基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究

1、第卷第期年月遥感技术与应用基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究，仇江啸，王效科（中国科学院生态环境研究中心城市与区域生态国家重点实验室，北京；）中国科学院研究生院，北京摘要：针对高分辨率遥感影像的城市土地覆被信息提取，根据分类目的与精度要求的不同，分别引入了优化与广义两种面向对象分类方案，并对分类的结果进行分析比较。结果表明：优化方案的分类结果总体上要比广义方案好，前者的总体精度为相比后者的，提高了而总体但是该方案效率低，可移植性差；，系数提高了，广义方案的分类结果虽然精度略低，但是该方案具有很强的适用性与可移植性，能够在精度可控范围内，很大程度提实现系统而有效的自动分类；在

2、利用其高分类效率，广义方案得到的分类结果具有一致的精度，建立城市生态模型中能够保证数据之间的系统性与鲁棒性。因此，利用优化方案能够提高分类结果的绝对精度，而广义方案对于实时精确获取城市土地覆被信息、小尺度上定量监测与评价城市化的生态后果以及有效开展城市土地规划与管理具有更重要的意义。关键词：土地覆被分类；高分辨率遥感影像；面向对象；优化分类方案；广义分类方案（）中图分类号：；文献标志码：文章编号：引言城市化趋势的不断加速，剧烈地改变了地表形态和原本自然的生态学过程，使得局部区域生态系过程、功能和动态变化受到显著的影响或统的结构、，发生不可逆转的变化因此有必要对城市化的生。城市土地覆被态后果及时

3、进行定量监测和评价单个像素的光谱灰度特征参与分类，不能有效利用导高分辨率遥感影像丰富的空间结构和纹理信息，致分类结果存在严重的“椒盐效应”视觉效果差，区分“同物异谱”和“异物同谱”现象的能力也十分有限，；并不适合高分辨率遥感影像的信息提取目视解译虽然可以获得较好的分类结果，但效率低，具有主观性强和非定量性的缺陷，分类技术的可移植性差。为了能充分利用高分辨率遥感影像描述复杂地物的优越性，实现城市详细地表信息的精确提取，面。该分类方法处向对象的信息提取技术应运而生变化对城市地表径流、生境分布、局部气候等有重要，是决定城市生态环境质量的重要因素，同的影响时也是城市生态评价、合理规划与建设的基础，因而

4、快速准确地获取其信息十分重要。随着遥感技术的发展，高分辨率遥感影像以其细节更加清晰、信息更加丰富等特点，应用越来越广泛，尤其在用地类型多样、结构复杂以及高度空间异质性的城市环境中实。然而，现土地覆被信息的精确提取传统的基于，理的基本单元是“影像对象”而不是单个的像，“影像对象”是通过多尺度影像分割产生的，元即按照一定的均质性条件对原始影像中的像元进行，区域合并形成同质相邻像元的集合体因而不仅更多的是可以利用影像可以利用地物的光谱信息，的空间位置、形状特征、纹理参数以及上下文之间的像素的分类技术针对的是中低分辨率影像，只利用；收稿日期：修订日期：基金项目：中国科学院知识创新工程重要方向项目（和城

5、市与区域生态国家重点实验室自主项目（）共同资助。，：作者简介：仇江啸（男，硕士研究生，从事遥感地学应用和城市景观格局研究。）。，通讯作者：王效科（男，研究员，博士生导师，主要从事区域和城市生态、生物地球化学循环和遥感技术应用研究。）：。遥感技术与应用第卷语义关系等属性，同时还能有效地结合多源数据（如，雷达和专题数据等）在决策专家支持的模糊分类思。相比想指导下确定分割对象最终的所属类别研究区域与数据来源本文以北京市五环以内的建成区为研究区域，总面积为该区域地势平坦，平均海拔较传统的影像分类方法，面向对象信息提取技术采用多尺度影像分割和基于分割的分类，从模拟人类视觉理解的角度出发，将像素集合得到有

6、意义的对实现原始影像从目标尺度空间到语义尺度空间象，的表达，最大程度地利用影像的空间和光谱信息，更。加适合城市用地的精确分类左右，属暖温带半湿润气候区，是北京的政治、科研、教育文化和居民居住中心。改革开放以来，随着现北京市建代化建设全面开展和城市化进程的加剧，成区的用地结构和空间形态发生了很大的变化。本研究利用北京市年月获取的并选取中心城区遥感影像，列×该区域清晰地反映城市行的区域作为研究区，的空间结构，涵盖了典型的用地类型，体现了城市环境的高度异质性与复杂性，如图所示。研究采用绿、红、近红外个的遥感影像具有蓝、多光谱波段和一个全色波段，空间分辨率分别为和。原始影像的全色波段以地形图

