宋楊，李長(zhǎng)輝，林鴻，陳鵬

(廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院，廣東廣州 510060)

1 引言

20世紀(jì)80年代起，遙感技術(shù)逐漸成熟并廣泛應(yīng)用于城市綠地景觀的研究，遙感影像數(shù)據(jù)是開展城市綠地覆蓋變化研究的重要數(shù)據(jù)源。圍繞土地利用/覆蓋的變化監(jiān)測(cè)的研究許多是建議在分類的基礎(chǔ)上，而對(duì)遙感圖像進(jìn)行計(jì)算機(jī)分類，傳統(tǒng)算法設(shè)計(jì)的主要依據(jù)是地物光譜數(shù)據(jù)，統(tǒng)計(jì)模式是以像素作為識(shí)別的基本單元，依靠不同光譜數(shù)據(jù)組合在統(tǒng)計(jì)上的差別來進(jìn)行的［1］。傳統(tǒng)的基于像元的分類方法在中低分辨率遙感影像上展現(xiàn)的效果較好，而高空間分辨率遙感影像的光譜統(tǒng)計(jì)特征不如中低分辨率影像的穩(wěn)定，同類物體呈現(xiàn)出很大的光譜異質(zhì)性，不同地物的光譜相互重疊，使得傳統(tǒng)的光譜分類方法無(wú)法得到滿意的結(jié)果。

針對(duì)高分辨遙感數(shù)據(jù)的特點(diǎn)，一些學(xué)者提出了面向?qū)ο蟮男畔⑻崛》椒?，具體體現(xiàn)在分類對(duì)象、分類特征和分類器等3個(gè)方面的研究。eCongnition是德國(guó)Definiens imaging公司開發(fā)的一款基于面向?qū)ο罄碚摰闹悄芑跋穹治鲕浖?，是目前所有商用遙感軟件中第一個(gè)基于目標(biāo)信息的遙感信息提取軟件，它突破了傳統(tǒng)商業(yè)遙感軟件單純基于光譜信息進(jìn)行影像分類的局限性，采取面向?qū)ο蟮乃悸愤M(jìn)行信息提取，大大提高了高空間分辨率數(shù)據(jù)的自動(dòng)識(shí)別精度。本文基于eCongnition的面向?qū)ο蠓治龅乃悸?，圍繞一對(duì)多時(shí)相的遙感影像，開展實(shí)驗(yàn)區(qū)綠地利用情況的變化檢測(cè)。

2 面向?qū)ο蠓诸惖乃悸?/h2>

面向?qū)ο蟮倪b感信息提取技術(shù)以相同特征的“同質(zhì)均一”的圖塊對(duì)象為基本分析單元，如光譜、紋理和空間組合關(guān)系，對(duì)象的屬性包括顏色、尺寸、形狀、結(jié)構(gòu)、紋理、陰影、空間關(guān)系等。利用eCongnition軟件開始面向?qū)ο蟮挠跋穹治鍪紫冗x擇任一尺度生成初始影像對(duì)象，eCongnition軟件允許生成好幾個(gè)層，并且把這幾個(gè)層組織成等級(jí)結(jié)構(gòu)進(jìn)行管理，這里所生成的第一個(gè)對(duì)象層，其下限是像素，上限是整景影像。后續(xù)生成的新的影像對(duì)象層，可以放在已有層的上層、下層或者兩層之間。這個(gè)網(wǎng)狀層次中的每一個(gè)對(duì)象都知道自己的鄰對(duì)象、子對(duì)象和父對(duì)象，這個(gè)網(wǎng)絡(luò)結(jié)構(gòu)是一個(gè)拓?fù)潢P(guān)系，比如，父對(duì)象的邊界決定了子對(duì)象的邊界，父對(duì)象的區(qū)域大小由子對(duì)象的總和決定。由于eCongnition軟件的分割采用的是區(qū)域生長(zhǎng)算法，可以很容易實(shí)現(xiàn)。對(duì)象在垂直層次上形成聯(lián)系后，利用尺度和高級(jí)的紋理特征也成為可能。對(duì)象層次結(jié)構(gòu)可以同時(shí)展示不同尺度的影像信息。

在滿足必要的精細(xì)的條件下，盡量以最大的可能分割尺度來區(qū)分不同的影像區(qū)域獲得影像對(duì)象。

(1)在滿足必要的形狀標(biāo)準(zhǔn)的前提下盡可能采用顏色標(biāo)準(zhǔn)。因?yàn)橛跋駭?shù)據(jù)中最重要的信息是光譜信息，形狀標(biāo)準(zhǔn)的權(quán)重太高會(huì)降低分割結(jié)果的質(zhì)量。

