胡 佳 ，林 辉 ，孙 华 ，东启亮 ，和晓风

(1.中南林业科技大学林业遥感信息工程研究中心，湖南 长沙 410004；2.河北省遥感中心，河北 石家庄 050021)

湿地类型遥感影像分割最优尺度选择

胡 佳1，林 辉1，孙 华1，东启亮2，和晓风1

(1.中南林业科技大学林业遥感信息工程研究中心，湖南 长沙 410004；2.河北省遥感中心，河北 石家庄 050021)

影像分割是面向对象分析方法中的重要步骤和关键技术，分割尺度又是影像分割的核心问题，目前对于分割尺度的定量评价，国内外尚未建立统一的评价体系。以东洞庭湖为研究区，以高分一号卫(GF-1)卫星影像为研究对象，探索不同湿地类型的最优分割尺度。利用GF-1全色和多光谱融合后影像，采用归一化后方差均值与Moran’I 指数构建全局评分指数，得到不同湿地类型的最优分割尺度，结果表明:最优分割尺度的大小与湿地分布的破碎程度直接关系；基于相同的有效影像特征以及波谱阈值，进行分层分类以及规则分类，分层分类的总体精度为89.62%，高于规则分类的总体精度为84.43%，说明分割尺度对分类精度有较大影响。

湿地；遥感；最优分割尺度；分层分类；东洞庭湖

遥感技术具有快捷、准确反映地表大区域范围土地变化的能力，在近20年来已广泛用于湿地资源信息提取[1-2]、识别[3]和参数反演[4]等研究中。当前湿地景观斑块化的现实使得高空间分辨率遥感影像与面向对象分析方法成为湿地研究的热点之一。高空间分辨率遥感影像的出现为遥感技术的发展带来了新的机遇，促进了传统遥感应用的深度，让群落尺度的分类[5]以及精细提取成为可能。

影像分割是面向对象影像分析方法中的基础步骤和关键技术，也是实现面向对象影像信息提取的一个重要步骤[6]。分割尺度又是影像分割的核心问题，然而目前对于分割尺度的定量评价，国内尚未建立统一的评价体系。近年来，在该方向的研究主要集中算法的改进以及探索，如矢量距离法[7]、最大面积法、改进的局部方差法[8-9]、分维变化反推法[10]等，都没有涉及到不同类型的最优分割尺度的选择，仅仅针对的单景影像的最优分割尺度。

现有的研究表明，不同地类或不同分辨率影像上的相同地类存在不同的最优尺度区间或尺度阈[11]。本研究旨在找到一种基于知识发现的最优尺度选择方法，以GF-1遥感数据的全色和多光谱融合影像为基础，利用归一化后的方差平均与Moran’I 指数构建全局评分指数，得到不同湿地类型的最优分割尺度，为多层次地物分类提供基础，同时也为多尺度湿地监测系统以及辅助决策提供了数据支持和方法途径。

1 研究区概况

洞庭湖是我国第二大湖泊，由东洞庭湖、西洞庭湖、南洞庭湖三个主要的湖泊组成，发育有淡水沼泽、草滩、河流以及湖泊等多种湿地类型。东洞庭湖湿地是亚热带内陆湖泊湿地的典型代表，其位于长江中游荆江江段南侧，介于东经112°43′～ 113°15′，北纬 28°59′～ 29°38′之间，总面积190 000 hm2；海拔高度30～35 m，属亚热带湿润气候，雨量充沛，年降水量1 200～1 300 mm，主要集中在4～6月。

2 数据与方法

2.1 数据源

研究采用的遥感数据，来自于我国高分辨率对地观测系统的第一颗卫星—高分一号卫星(简称GF-1卫星)，是中国高分辨率对地观测系统的首发星，开启了中国对地观测的新时代。GF-1卫星上配有2台2/8 m分辨率的多光谱相机，同时还搭载有4台16 m分辨率的宽幅相机，设计寿命是5～8 a。该数据能够综合高空间分辨率、多光谱与宽幅等特性，同时又具有41天覆盖全球的能力，使得利用GF-1遥感影像能克服因为空间分辨率不足以及过境时间等限制因素对地物精细提取与分布图比例尺的影响。

2.2 数据预处理

采用ENVI5.1软件对GF-1遥感影像进行辐射定标、大气校正、几何校正、镶嵌以及图像增强等数据预处理工作。

2.3 研究方法

在多数分割算法中，需要设置一个最小区域值，在区域合并过程中当每一类像素的个数均大于这个最小值的时候，区域合并中止，这个最小区域值即为分割尺度。对于遥感影像分割，理论上应该最大限度地增加对象内同质性以及对象之间异质性。出于这个原因，多数非监督评价方法，都设计到了对象内以及对象之间差异性的量化，然后将这些值进行归一化处理[12-13]。

对象之间的定量化过程通过计算每个对象的加权方差值，加权方差较小的对全局估测产生更多影响[14]。

对象内的评价是利用全局Moran'I指数进行量化，因为它对于空间对象的统计分离是一个很好的指标，同时也是分割质量的一个很好评价指数。Moran'I指数出现较低值，表明有较高对象内部同质性，图像分割效果较好。

