面向对象最优分割尺度下的茶园提取

第４３卷第１２期２０２０年１２月
测绘与空间地理信息
ＧＥＯＭＡＴＩＣＳ＆ＳＰＡＴＩＡＬＩＮＦＯＲＭＡＴＩＯＮＴＥＣＨＮＯＬＯＧＹ
Ｖｏｌ.４３ꎬＮｏ.１２Ｄｅｃ.ꎬ２０２０
收稿日期:２０１９－１１－１１
基金项目:国家重点研发计划课题(２０１７ＹＦＢ０５０４２０３)ꎻ福建省自然科学基金项目(２０１７Ｊ０１６５８)资助作者简介:陈㊀慧(１９９５－)ꎬ男ꎬ江西赣州人ꎬ测绘工程专业硕士研究生ꎬ主要研究方向为遥感技术与应用ꎮ
通讯作者:江㊀洪(１９７５－)ꎬ男ꎬ福建永安人ꎬ副研究员ꎬ博士ꎬ２０１１年毕业于福州大学管理科学与工程专业ꎬ主要从事电子政务㊁遥感
技术与应用等工作ꎮ
面向对象最优分割尺度下的茶园提取
陈㊀慧１ꎬ２ꎬ３ꎬ江㊀洪１ꎬ２ꎬ３ꎬ蒋世豪１ꎬ２ꎬ３
(１.福州大学空间数据挖掘与信息共享教育部重点实验室ꎬ福建福州３５０１０８ꎻ
２.卫星空间信息技术综合应用国家地方联合工程研究中心ꎬ福建福州３５０１０８ꎻ
３.数字中国研究院(福建)ꎬ福建福州３５０１０８)
摘要:针对现有的高分辨率遥感影像面向对象分类确定最优分割尺度研究中ꎬ大多仅考虑了对象光谱特征而
忽略了对象空间特征的局限性ꎬ采用ＲＭＮＥ(ｔｈｅｒａｔｉｏｏｆｍｅａｎｄｉｆｆｅｒｅｎｃｅｔｏｎｅｉｇｈｂｏｒｓ(Ａｂｓ)ｔｏｅｎｔｒｏｐｙ)方法ꎬ以高分二号(ＧＦ－２)影像为数据源ꎬ利用影像纹理信息熵作为对象内部同质性指标ꎬ对象光谱均值与邻域光谱均值差分绝对值作为对象之间异质性指标ꎬ并结合目视确定茶园最优分割尺度为１７０ꎬ进而利用面向对象分类方法实现了茶园提取ꎮ结果表明ꎬ基于ＲＭＮＥ方法确定最优分割尺度获取的分割结果ꎬ较为符合真实的茶园对象边界ꎬ并且该分割尺度下的茶园提取生产者精度达到９６.７６％ꎬ用户精度达到８３.６０％ꎮ关键词:面向对象ꎻＲＭＮＥꎻ最优分割尺度ꎻ茶园
中图分类号:Ｐ２３７㊀㊀㊀文献标识码:Ａ㊀㊀㊀文章编号:１６７２－５８６７(２０２０)１２－００１７－０４
ＴｅａＰｌａｎｔａｔｉｏｎＥｘｔｒａｃｔｉｏｎｕｎｄｅｒＯｂｊｅｃｔ－Ｏｒｉｅｎｔｅｄ
ＯｐｔｉｍａｌＳｅｇｍｅｎｔａｔｉｏｎＳｃａｌｅ
ＣＨＥＮＨｕｉ１ꎬ２ꎬ３ꎬＪＩＡＮＧＨｏｎｇ１ꎬ２ꎬ３ꎬＪＩＡＮＧＳｈｉｈａｏ１ꎬ２ꎬ３
(１.ＫｅｙＬａｂｏｒａｔｏｒｙｏｆＳｐａｔｉａｌＤａｔａＭｉｎｉｎｇ＆ＩｎｆｏｒｍａｔｉｏｎＳｈａｒｉｎｇｏｆＭｉｎｉｓｔｒｙｏｆＥｄｕｃａｔｉｏｎꎬＦｕｚｈｏｕＵｎｉｖｅｒｓｉｔｙꎬＦｕｚｈｏｕꎬ３５０１０８ꎬＣｈｉｎａꎻ２.ＮａｔｉｏｎａｌａｎｄＬｏｃａｌＪｏｉｎｔＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＳａｔｅｌｌｉｔｅＳｐａｔｉａｌＩｎｆｏｒｍａｔｉｏｎＴｅｃｈｎｏｌｏｇｙꎬ
Ｆｕｚｈｏｕ３５０１０８ꎬＣｈｉｎａꎻ３.ＤｉｇｉｔａｌＣｈｉｎａＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ(Ｆｕｊｉａｎ)ꎬＦｕｚｈｏｕ３５０１０８ꎬＣｈｉｎａ)
