像元類別信息輔助下的遙感影像自適應分割分類方法研究?

沈金祥

（云南國土資源職業學院國土管理學院 昆明 652501）

1 引言

面向對象影像分析通過分割（畫邊界）、分類（賦屬性）兩個過程模擬目視解譯的過程，無疑是利用高分辨率遙感開展國土資源調查與監測的有效解決方案。影像分割作為面向對象影像分析的基礎，無論是遙感影像還是普通的數字圖像通常都是通過預設局部像元簇的灰度或幾何形態的異質性閾值（即分割尺度）來進行。然而，對于覆蓋范圍較廣且地類構成較為復雜的遙感影像而言，單一的分割尺度幾乎是不可能形成滿足所有地類目標的有效邊界。

不同類型的多尺度分割方法一般都是在多個尺度上解決不同尺度地物目標的分割問題，再綜合這些結果形成不同尺度的地物目標集合［1～6］。然而，對于復雜的地物分布來說，多尺度分割到底為多少尺度以及每個尺度的大小多少比較合適，依然是個難以精確確定的問題。為此，針對遙感影像中不同地物目標“因物而異”自適應選擇分割尺度也得到了廣泛關注。例如，文獻［7～9］等提出利用局部邊緣梯度信息自適應調整閾值的分水嶺分割方法；文獻［10～13］等提出通過局部密度參數自適應調整帶寬的mean-shift分割方法。這些方法都在一定程度上解決了遙感影像的自適應分割問題。

對于中高分辨率遙感影像而言，像元級分類結果過于破碎化，即產生一些無意義的“椒鹽”類別；然而，像元級分類通?；谌窒裨嗑S度灰度統計特征進行，在不考慮“同物異譜、異物同譜”的情況下由于“譜”特征相對純凈而可以取得較高的分類結果。像元類別信息輔助下的遙感影像自適應分割分類方法（PCASC）整合像元級與對象級分類的優勢，通過融入像元類別信息輔助選擇合適的分割尺度參數，同時賦予分割對象類別屬性，即可以實現某種程度上的對象級分類自動化與智能化。

2 PCASC方法

PCASC方法中，待分割影像監督、非監督分類結果都可以作為有效像元級類別信息參與到后續分割分類過程中。分割采用自上而下的方法進行，對每一次的分割結果利用像元類別信息判斷是否需要繼續分割，對不參與分割的目標則依據像元類別信息賦予相應的類別，具體流程如圖1。

圖1 PCASC方法流程

2.1 監督/非監督分類

為融入全局像元“譜”統計特征用于后續自適應選擇合適的分割尺度并賦予斑塊對象類別信息，需先進行像元級的分類處理。這里的“譜”包括原始影像光譜或通過原始光譜通過計算與各類變換后新生產的衍生譜（如NDVI）。分類僅是進行初步的全局性分類，對于部分錯分的區域，可以通過后續分割后進一步修改對象屬性類別。為此，可以選擇依據“譜”統計特征的非監督分類快速完成像元級的初分類。

2.2 影像自適應分割分類

遙感影像中，除了少數地類目標（如小湖泊、坑塘、冰雪等）外，有意義的地類圖斑內部并非完全由單一的“譜”像元構成，而通?；煊猩贁灯渌仡惢蛘咴肼暋白V”像元，例如居民區、植被區等。這也是依據全局“譜”統計特征的像元級分類中存在大量無意義“椒鹽”像元類別的原因。面向對象分類包括影像分割與分類兩個過程，影像分割一般分為“自上而下”以整景影像開始進行區域分裂以及“自下而上”以單個像元開始進行區域合并兩種方式。無論哪種方式，最終結果都是形成局部像元多“譜”灰度特征及像元“譜”空間分布特征相對較為均質的像元斑塊（稱為對象）。這樣的對象由于考慮了“譜”之外的空間特征，能夠“容納”少部分內部“異質譜”像元。對象的空間幾何形態（大小、形狀等）即為依賴于像元“譜”及像元“譜”空間分布特征的異質性指標，稱之為“尺度”。遙感影像中不同的地物目標具有不同的“譜”特征的同時還具有不同的空間幾何特征，即不同的目標具有不同的尺度。

為了實現“因物而異”地分割出影像中不同尺度的地物目標并賦予相應的類別信息，可以采用自上而下融入基于全局“譜”特征的像元分類結果參與選擇局部合適尺度的自適應分割方法，具體過程：1）選擇一個較大的基準尺度Smax作為當前尺度Scur進行初次分割；2）對每個分割對象統計其內部像元類別構成并根據尺度適宜性評價指標評價其是否滿足尺度要求，如果滿足尺度要求或分割尺度已達到指定的最小尺度Smin，則將對象內部面積比例占優的像元類別信息賦予該對象，否則轉入3）；3）以當前尺度Scur尺度變換步長Sstep作為當前步長，對當前對象進行再分割后轉入2）。

3 實驗結果與分析

3.1 實驗數據

自適應分割分類方法獨立于研究區及數據源，這里選擇西雙版納地區的一景ZY3多光譜影像數據（文件名：ZY3_MUX_E101.1_N21.9_20130325_L1A0001117991.tar.gz）用于實驗。該景影像成像時間為2013年3月25日，空間分辨率6.7m，包含藍、綠、紅、近紅四個波段，影像地類豐富，包括有天然林地、人工林（橡膠林）、農田、草地、裸地、建設用地、水域等地類，并有部分云。原始影像數據經過幾何校正、輻射校正等預處理操作后截取3000 x 3000大小無云的典型區域影像用于本實驗。

