薛永福，劉 煒，樊 瑤，趙爾平

（西藏民族大學(xué)西藏光信息處理與可視化技術(shù)重點(diǎn)實(shí)驗(yàn)室，咸陽 712000）

引 言

傳統(tǒng)的基于像元的影像監(jiān)督分類方法，如最大似然分類(Maximum Likelihood Classification，MLC)[1]、支持向量機(jī)分類(Support Vector Machines，SVM)[2]、神經(jīng)網(wǎng)絡(luò)分類(Neural Network Classification，NNC)[3]等，對(duì)于中低分辨率遙感影像能夠利用地物的光譜信息取得一定的分類精度[4]。但對(duì)于高分辨率影像，采用傳統(tǒng)監(jiān)督分類方法會(huì)產(chǎn)生“同物異譜，同譜異物”的現(xiàn)象[5]，無法利用高分辨率影像的優(yōu)勢，不能靈活地處理各種地物的不同特征[6]。鑒于此，本文設(shè)計(jì)了基于規(guī)則的面向?qū)ο蠓诸惙椒?Rulebased Object-oriented Classification Method，ROOC)，該方法有3 個(gè)特點(diǎn)：1）對(duì)于光譜特征混淆的地物類別，僅使用光譜歸一化植被指數(shù)（NDVI）、歸一化水體指數(shù)（NDWI）等來增強(qiáng)地物信息，無法有效區(qū)分。因此加入原始波段光譜特征構(gòu)建多種光譜分類規(guī)則函數(shù)輔助與其他地物進(jìn)行區(qū)分，提高準(zhǔn)確度；2）利用對(duì)象（地物圖斑）代替像元作為最小圖像處理單元，可以有效避免基于像元分類產(chǎn)生的局限，依據(jù)地物圖斑在不同分割層下的大小及形狀不一致的特征，利用多尺度分割將影像分割為3 個(gè)不同分割尺度的對(duì)象層，避免多種地物在同一層因光譜特征產(chǎn)生混淆，在識(shí)別高分辨率影像地物圖斑方面有著其優(yōu)勢，可以有效提高分類效率及準(zhǔn)確性[7-9]，同時(shí)也更加符合人類的主觀判斷；3）為辨識(shí)光譜特征相近的地物，在利用光譜特征構(gòu)建分類規(guī)則函數(shù)與不同分割尺度對(duì)象層的同時(shí)，利用歸一化特征波段（NDVI、NDWI）參與分割提高分類精度。

本文選取杭州市西湖區(qū)作為研究區(qū)域，以WorldView-2 遙感影像作為基礎(chǔ)數(shù)據(jù)源，測試了ROOC方法與3種監(jiān)督分類方法(MLC、SVM、NNC)對(duì)6 種地物的識(shí)別精度，并依據(jù)目視評(píng)價(jià)和定量分析對(duì)比分類結(jié)果。

1 數(shù)據(jù)源與技術(shù)路線

1.1 數(shù)據(jù)源與預(yù)處理

本文采用杭州市西湖區(qū)2009 年12 月20 日的WorldView-2 影像，該數(shù)據(jù)成像質(zhì)量完好，晴空無云，保證了研究數(shù)據(jù)的合理性與可靠性。WorldView-2影像由4個(gè)空間分辨率為1.8 m 的多光譜波段和4 個(gè)空間分辨率為0.5 m 的全新光譜波段組成。具體波段參數(shù)范圍見表1。在多光譜波段下，星下點(diǎn)像元和偏離星下點(diǎn)20°地面空間分辨率為1.85 m 和2.07 m；在全色波段下，星下點(diǎn)像元和偏離星下點(diǎn)20°像元地面空間分辨率分別為0.46 m 和0.52 m。重訪觀測周期在1.0 m GSD 或以下時(shí)為1.1 d，在離天底20°或以下時(shí)為3.7 d。其多光譜與全色圖像如圖1所示。

圖1 WorldView-2多光譜影像與全色影像

表1 WorldView-2影像波段參數(shù)信息

首先對(duì)杭州市西湖區(qū)WorldView-2 影像進(jìn)行幾何校正、影像裁剪以及影像融合等處理。其中融合采用Gram -Schmidt Pan Sharpening 算法處理得到地物清晰、色彩完整的影像，預(yù)處理前、后杭州市西湖區(qū)遙感影像如圖2所示。

