高分辨率遙感影像下沿海地區地表覆蓋信息的提取

周星宇，張繼賢，高綿新，桑會勇，翟 亮

(1. 遼寧工程技術大學，遼寧 阜新 123000； 2. 中國測繪科學研究院，北京 100830；3. 廣東省國土資源測繪院，廣東 廣州 510500)

高分辨率遙感影像下沿海地區地表覆蓋信息的提取

周星宇1，張繼賢2，高綿新3，桑會勇2，翟 亮2

(1. 遼寧工程技術大學，遼寧 阜新 123000； 2. 中國測繪科學研究院，北京 100830；3. 廣東省國土資源測繪院，廣東 廣州 510500)

沿海地區地表覆蓋信息是全國地理國情普查的重要內容，遙感影像分類技術為沿海地區地表覆蓋信息提供了一種重要方法。本文基于GF-1高分辨率遙感影像，建立了沿海地區地表覆蓋分類系統，采用中國測繪科學研究院自主研發的面向對象GLC決策樹分類方法和軟件進行了地表覆蓋分類。通過對某試驗區進行分類試驗，并結合該區地表覆蓋標準分類圖進行精度評價，驗證了基于高分辨率影像，面向對象GLC決策樹分類方法在沿海地區地表覆蓋信息提取上的有效性及優越性，其總體分類精度和Kappa系數分別為87.201 8%、0.840 6，均高于SVM分類法。最后提出基于高分辨率遙感影像的沿海地區地表覆蓋信息提取流程。

沿海地區地表覆蓋；面向對象；GLC樹；GF-1；SVM分類法；提取流程

沿海地區是人口聚集、資源豐富的地區，不僅因修建港口碼頭、開采近海石油等項目具有重要的經濟價值，也是海洋開發、濱海綜合工業基地及對外貿易和文化交流的紐帶。根據國務院第一次全國地理國情普查領導小組辦公室的統一部署，沿海地區地表覆蓋信息在全國地理國情普查中占有重要地位[1]。但在第一次全國地理國情普查中，無論是傳統的實地勘測調查，還是人工解譯，或因沿海地區環境復雜，通達性差，或因巨大工作量限制了其地表覆蓋信息的提取。

隨著遙感技術的發展，遙感影像分類為沿海地區地表覆蓋信息提取提供了一種重要方法。傳統的基于像元的分類方法在技術上和應用上已經比較成熟[2-4]，但分類結果會產生“椒鹽效應(salt-and-pepper effect)”?，F在越來越多的高空間分辨率影像被用于遙感信息提取中，傳統的基于像元的分類方法已不再具有明顯的優勢[5]，面向對象影像分類不但考慮光譜的統計特性，還考慮其空間、紋理、拓撲關系[6-7]，能大大提高分類精度，適用于高分辨率遙感影像分類。

GLC分類器將C5.0與Adaboost算法結合，提高分類精度，此分類器應用于諸如Landsat中低分辨率遙感影像的分類中已取得很好的效果[8]。本文以沿海地區“高分一號”(簡稱GF-1)高分辨率影像為數據源，驗證面向對象GLC分類對沿海地區高分辨率遙感影像地表覆蓋信息提取的有效性與優越性，并提出沿海地區高分辨率遙感影像地表覆蓋信息提取的技術流程。

1 數據來源及試驗區概況

1.1 數據來源

GF-1是我國高分辨率對地觀測衛星系統重大專項的第一顆衛星，搭載兩臺2 m分辨率全色/8 m分辨率多光譜相機、4臺16 m分辨率多光譜相機。在具有高空間分辨率的同時，其重復周期只有4 d。因此，GF-1衛星影像是第一次全國地理國情普查的重要數據源，主要使用2 m分辨率全色與8 m分辨率多光譜(藍、綠、紅、近紅外4個波段)影像進行地表覆蓋分類。

1.2 試驗區概況

沿海地區是海洋與陸地相互作用的地帶，特殊的地理位置與資源優勢使其擁有獨特的土地利用方式，帶來區別于其他地區的地表覆蓋。我國海岸線較長，試驗區應選擇基本反映沿海地區地表覆蓋特點的地區。本文試驗區區域屬亞熱帶海洋性氣候，年平均氣溫22.3℃，冬無嚴寒，雨量充沛。

2 技術流程與方法

本文采用如圖1所示的技術流程驗證面向對象GLC分類對沿海地區高分辨遙感影像地表覆蓋信息提取的有效性與優越性。

圖1 技術流程

2.1 預處理

本文采用GF-1的2 m分辨率全色影像與8 m分辨率多光譜影像均已經過輻射校正與地面控制點幾何校正，結合DEM模型進行地形校正；接著進行兩幅影像的影像配準，使得同名點像元一一對應，選擇pan sharpening進行圖像融合，最后經ENVI進行影像裁剪。