7、为基准，利用多项式和最邻近内插法进行几何精校正，保证误差在一个像元之内。多光谱波段利用以校正后的全色波段为地理空间参考，并的模块进行自动匹配校正，控制误差小于几何校正的数学基础选个像元，择投影坐标系统和椭球体。近年来，国内外很多研究探讨基于高分辨率遥感影像的面向对象分类方法提取城市土地覆被信息、监测城市景观格局的动态变化，得到了较好的结。但是，果很少有关于不同面向对象分类方案的城市土地覆被分类比较研究。本文基于北京市中心城区的根据分类高分辨率遥感影像，目的和精度要求的不同，在的支持分别引入优化与广义两种面向对象分类方案提下，取城市土地覆被信息，并对两者的分类结果进行了，优化分类方案”是通过选择

8、训练分析比较。所谓“样本建立特征空间，利用最邻近函数与模糊隶属函，数参与分类，而“广义分类方案”则是采用独立于样本空间的模糊分类规则进行分类。图研究区位置及多光谱遥感数据研究方法本文在多尺度影像分割和分类体系的基础上，采用优化和广义两种不同面向对象分类方案对研究区进行土地覆被信息提取试验，并对分类结果进行比较分析。优化分类方案结合最邻近分类与模糊隶属函数分类法，旨在最大可能地提高单一影像的分类精度，而广义分类方案的目的是提高分类系统和实现有效而系统的分类规则的适用性与可移植性，自动分类。第期仇江啸等：基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究多尺度影像分割多尺度影像分割不仅是面向对

9、象信息提取和目而且能够表达不同尺度上的标识别的前提和基础，景观特征和空间异质性，分割质量的高低也直接影响后续处理的精度，因而如何确定最优分割参数就。多尺度分割产生不同尺度的影显得尤为重要色和形状参数共同构成了影像多尺度分割中的均质性标准，其中颜色因子，即影像的光谱特征，是区分因而在影像分割的过程很多地物类别的重要依据，中通常被设为较高的值，而形状因子则是由紧凑度和光滑度两个参数组成，这个因子有利于城市土地分类中规则地物和显著纹理特征地物的提取。为了能够充分利用影像的光谱和空间信息，本研究在影像分割的过程中同时导入全色波段和多光谱波段，并根据研究区地物的特点，通过尺度参数分析工具反复尝试得出不同

10、地物最适宜的分割参数，在此基础上构建具有。一级小两个层次的多尺度影像分割等级网（表）尺度对象层生成的影像对象数量最多、面积最小，能二级大尺度对象层在够表达需要分类的最小地物；一级对象层的基础上用光谱差异模式（），进行二次分割（尺度大小为该层置于一级之上。各对象层次之间存在继承关系，上层较大影像对象是由下层子对象合并而成（）。图有助于利用类像对象层之间存在属性间继承关系，别之间的语义关系和拓扑信息实现更为准确、精细的信息提取。影响多尺度影像分割的参数主要包括尺度、颜色和形状参数，其中尺度是影像分割过程中最重要的一个参数，它是判断某个像素是否合并到邻近影像对象的标准，决定了影像对象允许合并的最大程

11、分割尺度越小，生成的多边形数目越度。一般而言，多，面积越小，形状越破碎。最优分割尺度值是分割得到的多边形不仅可以清晰勾画出不同地物类型的而且能够用一个或几个对象来表示出这种地边界，物。最优分割参数的选择通常依赖于影像的分辨率一般通过试验对比获得。颜和待提取的目标地物，表多尺度影像分割参数及不同层上提取的土地覆被信息描述等级层次分割模式分割尺度颜色同质性标准一级多尺度形状多光谱图层权重全色二级光谱差异最大光谱差异值紧凑度光滑度，建筑、道路、裸地、水体参数设置林地、草地提取信息图影像分割流程及分割结果，分割尺度为用于提取城市植被类别信一级：息，包括林地与草地。考虑到研究区植被空间分布较为破碎的特点

12、，在影像分割过程中赋予全色波段更高的权重，以提取面积较小的植被单元；另外附加一个遥感技术与应用第卷（植被指数）参与分割，可以很好地区分植被与非植被信息。由于光谱特征是表征植被的重要信息，所以颜色因子，。设为紧凑度和光滑度分别为和二级：利用光谱差异模式进行二次分割，分割尺度为。由于初始分割生成的影像对象过于破碎，不利于较大的具有典型形状特征地物（如建筑、道路等）的提取，通过光谱差异模式的二次分割能够合并把相同覆被类相邻的具有相似光谱特征值的对象，型的对象归并成更规整、更符合实际形状特征的对象，在该层提取建筑、道路、裸地和水体较为理想。分类体系优化与广义两种面向对象分类方案均采用相同。具体的分类体

