2. 中国电建集团华东勘测设计研究院有限公司, 浙江 杭州 311122;
3. 中国土地勘测规划院, 北京 100035;
4. 浙江省土地勘测规划院, 浙江 杭州 310007
, WANG Xu-hang2 , DENG Jin-song1 
, YE Zi-ran1 , ZHOU Meng-meng1 , YOU Shu-cheng3 , GUAN Tao4
2. Power China Huadong Engineering Co. Ltd, Hangzhou 311122, China;
3. China Land Surveying and Planning Institute, Beijing 100035, China;
4. Zhejiang Institute of Land Surveying and Planning, Hangzhou 310007, China
高分二号(GF-2)卫星是国家科技专项“高分辨率对地观测系统重大专项(民用部分)”首批启动研制的重要项目, 于2014年8月19日发射, 影像的地面分辨率全色优于1 m, 多光谱优于4 m, 幅宽45 km.作为首颗国产亚米级分辨率的民用卫星, GF-2具有高辐射精度、高定位精度以及快速姿态机动能力等特点.GF-2卫星进一步丰富了我国地理国情普查项目的自主数据源, 国产高分卫星数据的应用将成为国土资源调查监测与生态环境监管最重要的数据来源保障.水体是地表覆盖的重要组成部分, 是重要的地理国情信息, 掌握我国水体现状及空间分布情况, 能够为经济社会发展和生态文明建设等科学决策提供有力数据依据[1].相较于传统的人工实地调查, 借助遥感影像进行水体监测不仅省时省力且可准确获取大范围内的水体信息, 实现水资源信息的快速提取与监测.
传统基于像元的方法仅依靠水体的光谱信息, 如单波段阈值法[2-3]、谱间关系法[4-5]以及水体指数法[6-7]等, 这些算法在基于中、低分辨率遥感影像水体信息提取中具有非常好的适用性, 但在高分辨率遥感影像中, 重要的地物信息主要通过一组像元来反映, 单个像元很难充分表达图像中重要的语义信息, 因此这些算法在高分辨率遥感影像的水体信息提取中效果较差.
众多学者对基于面向对象的水体提取方法进行了研究, 殷亚秋等[8]利用武汉市的SPOT5影像数据进行面向对象水体提取研究, 与传统基于像元的方法相比, 面向对象方法具有更高的精度, 不仅有效地区分了水体和阴影, 而且在很大程度上抑制了“椒盐现象”.程滔等[1]以WorldView-2的4个波段(B、G、R、NIR)影像为数据源, 构建了基于高分辨率遥感影像水体提取的基本规则集, 完成了水体信息的自动提取.李艳华等[9]以高分一号(GF-1)影像为数据源, 通过改进的与邻域绝对均值差分方差比确定最优分割尺度(scale parameter, SP), 并使用基于规则集的面向对象方法实现了对山区细小水体的精确化提取.吴小娟等[10]通过对GF-2卫星数据预处理并采用面向对象方法, 选取合适的分割尺度、影像光谱特征选择, 对部分海岸线进行了提取.
目前的多数算法仅针对单一的湖泊或河流信息进行提取, 且提取过程中的最佳分割尺度、特征种类、特征阈值等关键参数都采用“试错法(trial and error)”, 带有一定的主观性, 因而很难得到一个客观、全面的最优参数.
鉴于已有研究在高分辨率影像水体提取中的不足, 本文选择典型水网密布平原的杭嘉湖平原作为研究区, 运用面向对象的方法, 在复杂水网平原下, 即复杂非水体背景和多样的水体分布形式下, 对以往面向对象分类中最佳分割尺度、特征种类、特征阈值等需要大量专家经验的难点, 通过计算加以量化, 实现水体信息的快速提取.
1 研究区概况嘉善县地处太湖流域杭嘉湖平原, 位于浙江省东北部、江浙沪两省一市交汇处, 东邻上海市青浦、金山两区, 南连嘉兴市平湖市和南湖区, 西接嘉兴市秀洲区, 北靠江苏省苏州市吴江区和上海市青浦区, 属于亚热带季风气候, 境内水网交织, 物产丰饶.全县总面积为507.68 km2, 其中水域面积占14.29%, 常住人口约80万.
