面向对象的多层次规则分类地物遥感信息提取方法试验分析研究

丘鸣语 甘淑

摘 要：监测土地覆盖变化是目前高分辨率遥感的重要应用领域，城市覆盖地物变更速度快、地物类型复杂，使用传统方法提取监测难度较大。针对此问题，选择云南省大理白族自治州上官镇为研究区，以GF-2 PMS遥感影像为数据源；
采用面向对象的方法对研究区进行最优分割尺度分割，选取最优特征组合用于构建模糊分类规则，分层次进行地物提取，最终获得研究区地物类型分布图。运用混淆矩阵方法进行精度评价，面向对象的多层次规则分类法提取分类效果良好，分类总体精度达79.95%，Kappa系数为0.74。与基于像元的分类方法和单一尺度下面向对象的提取分类法相比，面向对象的多层次规则分类法精度明显提高，说明本方法运用于复杂地物提取分类具有较好可行性。

关键词：面向对象；
GF-2；
多层次分类；
最优分割尺度；
多尺度分割

中图分类号：P237

文献标志码：A

随着遥感技术的发展，越来越多的遥感卫星进入太空，其能实时、多尺度提供影像的特点，为快速准确获取地面信息、监测地表变化提供了更多可能。

真实的土地覆盖、利用数据对国土资源空间优化、提升土地利用规划和管理水平至关重要［1-3］。目前，常用的中低分辨率影像，如MODIS、Landsant等可用于大尺度监测，但其分辨率也限制了它无法运用于复杂地形、精细地物的分类提取；
高分辨率影像的出现弥补了这一缺陷，高分辨率影像具有高精度、高空间分辨率等特点，更适用于小型地物提取与精细的地物分类，但其在带来更多空间信息的同时也带来了噪声与信息冗余［4］。目前，高分辨率影像的使用更加依赖于算法和目视解译，从而降低了效率，因此，如何去除干扰，快速、自动化的精确提取地物并分类仍是目前的研究热点。

目前遥感图像识别分类大致可分为基于像元的分类、基于深度学习的分类、面向对象的分类［5］。基于像元的分类方法以像元为单位进行分类，难以充分利用高分辨率影像的纹理等特征，还会出现椒盐现象或因信息冗余带来地物漏分、错分［6］；
基于深度学习的分类方法于近年迅速兴起并被广泛应用，其泛化性强且效果良好，但其需要大量样本进行训练的特性导致其难以被广泛应用；
面向对象的分类方法是将影像分割为多个对象，将每个对象作为最小单元，结合光谱、形状、纹理等特征进行处理，充分运用信息的同时避免椒盐噪声以提高提取分类精度［7-8］。目前，国内外对于复杂、典型地物提取分类进行了大量研究，郭玉宝等［9］采用基于像元的方法用GF-1影像对城市用地进行分类，证明随机森林算法（random forest，RF）的精度高于支持向量基（support vector machine，SVM）和最大似然法；
马燕妮等［10］依据空间统计和光谱统计获取理论最优分割尺度，分析分型演化多尺度分割与影像谱空间统计的特征关系，将基于光谱空间统计的影像分析尺度参数方法运用到分型演化多尺度分割算法，取得了较好结果；
于莉楠等［11］采用基于拓扑插值和光谱特征提取方法，证明该方法在提取复杂城区边界方面具有较好的稳健性和较高的精度；
张春森等［12］结合自然地物的光谱和纹理特征，提出面向对象的典型自然地物半自动提取方法，依据全连接条件随机场描述全局信息，结合不同地物的提取准则，最终增加了地物的提取分类效率。

本文运用面向对象方法，通过多尺度分割选取最优分割尺度，根据地物特点选取对应分割尺度，结合特征空间优选出的特征组合构建模糊分类规则集，分层次提取出八类地物，探索基于GF-2卫星影像在复杂地物中的提取分类方法。

1 研究区与数据

1.1 研究区

研究区为云南省大理白族自治州大理市（25°56′21″N-25°57′38″N，100°5′44″E-100°6′37″E），如图1所示。研究区内包含洱海罗时江入湖口、罗时江湿地生态公园、上官镇，涵盖城市、农田、湖泊、湿地、河流、林地等多种地物。

