面向对象的GEO遥感影像分类与信息提取

2011-01-31石军南

绿色科技 2011年6期

彭文,石军南

(中南林业科技大学遥感信息中心,湖南长沙 410004)

1 引言

过去40年间遥感技术有了长足的发展,具备了高光谱分辨率、高时间分辨率、高空间分辨率、多传感器、多平台、多角度对地观测能力,已经形成了三多和三高的发展局面。2008年9月6日,美国从范登堡空军基地发射了“地球之眼”-1(GeoEye-1)多光谱成像卫星。该卫星由“地球之眼”商业成像卫星公司研制,可提供分辨率为0.41m的黑白卫星图像和分辨率为1.65m的多光谱卫星图像,同时可提供被侦察目标的误差小于3m的定位信息。地球之眼-1是当今世界上能力最强、分辨率和精确度最高的商业成像卫星。

一方面是我们获得的遥感图片分辨率越来越高,另一方面是人们对遥感信息的认识和利用程度远远落后于遥感信息获取的速度,造成大量资源的严重浪费,但据统计,人们用到的遥感信息仅占全部获取信息的5%左右,而深层次的信息开发更少,这个事实极大地限制了遥感技术实际应用效果[1]。现有的遥感处理软件大都采用传统的基于像元与统计分析的分类方法,主要包括监督分类和非监督分类。

监督分类是一种常用的精度较高的统计判决分类,在已知类别的训练场地上提取各类训练样本,通过选择特征变量、确定判别函数或判别规则,从而把图像中的各个像元点划归到各个给定类的分类方法[2]。非监督分类是在没有先验类别知识的情况下,根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理。

以上这些方法适合于多光谱和高光谱分辨率的遥感图像,对于分析低分辨率遥感图像中的大面积区域变化可能会取得较好的结果。然而,对于高分辨率的遥感图像,目标物的形状清晰可见,图像上地物景观的结构、形状、纹理和细节等信息都非常突出,而光谱分辨率并不高,因此,针对高空间分辨率图像,在分类时不能仅依靠其光谱特征,更多的是要利用其几何信息和结构信息。

面向对象的信息提取方法,针对的是对象而不是传统意义上的像素,可以充分利用了对象信息(色调、形状、纹理、层次),类间信息(与邻近对象、子对象、父对象的相关特征)。目前关于面向对象的分类平台应用较单一,多基于德国的Ecognition软件,本文基于ENVIZOOM软件平台对面向对象的分类方法做了有益探索,为更好的利用地球之眼卫星图片提供参考。

2 实验区及数据源

2.1 地球之眼-1卫星的基本参数设置

地球之眼-1将运行在684km高的太阳同步极地轨道上,以大约7.5km/s的轨道速度飞行,每天绕地球12或13圈,每天都在当地时间上午10:30左右通过给定地区。它将能以0.41m全色分辨率和1.65m多谱段分辨率搜集图像,而且同样重要的是它还能以3m定位精度精确确定目标的位置。

2.2 实验区域

本文所采用的数据是由Geo Eye提供的中国张家界国家森林公园的遥感影像,研究区域内地形多以山地为主,景观多为森林。影像数据包括全色和多光谱,其中全色分辨率为0.5m,多光谱为2m,带有各自的rpc参数。

3 理论基础与方法

3.1 影像对象构建

影像对象构建主要用了影像分割技术,常用分割方法包括基于多尺度的、基于灰度的、纹理的、基于知识的及基于分水岭的等分割算法。比较常用的就是多尺度分割算法,这种方法综合遥感图像的光谱特征和形状特征,计算图像中每个波段的光谱异质性与形状异质性的综合特征值,然后根据各个波段所占的权重,计算图像所有波段的加权值,当分割出对象或基元的光谱和形状综合加权值小于某个指定的阈值时,进行重复迭代运算,直到所有分割对象的综合加权值大于指定阈值即完成图像的多尺度分割操作。多尺度分割是从一个像素的对象开始进行一个自下至上的区域合并技术,小的影像对象可以合并到稍大的对象中去。在这个聚集过程中,最优化技术可最小化异质的权重。在每一步骤中相邻的影像对象对,只要符合定义的异质最小生长的标准就合并,如果这个最小的扩张超出尺度参数定义的阈值范围,合并过程就停止。

