结合像元形状特征分割的高分辨率遥感影像面向对象分类

作者认为融合几何与纹 理特征的方法 不但能 够有效提 高影像 的分类 精度, 也能 够有 效提高 影 像面向对象的分割效果。因此, 本文提出一种新 的融合特 征的面 向对象 影像 分类方 法, 基本过 程 由以下相 互联系 的 4 个 步骤 组成: ¹ 提 取影像 的 几何纹理 等结构; º 融合几 何与纹 理特 征的面 向 对象影像分割; » 提取对象的 形状、纹理和 光谱特 征, 并优选最佳特征子集; ¼面向对象的影 像分类 与结果评价。
) 68 )
纹理提取建筑物, 实验证明结合纹理极大提高了建 筑识别精度; R ik 等[ 6] 提取阴影邻近特征和阴影距 离特征来描述阴影与相邻地物之间相关关系来提高 城市地区分类精度; Segl 等[ 7] 用种子点填充和迭代 的方式, 结合不同地物的形状模板提取高分辨率影 像目标的形状特 征, 取得 了较好的形状分 类效果。 这些方法能够有效地提高地物识别精度, 是因为它 们提取了地物结构、纹理、形状等空间特征, 比较充 分地利用了影像的结构纹理信息。但这类方法本质 上还是基于像元的分类, 因此不可避免地包含了基 于像元的影像分类的一般性缺陷。
Abstract: A cco rding to the high r eso lutio n and r ich spat ial infor mation o f hig h spat ial resolut ion r emote sensing imager y, this paper pro po ses to integr ate geo met ric, shape, texture featur e fo r high spatial reso lution remote sensing imag ery classificat ion in urban ar ea wit h o bject- or iented method. T he pro posed metho d is a fo ur- step classification ro utine t hat inv olves t he integ rat ion of: ¹ extr action of g eometr ic shape feature; º segmentation of high spatial resolution r emote sensing imager y based on spectrum infor matio n and g eometr ic shape feature t hat ex tracted; » ex tractio n of object shape featur e, texture feature, spectal feat ur e and so on, t hen use mutual info rmatio n minimum redundancy and maximum relev ance ( mRM R) criterio n to select opt-i mal subset features; ¼suppo rt vecto r machine ( SV M ) for classificat ion. T o v alidate the pro po sed metho d, a case study w ith IKO N OS hig h spatial resolution remo te sensing imager y in F uzhou city is implempented. T he experimental results demo nstr ate that fused pixel shape index ( PSI) featur e can impro ve the mult iscale seg mentat ion sigificant ly , and feature selection can acquir e optial feat ur e subset. M o reov er, the pro po sed method for hig h spatial resolution remo te sensing imag ery classification in urban area can increase classificatio n accur acy by about 6% in terms of o vera ll accuracy co mpar ed w ith the nearest neighbor ho od met ho d.
面向对象的分类精度直接与影像分割 结果相 关, 良好的分割效果通常导致较高的分类精度。然 而, 由于城市地物的复杂多样性, 导致目前还没有普 遍适用的有效影像分割方法, 通常还难于得到良好 的影像分割结果。高分辨的影像分类的另一大类是 融合几何与纹理特征的分类。这类方法首先提取影 像多尺度的几何形状和纹理等上下文特征信息, 通 过融合后, 这些特征作为附加波段与光谱特征一起 输入 分类器对影像分类。譬如, 黄昕等[ 1, 4] 提 出了 一种像元形状指数, 通过像元及其邻域的光谱相似 性描述其上下文的形状分布, 然后把归一化后的形 状和光 谱 特 征进 行 分 类, 提 高 了 分 类 精度; Yun Zhang[ 5] 利用灰度共生 矩阵提取纹理 信息, 并 结合