Ａｂｓｔｒａｃｔ:Ａｉｍｉｎｇａｔｔｈｅｅｘｉｓｔｉｎｇｒｅｓｅａｒｃｈｏｎｄｅｔｅｒｍｉｎｉｎｇｔｈｅｏｐｔｉｍａｌｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅｆｏｒｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆｈｉｇｈ－ｒｅｓｏ￣ｌｕｔｉｏｎｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓꎬｍｏｓｔｏｆｗｈｉｃｈｏｎｌｙｃｏｎｓｉｄｅｒｓｔｈｅｓｐｅｃｔｒａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｏｂｊｅｃｔａｎｄｉｇｎｏｒｅｓｔｈｅｌｉｍｉｔａｔｉｏｎｓｏｆｔｈｅ
ｓｐａｔｉａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｈｅｏｂｊｅｃｔꎬｔｈｉｓｐａｐｅｒｕｓｅｓＲＭＮＥ(ｔｈｅｒａｔｉｏｏｆｍｅａｎｄｉｆｆｅｒｅｎｃｅｔｏｎｅｉｇｈｂｏｒｓ(Ａｂｓ)ｔｏｅｎｔｒｏｐｙ)ｍｅｔｈｏｄꎬｕ￣
ｓｉｎｇｔｈｅＧａｏｆｅｎ－２(ＧＦ－２)ｉｍａｇｅａｓｔｈｅｄａｔａｓｏｕｒｃｅꎬｕｓｉｎｇｔｈｅｉｍａｇｅｔｅｘｔｕｒｅｉｎｆｏｒｍａｔｉｏｎｅｎｔｒｏｐｙａｓｔｈｅｉｎｔｅｒｎａｌｈｏｍｏｇｅｎｅｉｔｙｉｎｄｅｘｏｆｔｈｅｏｂｊｅｃｔꎬａｎｄｔｈｅａｂｓｏｌｕｔｅｖａｌｕｅｏｆｔｈｅｏｂｊｅｃｔｓｐｅｃｔｒａｌｍｅａｎａｎｄｔｈｅａｂｓｏｌｕｔｅｖａｌｕｅｏｆｔｈｅｎｅｉｇｈｂｏｒｈｏｏｄｓｐｅｃｔｒａｌｍｅａｎｄｉｆｆｅｒｅｎｃｅｂｅ￣
ｔｗｅｅｎｔｈｅｏｂｊｅｃｔｓ.Ｑｕａｌｉｔａｔｉｖｅｉｎｄｉｃａｔｏｒｓꎬｃｏｍｂｉｎｅｄｗｉｔｈｖｉｓｕａｌｏｂｓｅｒｖａｔｉｏｎꎬｄｅｔｅｒｍｉｎｅｔｈｅｏｐｔｉｍａｌｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅｏｆｔｅａｐｌａｎｔａｔｉｏｎｓ
ａｓ１７０ꎬａｎｄｔｈｅｎｕｓｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｔｏａｃｈｉｅｖｅｔｅａｐｌａｎｔａｔｉｏｎｅｘｔｒａｃｔｉｏｎ.ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓｏｂｔａｉｎｅｄｂａｓｅｄｏｎｔｈｅＲＭＮＥｍｅｔｈｏｄｔｏｄｅｔｅｒｍｉｎｅｔｈｅｏｐｔｉｍａｌｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅａｒｅｍｏｒｅｉｎｌｉｎｅｗｉｔｈｔｈｅｒｅａｌｔｅａｐｌａｎｔａｔｉｏｎｏｂｊｅｃｔｂｏｕｎｄａｒｉｅｓꎬａｎｄｔｈｅｔｅａｐｌａｎｔａｔｉｏｎｅｘｔｒａｃｔｉｏｎａｃｃｕｒａｃｙｕｎｄｅｒｔｈｉｓｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅｒｅａｃｈｅｓ９６.７６％ａｎｄｔｈｅｕｓｅｒａｃｃｕｒａｃｙｒｅａ￣ｃｈｅｓ８３.６０％.
