多尺度分割的高分辨率遥感影像分类对比研究

潘俊虹，梁 明

（武夷学院数学与计算机学院，武夷山 354300）

0 引言

随着我国遥感技术的发展，高分辨率的遥感影像在农业资源调查、作物病虫害和长势监测等领域也得到了越来越多的应用。影像分割尺度的准确性直接关系到目标特征的提取，影响目标特征的识别在实际场景中的应用效果，一直是遥感影像处理领域的一个关键研究问题［1-3］。文献［4］利用多特征融合有效提高了遥感地物分类精度；文献［5］采用多尺度的遥感影像分析,解答了对各种地物从各种空间尺度影像数据中获取的难题；陈苏婷等［6］充分利用了高分辨率遥感影像的特征信息来构建最优分割尺度函数，采用模糊均值聚类的方法获得最终分类结果；徐胜军等［7］提出由膨胀卷积特征提取的多尺度特征，结合深度神经网络模拟遥感成像将建筑物自动分割的新方案，能够实现对不同尺寸大小建筑物进行自适应提取；沈吉宝［8］将多种特征作为最小二乘法支持向量机分类器的输入，进行数学形态优化道路提取结果。杨国俊等［9］通过将多尺度特征进行融合，实现遥感影像中建筑物的精确分割。

本文根据高分2 号（GF-2）卫星遥感影像的特点，将像素块对象作为影像处理的基础单元，综合考虑影像的光谱特征信息，几何特征信息以及空间结构信息，利用最优分割层构建尺度层网络，通过从不同尺寸划分各种类型的地物目标，进而融合各种地物目标在其最优尺度下的光谱、纹理等各种特性，采用面向对象建立决策树对影像进行优化分割，从而提取出目标地物。

1 遥感影像数据获取与预处理

1.1 遥感数据获取

本研究实验数据来源于GF-2 遥感卫星影像，研究区位于福建省武夷山市境内，以山地为主，主要地物类型为林地、农业用地、建筑、河流等。本次影像成像时间为2019年5月19日，云量覆盖度为0，5月份为植被旺盛生长期，比较适合山区地物分类研究。

GF-2 遥感卫星作为我国自主研制的第一颗空间分辨率在1 m 以下的民用遥感卫星，于2015年3月6日正式投入使用，可实现1 m 清晰度的全色影像和4 m清晰度的多光谱影像。具体参数如表1所示。

表1 GF-2卫星有效载荷技术指标

1.2 遥感影像预处理

影像预处理可以去除影像中无关的统计信息，提高特性选取、影像分离、匹配与识别的准确度。本文利用ENVI5.3 软件采用了傅立叶变换信号滤波处理，然后对影像进行正射校正，并通过识别数据分析结果的RPC 信号，依次对多光谱信号和全色数据执行正射校准，并检测正射校准后的多光谱数据和全色数据是否全部配准。使用NNDiffuse Pan Sharpening 对多光谱数据进行处理以及正射校准后的全色数据的融合，最后利用快速大气校正对融合后的影像进行大气校正消除和减弱大气的影响，影像处理结果如图1所示，融合后的影像提高了空间分辨率，颜色纹理也得到了较好的保留。

图1 GF-2影像融合

2 实验过程及对比分析

2.1 最优分割尺度的选择

高分辨率遥感影像中尺度通常可采用均值方差法确定，均值是指在某个对象内全部像元灰度值的平均数，而均值方差法是指在整个影像中的每个对象内像元灰度值平均数或方差。最佳的分割尺度参考值出现在平均变异数峰值，且方差变动率开始出现下行趋势的分隔值时。此技术具有很多弊端，对分离成果质量的评估只是考察了单一频段的数据，并未全面考察遥感影像具有多个频段的特征，同时分离成果的评估不能和分离过程建立起连接，在均值方差曲线上的最优尺度是某个数值，而并非某个区域。为弥补过去仅考虑单一频段信息，引入了局部方差的思路，兼顾遥感影像中各频段的特性，同时又使分割结论和过程之间形成了联系。统计不同分割尺度上的局部方差，随着分割尺度的增加局部方差增大，直到其与真实的地物相匹配，局部方差就达到最大值，同一对象内部同质化最大，各对象之间差异最大，执行流程如图2所示。

图2 最优分割尺度寻找

同时，为了评估LV（Local Variance，局部方差）从一个对象级别到另一个对象级别的动态，定义了变化率的度量：

这里，L代表目标层的局部方差；L-1 表示基于L目标层的最低层的局部方差；当目标层的局部方差L超过或小于下一级的局部方差L-1时，即该目标层为最优分割尺度，也就是分割尺度近似目标对象的大小。

本文实验使用eCognition 软件中的插件ESP2，使用三个层次采用自下而上的不同增量对SP 进行优化，以取代通过自动程序对LV 图进行人工解释。为了比较尺度上参数变动对分类结果的影响，将其他参数统一设定为默认值以消除影响，形状度因子定义为0.1，紧致度因子定义为0.5，循环次数为300，经过多次实验验证，默认的起始分割尺度为10，三层的尺度增量分别为1、10、100，进行分割并计算ROCLV 变化率。经过多次切割实验确定235、185、140、135 为四种切割尺寸的最佳参考位置，经过目视筛选，根据四种地物分别对三个尺度构建多尺度分割的分类层次，如表2所示，分割尺度结果如图3所示。