(2)在分割的基礎(chǔ)上執(zhí)行分類，eCongnition支持兩種不同的監(jiān)督分類技術(shù):模糊邏輯函數(shù)分類(Membership Function)以及最鄰近分類(Nearest Neighbor)。其影像對(duì)象分類中的分析和分類的知識(shí)庫(kù)框架都是基于類層次的，它包含了所有的類。

3 實(shí)驗(yàn)實(shí)例

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)是來自快鳥衛(wèi)星的1組2個(gè)時(shí)相的衛(wèi)星遙感影像，2個(gè)時(shí)相的數(shù)據(jù)已經(jīng)過配準(zhǔn)，每1時(shí)相衛(wèi)星遙感數(shù)據(jù)均為全色與4波段多光譜的捆綁數(shù)據(jù)，全色波段的空間分辨率為0.6 m，多光譜波段的空間分辨率為2.44 m。實(shí)驗(yàn)?zāi)康氖茄芯坑跋穹秶?個(gè)時(shí)相期間綠地利用的變化情況。圖1所示的是2個(gè)時(shí)相多光譜數(shù)據(jù)經(jīng)3波段假彩色合成的效果。

圖1 2個(gè)時(shí)相的實(shí)驗(yàn)區(qū)衛(wèi)星影像

3.2 處理方法

本文基于eCognition的面向?qū)ο蠓治龅姆椒▉磉M(jìn)行綠地利用變化檢測(cè)，概括起來處理步驟主要包括:

(1)對(duì)兩時(shí)相的影像分別創(chuàng)建獨(dú)立的地圖

首先在Erdas中利用多分辨率融合功能對(duì)兩期數(shù)據(jù)各自的多光譜與全色波段進(jìn)行融合，得到0.6 m的多光譜影像(藍(lán)、綠、紅、近紅外)。兩個(gè)時(shí)相的數(shù)據(jù)表示如表1所示。

兩個(gè)時(shí)相的快鳥衛(wèi)星影像 表1

利用eCognition的COPY函數(shù)將2期多光譜數(shù)據(jù)分別復(fù)制到各自的地圖中，MapT1和MapT2，這是2期數(shù)據(jù)各自進(jìn)行面向?qū)ο蠓治龅钠瘘c(diǎn)。

(2)基于2時(shí)相影像各自的地圖分別進(jìn)行分類，每個(gè)地圖劃分為綠地與非綠地兩大類型

對(duì)MapT1和MapT2首先進(jìn)行多尺度分割，多尺度影像分割可以理解為一個(gè)局部?jī)?yōu)化過程，而異質(zhì)性則是由對(duì)象的光譜和形狀差異確定的，形狀的異質(zhì)性則是由其光滑度和緊湊度來衡量，共同決定分割效果。本文使用的多尺度分割參數(shù)如下:尺度=30，顏色=0.9，形狀=0.1，質(zhì)密度異質(zhì)性=0.5，光滑度異質(zhì)性=0.5。

在多尺度分割結(jié)果的基礎(chǔ)上，利用歸一化植被指數(shù)NDVI＞0.3的邏輯條件利用隸屬度函數(shù)對(duì)分割結(jié)果對(duì)象進(jìn)行歸屬判斷，進(jìn)行綠地對(duì)象的提取。在此基礎(chǔ)上對(duì)綠地提取后剩余的對(duì)象指定類別為非綠地類，利用Merge函數(shù)對(duì)綠地類以及非綠地類進(jìn)行相鄰圖斑的合并，得到連通的圖斑，為變化檢測(cè)奠定基礎(chǔ)。

圖2 兩個(gè)時(shí)相的綠地提取結(jié)果

(3)對(duì)兩時(shí)相地圖分類結(jié)果進(jìn)行地圖的同步處理，使得分類的結(jié)果圖斑具有空間劃分上的可比性

到目前為止，2期影像是分別以各自的地圖MapT1和MapT2為起點(diǎn)完成了綠地以及非綠地兩類地物目標(biāo)的分類。后續(xù)的變化檢測(cè)分析工作需要將2期的分類結(jié)果歸納到一條主線上進(jìn)行比較。需要利用同步函數(shù)Synchronize Map對(duì)分類結(jié)果進(jìn)行層次上的梳理，使2期的分類結(jié)果LevelT1及LevelT2構(gòu)成垂直關(guān)系的上下層，時(shí)相2的分類結(jié)果位于時(shí)相1的分類結(jié)果的上層。由于兩期影像的差異性，影像多尺度分割結(jié)果圖斑邊界總是存在不一致，這使得兩期分類結(jié)果不具有可比性。變化檢測(cè)分析的前提是對(duì)同一位置邊界所確定區(qū)域的屬性類型進(jìn)行比較，因此必須保證兩期圖像綠地及非綠地最終分類結(jié)果的圖斑劃分程度一致。利用eCognition的Convert to Sub－Objects函數(shù)對(duì)兩期分類影像的圖斑邊界進(jìn)行統(tǒng)一，這個(gè)過程如圖3所示。

