结合目标分割的高光谱城市地物分类

孙小芳

(闽江学院地理科学系，福州 350121)

结合目标分割的高光谱城市地物分类

孙小芳

(闽江学院地理科学系，福州 350121)

结合高光谱影像地物光谱特征与高空间分辨率影像分割获得的目标对象进行地物分类。首先，对Hyperion影像进行坏线和Smile效应去除，经过FLAASH大气校正后，得到研究所用的155个波段； 其次，利用地物光谱曲线的特征点确定适合地物识别的光谱分辨率，进行Hyperion影像降维，生成降维后所需的21个宽波段； 然后，对IKONOS影像采用小波融合，利用多分辨率分割技术生成高空间分辨率影像目标对象； 最后，基于层次分析法对分割后生成的目标对象进行分类，采用模糊隶属函数利用植被红边效应、水体在近红外波段吸收特征进行第1层次分类，再取距离值最大的前10个Hyperion影像波段作为标准最邻近分类的特征波段，完成第2层次分类。分类结果表明，研究区共分出9种地物类型，分类效果明显优于最大似然法分类与光谱角填图法。

Hyperion降维； IKONOS融合； 分割； 光谱特征； 分类

0 引言

进入21世纪以来，各种成像光谱仪技术的进步及其应用领域的快速扩展，使高光谱遥感技术被广泛应用于国土资源利用、环境监测、地质勘探、农业生产、灾害预警、城市规划、人工目标识别以及军事探测等领域。潘灼坤等[1]利用植被光谱的丰度分析表示植被胁迫的特征； Zhang等[2]基于AVIRIS图像的纹理特征和光谱特征，利用神经网络分类器完成15种植被分类，平均Kappa值达到0.94； Roberts等[3]利用213个波段的VSWIR影像和第8波段的TIR影像进行14种城市地物类型的识别； 龚建周等[4]以广州市大学城Hyperion影像为研究对象，采用光谱角匹配、无约束和全约束的线性混合像元分解等3种方法进行地物识别与分类，分别生成地物分类图。与此同时，高空间分辨率遥感数据也已被广泛应用于地物识别。余先川等[5]提出了一种基于面向对象的无监督分类方法，进行无任何先验知识的高空间分辨率遥感数据的自动分类； Petropoulos等[6]结合QuickBird与Hyperion影像，利用支持向量机分类，完成土地利用制图； Pu等[7]利用基于目标的分析方法完成了WorldView-2影像中7种城市绿化树种的识别； Huang等[8]提出在图像原有参数基础上，利用三维小波变换建立光谱-空间局域方差参数，完成高空间分辨率影像分类。本文结合高光谱数据对地物的鉴别能力及高空间分辨率影像的空间特征，充分利用2种数据源的优势，兼顾光谱与空间信息开展地物识别及分类研究。

1 数据源

采用的Hyperion数据范围为福州市中心城区，数据获取时间为2003年3月26日(其L1R数据产品生成于2009年7月7日)； 采用的高级陆地成像仪(advanced land imager， ALI)全色影像及IKONOS影像也获取于同一时期。

1.1 Hyperion数据预处理

由于Hyperion探测器工作不正常和定标精度存在问题，导致部分波段图像某列数据缺少光谱信息，图像上呈现一条黑线(即坏线)[9-10]。经检测所采用的L1R数据坏线列号为： 1，6，22，91，92，94，112，114，137，147，199，239和255，选用出现坏线相邻列的平均值替换坏线部分进行修复。随后采用交叉轨道照度校正方法完成Smile效应的纠正[11]。

大气校正是为了消除大气和光照等因素对地物反射的影响，获取地物的真实反射率，研究中所采用的FLAASH是基于MODTRAN4辐射传输模型的大气校正模块。

Hyperion的LlR产品一共242个波段，其中只有198个波段进行了定标处理，其他波段的值赋为0。经过FLAASH大气校正后，再去除噪声严重、数据质量差的波段，最终用于研究的有155个波段，即8～57，79，83～119，133～164，183，184，188～220[12-13]。

