基于规则的面向对象分类与监督分类对比研究——以WorldView-2影像为例.pdf

第36卷第4期2023年8月Vol.36 No.4Aug.2023四川轻化工大学学报（自然科学版）Journal of Sichuan University of Science&Engineering(Natural Science Edition)收稿日期：2022-07-13基金项目：国家自然科学基金项目(62062061;61762082);西藏自然科学基金项目(XZ2019ZRG-43);西藏自治区科技厅项目(XZ202001ZY0055G)通信作者：刘 炜(1974-),男,副教授,博士,研究方向为土地遥感与GIS,(E-mail)文章编号：20967543（2023）04004309DOI:10.11863/j.suse.2023.04.06基于规则的面向对象分类与监督分类对比研究以WorldView-2影像为例薛永福，刘 炜，樊 瑶，赵尔平（西藏民族大学西藏光信息处理与可视化技术重点实验室，咸阳 712000）摘 要：针对传统监督分类方法在处理高分辨率影像时会产生“同物异谱，同谱异物”的现象，本文以杭州市WorldView-2遥感影像数据作为基础数据源，设计了一种基于规则的面向对象分类方法（ROOC）以提取研究区域地物，提高地物分类精度。首先，针对不同地物的光谱特征差异构建分类规则函数；其次，依据地物图斑在不同分割层下的大小及形状不一致的特征，引入特征波段并参与多尺度分割；最后，将光谱特征分类规则函数与多尺度分割结果相结合构建ROOC方法，通过目视评价和定量分析的方法与MLC、SVM和NNC 3种监督分类结果进行对比。结果表明，ROOC方法的总体分类精度为81.5%，较MLC、SVM、NNC分别提高了10.0%、10.5%、8.0%；总体Kappa系数为0.7685，较MLC、SVM、NNC分别提高了0.1278、0.1295、0.1057。因此，ROOC方法通过将地物光谱特征差异与多尺度分割相结合，能够更准确地识别WorldView-2影像中光谱特征相近的地物，能有效减少地物混分现象，提高分类精度。关键词：WorldView-2影像；分类规则函数；多尺度分割；特征增强中图分类号：TP751文献标识码：A引 言传统的基于像元的影像监督分类方法，如最大似然分类(Maximum Likelihood Classification，MLC)1、支持向量机分类(Support Vector Machines，SVM)2、神经网络分类(Neural Network Classification，NNC)3等，对于中低分辨率遥感影像能够利用地物的光谱信息取得一定的分类精度4。但对于高分辨率影像，采用传统监督分类方法会产生“同物异谱，同谱异物”的现象5，无法利用高分辨率影像的优势，不能灵活地处理各种地物的不同特征6。鉴于此，本文设计了基于规则的面向对象分类方法(Rule-based Object-oriented Classification Method，ROOC)，该方法有3个特点：1）对于光谱特征混淆的地物类别，仅使用光谱归一化植被指数（NDVI）、归一化水体指数（NDWI）等来增强地物信息，无法有效区分。因此加入原始波段光谱特征构建多种光谱分类规则函数辅助与其他地物进行区分，提高准确度；2）2023年8月四川轻化工大学学报（自然科学版）利用对象（地物图斑）代替像元作为最小图像处理单元，可以有效避免基于像元分类产生的局限，依据地物图斑在不同分割层下的大小及形状不一致的特征，利用多尺度分割将影像分割为3个不同分割尺度的对象层，避免多种地物在同一层因光谱特征产生混淆，在识别高分辨率影像地物图斑方面有着其优势，可以有效提高分类效率及准确性7-9，同时也更加符合人类的主观判断；3）为辨识光谱特征相近的地物，在利用光谱特征构建分类规则函数与不同分割尺度对象层的同时，利用归一化特征波段（NDVI、NDWI）参与分割提高分类精度。本文选取杭州市西湖区作为研究区域，以WorldView-2 遥感影像作为基础数据源，测试了ROOC方法与3种监督分类方法(MLC、SVM、NNC)对6种地物的识别精度，并依据目视评价和定量分析对比分类结果。1 数据源与技术路线1.1 数据源与预处理本文采用杭州市西湖区 2009 年 12 月 20 日的WorldView-2 影像，该数据成像质量完好，晴空无云，保 证 了 研 究 数 据 的 合 理 性 与 可 靠 性。WorldView-2影像由4个空间分辨率为1.8 m的多光谱波段和4个空间分辨率为0.5 m的全新光谱波段组成。具体波段参数范围见表 1。在多光谱波段下，星下点像元和偏离星下点 20地面空间分辨率为1.85 m和2.07 m；在全色波段下，星下点像元和偏离星下点20像元地面空间分辨率分别为0.46 m和0.52 m。重访观测周期在1.0 m GSD或以下时为1.1 d，在离天底 20或以下时为3.7 d。其多光谱与全色图像如图1所示。