刘小鹏 窦关新 赵宝军 韩丛波

（国家测绘地理信息局第二地形测量队，陕西 西安710054）

1 引言

近年来，传感器技术得到快速发展，卫星遥感呈现出多平台、多传感器、多角度和高空间分辨率、高光谱分辨率、高时间分辨率的特点。其中，高分辨率遥感的重要特征之一是高空间分辨率，也是目前遥感领域普遍关注的重点。基于高分辨率遥感影像的信息提取技术已经成为遥感界应用研究的热点之一，遥感图像信息提取的研究，将推进遥感信息提取技术从基于像元的分类转为面向对象的识别。地理国情监测是综合利用“3S”等现代测绘地理信息技术，基于高分辨率遥感卫星影像，整合各时期的测绘成果档案，对自然、人文等地理要素进行动态监测，以全面掌握地表自然、生态以及人类活动的基本情况。

2 面向对象分类方法

2.1 基本概念

面向对象的遥感影像信息提取，需先对遥感影像数据进行分割，从二维化了的影像信息阵列中恢复出影像所反映的景观场景中目标地物的空间形状及组合方式。影像的最小单元不再是单个像素，而是一个个对象，后续的影像分析和处理也都基于对象进行。建立不同尺度的分类层次，在每一层上分别定义不同类别对象的纹理特征、光谱特征、形状特征、等级特征以及上下文相邻关系特征等。在定义对象的多种特征后指定其不同的权重，建立分类规则，即可对遥感影像进行分类。

2.2 关键技术环节

基于面向对象的高分辨率遥感影像信息提取的关键技术环节包括分割与分类，而影像分类的关键是确定基本特征、构建指数信息、嵌入辅助信息、构建分类规则。

2.2.1 影像分割

影像分割是利用影像像元的特征向量即光谱信息、大小、形状以及邻近的像元即空间信息在影像上识别和划分出合适的片段网，产生第一阶段的影像对象，为下一步的分割或分类提供信息载体和构建基础。影像分割的目的是把影像分割成与实地相对应的不同对象，一个对象即为一个真正存在的实体。

影像分割算法的实质是基于亮度值的不连续性和相似性这两个基本特性。不连续性的主要应用是基于影像亮度的不连续性变化而分割图像，例如图像的边缘等。相似性的主要应用是依据提前制订的规则将图像分割为相似的区域。区域分离、区域生长、阈值处理和聚合等都是此类方法的实例。多尺度分割算法采用的是区域生长合并算法，通过对尺度阀值、光谱因子及形状因子的控制，可以获得不同尺度下所需的对象。在影像分割过程中可根据不同层次需求设置不同的分割停止阀值，从而生成不同尺度的影像对象层，与原始遥感影像不同的是分割后影像层中的基本单元已不再是单个像元，而是具有丰富空间、纹理与领域信息的有意义对象。

2.2.2 影像分类

影像分类的关键在于确定指数信息、获取基本特征、构建分类规则、嵌入辅助信息。

构建指数信息：根据各类提取目标类型的基本特征和影像的光谱特征，构建相应的指数指标（如归一化水指数NDWI、归一化植被指数NDVI等），作为信息提取的判定依据。

获取基本特征：确定最能反映其类别特性的一组新特征，利用特征提取算法从原始特征中求出新特征，完成样本空间到特征空间的基本特征提取转换。基本特征包括纹理、亮度值、标准差、形状、灰度共生矩阵以及拓扑关系等，为指数信息构建提供基础。通过特征提取既可以达到数据压缩的目的，又提高了不同类别特征之间的可区分性。影像特征在影像信息提取中起到很重要的作用，特征选择的好坏直接影响到信息提取的效率与精度。

构建分类规则：针对特定解译目标类型构建规则的过程是一个对该类型的解译标志进行归纳并利用分割后各个对象的纹理、光谱以及形状等基本特征值进行形式化描述的过程。eCognition可以提供上百种对象特征值，包括纹理、形状、光谱等多个方面。从中选取较为理想的分类特征和适当的阈值是决定最终分类效果的关键。

嵌入辅助信息：基础地理信息数据（DEM）与其他专题数据均可作为辅助信息参与分类，以达到提高分类精度，减少地表覆盖类型的分类错误。

当遥感影像被分割成为对象后，理论上存在着描述对象间或影像内部几何关系的距离、包含等拓扑特征，对象的纹理、形状和色彩等内在特征以及描述对象间语义关系的上下文特征。加之对遥感影像进行多尺度影像分割后就会产生父对象和子对象，这样就又会衍生一些新的特征。这些特征可以归纳为两个方面：对象特征和类相关特征。影像特征在影像信息提取中起到很重要的作用，特征选择的好坏直接影响到信息提取的效率与精度。

