张 艺，丁晓光，李 苗

（陕西省地震局，陕西 西安 710068）

0 引言

遥感技术能够快速、实时获取多时相、高分辨率的海量对地观测数据，为震后救援和灾害损失评估提供了可靠的数据源。对于地震应急部门而言，第一时间获取现场灾害信息是至关重要的，而现场信息最主要的表现就是地物，例如建筑物倒损信息的快速获取，由此判断极重灾区的分布位置；道路作为应急救援的生命线，快速提取道路分布图，判断通行能力等，由此可见，精准地物信息提取的重要性。

高分二号（GF-2） 卫星是我国自主研制的首颗空间分辨率优于1 m的民用光学遥感卫星，如何深入挖掘该影像的应用潜力，提取高精度的地物信息是当前的重要研究方向。相较于中低分辨率影像，高分辨率影像中的地物外部轮廓更加清晰，光谱异质性更强，且光谱波段数目相对较少，传统的地物信息提取方法效果不理想， 因此， BattzM和Schape［1］于1999年提出了面向对象的分析方法（Object Oriented Analysis，OOA）。该方法充分利用地物光谱信息及形状、纹理和上下文关系等空间信息，将影像对象和像元作为影像分析单元进行地物信息提取［2-4］。其中，多尺度分割是一种面向对象的图像分割算法，是面向对象技术的基础和关键，分割尺度的选择将直接影响最终信息提取的精度与质量，因此研究遥感影像分割尺度是十分必要的。

1 研究区域与数据

本文研究区地处渭河盆地中部，西安市城北，地势平坦，地物种类较齐全，含建筑物、植被、河流等，图像噪声污染较少，形状、光谱信息差距较大，符合多尺度分割研究的目的。数据源采用“高分二号”的1m/4m影像数据，成像时间为2016年12月5日04时02分51秒，太阳高度角为57.3923°，太阳方位角为171.397°，影像包括红、绿、蓝、近红外四个多光谱波段，以及一个全色波段。

图1 研究区影像Fig.1 Study area image

2 影像预处理

由于受遥感系统空间、时间以及辐射分辨率的限制，原始数据存在着很多干扰，很难精确的记录地表复杂信息，例如因地形起伏和传感器误差而引起的像点位移，大气反射误差等等，这些误差降低了遥感数据的质量，需要进行数据预处理来降低和消除干扰，从而提高图像分析的精度［5-6］。 高分二号数据的预处理借助于ENVI5.3平台，具体流程如图1所示：其中，辐射定标是为了建立影像DN值与实际辐射亮度值之间的定量关系，使反演结果具有应用价值；大气校正是为了消除大气和光照等因素对地物反射的影响，从而获取地物反射率、辐射率、地表温度等物理参数，本文运用了ENVI软件中的FLAASH大气校正模块，原理是运用辐射传输模型算法，将辐射亮度值转为地表真实反射率值；正射校正是利用数字高程模型（DEM）、地面控制点、校正模型对影像进行倾斜校正与投影校正，消除影像由于卫星姿态、地面起伏引起的像点偏移，进而转换为正射影像的过程；图像融合既可以保留多光谱的真彩色信息，又能保留全色波段的高空间分辨率信息，以便进行更高效、更准确的信息提取。

图2 GF-2影像处理流程图Fig.2 GF-2 image processing flowchart

3 影像解译

本文中各地类的解译通过面向对象方法来实现，但是要实现高质量的面向对象分类，就需要进行多尺度分割，对分割尺度的选取需要进行合理的技术优化，因地制宜的选择合适的尺度是面向对象信息提取的重要保障［7-8］。图像分割完成后，还需要借助各地物的光谱特征、形状特征等参量，进行影像分层信息提取。在影像分割前，可以先确定分类体系，并对各地物类进行光谱信息采集与统计分析，以便进行之后地物类别的划分［9］。

3.1 分类体系的建立

考虑到本文研究目的以及真实的下垫面情况，结合影像的实地特点，将地物分为以下5类，建筑物（主要包括楼房、简易房等）、植被（主要包括耕地、草地、城市绿化带等）、道路（主要包括城市主干道、乡间小路等）、荒地（主要包括岩石、裸地等）、水体（主要包括河流、池塘等）。遥感影像中不同地物或专题要素所呈现出的光谱特征与其实际反射值有一定的差距，即光谱响应特征，同一类型的地物通常具有相似的光谱响应特征，不同地物则表现出不同的特征，因此光谱响应特征是区别不同地物的重要依据。本文通过目视解译的方式先将要提取的地物分辨出来，进行光谱信息采样，分别建立5种地物的光谱曲线，统计分析每种地物有别于其它地物的特征点，如图3，可判断出：①水体在近红外波段（0.77～0.89μm） 的反射率最低，可以通过该指标与其它地物进行区分；②建筑物在可见光波段的反射率最高；③道路与荒地的光谱特征变化趋势相似，可借助于形状特征进行区别；④植被可以通过构建NDVI指数进行信息提取。

图3 不同地物光谱曲线图Fig.3 Spectral curve of different objects

3.2 影像分割实验——以提取植被信息为例

影像分割是遥感影像面向对象分类的前提，分割结果直接影响目标信息识别的精度［10-11］。本文借助于eCognition软件对研究区高分二号影像进行分割实验。

3.2.1 研究尺度参数对分割结果的影响

实验首先通过固定紧致度因子和形状因子，研究尺度参数大小对分割结果的影响。为了排除其他因子的影响，紧致度因子、形状因子均设定为0.5，在尺度参数值范围10～300（以10为单位递增）内进行分割实验。分割结果显示尺度参数在110以下对植被的分割效果极为破碎，不适合研究区域植被的分割，因此分割尺度在110以下忽略不尝试。