表1 WorldView-2影像波段参数信息波段Band1Band2Band3Band4Band5Band6Band7Band8波段名称海岸波段蓝色波段绿色波段黄色波段红色波段红色边缘波段近红外波段近红外远端波段波长范围/nm4004504505205206005856256306907057457609008601040(a)多光谱影像(b)全色影像图1 WorldView-2多光谱影像与全色影像首先对杭州市西湖区WorldView-2影像进行几何校正、影像裁剪以及影像融合等处理。其中融合采用Gram-Schmidt Pan Sharpening算法处理得到地物清晰、色彩完整的影像，预处理前、后杭州市西湖区遥感影像如图2所示。44第36卷第4期薛永福，等：基于规则的面向对象分类与监督分类对比研究以WorldView-2影像为例(a)预处前影像(b)预处理后影像图2 WorldView-2预处理前、后影像1.2 技术路线本文关键在于面向对象分类与基于像元分类，具体技术路线如图3所示。影像数据几何校正图像预处理影像融合影像裁剪处理后影像波段权重影像多尺度分割分割尺度权重异质性光谱特征特征波段原始波段特征信总提取形状因子紧致度基于规则分类基于像元的监督分类与基于规则的面向对象分类精度对比分析图3 技术路线2 研究方法2.1 地物类别统计为辨别研究区域所存在的地物，以 土地利用现状分类 GB/T 2010-2017文献为参考，目视观测最终确定水体、道路、林地、草地、人工表面及阴影6类地物作为实验所提取分类的地物。影像中实际地物样本如图4(a)所示。通过对6类地物样本的遥感影像像元亮度值（Digital Number,DN）进行统计，统计不同地物在不同波段上的特征大小，得到其光谱曲线如图4(b)所示，图中可见，整体波段DN值的变化趋势较为接近。其中在绿波段上，人工表面的DN值远大于其他地物；在近红外波段上，林地的DN值远大于其他地物；针对以上情况，对人工表面和林地分类时可将绿波段与近红外波段的差异情况作为重点分类参考。由于阴影与水体的曲线几乎完全重合，说明两类地物的光谱特征极其相似。因此，不建议将两类地物同时进行区分，可通过多尺度分割划分不同对象层，分别提取阴影和水体。林地草地道路人工表面阴影水体(a)典型地物样本图452023年8月四川轻化工大学学报（自然科学版）Mean：水体Mean：林地Mean：草地Mean：道路Mean：人工表面Mean：阴影Data ValueIndex7006005004003002001001 2 3 4 5 6 7 8(b)不同地物样本在各个波段DN均值曲线图图4 地物样本图与不同波段DN均值曲线2.2 多尺度分割影像分割是以一定的分割尺度作为分割硬性标准，把影像分割成由多个像元组成的形状大小不一致的若干独立对象。经过多尺度分割生成的对象边缘精确、内部统一，与真实地物及其相似。但不同的地物在同一尺度下进行分割时可能会导致分割不均匀的现象。多尺度分割等级体系10是由一个个像元生成一个个较小对象，再从一个个较小对象逐渐生成较大的对象，自下而上形成的分割体系（见图 5）。该体系能够使不同地物处在最佳分割层，得到最佳分割效果。第一层第二层第三层像元层图5 多尺度分割等级体系分割的关键在于设置分割尺度数值与权重异质性11，分割尺度数值的改变会导致对象的大小与数量发生变化，分割尺度小时生成对象的数量更多，对象所包含的像元数目就更少。而实现对象的权重异质性最小化是得到最佳分割结果的重要条件。异质性标准包括光谱(颜色)和形状两个因子，其中形状因子又包括光滑度和紧致度，如式(1)(2)所示：t=hcolor+(1-)hshape(1)hshape=compact hcompact+(1-compact)hsmooth(2)其中，t为异质性大小，hshape为形状异质性，hcolor为光谱异质性，为光谱权重(01)，hcompact为紧致度异质性，compact为紧致度权重(0compact 0.23、Brightness 3300.10 NDVI 0.23、Brightness 330Brightness 330Not 道路、Brightness 350NDVI 0.04、Mean B 520第一层：水体在绿波段有较强反射，而在近红外 波 段 内 吸 收 性 最 强。因 此 使 用NDWI=()Green-NIR/()Green+NIR归一化水体指数来增强水体信息。由于水体与阴影光谱信息极其相似，因 此 选 用NIR均 值 与NDVI=()NIR-Red/()NIR+Red归一化植被指数进行差异对比。第二层：由于植被在红波段内几乎无反射，而在近红外波段反射较强，因此使用植被指数NDVI=()NIR-Red/()NIR+Red来增强植被信息。林地与草地在NDVI数值上有明显区别，因此通过NDVI能够对林地与草地进行较好地提取。由于阴影在亮度值特征上有较为明显的特征，因此也容易与其他地物区分。第三层：道路与亮色人工表面在亮度值特征上差异较大，便于区分。而在蓝色波段上的光谱差异可以区分道路与暗色人工表面。