Ｋｅｙｗｏｒｄｓ:ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄꎻＲＭＮＥꎻｏｐｔｉｍａｌｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅꎻｔｅａｐｌａｎｔａｔｉｏｎｓ
０㊀引㊀言
快速㊁准确地获取茶园种植分布信息ꎬ对于茶产业发展规划和生态保护具有重要意义ꎮ随着遥感影像分辨率
的提高以及分类方法的完善ꎬ遥感影像分类成为提取茶园的重要手段[１
－２]
ꎮ面向对象分类技术相比于传统基于
像元的分类技术ꎬ一定程度上能够克服 椒盐现象 等缺陷ꎬ具有可以充分利用影像空间特征信息㊁提高地物分类
精度的优势[３]ꎮ其中ꎬ影像分割是面向对象分类关键技术之一ꎬ而分割尺度对地物的提取精度具有重要的影响ꎬ尺度选择的好坏影响影像分割质量ꎬ进而影响分类精度ꎮ因此ꎬ确定最优分割尺度是影像分类的前提ꎮ
在以往的确定最优分割尺度方法中ꎬ一是依靠人工经验目视判别最优分割尺度ꎬ此方法操作简单ꎬ但有一定的主观性且效率低下ꎻ二是基于尺度鉴别指标优选分割尺度ꎬ这种方法受诸如面积㊁颜色的因素影响ꎬ具有不确定性[５]ꎻ三是通过构建分割质量评价函数来判断影像的分割质量ꎬ以此确定最优分割尺度ꎮＷｏｏｄｃｏｃｋ等[６]构建了平均局部方差法ꎬ当不同窗口大小平均局部方差最大时为目标地物最优分割尺度ꎮ张俊等[７]利用影像分割对象与领域差分绝对值以及对象标准差构建ＲＭＡＳ分割质量评价函数ꎬ当ＲＭＡＳ达到最大时为最优分割尺度ꎮ但这些方法只局限于利用对象的光谱信息ꎬ而忽略了高分辨遥感影像的空间特征ꎮ针对上述情况ꎬ毛宁等[８]提出了ＲＭＮＥ(ｔｈｅｒａｔｉｏｏｆｍｅａｎｄｉｆｆｅｒｅｎｃｅｔｏｎｅｉｇｈｂｏｒｓ(Ａｂｓ)ｔｏｅｎｔｒｏｐｙ)方法确定高分辨率遥感影像最优分割尺度ꎬ该方法充分考虑了高空间分辨率遥感影像的优势ꎬ以空间纹理信息熵作为对象内部同质性的评价指标ꎬ光谱特征与领域均值差分绝对值作为相邻对象间异质性评价指标ꎬ基于两者比值构建了ＲＭＮＥ分割质量评价指标ꎬ通过与现有的最大面积法和优度函数法进行比较ꎬ表明了该方法分割效果最好ꎻ目前ꎬ这种方法仅用于平原地区影像的最优分割尺度选择ꎬ未见用于复杂地形山区茶园提取ꎮ因此ꎬ本文以福建省武夷山市为研究区ꎬ以ＧＦ－２影像为数据源ꎬ采用ＲＭＮＥ方法确定多尺度分割的茶园最优分割尺度用以提取茶园分布信息ꎮ
１㊀研究区及数据概况
１.１㊀研究区概况
武夷山市位于福建省南平市西北部ꎬ属于中亚热带季风湿润气候ꎬ四季分明ꎬ降水充沛ꎬ年平均气温１８.０ħ １８.５ħꎬ年降水量２０００ｍｍ左右ꎻ属于南方丘陵地貌ꎬ地势落差大ꎮ武夷山得天独厚的自然环境适合茶树的生长发育ꎬ盛产大红袍㊁金骏眉㊁正山小种㊁水仙和肉桂等名茶ꎮ本文以武夷山市星村镇黄村村为研究区ꎬ通过结合研究区影像与同时期ＧｏｏｇｌｅＥａｒｔｈ影像目视观察发现ꎬ研究区主要地物类型为坡度茶园㊁田改茶茶园㊁建筑用地㊁林地㊁水体㊁裸地ꎬ地物类型丰富ꎬ符合武夷山市茶园种植分布特征ꎮ
