基于FbSP optimizer分割工具下的礦區土地利用分類研究
——以濟寧2號礦區為例

王亞娟,馬要中

(1.中國礦業大學(北京)土地復墾與生態重建研究所，北京 100083；2.河南理工大學，河南 焦作 454000)

?

基于FbSP optimizer分割工具下的礦區土地利用分類研究
——以濟寧2號礦區為例

王亞娟1,馬要中2

(1.中國礦業大學(北京)土地復墾與生態重建研究所，北京 100083；2.河南理工大學，河南 焦作 454000)

影像分割是分類的基礎，分割結果的好壞直接影響分類結果的精度。該文基于一種通過訓練過程和模糊邏輯分析，確定最優分割參數的分割工具——Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)來確定分割參數，并借助面向對象分類軟件eCognition，以高分2號影像為基礎，進行礦區土地利用的分類研究。結果表明，利用該工具不僅可以快速確定土地的最優分割尺度，同時結合eCognition，可較高精度地對土地利用進行分類。

FbSP optimizer；eCognition；高分辨率影像；土地分類；濟寧

0 引言

隨著遙感技術的發展，高分辨率影像的應用越來越廣泛，由于其包含豐富的光譜與紋理信息，使之在地物提取上更為有利。為了充分利用其空間信息，實現地物的精確分類，面向對象的方法應運而生[1]。面向對象信息提取包括影像分割和信息提取2個模塊，影像分割是信息提取的基礎，信息提取是基于分割得到的影像對象而進行的。所謂“影像對象”，是指通過多尺度影像分割生成的同質目標[1]。目前應用最多的分割方法是通過eCognition來實現的多尺度分割方法。eCognition是全球第一個基于對象，模仿人類思維進行影像綜合智能分析和信息提取的專業遙感軟件系統，具有模糊邏輯分類、模型化、復雜語意分析及整合多源數據等功能。通過人機交互定義的分割尺度、顏色、形狀等參數進行影像對象分割，以影像對象為基本空間單元進行地物目標提取，可應用于各種專題研究[2]。

隨著eCognition軟件的成功應用，目前已有很多學者針對面向對象的影像處理方式做了大量的嘗試性研究。江華[3]利用該軟件與面向對象技術做了高分辨率遙感影像的土地利用分類，相對傳統最大似然分類法提高了分類精度，黃瑾[4]做了遙感圖像分類研究，蘇偉[5]等人利用多尺度分割技術對城市土地覆被分類做了研究，何少林[6]等人針對無人機影像做了面向對象的土地利用信息提取，何勇[7]等人進行了農村公路等的提取，均取得了相對較好的結果。但最優分割參數的獲取需經不斷的嘗試與實驗來最終確定，耗時耗力。其中，何少林充分利用多尺度這一原則，對道路水田、農作物、居民地等地物，分別在不同圖層上做了不同地物的提取，相對單尺度的提取精度大大提高。但不同參數的獲取花費大量時間，且人為干預較多，其分割參數因人而異。由于城市土地利用變化是結構變化與空間布局的綜合反映[8]，為準確對土地利用進行分類，該文借助章云[9]所提出的通過訓練過程和模糊邏輯分析，確定最優分割參數的一種監督軟件工具——Fuzzy-based Segmentation Parameter optimizer (FbSP optimizer)，同時結合eCognition軟件及光譜、紋理等特征，以濟寧2號礦區為例，進行了快速有效的土地利用分類研究，為后續礦區土地利用分類系統的構建提供了借鑒與參考。

1 研究區概況及數據來源

研究區位于山東省濟寧市任城區的濟寧煤田中部，井田范圍東西寬10km，南北長6～11km，由于煤炭的開采，導致部分地區塌陷，出現積水情況，研究范圍為開采導致的地面塌陷地積水區域及礦區所對應的其他地物信息。濟寧市行政區劃圖及研究區遙感影像圖如圖1所示。研究所用數據拍攝時間為2015年6月5日的高分辨率2號影像，全色分辨率1m，多光譜4m，包含紅、綠、藍及近紅外4個波段。

圖1 研究區位置及遙感影像圖

2 研究方法

研究區的土地利用信息提取流程主要包括影像預處理(正射校正、影像融合、影像裁剪)、影像分割、分類及精度評價。影像分割是基礎，分類依分割得到的影像對象而進行。該次研究利用參數分割工具進行參數確定，根據研究區范圍大小，最終將土地利用分為水體、林地、道路、耕地及建設用地。