表1 地球之眼-1卫星的成像和搜集技术指标

表2 地球之眼-1卫星图片波段参数

任何一个影像对象的异质性值f是由4个变量计算而得:wcolor(光谱信息权重)、w shape(形状信息权重)、hcolor(光谱异质性值)、hshape(形状异质性值)。w是用户定义的权重,取值于0～1之间:w color+w shape=1,

形状异质性值由两部分组成:紧密度hcmpct和光滑度hsmooth:

3.2 影像对象的分类

面向对象分类技术提供了丰富了对象特征,在分类的时候,可以利用丰富的影像特征:影像的对象信息,如光谱、形状、纹理、层次等;影像对象的上下文信息,如与邻近对象、子对象、父对象之间的关系等;同时还可以导入、导出专题数据等。

目前常用的方法是“监督分类”和“基于知识分类”。这里的监督分类和监督分类是有区别的,它分类时和样本的对比参数更多,不仅仅是光谱信息,还包括空间、纹理等信息。基于知识分类也是根据影像对象的熟悉来设定规则进行分类。由于本文所采取的辅助参考数据较少,研究区域类别较少所以采用监督分类的方法。

4 地球之眼卫星遥感影像分类与信息提取

4.1 地球之眼遥感数据特性评价

4.1.1 直方图评价

对各个波段图像进行灰度值统计,可以得出如下结论:红外波段变动范围最大。按标准差由高到低,各波段的排序为波段红外、红、蓝、绿。按其动态范围由高到低,各波段的排序为波段红外、红、蓝、绿。其信息量由高到低的排序为波段红外、红、蓝、绿。

4.1.2 波段的相关性评价

在大量的遥感图像数据处理中发现,遥感图像的波段之间具有较强的线性相关性,尤其相邻波段的线性相关性非常强。波段数据之间这种强线性相关性正是遥感多光谱数据的重要特点之一。

对子图像进行各波段的相关性分析,公式如下:

其中Rkl为k波段与l波段间的相关系数,Vijl为l波段图像中第i行、j列的像元亮度值,ul为l波段的均值。

从表3中可以看出,红外波段与波段蓝、绿、红的相关系数均比较低。而波段蓝与绿波段的相关系数最高。其次是绿波段和红波段。再次,就是红波段和蓝波段。就波段组合而言,最佳波段组合应为红外、红、蓝。

4.2 影像处理

在进行分类处理之前对影像在erdas中进行预处理,比如影像的校正、图像光谱增强、影像融合、直方图均衡化等处理,预处理的主要目的是根据资料及所需要的专题信息设法提高遥感图像的可分性,使其更利于图像分割及信息提取。

表3 各波段间的相关系数

在完成几何校正、噪声消除及图像配准后,是信息融合过程。通过信息融合,将大大减少或抑制探测对象或环境解释中可能存在的多义性、不完全性或不确定性,从而提高遥感图像分割、识别及解译的能力。

数据融合技术一直是近几年国际遥感界研究的热点。将高分辨率遥感影像与多光谱影像进行融合的主要目的是提高多光谱波段的空间分辨率,增强图像的清晰度和解译能力[3,4]。本研究中,图像融合方法以ERDAS9.2软件为平台,对实验区范围内GeoEye全色影像和多光谱影像进行融合处理,分别采用了主成分分析、乘积法变换、Brovey变换和小波变换4种融合算法融合。