对于所有的图像分割，量化计算都是可以基于多个光谱波段，由于两种计算结果单位不同，采用归一化处理，可获得同等效应的量纲，利用每个波段的GS平均值去找到最佳的单一尺度分割。可以知道局部方差和Moran'I指数的趋势是相反的，出现随着分割尺度的增大，局部方差越来越大而Moran'I指数却越来越小，由于两个指数的数值量纲不同，也就是二者不具有可比性，因此需要通过归一化处理，在其值都介于0到1之间后，通过相加综合两个指标的数据，且全局评分越小，则表示分割效果越好，因此定义全局评分最小时对应的分割尺度为该类别的最优分割尺度。

3 结果与分析

3.1 分割尺度实验

根据上面的方法，制定实验流程（如图1所示）。

3.1.1 样本选取

根据2014年11月对研究区湿地的实地调查结果，结合GF-1影像的解译能力和国家遥感湿地分类体系，确定东洞庭湖的分类体系，建立遥感影像目视判读表。选择水体、泥滩地等6类典型湿地类型的512×512像素大小的影像，每种湿地类型选择20幅图像，判读结果如表1所示。

辣蓼和泥蒿两种湿地植被，由于生长环境以及植物特征相近，又是混合交错生长，因此利用遥感手段很难将其区分，故划分为一类。又因为影像采集时间为冬季，蒌蒿与荻都未萌芽，不予区分；芦苇虽已统一收割，留下了小段的根状茎，仍可分为芦苇地类。

3.1.2 多尺度分割

对研究分别进行多尺度分割，从30到250的25次分割，结果如图3所示。

由图2可以看出，随着分割尺度的增大，分割后的图斑数在逐渐减少。

3.1.3 最优尺度分析

利用ArcGIS10.1软件，统计每个分割尺度下的局部方差以及Moran'I指数，并进行归一化运算，然后计算归一化后方差与Moran'I指数和GS，结果见表2。

图1 最优尺度分析流程Fig. 1 Flow chart of optimal segmentation

表1 样本特征及目视判读Table 1 Features and visual discrimination of each sample

图2 基于不同尺度的分割结果Fig. 2 Segmentation results at different scales

表2 苔草多尺度分割全局评分值Table 2 Global score of carex at different scale

从表3中可以看出，随着分割尺度逐渐增大，局部方差的值在逐渐增大，从最初分割尺度为10的107.536到1 718.105，说明对象间异质性是在逐渐增大，与此同时，Moran'I指数在逐渐减小，在分割尺度为250时，出现了最小值-0.237，说明对象内部同质性处于较低水平。通过归一化计算，计算和值，最小值为0.521，出现在分割尺度为80，此时对象间异质性和对象内部同质性达到了相对平衡，因此80为苔草的最优分割尺度。

对不同湿地类型，分别进行多尺度分割与计算，统计每个类型的全局评分，得到每个类型的最优分割尺度（见图3）。

由图3可知，全局评分GS的最小值位置，即为最优分割尺度，而GS值的分布，从最大值1递减至最小值，而后缓慢再增加至最大值1。通过数据分析，最终得到了典型湿地类型的3个层次最优分割尺度，可以看出破碎程度较大的草滩地最优分割尺度较小，而分布较为完整的水体则最优分割尺度最大，结果符合人眼对图像的判别。

图3 各湿地类型GS分布Fig.3 The GS distribute of each types of wetlands

表3 各类型最优分割尺度Table 3 The optimal segmentation scale of each types

表3说明，泥滩地和水体的最优分割尺度都为120，高于其他地类，可能的是水体与泥滩地的斑块较大，且不细碎，与之相反草滩地类型中的辣蓼+泥蒿、苔草、芦苇以及杂草，最优尺度要小于120，而其中分布较集中的芦苇与苔草的最优分割尺度为80，分布分散的杂草与辣蓼泥蒿混合的最优分割尺度为50。

图4 分类结果Fig.4 The result of classification

3.2 湿地信息提取的比较

对研究区分别进行面向对象的分层分类和规则分类。分层分类基于的是三层分割结果，而为了统一规则分类的分类条件，将规则分类分割尺度设置为80。

两种分类方法都能够提取典型湿地类型信息，采用外业调查对分类结果进行精度检验，结果如表4和表5。

表4 分层分类面向对象分类精度评价Table 4 Confusion matrix of Hierarchical classification based on object-oriented classification

表5 规则分类分类精度评价Table 5 Confusion matrix of rules classification based on object-oriented classification

由表4和表5可以看出，分层分类方法的结果要优于规则分类，分层分类方法的总体精度可达89.62%，而规则分类的总体精度只有84.43%，虽然与分层分类的阈值相同，由于单一分割尺度造成的过分割或者欠分割导致精度降低了5.19个百分点，这说明分割结果对分类精度有直接影响。