图 2 研究区 I KO N OS 融合影像
3. 2 影像特征提取 本文利用像元形状指数( PSI) 来提取影像形状 特征, P SI 能够用较好的像元及其邻域的光谱相似 性描述其上下文的形状分布, 相关研究表明 PSI 有 助于高分辨城市地物信息提取[ 2, 4] 。P SI 的 设计原 则是利用相邻像元的光谱相似性, 使处于相同形状 区域内的像元具有相同或相近的特征值, 尽量拉大 不同形状区域像元之间的特征值[ 2, 4] 。 3. 3 面向对象影像分割 本文采用 eCognitio n5. 0 的 分 形 网络 演 化 法 ( FNEA) 进行影像面向对象分割。F NEA 算法是一 种有效利用光谱信息和空间信息的分析方法, 它的 基本思路是: 从一个单个像元开始, 分别与其邻居进 行计算, 以降低最终结果的异质性, 当一轮合并结束 后, 以上一轮生成的对象为基本单元, 继续分别与它 的邻近对象进行计算, 这一过程将一直持续到在用 户指定的尺度上已经不能再进行任何对象的合并为 止[ 8] 。并且 F N EA 采用局部相互最适应准 则来保
图 1 结合 形状特征分割的面向对象影像分类流程图Βιβλιοθήκη 2010. 6遥感应用
遥感信息
3 实验分析 3. 1 实验数据
实验数据为福建省福州市鼓楼区大小为 536 @ 516 像 素的 IKONOS 影像 ( 如图 2) , 成 像 时间 为 2003 年 6 月, 多光谱空间分辨率为 4m, 全色分辨率 为 1m。实验区地物类型主要有道路、植被、水体、建 筑、空地及阴影 6 大基本类型。为了充分利用影像 的光谱和空间信息, 首先对 IKONOS 的全色和多光 谱影像分别进行几何校正并统一投影到系统坐标系 下, 并采用 M OD. IH S 算法完成全色和多光谱影像 融合。融合后的影 像分辨率为 1m, 共有近红 外波 段、红色波段、绿色波段 3 个波段。因此, 本文基于 原始多光谱 4 个波段、1 个全色波段和 3 个融合后 波段进行影像面向对象分类。
) 67 )
遥感信息
遥感应用
2010. 6
1引言
城市作为人类的主要活动场所, 具有用地类型 多样、结构复杂、分布密集、动态变化快等特点, 综合 运用遥感与 GIS 等高新技术提取城市环境 的基础 数据已成为目前国际上发展的总趋势[ 1] 。由于高分 辨率影像能够提供大量的地表特征, 同一地物类别 内部组成要素丰富的细节信息得到表征, 空间信息 更加丰富, 地物的尺寸、形状及相邻地物的关系得到 更好地反映[ 2] 。因此, 高分辨率遥感影像在城市信 息提取方面得到广泛的应用。
关键词: 高分辨影像; 特征提取; 影像分割; 面向对象分类 doi: 10. 3969/ j. issn. 1000- 3177. 2010. 06. 015 中图分类号: T P79 文献标识码: A 文章编号: 编号: 1000- 3177( 2010) 112- 0067- 06
Objec-t oriented Classification of High Spatial Resolution Remote Sensing Imagery Based on Image Segmentation with Pixel Shape Feature
GA O Ha-i yan, W U Bo ( Sp atial I nf or mation Res ear ch Center of F uj ian P rov ince, K ey L abor ato ry of Sp atial D ata Mi ning &
I nf or mation Shar ing of M inistr y of Ed ucation, Fuz hou Univer sity , Fuz hou 350002)
与中、低分辨率遥感影像相比, 高分辨率影像在 景观结构、形状、纹理和细节等方面都具有非常突出 的信息, 使得能够在较小的空间尺度上观察地表的 细节变化。另一方面, 高分辨率在增强地物信息的 获取能力的同时, 也导致影像中地物的光谱分布更 具变化, 不同地物的光谱相互重叠, 地物信息呈现高 度细节化, 同类地物的光谱差异变大, 异类目标的光 谱相互重叠[ 2] 。这些特点导致基于光谱的影像分类 技术在提取高分辨率影像地物目标时的效率和精度 都是十分有限的, 而且其处理结果中存在大量的小 斑块[ 2] 。针对高分辨率遥感影像的特点, 人们提出 采用面向对象( 或图斑) 的影像分类方式, 利用对象 所表现出的整体性质作为度量, 以对象为单位进行 处理。它首先对影像进行多尺度分割, 将影像分割 成对象单元, 直接从中提取大量形状、纹理和光谱特 征进行分类。面向对象的分类 具有两个显著 的优 点: 一是充分利用了对象信息( 色调, 形状, 纹理, 层 次) , 类间信息( 与邻近对象, 子对象, 父对象的相关 特征) ; 二是能够利用多尺度信息, 得到多尺度的分 割结果, 形成不同分辨率等级的图斑[ 3] 。