徐慶紅，吳波，梁志鋒

（福州大學(xué) 空間數(shù)據(jù)挖掘與信息共享教育部重點(diǎn)實(shí)驗(yàn)室，福州 350002）

1 引 言

濕地信息提取的結(jié)果是濕地景觀格局研究、濕地保護(hù)及管理工作的重要依據(jù)，信息提取的精度需滿足一定要求。然而，濕地生態(tài)系統(tǒng)含水量高，各濕地類型在遙感影像上的光譜特征和空間特征對環(huán)境背景依賴性強(qiáng)，“同物異譜”和“異物同譜”現(xiàn)象嚴(yán)重。傳統(tǒng)僅依靠地物光譜特征差異分類的方法，濕地信息提取精度較差［1］。面向?qū)ο蟮姆椒ㄒ酝|(zhì)像元組成的對象為處理單元，在原有的光譜信息上，增加了形狀、紋理、層次和類空間關(guān)系等可用特征，能有效提高濕地信息的解譯精度［2］。但面向?qū)ο蠓椒ㄈ源嬖谠S多難點(diǎn)［3-4］，如分割尺度的選擇問題、多尺度分割實(shí)現(xiàn)困難等。實(shí)際應(yīng)用中的濕地研究區(qū)面積較大、數(shù)據(jù)量多，要達(dá)到工程性應(yīng)用，應(yīng)引入有效的自動或半自動信息提取方法，形成完整可靠的技術(shù)流程，以減少工作量和保證解譯結(jié)果的可重復(fù)性和穩(wěn)定性［5］。本文旨在提出一種有效的面向?qū)ο鬂竦匦畔⑻崛》椒?，為開展?jié)竦卣{(diào)查工作提供技術(shù)支撐。

2 研究區(qū)及數(shù)據(jù)源

2.1 研究區(qū)概況

為驗(yàn)證結(jié)果的可重復(fù)性和穩(wěn)定性，本文選取兩個地區(qū)進(jìn)行實(shí)驗(yàn)。區(qū)域一是福建省寧德市霞浦縣，地理位置為 N26°49′50″～N26°55′1″，E119°59′52″～N120°6′18″；區(qū)域二是福建省莆田市涵江區(qū)，地理位置為 N25°22′5″～N25°28′3″，E119°2′20″～E119°9′25″。兩區(qū)均位于閩東濱海地區(qū)，淺海、灘涂面積廣闊，主要濕地類型有稻田、養(yǎng)殖場、灘涂、淺海水域等。

2.2 遙感數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)包括2010年1月14日霞浦區(qū)和2010年3月18日莆田區(qū)共兩景ALOS AVNIR－2影像。該數(shù)據(jù)包含4個波段（藍(lán)、綠、紅、近紅外）信息，空間分辨率為10m。

采用ERDAS中的AutoSync模塊對原始數(shù)據(jù)進(jìn)行幾何校正。輔助數(shù)據(jù)為已校正的全省TM和ASTER GDEM影像，校正模型為3階多項(xiàng)式。校正后從影像上裁剪出目標(biāo)區(qū)域：霞浦區(qū)影像大小為960＊1072像元，莆田區(qū)影像大小為1213＊1213像元。

3 信息提取方法

面向?qū)ο蠓ㄊ紫葘D像分割成具有一定意義的均質(zhì)對象，然后用一組特征來描述對象，最后通過建立對象與類結(jié)構(gòu)之間的關(guān)系和判別規(guī)則，將對象分配到相應(yīng)的類中。本文提出一種迭代分割方法，以支持向量機(jī)（SVM）分類器進(jìn)行濕地類別識別。最后，通過更深層次的挖掘遙感影像上濕地類別的深層空間語義信息，加入人的思維，構(gòu)建優(yōu)化規(guī)則，使信息提取結(jié)果更加準(zhǔn)確。

3.1 影像分割

由于地物間存在大小差異，單一尺度的分割結(jié)果過于破碎或分割不完全。因此，應(yīng)采用多個尺度對不同類別地物進(jìn)行分割，以保證后續(xù)分類精度［6-7］。多 尺 度 提 取 地 物 的 技 術(shù) 主 要 是 分 層 分割［8-9］，即以不同尺度分割影像，生成多個尺度的對象層，然后逐層提取地類。分層分割方法在一定程度上提高了影像分類的精度，但由于分割層的數(shù)量受地類數(shù)量的影響，故地類豐富時(shí)，相應(yīng)的對象層多而雜亂，可操作性差；且各類別的提取精度在一定程度上受提取順序的影響，提取誤差累積后易造成提取精度的不平衡，故分層分割的方法在精度和效率的平衡上很難把握［8］。