１.２㊀数据概况及预处理
本文采用２０１８年４月１９日１１点１６分过境的国产ＧＦ－２ＰＭＳ１遥感影像ꎬ影像包括空间分辨率为４ｍ的多光谱影像和１ｍ的全色影像ꎬ其中多光谱影像包含蓝波段(Ｂ)㊁绿波段(Ｇ)㊁红波段(Ｒ)和近红外(ＮＩＲ)四个波段ꎮ辅助数据为地理空间数据云下载的ＧＤＥＭＶ２３０ｍ的数字高程模型(ＤＥＭ)ꎮ数据预处理在ＥＮＶＩ５.３软件中进行ꎬ首先分别对全色和多光谱影像结合ＤＥＭ进行正射校正ꎬ得到研究区的正射影像ꎻ然后采用ＦＬＡＡＳＨ模块对多光谱影像进行大气校正ꎬ消除气溶胶和云的影响ꎬ获得真实的地表反射率ꎻ最后采用ＮＮＤｉｆｆｕｓｅＰａｎＳｈａｒｐｅｎｉｎｇ影像融合工具对全色及多光谱影像进行融合ꎬ融合后的影像具有多光谱影像光谱信息的同时还兼有全色影像高空间分辨率特征ꎬ颜色㊁纹理等均接近实际地物特征ꎬ并且对融合后的影像进行裁剪ꎬ得到研究区ＧＦ－２融合影像(标准假彩色ＮＩＲ㊁Ｒ㊁Ｇ波段组合)ꎬ如图１所示
ꎮ
图１㊀研究区融合影像
Ｆｉｇ.１㊀Ｒｅｓｅａｒｃｈａｒｅａｆｕｓｉｏｎｉｍａｇｅ
２㊀研究方法
２.１㊀ＲＭＮＥ最优分割尺度计算方法
多尺度分割实验在ｅＣｏｇｎｉｔｉｏｎ９.０软件中进行ꎮ面向对象多尺度分割是通过识别相似的像元ꎬ使相邻的相似像元合并成对象ꎬ是一种自下而上的分割方式ꎮ遥感影像最优分割结果是分割对象内部具有较好的同质性ꎬ相邻对象之间具有较好的异质性ꎬ并且对象多边形不能过于细碎ꎬ边界也不能模糊[９]ꎮ实验使用ＲＭＮＥ方法作为判断最优分割尺度的依据ꎬＲＭＮＥ计算过程如下:１)对象内部同质性ꎮ计算灰度共生矩阵纹理信息熵ꎬ作为对象内部同质性评价指标(公式１)ꎮ为消除量纲影响ꎬ将所计算得到的不同影像对象层信息熵平均值进行归一化处理(公式２)ꎮ
ＥＮＴ＝－ðＭｉ＝０ðＮｊ＝０Ｐ(ｉꎬｊ)∗ｌｏｇＰ(ｉꎬｊ)(１)Ｆ(ＥＮＴ)＝
ＥＮＴ－ＥＮＴｍｉｎ
ＥＮＴｍａｘ－ＥＮＴｍｉｎ
(２)式中ꎬＥＮＴ为对象纹理信息熵ꎻＭ㊁Ｎ为灰度共生矩阵行列数ꎻＰ(ｉꎬｊ)为第ｉ行第ｊ列的灰度共生矩阵概率值ꎻＦ(ＥＮＴ)为对象信息熵归一化后的值ꎬ取值范围为[０ꎬ１]ꎻＥＮＴｍａｘ和ＥＮＴｍｉｎ分别为不同分割尺度影像对象层信息熵平均值的最大值和最小值ꎮ当Ｆ(ＥＮＴ)越大时ꎬ表示对象内部越复杂ꎬ对象同质性越低ꎻ当Ｆ(ＥＮＴ)越小时ꎬ表示对象内部越均一ꎬ对象内部同质性越高ꎮ
２)对象之间异质性ꎮ计算对象光谱均值与领域光谱均值差分绝对值ꎬ作为对象之间的异质性评价指标(公式(３))ꎮ为消除量纲影响ꎬ将所计算得到的不同影像对象层对象光谱均值与领域光谱均值差分绝对值的平均值进行归一化处理(公式(４))ꎮ