3.3 基于像元的监督分类监督分类首先通过建立感兴趣区域来设置训练样本，通过结合不同RGB波段合成的影像与现有高分辨率影像目视分析图像，定义6类地物样本：人工表面、阴影、道路、水体、林地和草地。类与类之间的距离用于确定类别样本之间的区分度与相似度。类别间的统计距离是基于 Jeffries-Matusita 距离与转换分离度两个方法实现的17。可分离性数值越大表示可分离性越好、区分度越高，数值范围为02.0。只要可分离性不低于1.8，即不用修改样本；一旦可分离性小于 1.0，则表示两类样本相似度较高，会导致两类样本互相混淆，建议归为一类样本。而本文所选择样本可分离度不低于1.8，样本达到标准。因此，可以对样本执行最大似然分类法、支持向量机分类、神经网络分类法 3 类方法进行监督分类。4 精度评价4.1 分类结果不同分类方法对样本分类结果如图6所示。从图中可以看出，面向对象分类方法的阴影部分相对于其他3种方法面积比例差异较大。因此对于阴影可能存在错分现象：一是城市西南部林地与阴影之间的错分；二是城市内部阴影和人工表面之间的错分。另外，对于水体而言缺少城市内部细小河流，存在部分错分现象。因此，后期精度评价将重点对这几种地物进行分析。(a)面向对象分类(b)最大似然法分类48第36卷第4期薛永福，等：基于规则的面向对象分类与监督分类对比研究以WorldView-2影像为例(c)支持向量机分类(d)神经网络分类图6 不同分类方法分类结果4.2 精度评价 通过在 GIS中随机创建 200个样本点，根据目视解译核实确定每个像元的类别。用总体分类精度、总体Kappa系数、生产者精度、用户精度、错分率和漏分率作为评价分类质量好坏的重要标准。利用混淆矩阵的计算，得到的数值越高表示分类精度越高18，最终分类结果见表48。由表可知，ROOC方法总体分类精度为81.5%，较MLC、SVM、NNC分别 提 高 了 10.0%、10.5%、8.0%；ROOC 方 法 总 体Kappa 系数值为 0.7685，较 MLC、SVM、NNC 分别提高了0.1278、0.1295、0.1057，这表明ROOC方法相对于监督分类在一定程度上更能减少地物的混分。表4 分类结果总体指标精度评价类别总体分类精度/%总体Kappa系数ROOC81.50.7685MLC71.50.6407SVM71.00.6390NNC73.50.6628表5 ROOC方法精度评价%类别水体林地草地道路人工表面阴影生产者精度95.2364.1094.4460.0075.9296.22用户精度10.0096.1553.1269.2397.6176.11错分率03.8446.8730.762.3828.07漏分率4.7635.895.5540.0014.073.77表6 MLC方法精度评价%类别水体林地草地道路人工表面阴影生产者精度85.7192.3133.3366.6775.9360.38用户精度90.0064.2975.0055.5669.4982.05错分率10.0035.7125.0044.4430.5117.95漏分率14.297.6966.6733.3324.0739.62表7 SVM方法精度评价%类别水体林地草地道路人工表面阴影生产者精度10094.8711.1166.6774.0760.38用户精度80.7766.0766.6735.7178.4335.71错分率19.2333.9333.3364.2921.5711.11漏分率05.1388.8933.3325.9339.62表8 NNC方法精度评价%类别水体林地草地道路人工表面阴影生产者精度9.4884.6222.2260.0074.0779.25用户精度90.4868.7550.0075.0086.9664.42错分率9.5231.2550.0025.0013.0435.38漏分率9.5215.3877.7840.0025.9320.75对于阴影来说，基于像元的3种监督分类方法主要错分对象是阴影与林地、阴影与人工表面。造成错分的原因主要是：1）林地分布较为密集，林地与林地之间容易错分；2）暗色人工表面与阴影的亮度值较低，且在形状方面也极其相似，造成阴影与人工表面的错分。对于人工表面来说，除了存在与492023年8月四川轻化工大学学报（自然科学版）阴影之间的误分，还存在人工表面被错分为草地的情况，这是由于部分屋顶有绿植光谱信息与草地较为接近，最终造成人工表面与草地的错分。由于水体在城市内部存在较少，分类精度较高，错分现象较少。林地与草地比较容易混淆，仅靠光谱信息难以区分，4种分类方法效果一般。另外，微小地物在较大尺度的层次上提取时容易被误分到邻近地物。总体来看，ROOC分类方法由于部分地物之间光谱信息较为相似，分割边缘不明显，也存在一些错分漏分现象。ROOC方法相对于基于像元的监督分类方法能提高分类精度，对容易错分的地物在一定程度上能减少混分现象，体现出一定的应用价值。5 结束语对易于混淆的地物如阴影与水体，两者在光谱信息方面都极为相似，基于像元的分类方法很难区分。