濕地作為重要的環(huán)境資源，類別豐富，信息提取的結(jié)果應(yīng)盡可能準(zhǔn)確的反應(yīng)濕地類型在空間位置和數(shù)量上的分布情況，且在實(shí)際應(yīng)用中要考慮到效率和精度的平衡，故逐層提取的方法實(shí)用性差。特別是在地類結(jié)構(gòu)復(fù)雜時(shí)，分層分割技術(shù)難以滿足濕地信息提取的實(shí)際要求。

針對以上情況，本文構(gòu)想一種迭代分割方法獲取多尺度分割對象層，技術(shù)流程如圖1所示。首先以小尺度進(jìn)行初分割并分類；然后對同類對象進(jìn)行合并，則每個類別形成單獨(dú)的執(zhí)行域（domain）［13］；對每個執(zhí)行域以不同尺度進(jìn)行分割（分域分割），形成新的分割對象層；判斷新的對象層是否滿足要求，若不滿足則重復(fù)以上過程進(jìn)行新的分割，若滿足則結(jié)束分割過程。初始分割尺度應(yīng)保證分割完全，故采用較小尺度，初始分類采用最近鄰分類器分類。

3.2 SVM 分類

支持向量機(jī)（SVM）算法［10］是在統(tǒng)計(jì)學(xué)習(xí)理論基礎(chǔ)上發(fā)展起來的新一代學(xué)習(xí)方法，利用核函數(shù)將訓(xùn)練樣本映射到一個高維的特征空間中，通過尋找最優(yōu)分類超平面，解決低維不可分問題。在對偶拉格朗日方程中，其內(nèi)積由核函數(shù)（式（1））替代，并且非線性SVM的對偶拉格朗日方程LD（α）（式（2））與線性SVM的情況類似。滿足約束條件（3）。利用求解線性可分問題的方法解得最優(yōu)分類超平面可表示如式（4）所示。

式中，b為偏移量，k xi，（ x）為核函數(shù)。

實(shí)踐證明：SVM分類算法具有良好的泛化性能，應(yīng)用于遙感影像分類中，能有效解決小樣本、非線性、高維和局部的問題［11-12］。采 用SVM 分 類 進(jìn)行濕地信息的提取，在訓(xùn)練數(shù)據(jù)非常少的情況下仍能得到較好的效果，確保結(jié)果的有效性和穩(wěn)健性，有利于實(shí)現(xiàn)信息提取工作的精度和效率的均衡。

考慮到濕地類型具有含水量高、植被覆蓋度低、相鄰像元同質(zhì)性強(qiáng)等特點(diǎn)，本文提取了光譜均值（mean）、標(biāo)準(zhǔn)差（Standard Deviation）、基于灰度共生矩陣的同質(zhì)性（GLCM Homogeneity）、長寬比（Length／Width）、歸一化植被指數(shù)（NDVI）和歸一化水體指數(shù)（NDWI）等6種特征參與分類。SVM分類器采用RBF核函數(shù)。依據(jù)每個類別的光譜特征和紋理特征的豐富性，對應(yīng)的樣本數(shù)量為5到10個不等。

3.3 優(yōu)化后處理

利用影像的語義信息描述地物間的空間關(guān)系，是面向?qū)ο蠹夹g(shù)的一個主要優(yōu)勢。對象中與語義信息有關(guān)的特征主要有：與鄰域?qū)ο蟮年P(guān)系特征、與父對象或子對象的關(guān)系特征、利用語義信息描述與類相關(guān)的一些對象特征等［13］。本文通過將地類之間的關(guān)系以及每個類別特有的空間屬性特點(diǎn)與影像分類結(jié)果進(jìn)行比較，由此分析影像分類后出現(xiàn)的類別錯分類型，從而構(gòu)建優(yōu)化規(guī)則改善信息提取的結(jié)果。

將SVM分類結(jié)果與實(shí)際地類分布情況進(jìn)行比較，得到兩個地區(qū)的初分類結(jié)果的錯分情況，由此構(gòu)建相應(yīng)的優(yōu)化規(guī)則。

霞浦區(qū)濕地類別從沿海向內(nèi)陸呈水平分布；各個類別斑塊相對獨(dú)立，交錯少，鄰域?qū)ο箨P(guān)系清晰；林地、稻田、水域、水產(chǎn)養(yǎng)殖場均成塊狀分布；淤泥質(zhì)海灘處于水陸過渡地帶。與實(shí)際地類比較得出初分類結(jié)果的錯分情況：部分疏林地或無林地錯分成稻田；內(nèi)陸地區(qū)大量裸地錯分成淤泥質(zhì)海灘；水域與水產(chǎn)養(yǎng)殖場部分混分。根據(jù)以上情況建立霞浦區(qū)優(yōu)化規(guī)則：稻田對象中與林地存在被包含關(guān)系的重定義為林地；包含于建設(shè)用地中的淤泥質(zhì)海灘重定義為建設(shè)用地；與非濕地類型存在被包含關(guān)系的養(yǎng)殖場重定義為水域。