８１㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀测绘与空间地理信息㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２０年
ΔＣＬ＝
１
ｌ
ðｎｉ＝１
ｌ
ｉ
ＣＬ－ＣＬｉ
(３)ＦΔＣＬ()＝
ΔＣＬ－ΔＣＬｍｉｎ
ΔＣＬｍａｘ－ΔＣＬｍｉｎ
(４)
式中ꎬΔＣＬ为Ｌ波段对象光谱均值与领域光谱均值差分绝对值ꎻｌ表示当前对象边界长度ꎻＣＬ为当前对象光谱均值ꎻＣＬｉ第ｉ个相邻对象的光谱均值ꎻｎ为当前对象相邻对象个数ꎮＦ(ΔＣＬ)为对象与领域均值差分绝对值归一化的值ꎬ取值范围为[０ꎬ１]ꎻΔＣＬｍａｘ和ΔＣＬｍｉｎ分别为不同分割尺度影像对象层对象与领域均值差分绝对值均值的最大值和最小值ꎮ当Ｆ(ΔＣＬ)越大时ꎬ表示对象之间越离散ꎬ
对象之间异质性越高ꎻ当Ｆ(ＥＮＴ)越小时ꎬ表示对象内部越依赖ꎬ对象之间异质性越低ꎮ
３)分割质量评价函数ＲＭＮＥ
理想的影像分割尺度是分割后对象内部具有较好的
同质性ꎬ相邻对象之间具有较好的异质性ꎮ将Ｆ(ΔＣＬ)与Ｆ(ＥＮＴ)的比值作为分割质量评价函数ＲＭＮＥ(公式(５))ꎮ
ＲＭＮＥ＝
Ｆ(ΔＣＬ)
Ｆ(ＥＮＴ)
(５)
ＲＭＮＥ的值越大ꎬ表示对象内部具有较好的同质性ꎬ相近对象之间具有较好的异质性ꎮ
２.２㊀影像对象特征选择
面向对象地物提取中可以充分使用影像对象光谱㊁纹理㊁几何等特征ꎬ特征之间具有一定的相关性ꎬ特征数量的增多会造成信息冗余ꎬ不一定能提高目标地物提取精度ꎬ甚至精度会降低ꎮ合理选择对象特征可以提升茶园提取精度ꎮ根据研究区影像实际情况ꎬ建立茶园和其他类两种地类分类体系ꎬ结合同时期谷歌影像对照后选取训练样本ꎬ利用ｅＣｏｇｎｉｔｉｏｎ９.０特征优选工具进行基于分离度的特征优选ꎮ其最佳分离距离度量公式为
[１０]
:
Ｄ＝
ð
ｆｉ
ｖｆｉ(ｓ)
－ｖｆｉ
(ｏ)
Ｑｆｉæè
ç
ö
ø
÷
２
(６)
式中ꎬＤ代表两类样本之间的距离ꎻｆｉ代表特征空间
的第ｉ个特征ꎻＶｆｉ(ｓ)㊁Ｖｆｉ(ｏ)分别代表训练样本ｓ㊁ｏ在特征ｉ上的特征值ꎻＱｆｉ代表特征空间内所有影像地块特征ｆｉ的标准差ꎮ通过实验得到最优特征维数为１６ꎬ特征分别为Ｇ㊁Ｒ㊁ＮＩＲ波段均值(ＭｅａｎＬａｙｅｒ)㊁最大差分(Ｍａｘ.ｄｉｆｆ)㊁亮度(Ｂｒｉｇｈｔｎｅｓｓ)㊁归一化植被指数(ＮＤＶＩ)㊁ＮＩＲ标准差(ｓｔｄＮＩＲ)㊁面积(Ａｒｅａ)㊁长宽比(Ｌｅｎｇｔｈ/Ｗｉｄｔｈ)㊁密度(Ｄｅｎｓｉｔｙ)㊁形状指数(Ｓｈａｐｅｉｎｄｅｘ)㊁角二阶矩纹理(ＧＬＣＭＡｎｇ)㊁同质性纹理(ＧＬＣＭＨｏｍ)㊁信息熵纹理(ＧＬＣＭ
Ｅｎｔ)㊁标准差纹理(ＧＬＣＭＳｔｄ)㊁相关性纹理(ＧＬＣＭＣｏｒ)ꎮ３㊀实验结果与分析
３.１㊀基于ＲＭＮＥ的最优分割尺度选择