圖2 WorldView-2預(yù)處理前、后影像

1.2 技術(shù)路線

本文關(guān)鍵在于面向?qū)ο蠓诸惻c基于像元分類，具體技術(shù)路線如圖3所示。

圖3 技術(shù)路線

2 研究方法

2.1 地物類別統(tǒng)計(jì)

為辨別研究區(qū)域所存在的地物，以《土地利用現(xiàn)狀分類》GB/T 2010-2017 文獻(xiàn)為參考，目視觀測最終確定水體、道路、林地、草地、人工表面及陰影6類地物作為實(shí)驗(yàn)所提取分類的地物。影像中實(shí)際地物樣本如圖4(a)所示。通過對(duì)6 類地物樣本的遙感影像像元亮度值（Digital Number,DN）進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)不同地物在不同波段上的特征大小，得到其光譜曲線如圖4(b)所示，圖中可見，整體波段DN值的變化趨勢較為接近。其中在綠波段上，人工表面的DN值遠(yuǎn)大于其他地物；在近紅外波段上，林地的DN值遠(yuǎn)大于其他地物；針對(duì)以上情況，對(duì)人工表面和林地分類時(shí)可將綠波段與近紅外波段的差異情況作為重點(diǎn)分類參考。由于陰影與水體的曲線幾乎完全重合，說明兩類地物的光譜特征極其相似。因此，不建議將兩類地物同時(shí)進(jìn)行區(qū)分，可通過多尺度分割劃分不同對(duì)象層，分別提取陰影和水體。

圖4 地物樣本圖與不同波段DN均值曲線

2.2 多尺度分割

影像分割是以一定的分割尺度作為分割硬性標(biāo)準(zhǔn)，把影像分割成由多個(gè)像元組成的形狀大小不一致的若干獨(dú)立對(duì)象。經(jīng)過多尺度分割生成的對(duì)象邊緣精確、內(nèi)部統(tǒng)一，與真實(shí)地物及其相似。但不同的地物在同一尺度下進(jìn)行分割時(shí)可能會(huì)導(dǎo)致分割不均勻的現(xiàn)象。多尺度分割等級(jí)體系[10]是由一個(gè)個(gè)像元生成一個(gè)個(gè)較小對(duì)象，再從一個(gè)個(gè)較小對(duì)象逐漸生成較大的對(duì)象，自下而上形成的分割體系（見圖5）。該體系能夠使不同地物處在最佳分割層，得到最佳分割效果。

圖5 多尺度分割等級(jí)體系

分割的關(guān)鍵在于設(shè)置分割尺度數(shù)值與權(quán)重異質(zhì)性[11]，分割尺度數(shù)值的改變會(huì)導(dǎo)致對(duì)象的大小與數(shù)量發(fā)生變化，分割尺度小時(shí)生成對(duì)象的數(shù)量更多，對(duì)象所包含的像元數(shù)目就更少。而實(shí)現(xiàn)對(duì)象的權(quán)重異質(zhì)性最小化是得到最佳分割結(jié)果的重要條件。異質(zhì)性標(biāo)準(zhǔn)包括光譜(顏色)和形狀兩個(gè)因子，其中形狀因子又包括光滑度和緊致度，如式(1)~(2)所示：

其中，t為異質(zhì)性大小，hshape為形狀異質(zhì)性，hcolor為光譜異質(zhì)性，ω 為光譜權(quán)重(0<ω<1)，hcompact為緊致度異質(zhì)性，ωcompact為緊致度權(quán)重(0<ωcompact<1)，hsmooth為光滑度異質(zhì)性。形狀因子(Shape)和緊致度(Compact)[12]兩個(gè)參數(shù)直接影響分割效果。形狀因子的改變會(huì)直接影響目視效果，能直觀感受到對(duì)象形狀大小的明顯變化。緊致度影響總體緊致性，通過調(diào)整緊致度能有效把緊湊的地物和不緊湊的地物區(qū)分開[13]。