1.2 Hyperion数据降维

Hyperion影像光谱分辨率为10 nm，对研究所用的155个波段进行7次DB离散小波分解，各层所对应的光谱分辨率分别为20 nm，40 nm，80 nm，160 nm，320 nm，640 nm和1 280 nm。小波方差仅为尺度函数，与位置无关，通过小波方差的拐点值可以直观地识别光谱特征尺度，而小波细节系数表示光谱反射值变化较快和局部特征部分，通过计算小波细节系数方差来说明光谱特征尺度。在研究中计算9种地物样本平均光谱，进行小波分解，获得各样本小波细节系数方差，结果显示在1～3尺度中的细节表现能力下降较少，3尺度以后方差变大，说明3尺度光谱分辨率(即光谱分辨率为80 nm)可以基本区分9类地物。根据地物可识别的光谱分辨率确定Hyperion影像的宽波段范围，将该范围内的各高光谱波段进行小波融合，生成21个宽波段影像。图1以草坪光谱为例，说明光谱尺度特征拐点[14]。

图1 草坪光谱小波细节系数方差

1.3 影像融合

(1)

(2)

(3)

式中：PABkSA(x,y)反映了影像的整体清晰度； 而LBkSBk(x,y)反映了影像的彩色对比度，可用于校正融合影像中存在的彩色偏差；MA(i,j)和MBk(i,j)分别为全色和多光谱影像第k波段低频近似分量均值。利用局部方差最大准则来重构高频小波系数。同理，将Hyperion影像降维后的21个波段与ALI全色影像进行融合。

2 IKONOS多分辨率分割

IKONOS影像融合后借助多分辨率分割技术获得目标对象。目标差异值包括： 光谱值、紧密度和光滑度[15]。研究中通过多次实验，设定目标紧密度值为0.5，光滑度值为0.3，最小分割单元为100个像元。因为融合后的IKONOS影像空间分辨率为1 m，融合后的Hyperion影像空间分辨率为10 m，当IKONOS影像的最小分割单元设定为100个像元时，刚好对应Hyperion影像的1个像元大小。

3 层次法分类

采用层次分析法对分割后生成的目标对象进行分类，观察Hyperion影像中不同种类地物光谱曲线，利用植被所特有的红边现象(在可见光与近红外波段之间，即760 nm附近，反射率急剧上升，形成所谓“红边”[10])的第1层次分类将地物分成植被和非植被2大类。第2层次分类则根据较纯净的自然水体在1 100～2 500 nm波段范围反射率很低，几乎接近于0，将非植被分成人工地物和水体2大类。由于上述分类指标较单一，采用模糊隶属度函数可以精确定义对象属于某一类的标准，并进行快速分类。

随后，再将植被细分成树灌和草坪2类。人工地物也进一步细分成道路、不可渗透表面、红棕建筑、蓝色建筑、灰黑建筑和亮色建筑6类。地物细分是依据降维后Hyperion数据的光谱值，在Hyperion波段特征优选的基础上，采用光谱标准最邻近分类法进行分类。

3.1 模糊分类

利用植被红边效应，选择降维后Hyperion影像第5波段(760 nm)和第4波段(670 nm)，通过采用布尔大于隶属函数方法判断上述波段的斜率来区分植被，即当斜率大于0时为植被，当斜率小于0时为非植被。利用水体近红外波段光谱平均值小于45的指标来判定水体，由于降维后的Hyperion数据从第6波段(833 nm)开始为近红外波段，故采用小于隶属函数的方法来判断第6波段以后所有波段的光谱平均值，当平均值小于45时则归为水体。

3.2 标准最邻近分类

标准最邻近分类是基于易康软件平台的监督分类。该算法先定义影像对象的类别，选择具有代表性的样本，通过计算样本类别的特征，在一个特征空间下完成影像的分类。在研究中利用Hyperion影像波段分割的对象光谱均值作为分类特征，通过计算各样本对象的光谱均值距离，取距离值最大的前10个波段作为分类的特征波段。这10个波段依次为： 8，17，2，21，1，12，7，4，16和6。表1为9类地物样本上述10个波段的可分性距离矩阵。