研究区位于嘉善县西北部(见图 1), 北纬30°54′~30°60′, 东经120°46′~121°55′, 面积为147.68 km2, 区内水域面积0.5 km2以上的湖荡有北许漾、夏墓荡、蒋家漾等, 区域内水稻灌溉与水产养殖业较为发达, 自然湿地较多, 水网密布, 河网复杂, 具有很强的代表性.
|
图 1 研究区地理位置与行政区划图 Fig. 1 Location of study area and administrative zoning map |
本文以GF-2卫星影像为数据源, 成像时间为2015年5月5日, 无云覆盖, 成像质量良好.行政边界数据由嘉善县国土资源管理局提供.
影像数据的预处理主要包括正射校正、图像融合和裁剪等.GF-2影像数据为L1A级标准产品, 只经过了辐射校正.根据本次研究的主要目标和内容以及研究区地形地貌特点, 以土地利用变更调查正射影像(digital orthophoto map, DOM)为参考数据, 对影像数据进行几何精纠正, 纠正时的均方根误差(root mean square error, RMSE)控制在小于0.5个像元.采用Gram-Schmidt Pan sharpening融合方法进行影像融合, 预处理后的研究区影像如图 2所示.
|
图 2 研究区的GF-2影像(预处理后) Fig. 2 GF-2 image of study area (after preprocessing) |
面向对象的遥感水体信息提取方法主要有基于规则集、模糊分类和基于样本的分类方法.其中, 基于规则集的分类方法由于其直观、快速并具备一定可移植性的特点而被广泛应用.但是, 该过程要求研究者对研究区有较好的了解, 分割尺度的确定、特征空间的构建以及要素规则的选取等都需要人工参与, 分类结果易受主观因素的影响[11], 且严重影响了遥感影像地类信息提取的效率.本文首先利用局部方差法确定最佳的分割尺度, 然后通过SEaTH(separability and thresholds)法确定最佳的特征变量及阈值, 以实现高分辨率影像水体信息快速提取.
3.1 多尺度分割利用影像分割技术创建具有实际意义的影像对象是面向对象信息提取的关键所在, 选择合适的分割尺度是提高水体信息提取精度的有效手段, 以往的多数研究都采用反复试验和目视观测的方法来确定最佳参数, 对研究人员的经验要求较高, 难以推广应用.
本文通过局部方差(local variance, LV)曲线来确定最优参数, 以达到快速、有效和易于应用的目的.LV曲线最早由Woodcock等[12]提出, 后由Kim等[13]将局部方差曲线的概念引入到面向对象的分类过程中, 并借此来确定最佳分割参数, 在IKNOS多光谱影像的林地信息提取方面获得了较好的结果.Drguţ等[14]基于该方法编制了自动化分割尺度确定的工具, 在高分辨影像上获得了良好的可推广性.
定义局部方差值MLV为影像对象内像元灰度值方差的平均值, 如果分割尺度过小, 那么影像对象内同质性较高, 影像对象间的异质性较低, 导致MLV偏低, 随着分割尺度逐渐接近最佳分割尺度, 影像对象间异质性增高, MLV也会随之升高, 当分割尺度过大时, MLV逐渐降低.所以MLV在一定程度上可以作为反映影像分割质量的重要参数.对于多波段影像而言, MLV采用各波段MLV的均值：
| $ {M_{{\rm{LV}}}} = \frac{1}{n}({M_{{\rm{LV1}}}} + {M_{{\rm{LV2}}}} + \cdots + {M_{{\rm{LV}}n}}). $ | (1) |
式中：n为影像波段数, MLVn为第n波段的方差均值.
为了能够评价MLV随分割尺度增长的动态变化, 得到较好的分割效果实际表现的细节信息, 这里需要借助ROC-LV (rates of change of LV)[15]：
| $ {\rm{ROC}}- {\rm{LV}} = \left[{\frac{{L-(L-1)}}{{L-1}}} \right] \times 100. $ | (2) |
式中：L为当前层的MLV, L-1为相邻低层的MLV.