13、系，逐级提取土地覆被信息（图）来说，在一级对象层中，在对影像直方图分选取峰值作为模糊成员函数阈值提取析的基础上，植被信息，利用光谱特征在植被信息中确定林地和草地类别的归属。图优化与广义面向对象分类方案的分类体系首先继承一级对象层中的植在二级对象层中，被信息，并以此为掩膜，利用光谱特征提取水体，由于水体的深浅和浑浊度不同，在影像中反映出来的光谱特征也截然不同，因此需要建立两个不同的类在水体提取时设置最小隶别用于水体信息的提取，属度值为其次，在植被与水体掩膜的基础上，；进一步提取出裸地与硬化地面。但是，在硬化地面中区分道路与建筑时，发现两者具有相似的光谱响应特征，因而仅仅依靠光谱的差异不能进行很好

14、地区分，但研究发现两者的几何特征有明显的不同，所以结合相应的几何特征参数（形状指数和长宽比）就能过达到很好的分类效果。考虑到城市中建筑材颜色和类型各异，其在影像中表现的光谱特征也质、因此在提取建筑时建立种不同的类别。随之不同，最后，将一级与二级对象层中提取的结果进行叠加并合并相同的覆被类型，得到最终的分类结果。优化面向对象分类方案优化面向对象分类方案在确定的分类体系和影像分割基础上，结合最邻近分类与模糊隶属函数分类法，以尽可能提高单一影像的分类精度。其中，最邻近分类法通过选择具有代表性的训练区样本定义多并根据影像对象的特征与最近的相邻特维特征空间，征之间的空间距离计算该对象的隶属度值，选择隶属

15、）。度值最大的类别作为此影像对象的类别（图本研究中采用的是标准最邻近分类法（），共选择通过个样本对象，特征空间优化工具（定）义最适宜类别提取的优化特征空间，降低特征维数，以提高目标识别效率与区分能力，并在此基础上通实现不过对样本的光谱分析建立合适的分类系统，同层次上土地覆被信息的提取，采用的函数及参数设置见表。第期仇江啸等：基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究图标准最邻近分类法与模糊隶属函数分类法表优化面向对象分类方案中规则及函数的参数设置提取信息植被模糊隶属函数蓝光波段：型：型建筑长宽比：型形状指数：型水体、裸地、林地、草地、道路）亮度、蓝、绿、红、近红、（）亮度、蓝、绿、

16、红、近红、（最邻近函数的特征空间）为影像对象所采用的各个参数的标准最近邻函数的特征值（注：亮度值定义为影像对象所采用的特征参数中，长宽比为影像对象协方差所有多光谱波段的均值，矩阵特征值的比值，可近似计算为影像对象外接矩形的长度和宽度之比；而形状指数则是描述影像对象规则程度的一个参数具体算法如下：长宽比：其中：、分别为影像对象外接矩形的长度和宽度。形状指数：其中：和分别是影像对象的周长和面积。而对于仅仅依靠光谱难以区分的类别，比如硬化路面中的建筑与道路，可以结合模糊隶属函数分该方法是基于规则的分类方法，通过分析影像类法，对象以及对象间的特征属性，建立规则模型进行分类，其思想以模糊集合理论为基础，

17、认为影像对象所是”与“非”的刚性关系，而是不确属的类别并不是“定的，通过成员函数计算的模糊隶属度值来表示，这种方法在使用一个或极少的最显著特征就可以区分。本研究在提取待提取类别的时候最有成效（图）植被信息以及在硬化地面中区分道路和建筑时使用），相关成员函数（图提高了分类的效率与精度。图模糊成员函数标准化修正的参数设置广义面向对象分类方案优化分类方案虽然分类结果的精度较高，但是这种方案也存在不可忽视的缺陷。首先，该方案利用训练区样本的定义多维特征空间，因此在每次分类的过程中都需要进行重复的样本选择以及繁琐的其次，由于该分类方案使用的最邻近特征空间优化；遥感技术与应用第卷函数是依赖基于特定影像样本

18、的特征空间而存在的，可移植性差，分类规制不能直接适用在同一影像再的不同区域或者具有相同质量的不同的影像中；者，优化分类方案应用到不同影像中得到的分类结果的精度不一致，因而需要对每次的分类结果分别进行精度评价。鉴于优化分类方案的不足，本研究提出了另一种广义面向对象分类方案，该方案采用独立于样本空间的模糊分类规则区分不同的土地覆被类型，具首先对有更高的适用性与可移植性。具体来说，个类别的样本光谱直方图进行分析，并根据类别的光谱响应特征交互生成每一个类别指定特征的模糊成员函数，最终得到不依赖于样本空间、可移植性高具体采用的函数及参数设置见表。的分类规则，表广义面向对象分类方案中规则及函数的参数设置提

