面向对象分类方法在全国第二次土地调查中的应用

32 技术交流 测绘技术装备 季刊 第11卷 2009年第2期

面向对象分类方法在全国第二次土地调查中的应用

徐健

1，2

陈向阳 张海霞 刘伟东

221，3

（1.武汉大学测绘学院 湖北武汉 430079； 2.国家测绘局第二地形测量队 陕西西安 710054； 3.国家测绘局第一大地测量队 陕西西安 710054）

摘 要：在RS技术支持下，选取适当区域及遥感影像，采用面向对象分类法，针对第二次土地调查研究不同地类信息快速提取的方法。该方法具有较高分类精度，尤其对有林地、水田、茶园、河流水面和道路等地物类别进行识别与分类方面效果较优。分类成果能有效辅助内、外业影像解译，提高土地调查效率，从而快速高效地完成全国第二次土地调查。

关键词：面向对象分类 土地调查 影像解译 精度

1 引言

我国第二次土地调查工作正在全国范围内全面展开，整个调查工作要求快速高效，成果现势性强，这就使得快速而高效的完成遥感影像内业判读与外业调绘成为整个工作顺利完成的关键环节。

传统作业模式，调绘者在对遥感影像进行判读与调绘时，基本采用“外业调绘为主室内判读为辅”的方法进行。虽调绘精度有保证，但却耗时费力，无疑会影响工效。而日益完善的遥感影像计算机解译技术正好可以弥补这方面不足，有效辅助影像调绘者进行目视解译，从而使以“外业调绘为主室内判读为辅”的耗时费力的调绘模式，转变成“室内判读为主外业调绘为辅”的节时省力的调绘模式，真正实现调查的快速而高效，满足调查成果的现势性需求。采用面向对象分类法对遥感影像进行分类，以验证该方法在全国第二次土地调查应用中的可行性与实用性。

遥感影像分类方法一直是遥感应用领域的一个热门话题。针对“同物异谱、异物同谱”以及“混合象元”普遍存在的影像特点，诸多专家学者分别从不同角度，在已有常规分类算法和方法的基础上，进行不同程度的深入研究，以期探讨出新的分类算法和方法来提高影像分类精度，从而更好地应用于生产实践。经过一系列探讨，一些新的分类方法，如神经网络分类法、模糊聚类法、决策树分类法，专家系统分类法以及面向对象分类法等应运而生。面向对象分类法因其基于影像多尺度分割技术提取同质区域图像对象，并有针对性的对影像对象建立特征空间与专家规则，实现影像分类，而非基于像素直接分类，避免了因光谱细微差异或混合像元存在造成的细小碎斑的出现，同时增加了形状、纹理等易于样本特征选取及类别区分的多元特征，也使其在众多计算机分类方法中脱颖而出。

2 基本原理和过程

面向对象分类方法是基于隶属度函数的监督分类法。其基本原理是首先对待分类图像创建一个类别层次结构，再为每一个类别选择一些样本对象，依据样本对象特征值计算得到符合高斯分布的样本特征值隶属度函数曲线，最后根据隶属度值大小、预先设定的阈值和隶属度函数间逻辑关系进行类别归并，实现分类。

此处用到的隶属度函数，对于一个类别用一至两个特征即可与其他类别加以区分的情况尤为适用。它用来评估类别的某一特征属于该类的概率的大小，取值在0和1之间。即当评估完某个类别的某个特征后，隶属度函数便会返回一个0和1之间的隶属度值。

面向对象分类基本过程执行如下：

① 采用多尺度分割技术提取同质区域的影像对象；

② 在影像上选取样本对象；

③ 对所选样本对象分别建立相应特征空间与专家规则（隶属度函数）；

④ 执行监督分类。

结合应用目的，采用的技术路线如图1所示。 3 研究试验区的选取

根据研究方案，研究区选取在陕西省汉中市西乡县。该区属北亚热带湿润气候，南部高北部低，中部低平。

本研究采用的待分类影像是由SPOT-5影像 （2.5 m全色+10 m多光谱）制作而成的空间分辨率为2.5 m的DOM影像。 4 信息提取及精度分析 4.1 信息提取

4.1.1 多尺度分割

应用图像处理软件，对DOM影像，以先验知识

[1，2]

测绘技术装备 季刊 第11卷 2009年第2期 技术交流 33

图1 研究技术路线图

对光谱因子、形状因子、紧凑度、光滑度等多尺度部分分割影像如图2所示。 分割参数进行赋值。执行多尺度分割后，所选该区

图2 多尺度分割后与分割前的影像对比（上：分割前影像；下：分割后影像）

现状数据，在多尺度分割后的影像上分别选取水田、旱地、茶园、有林地、天然牧草地、河流水面、坑塘水面、内陆滩涂、村庄和道路等10个类别作为分类模板，进行后续样本特征的选取。 4.1.3 特征选取

对所选样本类别，结合先验知识，分别在光谱特征（亮度均值和标准差）、形状特征（长、宽、形状指数、面积、密度、紧致度以及距图像边界的距离）和纹理特征（灰度共生矩阵的同质性、相异性、熵、角二阶矩）中选取一两个能将该类别与其他类别加以区分的样本特征，用于后续各类别隶属度函数的建立。

经对比分析发现，分割前的影像噪声很多，若直接按像素光谱亮度值进行影像监督或非监督分类，势必会出现很多细小碎斑，即便进行分类后处理，也必然会影响分类精度。而分割后的影像则按影像的光谱、形状、紧凑度和光滑度等异质性的大小来划分影像对象，因而避免了因混合象元的存在而出现噪声及细小碎斑的影响。经多尺度分割后的影像，自然便于后续监督分类。且归并地类边缘由混合像元引起的的不足以上图的细小图斑，也符合《第二次全国土地调查技术规程》的规定。 4.1.2 样本选择

