基于面向?qū)ο蠓诸惖耐恋乩米兓瘷z測方法

基于面向?qū)ο蠓诸惖耐恋乩米兓瘷z測方法

1變化檢測方法分類土地是人類生存的重要資源。合理利用每片土地并有效保護(hù)耕地是中國的基本政策。要實現(xiàn)土地資源的可持續(xù)利用,就必須及時了解土地資源狀況及其變化情況。20世紀(jì)90年代以來,隨著資源、環(huán)境和人口問題的日益突出,土地利用變化研究己成為國際上全球變化研究的前沿和熱點課題。目前常用的變化檢測方法可以概括為兩大類:后分類比較法(map-to-mapcomparisonmethod)和光譜直接比較法(image-to-imagecomparisonmethod)。后分類比較法可分為多時相影像的分類后比較法和多時相影像直接分類比較法。光譜直接比較法主要有:不同時相影像的代數(shù)運(yùn)算:如差值法、比值法、回歸法、主成分分析法、變化向量分析法(CVA)等。但這些方法都各有利弊,光譜直接比較法能夠準(zhǔn)確地檢測出土地覆蓋發(fā)生變化的區(qū)域,但它不能確定是什么地物發(fā)生變化,變化后轉(zhuǎn)換成什么地物;后分類法能夠檢測出土地覆蓋變化的情況,但它對分類精度的要求很高,因此只有高精度的影像分類結(jié)果才有可能產(chǎn)生高精度的變化檢測結(jié)果。在此基礎(chǔ)上,本文主要探討了基于面向?qū)ο蟮倪b感影像分類后比較法快速檢測出土地覆蓋變化區(qū)域的方法,并與傳統(tǒng)最大似然法分類結(jié)果進(jìn)行比較,分析評價了面向?qū)ο蟮耐恋乩米兓瘷z測結(jié)果。2土地利用類型變化檢測研究本文選取同一地區(qū)的具有代表性的區(qū)域作為研究區(qū)域。實驗數(shù)據(jù)為1991年和2001年成像的TM和ETM影像,空間分辨率為30m。因為是實驗性研究,所以只在整幅影像上裁取了比較典型的600×600大小的子區(qū)作為研究區(qū)。該研究區(qū)域具有居民地、耕地、草地、沙地、水體等典型地物。該地區(qū)在1991年～2001年十年中由于人口的壓力,人地矛盾尖銳,對耕地的開墾比較嚴(yán)重,加上水土流失嚴(yán)重,不合理的開發(fā)利用,森林植被生態(tài)系統(tǒng)也受到較嚴(yán)重的破壞,土地利用類型也發(fā)生了很大變化。因此通過前后時相遙感影像進(jìn)行土地利用類型變化檢測,為土地資源的可持續(xù)利用提供保證顯得尤為重要。在此基礎(chǔ)上對該數(shù)據(jù)進(jìn)行幾何糾正,增強(qiáng)等預(yù)處理,為影像分類做準(zhǔn)備。3多尺度分割法為了突破傳統(tǒng)的分類方法,改善遙感影像的分類精度,研究者將圖像分割算法引入到遙感影像分類當(dāng)中,在傳統(tǒng)方法的基礎(chǔ)上提出了一種新的對象級分類技術(shù),其最重要的特點就是分類的最小單元是由圖像分割得到的“同質(zhì)”對象(圖斑),而不再是單個像素,這種面向?qū)ο蟮姆诸惙椒梢猿浞掷闷涔庾V信息并綜合應(yīng)用其他特征,通過特征值的顯示,選擇特征作為隸屬函數(shù),賦以函數(shù)值即可用于不同地物的分割。面向?qū)ο蟮亩喑叨确指罴夹g(shù)采用不同的分割閾值生成多尺度對象,構(gòu)建與地表實體相似的層次等級結(jié)構(gòu),為同一研究區(qū)域中不同的地物提供多尺度影像數(shù)據(jù),實現(xiàn)了用固有分辨率影像數(shù)據(jù)描述不同地理特征的目的。面向?qū)ο蟮倪b感影像分類是以對象(objects)作為基本處理單元的圖像分析方法。所謂對象是具有光譜、紋理或空間組合關(guān)系等相同特征的均質(zhì)單元,是光譜域和空間域上的統(tǒng)一定義。