吳文歡，于宏，趙英俊，陸冬華，伊丕源

（核工業(yè)北京地質(zhì)研究院，遙感信息與圖像分析技術(shù)國家級重點實驗室，北京100029）

基于面向?qū)ο蟮母叻直媛蔬b感影像目標(biāo)信息提取

吳文歡，于宏，趙英俊，陸冬華，伊丕源

（核工業(yè)北京地質(zhì)研究院，遙感信息與圖像分析技術(shù)國家級重點實驗室，北京100029）

分析比較多光譜遙感影像分割任務(wù)中應(yīng)用較多的3種分割算法，得出分形網(wǎng)絡(luò)演化（FNEA）方法在影像對象獲取中的優(yōu)勢明顯。綜合考慮目標(biāo)地物的光譜、形狀、紋理結(jié)構(gòu)等屬性特征，上下文語義特征，空間關(guān)系特征，輔以地物的邊緣信息，提取研究區(qū)高分辨率遙感影像地物信息，并對分類結(jié)果進(jìn)行精度評價，實驗表明，基于面向?qū)ο蟮腇NEA算法在高分辨率遙感影像目標(biāo)信息提取方面具有良好的應(yīng)用價值。

面向?qū)ο螅恍畔⑻崛?；空間關(guān)系；精度評價

高分辨率的衛(wèi)星影像通常指空間分辨率優(yōu)于5 m的遙感影像［1］。隨著傳感器技術(shù)的發(fā)展，高分辨率遙感影像具有更加豐富的空間信息，目標(biāo)地物的幾何形狀、輪廓結(jié)構(gòu)也更加明顯，其與周圍地物鄰域關(guān)系能更好的表達(dá)和反映，便于認(rèn)知地物目標(biāo)的屬性特征，但同時同類地物的內(nèi)部光譜差異逐漸增大。

目前，遙感影像分析的方法主要分為基于像元（Pixel Based）與面向?qū)ο螅∣bject-Oriented）兩大類。若采用傳統(tǒng)基于像元的影像信息提取技術(shù)，常常會出現(xiàn)錯分、漏分現(xiàn)象，并存在嚴(yán)重的“椒鹽”噪聲，使檢測識別精度大大降低。通過綜合利用遙感數(shù)據(jù)的光譜信息、幾何形狀、空間關(guān)系等多種信息，對影像進(jìn)行分割得到同質(zhì)的影像對象，并在后續(xù)的影像分析中按照分割對象進(jìn)行處理，這種面向?qū)ο笏枷氲奶幚矸椒ㄒ阎饾u成為高分辨率遙感影像信息提取技術(shù)的發(fā)展趨勢。

面向?qū)ο蠓椒ㄟM(jìn)行信息提取包含兩個重要方面，一是影像分割技術(shù)，二是影像對象的分類與信息提取。遙感影像對象分割的質(zhì)量是面向?qū)ο筮b感信息分析技術(shù)成功與否的關(guān)鍵影響因素，只有在高質(zhì)量的分割基礎(chǔ)之上，才能更好的實現(xiàn)遙感信息提取與目標(biāo)的有效識別。本文對比分析3種常用的分割算法，利用最優(yōu)分割算法獲取對象信息，并統(tǒng)計分析其特征屬性以指導(dǎo)影像對象信息提取，最后對分類結(jié)果進(jìn)行精度評價分析。

1 影像對象分割方法

面向?qū)ο蠓椒ǚ诸愄幚淼幕締卧墙?jīng)過影像分割后的“同質(zhì)”對象，而不是傳統(tǒng)意義上的單個像素。影像分割處理是面向?qū)ο蠓椒ㄐ畔⑻崛〉那疤帷Ｄ壳皩τ诙喙庾V的遙感影像分割任務(wù)來說，應(yīng)用較多的分割算法包括分形網(wǎng)絡(luò)演化算法、分水嶺算法和置信度均值漂移算法等［2］。