通过对分割尺度参数在110～300范围内分割结果进行对比发现：在形状因子、紧致度因子均为0.5的条件下，尺度参数设置得越小，分割得到的植被对象数量就越多，对象的面积越小，图4是分割尺度分别为110、150、200、220下植被的分割效果。

图4 相同的形状和紧致度因子不同尺度下植被的分割结果图Fig.4 The segmentation results of vegetation at different scales with the same shape and compact factor

对比110～300分割效果图发现，在相同紧致度因子和形状因子下，小尺度的分割效果相当于是在较大尺度分割轮廓上的再分割。如图4中的B和C，紧致度因子和形状因子均为0.5时，分割尺度150相当于是200尺度下的再分割。随着尺度参数越来越大，影像分割趋于饱和，分割效果的变化越来越不明显，如200与220的分割尺度在分割效果上差异极小，即分割轮廓变化不大。因此需要考虑改变形状因子和紧致度因子来实现对植被较好的分割效果。

3.2.2 研究形状因子和紧致度因子对分割效果的影响

为了研究形状因子和紧致度因子对植被分割效果的影响，将分割尺度参数固定为较适中的150，向符合本研究区域植被分割效果的方向调整形状因子和紧致度因子，尝试将形状因子调小或者将紧致度因子调整较大进行分割实验，对比几种因子下分割效果，如图5所示。

图5 相同分割尺度为150时不同紧致度、形状因子下植被的分割结果图Fig.5 The segmentation results of vegetation under different shape and compact factors but the same segmentation scale of 150

通过对尺度参数为150时不同形状因子和紧致度因子的植被分割效果进行对比发现，相较于形状因子和紧致度因子均为0.5的分割效果，形状因子为0.4时的分割效果相较0.5时更为细碎，不太符合研究区域分割植被边界特点；而紧致度因子为0.4、0.3时分割效果变化不大。通过反复对比实验，最终将植被的分割尺度确定为150，紧致度因子确定为0.4，形状因子确定为0.5。

3.3 各地物分割参数的确定

如果采用同一个尺度对所有地物进行分割，即使能够满足一种地物的分割效果，但不一定会满足其他地物，尤其在类似于本研究区的影像中，地物分布复杂，不同地物的边界也较为复杂的情况下，会造成分割效果不理想。例如，对实验3.2.1中110～300尺度下的分割效果进行对比，发现植被分割较为合适的尺度下，左上角小部分建筑物却存在“欠分割”现象。因此，运用3.2.1、3.2.2的方法，对剩下的地物进行分割尺度、紧致度因子、形状因子研究实验，最后筛选出各类地物的最优分割参数，分别定义为Level1、Level2、Level3，如表1所示：建筑物、道路的最优分割尺度为80，最优紧致度因子和形状因子分别为0.4和0.4；植被、水体的最优分割尺度为100，最优紧致度因子和形状因子分别为0.4和0.5；荒地的最优分割尺度为120，最优紧致度因子和形状因子分别为0.4和0.5。

表1 不同地物的最优分割参数

3.4 面向对象的各地物信息提取

在图层分割完成的基础上，本文将采用模糊分类法对各类地物信息进行提取。模糊分类是根据对象的分类特征赋予其归于某类的隶属度，即模糊化的过程，然后进行模糊规则推理，将各类特征隶属度组成隶属度元组，再根据隶属度元组将其归于某类目标地物［10］。具体运用eCognition软件中assign class与classification算法，参考Update range功能，确定每种地物的隶属度临界值，建立规则集，从简单到复杂进行目标地物信息提取。

3.4.1 植被、水体信息提取

打开Level2分割结果，依据3.1中光谱特征的分析，水体在近红外波段（0.77～0.89μm） 的反射率最低，因此查看Object features中近红外阈值，通过Update range设置范围，提取水系；通过自定义特征，构建归一化植被指数（NDVI）， 确定植被阈值范围为 ［0.2～0.9］， 提取植被。

3.4.2 荒地信息提取

打开Level3分割结果，排除植被与水体后，利用亮度、差异性、以及形状不规则性进行阈值范围设置，提取荒地。

3.4.3 建筑物、道路信息提取

建筑物与道路的区分最为复杂，打开Level1分割结果，由于建筑物在可见光波段的反射率最高，其形状基本近似于矩形，因此运用光谱特征与形状特征相结合的方式，建立规则集，提取建筑物；利用密度、长宽比等进行阈值分割，提取道路。

目标地物信息提取后，有一部分地物难以识别，将其归为未识别地类，地物信息提取结果如图6所示。

图6 地物信息提取结果Fig.6 Feature information extraction result

4 结论与讨论

本文选用高分二号影像数据作为研究对象，采用多尺度分割的面向对象分类方法，结合影像丰富的几何、纹理、光谱等信息，借助于eCognition平台建立最优的分类规则，较好的提取了目标地物，更在一定程度上提高了分类精度。

但依然存在以下几个问题：

（1） 本文只选取了渭河盆地北部比较平坦的地区作为研究对象，缺乏山地，因此，下一步将选取渭河盆地南部包括秦岭山地作为研究对象，深入研究分割尺度对地物信息提取的影响，并将该成果应用于应急救援中。

（2） 太阳照射时，因高楼产生的阴影部分难以进行地物区分，不仅使一部分地物未识别，也使阴影下的植被与道路存在错分现象，因此，下一步可以借助于不同时间段的高分影像，研究阴影下地物的分割尺度，进行解译。