圖3 對(duì)兩期影像分類結(jié)果進(jìn)行圖斑邊界的統(tǒng)一

(4)應(yīng)用自定義的綠地變化檢測(cè)的規(guī)則對(duì)兩時(shí)相分類結(jié)果進(jìn)行分析，得出綠地變化情況的結(jié)論

根據(jù)本文實(shí)驗(yàn)的目的，設(shè)定如下的規(guī)則，然后對(duì)兩期影像分類結(jié)果進(jìn)行邏輯運(yùn)算，按照綠地增加、綠地減少、綠地未變化3種情況進(jìn)行分析，得到實(shí)驗(yàn)區(qū)在2期影像拍攝期間綠地利用變化情況的分類效果圖，如圖4所示。

根據(jù)表2所列規(guī)則以及圖4所示的綠地變化檢測(cè)結(jié)果可知，在2期影像表達(dá)的時(shí)間范圍內(nèi)，試驗(yàn)區(qū)上部以及圍繞路網(wǎng)的零星地區(qū)綠地發(fā)生了增加(綠色區(qū)域)，試驗(yàn)區(qū)中部偏右的池塘邊緣地區(qū)綠地發(fā)生了減少(紅色)，其余大部分區(qū)域綠地的面積未發(fā)生改變(灰色)。圖4所示的變化檢測(cè)結(jié)果直觀，能從宏觀層面上快速獲取綠地變化情況。

綠地利用變化檢測(cè)的三個(gè)規(guī)則 表2

圖4 2期影像綠地利用情況的變化檢測(cè)結(jié)果

4 結(jié)語(yǔ)

本文基于eCognition軟件的面向?qū)ο蠓治鏊悸穼?duì)一組快鳥影像覆蓋的實(shí)驗(yàn)區(qū)進(jìn)行了綠地利用變化的情況進(jìn)行檢測(cè)，得到綠地增加、減少、未變化3種情況的結(jié)果圖斑。檢測(cè)結(jié)果經(jīng)目視判讀，證明檢測(cè)結(jié)果符合實(shí)際綠地變化趨勢(shì)。綠地分類結(jié)果圖斑后續(xù)可輸出矢量格式，進(jìn)行數(shù)理統(tǒng)計(jì)，形成綠地變化情況的量化結(jié)果。本文旨在通過該實(shí)驗(yàn)流程探索基于eCognition軟件進(jìn)行變化檢測(cè)的處理步驟和效果，值得注意的是進(jìn)行變化檢測(cè)前多時(shí)相數(shù)據(jù)需要經(jīng)過配準(zhǔn)，融合等預(yù)處理，在實(shí)施變化檢測(cè)最終分析前需要對(duì)分類結(jié)果圖斑進(jìn)行邊界的統(tǒng)一，以便分類結(jié)果具有可比性。本文實(shí)現(xiàn)的面向?qū)ο蟮淖兓瘷z測(cè)處理流程，結(jié)合eCognition提供的豐富的面向?qū)ο蠓治鍪侄危捎糜诟鼮閺?fù)雜的目標(biāo)對(duì)象的變化檢測(cè)任務(wù)。

［1］Thomas M.Lillesand，Ralph W.Kiefer著.遙感與圖像解譯(第四版)［M］.北京:電子工業(yè)出版社，2003，394

［2］張永生，鞏丹超.高分辨率遙感衛(wèi)星應(yīng)用—成像模型、處理算法及應(yīng)用技術(shù)［M］.北京:科學(xué)出版社，2005，15～30

［3］陶超，譚毅華，蔡華杰等.面向?qū)ο蟮母叻直媛蔬b感影像城區(qū)建筑物分級(jí)提取方法［J］.測(cè)繪學(xué)報(bào)，2010，2(1):39～45

［4］宮鵬，黎夏，徐冰.高分辨率影像解譯理論與應(yīng)用方法中的一些研究問題.遙感學(xué)報(bào)，2006，1(1):1～5

［5］孫曉霞，張繼賢，劉正軍.利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路［J］.測(cè)繪科學(xué)，2006(1):62～63

［6］徐濤，譚宗坤，閆小平.面向?qū)ο蟮某鞘兴w信息提取方法［J］.地理空間信息，2010，3(8):64～66

［7］張生，趙春三，楊桄.多光譜與高分辨率圖像融合方法比較研究［J］.遙感信息，2007，93(5):56～59

［8］陳云浩，馮通，史培軍等.基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究［J］.武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2006(4):316～320

［9］黃昕，張良培，李平湘.融合形狀和光譜的高空間分辨率遙感影像分類［J］.遙感學(xué)報(bào)，2007，11(2):193～200

［10］明冬萍，駱劍承，沈占鋒等.高分辨率遙感影像信息提取與目標(biāo)識(shí)別技術(shù)研究［J］.測(cè)繪科學(xué)，2005，6(3):18～20