2.2 影像分割與特征提取

影像分割是面向對象分類技術的基礎，影像分割的好壞直接決定遙感影像分類的精度[9]。本文采用基于邊緣的分割方法，利用臨近像素亮度、紋理等對影像進行分割。這種算法速度很快，并且只需一個輸入參數，通過不同尺度上邊界的差異控制，從而產生從細到粗的多尺度分割，但需要結合合并算法達到最佳分割效果。

面向對象遙感影像分類的一個關鍵技術就是特征提?。阂环矫婵梢詮膯尾ǘ位蚨鄠€波段中提取影像對象特征；另一方面，除了光譜特征以外，還可以提取包括紋理、空間等特征信息。本文選擇4個波段均參與特征提取，選擇的特征變量見表1。

表1 特征變量

2.3 分類系統與樣本采集

第一次全國地理國情普查內容包含《地理國情普查內容與指標》中定義的12個一級類、58個二級類和135個三級類[10]，但在利用GF-1進行地表覆蓋分類時，考慮到遙感影像的分辨率及沿海地區地表覆蓋的特殊性，沿海地區地表覆蓋分類系統應以《地理國情普查內容與指標》為基礎，結合遙感影像，對分析意義不明顯或遙感影像不支持的分類進行粗化合并，如林地、園地因在影像上光譜信息相似、紋理信息及空間信息不易分辨，歸為一類；對分析意義重大及表現沿海地區特征的分類進行細化分類，如堤壩是沿海地區特色，需在分類系統中從其他人造覆地中細分。最終形成的用于沿海地區的地表覆蓋分類系統見表2。

基于面向對象的GLC決策樹分類方法中，樣本以點形式采集與存儲。結合不同波段組成的假彩色影像、更高分辨率的衛星影像、航空影像或Google Earth等輔助工具來幫助采集樣本點，提高樣本采集的正確度；樣本點的選取有個數要求，一景影像中每個類別的樣本點應至少5個；樣本點矢量數據應與遙感影像及分割結果保持參考系一致。

表2 沿海地區地表覆蓋分類系統

2.4 GLC決策樹分類

中國測繪科學研究院研發的GLC決策樹分類技術對C5.0決策樹算法[11]進行了多方面的改進。使用二叉樹代替多叉樹。二叉樹結構不進行連續屬性的離散化，預測精度高且利于大量分類數據的預測，規則描述簡單，可以提高分類精度。用AdaBoost.M1[12]代替Boosting引入到C5.0決策樹算法中。AdaBoost.M1算法開始時對每個樣本賦予相同的權重，接著在樣本訓練的過程中，每一輪迭代被分錯的樣本重新獲取更高的權重，迫使弱分類算法生成的子分類器更關注于這些被分錯的樣本[13]，同時使用加權投票方法，分類精度更高的子分類器獲得更高的投票權值，最終形成模型集，同時解決子分類器生成及集成問題；廢除原C5.0算法終止條件，使用設置樹高的方式，以達到樹高時樣本集T中的多數類標記并確定葉節點N；將綜合決策樹轉換成規則集，從根到每個樹葉節點的每條路徑生成一個規則，并可根據閾值設置進行規則自動調整。每條規則預測函數的權重由其準確率及所在單棵樹權重共同計算得出。該分類器通過樣本點自動創建規則集，減少了人工建立規則集的工作量，在保證進度的前提下可大幅提升分類速度。GLC決策樹自動分類技術流程如圖2所示。

圖2 GLC決策樹自動分類技術流程

2.5 分類后處理及精度評價

面向對象分類減少了傳統分類圖像中的孤立點、孔洞等，即“椒鹽噪聲”，因此本試驗完成兩種面向對象分類后，運用數學形態學算子完成聚類處理，相同對象明顯錯誤分類的修改，優化分類結果。兩種方法分類結果，相同類別應使用相同顏色表示，因此后處理需要更改類別顏色。

遙感影像分類結果必須進行客觀可靠的精度驗證[14-15]。本文采用混淆矩陣進行進度評價，通過比較分類的總體精度、各類別的用戶精度、制圖精度、以及Kappa系數驗證面向對象GLC分類方法的有效性及相對面向對象SVM分類方法的優越性。精度評價的參考源可以是樣本，也可以是標準分類圖，基于實地調查的利用高分辨率影像數字化解譯的地表覆蓋矢量數據基本可以反映研究區地表覆蓋的實際情況，可以作為精度評價的標準分類圖。