2.3 基于規(guī)則的信息提取

面向?qū)ο蠓诸愂抢梅指詈蟮玫降亩鄠€(gè)像元組成的形狀大小不一致的若干獨(dú)立完整的對(duì)象，通過其特征信息進(jìn)行分類的過程。其中基于規(guī)則的面向?qū)ο蠓诸惏ɡ么_定性規(guī)則和模糊性規(guī)則兩種方法。本文通過對(duì)6 類地物樣本的DN值進(jìn)行統(tǒng)計(jì)，根據(jù)統(tǒng)計(jì)結(jié)果分析不同地物之間的差異，采用確定性規(guī)則來提取不同類別地物。確定性規(guī)則是指將某一特征的臨界值通過設(shè)定閾值和邏輯運(yùn)算的方式作為確定地物類別的規(guī)則。若對(duì)象符合某一判定規(guī)則，則判定該影像對(duì)象屬于該類別。由于同一類地物也會(huì)表現(xiàn)出較大差異，一種規(guī)則可能無法準(zhǔn)確判別，因此可以建立一個(gè)由多種判別函數(shù)組合而成的規(guī)則集，只要滿足這個(gè)規(guī)則集，就可以進(jìn)行類別判定。

本文使用的基于規(guī)則的判別函數(shù)主要包括：歸一化水體指數(shù)（NDWI）、歸一化植被指數(shù)（NDVI）、亮度指數(shù)（Brightness）、均值函數(shù)（Mean）。其中NDWI用于提取和增強(qiáng)水體信息；NDVI 用于提取和增強(qiáng)植被信息；Mean主要是統(tǒng)計(jì)影像對(duì)象各個(gè)波段的平均數(shù)值信息；Brightness 是指一個(gè)對(duì)象光譜的平均值。

2.4 基于像元的監(jiān)督分類

基于像元的監(jiān)督分類是通過選取一定數(shù)量地物樣本，利用其光譜信息進(jìn)行訓(xùn)練，來獲得識(shí)別其他地物的分類規(guī)則，并利用分類規(guī)則對(duì)非樣本區(qū)域的像元進(jìn)行提取分類。以下介紹3 種監(jiān)督分類方法。

最大似然法[1]是以貝葉斯定理為基礎(chǔ)的一種具有理論性的點(diǎn)估計(jì)法。該方法假設(shè)每一個(gè)訓(xùn)練樣本的數(shù)據(jù)都呈正態(tài)分布，通過計(jì)算確定每個(gè)類別的分類函數(shù)，將所選像元與某一訓(xùn)練樣本的分類函數(shù)進(jìn)行判別，最終將該像元?jiǎng)澐值椒诸惡瘮?shù)似然度最高的類別之中。似然度判別函數(shù)為：

其中，Wi為第i類地物類別；Gi(X)為Wi判別函數(shù)；Gi(X)值表示特征向量X對(duì)Wi的歸屬概率，P(X/Wi)為Wi的概率分布，也稱為Wi的似然概率；P(Wi)為Wi的先驗(yàn)概率。

支持向量機(jī)分類[2]是一種基于統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)的機(jī)器學(xué)習(xí)方法。SVM 以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則以提高機(jī)器學(xué)習(xí)能力，即使樣本數(shù)量較少，也能構(gòu)建出類別分類器，可以較好地統(tǒng)計(jì)類與類之間的規(guī)律。其目的是使類與類之間的間隔最大化。

神經(jīng)網(wǎng)絡(luò)分類[3]是指利用基本處理單元模仿生物神經(jīng)元的過程，通過進(jìn)一步加工，利用算法將學(xué)習(xí)大腦的辨別、思考、搜索等過程應(yīng)用于分類，達(dá)到自主學(xué)習(xí)的功能。

3 實(shí)驗(yàn)流程

3.1 多尺度分割

由于研究區(qū)域地物較為復(fù)雜，不同地物具有不同的形狀、紋理特征，合理的分類層次能提高分類精度，經(jīng)過反復(fù)嘗試構(gòu)建了具有3 個(gè)層次的多尺度影像分割參數(shù)[14-15]見表2。

表2 多尺度影像分割最佳參數(shù)及提取信息描述

第一層：分割尺度為80，主要提取河流，但是由于城市區(qū)域內(nèi)的河流細(xì)長，因此尺度不應(yīng)太大。分割時(shí)選擇2、3、5、7 波段參與分割；另外附加一個(gè)NDWI((Green-NIR)/(Green+NIR))歸一化植被指數(shù)作為特征波段參與分割。形狀因子與緊致度分別選用0.3和0.5。

第二層：分割尺度為50，此地物主要提取林地、草地和陰影3個(gè)地物類型。該層次的對(duì)象對(duì)應(yīng)于分割層次中第一層水體之外的子對(duì)象。分割時(shí)除了使用4 個(gè)多光譜波段之外，還讓NDWI((Green-NIR)/(Green+NIR)) 和NDVI((NIR-Red)/(NIR+Red))兩個(gè)特征波段參與分割（陰影在兩個(gè)特征波段上與植被光譜特征差異較大），形狀因子與緊致度分別為0.3和0.5。

