韩健楠　孙增慧

摘要：基于对象的遥感影像解译是一种利用遥感影像中的纹理、几何、光谱等空间信息对地物进行识别的图像分析技术，本文对其原理进行了阐明，总结了发展现状与存在问题。

关键词：遥感影像；面向对象；识别分类；影像解译

引言

由于环境监测、空间规划、生态保护等方面的需求，遥感影像已经越来越广泛的被应用于各行各业中。而对遥感影像中的地物识别解译往往是遥感影像应用的首要步骤，长期以来一直是遥感技术的热点问题。传统的方法分两种：人工目视解译和基于像元的自动识别，或解译效率低，或解译准确度不高。在此背景下，一种基于对象的遥感影像解译被提出。作为一种新的遥感影像分析方法，其将人类的认知过程融入进了计算机自动识别程序，提升了解译的准确度和效率，近些年来逐渐成为了遥感领域的研究热点。

本项研究根据已有的文献资料，对基于对象的遥感影像解译技术的原理进行了阐明，对其发展进行了综述，并探讨了其现存的问题。

1遥感技术与对地观测

遥感（Remote Sensing，RS）是指在不直接接触物体的情况下，从远距离借助传感器测量物体所反射或自身所发出信号的一种观测手段[1]。传感器根据所接收到的电磁波信号，形成的用于辅助人类对目标物观测的图像称为遥感影像。遥感影像生成的过程如图1所示[2]。

遥感技术的发展使得对地观测的手段由传统的野外调查变成了借助卫星，飞机等航空航天设备。通过将传感器搭载于航空航天设备上，形成包含空间信息的遥感影像，对地观测的效率大幅提升。遥感技术因此广为应用于农业、环保、规划等各个领域。

从遥感影像空间分辨率的角度，遥感的发展可以分为以下三个阶段：第一阶段以美国国家航天局（NASA）发射的Landsat系列卫星为典型，其标志著多光谱成像仪在卫星遥感上的成功应用；第二阶段是随着IKONOS（1999年发射）、QuickBird（2001）等高分辨率卫星的出现，遥感影像开始突破米级精度；第三阶段是随着无人机影像系统的成熟，使得更高精度的遥感影像变得更易获取。

2传统遥感影像解译

遥感影像解译是指凭借一定的方法手段从遥感影像中识别获取所需的地物信息的过程。传统上，遥感影像解译方法可以分为两大类：

第一类是人工目视解译，既凭借逻辑推理、对比分析，对遥感影像中的地物进行人工辨别。此类解译方法虽然识别准确度高，但由于其依赖于解译者的人工操作，往往费时费力，识别效率较低；

第二类是凭借计算机根据遥感影像中各个像元的信号值，分析其特征并根据其相互之间的相似性将像元分为不同的类，从而完成解译过程。随着一些如支持向量机（Support Vector Machines，SVM），神经网络（Neural Networks）的机器学习算法被引入遥感影像分析[3.4]，基于像元的遥感影像解译精准度逐渐提高，并被广泛应用。但同时此类基于像元的解译由于往往忽略了被识别物的几何，纹理信息，其解译结果常面临着一种称为“盐椒效应”的现象，即在一些均质区域内部，一些像元由于与周围像元存在一定差异，被误识别为其他类型的像元[5.6]。

3基于对象的遥感影像解译

高效的解译方式需要满足两个条件即：（1）较少依赖于人工操作；（2）准确度高。一种可能的方法是利用新技术，使得影像的解译过程更智能化[7]。在这里智能包含了三重含义：（1）更先进的监督识别算法；（2）如何将经验、隐形知识（implicit knowledge）参与识别过程；（3）识别结果有助于对复杂场景的理解。在此背景下，基于对象的遥感影像解译被认为是实现解译智能化，改进传统基于单个像元解译方法的一种有力手段。

基于对象的的遥感影像解译英文为object-based image analysis，缩写为OBIA，有时也被称为object-oriented analysis（OOA）[8]。其过程可以被分为两个步骤：分割和分类。

将图像分割这个概念并非OBIA方法独创，在用于遥感影像分析前，已在工业或医疗图像处理中被广泛使用[9]。根据分割算法的不同，常见的图像分割算法可以被归为四大类：（1）基于点型；（2）基于边界型；（3）基于区域型；（4）混合型。而分割的结果将作为图像识别的基本单元，即对象，将作为分析的基本元素，进入后续的分析阶段。

由于分割形成的对象内部包含多个像元，因此相比于单个像元而言，对象不仅能和像元一样提供光谱信息的测量值，更重要的是，由于对象内部的单个像元之间存在一定光谱信息上的差异，因此对象这个概念的引入能同时为分析提供了测量值的分布范围（如对象内部像元值间的极差、标准差、平均值）。这与人类认知过程中对纹理这一概念的获取相契合。

