類方法的分類精度。

5 結(jié)論

(1)采用非監(jiān)督分類、監(jiān)督分類與面向?qū)ο蠓诸惾N方法對遙感影像地物信息進行分類提取，經(jīng)過對比分析發(fā)現(xiàn)，面向?qū)ο蠓诸惙椒▽ΦV區(qū)地物信息進行了較好的提取，精度更高，在實際工作中應(yīng)選用此方法對遙感影像地物信息進行分類提取。

(2)總體而言，三種方法的分類精度都沒有預(yù)想的高，原因是遙感數(shù)據(jù)本身的空間分辨率和光譜分辨率不高，影像中還是存在著同物異譜和同譜異物的現(xiàn)象，而且影像中有幾類地物的幾何信息和紋理信息也很相似，致使在分類過程中出現(xiàn)錯分，降低了分類的精度；另外，在使用ENVI軟件進行地物信息提取的過程中，試驗次數(shù)不夠充分，設(shè)置參數(shù)沒有達到最優(yōu)化，也使得最后的分類精度沒有預(yù)想中的高。