3 試驗與分析

本文選取了2015年1月10日獲取的部分GF-1 PMS 2 m分辨率全色及8 m分辨率多光譜影像。區域內無云，可視性良好，基本包含了沿海地區典型地表覆蓋類型，園地、林地、草地、道路、房屋建筑(區)等。

3.1 試驗過程

預處理后的數據如圖3所示，分割尺度與合并尺度分別選擇40、80形成分割矢量結果，并提取包括光譜、紋理、空間3類表1中的特征；結合遙感影像的實際情況，解譯標志為分類系統中的林園地、草地、房屋建筑(區)、道路、除堤壩外其他人造覆蓋、堤壩、裸露地表、其他陸地水域、海面9類。采集樣本372個(以波段1、2、3分別為藍、綠、紅的假彩色影像為例，采集樣本時的解譯標志示例見表3)。第一次全國地理國情普查采用優于(含)1 m分辨率遙感影像，解譯形成的地表覆蓋和地理要素數據的現勢性為2015年，經過實地調查修改、數據裁切、合并等處理后，按照分類系統，對成果進行部分合并與細化調整，形成標準分類圖。本試驗同時進行面向對象GLC決策樹分類和SVM分類試驗。兩種分類方法的分類結果與標準分類圖的對比結果如圖4所示。

圖3 經過預處理后的試驗影像((以波段1、2、3分別為藍、綠、紅的假彩色影像)

類別解譯實例描述林園地顏色為墨綠色或黑色,大多形狀不規則,邊界清晰,有立體感草地多分布在房屋建筑(區)、道路或林園地附近;邊界不明顯,呈暗灰色或暗棕色房屋建筑(區)多分布在道路附近,邊界清晰,多呈淡藍色、淡紫色或磚紅色道路形狀多呈長條狀,分布規則,顏色多呈深灰色或淡白色除堤壩外其他人造覆蓋分布不規則,顏色多呈淺灰色、淡白色堤壩分布在水域附近,邊界清晰,形狀規則,呈長條狀,顏色多呈淡白色或淺灰色裸露地表大多形狀不規則,顏色多為淺棕色、亮白色其他陸地水域藍色、深藍色或墨綠色,分布于陸地,邊界清晰,影像幾何形狀不規則海面藍色、深藍色或墨綠色,大面積分布,輪廓邊界清晰

圖4 分類結果與標準分類圖

3.2 精度評價與分析

面向對象GLC地表覆蓋分類與面向對象SVM分類的混淆矩陣分別見表4、表5。

從上述分類結果與精度評價的數據來看，采用面向對象GLC分類技術進行沿海地區地表覆蓋信息提取效果較好，分類結果令人滿意?？傮w分類精度達到了87.159 0%，Kappa系數為0.840 4。其中海面的分類效果最好，其制圖精度與用戶精度分別高達98.86%、99.63%。在相同的影像分割、特征提取和樣本的基礎上，除堤壩、裸露地表外，面向對象GLC決策樹分類方法在沿海地區地表覆蓋分類中不論是從用戶精度、制圖精度，還是評價總體分類效果的總體精度、Kappa系數上，分類效果都高于面向對象SVM分類方法，而且總體精度、Kappa系數分別提高了5.278 5%、0.065 6。雖然前者對裸露地表的分類精度比后者的要低，但分類結果還是令人滿意的。但面向對象GLC決策樹分類技術對道路、堤壩的分類用戶精度較低，僅為60.54%、57.15%。造成道路用戶精度較低的主要原因是部分林園地和除堤壩外其他人造覆蓋被錯分為道路。林園地周圍或內部存在部分道路，分割時有些地方二者被錯誤地劃分為同一對象，道路與除堤壩外其他人造覆蓋在光譜信息等特征上有些比較接近，這些均是造成被錯分為道路的原因；堤壩與海面大面積直接接觸，雖然二者邊界較明顯，但因分割精度的影響，或是分割后的堤壩對象邊緣呈鋸齒狀，將本是海面的部分錯分為堤壩。

表4 面向對象GLC決策樹地表覆蓋分類混淆矩陣

表5 面向對象SVM地表覆蓋分類混淆矩陣

4 結束語

通過以上試驗及分析，面向對象GLC決策樹分類在沿海地區高分辨率影像地表覆蓋信息提取上能夠取得更好的效果，在此基礎上提出沿海地區高分辨率影像地表覆蓋信息提取的總的技術流程如圖5所示。首先選擇合適的分割尺度與合并尺度完成影像分割，選擇特征變量進行特征提取，在已經建立好的沿海地區分類體系的指導下，采集樣本并完成面向對象GLC決策樹自動分類，在自動分類結果的基礎上，將某些錯分、漏分的類別經過自動、人工編輯后輸出分類結果。

圖5 沿海地區地表覆蓋信息提取總的技術流程

[1] 程滔，周旭，劉若梅.面向地理國情監測的地表覆蓋信息提取方法[J].測繪通報，2013(8)：84-86.

