基于像素和面向对象的GF-2遥感图像 城市特征提取方法研究外文翻译资料

本科毕业设计（论文）

外文翻译

基于像素和面向对象的GF-2遥感图像

城市特征提取方法研究

中文译文：

摘要：在我国快速城镇化的建设中，获取城市地理信息和及时更新数据是城市精细化管理的重要基础性任务。随着国内遥感技术的发展，应用高分二号卫星的高分辨率遥感影像可以大大提高信息提取的准确性。本文介绍了一种利用高分二号卫星数据的基于面向对象的分类方法的城市特征的提取方法。采用光谱、空间属性和隶属函数相结合的方法对南京市秦淮区的城市特征进行了研究。通过ENVI软件对数据进行预处理，将预处理后的数据导出到eCognition软件中，进行面向对象的城市特征信息的分类与提取。最后，利用ArcGIS软件对得到的栅格图像分类结果进行矢量化，并将矢量图形存储在库中，用于进一步的分析建模。通过使用目视解译来获得的真实地面数据和其他的辅助数据进行准确性评估。与基于像素的监督分类（神经网络）的方法的结果相比，面向对象的方法可以显著提高提取的准确性，并且在手动解译后，总体准确度可以达到95.44%，其中Kappa系数为0.9405，这客观的证实了面向对象的方法的优越性和利用高分二号卫星数据的可行性。

关键词：图像分类；高分二号卫星数据；面向对象；城市测绘；准确性评估

1.简介

目前，可持续发展已经成为一项全球的目标，并由国际地圈-生物圈计划（IGBP）和国际全球环境变化的人文因素计划（IHDP）联合开展的国际土地利用和土地覆盖变化的项目得到推动，土地利用变化的监测与检测引起了众多研究人员的兴趣。在过去的几十年中，在土地利用分类模型方面已经做出了大量工作。为了获得准确、详细的城市土地生态信息，进行城市生态景观系统的建设和土地管理分析，已经开发出各种模型。掌握城市地貌信息的空间分布及其变化特征，可以有助于人们做出决策，并促进城市未来的发展规划。

在最近几十年来，国内外的专家学者对遥感数据的分类方法都进行了广泛的研究，从基于传统的统计分析的监督分类和非监督分类到广泛应用的支持向量机、神经网络和专家决策树系统的方法。其中，基于像素的统计分类技术已经相对成熟并且占据主导地位，在一些领域中已经取得了良好的应用效果。然而，传统的基于像素的分类方法仅利用光谱信息，因此在不同类别之间具有相似光谱的高分辨率的多光谱城市影像进行的成功率有限。所以必须利用诸如几何和空间特征等信息来生成准确度更高的分类地图。近年来，面向对象的分类方法引起了人们极大的研究兴趣；事实证明，它有可能克服与每个像素分析相关的弱点，例如忽略几何和上下文信息。其主要思想是，首先将图像分割成具有特定含义的对象，然后利用对象的光谱、形状和邻域特征对其进行分类。该方法考虑了更多的识别特征，适应了人们的目视解译的习惯，为信息提取提供了新的思路。

城市建设决策的参考需求和城市土地对象的监测都依赖于城市地表覆盖信息的遥感数据的信息采集。随着高分辨率卫星的出现，不同国家开发的不同遥感图像系统为城市的规划建设提供了越来越多的空间纹理信息，例如德国的Rapid-Eye卫星（5.0米分辨率）、法国的SPOTS-5卫星（2.5米）、美国的QuickBird（0.61米）和World-View系列（0.5米）卫星。GF-2卫星是近几年发展起来的一颗亚米级空间分辨率的民用光学遥感卫星，具有空间分辨率高、定位精度高、姿态机动性快的特点。最重要的是研究如何充分利用GF-2遥感图像数据的优势来提取城市地表信息，并找出它是否从国内数据更以价值为导向的自给自足，或满足城市化发展所需要的及时性和优良的品质。目前，我国的城市化发展迅速。因此，如何保证环境与城市化的协调发展是一个亟待解决的问题。在这项工作中，获取准确、详细的城市生态用地信息，对于城市景观生态系统的建设和城市土地管理分析都具有重要的意义。在本文中，利用eCognition软件探讨了最佳分割尺度的获取方法。通过对图像对象的光谱和空间进行分析，研究了目标提取的系统规则，建立了一套基于GF-2卫星的典型面向对象的城市特征信息的提取方法。