莆田區(qū)濕地資源以木蘭溪為界均勻分布于南北兩側(cè)；輸水河（溝渠）、稻田和水產(chǎn)養(yǎng)殖場交叉分布；建設(shè)用地區(qū)基本無濕地資源分布；輸水河、稻田主要分布于內(nèi)陸；淤泥質(zhì)海灘只分布在海陸過渡地區(qū)且對象面積較大。與實(shí)際地類比較得出初步分類結(jié)果的錯分情況：部分建筑區(qū)由于陰影的影響錯分成養(yǎng)殖場；由于光譜混淆，少量養(yǎng)殖場錯分成淤泥質(zhì)海灘、水域和輸水河。根據(jù)以上情況建立莆田區(qū)優(yōu)化規(guī)則：建設(shè)用地中包含的水產(chǎn)養(yǎng)殖場對象重定義為建設(shè)用地；水產(chǎn)養(yǎng)殖場中的淤泥質(zhì)海灘、水域和輸水河對象重定義為水產(chǎn)養(yǎng)殖場；面積小于1500像元的淤泥質(zhì)海灘對象重定義為裸地。

4 結(jié)果分析

本文以專業(yè)化面向?qū)ο蠓椒ㄜ浖Cognition為實(shí)驗(yàn)平臺，采用分形網(wǎng)格演化算法（FENA）進(jìn)行影像分割。

4.1 分割

采用迭代分割方法對影像進(jìn)行分割，分割參數(shù)見表1，分割結(jié)果如圖2。本文中的各參數(shù)通過人機(jī)交互確定?？紤]到濕地類型含水量高的特性及近紅外波段對水體的響應(yīng)特性，分割時(shí)加大近紅外波段的權(quán)重。根據(jù)各濕地類型分布的形狀結(jié)構(gòu)及光譜特性，相應(yīng)調(diào)整各參數(shù)取值。分割結(jié)果的好壞以傳統(tǒng)目視評價(jià)手段為評判標(biāo)準(zhǔn)。

表1 濕地類別分割參數(shù)

從圖2可以看出：初步分割的結(jié)果分割尺度小，分割完全，但是分割結(jié)果過于破碎，不能突出各個地類分布的特點(diǎn)；而經(jīng)過迭代方法分割的結(jié)果，水域、水產(chǎn)養(yǎng)殖場和稻田等地類的塊狀紋理特征明顯，分割邊界與地類邊界吻合度提高，分割得到的對象信息損失更少。

4.2 分類及優(yōu)化

根據(jù)研究區(qū)的實(shí)際情況結(jié)合影像特點(diǎn)，并參照濕地分類規(guī)范［14］，將研究區(qū)地類分為濕地和非濕地兩大類別。其中濕地類包括稻田、水產(chǎn)養(yǎng)殖場、淤泥質(zhì)海灘、輸水河、水域（由于區(qū)內(nèi)河流均處于入?？冢c淺海水域分界不確定，故將永久性河流和淺海水域合并為水域一類）5類；非濕地類別包括建設(shè)用地、林地、旱地3類。

根據(jù)影像解譯標(biāo)志進(jìn)行樣本訓(xùn)練并分類，然后利用優(yōu)化規(guī)則修正結(jié)果。由于本文的重點(diǎn)是濕地信息的提取，最終結(jié)果將非濕地類別合成一類。結(jié)果見圖3和圖4中的（b）、（c）、（d）。

4.3 精度評價(jià)

對兩區(qū)的影像進(jìn)行傳統(tǒng)最大似然分類（圖3和圖4中的（a））。以經(jīng)過野外調(diào)查驗(yàn)證的人工解譯分類結(jié)果作為參照依據(jù)，分別對最大似然分類結(jié)果、SVM分類結(jié)果和優(yōu)化后結(jié)果進(jìn)行精度評價(jià)，評價(jià)結(jié)果見表2和表3。