1.2 试验数据及其预处理

试验采用一景GF-2 PMS遥感数据（拍摄日期2020年11月19日），包括1 m分辨率全色波段和4个4 m分辨率多光谱波段（蓝、绿、红、近红外）［13］。在ENVI5.3中进行大气校正、正射校正预处理，运用NNDiffuse PAN Sharpening算法融合全色与多光谱数据，得到1 m分辨率融合影像后裁剪出大小为1 500×2 350像素的研究影像。

2 面向对象的多层次规则分类方法

2.1 多尺度分割及最优分割尺度选取

使用多尺度分割方法对影像进行不同尺度分割，选取各类地物对应最优分割尺度［14］；
建立多个层次的分类规则集，对每个层次中的地物结合上述特征优选组合构建模糊分类规则，最终形成多层次分类规则集进行地物提取分类试验。

影像分割是面向对象特征提取的重要步骤，对象的提取和分类是依据分割后的对象区域来进行的，分割效果主要由波段、尺度、形状和紧致度四方面决定，选取合适的分割尺度可在最大程度上避免出现“过分割”、“欠分割”现象，以保证分类精度［15］。不同地物因其自身特征在不同分割尺度下分割效果不同，面對复杂地物为保证分割效果，采取多尺度分割方法进行影像分割并进行最优分割尺度选取能最大程度保证分割质量。

多尺度分割中分割尺度越大，则分割出的对象越少；
除此之外，分割结果还与所选波长权重相关，某些地物在某个波段中会明显区别于其他地物，本试验选取分割波段权重为 1∶1∶1∶1；
分割结果同时还与分割对象的异质性相关，异质性通过光谱因子和形状因子来表现，其中形状因子又由光滑度与紧致度组成［16］。在eCognition中主要通过形状因子和紧致度因子来实现，二者的设定范围都在0～1之间，形状因子设置越小，则分割对象越细碎，紧致度因子设置越大，则在分割地物越细致。因此，分割过程中要综合不同地物特点设置相应的分割尺度、形状因子及紧致度因子才能获得较好的分割结果。在面对湖泊、大片林地等大面积连续地物时，应选择大分割尺度结合较大形状因子、较小紧致度的方案进行分割以防止地物过于破碎；
而在面对细小河流、乡间小路等小型地物时，应选择小分割尺度、较小形状因子和较大紧致度因子以进行更贴接近地物边界的分割。

本试验的最优分割尺度选取使用EPS2结合目视解译完成［17］。EPS2是运用于eCognition软件的多尺度分割算法的最佳分割尺度计算软件，其原理以不同分割尺度下影像对象同质性的局部方差（LV）作为分割对象层的平均标准差，使用LV的变化率值 RLV体现最佳分割尺度，当LV呈现峰值时为最佳分割尺度。RLV计算公式为：

RLV=LV（L）-LL（L-1）LV（L-1）×100（1）

LV（L）为目标层L层对象层的平均标准差，LV（L-1）为目标层L层下一次L-1层中对象层的平均标准差。

ESP2中计算出的最优分割尺度并不是唯一的，对于不同地物均其最优分割尺度。ESP2内获取最优尺度分割值如图3所示。

设置不同分割尺度、形状因子及紧致度因子，结合分割情况进行目视解译，可将8类地物分为3个层次进行提取，划分尺度如表1所示。

2.2 面向对象分类特征选取及特征空间优化

与传统基于像元提取分类方法相比，面向对象方法可以引入纹理特征等对象级特征，以克服地物间存在“同物异谱、同谱异物”的现象，对象特征是影像分析与信息提取的主要依据［18-19］。考虑到不同地物的特点，本试验选取红波段均值IMean_Red、绿波段均值IMea_Green、归一化植被指数INDVI、归一化差分水体指数INDWI、燃烧面积指数IBAI、土壤调节植被指数ISAVI、土壤亮度指数ISBI等15个光谱特征，面积指数IArea、不对称指数IAsymmetry等7个几何特征及灰度共生矩阵相关性指数IGLCM_Correlation、灰度共生矩阵均值指数IGLCM_Mean、灰度共生矩阵熵指数IGLCM_Entropy等9个纹理特征共31维特征进行分类。