ROC-LV曲线可以反映出不同景观尺度下的分割效果, 利用ROC-LV曲线可以探索在较大范围内, 包含多种尺度地物的复杂环境下水体的最佳分割尺度.
3.2 影像分类在分割完成后, 每个均质对象都对应着影像中的真实地物, 每个影像对象都具有光谱、形状、纹理等多种特征, 以往特征的选取多依靠经验, 并且需要根据具体情况考虑多种特征的组合筛选, 而阈值的确定则需要大量的反复测试, 这在很大程度上增加了规则的应用难度.本文通过输入每类地物的少量样本, 借助SEaTH算法, 通过计算J-M(Jeffries-Matusita)距离计算出不同地物之间的可分离度和阈值[16-17].
3.2.1 特征优选分离度J计算采用的是J-M距离, 取值范围为[0, 2].当J值趋近于0时, 类别1(C1)和类别2(C2)的可分离性较差, 当J趋近于2时, C1和C2具有较强的可分离性[16].其计算公式如下：
| $ J = 2(1-{{\rm{e}}^{-B}}), $ | (3) |
| $ B = \frac{1}{8}{({m_1}- {m_2})^2}\frac{2}{{{\sigma _1} + {\sigma _2}}} + \frac{1}{2}\ln \left[{\frac{{\sigma _1^2 + \sigma _2^2}}{{2{\sigma _1}{\sigma _2}}}} \right]. $ | (4) |
式中：m1和m2表示2个类别样本的某特征均值, σ1和σ2表示2个类别的某特征值的标准差.
3.2.2 阈值确定计算2个类别在某特征值F与对应分布概率Z下的最佳阈值.根据高斯概率分布公式：
| $ Z(x) = Z(x\left| {{C_1}} \right.)Z({C_1}) + Z(x\left| {{C_2}} \right.)Z({C_2}). $ | (5) |
当Z(x|C1)= Z(x|C2)时, C1和C2之间的混分情况最少.如图 3所示, 当对应的特征值为X1时, C1和C2的分离性最好.
|
图 3 SEaTH法阈值确定示意图 Fig. 3 Threshold identification by SEaTH (separability and thresholds) |
此时的X1便可作为特征阈值T, T介于m1和m2之间, 阈值T的计算公式如下：
| $ \begin{array}{l} T = \\ \frac{{{m_2}{\sigma _1}^2-{m_1}{\sigma _2}^2 \pm {\sigma _1}{\sigma _2}\sqrt {{{({m_1}-{m_2})}^2} + 2A({\sigma _1}^2-{\sigma _2}^2)} }}{{({\sigma _1}^2 - {\sigma _2}^2)}}, \end{array} $ | (6) |
| $ A = {\rm{log}}\left( {\frac{{{\sigma _1}}}{{{\sigma _2}}} \times \frac{{{n_2}}}{{{n_1}}}} \right). $ | (7) |
式中：n1和n2表示C1和C2的样本数目.
综上, 利用SEaTH算法可得到区分2个类别的最优特征以及对应的特征阈值.
3.3 精度评价为了获取更具代表性的样本, 更加有效地评价水体信息提取精度, 在传统的基于像元的精度评价方法之上, 随机选取多个水体提取样本, 通过目视解译得到对应的水体参考图斑, 将水体信息提取结果与参考图斑进行对比, 评价水体信息提取结果的面积精度.
