李靖霞 文金花

摘要：高分辨率遥感影像已成为帮助人们观察自然的常用技术，它不仅扩大了观测范围，而且承载了更为丰富的信息。然而，如何有效地处理和应用收集到的数据信息，成为使用该技术的一个棘手问题。例如，在QuickBird和Geo-Eye等高分辨率遥感影像中，可以发现地物的光谱、形状、纹理等信息，但传统的信息提取方法会降低信息的提取精度，同时占用大量的数据空间，造成资源的严重浪费。多尺度分割技术的应用可以提高高分辨率遥感图像的应用效率，使卫星遥感数据信息提取技术得到极大地发展。

关键词：多尺度分割;高分辨率图像;信息提取方法

Abstract： High-resolution remote sensing image has become a common technique for people to observe nature. It expands the scope of observation and also hosts more abundant information. However， how to effectively process and apply the collected data information has become a thorny problem for using this technology. For example， in the high resolution remote sensing images such as Quik Bird and Geo-Eye， spectral， shape， texture and other ground object information can be found， but the traditional information extraction method will reduce the accuracy of information and occupy a large amount of data space at the same time， resulting in serious waste of resources. To develop the information extraction technology of satellite remote sensing data， the application efficiency of high-resolution remote sensing images can be improved by studying the multi-scale segmentation technology.

Keywords： Multi-scale segmentation; High-resolution images; Information extraction method

1引言

随着传感器技术的不断进步，遥感观测技术逐渐成熟，与中、低分辨率遥感图像相比，高分辨率图像显示的地物尺度更小，内部细节更准确，与周围环境的关系更清晰，更有利于遥感图像数据信息的处理和分析。因此，高分辨率遥感技术在许多领域都显示了其应用价值，特别是在地物信息提取方面。

然而，由于高分辨率遥感图像提供的地物信息相对复杂，以及目标结构的变化引起的干扰，对地物信息的提取产生了严重的影响。在处理高分辨率遥感图像的过程中，像素法主要关注目标地物的光谱信息，而忽略了目标地物的形状、纹理和背景等空间信息。因此，出现了严重的“椒盐现象”，导致高分辨率遥感影像没有被充分利用。因此，为了提高高分辨率遥感数据的应用价值，有必要深入研究其信息特征，掌握适合于提取地物信息的技术。因此，本研究通过仔细分析尺度参数、光谱异质性和形状异质性等影响因素，阐述了多尺度分割的原理。首先，将地物边缘参数和多尺度分割相结合，将与地物相关的实际信息生成到图像目标层中，改进了地物边缘信息的提取方法。其次，结合阈值分类和模糊分类方法提取研究区主要地物信息，并对影像对象的特征进行深入分析。最后，选择合适的样本对其混淆矩阵进行评价，以满足提取结果的精度要求。

作为一种新的遥感图像处理方法，多尺度分割技术一直受到研究者的密切关注。传统的地物信息提取技术将地物信息的最小单位定义为单个像素，而多尺度分割技术则关注图像对象本身。该方法提取的地物信息能有效地将地物的光谱特征和空间特征结合起来。因此，它根据影像对象的空间特征，简单地划分出每个地面对象所反映的不同的地面对象信息，从而掌握了新的信息提取方法。

杨晖[1]等同时采用多尺度分割技术和基于像素的方法从SPOT数据和航空影像中提取森林信息，经实践证明，多尺度分割技术更为准确。同样，蒲智[2]等以高分航空数据为数据源，利用该技术对研究区土地利用进行了分类，取得了满意的效果。这些实验充分证明了多尺度分割技术具有较高的应用价值。此外，为了证明该方法在提取地物信息方面的有效性，周成虎等[3]根据地物非均质性差异和光谱特征，对极化雷达数据进行了综合分析，并从图像中提取了大量的植被信息。除了考虑光谱特征外，还考虑了目标的空间特征，从IKONOS图像中依然获得了足够的居民信息。这也说明高分辨率遥感数据的应用具有良好的发展潜力。随后，在分析不同地物特征差异的过程中，朱连奇[4]等将地物之间的相互关系结合起来，利用IKONOS图像对洪灾进行监测。在植被专题图与NOAA数据融合工作中，Willhauek采用多尺度分割方法对SAR数据进行处理，以专题图像的形式对森林火灾进行了监测，取得了良好的监测效果。近年来，徐涵秋[5]利用多尺度分割技术和传統方法提取QuickBird卫星图像数据信息，分类精度提高了26.71%。