之后将分割所得到的对象，借助监督学习算法进行融合并分类，即可得到解译结果。

图2为一个OBIA解译的例子[10]，其中A图为原始的航拍影像，B为图像分割的结果，由红色线条所分割围成的图块即对象，C为进行融合、分类后的解译结果图。

4.研究现状

对于OBIA在遥感领域应用的兴起，学界一般认为其与两个外界因素密切相关[11]：高清影像的发展和商业OBIA软件的成熟。

首先，随着IKONOS、QuickBird等亚米级超高分辨率卫星遥感的普及，遥感图像所能提供的信息包含了更多的细节。由于这些影像中单个像元所覆盖的面积过小，因此基于单个像元的自动解译过程易限于局部细节，难考虑到全局。而OBIA由于其分析单元为对象，因此可以通过调整对象的几何性质（尺寸、形态等），更加深入的对图像进行分析。

其次，商业软件易康（eCognition）于2000年发布，为OBIA分析建立了一个以规则集（rule sets）为分类依据的识别流程，并提供了相应的图形操作界面。据Blaschke[12]，OBIA相关的研究数量在易康发布后迅速增加，大约有50～55%的OBIA学术论文中，采用了易康作为研究工具。

目前OBIA技术已经广泛应用于地物识别、变化监测等方面，并取得了不错的结果。并且随着开始渐渐应用于非影像类遥感数据如点云的解译[13]、地下结构的识别[14]。

5总结

作为一种自动的解译手段，基于对象的遥感影像解译技术由于考虑了地物的几何、纹理等信息，相较于传统的基于单个像元的解译，因为引入了对象的概念，对解译过程提供了新的判据，在实际应用中显示出了巨大的潜力。但在目前，仍有以下几点问题需要深入研究：（1）如何确定图像分割的尺度，由于地表情况的复杂型，不同地物解译过程往往所需的分割程度有所差异，分割过程有时会面临过度分割或分割不足的问题；（2）对象融合分类参数的选择，如何最优化参数选择，使得对象融合分类的效率最大化。

参考文献：

[1]赵英时. 遥感应用分析原理与方法[M]. 科学出版社，2013.

[2]RICHARDS J A. Sources and Characteristics of Remote Sensing Image Data[G]//Remote Sensing Digital Image Analysis. Berlin，Heidelberg：Springer Berlin Heidelberg，2013：1–26.

[3]MOUNTRAKIS G，IM J，OGOLE C. Support vector machines in remote sensing：A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing，Elsevier B.V.，2011，66（3）：247–259.

[4]ATKINSON P M，TATNALL A R L. Introduction Neural networks in remote sensing[J]. International Journal of Remote Sensing，1997，18（4）：699–709.

[5]BLASCHKE T，LANG S，LORUP E等. Object-Oriented Image Processing in an Integrated GIS / Remote Sensing Environment and Perspectives for Environmental Applications[J]. Environmental Information for Planning，Politics and the Public，2000，2（1995）：555–570.

[6]BLASCHKE T，STROBL J. What s wrong with pixels ？ Some recent developments interfacing remote sensing and GIS[J]. GIS—Zeitschrift fur Geoinformationsysteme，2001：12–17.

[7]LANG S. Object-based image analysis for remote sensing applications：modeling reality – dealing with complexity[G]//Object-Based Image Analysis. Berlin，Heidelberg：Springer Berlin Heidelberg，2008：3–27.

[8]STUMPF A，KERLE N. Object-oriented mapping of landslides using Random Forests[J]. Remote Sensing of Environment，2011，115（10）：2564–2577.

[9]BLASCHKE T，BURNETT C，PEKKARINEN A. Image Segmentation Methods for Object-based Analysis and Classification[G]//JONG S M De，MEER F D Van der. Remote Sensing Image Analysis：Including The Spatial Domain. Dordrecht：Springer Netherlands，2004：211–236.

[10]DUNBAR M D，MARTINKO E A. COMPUTER VISUALIZATION OF FOREST COVER CHANGE：HUMAN IMPACTS IN NORTHEASTERN KANSAS AND NATURAL DISTURBANCE IN YELLOWSTONE NATIONAL PARK[R]. .

[11]BLASCHKE T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing，Elsevier，2010，65（1）：2–16.

[12]RUTZINGER M，H?FLE B，HOLLAUS M等. Object-Based Point Cloud Analysis of Full-Waveform Airborne Laser Scanning Data for Urban Vegetation Classification[J]. Sensors，Molecular Diversity Preservation International，2008，8（8）：4505–4528.

[13]FADEL I，VAN DER MEIJDE M，KERLE N等. 3D object-oriented image analysis in 3D geophysical modelling：Analysing the central part of the East African Rift System[J]. International Journal of Applied Earth Observation and Geoinformation，Elsevier，2015，35：44–53.

基金項目：

土地工程数据平台构建关键技术研究（2018-TD02）