19、取信息植被模糊隶属函数蓝光波段：型：型建筑长宽比：型形状指数：型建筑（灰）建筑（红）建筑（黄）水体（深）型水体（浅）型型林地草地裸地道路交互生成的标准化模糊成员函数亮度蓝光绿光红光近红外交互生成的标准化模糊成员函数，只显示阈值范围的缺省函数类型为正态型注：前者的分类规则依赖于样与优化分类方案相比，本的特征空间，后者的分类规则是由样本光谱交互生并利用标准化工成独立于样本空间的模糊成员函数，），具对其参数进行标准化修正（图提高了模糊成员函数的可移植性，因而能够把小区域的分类规则应用在不同影像或不同研究中，最大程度提高分类规则的适用性与可移植性，分类结果如图所示。分类结果为了直观地比较优化和广义方案

20、分类结果的精度，考虑到研究区的特点，采用分层随机抽取样点的方法进行精度计算，共选择了这些抽样个样点，因而更能准确地反点在空间和类别上呈均匀分布，。在随机样点的基础上，应出分类结果的精度参考已有的辅助资料，对每个抽样点进行精确的参，考类别确定，得到混淆矩阵并计算相应的生产图广义面向对象分类方案的分类结果者精度、用户精度、总体精度以及精系数，度评价结果如表和表所示。由表可以看出：优第期仇江啸等：基于高分辨率遥感影像的面向对象城市土地覆被分类比较研究化面向对象分类方案的总体精度为比广，义面向对象分类方案的总体精度提高了而总体，系数提高了。就单个类别的分类结果来看，优化方案的精度也较广义方案高。在优化

21、方案的分类结果中，道路与建筑之间容易错分，主要原因是部分道路与亮色建筑的光谱响应特征相似；而在广义分类方案中，林地错分成道，主要是由于建筑阴影的影响，使得部路的较多分在阴影中的林地被归为了道路，同时也发现部分。裸地与盖度低的草地也容易混淆表优化方案分类结果的混淆矩阵和精度评价建筑建筑道路林地草地裸地水体用户精度道路林地草地裸地水体生产者精度系数总体精度；总体系数表广义方案分类结果的混淆矩阵和精度评价建筑建筑道路林地草地裸地水体用户精度道路林地草地裸地水体生产者精度系数总体精度；总体系数结语本文在多尺度影像分割和分类体系的基础上，基于采用优化和广义两高分辨率遥感影像，种面向对象分类方案分别进行了

22、北京市中心城区土总体来说，地覆被分类的比较研究。研究结果表明，面向对象的分类结果在视觉上更符合自然界地物的克服了传统基于像素分类方法的“椒盐”噪客观特征，声的影响，在精度上也比传统影像分类方法有了很大程度的提高。一方面是因为面向对象的信息提取技分类的基术是基于人类视觉理解的多尺度影像分割，本单元是根据同质性原则得到的具有实际意义的影而不再是单个像素，因而在分类过程中能够像对象，有效结合影像的多维信息，包括光谱特征、空间结构、纹理信息以及上下文关系等；另一方面，面向对象分不仅能够利用最邻近分类，还可以类的算法多元化，结合模糊成员函数参与分类。因此，面向对象的分类技术在基于高分辨率遥感影像的城市土

23、地覆被信息提取时，具有很大的优势与潜力。再者，根据不同的分类目标和精度要求，本研究并对两提出了优化与广义两种面向对象分类方案，种分类结果进行定性、定量的分析比较，得到以下结论：优化方案的分类结果总体上来说要比广义方案的分类结果好，从总体精度和系数上来看，前者比后者分别提高了而就单和，前者绝大部分类别的生产者精度、用户个类别而言，因此，在对分精度以及系数也均比后者高，应采用优化分类结果的绝对精度要求高的情况下，类方案，但是该方案的缺点是适用性差、分类时工作量大；但由广义方案的分类结果虽然精度略低，因而于其分类规则具有很强的适用性与可移植性，该方案不再局限于单一的影像分类中，能够在保证减少绝大部分的冗余工作，提高精度可控的范围内，面向对象分类的效率，实现有效而系统的自动分类；遥感技术与应用第卷得广义方案的分类规则应用到不用影像分类中，到的结果在精度上具有一致性，因此该分类方案提取的土地覆被信息在建立城市生态模型中能够确保。数据之间的系统性与鲁棒性，（：周春艳，王萍，张振勇，等，）基于面向对象信息提取技术的城市用地分类遥感技术与（）：应用，：，（）：，（）：，（）：，本研究的创新之处在于：同时导入多光谱与全色波段参与影