1.1 基于分形網(wǎng)絡(luò)演化算法的分割

分形網(wǎng)絡(luò)演化算法（Fractal Net Evolution Approach，F(xiàn)NEA）［3］。由Baatz和Sch?pe于2000年提出，它是一種基于鄰域異質(zhì)性最小的多尺度分割方法。多尺度分割方法是一種從單像素對象開始的自下而上的區(qū)域合并技術(shù)，具體步驟如下：首先設(shè)置參數(shù)，包括尺度參數(shù)、形狀因子權(quán)值（光滑度權(quán)值＋緊致度權(quán)值）。自下而上根據(jù)局部區(qū)域異質(zhì)性準(zhǔn)則對每個像素計算得到最小異質(zhì)度目標(biāo)，若最小的異質(zhì)度小于設(shè)定的閾值，則對這兩個目標(biāo)進(jìn)行合并操作。當(dāng)所有的像素都遍歷完，從上次分割的區(qū)域開始，進(jìn)行分割。每次分割結(jié)束后，得到分割后圖像的區(qū)域最小值，作為停止閾值，如果區(qū)域最小值大于尺度參數(shù)或者設(shè)定的循環(huán)次數(shù)，則停止分割。

1.2 基于分水嶺算法的分割

分水嶺分割算法，是一種基于拓?fù)淅碚摰臄?shù)學(xué)形態(tài)學(xué)的分割方法，其基本思想是把圖像看作是三維地形，將像素的灰度值作為地面的高程值來顯示。在這種情況下，主要考慮3種類型的點：第1是局部的最小值點；第2是當(dāng)一滴水放在某點的位置上時，水只會下落到特定的某個最小值點，滿足這一條件的點集合稱為“集水盆地”；第3是水會等概率的流向不止一個這樣的最小值點，隨著整個模型水不斷侵入加深，每個局部極小值的影響域向外擴(kuò)展，在兩個集水盆地交匯處，形成地形表面的峰線，即形成“分水嶺”或“分割線”［4］。

1.3 基于置信度均值漂移算法分割

均值漂移（Mean Shift）分割算法是基于非參數(shù)核密度估計理論的特征空間分析技術(shù)，早期是由Fukunaga等人［5］在關(guān)于概率密度梯度函數(shù)的估計中提出；Yizong Cheng對基本的Mean Shift算法通過進(jìn)行一族核函數(shù)的定義和權(quán)重系數(shù)的設(shè)定做了推廣，拓展了算法的適用范圍；Comaniciu等人［6］將Mean Shift算法成功地運用到特征空間分析。當(dāng)給定某一概率密度函數(shù)，均值漂移可以根據(jù)該函數(shù)的采樣數(shù)據(jù)來確定其局部極大值所在位置，是一種在概率空間中求解局部極值的使用方法?，F(xiàn)在通常情況下，Mean Shift算法是指一種有效的統(tǒng)計迭代算法。這種算法顯著的優(yōu)點是具有較好的算法收斂性、計算量小且簡單易實現(xiàn)，已廣泛應(yīng)用于聚類分析、目標(biāo)跟蹤、圖像分割、圖像邊緣提取和信息融合等方面［7-8］。

2 對象分割效果分析

影像對象分割實驗選取一幅0.6 m空間分辨率的QuickBird遙感影像作為數(shù)據(jù)源，對3種影像分割算法實驗效果分析對比發(fā)現(xiàn)不同分割算法的優(yōu)缺點。為了評價影像的分割效果，以目視分割解譯結(jié)果為參考標(biāo)準(zhǔn)，并從實驗測試對象中選擇一個參考區(qū)域（框體示意范圍）進(jìn)行評價。FNEA算法、分水嶺算法和置信度Mean Shift算法實驗結(jié)果如圖1所示。

