《武汉工程大学学报》  2019年05期 482-488   出版日期：2021-01-24   ISSN:1674-2869   CN:42-1779/TQ

---

基于ZY-3影像的土地利用信息提取方法


随着国产遥感卫星领域的不断进步，基于国产卫星遥感数据的研究已成为热点。中国高分辨率卫星遥感数据的应用，已经成为我国地表覆盖信息提取的主要数据源［1-3］。在信息提取方面，相对于中低分辨率遥感影像，高分辨率遥感影像的特点非常突出，其分类精度高、信息丰富等优势十分明显［4-5］。传统的基于像素的分类技术和适用于国外遥感卫星的高分影像分类技术［6-8］，已经无法满足国产高分辨率遥感影像分类处理的需求，因此，探索适于国产高分辨率遥感影像的信息提取技术尤为重要。面向对象的分类方法的提出，给高分影像的信息提取提供了新的方向［9］。基于对象的空间特征和光谱特征分割影像，合并不同大小和形状的斑块对象来进行地表信息提取，以此克服基于像素单元的信息分类方法的不足。图像分割是面向对象分类技术的基础，不同的分割算法和分割尺度对信息提取的精度有着显著的影响。数学形态学梯度分割和灰度图像层次分割的比较，更多的被应用于多光谱影像的分割；图分割算法、分水岭分割算法、边缘检测分割算法在高分影像分类应用中不断对比与创新［10-13］。基于面向对象方法的土地利用分类精度，还取决于光谱信息、空间分析和纹理信息的提取与应用［14］。黄慧萍利用光谱信息和色彩对比完成城市绿地的快速提取［15-17］。江东利用光谱信息和形状信息进行人类活动信息的多尺度提取。归一化植被指数（normalized difference vegetation index，NDVI）和形状指数广泛应用与道路提取和建筑物提取［18］。陈文倩利用光谱特征和纹理特征的信息提取和筛选进行支持向量机（support vector machine，SVM）分类，实现艾比湖湿地保护区的土地利用精确分类［19］。本文是基于面向对象信息提取技术来构建适于国产遥感卫星的土地利用分类方法。利用canny边缘检测分割影像和Full Lambda-Schedule算法合并邻近小斑块，提取斑块对象的光谱信息、波段信息、纹理信息和空间信息，运用SVM算法进行训练和分类，完成土地利用类型的划分。1　研究区与研究方法1.1　研究区采用的数据包含国产资源三号卫星ZY-3高空间分辨率遥感影像和土地利用数据。其中ZY-3遥感数据为2018年获取的2.1 m全色影像和5.8 m多光谱影像。资源三号卫星影像将会为中国国土资源、农业、林业等领域提供服务，进一步填补立体测图的空白。土地利用数据为2018土地利用更新数据，研究区中的土地利用类型丰富，包括耕地、原地、林地、水域、交通设施用地和城乡建设用地。在对比不同卫星遥感数据在面向对象方法的土地利用信息提取技术下的分类精度时，选取的是ZY-3、SPOT（SPOT-6）和ALOS（ALOS-2）卫星的遥感数据。SPOT遥感数据为2018年获取的1.5 m全色影像和6 m多光谱影像。ALOS遥感数据为2018年获取的2.5 m全色影像和10 m多光谱影像。图1（a）为不同信息提取技术比较的ZY-3遥感影像数据源，图1（b）为针对不同卫星数据源的精度比较的研究区的ZY-3遥感影像数据源。1.2 　研究方法1.2.1　影像分割合并　影像分割合并是根据属性或者边界将遥感影像上提取同质的斑块或对象，是面向对象分类的前期准备工作。采用基于边缘检测的分割算法，通过canny算子尽可能地进行边缘定位，提取图像中的不同对象的边缘，标识的边缘要与图像中的实际边缘尽可能地接近，从而完成影像分割。进行影像分割时，边缘检测的尺度选择会尽量较小，这是为了尽量提取更多的信息和对象，但是分割过于破碎容易导致信息提取时噪声过大，因此，影像分割后的小斑块合并是非常有必要的。利用Full Lambda-Schedule算法进行优化，该方法在结合光谱和空间信息的基础上迭代合并邻近的小斑块，从而提取同质对象。1.2.2 　基于多属性信息的面向对象土地利用分类 选取了很多属性信息，包括Band波段属性、Spectral光谱属性、Texture纹理属性、Spatial空间属性。