基於面向對象的遙感影像分類方法概述

遙感影像數據提供了大量豐富的地理空間數據，而如何從影像數據中挖掘出具有價值的信息與知識一直是研究重點。早期研究中，基於像元分析方法較為流行，其核心在於基於像元個體的光譜信息實現地物識別和影像分類（Strahler et al., 1986）。然而隨著高解析度影像數據的豐富，基於像元的分析方法已無法勝任，其原因主要有兩點。一是高解析度影像數據具有豐富的紋理和幾何信息，這些重要的信息在基於像元的分析方法中沒有得到有效的應用。其二，現有的高解析度感測器展示了更多的圖像細節信息，這造成了地物的光譜特徵具有更強的隨機性，地物內部的光譜特徵的類內方差顯著增加，類間方差顯著減小，使得影像在光譜特徵上的可分性較低；同時由於現有高解析度感測器所能提供的多光譜坡段數相比較中低解析度影像大幅減少，因此造成影像的光譜信息下降，這也影響了傳統基於像元分析方法的分類精度（Benz et al., 2004;Bruzzone and Carlin, 2006）。

面向對象影像分析方法是近年來發展起來的一種影像分析方法，從像元到對象不僅是分析粒度的簡單提升，同時也是一種思維方式的進步。從數據角度分析，對象是具有同質性的像元的集合，而從邏輯角度分析，對象也符合人類對客觀事物的認知規律（Goodchildet al., 2007）。近年來，面向對象分析方法發展迅速，Hayand Castilla（2008）甚至將其視為地理信息科學的一個子學科。在面向對象影像分析中，主要包含了影像分割以及影像分類兩部分內容。

影像分割是指將全部影像區域基於一定的分割準則和一定分割尺度，劃分為特徵同質性較強的多個對象。以對象為單元進行分析可克服單個柵格分析時的分類雜訊，減小同類地物之間的差異性，增強不同地物之間的差異性，提高類別的可分性（田新光，2007）。影像分割演算法和分割尺度確定是兩個重要研究點，傳統的影像分割演算法主要可分為基於像元法、基於邊界法和基於局域法（Blaschke et al. 2014），而目前應用最為廣泛的是eCognition軟體採用的多尺度分割技術（MultiresolutionSegmentation）(Baatz and Sch?pe, 2000），該方法體現了面向對象影像分析的多層次性，同時也符合了對不同尺度規模地物提取的需要。在影像分割中，尺度參數大小決定了分割對象內部異質性的大小，因此也就控制了分割對象的大小。針對試錯法確定最優尺度的缺陷（Duro et al., 2012），Drǎgut等人採用局部變化的變化率搜素最優分割尺度，並開發了ESP (Estimation ofScale Parameter)最優尺度評價工具，目前該方法已得到了廣泛應用（Dr?gu? et al., 2010,2014）。

圖1 影像多尺度分割結果

在影像分割的基礎上，影像分類是由數據到信息的關鍵。影像分類一般包含了特徵提取和分類器設計兩部分。當採用對象的方式進行影像分析時，單個分析單元可包含的特徵量相比較單個像元時會大大增加，除光譜信息外還包含了紋理信息和幾何信息。紋理是一種重要的空間結構特徵，事實上在中低解析度影像分析中，紋理信息已被廣泛應用，並被證明可有效提高影像的分類精度（黃昕等，2007）。在基於高精度影像的面向對象分析中，紋理信息則可有效彌補光譜信息的不足，其中運用最多的是紋理提取方法是灰度共生矩陣方法（GLCM）（Haralick，1973）。此外小波變化(Acharyyaet al., 2003)，分形維數（秦其明和陸榮建，2000），隨機場模型（Feitosaet al., 2011）等方法也有學者嘗試。相比較紋理信息，空間幾何信息更能夠體現出高解析度影像的優勢，幾何信息不僅反映了對象自身的形狀、長度、大小等，同時也可挖掘對象之間的結構信息。在幾何和結構信息利用方面，除了最基本的幾何要素，部分有學者還採用了形態學方法（Palmasonand Benediktsson, 2006），此外張良培、黃昕等提出的形狀像元指數，較好的融合了形狀和光譜特徵，對現有方法改進較大（Zhanget al., 2006; 黃昕等，2007）。在影像特徵提取的基礎上，分類方法的選取對最終的分類精度有很大影響。比較傳統的分類方法主要有K均值法、ISODATA演算法等非監督方法（蘇紅軍，2012）以及最小距離法、極大似然法、fisher判別法等監督分類方法（楊國鵬等，2008），近年來學者主要引入了機器學習的演算法以增強對高解析度影像數據的解譯能力，主要有神經網路方法（Benediktssonet al.,1990）、支持向量機（譚琨和杜培軍，2008）、隨機森林（Pal，2005）等。

圖2 隨機森林分類器

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！