2.1 影像分割

良好的分類結果是在良好的分割基礎上進行的，為獲取最優分割結果，該文采用FbSP optimizer來確定最優分割參數。首先對影像進行過分割，使某一地物分割破碎，然后利用破碎地物分割的子對象信息及將其合并后的目標信息進行參數評估，最后根據工具運算后的參數再次執行分割。若結果與目標地物信息邊緣相一致，則可確定分割參數，否則需要進行迭代運算，至最終確定最優分割參數為止。其中子對象(SubObj)信息包括紋理特征(Texture)、穩定性(Stability)、亮度值(Brightness)及像元數(Area)，目標信息除包含以上4個特征值外還包括矩形擬合值(Rectangle Fit)及緊湊度(Compactness)。紋理特征及穩定性值[10]分別由方程(1)和(2)所得，緊湊度由方程(4)獲得[10]，其余特征值采用在子對象形成時eCognition所給出的值。

(2)

(3)

(4)

式中：l為目標對象的邊界長度，nobjm為目標對象的像元數。

濟寧2號礦區屬于高潛水位地區，采煤導致多地出現積水情況，使得耕地無法恢復，數量減少。常年積水區域面積的確定可通過此分割工具的分割效果來大致確定(圖2)。此結果可作為確定塌陷地積水面積的一種參考，為耕地數量的報損提供一定的依據，同時為土地復墾方案的準確性提供參考[11]。

(a)為常年深積水區；(b)為常年淺積水區；(c)為季節性積水區 圖2 塌陷地積水區域分割結果

由于礦區采煤塌陷導致多地出現積水情況，經治理后有很多零散分布的小面積水域，若分割尺度過大，就會與相鄰地物混合在一起，降低分類精度。為準確提出水體部分先進行較小尺度的分割，根據研究區范圍首先將影像進行過分割，當尺度為50時，部分水體如圖3(a)所示，部分建筑物及耕地如圖3(c)所示；當尺度為100時，部分水體如圖3(b)所示，部分建筑物及耕地如圖3(d)所示。形狀及緊湊度按照默認設置，shap為0.1，Compactness為0.5。

圖3 不同尺度(局部)分割結果

由圖3可知，當尺度為50時，水體、耕地及建筑物都過于破碎，不利于訓練樣本的選擇；當尺度為100時，較小的水體可以較好地區分出來，耕地及建筑物同樣實現了過碎分割，可選擇適當的訓練樣本及目標地物，通過迭代運算獲得最優尺度參數。因此，該文在初始分割為100的基礎上進行訓練樣本的選擇，來獲取最優分割尺度參數，研究區部分分割效果如圖4(a)所示。對除水體外部分進行分割時，為方便獲取最優尺度分割參數，該文借助章云所提出的一種基于模糊邏輯的分割工具，該工具是配合eCognition使用，且獨立于eCognition軟件。不同訓練樣本獲得不同分割尺度參數，但整體結果差異較小，經比較，該文以圖4(a)最右方標注耕地部分為訓練樣本進行迭代，以獲取最優分割參數。該目標對象共有4個子對象，各子對象參數如表1所示，最終迭代結果及分割結果分別如圖4(b)、圖5所示。

表1 基于目標對象的子對象特征信息

圖4 最優分割結果對比

圖5 參數運算結果

依圖4分割結果對比，可知尺度參數為325時分割結果良好，耕地及建筑用地分割較為完整。由于林地的紋理特征較為明顯，即使道路兩旁及耕地之間較小區域的林地也可通過此種方法進行分類，既不至于過碎分割，又可以很好的區分出來。因此，該文以此分割結果為基礎，進行礦區內除水體外其他地物信息的提取。