4 结 论

通过对洞庭湖湿地开展尺度分割研究，得到以下结论：(1)不同湿地类型对应不同最优分割尺度，利用局部评分指标能够找到湿地类型的最优分割尺度；(2)最优分割尺度的大小与其分布的细碎程度有直接关系，分布最为集中的水体与泥滩地，最优分割尺度为120，而较为分散的芦苇以及苔草最优分割尺度为80，最为细碎的辣蓼+泥蒿与杂草，最优分割尺度为50；(3)分层分类方法优于单一分割尺度的规则分类方法，尽管两类分类算法的分类特征以及阈值设置相同，但是分层分类总体精度高于规则分类5.19个百分点，又说明分割尺度对分类精度有直接影响。

[1]东启亮,林 辉,孙 华,等.独立分量分析与主成分分析方法的湿地遥感分类精度对比——以西洞庭湖湿地为例[J].湿地科学,2014,(3): 332-339.

[2]刘 冰,林 怡.基于决策树方法的ETM+影像湿地信息提取[J].测绘工程,2013,22(1):63-66,69.

[3]冯霞,秦 昆,崔卫红,等.高分辨率遥感影像目标形状特征多尺度描述与识别[J].遥感学报,2014,(1):97-110.

[4]吴 见, 彭道黎. 高光谱遥感林业信息提取技术研究进展[J].光谱学与光谱分析,2011,(9):2305-2312.

[5]李 娜,周德民,赵魁义.高分辨率影像支持的群落尺度沼泽湿地分类制图[J].生态学报,2011,(22):6717-6726.

[6]莫利江,曹 宇,胡远满,等.面向对象的湿地景观遥感分类——以杭州湾南岸地区为例[J].湿地科学,2012,(2): 206-213.

[7]于 欢,张树清,孔 博,等.面向对象遥感影像分类的最优分割尺度选择研究[J].中国图象图形学报,2010,(2): 352-360.

[8]李 秦,高锡章,张 涛,等.最优分割尺度下的多层次遥感地物分类实验分析[J].地球信息科学学报,2011,(3): 409-417.

[9]宋仁飞,林 辉,臧 卓,等.东洞庭湖湿地植被高光谱数据变换及识别[J].中南林业科技大学学报,2014,34(11): 135-139.

[10]崔 巍,李 荣,姚志武,等.基于分维的遥感影像最佳分割尺度研究[J].武汉理工大学学报,2011,(12):83-86.

[11]鲁 恒,李永树,唐 敏.面向对象的山地区域多源遥感影像分割尺度选择及评价[J].山地学报,2011,(6): 688-694.

[12]Szantoi Z, Escobedo F, Abd-Elrahman A, et al. Analyzing fine-scale wetland composition using high resolution imagery and texture features[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 23: 204-212.

[13]Johnson B, Xie Z. Unsupervised image segmentation evaluation and refinement using a multi-scale approach[J]. ISPRS journal of photogrammetry and remote sensing, 2011, 66(4): 473-483.

[14]Small C, Milesi C. Multi-scale standardized spectral mixture models[J]. Remote Sensing of Environment, 2013, 136: 442-454.

Select optimal segmentation scale of wetlands using remote sensing data

HU Jia1, LIN Hui1, SUN Hua1, DONG Qi-liang2, HE Xiao-feng1
(1. Research Center of Forestry Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China; 2.The Remote Sensing Center of Hebei Province, Shijiazhuang 050021, Hebei, China)

Image segmentation is the basis steps and key technology of object-oriented analysis methods. And the segmentation scale is the core of segmentation. However, the uniform evaluation system for quantitative evaluation of segmentation scale was not established yet. Dong Dongting Lake was the study area in this paper. Its purpose is to explore the optimal segmentation scale of different wetland types for GF-1 remote sensing images. After use the normalized average variance and normalized Moran ‘I to build a global score index based the fusion image of panchromatic and multispectral GF-1 data, it can find the optimal segmentation scale of different wetland types. What’s more, the direct relationship can be found between the optimal segmentation scale and the size of its crushing distribution. Then, by compare the overall classification accuracy of hierarchical classification and rules classifications which were based the same effective image feature and spectrum threshold, the result show that the overall accuracy of hierarchical classification that is 89.62% is higher than the overall accuracy of rules classification which is 84.43%. It can be drawn that segmentation results have a greater impact on the classification accuracy.

wetland; remote sensing; optimal segmentation scale; hierarchical classification; dong Dongting lake

S771.8

A

1673-923X(2015)11-0032-06

10.14067/j.cnki.1673-923x.2015.11.007

2015-07-10

国家重大专项(21-Y30B05-9001-13/15-2)；国家自然科学基金项目(31370639)；湖南省高校产业化培育项目(13CY011)

胡 佳，硕士研究生

林 辉，教授，博士生导师；E-mail：1053460198@qq.com

胡 佳，林 辉，孙 华，等. 湿地类型遥感影像分割最优尺度选择[J].中南林业科技大学学报, 2015, 35(11): 32-37.

[本文编校：吴 毅]