通過分割結(jié)果對比圖可以發(fā)現(xiàn)，上述3種方法中，F(xiàn)NEA分割算法因使用數(shù)據(jù)驅(qū)動方式的自下而上的方法進(jìn)行區(qū)域合并，能夠較好地對整個影像進(jìn)行分割；分水嶺分割算法因?qū)τ跋竦脑肼曅畔⒑吞荻鹊木植坎灰?guī)則性過于敏感，分割結(jié)果有非常明顯的過分割現(xiàn)象，而且這種算法存在局限性，主要適用于灰度圖像或影像的梯度圖像；Mean Shift分割獲取的影像對象輪廓性較好，邊緣精度要優(yōu)于FNEA算法，但對于灰度變化較小的區(qū)域如植被區(qū)域分割不太理想，并且這種算法也存在一定的過分割和欠分割現(xiàn)象。綜上情況，基于光譜特征的FNEA分割算法和Mean Shift分割算法分割結(jié)果相近，在邊緣定位精度方面FNEA分割算法有所不足。但因FNEA算法采用多尺度分割策略，充分考慮了目標(biāo)地物的光譜、形狀、紋理結(jié)構(gòu)等屬性特征，所以筆者選擇FNEA分割算法，在分割過程中融合邊緣信息作為圖像分割的約束條件［9］。

圖13 種分割算法分割效果對比圖Fig.1The effect comparison of three segmentation algorithms

3 影像分類效果分析

3.1面向?qū)ο笮畔⑻崛?/p>

研究區(qū)選擇某一典型目標(biāo)分布區(qū)，利用QuickBird衛(wèi)星遙感數(shù)據(jù)開展信息提取研究。針對前期分割實驗，根據(jù)研究區(qū)影像數(shù)據(jù)中目標(biāo)地物的特征選取最優(yōu)的分割尺度，使得分割后的影像對象能最佳地擬合地物的邊界，并且能用一個或者盡量少的對象來表達(dá)目標(biāo)地物。除此之外，最優(yōu)的分割結(jié)果得到的邊界清晰且連續(xù)性較好。在分割過程中，根據(jù)波段在分割過程中參與的信息的多少賦予恰當(dāng)?shù)牟ǘ螜?quán)重，輔助數(shù)據(jù)參與分割時也參與權(quán)重的選擇，如建筑物邊緣信息。在本研究中，地物的光譜信息在影像數(shù)據(jù)挖掘中占據(jù)主導(dǎo)地位，因此賦予光譜因子更大權(quán)重，權(quán)值為0.6，形狀因子權(quán)重賦值0.4。分割時形狀因子的參與主要用于保持影像對象形狀的完整性，以提高最終分類結(jié)果的精度。形狀因子包括光滑度和緊致度，二者權(quán)重之和為1。較高的光滑度可以避免鋸齒狀邊界的對象的出現(xiàn)，得到邊界光滑和連續(xù)性較好的對象。較高的緊致度使得對象形狀更加接近矩形，對于形狀規(guī)則的建筑物來說，較大緊致度有利于產(chǎn)生規(guī)則的分割對象。光滑度和緊致度不是相互對立的，高緊致度的對象也可以具有高光滑度，具體賦值可以通過反復(fù)試驗獲取。研究選擇光滑度值為0.5，緊致度值為0.5。利用分割后的影像對象，通過統(tǒng)計影像對象的特征信息［9］（包括光譜均值、方差、形狀、紋理屬性等），分析其中存在的特征規(guī)律，并利用上下文語義關(guān)系、空間特征關(guān)系，建立合適的分類規(guī)則，最終將地物有效地分類識別。

表1 各地物分類規(guī)則Table 1Classification rules of target categories

圖2 面向?qū)ο蠓椒ǚ诸惤Y(jié)果圖Fig.2Classification results of Object-Oriented method

按照統(tǒng)計分析得到的特征組合與閾值條件，結(jié)合模糊函數(shù)建立的分層次分類體系，實驗對象的分類結(jié)果如圖2所示。

3.2 分類精度評價

精度評價對于遙感影像分類很重要，主要是通過混淆矩陣方法，定量地對分類結(jié)果與參考數(shù)據(jù)進(jìn)行對比。筆者利用融合之后的多光譜影像作為參考，通過目視解譯的手段對基于面向?qū)ο蠓诸惙椒ǖ奶崛〗Y(jié)果進(jìn)行精度評估。隨機(jī)選取350個采樣點對面向?qū)ο蠓椒ǖ牡匚锓诸愄崛〗Y(jié)果精度進(jìn)行評價，評價統(tǒng)計結(jié)果如表2所示。