Spectral光谱属性信息和Band波段信息也是不同地类之间的主要区分依据，是土地利用分类常用的属性信息。水体对蓝绿光波段的吸收度非常小，对其他波段的吸收程度非常显著，尤其是中红外和近红外波段。相反，植被对蓝光波段的吸收程度很强，对近红外波段的反射程度极高。因此水域、城乡建设用地、草地和耕地之间的光谱信息有明显的区分度。NDVI是归一化植被覆盖度指数，衡量的是土地利用上的植被的覆盖程度。NDVI可以将有植被的地类和无植被的地类直接区分开，例如将耕地、林地与道路、城乡建设用地直接区分开。同时，NDVI还可以指出土地表面植被的覆盖程度高低，例如林地和耕地的植被覆盖程度较高而草地植被覆盖度相对较低。Texture纹理属性。计算纹理特征有许多指数，选取4个纹理指数进行统计分析：平均灰度值范围、平均灰度值、变化值和信息熵。纹理特征属性是反映其遥感影像中的纹理复杂程度的指标。平均灰度值范围表达纹理特征的极值特征。平均值、变化值则是评估影像中的分类对象灰度值的平均程度和变化程度，进一步反映图像中不同对象斑块的整体纹理特征和局部纹理特征。纹理信息熵可以度量图像中所有的信息量的大小；如果图像的纹理非常复杂，而且纹理破碎程度高，其信息熵值较大，反之则小。Spatial空间属性。空间属性包括面积、周长、形状、紧密度等方面的空间信息。面积和周长指数可以明显评估斑块对象的大小。紧密性、形状指数则是对象的形状表达，可评估多边形对象近似圆形、矩形、正方形的程度。土地斑块形状可以为土地利用分类提供重要信息，受到人类活动干扰的土地利用斑块的形状要比自然斑块的形状更加规则。耕地的形状更趋向于正方形、矩形，而非圆形。道路和河流的形状多是带状，耕地、园地和城乡建设用地则更多的是块状地物，斑块的长和宽的区分度有显著差异；这些带状、块状的土地利用类型的形状指数、长宽比、主方向、矩形形状指数的差异非常明显。因此，空间属性中所涉及的面积、周长、形状等指数，能够为土地利用类型划分提供丰富的空间信息，如表1所示。运用SVM算法进行面向对象分类，主要是依据ENVI4.8软件中的面向对象空间特征提取模块（feature extraction，FX）工具进行高分辨率遥感影像分类，影像分割后在监督训练界面选择SVM算法，选取核函数为径向基核函数（radial basis function，RBF）。根据毛学刚、秦进春、慎利等研究发现［1-3］，SVM核函数选择RBF时精度较高，所以选取RBF为核函数。面向对象分类SVM选取RBF函数，需要设置Gamma in Kernel Function参数，数据类型是float，设置值为输入图像波段数的倒数。同时，指定the Penalty参数，此参数类型也是float，且为正数，选取值为100。Allow Unclassified设置允许有未分类的类别。Threshold 为分类设置概率域值，如果一个像素计算得到所有的规则概率小于该值，该像素将不被分类，范围是0~100，选取默认值为5。结合spatial空间属性、Texture纹理属性、Band波段属性、Spectral光谱属性信息，进行面向对象的SVM分类方法的技术路线如图2。2　结果与讨论2.1　不同的分类算法的结果比较监督分类的方法，最大似然法、马氏距离法、最小距离法和平行六面体法的总精度在60%~72%之间，kappa系数则在0.48~0.6之间。这几种监督分类方法的精度类似，没有明显的差异。而面向对象（k-nearest neighbor，KNN）分类方法和SVM分类方法的总精度是62.42%和91.90%，Kappa系数为0.472 9和0.870 3，由此可见面向对象的SVM分类方法的总精度和Kappa系数最高。对国产卫星ZY-3遥感影像的信息提取，最优方法为面向对象的SVM分类方法。面向对象的分类方法中，基于SVM算法的学习样本是由分割合并以后的土地利用斑块组成，本研究以像元进行统计，学习样本像元个数为35万个，以像元个数为基本统计单元。在ENVI软件的支持下，对高分辨率遥感影像、土地利用现状图及分类图上进行随机均匀抽样，测试样本数据集像元总数具体为：最大似然法16 94 106个，马氏距离法1 621 884个，最小距离法1 619 890个，平行六面体法1 715 094个；KNN方法1 674 162个，SVM方法1 714 943个。