面积精度评价指标参考朱成杰等[18]提出的分割质量评价指标, 计算评价指标中的(区域)准确度与(区域)查全率.准确度主要用于评价提取结果的“欠分割”情况, 反映了水体提取结果的范围相比于参考图斑过大的情况；查全率主要用于评价提取结果的“过分割”情况, 水体提取结果的范围相比于参考图斑过小的情况.所有指标范围均为[0, 1.0], 指标值距1.0越近, 表明提取结果与参考图斑吻合度越高.其计算公式如下:
| $ P = \left| {{S_{\rm{e}}} \cap {S_{\rm{r}}}} \right|/\left| {{S_{\rm{e}}}} \right|, $ | (8) |
| $ R = \left| {{S_{\rm{e}}} \cap {S_{\rm{r}}}} \right|/\left| {{S_{\rm{r}}}} \right|. $ | (9) |
式中：P为准确度, R为查全率, Se为提取图斑的面积，Sr为参考图斑的面积.
4 结果分析 4.1 影像分割基于eCognition 9.0平台, 采用多尺度分割算法对经过预处理的高分影像进行分割处理, 考虑到影像中水体与非水体的地物光谱特征区别明显且形状不规则, 因此适当增大光谱特征占比, 保持光滑度与紧致度相当.通过多次试验, 设置各波段权重为1, 光谱因子与形状因子权重分别为0.9、0.1, 而紧致度与光滑度因子分别为0.5、0.5.以步长为2递增的方式设置分割尺度, 并在每次分割完成后统计MLV和ROC-LV.然后以影像分割尺度为x轴, 以MLV和ROC-LV为y轴, 绘制得到MLV和ROC-LV随分割尺度变化曲线, 根据曲线选择得到最佳分割尺度(见图 4).
|
图 4 局部方差值与局部方差变化率(ROC-LV)随分割尺度的变化 Fig. 4 Change of local variance value and rates of change of local variance (ROC-LV) with segmentation scale |
通过图 4可以发现, MLV变化趋势与ROC-LV趋势有明显差异, LV曲线较为平滑, 无明显变化, 未能揭示小尺度下的分割效果, ROC-LV曲线起伏明显, 具有多个峰值.忽略较小的峰值, 本文选取较为明显的3处峰值, 其分别对应于单个较小的地物尺度(分割尺度78)、区块尺度(分割尺度222)以及中间尺度(分割尺度140).对于面积相对较大的水体提取而言, 较小的分割尺度会引入更多的类水体斑块(如：小块阴影斑块), 同时提取得到的水体也会出现一定的椒盐效应, 不利于后期的分类, 所以在水体斑块同质性较高的情况下应尽可能选择使用大尺度.通过观察分割结果(见图 5)发现, 所选的3个分割尺度内水体斑块的同质性均较高, 因此此处选择区块尺度(分割尺度222).
|
图 5 小尺度、中间尺度、区块尺度下的影像分割结果 Fig. 5 Image segmentation results with small scale, middle scale and block scal |
在影像分割完成后, 为了能够直接提取水体信息, 将研究区分为水体和非水体两类进行分别采样, 研究区共有斑块24 997个, 选择样本总数的1%, 对40个特征(见表 1)进行分析.分析结果(见表 2)表明, 水体与非水体类别的光谱信息差异最大, 其次为纹理信息, 形状信息的差异最小.
|
表 1 SEaTH法样本分析特征集 Table 1 Features set of samples analysised by SEaTH |
|
|
表 2 特征选择和阈值分析结果(前10个) Table 2 Summarized results of features selection andthreshold calculation (top Ten) |
根据上述分析结果可知, 亮度(Brightness)特征具有最佳的特征分离度(≈1.6), 能够达到较好的分离效果, 因此设定的提取规则为“Brightness < 310.679”, 即可得到水体信息(见图 6), 并且总体提取效果良好, 无须进一步处理.之后在影像范围内随机选择600个样点(其中水体样点数量为137个), 在目视解译后采用基于TTA Mask的精度评价方法, 得到水体信息提取精度评价结果(见表 3).可以看出, 使用本文的分类方法, 生产者精度(δP)和用户精度(δU)均达到95%以上, 总体精度达98.7%, Kappa系数为0.96, 得到了较高的分类精度.