影响影像多尺度分割好坏的因素有分割尺度㊁形状因子㊁紧致度因子㊁波段权重等ꎮ通过预实验发现ꎬ分割尺度小于５０时ꎬ分割对象过于破碎ꎻ分割尺度大于２３０时
单个分割对象内含有两种及以上地物类别ꎮ因此ꎬ本文实验设定多尺度分割的分割尺度范围为５０ ２３０ꎬ以２０为步长进行分割ꎻ考虑到高分辨率影像具有较明显的形状特征ꎬ因此适当调高形状因子权重为０.２ꎬ光谱因子权重为０.８ꎬ紧致度因子和光滑度因子权重各为０.５ꎻ影像４个波段权重均设为１ꎮ在设定分割参数后ꎬ依次计算每个分割尺度下ＲＭＮＥ的值ꎮ根据公式
(１)至公式(５)计算不同
分割尺度的Ｆ(ＥＮＴ)㊁Ｆ(ΔＣＬ)以及ＲＭＮＥꎬ结果如图２所示ꎮ
图２㊀ＲＭＮＥ计算结果Ｆｉｇ.２㊀ＲＭＮＥｃａｌｃｕｌａｔｉｏｎｒｅｓｕｌｔ
由图２(ａ)可知ꎬ分割尺度从５０到１１０时ꎬ影像对象信息熵先增大后减小ꎬ在尺度为１１０时达到一个局部极小值ꎬ同理ꎬ在尺度为１７０和２３０时Ｆ(ＥＮＴ)也出现了极小值点ꎬ即在这３种尺度下影像对象内部同质性最好ꎻ由图
２(ｂ)可知ꎬ分割尺度从５０到１１０时ꎬ影像对象与领域均值差分绝对值在呈缓慢上升ꎬ在尺度为１１０时达到一个局部
极大值ꎬ同理ꎬ在尺度为１７０和２３０时ꎬＦ(ΔＣＬ)也出现了
极大值点ꎬ在极大值点处ꎬ３种尺度下影像对象之间异质性最好ꎻ由图２(ｃ)可知ꎬＲＭＮＥ在尺度为１１０㊁１７０和２３０时出现极大值点ꎮ因此ꎬ根据最优分割尺度的选择依据ꎬ分割尺度为１１０㊁１７０和２３０时即为最优分割尺度ꎮ选择这３种尺度进行多尺度分割实验ꎬ图３为３种尺度的局部分割结果ꎬ影像为标准假彩色ＮＩＲ㊁Ｒ㊁Ｇ合成ꎮ不同的地物对应着不同的最优分割尺度ꎬ由于本文是对研究区茶园进行提取ꎬ因此需要获得较为准确的茶园边界ꎮ从目视分析来看ꎬ相比于图３(ｂ)的结果ꎬ图３(ａ)茶园对象较为破碎ꎬ存在轻微过分割现象ꎻ图３(ｂ)的结果相对符合真实茶园种植边界ꎬ并且该尺度下
(Ｓｃａｌｅ＝１７０)所计算的
ＲＭＮＥ的值最大ꎬ而图３(ｃ)矩形框中茶园与部分林地没有完全分割开ꎬ存在轻微欠分割现象ꎮ综合整幅影像分
割结果目视分析ꎬ本文研究的茶园最优分割尺度为１７０ꎮ
图３㊀３种分割尺度局部分割结果Ｆｉｇ.３㊀Ｔｈｒｅｅｓｅｇｍｅｎｔａｔｉｏｎｓｃａｌｅｌｏｃａｌ
㊀㊀㊀㊀ｓｅｇｍｅｎｔａｔｉｏｎｒｅｓｕｌｔｓ
９
１第１２期
陈㊀慧等:面向对象最优分割尺度下的茶园提取
３.２㊀茶园提取与精度评价
根据２.２节中所选的影像对象特征ꎬ采用随机森林分类器进行茶园提取ꎮ随机森林分类器由一组决策树进行预测的集成分类器ꎬ可以在少量训练样本情况下构建分类规则ꎬ泛化能力强且不容易过拟合ꎬ分类性能优异ꎮ根据３.１节所确定的茶园最优分割尺度为１７０ꎬ本文基于该尺度下的分割结果进行茶园提取ꎬ并选用生产者精度(ＰｒｏｄｕｃｅｒａｃｃｕｒａｃｙꎬＰＡ)㊁用户精度(ＵｓｅｒａｃｃｕｒａｃｙꎬＵＡ)㊁
