钟舒怡　李向新　柏叶辉

摘要 城市建成区空间分布对城市规划和资源管理起着至关重要的作用。面向对象影像分析法能有效提取城市建成区图像。以Landsat8为源数据，对深圳市建成区范围进行研究，结合光谱特征结果和NDBI指数派生出NDBIi指数。根据空间特征建立面向对象规则集，运用二次分割方法与分类规则，高效获取城市建成区数据，对2015年与2017年深圳市城市空间扩张情况进行分析，将多种分类方法与面向对象规则集方法进行结果对比。结果表明，2015年与2017年总体精度分别为93.02%和90.45%，面向对象规则集方法可以精确获取建成区具体范围，有效监测不同时相城市扩张情况。

关键词

Landsat8；面向对象分类；二次分割；城市建成区；NDBIi

DOIDOI：10.11907/rjdk.182063

中图分类号：TP319

文献标识码：A文章编号文章编号：16727800（2018）009018005

英文标题The Method of Extracting BuiltUp Areas Based on

MultiScale Segmentation and Spectral Features

——副标题

英文作者ZHONG Shuyi1，2， LI Xiangxin1，BAI Yehui1，FENG Jun1

英文作者单位（1.School of Land and Resources Engineering， Kunming University of Science and Technology ， Kunming 650093， China；

2.Shenzhen Institute of Advanced Technology，Chinese Academy of Sciences，Shenzhen 518055， China）

英文摘要Abstract：The spatial distribution of urban builtup areas plays a crucial role in urban planning and resource management. The objectoriented image analysis method can well extract the images of urban builtup areas. Using Landsat8 as the source data and studying the scope of the builtup area in Shenzhen， we obtain the NDBIi index from both the results of spectral signature and the NDBI index. Objectoriented rule sets are made according to the spatial characteristics establish ， and we use the methods of secondary segmentation and classification rules to effectively extract urban builtup areas. In addition，we analyze the urban spatial expansion of ShenZhen in 2015 to 2017years and use a variety of classification methods to compare the results with the objectoriented rule set method. The results show that the overall accuracy of 2015 and 2017 were 93.02% and 90.45%. The research method can accurately obtain the specific scope of builtup areas and effectively monitor the expansion of cities at different times.

英文關键词Key Words：Landsat8； objectoriented classification； secondary segmentation； urban builtup area； NDBI

0引言

伴随“一带一路”倡议的提出，城市发展要素不断聚集，城市体系更加完善，中心城市功能愈加凸显，对城市发展影响巨大[1]。城市扩张是城市发展必然结果。精确提取城市建成区有利于为城市规划提供科学依据，减少或避免热岛效应[24]、景观格局被破坏等问题[57]。利用遥感数据进行城市研究还可提供历史档案，有助于绘制和了解随时间推移不断变化的城市扩张情况[8]。

建成区是由一个集中连片、市政公共设施和公用设施基本具备的地区，以及由分散的、若干个已经成片开发建设且市政公用设施和公共设施基本具备的地区组成[9]。建成区提取情况影响城市用地状况。目前常用建成区分类方法有传统的监督分类、面向对象分类方法、支持向量机和神经网络法。面向对象的影像分析技术针对影像分割对象，利用各种空间特征，如纹理、形状等提高数据自动识别精度。金永涛[10]基于纹理体征提取典型地物。陈志强、杨智翔等[1112]提出运用改进的NDBI指数方法识别城镇用地，该方法在eCognition中可以实现。姚君兰[13]提出的基于矢量数据，结合密度分析和基于YIN原理的边界提取建成区方法，对源数据质量要求较高。陈建波[14]基于数据融合方法和信息熵提取城市建成区边界，但对大比例尺边界提取精度不够。王帅[15]采用元胞自动机模型，通过阈值分割、腐蚀、连通性检测等一系列处理提取连续、稳定的城市建成区图像，但在模型中使用的因子获取艰难，且受到模型本身的限制。Liu[16]提出城市区域归一化综合指数法（NUACI）并利用谷歌地球引擎获取规模巨大的数据，促进全球城市土地分类陆地卫星图像的提取，但该方法计算过程过于繁琐。

本文采用多尺度分割和光谱特征结合提取建成区的方法，并对2015年、2017年两景Landsat8数据，以eCognition软件为操作平台，对深圳市进行建成区提取方法的研究，对eCognition中提供的其它分类方法进行对比分析。

1研究区与数据预处理

深圳市位于广东省南部、珠江口东岸，南边毗邻香港，海域广阔，与南海及太平洋连接。由于其良好的自然生态环境和优越的地理位置，2013年深圳市经济指数已超过澳门，位居粤港澳大湾区经济排名第二[17]。经济的发展推动了城市化进程，其中包括城市快速向外扩张、乡村城市化现象，大片农田被推平[18]，致使其城市特征明显。