3.2 實驗方法與結果分析

首先，在ENVI軟件平臺中進行非監督分類處理獲取像元級類別信息。通過觀察影像中的地類色彩構成的，按照預設值5-8類利用ISODATA非監督聚類算法對4個波段影像進行光譜聚類處理。對聚類結果進行類別合并后形成水體（包括部分錯分的山體陰影）、天然林地、人工林地（橡膠林）、農田、裸地（包括建設用地）五個類別，并將分類結果轉換為矢量格式（shp文件）保存。

其次，選擇分割算法穩定有效、具有豐富的特征集且能夠靈活定制規則集的eCognition軟件平臺（8.9版本）用于開展自適應分割分類實驗，關鍵流程如下：

1）新建工程導入待處理影像，并將上述shp文件存儲的像元分類結果作為專題數據導入到工程中。

2）通過景變量（Scene variable）設置一些初始參數，包括：最大分割尺度，最小分割尺度，尺度減小步長，尺度適宜性評價指標。其中，尺度適宜性評價指標衡量某一分割尺度下對象是否還需繼續往下分割，這里選擇對象內部各像元類別的面積比例作為適宜性評價指標，即如果對象中某一類別所占的面積比例超過閾值T（稱為主導類別），則此對象不再往下分割，并將主導類別作為該對象的類別。這里實驗中參數分別設置如下：最大分割尺度-300，最小分割尺度-30，尺度減小步長-10，面積閾值T-0.8（即80%）。此外，依據（最大分割尺度-最小分割尺度）/尺度減小步長，即27作為eCognition中自上而下分割分類循環執行的最大執行次數。

3）設置當前尺度為300進行初次多尺度分割（multiresolution segmentation），同時，為避免最大尺度依然存在部分過分割的區域，這里以尺度5進行一次光譜差異性分割（spectral difference segmentation，實質上是僅考慮光譜相似性進行對象級的合并操作）。圖2與圖3的對比可以看出，300尺度上的分割存在欠分割（非均質對象）的同時，也存在過分割的目標（圖2）。通過光譜差異性分割合并光譜相似的對象后，過分割問題可以有效解決（圖3），欠分割問題則由后續繼續向下分割解決。

圖2 初次分割效果（Scale：300；Shape：1；Compactness：0.5）

圖3 光譜相似性分割效果（Scale：5）

4）建立1、2、3、4、5五個類別用于接收專題層中像元值1、2、3、4、5所標識的類別信息，并設置兩個臨時類別“conformity”和“inconformity”，用于存放當前尺度適宜、不適宜兩類對象。然后，以1為尺度進行棋盤分割，并通過專題屬性賦類別規則將專題類別賦予到尺度為1的對象層上，這就得到了與像元級分類結果完全一致的對象級分類結果（圖4）。

5）依據類相關統計特征定義“inconformity”的類描：下層對象（上述尺度為1的棋盤分割對象）中類別1、類別2、類別3、類別4、類別5的面積均小于面積閾值0.8。

6）依據類描述將當前尺度對象分為“conformity”和“inconformity”兩類，將當前尺度減尺度減小步長10，然后對“inconformity”類別的對象進行多尺度分割。對此步驟執行27次。其中，如果某步循環中沒有“inconformity”類別的對象，則跳出循環。

7）對最終分割好的結果執行專題屬性賦類別規則，對象將獲得下層對象（上述尺度為1的棋盤分割對象）統計面積占優的類別信息。

從圖4為自適應分割分類效果可以看出，對象級分類消除了像元級分類中眾多無實際意義的“椒鹽”類別，總體來看，依據影像中明顯的光譜差異形成了不同尺度大小的地物目標，即不同尺度大小的地物目標都得到了較為恰當的分割與分類。圖中不同面積大小、不同形態的水體單元都得到了較好的分割，典型的如A區域較小的水體單元均得到了很高的分割與分類。然而，也存在部分區域中的地物類別難以得到較好的分割識別，例如，圖中B區域中的農田、裸地，光譜信息對比明顯，在像元級分類中也得到了分類，但最后的自適應分割與分類中卻沒有得到分割識別。原因在于基準分割尺度（本實驗為300）下，這些地類目標在所在分割對象中的面積比例過小，而這里對象能夠繼續自上而下自適應分割的依據對象內沒有面積占優（這里為80%）的主導類別。顯然，B區域中的農田、裸地所在的斑塊存在面積占優的類別（人工林）（圖2，圖3），因此沒有能夠得到繼續向下分割識別。

與像元級分類相比，對象級分類通過修改屬性可以便捷地修正分類錯誤信息。在eCognition中通過設置類別過濾，可以便捷地修正“異物同譜”引起的分類錯誤。圖中4中C區域陰影因為與水體光譜特征接近（同為反射率較低的暗像元區域）而在像元級分類中誤分為水體信息，在自適應分割后初分類誤分為水體信息后，通過設置水體類別過濾，可以比較容易地通過手工框選批量賦予正確的類別（天然林）信息。

圖4 eCognition中自適應分割分類效果

4 結語

對于較高空間分辨率的遙感影像而言，對象級分類方法由于其操作過程與成果形式更為接近目視解譯，能夠滿足國土資源監測調查的各項需要。自適應尺度的分割是提高對象級分類識別自動化、智能化的關鍵環節。通過將像元級高精度的分類結果融入到對象級的多尺度分割與識別過程中，可以一定程度上實現有效自適應分割與自動類別屬性標識?？梢钥闯?，精準的自適應分割結果很大程度上依賴于初分割后對象的尺度適宜性指標，簡單的類別主導性原則尚不能作為繼續向下分割的最有效指標。在像元級分類結果的基礎上，考慮初分割目標內部像元類別空間分布與組合這樣的復雜特征作為尺度適宜性指標，預計能夠進一步提升自適應分割精度。