总体分类精度(ＯｖｅｒａｌｌａｃｃｕｒａｃｙꎬＯＡ)和Ｋａｐｐａ系数作为精度评价指标进行茶园提取效果定量评价ꎮ同时ꎬ为比较轻微的欠分割与过分割对茶园提取精度的影响ꎬ对１１０和２３０尺度下的分割结果进行茶园提取ꎬ茶园提取的精度评价结果见表１ꎬ分割尺度下１７０茶园提取的ＰＡ㊁ＯＡ㊁Ｋａｐｐａ系数最高ꎬ分别为９６.７６％㊁９０.０２％㊁０.８０ꎬ表明良好的分割尺度是提高分类精度的前提ꎻ同时ꎬ分割尺度为１１０和
２３０下的ＯＡ相比于１７０分割尺度下的ＯＡ小１％ ２％ꎬＫａｐｐａ系数小０.１ ０.３ꎬ表明轻微的欠分割与过分割对分类精度无明显影响ꎬ这与文献[４]得出的结论是一致的ꎮ茶园３种尺度下的茶园提取结果如图４所示ꎬ经与同时期ＧｏｏｇｌｅＥａｒｔｈ影像对照发现ꎬ茶园与水体㊁建筑及裸地能较好地区分ꎬ少数错分区域主要集中在林地ꎬ这是因为部分林地在光谱㊁颜色㊁亮度特征上与茶园较为接近ꎬ而且茶树生长发育情况不一样也会影响最终的分类结果ꎮ从总体的目视分析结果看ꎬ１７０分割尺度下茶园提取结果与真实茶园分布较为符合ꎬ表明本文所选取最优分割尺度下的茶园提取结果具有较高的准确度ꎮ
表１㊀不同尺度参数下的茶园提取精度评价表Ｔａｂ.１㊀Ｔｅａｇａｒｄｅｎｅｘｔｒａｃｔｉｏｎａｃｃｕｒａｃｙｅｖａｌｕａｔｉｏｎｔａｂｌｅ
㊀㊀㊀㊀ｕｎｄｅｒｄｉｆｆｅｒｅｎｔｓｃａｌｅｐａｒａｍｅｔｅｒｓ
尺度参数茶园
其他ＰＡ(％)ＵＡ(％)ＰＡ(％)ＵＡ(％)ＯＡ(％)Ｋａｐｐａ系数１１０９１.０５８６.５４８８.４５９２.３８８９.６２０.７９１７０
９６.７６
８３.６０
８４.５２
９６.９７９０.０２
０.８０２３０９０.４３８３.６７８６.８７９２.４３
８８.３９
０.７７
图４㊀３种尺度下茶园提取结果
Ｆｉｇ.４㊀Ｔｅａｇａｒｄｅｎｅｘｔｒａｃｔｉｏｎｒｅｓｕｌｔｓａｔｔｈｒｅｅｓｃａｌｅｓ
４㊀结束语
本文以ＧＦ－２ＰＭＳ１遥感影像为数据源ꎬ以福建省武
夷山市星村镇黄村村典型区域为研究区ꎬ通过分割质量评价函数ＲＭＮＥ并结合目视分析确定了研究区影像茶园最优分割尺度为１７０ꎮ结果表明ꎬ在１７０分割尺度下的分割结果中茶园对象大小较为符合实际茶园大小ꎬ避免了欠分割和过分割ꎬ该方法确定的最优分割尺度保证了相对较好的对象内部同质性以及对象之间的异质性ꎬ充分考虑利用了高分辨率遥感影像的空间特征ꎬ避免了人工判断最优分割尺度的主观性影响ꎻ采用面向对象分类方法对研究区茶园种植分布信息进行提取ꎬ得到了较高的茶园提取精度ꎻ同时研究表明ꎬ轻微的欠分割与过分割对分类精度无明显影响ꎻ基于ＲＭＮＥ方法确定的最优分割尺度在面向对象影像特定目标地物提取研究中具有一定的实用价值ꎮ本文研究能为相关部门监测茶园种植分布信息提供一定的参考ꎮ
参考文献:
[１]㊀马超ꎬ杨飞ꎬ王学成.基于中尺度光谱和时序物候特征提取南方丘陵山区茶园[Ｊ].国土资源遥感ꎬ２０１９ꎬ３１
(１):１４１－１４８.
