面向对象的遥感影像信息提取

面向对象的遥感影像信息提取

王小祎

贵州省地质矿产勘查开发局测绘院

摘要：随着遥感技术的不断发展，遥感影像的分辨率不断的提高，如何对遥感影像中的地物信息进行高效、快速的提取，是当前研究的热点问题。面向对象的方法先对影像进行多尺度分割得到同质区域对象，充分利用遥感影像中丰富的光谱、形状、纹理等特征对分割后的对象进行分类。面向对象的遥感信息提取的方法克服了传统的基于像元的分类方法只依靠光谱信息的缺点，更高效的获取地物信息，得到更高精度的分类结果。

关键词：多尺度分割、分类、遥感影像、面向对象

Abstract：With the continuous development of remote sensing technology, the resolution of remote sensing image is constantly improving. How to efficiently and quickly extract the ground object information in remote sensing image is a hot issue in current research. The object oriented method firstly segmented the image to obtain the homogeneous region object, and made full use of the rich spectral, shape, texture and other features of remote sensing image to classify the segmented object. The object-oriented remote sensing information extraction method overcomes the shortcoming of the traditional classification method based on pixel which only relies on spectral information, and obtains the ground object information more efficiently and gets the classification result with higher precision.

Key word：Multi-scale segmentation、classification、remote sensing image、object oriented.

1引言

利用面向对象的信息提取技术，可以更好掌握实际生产生活中地物变化情况，以及土地利用等情况，能够为国土空间规划、土地利用调查、资源普查、交通规划、生态旅游发展等工作提供有力的数据支撑。鉴于基于像元的传统分类方法不能区分“同谱异物”和“同物异谱”的现象，面向对象的信息提取技术应运而生，该技术可以更快速、更高效地从遥感影像上获得精度更高的结果。

本文以实际项目为例，采用面向对象和多尺度分割技术，利用eCognition软件对遥感影像进行自动提取，并对分类结果精度进行评价。

2 实验数据及影像的预处理

2.1 实验数据

本文选取云南省临沧市镇康县肖家寨为研究区域。研究区内主要以山地为主，道路崎岖蜿蜒，植被覆盖率较高。实验中使用的遥感影像是航拍影像，包括红、绿、蓝三个波段。

2.2 影像的预处理

2.2.1 影像的几何校正

在对遥感影像进行提取信息前，为保证结果的精度更高，需对遥感影像进行预处理。本文主要进行了几何精校正和薄云处理。

本文用ENVI软件进行图像对图像的校正处理。选用已有准确地理坐标和投影信息的遥感影像作为基准，在研究区影像上选取容易区分的精细控制点。在影像的边缘处选取控制点来避免外推；道路、河流等的交叉点处也选取控制点，使控制点均匀地分布在影像上，最后通过双线性插值法进行重采样来完成校正。

本文所使用的遥感影像为航拍影像，容易受到大气状况的影响，需进行薄云处理。薄云处理的方法主要有：基于单波段影像的云去除方法和基于影像融合的云去除方法。由于上述方法需要不同的外部辅助条件，本文选用一种更常用的方法——同态滤波，其中最重要的是选择适当的滤波，该方法克服了其他方法的不足，具有较好的可行性和实用性。

经过对遥感影像的预处理，并通过直方拉伸改善影像亮度集中区域，最终获得了清晰度更好，光谱信息更良好的遥感影像。

3 面向对象的遥感影像信息提取方法与技术

3.1基本思路

面向对象的分类技术，集合邻近像元为对象用来识别感兴趣的光谱要素，充分利用高分辨利用全色和多光谱数据的空间、纹理和光谱信息来分割和分类的特点，以高精度的分类结果或者矢量输出。该技术主要分为两部分：影像对象的构建和对象的分类。

3.2多尺度分割

影像对象的构建是面向对象的信息提取技术中的关键。该过程将整个影像分割成许多不交叉、不重叠的非空区域，所有这些区域都在内部连接，并且每个区域中都有着相同的或相似的特征。