表1 样本类别可分性距离矩阵

从表1中可以看出，最小可分性距离0.894为不可渗透表面与灰黑建筑，最大可分性距离6.713为水体与亮色建筑，平均可分性距离为2.177。

本研究在基于本文方法开展分类的同时，进行了IKONOS影像的最大似然法分类(maximum likelihood classification,MLC)与Hyperion影像的光谱角填图法(spectral angle mapper,SAM)分类[15]。3种分类结果如图2所示。

(a) IKONOS影像MLC法 (b) Hyperion影像SAM法 (c) 本文方法

图23种分类方法结果

Fig.2Threekindsofclassificationresults

从图2(a)中可以看出IKONOS影像空间分辨率高，地物细节表现能力强，但由于光谱波段数过少，分类结果容易产生过多细小斑块[16]，例如在影像中存在将道路与不可渗透表面误分的情况，造成道路完整性表现不好。图2(b)中由于Hyperion影像空间分辨率不高，在表现城市地物时存在着较多的混合像元现象，不能较好地表现地物的可区分性，在影像中存在较多未分类的区域(黑色)。图2(c)综合了2种数据的优势，采用分割层次分类能体现主要的城市地物特征，保证了对象的完整性和可区分性，取得了较好的分类效果。

4 结论

1)高光谱数据能够详细地反映出地物的光谱信息，增加地物的可区分性，有助于开展精细分类； 高空间分辨率影像能很好地表现地物细节特征，利用基于目标对象的分割方法可以使分类结果保持更好的完整性。

2)2种数据相结合可有效识别出常见的9类城市地物，分类效果优于各自单个数据的分类结果，可以为小比例尺专题制图提供一种实用方法。

但是，文中对地物高光谱特征的应用较为简单。在后续研究中可以进一步探讨不同种类地物的高光谱特征用于精细化分类识别和专题制图的方法。

[1] 潘灼坤,王芳,夏丽华,等.高光谱遥感城市植被胁迫监测研究[J].遥感技术与应用,2012,27(1):68-76. Pan Z K,Wang F,Xia L H,et al.Research on urban vegetation stress monitoring by hyperspectral remote sensing[J].Remote Sensing Technology and Application,2012,27(1):68-76.

[2] Zhang C Y,Xie Z X.Combining object-based texture measures with a neural network for vegetation mapping in the Everglades from hyperspectral imagery[J].Remote Sensing of Environment,2012,124:310-320.

[3] Roberts D A,Quattrochi D A,Hulley G C,et al.Synergies between VSWIR and TIR data for the urban environment:An evaluation of the potential for the Hyperspectral Infrared Imager(HyspIRI) Decadal Survey mission[J].Remote Sensing of Environment,2012,117:83-101.

[4] 龚建周,陈健飞,刘彦随.基于EO-1 Hyperion影像地物识别与分类不同方法的效果比较[J].应用基础与工程科学学报,2013,21(3):453-462. Gong J Z,Chen J F,Liu Y S.Comparison of land use identification and classification using different models for EO-1 Hyperion images[J].Journal of Basic Science and Engineering,2013,21(3):453-462.

[5] 余先川,安卫杰,贺辉.基于面向对象的无监督分类的遥感影像自动分类方法[J].地球物理学进展,2012,27(2):744-749. Yu X C,An W J,He H.A method of auto classification based on object oriented unsupervised classification[J].Progress in Geophysics,2012,27(2):744-749.

[6] Petropoulos G P,Kalaitzidis C,Vadrevu K P.Support vector machines and object-based classification for obtaining land-use/cover cartography from Hyperion hyperspectral imagery[J].Computers and Geosciences,2012,41:99-107.

[7] Pu R L,Landry S.A comparative analysis of high spatial resolution IKONOS and WorldView-2 imagery for mapping urban tree species[J].Remote Sensing of Environment,2012,124:516-533.

[8] Huang X,Lu Q K,Zhang L P.A multi-index learning approach for classification of high-resolution remotely sensed images over urban areas[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,90:36-48.

[9] 谭炳香,李增元,陈尔学,等.EO-1 Hyperion高光谱数据的预处理[J].遥感信息,2005(6):36-41. Tan B X,Li Z Y,Chen E X,et al.Preprocessing of EO-1 Hyperion hyperspectral data[J].Remote Sensing Information,2005(6):36-41.

