结合多源遥感影像与面向对象方法的桑树信息提取_张家玫.pdf

第 卷 第 期 年 月测绘与空间地理信息 ，收稿日期：基金项目：广西农业科学院科技发展基金项目（桂农科、桂农科）资助作者简介：张家玫（），女，广西桂平市人，工程师，学士，主要从事农业遥感与地理信息方面的应用研究工作。通信作者：杨绍锷（），男，广西浦北人，副研究员，博士，年毕业于中国科学院遥感应用研究所地图与地理信息系统专业，主要从事农业与生态遥感方面的应用研究工作。结合多源遥感影像与面向对象方法的桑树信息提取张家玫，杨绍锷，黄启厅，曾志康，谢国雪，张秀龙，林垚君，谢 意，屈婷婷，邓慧灵（广西农业科学院 农业科技信息研究所，广西 南宁）摘要：针对南方多云雨气候条件下获取完整影像源困难及对大宗农作物桑树信息提取的相关研究较少的问题，本文采用多源高分遥感影像结合面向对象的阈值分类与模糊分类方法提取了宜州区水体、人工地物、林地、其他及桑树的地类信息，得到总体分类精度为，系数为，桑树生产者精度为，用户精度为 的较好的分类结果。研究结果表明：多源遥感影像可弥补影像缺失，解决云影覆盖影响信息提取的问题，而面向对象方法与传统的单个像元的分类方法相比更高效快速，能有效避免基于像元分类带来的“椒盐”碎斑，节省数据的后期处理与人工修改，提高工作效率，为南方多云雨地区的桑树种植信息提取提供方法借鉴。关键词：高分遥感影像；面向对象；桑树；分割尺度；信息提取中图分类号：文献标识码：文章编号：（），（，）：，“”，：；引 言桑树在我国各地均有种植，在传统农作物中属于叶用植物，主要作为桑蚕的食用饲料，是桑蚕产业的基础作物。由于国家出台“东桑西移”的政策，而且桑树种植对桑蚕产业的发展具有重要作用，提取其种植信息可为桑蚕产业发展提供地理规划与决策参考。近年来随着航天遥感技术的蓬勃发展，高分辨率的遥感卫星影像已越来越多地应用于农业、国土、林业、环境、海洋等各领域，不仅可以为小区域实现精细化研究与应用，还可以为大区域种植作物实现宏观监测与信息提取，而高分遥感影像结合基于面向对象的影像分析技术也越来越多地应用于农作物的信息提取。胡金梅等采用 影像结合面向对象的 与 算法实现土地利用分类；谢国雪等采用 影像通过面向对象技术提取了广西鹿寨县的桑树作物；杨智翔等采用 影像结合面向对象方法提取了峡江水利枢纽工程库区的地类信息；陈越豪等采用 影像结合面向对象的最大似然和支持向量机法提取了元谋热区的番茄作物。分析前人研究结果表明，面向对象技术已较广泛地应用于国土、林业及农业等各领域，并且取得了越来越好的效果，但利用面向对象结合多源高分遥感影像对桑树进行提取的研究仍然较少，且上述研究区大多位于北方或研究面积狭小，地域和研究范围不受云雨天气影响，获取影像数据源容易。本文研究区属于典型的南方多云雨地区，不仅地块破碎且气候条件复杂，影像大部分被云影遮盖，难以获取桑树关键生长期的无云影像。为此，本文针对南方多云雨气候条件下获取完整影像源困难及对大宗农作物桑树信息提取的相关研究较少的问题，采用多源高分遥感影像 与 为影像数据源结合面向对象的阈值分类与模糊分类方法，利用其丰富的光谱、纹理及几何结构特征，对宜州区进行桑树信息提取。研究区概况与数据源 研究区概况河池市宜州区位于广西中部偏北地区，北回归线以北，地形特点为中部低、南北高，自西向东倾斜，属于半山半丘陵地区，行政区下设 个乡镇，总面积 。属亚热带季风气候，年平均气温在 之间，光照充足，雨量充沛，主要作物为桑树、甘蔗、玉米、水稻、柑橘等，其中桑树种植面积最广，属于宜州区的大宗特色经济作物。数据源宜州区是典型的南方多云雨及半山半丘陵地区，无云影像数据获取困难，本文采用多源影像，分别选择多光谱具有蓝、绿、红、近红 个波段及全色空间分辨率为 的 影像 景、的 影像 景，成像时间为 年 月至 年 月，该时间段大部分为桑树的成熟期，色彩纹理明显，易于桑树信息提取。辅助数据有空间分辨率为 的 高程数据、天地图影像数据、宜州区行政边界及外业 采集的桑树解译点。