本文用eCognition软件进行多尺度分割，逐个将地类特征相同的像元合并为小对象，然后将小对象依据特性再合并成较大的对象，这些较大的对象一般是多边形，并且是不规则的。在分割过程中，对象的异质性逐步变小，在设定的最优分割尺度下，影像对象与整个影像同质性达到最大化。分割结果是不同大小和多个像元集合形成的很多个对象。这些同质对象不仅具有光谱特性，还具有形状、背景和纹理等特征。

3.2.1 多尺度分割参数选取

多尺度分割参数主要有分割尺度、波段权重、形状因子（紧致度、平滑度）等。

（1）波段权重值的选取。波段权重值设置的越大，分割过程中在相应层中的信息被使用的程度就越高。本文选取的值为默认值1。

（2）分割尺度。分割尺度选取的不同，会得到大小和数目都不相同的对象。分割尺度设置的越小，得到对象的数目就越多，面积也就越小。采用多级分割的方法，建立一个多层次的分割系统。首先以分割尺度为100，进行了初始分割，分割尺度依次减小10进行分割，直至分割尺度选为70，发现对面积较小的地物分割效果还是较差，如：有些面积过小的耕地会被分割到植被或居民地里；便直接选取了40的分割尺度，此次分割的地物对象过于密集，大部分房屋被分为了两部分，进过多次试验对比后，最终确定较为合适的50作为最佳分割尺度。对于分割尺度，选用不同的值进行反复实验和观察对比。在影像过大时，裁剪出一部分影像进行实验，在得到最优分割参数后，再把该值运用到整幅影像即可。此外，针对分割尺度的选取，单一分割尺度不能很好的适用于所有地物，试验中对不同的地物通过反复试验找出适用于各种地物的最优分割尺度，分割效果优于整幅影像选取同一个分割尺度。

（3）地物的特征值设置。本文的特征值主要选用形状因子和紧密度因子。在分割尺度为50的基础上，第一次试验紧密度因子值设置为0.5，形状因子值设置为0.1。第二次试验紧密度因子值为设置1，形状因子值设置0.5，通过目视解译，观察到第二次试验结果分类效果已经较为符合实际情况，此次试验结果作为分割的最终结果。

3.3 面向对象的遥感信息提取试验

面向对象的遥感信息提取，在eCognition软件平台，通过多次实验构建分割系统，得到最优的分割参数，在此基础上进行面向对象的信息提取。最邻近法和隶属函数法是面向对象的常用分类方法。为保证最大化的利用影像的特征信息，本文选用了最近邻法，它是一种基于样本的分类方法，基本原理是用已确定的样本对象的某个特征作为中心，计算待分类对象的特征与样本对象的特征的距离，待分类对象与样本对象最近，就会被分到和样本对象相同地类的地物类中。实验首先通过人工目视判读，选取样本对象，再通过实验平台进行影像全域的地类信息提取。

（1）首先通过目视判读，观察到影像上地物有耕地、居民地、道路、植被。以前文进行的多尺度分割为基础，建立分类体系。其中，DL代表道路，GD代表耕地，JMD代表居民地，ZB代表植被。

（2）选择样本。在选择样本时，应尽量使样本最大化的均匀分布在影像上，且具有显著地代表性。当使用最近邻方法时，应该定义特征空间，特征空间中通常使用均值、亮度和比率作为特征变量，本文采用的特征变量是均值、标准差。

3.3.2 分类后处理

本文的分类后处理主要有以下三个步骤：

（1）合并区域。将一个类别的相邻对象合并成一个大对象，并需要将每个类别分别合并。需要注意的是合并前需将样本单独保存，因为对象合并后，再选取的样本，样本将是一个很大的对象区域，以此作为样本进行精度评定，会有一定的影响。