面向?qū)ο蟮挠跋穹诸惣夹g(shù)通過影像的多尺度分割來獲得對象,分類時不僅依靠對象對應(yīng)地物的光譜特征,更多的是要利用其幾何信息和結(jié)構(gòu)信息,后續(xù)的圖像分析和處理也都基于對象進(jìn)行。因此應(yīng)用面向?qū)ο蠓诸惣夹g(shù)在進(jìn)行地表物質(zhì)的識別、分類和變化檢測方面具有很大的優(yōu)勢,有望提高變化檢測的精度。面向?qū)ο蟮耐恋乩米兓瘷z測的基本步驟為:首先根據(jù)分類任務(wù)的不同建立不同的分割尺度,進(jìn)行多尺度分割得出不同的影像對象層,建立多邊形對象,然后選擇影像特征隸屬函數(shù)或建立樣本庫進(jìn)行影像的分類并進(jìn)行精度評價,最后將兩時相的分類結(jié)果圖進(jìn)行逐一的類別比較,得到變化檢測圖像。3.1多尺度分割方法對每一種面向?qū)ο蟮男畔⑻崛》椒▉碚f,成功的影像分割都是必要的前提,影像分割本身不是目的,但其分割的尺度和精度對下一步分類的精度影響很大。影像分割的標(biāo)準(zhǔn)為:①影像對象的平均異質(zhì)性應(yīng)該被減少到最小;②像素的平均異質(zhì)性應(yīng)該最小化,像素所歸屬的影像對象的異質(zhì)性應(yīng)該被分配到每一個像素中。影像分割以影像對象的光譜、幾何特征為基礎(chǔ),面向?qū)ο蟮挠跋穹治鲋凶畛Ｓ玫姆指罘椒ㄊ菂^(qū)域生長方法,它從一個像元開始到區(qū)域生成,由較小影像對象逐漸合并為較大的影像對象,形成多個具有相似大小影像對象多邊形。這一分割方法具有其自身的優(yōu)越性,只要影像的相鄰區(qū)域有明顯的差別就可以進(jìn)行分割,因此可以依據(jù)區(qū)域本身所具有的某種紋理或噪聲將其分割,甚至是紋理數(shù)據(jù)也可以進(jìn)行分割。遙感影像上各類地物都具有其自身的形狀、面積,使得不同地物需要在不同的尺度下進(jìn)行分析,因此需要對遙感影像數(shù)據(jù)進(jìn)行多尺度分割。例如,一幅影像上大片水體的分割尺度明顯大于房屋的分割尺度。多尺度分割生成不同尺度的影像對象層,使得同一分辨率的影像可以采用不同尺度的數(shù)據(jù)結(jié)構(gòu)組成;多尺度分割可以方便地調(diào)整影像分析所需要的對象,將圖像分割成多邊形,然后根據(jù)多邊形的面積、形狀等建立索引;多尺度分割是在大尺度條件下對遙感影像的粗分和在小尺度條件下對影像的細(xì)分,是一個由粗到細(xì),由父類到子類的過程。影像分割的參數(shù)主要有分割尺度、光譜因子、形狀因子等。其中,分割尺度決定了分割對象的大小,不同的地物類別需要在不同尺度上分割;光譜因子決定了均質(zhì)性由圖像層的光譜值所決定的百分比;光滑度和緊致度同屬于形狀因子,光滑度因子是通過光滑邊界來優(yōu)化圖像對象的,而緊致度因子是通過聚集度來優(yōu)化圖像對象。多尺度分割過程建立了影像對象的分級體系結(jié)構(gòu),每個影像對象有上級對象和下級對象。在分割過程中所有的影像對象自動構(gòu)成體系。每個影像對象有其自身的相鄰影像對象,提供重要的拓?fù)潢P(guān)系、形狀指數(shù)、紋理信息,為下一步分類服務(wù)。本研究用面向?qū)ο髮I(yè)軟件eCognition對此地區(qū)進(jìn)行影像分割。所有分割用到的尺度參數(shù)都是根據(jù)分類目的經(jīng)過多次實驗確定的。分割參數(shù)設(shè)置如表1。