本文设计了基于规则的面向对象分类（ROOC）方法，它主要针对容易混淆的不同地物结合其特征设定不同的分割尺度层与光谱分类规则进行区分。ROOC方法在利用归一化水体指数（NDWI）增强水体信息的同时，加入亮度、原始波段等特征避免了与阴影混淆；另一方面，基于水体与阴影在不同的分割尺度层下的地理斑块表现出不同的形状大小特征，ROOC方法利用分割尺度层的差异并结合多个光谱分类规则函数对阴影与水体进行了区分。结果表明，通过目视与结合两种分类方法的精度，利用对象构建基于规则的分类函数的方法对杭州市地物提取更为准确，其中总体精度为81.5%，总体Kappa 系数为 0.7685，分类精度较 MLC、SVM、NNC分别提高了10.0%、10.5%、8.0%，总体Kappa系数分别提高了0.1278、0.1295、0.1057。ROOC方法仍存在一些不足之处，在建立分类规则时未引入纹理或拓扑等特征以区分光谱特征混淆的地物。此外，本次实验只采用了WorldView-2影像进行测试，下一步会基于其他星载平台的高分影像进一步改进，测试ROOC方法，以提升该方法的普适性和可靠性。参考文献：1 李华,吴翰,薛梅,等.土地督察易混地物最大似然分类改进J.遥感信息,2018,33(6):132-138.2 郭健,张继贤,张永红,等.多时相MODIS影像土地覆盖分类比较研究J.测绘学报,2009,38(1):88-92.3 王春艳,徐爱功,赵雪梅,等.模糊神经网络高分辨率遥感影像监督分类J.中国图象图形学报,2017,22(8):1135-1143.4 赵展,闫利.WorldView卫星16波段影像光谱特征分类J.遥感信息,2019,34(1):36-43.5 吴俐民,左小清,倪曙,等.卫星遥感影像专题信息提取技术与应用M.成都:西南交通大学出版社,2013.6 ZHANG L,JIA K,LI X,et a1.Multi-scale segmentation approach for object-based land-cover classification using high-resolution imageryJ.Remote Sensing Letters,2014,5(1-3):73-82.7 黄煌,肖鹏峰,王结臣.多尺度归一化割用于遥感图像分割J.遥感信息,2015,30(5):20-25.8 闫利,赵展,聂倩,等.利用规则进行高分辨率遥感影像地物提取J.武汉大学学报(信息科学版),2012,37(6):636-639.9 王芳,杨武年,邓晓宇,等.高分二号数据的城市生态用地分类方法探讨J.测绘科学,2018,43(3):71-76.10 陈洋波,窦鹏,张涛.基于Landsat的多分类器集成遥感影像分类J.测绘科学,2018,43(8):97-103,109.11 明冬萍,王群,杨建宇.遥感影像空间尺度特性与最佳空间分辨率选择J.遥感学报,12(4):529-537.12 王蕾,杨武年,任金铜,等.GF-2影像面向对象典型城区地物提取方法J.测绘通报,2018,4(1):138-142.13 张宏涛,黄宏胜,魏康宁,等.基于面向对象与规则的Sentinel-2A影像土地覆被分类:以江西省都昌县为例J.测绘通报,2020(6):111-117.14 魏友华,王瑶,何雪梅,等.基于“高分五号”遥感图像的地物分类方法J.现代电子技术,2020,43(18):85-88.50第36卷第4期薛永福，等：基于规则的面向对象分类与监督分类对比研究以WorldView-2影像为例15 李秦,高锡章,张涛,等.最优分割尺度下的多层次遥感地物分类实验分析J.地球信息科学学报,2011,13(3):409-416.16 闫利,赵展,聂倩,等.利用规则进行高分辨率遥感影像地物提取J.武汉大学学报(信息科学版),2012,37(6):636-639.17 MALLET C,BRETAR F,ROUX M,et al.Relevance assessmoent of full-waveform lidar data for urban area classificationJ.ISPRS Journal of Photogrammetry and Remote Sensing.2011,66(6):71-84.18 陆超.基于Worldview-2影像的面向对象信息提取技术研究D.杭州:浙江大学,2012引用格式：中 文:薛永福,刘炜,樊瑶,等.基于规则的面向对象分类与监督分类对比研究以WorldView-2影像为例J.四川轻化工大学学报(自然科学版),2023,36(4):43-51.