由表2可知，3種分類方法在霞浦區(qū)的分類精度都較高；相對于最大似然分類結(jié)果，霞浦區(qū)基于迭代分割的SVM分類結(jié)果在總體精度上提高了3.88%，kappa系數(shù)提高了0.05；經(jīng)過優(yōu)化后，總體精度又提高了0.81%，kappa系數(shù)提高了0.01。由表3可知，莆田區(qū)的最大似然分類結(jié)果精度較低，特別是輸水河、水產(chǎn)養(yǎng)殖場和水域的光譜混淆，錯分情況嚴(yán)重；SVM分類結(jié)果精度較高，總體精度達(dá)到83.16%，kappa系數(shù)為0.76；優(yōu)化后的總體精度提高到94.18%，kappa系數(shù)為0.92。

從兩個地區(qū)分類結(jié)果中可看出：最大似然分類的結(jié)果過于破碎，且受光譜限制，部分地類提取精度很低。面向?qū)ο蟮姆椒ǜ黝悇e提取精度較高且相對均衡，優(yōu)化后的結(jié)果對類別的空間表達(dá)更加準(zhǔn)確。

表2 霞浦區(qū)3種分類結(jié)果精度評價(jià)

表3 莆田區(qū)3種分類結(jié)果精度評價(jià)

5 結(jié)束語

迭代分割與分層分割不同，能在單個對象層中獲取多尺度對象，為基于多尺度分割的面向?qū)ο蠓椒ㄌ峁┝艘环N新的思路?；诘指畹腟VM分類方法，提高了濕地類別的識別能力。依據(jù)實(shí)際地類與分類結(jié)果的比較分析構(gòu)建優(yōu)化規(guī)則，改善了濕地信息空間上的表達(dá)效果，特別是在濕地類別豐富的地區(qū)，空間關(guān)系成為地類識別的重要依據(jù)，這種改善效果更加明顯。

本文方法是一種半自動的濕地信息提取方法，技術(shù)流程清晰，理論依據(jù)明確。影像解譯結(jié)果具有可重復(fù)性、穩(wěn)定性及有效性等優(yōu)點(diǎn)；濕地信息的提取結(jié)果較為準(zhǔn)確的反映濕地類型在量和空間上的分布情況。該方法關(guān)鍵是找到建立規(guī)則的規(guī)律，將所有步驟保存成完整的規(guī)則集，在處理大量數(shù)據(jù)時(shí)，只需直接將規(guī)則集導(dǎo)入軟件中，修改部分參數(shù)，即可實(shí)現(xiàn)計(jì)算機(jī)自動分類，故自動化程度較高，能達(dá)到工程性應(yīng)用要求。

［1]TANSEY K，CHAMBERS L，ANSTEE A，et al.Object－oriented classification of very high resolution airborne imagery for the extraction of hedgerows and field margin cover in agricultural areas［J］.Applied Geography，2009，29（2）：145－157.

［2]閆利.遙感圖像處理實(shí)驗(yàn)教程［M］.武漢：武漢大學(xué)出版社，2010.

［3]CAMPBELL C.Kernel methods：A survey of current techniques［J］.Neurocomputing，2000，48（3）：63－84.

［4]張秀英，馮學(xué)智，江洪.面向?qū)ο蠓诸惖奶卣骺臻g優(yōu)化［J］.遙感學(xué)報(bào)，2009，13（4）：664－669.

［5]LENNARTS S P，CONGALTON R G.Classifying and mapping forest cover types using IKONOS imagery in the NorthEastern United States［C］.Proceedings of the ASPRS 2004Annual Conference，Denver，USA，2004.

［6]林先成，李永樹.面向?qū)ο蟮某啥计皆嘣催b感影像分割尺度研究［J］.測繪科學(xué)，2010，35（4）：38－40.

［7]BAATZ M，SCHAPE A.Multi resolution Segmentation：An optimization approach for high quality multi－scale image segmentation［J］.Angewandte Geographische Informationsverarbeitung，Wichmann Verlag，2000，12（12）：12－23.

［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），2006，31（4）：316－320.

［9]彭海濤，柯長青.基于多層分割的面向?qū)ο筮b感影像分類方法研究［J］.遙感技術(shù)與應(yīng)用，2010，25（1）：149－154.

［10]李國正，王猛，曾華軍.支持向量機(jī)導(dǎo)論［M］.北京：電子工業(yè)出版社，2004.

［11]胡自申，張遷.基于SVM 的遙感影像的分類［J］.遙感信息，2003（2）：14－19.

［12]陳晨，張友靜.基于多尺度紋理和光譜信息的SVM 分類［J］.測繪科學(xué)，2009，34（1）：29－31.

［13]Definiens.eCognition Developer 8Reference Book［M／OL］.http：／／www.definiens.com，2009.

［14]國家林業(yè)局.全國濕地資源調(diào)查技術(shù)規(guī)程（試行本）［M］.北京：中華人民共和國林業(yè)部，2008：4－6.