2.研究范围及方法

2.1研究区域

为了探索分类方法的普遍适用性，所选择的研究区域是整个秦淮区，即南京市中心区域，以贯穿全境的秦淮河命名，如图1所示，秦淮区为丘陵地带，东南高西北低，地形以平原为主。这里地表水系统众多，主要包括内秦淮河及其支流，以及零散的自然和人工河流，形成波浪形的地貌景观。地面高度在6到12米之间。秦淮区属于亚热带湿润气候，四季分明，雨量充沛。

图1 研究区域：秦淮区

2.2数据采集和预处理

采用WGS-84坐标系对CRESDA进行几何校正，得到无云的GF-2卫星影像。卫星数据包含全色（PAN）数据文件、多光谱（MS）数据文件和RPC文件，RPC文件中有详细的RPC模型参数，可以用于影像的正射校正。初始数据采集于2015年4月21日，包含南京中部地区。南京位于长江下游，江苏省西南部的中部地区，经度范围从118°22′E到119°14′E，纬度范围从31°14′N到32°37′N，获得的地理数据如图1所示。

图2中的虚线框显示了原始的GF-2遥感图像数据的预处理流程，其中包括辐射校正、正射校正、大气校正、图像融合和图像裁剪。辐射校正修正了所有与辐射有关的误差，以消除干扰并获得真实的反射率数据。正射校正可修正由地形起伏引起的像点误差，大气校正消除了空气中的雾气，使图像更加清晰明亮。同时，在影像的正射校正过程中，将MS影像和PAN影像的分辨率分别重采样到4米和1米，使用最近邻扩散（NNDiffuse）聚类锐化算法将PAN和MS的波段进行融合；该算法可以在保持高空间细节的同时，获得良好的光谱保真度，然后使用绘制的矢量边界文件进行裁剪来获得研究区域。整个GF-2影像的预处理在ENVI中进行。此外，在ArcGIS中绘制上述矢量边界文件和矢量样本点文件，并对分类结果进行计算。

2.3研究方法

根据GF-2遥感影像的特点和研究目标，结合实际调查数据和2015年的土地利用数据，将城市土地利用类型划分为五类：植被、水体、道路、裸地和建筑物。初步采用神经网络的分类计算方法将其进行分类，使用地面真实数据进行精度评估。然后，在eCognition软件中进行多尺度分割和面向对象的城市特征信息提取的各种特征规则的建立，用来建立GF-2影像研究区域规则集的分类方法。最后，将面向对象的分类结果与传统的监督分类结果进行比较，并进行精度分析和映射，分类技术的流程图如图2所示。

图2 分类技术流程图

3.面向对象的分类方法

面向对象的分类方法优于传统的基于像素的分类方法，它不以像素为最小单位，而是将图像分割作为对象，并利用对象之间的光谱和空间特征对其进行分类。核心过程主要包括两个步骤，即分割和分类。