表2 多尺度分割分类层次表

图3 不同尺度下的影像分割结果

从图3和表2中可以得出，在分割尺度为235 时，产生342 个影像数据，而通过面向对象特征的提取经验可以看出，在此分割层下可以很好地将河流与其他地物分离；分割尺寸为185时，总共生成了543 个对象图斑，其中的房屋、河流都进行过切割，由于影像对象的体积尺寸略低于真实斑块，因此可以直接从这个级别上获取；分割尺度为140 时，总共生成了890 个对象斑，林地、裸地均处于过分割，适合典型地物的提取。

2.2 基于多特征融合面向对象分类

遥感影像中相似地物或相似环境的纹理、地貌、光照、植被覆盖等特征，应当具有统一或相似的光谱信息特征和空间信息特征，但从图片中捕捉具有鉴别性质的特点和得到更准确的影像分类结果则具有很大困难。为提高目标地物的可识别性，将对layer4进行赋予红光的波段增强显示。在适当的分割尺寸下，影像对象将与实际地物对象的图斑形状尺寸一致，并在此基础上获取目标对象的特性信息，如光谱特性、纹理特征以及阴影、噪声的多种特性等，并整合了人工解译和专家知识库，融合多种特征建立分类算法。

首先，将前面四个分割尺寸中从大到小的235、185、140、135 形成一个层次关系，并从各自的灰度特征中抽取出来，通过局部二进制方法获取影像的局部纹理特征空间结构和灰度特征，以增强提取对象的表征功能。在前面三个层次的分割尺寸中获取适宜的地物类型，对本文内容进行了四次分割，且在其中从上至下的尺度网络层中分割尺寸依次降低，然后通过类层次结构创建类别并将影像对象赋值在类别中。

在level1层中将地物分为水体和非水体，在level2 层中将非水体进一步分类，分为房屋和非房屋；在level3 中继承level2 中的非房屋进行进一步的分类。利用目标具有的阈值指标、波谱特征等，通过对遥感影像的多次实验，构建了决策树中每个节点的提取规则，并设计了多级遥感和多尺度分析策略（见图4）。

图4 多层次多尺度遥感分析策略

通过各种地物的光谱特征、纹理特征和形状被的整合，利用类的继承将分类结果在分割尺度为135 时进行展示，获得分类结果如图5（a）所示。为了比较多尺度分割和单尺度分类的结果，在提取规则设置不变的情况下，当分割尺度为185、140、135 时，多个特征融合得到的分割结果依次如图5（b）、图5（c）、图5（d）所示。

图5 面向对象多尺度分割多特征融合分类图

3 最优分割尺度分类结果分析及评价

3.1 结果分析

从图5的分类结果可以看出，在单一尺度下存在细小图斑，错分、漏分现象比较严重。如林地区混有裸地，而房屋因为颜色较深被错分为水体，少部分水体被错分为植被等。从图5（a）可以发现，在传统面向对象方式的情形下仍然存在着很多空间错分的情形，将部分颜色较暗的林地区域分类为房屋，但是由于传统的面向对象方式等往往使用的都是在单一尺度下进行各类地物的空间提取，因此使用传统的面向对象方式等在进行分类的时候往往会省略掉目标地物在大尺度下的空间特性，以及存在过分割现象，对后面的分类会产生较大的误差。虽然使用多种特征进行提取会减少部分产生的误分、漏分，但是与实际的地物类别始终存在较大的差异。而使用多尺度分割会降低这种过分割和欠分割的现象，较大程度上保留了目标地物的多种特征。根据实验结果，在分割尺度为185时，房屋能够很好地提取出来，但是在分割尺度为140、135时，房屋均出现了过分割现象，这是因为在185大尺度的分割条件下很好地保留了房屋的空间结构，才能在规则判断下完好地提取出来，得到的提取结果几乎接近真实目标地物。

3.2 精度评价

本文使用ArcMap 制作随机样本点，通过人工解译确定目标地物，并通过制作TTAmask 来使选取的样本尽量达到随机并且精确。采用基于像素的混淆矩阵（Error Matrix based on TTA Mask）得到分类结果精度比较，见表3。从多特征融合尺度为185 时分类结果和尺度为135 时分类结果比较来看，多特征融合多尺度分割的面向对象分类方法总体更优，无论是总体精度还是Kappa 系数都在0.9 以上。最邻近法分类时存在将颜色较深的区域误分为房屋的情况。在面向对象中分割尺度不同情况下，单一尺度分割参数使得各种地物达到了过分割的状态，所以多尺度分割分类的方法更占优势，同时也为后面的分类产生了重要的影响。

表3 不同分类方法精度对比

4 结语

本文通过面向对象多特征融合多尺度分割的分类方法和多特征融合单一尺度下的划分方式，对研究区福建武夷山市某地块高分2号影像进行了土地利用划分，并将几类方案的分类结果进行比较。实验结果表明，从一频段内不同对象的局部方差出发，可以计算更多频段局部方差的均值，当目标层的局部方差值L超过或低于目标下层的局部方差值L-1 时，该目标层可以作为最优的划分尺寸层参考。将尺寸层由上至下、由大至小形成尺寸层网络，从而达到了在大尺寸层下划分出父对象，在较小尺寸下划分出若干段子对象提取的目标地物。通过筛选出最佳分割尺寸，可以达到多种分割尺寸与真实目标地物，保留最完整的空间特征，进行策略分类能够非常有效地提高面向对象方法对土地进行分类。同时在面向对象的思想方法下选择多种特征进行提取融合，能够为快速准确分类提供参考。多尺度分割的面向对象方法和多种特征融合在多种分类方法中获得了最好的分类效果，说明多种特征融合多种尺度分割能够很好地利用空间特征，进一步提高分类精度。