第三層：分割尺度為40，此地物上主要提取人工表面和道路兩個(gè)地物類型。該層次的對(duì)象對(duì)應(yīng)于分割層次中第二層提取目標(biāo)地物類別之外的子對(duì)象。分割時(shí)選用4 個(gè)多光譜波段，權(quán)重都設(shè)置為1.0，形狀因子與緊致度分別選用0.3和0.5。

3.2 基于規(guī)則的面向?qū)ο蠓诸?/h3>

本研究針對(duì)不同地物利用的分類方法也不同，確定性規(guī)則是通過某一特征設(shè)定的閾值范圍和邏輯運(yùn)算方式的情況，來確定影像對(duì)象是否屬于某一類別[16]。本文通過利用多種光譜分類函數(shù)分別對(duì)不同地物進(jìn)行試驗(yàn)，最終得到不同地物的分類規(guī)則，完成提取。

第一層：水體在綠波段有較強(qiáng)反射，而在近紅外波段內(nèi)吸收性最強(qiáng)。 因此使用NDWI=(Green-NIR)/(Green+NIR)歸一化水體指數(shù)來增強(qiáng)水體信息。由于水體與陰影光譜信息極其相似，因此選用NIR均值與NDVI= (NIR-Red)/(NIR+Red)歸一化植被指數(shù)進(jìn)行差異對(duì)比。

第二層：由于植被在紅波段內(nèi)幾乎無反射，而在近紅外波段反射較強(qiáng)，因此使用植被指數(shù)NDVI=(NIR-Red)/(NIR+Red)來增強(qiáng)植被信息。林地與草地在NDVI數(shù)值上有明顯區(qū)別，因此通過NDVI能夠?qū)α值嘏c草地進(jìn)行較好地提取。由于陰影在亮度值特征上有較為明顯的特征，因此也容易與其他地物區(qū)分。

第三層：道路與亮色人工表面在亮度值特征上差異較大，便于區(qū)分。而在藍(lán)色波段上的光譜差異可以區(qū)分道路與暗色人工表面。

3.3 基于像元的監(jiān)督分類

監(jiān)督分類首先通過建立感興趣區(qū)域來設(shè)置訓(xùn)練樣本，通過結(jié)合不同RGB 波段合成的影像與現(xiàn)有高分辨率影像目視分析圖像，定義6類地物樣本：人工表面、陰影、道路、水體、林地和草地。類與類之間的距離用于確定類別樣本之間的區(qū)分度與相似度。類別間的統(tǒng)計(jì)距離是基于Jeffries-Matusita 距離與轉(zhuǎn)換分離度兩個(gè)方法實(shí)現(xiàn)的[17]?？煞蛛x性數(shù)值越大表示可分離性越好、區(qū)分度越高，數(shù)值范圍為0~2.0。只要可分離性不低于1.8，即不用修改樣本；一旦可分離性小于1.0，則表示兩類樣本相似度較高，會(huì)導(dǎo)致兩類樣本互相混淆，建議歸為一類樣本。而本文所選擇樣本可分離度不低于1.8，樣本達(dá)到標(biāo)準(zhǔn)。因此，可以對(duì)樣本執(zhí)行最大似然分類法、支持向量機(jī)分類、神經(jīng)網(wǎng)絡(luò)分類法3 類方法進(jìn)行監(jiān)督分類。

4 精度評(píng)價(jià)

4.1 分類結(jié)果

不同分類方法對(duì)樣本分類結(jié)果如圖6所示。從圖中可以看出，面向?qū)ο蠓诸惙椒ǖ年幱安糠窒鄬?duì)于其他3種方法面積比例差異較大。因此對(duì)于陰影可能存在錯(cuò)分現(xiàn)象：一是城市西南部林地與陰影之間的錯(cuò)分；二是城市內(nèi)部陰影和人工表面之間的錯(cuò)分。另外，對(duì)于水體而言缺少城市內(nèi)部細(xì)小河流，存在部分錯(cuò)分現(xiàn)象。因此，后期精度評(píng)價(jià)將重點(diǎn)對(duì)這幾種地物進(jìn)行分析。

圖6 不同分類方法分類結(jié)果

4.2 精度評(píng)價(jià)