研究方法 总体技术路线根据研究区范围大小、数据源及待提取的目标地物情况制订了桑树信息提取技术方案：数据预处理、影像分割及影像分类，最后根据分类结果进行精度评价及结果分析，具体技术流程如图 所示。数据预处理信息提取的前提是完整无云的研究区影像，遵循云量最少与影像成像时间最新原则对多源影像进行筛选，对筛选后的影像经过正射校正后在 平台以天地图影像为基准影像叠加重新计算后的 对筛选的研图 桑树提取总体技术流程图 究区影像进行正射校正，误差精度控制在 个像元内，重采样采用精度较高的三次卷积。为保证高分影像的原始色彩信息易于地物细节特征的判读，影像融合采用 融合，对于无可避免的云影区域采用云影检测进行碎片化的掩膜处理，去除云影覆盖的无效区域，最后对影像进行匀色镶嵌与裁剪，以此获得宜州区完整的无云影像用于目标信息的提取。多尺度分割影像分割是影像分类进而提取目标信息的基础，是基于影像同质性或异质性准则划分为若干有意义且互不重叠的影像对象。其中分割尺度的选择是影响影像分类精度的关键因素之一，由于光谱、纹理、形状等图像属性具有或多或少的尺度效应，尺度过大则易将不同地类的影像对象混合为一体，影像特征难以体现，使分类精度降低；尺度过小则易造成分割对象破碎、数据冗余，影响制图美观。为选取最优尺度及最大限度地保证目标信息被更好的提取，本文将研究区按分幅结合表划分为 个子区域，采用自下而上的区域合并形成对象的多尺度分割算法，结合影像分辨率试验了多组分割尺度参数：、和，形状因子为，紧致度为，影像 个波段蓝、绿、红、近红皆参与分割，权重都为。经过目视比较，分割参数为 时地块较破碎，线条冗杂，同一地物包含多个图斑，尺度过小；分割参数为 时，尺度过大，分割不够完整，稀疏的小地块无法被分割，影响分类精度的准确性；分割参数为 时尺度适中，分割边界与地物吻合度更高，可很好地兼顾各种地类的空间分布特征，接近最优尺度，因此，本文选择分割尺度为，形状因子，紧致度 的分割尺度参数，分割尺度参数比较如图 所示。图 影像分割尺度参数比较 测绘与空间地理信息 年 目标信息提取 建立分类体系与解译样本库针对研究区庞大的地物覆盖面积，为更好地识别目标作物，逐级剔除非目标地类提高分类精度，采用逐级分层的决策树分类体系，将影像地物分为水体、人工地物、林地、桑树及其他五大地类，其中人工地物包括建筑居民点、交通及设施设备，其他则是植被中除桑树外的耕地与草地，可在提取前 类后将剩下未分类的地物归属于其他地类。高分遥感影像本身具有丰富的光谱、纹理、形状、颜色、位置等特征，结合外业采集的桑树解译点，对影像特征进行分析并建立基于、遥感影像特征的地类解译样本库，为目标信息的提取提供特征依据。地类样本影像特征见表。表 影像下地类样本特征 地类类型影像特征水体水体透射性高，色彩呈暗蓝色调，与其他类型地物区分明显人工地物人工地物光谱反射率高，色彩多样，结构复杂但以群落为主，形状与其他地物区分明显林地色彩呈暗绿色或黑色，纹理粗糙具有颗粒感，形状多样桑树光谱特征明显，影像上呈亮绿色或深绿色，纹理平滑无颗粒感，种植地块形状规则，呈矩形 分类特征筛选影像特征是影像分类规则的基础，影像对象包含有大量的信息，可给影像分类提供不同的特征依据，筛选参与分类的影像特征建立解译样本库并根据样本库特征信息进行目标地物信息提取。）光谱特征高分辨率遥感影像光谱特征丰富，分别有蓝、绿、红、近红 个波段，可根据其波段均值、亮度及专题指数区分水体、非水体，进而再区分非水体中的植被与非植被，逐级剔除非目标地物。）归一化水体指数归一华水体指数（）为近红波段与绿波段的比值，能够增强水体信息，抑制植被与其他地类的信息，的计算公式为：（）式中，为绿波段 ；为近红波段，是区分水体与非水体的首要步骤，经过地类样本库的特征筛选，水体的 范围值在 之间。）归一化植被指数归一化植被指数（）可以反映植被的生长状况和空间分布，可用来区分植被与非植被，的计算公式如下：（）式中，为近红波段 ；为红波段 。