2.2 分類提取

eCognition中提供了多種分類方法，有基于樣本的監督(最近鄰)分類、基于知識的模糊分類、多條件類描述分類、閾值分類及分類器算法分類等。最鄰近分類方法是利用訓練樣本對象來選擇對象特征，并在一個特定的特征空間中對影像對象進行分類，在對代表性的樣本對象集被聲明之后，算法在特定的特征空間內尋找每個影像最接近的樣本對象，與傳統的監督分類相似。當地物特征不明顯，無法描述其特征空間時，適合使用最鄰近距離法[12]。模糊分類方法是通過影像對象本身以及對象間的特征屬性，計算隸屬度函數，獲得相應區域特征的模糊化值，建立規則模型進行影像分類，選擇特征時應當選擇待分類類別最顯著的特征加入規則庫，而且不能加入太多，過多的規則會影響分類精度[13]。該文采用通過閾值來指定類別的指定類算法以及在類描述中使用閾值的類描述分類算法，綜合分析影像地物特征，實現地物信息的提取。

該文地物類型主要分為水體、林地、道路、耕地及建設用地，所利用參數特征主要包括光譜特征中的NDVI值、近紅外及幾何特征中的紋理、形狀等特征。其中，該文紋理特征采取紅、綠、藍3個通道的標準偏差的平均值作為提取特征，即Texture=([Standard deviation Red Channel]+[Standard deviation Green Channel]+[Standard deviation Blue Channel])/3，由于林地及建設用地紋理較為粗糙，耕地及道路較為平滑，再結合相適應的光譜值，可較好地實現地物信息的提取。

3 分類結果及精度評價

3.1 分類結果

依據分類提取規則，該地區不同土地利用類型分類特征如表2所示?；贔bSP optimizer分割工具，結合eCognition，面向對象法的研究區地物分類結果如圖6所示，采用利用ENVI5.1基于樣本的面向對象方法，提取結果如圖7所示。

圖6 基于eCognition提取結果影像圖

將圖6、圖7同一部分局部放大(紅色邊框范圍)，可知基于eCognition相對傳統面向對象方法，分類結果圖斑較為完整。對比該地區谷歌影像圖8(a)(2015年8月30日)及標準假彩色遙感影像圖8(b)(2015年6月5日)，發現部分地區出現變化，因此分類結果不完全對應谷歌影像圖，但大部分分類結果與實地影像相對應。

表2 研究區地物分類特征

圖7 傳統面向對象提取結果影像圖

圖8 兩種方法分類局部對比圖

3.2 精度評價

易康針對分類結果以及分類方式提供4種精度評價方法，包括分類穩定性、最佳分類結果概率、基于像素的混淆矩陣及基于對象樣本的混淆矩陣。為降低主觀人為因素影響，該文選擇基于像素的混淆矩陣精度評價方法，即Error Matrix based on TTA Mask。在ArcGIS里選擇樣本點時，為保證樣本點的精度，可對照谷歌地球影像，選擇一個樣本創建點矢量文件，導入到eCognition工程中，轉化為樣本后創建TTAMask文件，最后進行精度評價。水體、道路、林地、耕地及建設用地樣本點個數分別為11，15，23，20，34個，評價結果如表3所示，傳統面向對象分類結果同樣采取混淆矩陣精度評價方法，結果如表4所示。

表3 基于eCognition面向對象分類精度評價

由于Kappa系數利用了整個誤差矩陣的信息，通常被認為能夠準確地反映整體的分類精度。結果表明，基于eCognition的分類結果總體精度由傳統分類法的87.9978%上升至91.6256%，Kappa系數由0.8065提升至0.8914，依據分類質量與Kappa統計值的關系知結果為極好，可滿足分類要求。因此，利用該工具下的分割結果進行土地利用分類的研究具有可行性，大大減少了尋找最優分割參數的時間，提高了工作質量。

表4 傳統面向對象分類精度評價

4 結論

(1)該文結合礦區特點，先進行了初始分割下的水體提取，然后通過eCognition及FbSP optimizer工具，迅速獲取除水體外地物的最優尺度分割度參數，并進行了地類信息的提取。結果表明，有效的分割結果不僅大大減少了不同地類不同分割參數的試驗時間，也提高了分類結果的精度。

(2)提出了根據分割效果可初步判定塌陷地積水區的常年深積水區、常年淺積水區及季節性積水區，為后續耕地數量減少的研究提供一定的依據。

(3)由于不同的訓練樣本會獲取不同的最優分割尺度參數，該文根據礦區面積及土地利用所分地類來選擇耕地作為訓練樣以獲取最優尺度參數，較適應整個區域，可作為其他相似地區的高分二號影像分割參數的參考。若研究區域較小、分類較細則應另選訓練樣本，以獲取最優尺度參數。

(4)該文初步嘗試了利用最優分割工具所得參數，并結合所選提取特征進行土地利用的分類，如何更好地利用光譜及紋理特征進行地物的分類，還需進一步實驗與驗證。

[1] 曾舉,李向新,王濤.基于Ecognition的高分辨率遙感影像水體提取研究[J].江西科學,2011,(2):263-266.