|
图 6 水体信息提取结果 Fig. 6 Extracted water information |
|
|
表 3 水体信息提取误差矩阵表 Table 3 Error Matrix for the water information extraction |
为了进一步检验水体信息提取效果，根据水体斑块面积分层随机选取水体提取样本共64个, 其中面积范围为0~0.005 km2、0.005~0.010 km2、0.010~0.100 km2的样本数量分别为18、22、19个，
面积范围在0.100 km2以上的样本数量为5个，样本总面积约占水体总体的18.5%，通过与对应的参考图斑对比分析，得到准确度与查全率的计算结果(见表 4).从整体上来看, 准确度与查全率均值均高于97.0%, 表明水体信息提取结果与参考水体整体拟合效果较好, 但由于小面积水体信息提取时未能有效提取小面积水体图斑的边缘浅水部分，造成了部分图斑的面积精度较低.
|
|
表 4 水体信息提取准确度与查全率统计表 Table 4 Statistics of precision and recall of extracted waterinformation |
(1) 在选择最优分割尺度时，LV曲线难以在较小的分割尺度范围内反映分割效果的变化信息，而ROC-LV曲线能够更加敏感地反映不同分割尺度下的分割效果，在较大的尺度上提取水体信息，能够得到更加完整的水体斑块，同时还可以增加水体与类水体斑块的分离度.
(2) 面向对象分类方法充分利用了高分辨率影像的光谱、形状和纹理信息, 使得分析提取特征参数显著增加, 采用SEaTH法对样本多种特征进行快速分析, 得到地物间不同特征的分离度和分类阈值信息, 可以快速构建规则集进行水体信息提取.
(3) 在传统基于像元的精度评价方法的基础上, 本文通过计算准确度和查全率, 对提取结果的面积、位置等误差进行了更加客观、准确的评价.
利用ROC-LV曲线峰值及SEaTH法确定最佳分割尺度和分类规则集, 降低了面向对象分类过程对专家经验的依赖, 使分类过程更加快速、客观、有效.
需要进一步讨论的问题：
1) 由于不同地物的最佳提取尺度不同, 图像分割尺度的主观选择仍较强, 可进一步定量研究最优尺度的选择；
2) 因为水体与其他地物差异明显, 在分割尺度较大时, 研究区内易混淆的阴影多与非水体地物混合, 所以简单的特征即可将其与其他地物类型区分开, 但在其他地物干扰较大的情况下应进一步进行分层提取, 组合多个特征以提高分离度；
3) 除了水体, 该方法在植被、建设用地等其他地表类型中的应用也值得进一步研究.
| [1] |
程滔, 刘若梅, 周旭. 基于高分辨率遥感影像的地理国情普查水体信息提取方法[J].
测绘通报, 2014(4): 86–89.
CHENG Tao, LIU Ruo-mei, ZHOU Xu. Water information extraction method in geographic national conditions investigation based on high resolution remote sensing images[J]. Bulletin of Surveying and Mapping, 2014(4): 86–89. |
| [2] | JUPP D L B, MAYO K K, KUCHLER D A, et al.Landsat based interpretation of the cairns section of the Great Barrier Reef Marine Park[M]. Canberra:Institute of Biological Resources, Commonwealth Scientific and Industrial Research Organization, 1985:1-51. |
| [3] |
刘建波, 戴昌达. TM图象在大型水库库情监测管理中的应用[J].
环境遥感, 1996, 11(1): 54–58.
LIU Jian-bo, DAI Chang-da. The application of TM image in reservoir situation monitoring[J]. Remote Sensing of Environment, 1996, 11(1): 54–58. |
| [4] |
都金康, 黄永胜, 冯学智, 等. SPOT卫星影像的水体提取方法及分类研究[J].
遥感学报, 2001, 5(3): 214–219.
DU Jin-kang, HUANG Yong-sheng, FENG Xue-zhi, et al. Study on water bodies extraction and classification from SPOT image[J]. Journal of Remote Sensing, 2001, 5(3): 214–219. DOI:10.11834/jrs.20010309 |
| [5] |
杨树文, 薛重生, 刘涛, 等. 一种利用TM影像自动提取细小水体的方法[J].
测绘学报, 2010, 39(6): 611–617.