3 应用

3.1 eCognition简介

eCognition是目前全球商用遥感软件中首个基于面向对象的遥感信息提取软件，核心是决策支持的模糊分类算法，突破了传统遥感软件仅基于光谱信息的局限性，提出了基于面向对象的影像分类技术，该软件认为影像对象及它们之间的关系，包含着重要的语义影像信息，其实质是模拟人类的知觉系统。

3.2 数据预处理

3.2.1 数据来源

（1）遥感影像：应用区位于陕西省安康市岚皋县，采用2014年7月航摄影像，文件格式TFW，共3个波段，空间分辨率0.5米。

（2）基础地理信息数据：国家1∶50000地理信息数据、陕西省秦岭测图工程1∶10000地理信息数据。

（3）其他专题数据，包括林业、农业、环保、旅游、交通、民政等专题资料。

3.2.2 图像预处理

在遥感影像解译之前，需对原始影像进行预处理，所谓预处理就是指对观测数据做成像处理，以及图像的辐射校正、几何校正、预滤波、采样、去噪声等处理。

本次所使用的解译影像是数字正射影像，不需要再做其他处理。

3.2 解译结果分析

此次分割所采用的算法为多尺度分割（Ultiresolution Segmentation）。多尺度影像分割是指从任一个像元开始，采用自下而上的区域合并方法形成对象。小的对象可以经过若干步骤后合并成较大的对象，需要注意的是合并后对象的异质性必须小于给定的阈值。因此，多尺度影像分割可以理解为一个逐步优化的过程，而异质性则是由对象的形状和光谱差异确定的，形状的异质性是由紧凑度和光滑度来衡量。显然，设定了较大的分割尺度 ，则对应着较多的像元被合并 ，因而产生较大面积的对象；相反，分割尺度设置较小时，对应着较少的像元被合并，产生较小面积的分割对象。本区先后设置尺度阀值为240、620两种分割尺度进行分割，同一区域分割结果截图如下：

从解译结果可以看出，当分割尺度设置较为240时图斑相对破碎、面积较小且数量较多，分割尺度设置为620时图斑面积明显变大且数量降低。

以上为同一块区域在不同分割尺度下的解译结果，从图中可以看出，随着分割尺度的不断增大，解译结果也呈现出图斑大、数量少的特征，经过对比可以发现，随着分割尺度的不断增大，解译图斑边线逐渐变得粗糙、图斑数减少、精度降低。

从以上截图发现，设置合适的多尺度分割参数，其分割结果基本符合要求，与实地的地表信息接近，提取出了主要的地物，如道路、耕地、水域、房屋建筑区、植被等。采用面向对象的多尺度分割技术，相比较基于像元的分类，能够有效地降低椒盐现象的出现。

3.3 思考及经验

（1）通过对不同时期遥感影像解译结果对比发现，植被提取主要受植物生长周期的影响较大，特别是小麦、玉米等农作物，不同的生长周期，光谱差别比较大。道路、硬化地表、堤坝等同属人工地物，它们材质多数相同，这导致在提取道路、硬化地表和堤坝等人工地物时相互影响，造成分类结果混乱。

（2）在遥感影像处理时可采用反差增强或反差扩展技术，以提高影像反差来改善影像解译质量，这种方法对光化学处理或数字图像处理均适用。实际应用中，Erdas、Arcgis等常用软件均可提供此类方法。

（3）针对不同区域地物的复杂程度，将遥感影像裁切后根据各区域复杂程度选择适宜的分割尺度进行分块解译，再将其进行融合处理，可在一定程度上提高解译结果的效率及准确度。针对地物分类后存在破碎图斑的现象，可对图像做聚类分析等，这个可以在空间建模中处理，做过聚类分析以后分类结果改进了不少。

（4）自动解译的数据节点较多且数据量大，图斑边缘呈锯齿状，可将数据导入Arcgis，转成线要素并做拓扑处理，进行平滑、抽稀等处理，依据精度要求设置最大偏移量，将要素的直角、拐角平滑处理为贝塞尔曲线，再转换为面要素。

4 结语

基于面向对象的分类方法充分利用了高分影像的光谱、纹理、形状以及地物间关系等信息，与传统的面向像元的分类方法不同，面向对象方法对提取的同类对象进行分类，破碎图斑及椒盐现象相对较少，具有较强的抗噪声能力。面向对象分类方法的关键在于获取适宜的分割尺度参数，由于分割尺度参数存在较大的不确定性，需要大量的先验知识，这些都将影响面向对象的高分辨率遥感影像分类精度，而研究最优分割参数和分割尺度，建立有效的分类规则无疑提高面向对象分类方法的关键所在。