训练样本，是以土地利用现状调查的土地利用类型为基础，结合遥感影像进行训练样本的选择与土地利用类型属性匹配，在影像图与实际地类正确匹配的基础上选择的土地利用类型样本。测试样本用于不同分类方法的精度比较，在利用不同分类方法进行土地利用信息提取与分类以后，与土地利用现状调查的土地类型相验证，识别其分类精度。不同的分类方法在不同地类的分类精度上也有非常明显的差异。根据生产精度和用户精度的对比，面向对象的SVM分类方法对于耕地、园地、林地、公路、水域和城乡建设用地的分类精度整体处于较高水平。基于像元的监督分类方法中，最大似然法、马氏距离法和最小距离法对耕地、林地、水域和建设用地的分类精度较好。而平行六面体法仅对耕地、水域和建设用地的分类精度较好。面向对象的KNN分类方法对耕地、林地、水域和建设用地的分类精度较好。面向对象的SVM分类方法在耕地、水域和城乡建设用地的生产者和用户分类精度都在80%以上，这三类用地的生产精度和用户精度最高；林地次之，生产精度和用户精度都在50%~0%之间；公路最小。面向对象的SVM分类方法在耕地、水域和城乡建设用地的分类精度较高。因此，从不同分类方法对于不同地类的分类精度比较而言，面向对象的SVM分类方法在所有地类的分类精度整体较高；其中，对于耕地、公路、水域、城乡建设用地的分类精度更高，如图3所示。实验结果表明，面向对象的SVM分类方法是最适合于国产卫星ZY-3遥感影像的信息提取和土地利用分类的方法。首先利用canny算子边缘检测进行影像，分割，然后基于Full Lambda-Schedule算法结合光谱属性和空间属性的基础上迭代合并邻近小斑块，提取影像，进行分割合并，并提取对象的光谱属性、波段属性、空间属性和纹理属性，基于SVM算法利用这一系列的属性信息完成土地利用自动分类见表2。2.2　不同卫星的分类结果的比较利用面向对象的方法，对不同卫星的高空间分辨率遥感数据进行土地利用信息提取，如表3所示，分析适于国产卫星ZY-3遥感影像的土地利用分类技术。选取的训练样本与测试样本分布（见图4）；本研究选用ZY-3、SPOT和ALOS卫星进行分类精度的对比，如图5所示，总精度分别是90.50%、67.20%和80.40%，kappa系数分别是0.857、0.628和0.783。结果表明：面向对象的SVM的分类方法，对国产卫星ZY-3高空间分辨率遥感影像的信息提取精度最高。3　结　语随着国产卫星的飞速发展，中国在遥感应用相关领域的数据不再仅由国外卫星提供遥感数据，而更多的是使用国产卫星的遥感影像数据。因此，探索对国产卫星ZY-3高空间分辨率遥感影像的信息提取技术十分重要。本研究根据国产卫星ZY-3高空间分辨率遥感影像精度高、细节复杂、光谱和空间信息丰富的特点，利用面向对象的SVM分类方法，为中国土地资源、农业、林业、城市规划等领域提供数据基础。研究的结论如下：1） 本研究利用面向对象的SVM分类方法。首先，利用canny算子边缘检测进行影像分割，基于Full Lambda-Schedule算法结合光谱属性和空间属性的基础上迭代合并邻近小斑块；然后，影像分割合并，提取对象的光谱属性、波段属性、空间属性和纹理属性，尤其是形状指数和局部空间自相关指数；最后，基于SVM算法进行样本训练和土地利用分类。结果表明，对光谱属性、波段属性、空间属性和纹理属性的综合利用能够显著提高面向对象的SVM方法的分类精度。2）本研究选取6种分类方法，包括监督分类方法中的最大似然法、马氏距离法、最小距离法和平行六面体法，以及面向对象的knn和SVM分类方法。通过分类方法对比，发现面向对象的SVM分类方法的总精度和kappa系数最高，分别为91.90%和0.870 3。3）利用面向对象的SVM分类方法，对中国国产卫星ZY-3、法国卫星SPOT和日本对地观测卫星ALOS的高空间分辨率遥感影像进行土地利用分类，分类结果总精度分别是90.50%、67.20%和80.40%，kappa系数分别是0.857、0.628和0.783，表明面向对象的SVM分类方法对国产卫星ZY-3影像的分类总精度和kappa系数最高。