研究区影像使用从美国地质勘探局（United States Geological Survey，USGS）官网下载的2015年和2017年Landsat8 OLI影像，其行列编号为121044和122044两景数据。Landsat8 OLI一共有9个波段，其中B8波段是分辨率为15m的全色波段，其它空间分辨率为30m。OLI传感器与TM、ETM+、MSS传感器有两点区别：一是增加了应用于海岸带的蓝色波段（B1）和用于云检测的短波红外波段（B9），二是调整了近红外（B5）波段范围。第二点对传统的NDVI、NDBI指数计算有一定影响。

本文运用ENVI5.3软件对建设用地有提取价值的B2-B7波段进行预处理，处理步骤包括：辐射校正、大气校正（使用FLAASH模块）、拼接、裁剪，最終获取深圳市影像。研究区边界为中科院提供的深圳市矢量边界。研究区范围如图1所示。在经过预处理的遥感影像中，利用ENVI对波段名称重新命名，B2-B7变成B1-B6，波段值范围没有改变。

2研究方法

面向对象的分类突破了传统基于像素的的分类方法，不再以像元为最小单位，而是将影像分割成对象，综合利用各对象之间的光谱及空间特征进行分类[19]。规则集则是以不同的方式使用变量，如设定某一波段阈值或者形状特征实现规则运算，可以利用某一类别的特征，通过全面设定各种阈值或变量等多种规则达到最佳分类效果。技术路线如图2所示。

2.1影像分割方法

在eCognition中有多种分割方法，包括：棋盘分割、四叉树分割、多尺度分割等。其中四叉树分割和棋盘分割属于自上而下的分割。自上而下的分割指将对象分割成更小的对象。

（1）棋盘分割。棋盘分割在众多分割算法中属于最简单的分割算法，即将影像对象分割为正方形图像对象。按照设计的正方形网格大小，每个对象都沿着网格线进行切割。

（2）四叉树分割。四叉树分割是基于四边形的分割，类似于棋盘分割，但创建的方块大小不同。四叉树结构特点是每个正方形都有第一个可能的最大大小，第二个正方形满足模式和比例参数定义的同质性标准。

（3）多尺度分割。多尺度分割是一种自下而上的方法，通过合并相邻像素或小的分割对象，在保证对象与对象之间平均异质性最小、对象内部像元之间同质性最大的前提下，基于区域合并技术实现影像分割[20]。多尺度分割最大优点是可设定尺度参数值，可在任何应用技术邻域中提取和成型。

2.2提取方法

2.2.1地物光谱特征分析

根据研究区情况，把地物分为水体、植物、建成区、裸地4大类。水体细分为河流、湖泊、养殖场。植物细分为林地、草地。建成区细分为建筑物、道路。

在ENVI中建立地物波普库，对预处理后的影像进行地物光谱分析。分析地物光谱总体变化趋势，以便确定规则集阈值，如图3所示。

地物辐射值趋势分析：①Built-up：B4>B5>B6>B3>B2>B1；②Vegetation：B4>B5>B6>B2>B1>B3；③Water：B2>B1>B3>B4>B6>B5；④Land：B5>B4>B6>B3>B2>B1。

图3地物光谱特征

通过光谱特征图分析发现植物与建成区的波普band4和band5没有明显可分性。由于在TM影像上NDBI是使用近红外（NIR）和中红外（MIR）提取城镇用地，其中对应的波段是TM4和TM5，其波长范围分别是0.75～0.9μm和1.55～1.75μm。OLI影像相对应的近红外是B5波段和中红外是B6波段，波长范围分别是0.845-0.885μm和1.560–1.660μm。OLI使用较窄的波长范围获取近红外和中红外数据，造成同样的NDBI、NDVI指数提取的效果有所差别。若单一使用NDBI指数提取建成区，精度不高，反而band3、band2两个波段表现出对建成区与植物之间的可分离性。因此由NDBI指数派生出NDBIi指数，本文对此特征定义NDBIi公式为：

NDBIi=（Band3-Band2）/（Band3+Band2）（1）

归一化建筑指数（NDBI）、归一化植被指数（NDVI）为：

NDBI=（Band5-Band4）/（Band5+Band4）（2）

NDVI=（Band4-Band3）/（Band4+Band3）（3）

2.2.2建成区提取

（1）建成区首次提取。eCognition软件提供了基于分类的影像对象分割技术，可以合并非均质的地区。城市建成区中通常有稀疏城市绿地出现，因此城市用地同时拥有植被和城市光谱特征，这种非均质现象在eCognition中可以得到解决。佟彪[21]利用合并非均质地区的特性，采用二次分割方法将建成区集中连片地提取出来。本文借鉴二次分割方法对影像进行分割，并经过实验寻找影像最佳分割尺度。首次分割尺度选择70，再对L70对象层进行140尺度的二次分割。多尺度分割是指基于调整颜色、形状的均质和异质性标准生成影像对象。shape权重越大，形状因子影响分割越大，颜色对分割影响越小；compactness权重越大，影响图像目标越大。本文把shape权重设置为0.2，compactness权重为0.5。对对象层作二次分割后提取的建成区集中连片，零碎图斑减少。分割情况如图4所示。