主成分变换,其算法是将输入波段中共有的信息编制到第一主成分,再把全色数据拉伸使其和主成分第一分量有着相同的均值和方差,并把全色数据代替PCT的第一分量进行主成分逆变换完成影像融合。乘积法是一种简单的代数运算,即将高分辨率波段与多光谱两个灰度矩阵进行矩阵乘积。Brovey变换法是通过归一化后的多光谱波段与高分辨率影像乘积来增强影像的信息[5]。小波变换在空间域上和频率域上同时具有良好的局部化性质,利用小波变换法可以“聚焦”到对象的任意细节,从而被誉为“数学显微镜”[6]。影像经小波分解后其频率特性得到了有效分离,低频部分反映的是影像的整体视觉信息,各高频成份反映的是影像的细节特征[7]。小波变换的优点是保留了高分辨率影像的高频特性,使整体融合效果较好,提高了多光谱影像的空间分辨率,同时又保持了多光谱影像的光谱信息[8]。

从本次实验的效果看,小波变换的融合效果最好(图1)。

图1 小波变换的融合效果

4.3 面向对象的多尺度图像分割

定义地表覆盖类型是分类建立的基础。经过野外调查和目视判读,本文将研究区的土地利用和覆盖类型分为4类:植被、耕地、居民地和道路。确定地表覆盖类型之后,就可以对分割后的每个对象进行特征计算,提取出对象的特征。

图像分割是生成图像对象的过程,产生一个图像对象层体系,为后续的分类或分割工作提供信息的载体和构建的基础。本研究采ENVI ZOOM软件自带的边缘分割算法对影像进行分割。ENVI ZOOM是envi4.5版本中推出的专业用于面向对象影像分类的新模块,其Feature Extr action模块采用基于边缘分割的算法,能够快速、准确地对影像进行分割,并可以实时快速地在一个预览窗口中查看结果以评估分割的准确性。经过多次试验,设置分割尺度参数为30。

影像分割时,由于阈值过低,一些特征会被错分,一个特征也有可能被分成很多部分。可以通过合并来解决这些问题。FX利用了Full Lambda-Schedule算法。经过反复实验我选择的参数为95。

计算4个类别的属性:光谱、空间、纹理、自定义(颜色空间和波段比)。其中“颜色空间”选择3个RGB波段转换为HSI颜色空间,“波段比”选择绿波段和红绿蓝3波段的和计算比值。监督分类选择4类地物的样本用红色表示耕地,蓝色表示道路,紫色表示房屋,绿色表示林地。分类结果如图2。

图2 基于对象的分类

4.4 对比实验

为了与在ENVI ZOOM面向对象分类方法相比较,本文还在ENVI4.5平台上进行了使用最大似然法分类器的基于像元的分类。基于像元的监督分类方法通过比较待分类像元与训练样本中各类别的n维灰度向量(n为参与分类的波段数),将待分像元进行分类。常用的监督分类有平行六面体法、最大似然法、最小距离和马氏距离等。最大似然分类法是经常使用的监督分类方法之一,它是通过求出每个像元对于各类别归属概率(似然度),把该像元分到归属概率(似然度)最大的类别中去的方法。最大似然法假定训练区地物的光谱特征和自然界大部分随机现象一样,近似服从正态分布,利用训练区可求出均值、方差以及协方差等特征参数,从而可求出总体的先验概率密度函数。当总体分布不符合正态分布时,其分类可靠性将下降,这时不宜采用最大似然分类法。本文最大似然法分类结果见图3。

图3 基于像素的分类

4.5 精度评价

在影像上随机选取参考点,通过高分辨率影像图进行图上判读,精确确定每个参考点的地物类别,对两种分类方法进行精度评价。两种种分类方法的精度评价结果如表4。总的来说,基于分割,选取训练样本对象,采用监督分类的面向对象分类方法总体精度从基于像素的分类方法的84.23%提高到91.38%,面向对象的分类方法有很大的优势。从表4中看出,由于道路有明显的几何形态特征,面向对象的方法在对道路进行分类具有很高的精度,远远大于基于相元的关于道路的分类。耕地的纹理特征也比较特殊,因此基于对象的分类,对耕地的分类效果也比较满意。本研究中房屋的分类精度低于基于像素的分类,原因在于选取对象时分块取值参数为30,对于林地而言参数过小,使部分小林斑归入了房屋。