[２]㊀徐伟燕ꎬ孙睿ꎬ金志凤.基于资源三号卫星影像的茶树种植区提取[Ｊ].农业工程学报ꎬ２０１６ꎬ３２(Ｓ１):
１６１－１６８.[３]㊀ＤＵＲＯＤＣꎬＦＲＡＮＫＬＩＮＳＥꎬＤｕｂéＭＧ.Ａｃｏｍｐａｒｉｓｏｎ
ｏｆｐｉｘｅｌ－ｂａｓｅｄａｎｄｏｂｊｅｃｔ－ｂａｓｅｄｉｍａｇｅａｎａｌｙｓｉｓｗｉｔｈｓｅ￣ｌｅｃｔｅｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓｆｏｒｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｆａｇｒｉｃｕｌｔｕｒａｌｌａｎｄｓｃａｐｅｓｕｓｉｎｇＳＰＯＴ－５ＨＲＧｉｍａｇｅｒｙ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔꎬ２０１２ꎬ１１８:２５９－２７２.[４]㊀毛学刚ꎬ姚瑶ꎬ陈树新ꎬ等.基于易康软件的ＱｕｉｃｋＢｉｒｄ
遥感影像林分类型识别 以福建省将乐林场为例
[Ｊ].南京林业大学学报(自然科学版)ꎬ２０１９ꎬ４３(１):
１２７－１３４.
[５]㊀刘兆祎ꎬ李鑫慧ꎬ沈润平ꎬ等.高分辨率遥感图像分割的最优尺度选择[Ｊ].计算机工程与应用ꎬ２０１４ꎬ５０(６):
１４４－１４７.
[６]㊀ＷＯＯＤＣＯＣＫＣＥꎬＳＴＲＡＨＬＥＲＡＨ.Ｔｈｅｆａｃｔｏｒｏｆｓｃａｌｅ
ｉｎｒｅｍｏｔｅｓｅｎｓｉｎｇ[Ｊ].ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔꎬ
１９８７ꎬ２１(３):３１１－３３２.[７]㊀张俊ꎬ汪云甲ꎬ李妍ꎬ等.一种面向对象的高分辨率影像
最优分割尺度选择算法[Ｊ].科技导报ꎬ２００９ꎬ２７(２１):
９１－９４.[８]㊀毛宁ꎬ刘慧平ꎬ刘湘平ꎬ等.基于ＲＭＮＥ方法的多尺度分割最优分割尺度选取[Ｊ].遥感信息ꎬ２０１９ꎬ３１(２):
１０－１６.
[９]㊀袁秀华ꎬ罗卫ꎬ王聪颖.赣州稀土矿山高分辨率遥感影
像分割的最优尺度选取[Ｊ].测绘与空间地理信息ꎬ
２０１３ꎬ３６(９):４８－５０.
[１０]㊀冯文卿ꎬ张永军.利用模糊综合评判进行面向对象的遥
感影像变化检测[Ｊ].武汉大学学报(信息科学版)ꎬ
２０１６ꎬ４１(７):８７５－８８１.
[编辑:任亚茹]
０
２㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀
测绘与空间地理信息㊀
㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀２０２０年。