（2）规范化。每种地物分别进行增长和收缩处理，在收缩处理后，很多连续的地方会断开，断开处的像元会处于未分类状态，如道路这种必须是连续性的地类，平滑处理会改变它的连续性，需要在平滑处理后，经过人工的目视判读，发现断开或者不合理的地方，手动修改后让地物类保持客观属性。

（3）小斑块去除。在规范化处理后，分类结果会出现未被归于任何一类的情况，需要对未归类的小图斑进行处理，进行小斑块去除后，未被归类的像元会被分到相邻的地物中。

分类后处理结果如图4.4所示。

图4.4 分类后处理结果图

分类结果在进行了合并、平滑及小图斑去除后，在影像上能明显看出，由于研究区植被所占面积较大，但植被的生长速度不尽相同，加上影像在拍摄时，除了居民地附近的耕地里种植了一些作物，其他地方的耕地都处于裸露状态，基于选择样本的特征还是有些难以区分植被和耕地；在进行了规范化（增长、收缩）后，会把道路等连续性地类打断，破坏了地物连续性的客观特征。最终人工目视判读，找出不符合地物客观特征的区域，经过人工修改，让分类结果更具现实性；在完成分类后，影像上依然存在一些很小的对象错分、漏分，这些对象仅仅只有两三个像元组成，本应该在进行了分类后处理的合并时归到附近特征信息最相似的地类中，但它们依然单独存在。例如：通过目视判读可以看出，有些应该全是植被覆盖的区域，出现了一个很小区域的耕地或居民地，即明显的“椒盐”现象。面向对象的信息提取技术，在很大程度上已经优于基于像元的传统方法，但是在细节的地方，依然存在需要优化、提升的方面，才能让提取的结果精度更高、提取结果更符合实际。

3.4 精度评定

本文在eCognition软件中利用混淆矩阵为理论基础进行精度评定，通过在分类结果中分别选取对应的样本，把样本和参考数据对比，建立混淆矩阵，再利用混淆矩阵计算出精度指标。精度的主要指标有生产者精度、用户精度、总体精度和Kappa系数。

进行精度评定后，系统自动算出混淆矩阵、单一类别精度以及总体类精度。本文采用的基于样本的精度评定方法，精度评定是通过分类后处理合并后才进行的，道路保持了自身的连续性，所以道路的所有单一类别精度的值全为1；选为精度评定样本的耕地也只选择了一块较大的，所以耕地所有的单一类别精度的值全为1；其他的地物都选择了多个样本，它们单一类别精度的值都在75%以上，精度已经达到设计所要求的标准。各类精度指标如图4.5所示。

图4.5 精度评价结果图

面向对象的信息提取最终得到的总体精度是0.963，Kappa值是0.935，得到了较好的提取结果。

4 结论

基于面向对象的自动提取实验主要运用了多尺度分割技术和最近邻法进行分类，能够充分利用遥感影像丰富的空间信息的特点，自动提取地物。此外，本文通过软件，利用对象的光谱、形状等特征，实现了大量数据和不同地类的提取的过程的自动化。 技术的不断发展，遥感影像质量会更优，软件设计会更完善，通过面向对象的自动提取，这将能为更多进行信息提取的项目提供更有力地支撑。

参考文献

[1] 卜丽静,何欢,何志博.资源三号立体数据云区域DEM修正方法研究[J].测绘与空间地理信息,2017,40(1):4-8.

[2] 张会芳.基于高分一号影像的空心村整治潜力研究[D];西南交通大学;2016年.

[3] 吴志锋,郑宇恒,李双琴,孙啸,张涛,沈忱,邹妍.基于卫星遥感的输油管廊沿线的地物识别研究[J].地理空间信息;2022年02期.

[4] 许高程,毕建涛,王星星,屈鸿钧.面向对象的高分辨率遥感影像道路自动提取实验[J].遥感信息;2012年02期.