在构建地物分类规则前，为避免特征冗余先选择出每类地物的样本，运用特征空间优化工具优选出各类地物间特征值相差最大的特征，通过统计获取其各类特征的最大值、最小值、均值等数据，以体现各类地物特征值差异。

识别精度不会因为选取特征数量增加而不断提升，过多的特征会出现冗余且导致计算量增加，造成特征空间内部互相干扰的信息，从而降低识别精度，因此，需要进行最优特征组合选取［20］。试验计算31维特征下各地物间分离度，发现当特征维度达到18维时，地物间分离度最佳达1.832（图4）。选取的特征可以在规则集构建时为建立规则提供参考，也可运用于面向对象的单一尺度下提取分类。选取特征空间的最优特征组合如表2所示。

2.3 分类规则建立

根据由大到小的分割尺度建立3个分类层次 L1、L2、L3，在各层次中结合地物特点参考优选特征进行规则构建，最终在本层次提取出地物，同时在低層次中的属性继承高层次中的未分类地物的特征，从而完成3个层次8类地物的分类。规则如表3所示：

3 试验结果分析讨论

3.1 单一尺度分类处理及精度评价

首先，针对面向对象的单一尺度分类，在eCognition中，使用多尺度分割方法对影像进行不同尺度分割，运用EPS2结合目视解译选取一个最优分割尺度［14］。在已分割对象中选取460个对象共8类地物，使用上述特征空间优选工具得到的最优特征组合，采取贝叶斯分类算法（Bayes）、K最近邻分类算法（K-nearest neighbor， KNN）、决策树法（decision tree， DT）、RF、SVM进行地物提取分类试验，其次，开展基于像元的单一尺度下提取分类。在ENVI5.3中进行基于像元的监督分类法SVM、最近邻分类算法（neares tneighbor， NN）和无监督分类法迭代自组织聚类算法（ISOData）、K均值聚类算法（K-Means）地物提取分类试验。

为了进行分类精度对比分析，采用ArcMap生成384个随机点，基于GF-2PMS影像与Geogle Earth影像进行进行目视解译，对基于像元单一尺度分类（SVM、NN、ISODATA、K-Means）、面向对象分类单一尺度分类（SVM、DT、KNN、Bayes、RF）和多尺度分类规则集共10种方法得出的分类结果，利用ENVI5.3及eCognition内置TTA Mask建立混淆矩阵进行精度评价。

3.2 分类结果视图对比分析

基于像元分类（SVM、NN、ISODATA、K-Means）、面向对象分类单一尺度分类（SVM、DT、KNN、Bayes、RF）和面向对象的多层次规则分类的分类结果如图5所示。从分类结果图中可看出基于像元方法存在严重的椒盐现象，各类地物间错分严重，难以区分河流、道路这类细小地物；
面向对象单一尺度提取方法中，建筑和道路、耕地和林地之间错分严重。

3.3 分类结果精度对比分析

由表4可见面向对象的多层次规则分类方法精度最高且质量最好，总体分类精度和Kappa系数达79.95%和0.74，基于像元的分类法中，监督分类方法SVM整体精度最高，总体分类精度和Kappa系数为67.38%和0.58，无监督分类法效果均较差；
在面向对象的单一层次分类方法中RF法分类精度最高，总体分类精度和Kappa系数为72.46%和0.65。除面向对象的RF法和多层次规则分类方法外，其余方法Kappa系数均低于0.6，即分类质量较差。

4 结论

本文运用多尺度分割方法进行分割，引入多尺度分割、多层次分类法，根据不同分割层次下的地物特征，建立相应的分类规则进行地物提取分类；
分别与单一尺度下基于像元的、面向对象的分类方法进行对比试验，结论如下：

1）基于像元的分类方法中，所有方法对于湖泊的分类效果均较好，河流这类细小水体常常被错分，大棚、坑塘中监督分类的精度明显优于无监督分类，所有方法均存在林地与田地、建筑物与道路的错分；
就整体而言SVM方法效果最佳，总体分类精度和Kappa系数分别为67.38%和0.58，但结果中依然存在河流、耕地、林地、道路错分的情况。

