基于面向对象的高分辨率影像专题信息提取

2013-09-28张寿选

地理空间信息 2013年1期

张寿选

（1.福建省基础地理信息中心，福建福州 350003）

随着一系列商用高分辨率卫星的发射和航拍无人机的发展，影像的分辨率越来越高，获取高分辨率影像的成本越来越低。高分辨率影像与中低分辨率影像相比具有更多的纹理、结构、形状等信息[1]，能够更多的表现地物内部的复杂结构[2]，但光谱信息较少[3]，一般只有4个波段，波长范围一般为400～900 nm，容易出现“同物异谱”和“同谱异物”现象。传统的影像分类方法一般主要是利用影像的光谱信息，无法利用高分辨率影像的纹理、结构、形状等信息，对高分辨率影像进行分类时会导致严重的“椒盐现象”[4]。虽然能够通过去除分析、过滤分析等方法降低这种影响，但这些处理的结果还是不能满足应用的需求。高分辨率影像的信息提取，特别是在利用高分辨率影像对大比例尺矢量数据进行更新时[5，6]，主要还是靠人工解译完成，费时费力。面向对象的分类方法不仅能够利用光谱的统计信息，还能利用几何和结构信息，是一种智能化的影像分析方法。目前面向对象的分类方法已成为高分辨率影像信息提取技术的发展趋势，它能够充分利用高分辨率影像的特点，提高分类精度和速度。本文将基于ERDAS Objective模块，对水体、植被、建筑物和道路进行提取。

1 面向对象的分类方法

面向对象的分类方法是通过对影像进行分割，使同质像元组成大小不同的栅格对象，这些栅格对象内部的光谱差异小，所以可以忽略栅格对象内部的纹理等信息，而从光谱和形状2个方面进行描述[7]。它分类时处理的单元不再是像元，而是由多个像元组成的对象。它综合考虑了对象的光谱特征、形状、大小、纹理、拓扑等一系列信息，从而提高了分类的精度[8]。

面向对象的分类方法的核心是影像分割，分割结果的质量直接决定了分类精度[9]。影像分割是根据影像的颜色、纹理等信息将影像分割成大小不同的区域，每个区域具有相同的性质，不同区域的性质具有明显的区别。影像分割之后，每个区域可以看作一个对象，此时再利用数学形态学的算法对栅格对象进行处理，如腐蚀、膨胀等，最终获得分类结果。

目前，主流的商用遥感影像处理软件都提供面向对象的分类方法，如ENVI Feature Extraction、ERDAS Objective，还有专门针对面向对象分类方法的eCognition。其中，ERDAS Objective模块提供了完整的面向对象分类功能，并且有丰富的栅格对象、矢量对象处理函数，因此本文以Objective模块进行面向对象的分类实验。Objective模块的面向对象的分类概略流程如图1所示。首先选择训练样本，并将训练样本转换成定量的先验知识，再利用像素分类器将输入影像转化成概率图层，然后对影像进行分割，分割获得栅格对象，再对栅格对象进行处理，最后将栅格对象转成矢量对象，并对矢量对象进行处理。

图1 Objective模块信息提取概略流程图

2 信息提取

水体和植被的提取选择漳州市WorldView-2影像，面积为56 km2，该区域的影像水塘和植被都比较丰富，具有很好的代表性。建筑物的提取则选择秀屿区QuickBird影像，影像面积为30 km2，该区域的影像上房屋低矮、密集，屋顶材质、颜色多样，能够代表绝大多数建筑物。道路的提取选择涵江区QuickBird影像，面积为83 km2，该区域道路既有几十m宽的高速公路，也有只有几m宽的道路，道路材质有柏油、水泥和泥土，比较具有代表性。

2.1 水体提取

清洁水体反射率一般比较低，在可见光500 nm附近有一个明显的反射峰，所以清洁水体在影像上一般呈深色。但水体的光谱容易受悬浮物、漂浮物和溶解物质等因素的影响，导致自然界的水体千变万化，光谱也呈现出不同的特征，如受藻类影响的水体在WorldView-2的近红外、红、绿波段组合的影像上呈粉色。

漳州水体提取实验中，共选择20块水体训练样本，可以将1 400多个水体面提取出来。因为水塘的面积一般比较小，每个水塘内部不存在很大差异，所以，在提取水体时，只需要使用大小过滤（Size Filter）、孤岛过滤（Island Filter）等函数删除面积小于阈值的栅格对象和孤岛即可获得精度较好的提取结果。漳州WorldView-2影像与水体提取结果叠加显示如图2所示，提取结果局部放大如图3所示。

图2 水体提取结果

图3 水体提取结果局部放大

2.2 植被提取

植被在近红外、红、绿波段的影像上呈红色，主要是因为植被在700～1 100 nm范围内反射率迅速上升，这是植物独有的特征。但植物存在生长周期，不同的季节，植物的光谱特征有所变化。利用漳州市WorldView-2影像进行植被的提取。植被提取结果见图4，提取结果局部放大见图5。

图4 植被提取结果

图5 植被提取结果局部放大

2.3 建筑物提取

由于建筑物屋顶材质比较复杂，形状各异，有时候与道路材质相同，所以建筑物提取非常困难。在建筑物屋顶材质和形状非常复杂的区域，可以将屋顶归为几类，分类时采用多类模型进行提取。利用秀屿区QuickBird影像进行建筑物提取，建筑物提取结果见图6，提取结果局部放大见图7。

图6 建筑物提取结果

图7 建筑物提取结果局部放大

2.4 道路提取

道路属于人工地物，由于有些道路的材质与建筑物相同，其光谱容易与建筑物混淆。在高分辨率影像上，道路易受树木、建筑物、车辆等遮挡，导致道路不连续。道路提取结果见图8，提取结果局部放大见图9。

图8 道路提取结果

图9 道路提取结果局部放大

3 精度及结果分析

由于Objective模块提取结果为矢量图层，传统的精度评价方法是无效的，因此，本项目对传统分类方法的精度评价参数进行了重新定义：

在对水体、植被和建筑物进行精度评价时，对自动提取结果和目视解译结果进行对比，目视解译结果是在1∶5 000基础数据的基础上更新获得的，统计自动提取结果中“错分”和“漏分”的目标地物的个数。对于道路，则通过对比自动提取结果和目视解译道路的长度完成，目视解译结果同样为1∶5 000基础数据更新获得，统计道路自动提取结果中“错分”和“漏分”的道路长度。水体、植被、建筑物的精度评价见表1，道路的精度评价结果见表2。

表1 水体、植被和建筑物提取结果精度评价

表2 道路提取结果精度评价

水体提取精度主要受阴影、深色屋顶和道路、水面漂浮物等的影响，因为水体的分布、形状等没有规律可循，所以，无法使用水体的几何形状等剔除这些影响因素的干扰。植被提取主要受植物生长周期的影响，特别是农作物，不同的生长周期，光谱差别比较大，生长在水中的稀疏植被也容易“漏分”，植被很少出现“错分”现象。建筑物和道路同属人工地物，它们的材质多数相同，这导致在提取建筑物和道路时2种地物相互影响。但建筑物的形状是有规律的，例如长宽比、周长面积比等，可以通过这些几何形状进行过滤，降低同材质道路的影响。道路是线状地物，一般宽度比建筑物小，长度比建筑物长，可以利用几何形状过滤建筑物对道路提取的影响。利用面向对象的分类方法提取道路时，对道路的最小宽度有一定要求，当道路小于6个像元时，道路很难进行自动提取。