结合研究试验区实际情况，参照已有土地利用

4.1.4 基于隶属度函数的监督分类

对已选取好样本特征的各个类别，分别建立相应隶属度函数曲线，依据设定隶属度函数阈值及隶属度函数间逻辑关系，对待分类影像按照每个类别特征的隶属度值大小进行类别归并。最后将分类图进行小图斑去除、类别合并等一系列后处理，所得分类影像如图3所示（部分截图）。 4.2 精度检验及分析

图3 面向对象分类影像图

4.2.1评价指标获取及分析 查点，参考同期或近期相关资料，对面向对象分类

研究采用总体精度、制图精度、用户精度和结果进行精度检验，得到误差矩阵、制图精度、用

[3]

Kappa系数等几种精度评定指标对所得分类结果进户精度、总体精度和Kappa系数如表1所示。 行精度评价。在地面真实数据中随机选取347个检由表1统计数据可以看出，该分类体系总体分

表1 分类精度统计表

实测数 据类型 水田 旱地 道路 茶园 有林地 内陆滩涂 天然牧草地 河流水面 坑塘水面 村庄 分类总和 制图精度(%) 总体精度(%) KAPPA

水田 33 1 0 0 0 0 0 0 3 2 39 84.6

旱地 0 26 1 1 3 2 1 0 0 1 35 74.3

道路 0 1 28 0 0 3 1 2 0 0 35 80.0

茶园 0 1 0 32 4 0 1 0 0 0 38 84.2

分类数据类型 有林地0 3 0 5 57 0 2 0 0 0 67 85.1

内陆滩涂0 1 2 0 0 19 0 3 0 0 25 76.0

天然 牧草地0 2 1 1 1 0 15 0 0 0 20 75.0 80.7 0.78

河流水面1 0 3 0 0 2 0 38 0 2 46 82.6

坑塘水面1 0 0 0 0 0 0 1 12 1 15 80.0

村庄 3 1 0 0 0 0 0 2 1 20 27 74.1

实测总和 38 36 35 39 65 26 20 46 16 26 347

用户精度 (%) 86.8 72.2 80.0 82.0 87.7 73.1 75.0182.6175.0176.91

类精度和Kappa系数分别为80.7%和0.78，达到较高，满足对地类进行有效解译的需求。

[4]

Kappa系数最低允许判别精度0.7的要求。各类别（下转第22页） 的制图精度和用户精度均在70%以上，分类精度相对

② 基于IGS精密星历，采用Gamit/Globk对GPS测量结果进行基线解算及平差，给出控制点基于ITRF2000框架、WGS-84、北京54、西安80、厦门独立坐标系及施工坐标系下的坐标，满足工程建设不同阶段的测量工作需要；给出的ITRF2000框架坐标不仅为今后桥梁健康监测建立了基础，同时为该地区基于IGS站的地质灾害监测与分析建立了基础。

参考文献

③ 为解决跨海大桥长距离高程传递问题，研究用GPS高程转换求得水准高的技术和方法。在大量实验观测GPS、水准和部分重力的基础上，借助BP神经网络，结合重力及GPS测量数据，对小区域的大地水准面进行精化，取得了满意的效果。为今后解决特大长桥梁施工的高程传递问题建立了技术基础，对相关研究也具有借鉴意义。

[1] 王兴国.基于GAMIT/GLOBK的海潮对跨海大桥GPS控制网影响初探[J].福建地质，2008，（3）.

[2] 杨志强.GPS监测青藏板块运动数据的GAMIT/GLOBK处理方法及有关问题[J].西安工程学院学报，1999，21（3）. [3] 刘瑞敏.基于Google Earth的地铁亦庄线GPS控制网布设[J].测绘通报，2008，(11). [4] 陈传法.基于高精度曲面模型的高程异常曲面模拟[J].大地测量与地球动力学，2008，10. [5] 陈俊平.中国境内IGS站数据处理及地壳运动研究[J].同济大学学报(自然科学版)，2005，10.

（上接第34页）

4.2.2 影响分类精度的因素分析

通过分析，发现制约影像分类精度的因素主要有以下几个方面：其一，影像预处理效果的优劣，如校正（大气校正、几何校正）、配准精度的高低、空间增强以及光谱增强效果的好坏、融合方法选择的优劣等；其二，影像分类方法的选取与运用；第三，专业人员进行样本对象特征选取时先验知识的丰富程度；第四，分类后处理方法的选用及效果的好坏。因此，为获得较高影像分类精度，除需选取适当预处理方法

提高影像质量外，还应对分类方法和算法进行

参考文献:

深入研究，以便选取较优分类方法，来提高影像分类精度。此外，分类后小图斑去除及类别的归并处理也是提高影像分类精度的一个关键因素。当然，分类者具备丰富的先验知识也是提高影像计算机分类精度的一个主要条件。 5 结束语

通过对面向对象分类技术在全国第二次土地调查中的应用研究，以及陕西省第二次土地调查中的推广应用，验证该方法可以大大提高判读解译工效，应用在全国第二次土地调查中实用、可行。

[1] Volker W.Object-based Classification of Remote Sensing Data for Change Detection[J].ISPRS Journal of Photogrammetry & Remote Sensing，2004，(58):225-238.

[2] 陈云浩，冯通，史培军，等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报（信息科学版），2006，(4):316-320.

[3] 赵英时，遥感应用分析原理与方法[M].北京:科学出版社，2003.

[4] Lucas，I F JFrans，JM and Wel，VD. Accuracy assessment of satellite derived land-cover data；a review[J].Photogrammetric Engineering and Remote Sensing. 1994，60(4):410-432.