3.2基于類特征的類層次分類方法在多層分割得到各級對象的基礎(chǔ)上,如何定義特征空間將各個地物目標(biāo)提取出來是對象級分類的關(guān)鍵,只有找到合適的特征參數(shù)對每種地物目標(biāo)進(jìn)行描述,并構(gòu)建語義知識庫結(jié)構(gòu),才能使每個對象“清楚”各自的背景,和其他地物對象區(qū)分開來,從而實現(xiàn)各種地物的逐級分層分類。面向?qū)ο蠓诸惙椒ǖ目蚣芑A(chǔ)是分類體系。分類是把在分類體系中的類型與在圖幅中的影像對象聯(lián)系起來的過程。同時面向?qū)ο蟮挠跋穹诸愺w系作為一棵決策樹,它包含分類任務(wù)中的所有類,并將這些類組織在一個等級結(jié)構(gòu)中。分類體系中的每一類都有其自身屬性、上下繼承及相鄰屬性,這些屬性是由各類特征的成員函數(shù)根據(jù)一定的邏輯關(guān)系組成的。高分辨率影像中“同物異譜”和“同譜異物”現(xiàn)象較普遍。如一條道路的不同部分在遙感影像上分別顯示為淡紫色和灰黑色,與某些建筑物的顏色相似;水體與建筑物陰影、灰黑色建筑物的光譜特征相似?；诠庾V特征的分類方法很難處理這些現(xiàn)象,為此,選用多個特征來反映不同地物的差異,用分層的方式組織類,最終達(dá)到分類的目的。對象的特征主要包括光譜特征、形狀特征和拓?fù)涮卣?。光譜特征主要有對象所包含像元的灰度均值、標(biāo)準(zhǔn)方差等;形狀特征包括對象面積、邊界長度、形狀指數(shù)、密度及對稱性等;拓?fù)涮卣靼▽ο箝g的方向關(guān)系、相鄰對象公共邊的邊長等。建立類層次的方法如下:首先,根據(jù)光譜特征劃分兩個抽象類(父類)——綠色類和非綠色類,將綠色類分為耕地和植被兩個最終類;然后選擇多個特征將非綠色類分為淺紫色居民地(最終類)和非淺紫色(抽象類),……依次類推,將整個影像分為多個最終類,形成一個有繼承關(guān)系的類層次圖。eCognition提供兩個監(jiān)督分類選項:一個是選擇樣本,利用最鄰近分類;另外一個是為類定義隸屬度函數(shù),進(jìn)行模糊分類。本研究采用第一種方法,通過為每一類定義樣本和特征空間,此特征空間可以將光譜特征、形狀特征、拓?fù)涮卣鞯热我饨M合,然后進(jìn)行多次實驗,初次分類后,將一些錯分的對象重新選擇樣本進(jìn)行分類,或手動賦予其正確的類別,再合并子類后得到最終的分類結(jié)果圖,為了更好地說明面向?qū)ο蠓椒ǚ诸惖木?本文另外采用了傳統(tǒng)的最大似然法進(jìn)行分類比較,原始影像及分類結(jié)果圖如圖1所示。3.3面向法分類與比較方法相結(jié)合的分類結(jié)果對比分類后比較法首先將不同時相的影像各自進(jìn)行分類,然后對分類圖像逐像元比較,得到變化結(jié)果。也可將不同時相的影像所有波段混在一起進(jìn)行分類,分類結(jié)果同時包括常規(guī)地表類型及其變化類型。這是一種最為明顯的變化檢測方法,需要比較獨(dú)立生成的分類影像。通過對兩時相的分類結(jié)果進(jìn)行適當(dāng)編碼,分析人員能夠生成一個變化圖來反映完全的變化矩陣。另外,選擇性的類別集合能夠使分析人員觀察任何感興趣的子集變化。分類后比較方法能夠控制結(jié)果,因為不同時相的數(shù)據(jù)分別進(jìn)行處理,減少了對兩個時相的數(shù)據(jù)進(jìn)行關(guān)于大氣和傳感器的輻射歸一化操作。這種方法還可避免對不同時相數(shù)據(jù)的精確配準(zhǔn)問題。本研究在面向?qū)ο蠓ǚ诸惖幕A(chǔ)上進(jìn)行分類后比較,由于試驗區(qū)土地利用類型共分為5類:居民地、耕地、植被、沙地以及水體。因此在設(shè)置類別對比時將前后時相的每一類分別進(jìn)行了對比,共生成25對比較類別,在發(fā)現(xiàn)變化的同時直接給出變化的定量信息和變化種類的轉(zhuǎn)化信息(如地類屬性),它不受大氣變化、物候狀況差異、不同傳感器差異的影響,適用于擁有新舊時期影像的情況。