[2] 王常穎. 基于數據挖掘的遙感影像海岸帶地物分類方法研究[D].青島：中國海洋大學，2009.

[3] 郭健，張繼賢，張永紅，等.多時相MODIS影像土地覆蓋分類比較研究[J].測繪學報，2009，38(1)：88-92.

[4] 王知鷙. 基于紋理及光譜信息融合的遙感圖像分類方法研究[D].西安：西安電子科技大學，2010.

[5] JENSEN J R. Introductory Digital Image Processing: A Remote Sensing Perspective[M]. Upper Saddle River: Prentice Hall PTR, 1986.

[6] 曹瑩，苗啟廣，劉家辰，等. AdaBoost算法研究進展與展望[J]. 自動化學報，2013，39(6)：745-758.

[7] 常虹，詹福雷，楊國東，等.面向對象的高分遙感影像信息提取技術研究[J].測繪通報，2015(1)：99-101.

[8] ZHAI L, SANG H Y, GAO Y, et al. A New Approach for Mapping Regional Land Cover and the Application of This Approach in Australia[J]. Remote Sensing Letters, 2015, 6(4):267-275.

[9] 翟亮，張曉賀，桑會勇，等. 面向地理國情普查的地表覆蓋分類技術與試驗[J]. 遙感信息，2014(4):71-75.

[10] 曾波，趙展.地理國情普查中高分辨率遙感影像自動分類技術研究[J]. 測繪通報，2015(1):95-98.

[11] 白秀蓮，巴雅爾，哈斯其其格. 基于C5.0的遙感影像決策樹分類實驗研究[J]. 遙感技術與應用，2014， 29(2):338-343.

[12] FREUND Y, SCHAPIRE R. A Decision-Theoretic Generalization of On-line Learning and an Application to Boosting[J]. Journal of Computerand System Sciences, 1997, 55(1): 119-139.

[13] 龔健雅，姚璜，沈欣. 利用AdaBoost算法進行高分辨率遙感影像的面向對象分類[J]. 武漢大學學報(信息科學版)，2010，35(12)：1440-1443.

[14] 劉旭攏，何春陽，潘耀忠，等. 遙感圖像分類精度的點、群樣本檢驗與評估[J]. 遙感學報，2006，10(3)：366-372.

[15] CONGALTON R G, GREEN K. Assessing the Accuracy of Remotely Sensed Data:Principles and Practices[M]. Second Edition. London:Chemical Rubber Company Press Taylor &Francis Group, 2009.

Land Cover Information Extraction Based on High-Resolution Remote Sensing Image in Coastal Areas

ZHOU Xingyu1,ZHANG Jixian2,GAO Mianxin3,SANG Huiyong2,ZHAI Liang2

(1. Liaoning Technical University, Fuxin 123000,China; 2. Chinese Academy of Surveying and Mapping, Beijing 100830,China;3. Survey and Mapping Institute Lands and Resource Department of Guangdong Province, Guangzhou 510500,China)

Remote sensing image classification provides an important method for the extraction of land cover information in coastal areas which is essential part of the national general survey of geographic conditions. This paper establishes the land cover classification system in coastal areas and then utilizes the classification method based on object-oriented GLC decision tree developed by Chinese Academy of Surveying and Mapping to extract the land cover information in coastal areas on the bases of a GF-1 high-resolution remote sensing image. This paper conducts classification experiment by choosing an area and compares the results with the reference classification image which verifies the validity and superiority of the proposed method. Its overall accuracy and Kappa coefficient are 87.201 8%,0.840 6 separately which are both higher than SVM. At the end of this thesis, the extraction process flow of land cover information in coastal areas based on the high-resolution remote sensing image is summarized.

land cover in coastal areas; object-oriented; GLC decision tree; GF-1; SVM; extraction process flow

周星宇，張繼賢，高綿新，等.高分辨率遙感影像下沿海地區地表覆蓋信息的提取[J].測繪通報，2017(2)：19-24.

10.13474/j.cnki.11-2246.2017.0041.

2016-08-29；

2016-11-25

專題性地理國情監測(B1605)；國家測繪地理信息局青年學術和技術帶頭人科研計劃(E1604)；中國測繪科學研究院基本科研業務費(7771622)；京津冀地區基礎國情綜合分析(E1610)

周星宇(1991—)，女，碩士，研究方向為地理國情監測、土地利用變化。E-mail：xiaoyu961026631@163.com

翟 亮。E-mail：zhailiang@casm.ac.cn

P237

A

0494-0911(2017)02-0019-06