3.1多分辨率分割

图像分割是以面向对象信息的提取为基础，分割的效率直接决定了信息提取结果的质量，本文采用多分辨率的分割技术进行图像分割，在平均非均匀性最小、物体内部像素均匀性最大的前提下，基于区域融合技术实现图像分割。在多尺度分割中，尺度的选择对于分割尤为重要：尺度过大会使图像分割不足，因为同一对象包含多种地形信息；尺度过小会使分割对象过于碎片化，难以对其进行操作。由于研究区域面积大，地形特征复杂，不适合建立分割层次结构。对于道路分割，可以为郊区道路选择较大的分割，但是城市道路受到两侧植被和建筑物的影响，这会导致分割对象包含其他特征信息，从而影响分类的准确性。参与图像分割的波段为蓝色，绿色，红色和近红外（NIR），每个波段的权值为1。在此基础上，选取尺度参数、形状/颜色，紧凑度/平滑度的最优值来优化图像的分割结果。经过多次测试，采用以下多分辨率分割参数用于提取不同的城市类别：尺度参数：100，形状：0.2，紧凑度：0.6，得到与ESP（尺度参数估计）工具一致的最优结果。部分分割结果如图3所示。

图3 部分分割结果

3.2建立分类规则

进行多分辨率分割后，对图像的对象进行分类。面向对象的分类技术采用模糊决策专家系统支持的分类算法，充分利用影像的波段，形状、纹理、背景、空间关系等特点，打破了传统的基于光谱信息的影像分类的局限性。

在本节中，将执行两种面向对象的分类方法。一是阈值分类与模糊分类相结合。采用RGB组合模式显示波段，同时采用近红外波段进行增强。对植被、水体、裸地、建筑物进行了提取和分类。通过使用图像中每个对象的光谱、几何、位置和纹理特征等信息，选择合适的分类特征，形成提取的特征类别的特征组合，建立各种特征的分类规则集，如表1所示。利用模糊函数对GF-2影像的不同目标特征进行分类，如图4所示。为了保证提取精度和提高信息的提取效率，需要对提取的地面信息进行决策排序。首先提取比较容易提取的特征类型，然后提取比较难区分的特征类型。在提取过程中，由于植被的光谱特征与其他的土地类型相比有明显的差异，因此优先提取植被信息。利用用户自定义的特征，归一化植被指数（NDVI）来区分植被与其他土地类型。将NDVIgt;0.22确定为植被，NDVI在0.16-0.22之间可能是植被和其他的特征，因此模糊区间采用模糊函数，如图4所示，NDVI定义为：

其中Mean NIR为GF-2影像中的近红外波段的反射值，为GF-2影像中的红光波段的反射值。然而，通过使用该分类指数，蓝色屋顶的建筑物将被错误的分类，使用光谱特征分类：平均蓝色gt;1250，将这些建筑物归类为Building 1可以防止这种错误的发生。将城市土地覆盖信息分为植被和非植被，并从非植被中提取后续的特征类别。

与其它特征相比，水体在光谱特征和纹理特征上面具有明显的差异性和特殊性，可以被清晰的区分出来。然而，GF-2数据的特征类似于阴影信息和水体信息的特征，导致在提取的水体信息中含有大量与阴影信息混合的信息。在研究区域中，大部分阴影区域都属于建筑物范畴，为了尽量减少阴影区域的干扰，采用归一化差分水体指数（NDWI）和近红外波段（NIR）相结合用于水体分类，经过许多实验证明，将NDWI和NIR相结合的方式比单独使用二者来进行分类的效果更好。其中NDWI定义为：

其中Mean Green表示为绿色波段的反射值，Mean NIR为近红外波段的反射值。在进行道路分类之前，设置面积小于60像素的为排除车辆的干扰并将这些对象合并到未分类的部分当中。道路通常具有较大的纵横比（长度/宽度），而且为条状的，可以通过形状指数对其进行约束。然而由于秦淮区的建筑风格，一些建筑的屋顶具有相似的几何特征，因此光谱特征用于区分这些不同的特征类别。

在提取道路信息之后，剩下的未分类的区域包括裸地和建筑物信息。裸地包括未利用的裸露地面，稀疏植被的区域，道路和河流两侧的暴露区域，待建的建筑工地，以及施工后未及时处理的裸露土地等，由于其分布散乱、光谱范围大，利用红色和近红外的光谱特征、强度和不对称性提取裸地信息。建筑物，即建筑用地，包括在提取上述对象类别后的剩余部分以及被分割的建筑区域。

表1 分类规则集