[10]Roshan-Chhetri P,Abd-Elrahman A.De-striping hyperspectral imagery using wavelet transform and adaptive frequency domain filtering[J].ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(5):620-636.

[11]乔振民,邢立新,李淼淼,等.Hyperion数据玉米叶绿素含量制图[J].遥感技术与应用,2012,27(2):275-281. Qiao Z M,Xing L X,Li M M,et al.Mapping of maize Chlorophyll content with Hyperion data[J].Remote Sensing Technology and Application,2012,27(2):275-281.

[12]龚建周,陈健飞,刘彦随.EO-1 Hyperion高光谱影像的FLAASH大气校正与评价[J].广州大学学报(自然科学版),2011,10(5):69-75. Gong J Z,Chen J F,Liu Y S.Atmospheric correction and evaluation for EO-1 Hyperion images based on FLAASH model[J].Journal of Guangzhou University(Natural Science Edition),2011,10(5):69-75.

[13]Pu R L,Gong P.Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping[J].Remote Sensing of Environment,2004,91(2):212-224.

[14]Hsu P H.Feature extraction of hyperspectral images using wavelet and matching pursuit[J].ISPRS Journal of Photogrammetry and Remote Sensing,2007,62(1):78-92.

[15]Gmb H.Ecognition User Guide[M].Germany:Definients Image Company,2004:110-125.

[16]王露.面向对象的高分辨率遥感影像多尺度分割参数及分类研究[D].长沙:中南大学,2014. Wang L.Analysing Classification and Segmentation Parameters Selection in High Resolution Remote Sensing Image Using Based on Object[D].Changsha:Central South University,2014.

[17]王雪,李培军,姜莎莎,等.利用机载LiDAR数据和高分辨率图像提取复杂城区建筑物[J].国土资源遥感,2016,28(2):106-111.doi:10.6046/gtzyyg.2016.02.17. Wang X,Li P J,Jiang S S,et al.Building extraction using airborne LiDAR data and very high resolution imagery over a complex urban area[J].Remote Sensing for Land and Resources,2016,28(2):106-111.doi:10.6046/gtzyyg.2016.02.17.

(责任编辑：陈理)

Urbanfeaturesclassificationbasedonobjectssegmentationandhyperspectralcharacteristics

SUN Xiaofang

(DepartmentofGeography，MinjiangCollege，Fuzhou350121，China)

Urban features classification is based on hyperspectral characteristics and high-resolution image segmentation objects. After the removal of bad lines and Smile effect, FLAASH atmospheric correction and 155 Hyperion bands were used in this study. Spectrum feature was used to determine objects recognition suitable spectral resolution, and after Hyperion dimensional reduction, 21 wide-bands were generated. Utility wavelet fusion was performed, and IKONOS high-resolution objects were generated by multi-resolution segmentation. On the basis of hierarchical analysis classification method for segmentation objects, fuzzy membership function of the vegetation red edge effect and the water absorption characteristics in the near infrared were used to complete first level classification. The larger distance of 10 Hyperion bands was used as feature bands, and the second level classification was completed by standard nearest neighbor classification. 9 types of urban features were separated. The classification results are better than the maximum likelihood classification and spectral angle mapper.

Hyperion dimensional reduction； IKONOS fusion； segmentation； spectral characteristics； classification

10.6046/gtzyyg.2017.03.25

孙小芳.结合目标分割的高光谱城市地物分类[J].国土资源遥感,2017,29(3)：171-175.(Sun X F.Urban features classification based on objects segmentation and hyperspectral characteristics[J].Remote Sensing for Land and Resources,2017,29(3)：171-175.)

2016-03-07；

2016-04-09

国家自然科学基金项目“基于MODIS BRDF 产品的叶片聚集度系数遥感反演与验证”(编号： 41271354)、福建省科技厅资助项目“基于高光谱特征与目标分割的城市地物识别研究”(编号： 2015J01627)和闽江学院资助项目“摄影测量学实践教学改革”(编号： MJU2014BD19)共同资助。

孙小芳(1973-)，女,副教授,主要从事遥感图像处理、高光谱与高空间分辨率遥感研究。Email： sunxf99@163.com。

TP 237

： A

： 1001-070X(2017)03-0171-05