2 研究区

本文以天水市城市地区为研究对象，坐标位置在东经105°40′～105°56′、北纬34°30′～34°38′之间，多光谱图像分辨率为2m，全色光谱为0.5m。研究区的形象涉及水、居住用地、道路等多种信息，而且地物信息比较全面。此外，图像中含有大量的噪声信息，给地物边缘的检测带来了一定的干扰。Robert、Sobel、Prewitt和Canny是自动检测地面目标边缘的常用算法[6][7]，它们各有优缺点。Robert、Sobel和Prewitt算法在识别噪声信息方面功能较弱，且容易将噪声作为地物的边缘进行检测，而忽略了真实的边缘信息，可信度较差。而canny算法在检测边缘信息时能够有效地自动屏蔽噪声信息，从而能够检测出真实的边缘信息，具有良好的效果。

3 研究方法

3.1影像分割

只有高质量的图像分割才能保证提取出的图像的精度，因此提高图像分割技术一直是各国所追求的目标。该技术是将图像分成若干块，块之间没有重叠或空间，但它们之间有一定的联系，具有相同的特征，每个块的图像都对应于实际物体。

3.2多尺度分割

在整个高分辨率图像中，有一些具有代表性的物体或地貌特征。有些在光谱上有差异，有些在形状或大小上有差异。多尺度分割技术就是识别这些差异，并根据不同的特征将其划分为不同的模块。差分最小化是每个块划分的标准。在设置了最基本的参数后，需要根据参数来判断差异。如果满足条件，则对差异进行分割，反之则分割结束。这种严格的方法在很大程度上保证了多尺度分割的准确性。这些参数也可以合并不需要分割的部分，从而确定分割对象的大小，该技术可以在很大程度上优化分割结果。

3.3多尺度分割的最优尺度

由于图像分割的基本单位是单个像素，分割尺度可以改变。为了从一些高分辨率图像中提取更多的信息，需要找到最佳的分割尺度。在最佳尺度下，应尽可能保证图像与目标的一致性，以获得最高的精度。

不同的分割尺度通常取决于多尺度分割本身的设置。必须建立一个更真实的数字模型，以最小的差异集成每个图像的目标层的目标信息。该技术保证了在不丢失信息的前提下，可以添加其他对象的特征，从而为最终的信息提取提供了方便。

由于对象层和实际对象是最平缓的，只有在尺度最优的情况下才能提高信息提取的成功率，因此保证最合适的尺度是至关重要的。遥感技术中地表特征的差异可以通过光谱等因素反映出来，因此要保证尺度的多样性和目标的完整性。此外，应保持边界的明确性，以保证被识别对象之间的差异。此外，不同的尺度也应该能够分析不同的对象。综合以上因素，保证目标的最佳分割尺度。

3.4多尺度分割步骤

合理的分割参数设置是多尺度分割的前提。保证实际效果达到要求是关键。影响因素及其相互关系可以用以下结构图表示：

根据真实的目标图像，通过多尺度分割技术将整个遥感图像生成与其对应的目标层次，从而更好地提取目标。但是，仅仅依靠多尺度分割技术来有效提取地物信息是远远不够的。在构建对象层时，必须对相关数据进行集成，以方便多尺度分割。基础数据的添加可以解决多尺度分割技术无法解决的问题。例如，在提取建筑光谱和道路光谱信息数据时，需要使用高程数据来区分具有相似特征的光谱信息，而这仅仅依靠图像光谱是无法实现的。除了利用高程数据辅助多尺度分割外，道路边缘信息的整合与提取还可以提高分割效果，为地物信息的提取奠定良好的基础。

4结果与讨论

4.1融合地物边缘参与多尺度分割

提取复杂地物信息，如果仅仅依靠多尺度分割技术，很难达到理想的分割效果，因此必须结合其他技术辅助多尺度分割。本文将canny算法与Geoway软件相结合，有效地检测出地面目标的边缘。在此基础上，对比简单多尺度分割的效果，直接分析了两种方法的差異。通过比较可以看出，在相同的分割尺度下，单一的多尺度分割得到的图像对象远不如有地物边缘时得到的结果理想。由于清晰的轮廓线增强了地物的可分性，因此在地物边缘的参与下，获得的地物信息更加完整，分割效果较好。利用地物的边缘信息，改变分割尺度，观察各种地物最大面积的变化趋势，变化关系曲线如下图2-6所示：

从以上曲线可以看出，在20～200的尺度变化过程中，水的最大面积一般逐渐增大，且与尺度成正比。当尺度超过200时，水的最大面积保持在相对稳定的状态，曲线几乎平行，因此可以取200作为水的最佳尺度。对于植被目标，在同一尺度变化范围内，尺度上升到180后，植被目标的最大面积几乎平行，因此植被的最佳尺度为180。采用同样的方法，住宅用地最优规模为80，道路最优规模为120，裸地最优规模为100。在此基础上，引入其他参数设置（表1）来构建相应的图像对象层。

