吴志锋,郑宇恒,李双琴,孙 啸,张 涛,沈 忱,邹 妍

（1.中国石油天然气股份有限公司西南管道分公司，成都 610037）

高光谱遥感可以反映丰富的地表信息，在地物识别方面具有其他数据不可取代的优势。地物识别涵盖了区域土地利用分析、植被属性划分、水体资源监测、自然资源检测等诸多领域，地物的分类精度对于信息提取会造成很大差别。目前徐元进[1]等通过获取光谱整体形态的最大偏移量，使用穷举法做了基于整体形态和偏移范围内局部吸收谷位置的识别；胡蕾[1]等提出一种基于光谱特征和纹理特征结合的方法对数据分块处理，减小了数据的噪声；李祚泳[3]提出用物元可拓集理论构造不同地类的标准物元矩阵和节域物元矩阵，计算对象与各类地物的关联度，根据关联度大小判断地物类别。面向对象分类法克服了高分数据基于传统分类的缺陷，不仅可充分利用各种知识提取规则作为依据，而且可以把数据分割和分类融合，提高地物识别划分的精度和速度[4]。基于此，通过eCognition平台进行晴隆输油管廊沿线的地物识别普查，面向对象的分类方法可以建立数据分割分类结构，充分利用数据的空间结构进行地物识别，研究表明面向对象的分类结果较传统方法更具优势。

1 面向对象的信息提取方法

1.1 研究区及数据源

贵州省晴隆县位于贵州省西南部、黔西南布依族苗族自治州东北角，地处云贵高原中段，周边有石油运输管廊穿过。全县总面积1 327.3 km2，晴隆多年平均降水量为1 380 mm，总集水面积1 325 km2，境内河流、溪沟较多，是省内降水较多的地区。

本文选用2018-10-31的GF-2影像为数据源，该多光谱数据具有4个标准的波段信息，数据分辨率为4 m，此外包括一个分辨率为1 m的全色波段。

1.2 最佳分割尺度

高分辨率影像的空间结构信息和地理信息丰富，地物提取需要在不同的尺度下选取最佳尺度，基于像素光谱特征信息的地物提取同单一尺度数据信息提取法均存在很多问题，难以避免同物异谱、异物同谱等现象，增大了混分现象，多尺度分割可以在一定程度上避免此现象[5-6]。选取晴隆区域GF-2影像的4个波段参与影像分割，即4个波段权重值均设置为1，试用不同分割尺度，对比如图1。

图1 研究区GF-2影像部分区域不同尺度的分割结果

由图1看出，不同的分割参数下得到的分割结果各不相同，分割尺度的选取在之后的分析处理中起关键作用。

分割尺度为30时，区域对象数量密集繁多破碎度高，相同地物被分解为数个碎片，道路分割较为破碎，其中包括多处线性地物，地物间的边界较为明显；分割尺度为50时，一些区域被合并，分割数量有一定减少，但数据质量依然较低，建设用地还是较为破碎，植被区域分割也不完整；分割尺度为100时，信息较之前更完整，建设用地分割较之前好，但大范围植被划分仍较为破碎，对整体构成影响；分割尺度为150时，地物整体较好，不同区域地物的光谱纹理特征表现清晰，建设用地和植被的界线明显，除了小范围区域划分过度，整体能提取出地物；分割尺度为200时，各地物清晰，光谱和几何特征明显，分割较完整，线状面状地物划分准确，能较好的提取出各种地物利用类型；分割尺度为250时，区域划分较大，分割数量减少，阴影与部分建设用地和植被存在混分，影响整体划分。通过对比可知，当分割尺度为200时可较好地满足区域的需求。

2 面向对象的高分影像数据特征

eCognition可用于地物信息提取，通过机器学习技术对数据分析处理，充分利用对象及相关的信息对地物特征划分，如几何、光谱、纹理等信息关系提取影像的不同特征，从而得到需要的信息[7-8]。分类方法可分为人工分类、基于样本的监督分类、基于知识的模糊分类。通过对不同地物特征的分析提取高分影像中信息丰富的地物，避免了传统以单元像素作为地物识别的基本对象对数据进行分类，减少错分概率。

2.1 几何特征

数据几何特征可以量化为经过矢量化后的各点坐标组成的协方差矩阵，如式1。

式中，X、Y为对象的所有像元坐标组合成的矢量；Var(X)，Var(Y)为数据的方差；Cov(XY)是X，Y的协方差；设eig1，eig2分别是矩阵的2个特征值，且eig1＞eig2。影像的几何特征参数可表示为表1。

表1 影像几何特征参数

2.2 光谱特征

水体的光谱表现为暗黑色，与其他地物相差较大，可以通过NDWI归一化水体指数进行提取。NDWI表 示 为：ρ(Green)]，通过对区域训练样本的统计可知，水体的NDWI值通常大于0.05，非水体区域显示为负值。

不同地物的NDVI归一化植被指数差别较大，植被指数是近红外波段与红光波段之间的代数表达式[9]，表示为区域地物的NDVI范围如表2所示。

表2 地物NDVI取值

另外，地物光谱特征还包括均值、亮度、标准差、贡献率等，部分光谱特征参数描述如表3所示。

表3 影像光谱特征参数

2.3 纹理特征

纹理是灰度在空间中变化的反映，可独立于颜色表现地物的同质性。目前，地物灰度共生矩阵是公认可以表现图像灰度关于方向、相邻间隔、变化幅度的综合信息的有效方法[10-11]。