表2 面向?qū)ο驠NEA分類精度評價Table 2Classification accuracy evaluation on FNEA Object-Oriented

筆者曾經(jīng)利用相同數(shù)據(jù)基于像元的傳統(tǒng)分類方法得到的分類結(jié)果總體精度為78.00%，Kappa為系數(shù)0.743 3。相比較而言，基于面向?qū)ο蠓椒ǖ姆诸惤Y(jié)果總體精度達(dá)到86.57%，Kappa系數(shù)為0.843 3（表2），生產(chǎn)精度與用戶精度均有較好體現(xiàn)。總之，面向?qū)ο蟮男畔⑻崛》椒ǚ诸愡^程中不僅利用地物的光譜信息，還有空間特征以及多尺度層次分類，分類結(jié)果不存在椒鹽噪聲問題，基于FNEA分類方法優(yōu)勢明顯，實用效果更好。

4 結(jié)語

對常見的FNEA分割算法、分水嶺分割算法以及置信度均值漂移分割算法進(jìn)行了實驗分析，選定較優(yōu)的FNEA算法作為研究區(qū)面向?qū)ο笮畔⑻崛〉姆指钏惴?，整個信息提取過程中，通過融合邊緣信息作為約束條件、目標(biāo)對象特征分析，影像分類結(jié)果總體精度達(dá)到86.57%，方法效果突出，證實面向?qū)ο蟮哪繕?biāo)信息提取方法優(yōu)勢明顯，具有良好的實用性。

［1］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［J］.遙感學(xué)報，2006，10（1）:1-5.

［2］沈占鋒，駱劍承，吳煒.遙感影像均值漂移分割算法的并行化實現(xiàn)［J］.哈爾濱工業(yè)大學(xué)學(xué)報，2010，42（5）:811-815.

［3］Baatz M，Sch?pe A.Multi-resolution segmentation: an optimization approach for high quality multiscaleimagesegmentation［J］.Angewandte GeographischeInformationsVerarbeitung，2001，14（6）:12-17.

［4］肖鵬峰.高分辨率遙感圖像分割與信息提?。跰］.北京：科學(xué)出版社，2012.

［5］Fukunaga K，Hostetler L D.The estimation of the gradient of a density function with applications in patternrecognition［J］.IEEETrans Information Theory，1975，21:32-40.

［6］Comaniciu D，Meer P.Mean Shift:A robust approach toward feature space analysis［J］.IEEE Transactions onPatternAnalysisandMachineIntelligence，2002，24（5）:603～619.

［7］ZALIKKR，ZALIKB.A sweep～line algorithm for spatialclustering［J］.Advances inEngineering Software，2009，9（40）:445-451.

［8］MUKHER JEEDP，LEVNERYP，ZHANGH.Ore image segmentation by learning image and shape features［J］.PatternRecognitionLetters，2009，（30）:615-622.

［9］吳文歡.基于面向?qū)ο蟮牡湫湍繕?biāo)自動提取與變化檢測方法研究［D］.北京：核工業(yè)北京地質(zhì)研究院，2014.

Target information extraction of high resolution remote sensing image with Object-Oriented

WU Wenhuan，YU Hong，ZHAO Yingjun，LU Donghua，YI Piyuan

（National Key Laboratory Remote Sensing Information and Image Analysis Technology，Beijing Research Institute of Uranium Geology，Beijing 100029，China）

Three algorithms used in multi-spectral remote sensing image segmentation were analyzed，and Fractal Net Evolution Approach was believed to have obvious advantages in high resolution image segmentation.Spectral properties，shape，texture structure was used to extract the target information with the semantic feature，spatial relation.The classification results of high resolution remote sensing imagery was evaluated by the accuracy.Experimental results shew that image target information extraction based on FNEA Object-Oriented has good application value.

Object-Oriented；information extraction；spatial relation；accuracy evaluation

TP75

A

1672-0636（2016）02-0091-05

10．3969/j．issn．1672-0636．2016．02．005

2016-03-07

吳文歡（1989—），男，山東臨沂人，助理工程師，主要從事遙感圖像處理工作。E-mail:wenhuanwu@126.com