最后根據(jù)變化檢測結(jié)果統(tǒng)計出土地利用變化矩陣。4精度評價4.1與傳統(tǒng)方法比較遙感分類結(jié)果和地面實際情況總是存在一定的誤差,所以精度評價是遙感地物分類當(dāng)中的重要環(huán)節(jié),目前精度評價最廣泛使用的方法是基于誤差矩陣的統(tǒng)計方法。本文通過在原始影像上采集檢驗樣本作為真實地面感興趣區(qū),對面向?qū)ο蠓椒ǖ姆诸惤Y(jié)果進(jìn)行精度評價,誤差矩陣和精度報告如表2和表4。為了更好地說明面向?qū)ο蠓椒ǚ诸惖木?本文另外采用了傳統(tǒng)的最大似然法進(jìn)行分類,并用上述同樣的方法進(jìn)行精度評價,然后與面向?qū)ο蟮姆诸惙椒ㄟM(jìn)行比較,誤差矩陣和精度報告如表3和表5。從精度對比可以看出,傳統(tǒng)方法分類總精度為90.63%和85.55%,而面向?qū)ο蠓椒ǚ诸惪偩冗_(dá)到96.24%和94.29%,在精度上有了明顯的提高。從分類結(jié)果對比分析來看,傳統(tǒng)方法由于只利用了像素的光譜特征進(jìn)行分類,使得一些光譜相近的地物很難區(qū)分,如耕地和植被之間、耕地和沙地之間等都有大量的混分、錯分,直接導(dǎo)致了分類精度的降低。而面向?qū)ο蠓椒ú粌H利用對象的光譜特征,更充分利用對象的空間特征進(jìn)行分類,這使得一些通過光譜特征很難區(qū)分或者根本無法區(qū)分的地物很容易的被提取出來?？臻g特征的引入減少了遙感分類中的不確定性,并且分類結(jié)果圖中沒有傳統(tǒng)方法的“椒鹽”現(xiàn)象。4.2土地利用變化檢測精度比較對面向?qū)ο蠛妥畲笏迫环诸惙椒ǖ玫降姆诸悎D分別進(jìn)行分類后比較,在發(fā)現(xiàn)變化的同時直接給出變化的定量信息和變化種類的轉(zhuǎn)化信息,并得到試驗區(qū)土地利用變化矩陣,如表6和表7,以及變化檢測精度,如表8和表9。將檢測結(jié)果與該地區(qū)兩年的土地利用現(xiàn)狀圖以及已知資料進(jìn)行比較,可以得到兩種方法的土地利用變化檢測精度。從以上兩個土地利用變化檢測精度表中可以很明顯地看出面向?qū)ο蠓诸惡蟊容^法檢測結(jié)果更接近于實際變化情況。除了居民地以外,面向?qū)ο蠓诸惡蟊容^法所檢測的土地利用變化精度都明顯高于最大似然分類后比較法的檢測精度。面向?qū)ο蠓椒ǖ臋z測結(jié)果中,植被、沙地的變化面積要大于最大似然法的檢測結(jié)果,主要是在最大似然分類法中由于“異物同譜”現(xiàn)象使得耕地和植被等綠色地物分類混淆,耕地被檢測為植被,這直接影響到后面的土地利用變化檢測的結(jié)果。將以上結(jié)果進(jìn)行對比分析,可以看出,十年之中,伴隨著耕地、沙地的減少,居民地、植被、水體的面積增加了。它可以作為土地資源可持續(xù)利用的依據(jù)。5種基于分類的分割方法本文在傳統(tǒng)分類方法的基礎(chǔ)上,運(yùn)用面向?qū)ο蠓椒?充分利用地物除光譜特征以外的形狀、拓?fù)涞忍卣?通過分割構(gòu)建對象對TM影像進(jìn)行分類,然后進(jìn)行基于分類后比較的變化檢測。和傳統(tǒng)的最大似然法相比,在檢測的5種地物中,除了居民地以外,其他4種地物的檢測精度都有了明顯的提高,基本上都達(dá)到80%以上。面向?qū)ο蟮耐恋乩米兓瘷z測方法和傳統(tǒng)基于像素的分類方法相比最大的優(yōu)點是分類的基本單元不再是單個像素,而是通過分割得到的“同質(zhì)”對象,這是面向?qū)ο蠓椒ㄗ钪匾奶攸c。相對于單