2）面向对象的分类方法中，单一尺度下的分类方法中RF法分类效果最好；
多尺度分割下构建规则集的分类方法效果最佳，总体分类精度和Kappa系数分别为79.95%和0.74，其继承上一层地物属性的特性使其可以更精细的区分提取地物，但此方法中耕地与林地的分类效果还有待提升。

3）所有方法中对于林地和耕地的分类均有错分，影像拍摄时间为11月，此时云南田地并非全部休耕，部分田地仍在种植冬小麦，林地与冬小麦种植地的光谱特征、纹理特征较相似，导致了二者在分类时易混淆；
对于此现象可考虑引入具有植物紅边、中红外波段的遥感影像，运用稻、麦类作物指数与林地进行区分。本文提取的地物类型坑塘为云南常见的冬日蓄水方法，在冬天未耕种田地中蓄水，此类地物具有季节性，形态独特且光谱特征不同与常年蓄水的水池，前人的研究中较少出现，是一类典型的季节性湿地地物，可深入研究。

4）在尺度的选取和规则集的构建过程中，ESP2提供的最优分割尺度、优选特征更多时候只能作为大致参考，构建规则更依赖统计分析结果和经验来人工确定特征值，因此，受经验和效率影响较大，后期可考虑结合机器学习方法进行特征选取、特征值确定，以提高分类效率和精度。同时本研究仅面向对象或基于像元的方法进行分类，后续可考虑根据地物特点，进行像元与对象特征联合分类，或引入多分辨率、多实像、多源数据进行联合分类，以期提高分类精度。

参考文献：

[1]鞠洪润， 左丽君， 张增祥， 等. 中国土地利用空间格局刻画方法研究［J］. 地理学报， 2020， 75（1）：
143-159.

［2］ 方创琳， 李广东， 张蔷. 中国城市建设用地的动态变化态势与调控［J］. 自然资源学报， 2017， 32（3）：
363-376.

［3］ 匡文慧. 城市土地利用/覆盖变化与热环境生态调控研究进展与展望［J］. 地理科学， 2018， 38（10）：
1643-1652.

［4］ 杨朝斌， 张树文， 卜坤， 等. 高分辨率遥感影像在城市LUCC中的应用［J］. 中国科学院大学学报， 2016， 33（3）：
289-297.

［5］ MA L， LI M C， MA X X， et al. A review of supervised object-based land-cover image classification［J］. Isprs Journal of Photogrammetry & Remote Sensing， 2017， 130：
277-293.

［6］ 赵生银， 安如， 朱美如. 联合像元-深度-对象特征的遥感图像城市变化检测［J］. 测绘学报， 2019， 48（11）：
1452-1463.

［7］ 洪亮， 楚森森， 彭双云， 等. 顾及全局和局部最优的高分辨率遥感影像多尺度分割优化算法［J］. 遥感学报， 2020， 24（12）：
1464-1475.

［8］ 杨宇晖， 颜梅春， 李致家， 等. 南方丘陵地区复杂地表“同物异谱”分类处理模型［J］. 国土资源遥感， 2016， 28（2）：
79-83.

［9］ 郭玉宝， 池天河， 彭玲， 等. 利用随机森林的高分一号遥感数据进行城市用地分类［J］. 测绘通报， 2016（5）：
73-76.

［10］马燕妮， 明冬萍， 杨海平. 面向对象影像多尺度分割最大异质性参数估计［J］. 遥感学报， 2017， 21（4）：
566-578.

［11］于莉楠， 宁晓刚， 王浩， 等. 拓扑插值与光谱特征结合的复杂城区边界提取［J］. 测绘学报， 2019， 48（8）：
1004-1013.

［12］张春森， 贾欣， 吴蓉蓉， 等. 面向对象高分遥感影像典型自然地物半自动提取［J］. 地球信息科学学报， 2021， 23（6）：
1050-1062.

［13］孙攀， 董玉森， 陈伟涛， 等. 高分二号卫星影像融合及质量评价［J］. 国土资源遥感， 2016， 28（4）：
108-113.