4.2主要地物信息的提取

从成像角度看，水体呈现暗化特征，水体反射率由可见光逐渐降低到近红外波段，特别是近红外波段反射率极低。因此，亮度值、近红外波段值和归一化水体指数可以作为水体提取的参考标准。

城市的主要组成部分是居住区，也是遥感图像信息提取的主要对象。目前高分辨率遥感应用的重点和难点是如何提取居住区的信息。因此，研究居住区特征是提高信息提取准确性的重要方法。

总体而言，居住区反射率较高，亮度值较高，蓝、绿、红波段反射率呈上升趋势。反射值类似于道路和裸地的反射值。在遥感影像中，住宅用地内部灰度值的变化幅度减小，呈现稳定的趋势，但住宅用地边缘灰度值波动明显。

通过高分辨率遥感影像可以看出，住宅用地呈现出平面覆盖。独立建筑的形状通常是矩形或L或U形，是不规则的几何形状。小区具有自动构建拓扑多边形的特性，建筑将被道路、平地、草地所包围，可能会被高大茂密的树木所阻挡。在拍摄自然环境的过程中，建筑周围往往会出现阴影。建筑物的光谱值与道路的光谱值相似，不能根据光谱值来区分建筑物与道路。但从肌理分布来看，建筑与道路的差异明显，建筑肌理变化不大。此外，通过多尺度分割创建图像对象层时，住宅用地和道路的几何属性存在显著差异，体现在长、宽、长宽比和形状指数的不同上。

4.3精度分析

信息提取后的结果评价起着关键的作用。基于精度的评估可以推断出信息提取方法是否与特定的图像和表面对象一致。精度分析和推理的第一步是通过目测来判断信息提取的结果是否符合实际。第二步是计算混淆矩阵的值来推断地物信息提取的质量。根据混淆矩阵的结果，通过分析可以得到相应类别的错分误差值和漏分误差值。本实验从所有地物信息中提取几个样本，计算混淆矩阵，如表2所示。根据形式，它可以发现地面对象的所有生产精度大于0.9，用户精度大于0.9，总体精度等于0.946，kappa系数达到93.1%，证明从地物信息提取的精度值通过多尺度分割技术是相当高的。该方法作为一种高分辨率遥感影像地形信息的提取方法，具有较高的有效性。

5结论

本实验在研究影响因素的基础上，采用多尺度分割技术进行图像分割，建立了图像目标层。实验结果表明，该方法能将干扰因素与周围像素点结合起来，形成相似、一致的区域，对减小干扰对研究结果的影响具有重要意义。它既能消除图像的局部不均匀性，又能解决图像中“同物不同谱”和“同谱不同物”的问题，避免了传统方法在高分辨率图像处理中经常出现的“椒盐现象”。因此，在高分辨率遥感图像地物信息提取过程中，多尺度分割技术具有可靠性和准确性。曲面特征信息提取的关键是多尺度分割技术的应用。图像分割的质量决定了表面特征提取的准确性，而图像分割的质量取决于分割的尺度。根据目标最大面积法进行尺度选择，以明确不同地物的最佳分割尺度。虽然分割质量有所提高，但这种方法并不完善，缺乏可移植性。因此，如何选择最佳的地物分割尺度，需要深入研究科学、准确、可量化的标准。

参考文献：

【1】杨晖， 曲秀杰. 图像分割方法综述[J]. 电脑开发与应用， 2005， 18（3）： 21-23.郑伟， 曾志远. 遥感图像大气校正的黑暗像元法[J]. 国土资源遥感， 2005， 17（1）： 8-11.

【2】蒲智， 杨辽， 白洁. 基于面向对象技术的高分辨率遥感影像的阴影检测与去除[J].  遥感技术与应用， 2008， 23（6）： 735-738.

【3】周成虎，駱剑承.高分辨率卫星遥感影像地学计算[M].北京：科学出版社，2009.125.

【4】朱连奇， 许叔明， 陈沛云. 2003. 山区土地利用覆被变化对土壤侵独的影响[J]. 地理研究， 22（4）： 432-438.

【5】徐涵秋. 利用改进的归一化差异水体指数 （MNDWI） 提取水体信息的研究[J]. 遥感学报， 2005， 9（5）： 589-595.

【6】XueliangZhang，PengfengXiao，XiaoqunSong，JiangfengShe.Boundary-constrained multi-scale segmentation method for remote sensing images[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2015（1）：15-25

【7】Chao Wang，WeiXu，Xiao-fang Pei，Xiao-yanZhou.An unsupervised multi-scale segmentation method based on automated parameterization [J]. Arabian Journal of Geosciences， 2016 （15）：25-29.