值是区分桑树的光谱特征之一，通过地类样本库的特征筛选确定其阈值范围，可在植被中区分桑树与其他地类，综合 个子区域的 值，最后确定桑树的 范围值在 之间。）形状特征物体的几何形状是影像上能呈现其独特分布结构的界线范围，该特征由构成影像对象的像素来计算，主要有范围、面积、长度、宽度、长宽比、边界长度、形状指数、密度、紧凑度、椭圆度、矩形度等，可用于区分光谱、颜色、纹理等特征相似但形状上有差异的对象。首先根据目视判读可看出林地呈矩形、圆形或椭圆形，桑树呈矩形，而人工地物中的交通与建筑群落则呈现独特的长度与大面积连续性较好的不规则形状，且其光谱与其他地类区分明显，结合光谱特征利用形状特征的长度、面积及形状指数对人工地物进行分类。）纹理特征纹理是一种反映物体表面的视觉特征，它描述了各像元间在空间分布上的排列规则及局部属性信息，局部属性信息在不同程度上的重复则成为全局属性信息。纹理特征使用灰度共生矩阵（），它可以描述影像各第 期张家玫等：结合多源遥感影像与面向对象方法的桑树信息提取像元之间灰度的空间分布和结构特征，包括对比度、熵、均值、标准差、角二矩阵、同质性、异质性及相关性等。为减少计算量与特征冗余，本文选取具有代表性的熵值，纹理熵值可以表征影像地物的纹理复杂程度。植被中桑树纹理平滑无颗粒感，相较林地与其他地类纹理复杂程度低，熵值介于 间，林地纹理复杂、粗糙具有明显颗粒感，熵值介于 之间。阈值分类与模糊分类为更好地进行影像目标信息提取，面向对象的分类方法采用阈值分类与模糊分类相结合，影像分类是基于影像分割对象层上进行的类别特征阈值设定。阈值分类（）是利用图像上待提取的目标地物与图像背景在灰度特性上的差异，选取合适的灰度区域以确定其每个对象是属于该目标地类还是背景值，通过影像特征筛选利用阈值分类算法的确定性规则区分水体与非水体，接着在非水体地类中区分植被与非植被。模糊分类（）是根据影像的特征确定目标地物的一个模糊范围，通过地类样本的特征空间计算得出隶属度范围，当其特征范围越接近 时，表明对象隶属于该地类的程度越高；越接近 时表明程度越低。基于桑树、林地、人工地物的不同特征空间计算，叠加不同组合的特征隶属度范围进行信息提取，最后将剩余的非目标地类归为其他。精度评价为保证检验样本的准确性，本文利用野外采集的 个真实地类样本结合高分影像进行目视解译与特征分析，随机选取 个不同地类作为验证样本，其中桑树样本 个，采用建立混淆矩阵的精度验证方法对分类结果进行精度评价，评价结果见表。表 宜州区桑树分类结果精度评价统计表 人工地物林地桑树其他水体合计用户精度（）人工地物林地桑树其他水体合计生产者精度（）经过精度评价得出，总体分类精度为，系数为，精度较好，其中目标地物桑树的生产者精度为，用户精度为，均达到 以上，表明分类精度较高。结果与分析通过面向对象方法提取得出的宜州区五大地类分类结果，利用 平台结合人工修改进行邻斑同码合并、图幅接边、图面整饰，并对目标地物桑树进行单独提取与结果出图，得到宜州区 年桑树种植分布图，如图 所示。图 宜州区 年桑树种植分布图 采用面对象的桑树分类方法与传统的像元监督分类相比较，避免了像素级的“椒盐”碎斑，减少了后期局部人工修改的工作量，提高了视觉美观度与工作效率。由桑树分类结果分布图可以看出，宜州区桑树种植分布均匀，每个乡镇均有种植，但受地形、外界因素、种植技术及当地政策等影响，各乡镇的种植面积分布情况又各不相同，其中以东西部及中部地区的洛东镇、洛西镇、庆远镇、德胜镇及刘三姐乡种植居多，由于大多地势平坦，交通便利，水源充足，其多呈现连片种植，易于桑蚕产业的规划管理与产业集群，桑蚕产业集中度高。结束语本文以桑蚕之乡宜州区为研究区，以多源遥感影像结合面向对象的方法，对宜州区进行 种不同地物的特征分类，逐级剔除干扰进而利用高分遥感影像的光谱特征、形状特征及纹理特征进行桑树信息提取，得到以下结论：）通过混淆矩阵的精度验证方法得到了较好的分类结果：总体分类精度为，系数为，桑树生产者精度为，用户精度为，证明了本文研究方法的有效性。