YANG Shu-wen, XUE Chong-sheng, LIU Tao, et al. Water information extraction method in geographic national conditions investigation based on high resolution remote sensing images[J]. Bulletin of Surveying and Mapping, 2010, 39(6): 611–617. |
| [6] | MCFEETERS S K. The use of the normalized difference water index (NDWI) in the delineation of open water features[J]. International Journal of Remote Sensing, 1996, 17(7): 1425–1432. DOI:10.1080/01431169608948714 |
| [7] |
徐涵秋. 利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究[J].
遥感学报, 2005, 9(5): 589–595.
XU Han-qiu. A study on information extraction of water body with the modified normalized difference waterindex (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589–595. |
| [8] |
殷亚秋, 李家国, 余涛, 等. 基于高分辨率遥感影像的面向对象水体提取方法研究[J].
测绘通报, 2015(1): 81–85.
YIN Ya-qiu, LI Jia-guo, YU Tao, et al. The study of object-oriented water body extraction method based on high resolution RS image[J]. Bulletin of Surveying and Mapping, 2015(1): 81–85. |
| [9] |
李艳华, 丁建丽, 闫人华. 基于国产GF-1遥感影像的山区细小水体提取方法研究[J].
资源科学, 2015, 37(2): 408–416.
LI Yan-hua, DING Jian-li, YAN Ren-hua. Extraction of small river information based on China-made GF-1remote sense images[J]. Resources Science, 2015, 37(2): 408–416. |
| [10] |
吴小娟, 肖晨超, 崔振营, 等. "高分二号"卫星数据面向对象的海岸线提取法[J].
航天返回与遥感, 2015, 36(4): 84–92.
WU Xiao-juan, XIAO Chen-chao, CUI Zhen-ying, et al. Coastline extraction based on object-oriented method using GF-2 satellite data[J]. Spacecraft Recovery and Remote Sensing, 2015, 36(4): 84–92. |
| [11] |
程乾, 陈金凤. 基于高分1号杭州湾南岸滨海陆地土地覆盖信息提取方法研究[J].
自然资源学报, 2015, 30(2): 350–360.
CHENG Qian, CHEN Jin-feng. Research on the extraction method of landcover information in southern coastal land of Hangzhou Bay based on GF-1 image[J]. Journal of Nature Resources, 2015, 30(2): 350–360. DOI:10.11849/zrzyxb.2015.02.017 |
| [12] | WOODCOCK C E, STRAHLER A H. The factor of scale in remote sensing[J]. Remote Sensing of Environment, 1987, 21(3): 311–332. DOI:10.1016/0034-4257(87)90015-0 |
| [13] | KIM M, MADDEN M, WARNER T. Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery[M]. Berlin Heidelberg: Springer, 2008: 291-307. |
| [14] | DRGUŢL, CSILLIK O, EISANK C, et al. Automated parameterisation for multi-scale image segmentation on multiple layers[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014, 88: 119–127. DOI:10.1016/j.isprsjprs.2013.11.018 |
| [15] | DRGUŢL, EISANK C, STRASSER T. Local variance for multi-scale analysis in geomorphometry[J]. Geomorphology, 2011, 130(3): 162–172. |
| [16] | NUSSBAUM S, NIEMEYER I, CANTY M J. SEATH:a new tool for automated feature extraction in the context of object-based image analysis[C]//1st International Conference on Object-based ImageAnalysis (OBIA). Salzburg:ICOBIA, 2006. |
| [17] | BLASCHKE T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2–16. DOI:10.1016/j.isprsjprs.2009.06.004 |
| [18] |
朱成杰, 杨世植, 崔生成, 等. 面向对象的高分辨率遥感影像分割精度评价方法[J].
强激光与粒子束, 2015, 27(6): 37–43.
ZHU Cheng-jie, YANG Shi-zhi, CUI Sheng-cheng, et al. Accuracy evaluating method for object-based segmentation of high resolution remote sensing image[J]. High Power Laser and Particle Beams, 2015, 27(6): 37–43. |