［14］CHEN L S， HAN Q Z， LIN Y L， et al. Object-based multi-features Wetland classification method of GF-2 PMS imagery［J］. IOP Conference Series：
Earth and Environmental Science， 2021， 865（1）：12-45.

［15］王蕾， 杨武年， 任金铜， 等. GF-2影像面向对象典型城区地物提取方法［J］. 测绘通报， 2018（1）：
138-142.

［16］宋明辉. 基于高分二号数据的面向对象城市土地利用分类研究［J］. 遥感技术与应用， 2019， 34（3）：
547-552.

［17］DRGU L， EISANK C. Automated object-based classification of topography from SRTM data［J］. Geomorphology， 2012， 141（4）：
21-33.

［18］林雨准， 张保明， 徐俊峰， 等. 多特征多尺度相结合的高分辨率遥感影像建筑物提取［J］. 测绘通报， 2017（12）：
53-57.

［19］杨朝辉， 白俊武， 陈志辉， 等. 利用Sentinel-2A影像的面向对象特征湿地决策树分类方法［J］. 测绘科学技术学报， 2019， 36（3）：
262-268.

［20］黄邵东， 徐伟恒， 熊源， 等. 结合纹理和空间特征的多光谱影像面向对象茶园提取［J］. 光谱学与光谱分析， 2021， 41（8）：
2565-2571.

（责任编辑：于慧梅）

Experimental Analysis of Object-Oriented Multi-level Rules

Classification Method for Remote Sensing Information

Extraction of Ground Objects

QIU Mingyu1， GAN Shu*1，2

（1.Faculty of Land Resources and Engineering， Kunming University of Science and Technology， Kunming 650093， China;

2.Application Engineering Research Center of Spatial Information Surveying and Mapping Technology in Plateau and Mountainous Areas Set by Universities in Yunnan Province， Kunming 650093， China）

Abstract：

Monitoring land cover change is an important application field of high-resolution remote sensing， but the change speed of urban cover features is fast and the types of features are complex， so it is difficult to extract and monitor the land cover change using traditional methods. To solve this problem， Shangguan Town， Dali Bai Autonomous Prefecture， Yunnan Province is selected as the study area， and GF-2 PMS remote sensing image is used as the data source. The object-oriented method is used to carry out the optimal segmentation scale of the study area， the optimal feature combination is selected to construct the fuzzy classification rules， the ground features are extracted at different levels， and finally the distribution map of ground feature types in the study area is obtained. Then the confusion matrix method is used to evaluate the accuracy， and the object-oriented multi-level rule classification method is proved to be effective：
the overall accuracy of classification is 79.95% and the kappa coefficient is 0.74. Compared with the pixel-based classification method and the single scale object-oriented extraction classification method， the accuracy of the object-oriented multi-level rule classification method is significantly improved， which shows that this method is feasible for the extraction and classification of complex ground objects.

Key words：

object-oriented; GF-2; multi-level classification; optimal segmentation scale; multi-scale segmentation

收稿日期：2022-06-20

基金項目：
国家自然科学基金重点资助项目（41861054）

作者简介：丘鸣语（1998—），女，在读硕士，研究方向：遥感图像处理方面的研究，E-mail：ageli123@qq.com.

通讯作者：甘 淑，E-mail：gs@kust.edu.cn.

猜你喜欢面向对象尺度规则撑竿跳规则的制定小猕猴智力画刊(2022年3期)2022-03-29数独的规则和演变数学小灵通(1-2年级)(2021年4期)2021-06-09财产的五大尺度和五重应对内蒙古民族大学学报（社会科学版）(2020年2期)2020-11-06面向对象的计算机网络设计软件系统的开发电子测试(2018年15期)2018-09-26让规则不规则Coco薇(2017年11期)2018-01-03面向对象的数据交换协议研究与应用电测与仪表(2017年24期)2017-12-19TPP反腐败规则对我国的启示暨南学报(哲学社会科学版)(2016年9期)2017-01-15宇宙的尺度太空探索(2016年5期)2016-07-12面向对象Web开发编程语言的的评估方法现代计算机(2016年12期)2016-02-289时代英语·高三(2014年5期)2014-08-26