纹理特征可区分光谱信息相似的地物，针对建设用地、裸地等光谱信息存在重合的土地利用类型，纹理信息可以作为重要的参数，建设用地的纹理分布规则细腻，区域集中；而裸地的纹理不规则，边界不清晰。

3 研究过程

3.1 面向对象的信息提取

针对研究区域采用最临近分类方法对区域数据进行分类，具体信息提取步骤如下：

1）建立分类系统。为提高区域内地类提取的准确性，须将研究区域遥感影像的典型地类特征对比分析，根据研究区域的地物光谱特征，将影像划分为水体、建设用地、植被、裸地、其他，各地物类别在影像中的标志和含义如表4所示。

表4 区域土地利用信息解译标志及含义

2）选择样本建立分类规则。为了能准确地找到各地物的典型特征，在选择特征时要从多个角度判断。但特征的质量不与数量成正比，数量的增加会降低分类的效率和准确度，非主要地物特征相反会影响关键特征的作用，从而影响分类精度[12]。①结合影像的几何、光谱、纹理等因素，可以建立不同层次间地物属性类别分类体系；②父类的特征描述在层次间对应的子类中传承，并结合自身独一无二的特征进行分类，提高分类质量和效率；③影像均值、亮度以及标准差等光谱信息与长宽比、面积、纹理等形状信息主要应用于隶属度函数；在选用最临近法时，特征空间的定义可以用数据均值、亮度、比率等特征变量，区域样本选择如图2所示。

图2 区域样本选择

3）最终的分类结果如图3所示，以达到最后具体的目标。

图3 GF-2数据面向对象的地物分类

3.2 基于GBDT算法的分类原理及实现

3.2.1 sigmoid函数

sigmoid函数即Logistic函数，用于隐层神经元输出，可以将一个实数映射到区间（0，1）做二分类。在特征相差比较复杂或是相差不是特别大时，效果比

即sigmoid函数的值域是（0，1），导数为y×(1-y)，

3.2.2 GBDT决策及分类实现

GBDT的分类训练过程可以表示为图4，GBDT通过多轮迭代，每轮产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，要求是低方差和高偏差，样本训练的过程是通过降低偏差来不断提高分类器的最终精度，最终的总分类器是每轮训练得到的弱分类器加权求和的结果。

图4 GBDT分类训练过程

根据GBDT决策可知，假设要做m轮预测，预测函数为Fm，初始常量或每一轮的回归树为fm，输入变量为X，有：

F范围在（-∞-+∞），而二分类问题要求预测的函数值在（0-1），所以可用sigmoid函数将最终预测值的值域控制在（0，1），函数表达式如下：

GBDT分类包括导入回归树、创建GradientBoostingBase类、计算初始预测值、匹配叶节点、获取叶节点、划分区域、计算预测值、更新预测值、计算残差、模型训练、预测一个样本、预测多个样本。

在Gradient Boosting中，每一次的计算是为了减少之前的残差，可以在残差减少的梯度方向上建立新的模型消除残差。每个新模型的建立是为了使之前模型的残差往梯度方向减少。

图5 基于GBDT分类结果

3.3 最大似然分类法

传统的基于像元的分类方法与面向对象的分类进行对比分析存在很大的差别，本文选取了最大似然法进行地物的分类对比研究，具体过程如下：

1）训练样本的选取与优化。样本的选取需要先将非本类别的对象排除在外，然后选择研究区地物训练的代表样本，保证样本的纯度[13-14]。样本选取结果的评价可通过J-M距离作为判别指标，其具体情况是依据对样本类别间的统计距离对各样本组合计算，J-M取值在0～2之间，具体标准如表5所示。

表5 样本选取的评价标准

表6为地物间的实际J-M距离划分：

表6 样本分类J-M距离评价

2）最大似然法进行地物分类提取。基于上述5类地物进行样本选择后，进行基于样本的最大似然分类，并将结果进行分类后处理，获得该方法最佳的分类效果，最终结果如图6和表7所示。

图6 最大似然分类结果

表7 地物分类结果统计

3.4 精度评价

面向对象信息的提取结果都会存在一定的误差，有必要进行精度验证，以检验地物提取的有效性和可行性，同时进行精度评价可使分类结果更符合现实，研究选取精度评价中基于样本的误差矩阵，通过Kappa系数评价分类结果（如表8～10）。

表8 面向对象分类的混淆矩阵

1）面向对象分类精度评价。

2）监督分类的精度评价

表9 监督分类的分类混淆矩阵

3）基于GBDT算法的分类评价。

表10 基于GBDT分类的混淆矩阵

可知面向对象的信息提取精度高于传统的基于像元的分类，适用于在高分辨率影像中，可提高地物识别的准确性。

4 区域结果分析及结论

高分辨率遥感图像给地物分类识别提供了有力的几何特征、光谱特征、纹理特征，目前主要侧重地物信息的光谱特征，而对纹理和几何的应用稍显不足，本文石油管道沿线地物普查实现了对遥感影像不同地物信息的类别提取，结合数据的多种特征信息进行地物划分，减少了数据的错分及噪声现象。

此处基于多尺度分割面向对象的分类与传统的基于像元的分类和基于GBDT的分类方法相比，可以获得更准确的结果，确定更准确的范围，有效提高工作效率。