英 文:XUE Y F,LIU W,FAN Y,et al.Comparative research on rule-based object-oriented classification and supervised classificationtaking WorldView-2 image as an exampleJ.Journal of Sichuan University of Science&Engineering(Natural Science Edition),2023,36(4):43-51.Comparative Research on Rule-based Object-oriented Classification and Supervised ClassificationTaking WorldView-2 Image as an ExampleXUE Yongfu,LIU Wei,FAN Yao,ZHAO Erping(Xizang Optical Information Processing and Visualization Technology Key Laboratory,Xizang Minzu University,Xianyang 712000,China)Abstract:In view of the phenomenon of“the same object with different spectrum while the same spectrum extracted from the different objects”when traditional supervised classification methods in dealing with high-resolution images,a rule-based object-oriented classification method(ROOC)is designed to extract the objects in the study area and improve the classification accuracy of the objects based on WorldView-2 image data source of Hangzhou.Firstly,the classification rule function is constructed according to the difference in spectral characteristics of different features;secondly,based on the inconsistent features of the size and shape under different segmentation layers of the map spots,multi-scale segmentation is performed on the image and feature bands are added to participate in the segmentation;finally,the spectral feature classification rule function is combined with the multi-scale segmentation results to construct the ROOC method,and it is compared with the MLC,SVM and NNC these three supervised classification methods through visual evaluation and quantitative analysis.The results show that the overall accuracy of ROOC method is 81.5%,whose classification accuracy increases by 10.0%,10.5%and 8.0%,respectively;the overall Kappa coefficient of ROOC method is 0.7685,which increases by 0.1278,0.1295 and 0.1057,respectively.Therefore,by combining the difference of ground spectral features with multi-scale segmentation,ROOC method can more accurately identify the ground features with similar spectral features in WorldView-2 images,which effectively reduces the phenomenon of mixed features and improves the classification accuracy.Key words:WorldView-2 image;classification rule function;multi-scale segmentation;feature enhancement51