通過在GIS 中隨機(jī)創(chuàng)建200 個(gè)樣本點(diǎn)，根據(jù)目視解譯核實(shí)確定每個(gè)像元的類別。用總體分類精度、總體Kappa系數(shù)、生產(chǎn)者精度、用戶精度、錯(cuò)分率和漏分率作為評(píng)價(jià)分類質(zhì)量好壞的重要標(biāo)準(zhǔn)。利用混淆矩陣的計(jì)算，得到的數(shù)值越高表示分類精度越高[18]，最終分類結(jié)果見表4~8。由表可知，ROOC方法總體分類精度為81.5%，較MLC、SVM、NNC 分別 提高了10.0%、10.5%、8.0%；ROOC 方法總體Kappa 系數(shù)值為0.7685，較MLC、SVM、NNC 分別提高了0.1278、0.1295、0.1057，這表明ROOC 方法相對(duì)于監(jiān)督分類在一定程度上更能減少地物的混分。

表4 分類結(jié)果總體指標(biāo)精度評(píng)價(jià)

表5 ROOC方法精度評(píng)價(jià) %

表6 MLC方法精度評(píng)價(jià) %

表7 SVM方法精度評(píng)價(jià) %

表8 NNC方法精度評(píng)價(jià) %

對(duì)于陰影來說，基于像元的3 種監(jiān)督分類方法主要錯(cuò)分對(duì)象是陰影與林地、陰影與人工表面。造成錯(cuò)分的原因主要是：1）林地分布較為密集，林地與林地之間容易錯(cuò)分；2）暗色人工表面與陰影的亮度值較低，且在形狀方面也極其相似，造成陰影與人工表面的錯(cuò)分。對(duì)于人工表面來說，除了存在與陰影之間的誤分，還存在人工表面被錯(cuò)分為草地的情況，這是由于部分屋頂有綠植光譜信息與草地較為接近，最終造成人工表面與草地的錯(cuò)分。由于水體在城市內(nèi)部存在較少，分類精度較高，錯(cuò)分現(xiàn)象較少。林地與草地比較容易混淆，僅靠光譜信息難以區(qū)分，4 種分類方法效果一般。另外，微小地物在較大尺度的層次上提取時(shí)容易被誤分到鄰近地物。總體來看，ROOC 分類方法由于部分地物之間光譜信息較為相似，分割邊緣不明顯，也存在一些錯(cuò)分漏分現(xiàn)象。ROOC 方法相對(duì)于基于像元的監(jiān)督分類方法能提高分類精度，對(duì)容易錯(cuò)分的地物在一定程度上能減少混分現(xiàn)象，體現(xiàn)出一定的應(yīng)用價(jià)值。

5 結(jié)束語

對(duì)易于混淆的地物如陰影與水體，兩者在光譜信息方面都極為相似，基于像元的分類方法很難區(qū)分。本文設(shè)計(jì)了基于規(guī)則的面向?qū)ο蠓诸悾≧OOC）方法，它主要針對(duì)容易混淆的不同地物結(jié)合其特征設(shè)定不同的分割尺度層與光譜分類規(guī)則進(jìn)行區(qū)分。ROOC 方法在利用歸一化水體指數(shù)（NDWI）增強(qiáng)水體信息的同時(shí)，加入亮度、原始波段等特征避免了與陰影混淆；另一方面，基于水體與陰影在不同的分割尺度層下的地理斑塊表現(xiàn)出不同的形狀大小特征，ROOC 方法利用分割尺度層的差異并結(jié)合多個(gè)光譜分類規(guī)則函數(shù)對(duì)陰影與水體進(jìn)行了區(qū)分。結(jié)果表明，通過目視與結(jié)合兩種分類方法的精度，利用對(duì)象構(gòu)建基于規(guī)則的分類函數(shù)的方法對(duì)杭州市地物提取更為準(zhǔn)確，其中總體精度為81.5%，總體Kappa 系數(shù)為0.7685，分類精度較MLC、SVM、NNC分別提高了10.0%、10.5%、8.0%，總體Kappa 系數(shù)分別提高了0.1278、0.1295、0.1057。

ROOC 方法仍存在一些不足之處，在建立分類規(guī)則時(shí)未引入紋理或拓?fù)涞忍卣饕詤^(qū)分光譜特征混淆的地物。此外，本次實(shí)驗(yàn)只采用了WorldView-2影像進(jìn)行測試，下一步會(huì)基于其他星載平臺(tái)的高分影像進(jìn)一步改進(jìn)，測試ROOC方法，以提升該方法的普適性和可靠性。