[2] 施益強,朱曉鈴,藺方.基于多因子對象的高空間分辨率遙感影像道路提取[J].集美大學學報(自然科學版),2010,(4):312-316.

[3] 江華.基于eCognition面向對象技術的高分辨率遙感影像土地利用分類——以福州瑯岐島為例[J].海峽科學,2014,(8):12-17.

[4] 黃瑾.基于E-cognition的面向對象的高分辨率遙感圖像分類研究[J].黑龍江工程學院學報,2015,(5):16-19.

[5] 蘇偉,李京,陳云浩,等.基于多尺度影像分割的面向對象城市土地覆被分類研究——以馬來西亞吉隆坡市城市中心區為例[J].遙感學報,2007,(4):521-530.

[6] 何少林,徐京華,張帥毅.面向對象的多尺度無人機影像土地利用信息提取[J].國土資源遙感,2013,(2):107-112.

[7] 何勇,陳昌鳴,熊增連,等.基于eCognition的面向對象農村公路提取[J].重慶交通大學學報(自然科學版),2012,(6):1194-1197.

[8] 趙躍倫,趙建,高文凱.濟寧市采煤塌陷地土地復墾工程水資源配置研究[J].山東國土資源,2016,32(10):35-38.

[9] Zhang Y, Maxwell T, Tong H, et al. Development of a supervised software tool for automated determination of optimal segmentation parameters for ecognition[M].Society for Imaging Science and Technology，2010.

[10] Tong H, Maxwell T, Zhang Y, et al. A supervised and fuzzy-based approach to determine optimal multi-resolution image segmentation parameters[J]. Photogrammetric Engineering & Remote Sensing, 2012, 78(10): 1029-1044.

[11] 林霞,吳孟泉,孫西兵.近20年煙臺主城區土地利用變化特征與驅動分析[J].山東國土資源,2015,31(5):91-94.

[12] 周春艷，王萍，張振勇，等.基于面向對象信息提取技術的城市用地分類[J].遙感技術與應用,2008,(1):31-35+123.

[13] 楊圣軍，趙燕，吳泉源，等.高分辨率遙感圖像中采礦塌陷地的提取——以龍口礦區為例[J].地域研究與開發,2006,(4):120-124.

Classification of Land Use in Mining AreasBased on FbSP Optimizer Segmentation Tool——Setting No.1 Mining Area in Jining City as an Example

WANG Yajuan1， MA Yaozhong2

(1.Land Reclamation and Ecological Restoration Institute of China University of Mining and Technology, Beijing 100083, China；2. Henan Polytechnic University, Henan Jiaozuo 454000, China)

Image segmentation is the basis of classification, and the result of segmentation has a direct impact on the accuracy of classification results. In this paper, a segmentation tool- FbSP optimizer based on the training process and fuzzy logic analysis is proposed to determine the optimal segmentation parameters. The classification of land use in mining area based on the score 2 resolution image using the object-oriented classification software eCognition. It is showed that this tool can not only quickly determine the optimal scale of land use, but also can be used to classify land use according to the eCognition with high accuracy.

FbSP optimizer；eCognition；high resolution image；land classification

2016-11-14；

2017-02-16；編輯：曹麗麗

教育部新世紀優秀人才支持計劃(NCET-12-0964)

王亞娟(1991—)，女，河南濮陽人，主要從事遙感、土地復墾與生態重建方面的研究；E-mail：1425850563@qq.com

P208

B

王亞娟,馬要中.基于FbSP optimizer分割工具下的礦區土地利用分類研究——以濟寧2號礦區為例[J].山東國土資源，2017,33(8)：92-97.WANG Yajuan， MA Yaozhong.Classification of Land Use in Mining Areas Based on FbSP Optimizer Segmentation Tool——Setting No.1 Mining Area in Jining City as an Example[J].Shandong Land and Resources, 2017,33(8)：92-97.