摘 要

Abstract II

第1章 引言 1

第2章 研究区域与研究数据 3

2.1研究区域 3

2.2研究数据 3

第3章 方法 5

3.1研究方法 5

3.2基于像元的分类方法 6

3.3面向对象的分类方法 6

3.3.1对象的多尺度分割 7

3.3.2基于特征规则的隶属度函数分类 11

3.3.3最近邻分类法 13

3.4分类结果精度评价方法 14

第4章 分类结果与分类方法比较 16

第5章 总结与展望 22

参考文献 23

致谢 24

摘 要

随着科学技术的进步，近年来卫星遥感影像空间分辨率的不断提升以及遥感影像相关的处理手段的不断进步，传统的针对中低分辨率遥感影像的分类方法处理这种影像数据也逐渐显现出诸多弊端。本文基于资源三号卫星6m的高空间分辨率遥感影像，利用影像重采样技术得到多种精度较低的空间分辨率的遥感影像。基于多种空间分辨率的遥感数据，对比基于面向对象分类的易康(eCognition)软件和基于像元分类的ENVI软件得出的土地覆盖分类结果。评价了面向对象分类方法和基于像元的分类分类方法的分类总体精度，还比较了两种分类方法的优缺点，探究了两种分类方法适用的遥感影像空间分辨率。面向对象的分类主要涉包括遥感影像的分割，从而获得用于分类的对象以及使用的两种分类方法包括隶属度函数分类和最近邻分类；而基于像元的监督分类主要涉及到选择训练样本和使用支持向量机、最大似然两种分类器对遥感数据进行分类。最终结果表明，面向对象的分类效果在空间分辨率为6米和10米的情况下好于传统的基于像元的分类效果；在20m、30m空间分辨率下基于像元分类的总体精度较高。

关键词：面向对象；多尺度分割；隶属度函数；最近邻分类；支持向量机

Abstract

With the continuous improvement of the resolution of remote sensing images and the continuous advancement of remote sensing image processing technology, the traditional classification methods for low- and medium-resolution remote sensing images have gradually revealed many drawbacks. Based on the 6-meter high-resolution remote sensing image of the ZY3, this paper uses resampling techniques to obtain remote sensing images of various resolutions. Based on images with multiple resolutions, the land use classification results based on object-oriented classification of eCognition software and based on pixel classification of ENVI software are compared. The accuracy of the two classification methods, object-oriented classification and pixel-based classification, and the advantages and disadvantages of comparing the two classification methods are evaluated, as well as the spatial resolution of remote sensing images applicable to the two classification methods. Object-oriented classification mainly involves multiresolution segmentation of images to obtain objects and two classification methods used, including membership function classification and nearest neighbor classification. The pixel-based supervised classification mainly involves selecting training samples, two classifiers of Support Vector Machine and Maximum Likelihood. The final results show that the object-oriented classification has more than 80% classification accuracy on the 6-meter and 3 kinds of spatial resolution images obtained by resampling. However, the object-oriented classification effect is better than the traditional pixel-based classification effect in the case of spatial resolution of 6 m and 10 m; the overall accuracy based on pixel classification is higher in the spatial resolution of 20 m and 30 m.

Key Words：object-oriented classification；multiresolution segmentation；membership function；Nearest Neighbor classification；Support Vector Machine ；

第1章 引言

随着科技技术的进步，遥感影像的空间分辨率飞速提高了，人类的认知水平也在逐渐提高，对遥感影像的分类提出了更高的要求。因此，研究人员提出了一种全新的影像分类技术-面向对象的分类方法。所以遥感影像分类技术发展到现在为止，形成了两种分类方法：基于像元的分类和面向对象分类。传统的基于像元的影像分类主要是利用地物的光谱特征而基本不考察地物的空间特征，而面向对象的分析方法就是在考虑光谱、空间、上下文等相关的更多的信息这一基础发展而来的。根据相关研究结果，在某些条件下，由于高分辨率遥感影像上存在大量的光谱变异，因此基于像元的影像分类方法在进行地物分类方面取得的效果非常的差。但面向对象的影像分类方法可以在对高空间分辨率的影像分类时利用更多的能够代表地物的规则，从而使得提取的地物更加的准确。如Zhang和Feng利用IKONOS数据进行基于特征规则的面向对象城区植被覆盖分类研究。研究表明，面向对象的分类方法在用于研究区域的植被覆盖类型提取方面有着很高的精度而基于像元的分类方法则获得的结果非常的差。谭衢霖和STEVE Johansen利用高空间分辨率遥感影像和激光雷达数据在不同分类层次上，评价了基于像元和面向对象两种遥感影像分类方法的研究区植被覆盖类型的精度。结果表明，在研究区域两个不同的植被分类层次中，面向对象分类的效果都更加的好，而基于像元的分类方法取得的分类效果都非常的差^[2]。陈旭等采用基于对象的分类方法与基于对象的分类方法对黑石顶自然保护区QuickBird遥感图像进行了分类，结合多样性指数、优势度指数等指标对比分析了黑石顶自然保护区不同分类方法的景观格局。结果表明，面向对象的多次度、多层次景观分析方法较传统的基于像元的景观分析方法更能体现实际的景观状况，并能够获得更准确的景观分析结果^[3]。陈云浩，冯通，史培军等人基于Aster1B数据利用面向对象的分类方法对北京城区的土地利用进行了分类，最终分类结果的总体精度达到了90%，也很好的克服了基于像元的影像分类方法在高分辨率影像下产生的大量斑块。由其结果可以看出，地物信息提取的精度较高、效果较好^[4]。靳欢欢基于GeoEye的高空间分辨率影像使用传统的ENVI软件自带的面向对象分类模块，即EX模块与ENVI中的基于像元的相关的分类方法进行了系统的对比。通过精度评价结合高分辨率影像上的目视判读，最终的结果都表明面向对象的遥感影像分类方法更加适合高分遥感影像的分类^[5]。这一系列研究都说明了面向对象分类方法在对高分辨率影像进行分类时，往往能够取得较好的分类效果，面向对象分类方法可以用于各种地物类型的分类包括植被类型、景观格局、土地利用分类等；而传统的基于像元的分类对复杂的地物或者光谱特征相似的地物进行分类取得的效果并不理想，需要引入新的遥感影像分类方法来跟好的进行分类。

国内外的研究大多是针对某一种大类的地物类型讨论面向对象分类方法和基于像元的分析方法两者的优劣及分类的精度。此外，现有的相关研究多是以单一的高分的遥感影像作为研究数据，并没有用多种分辨率的数据作为横向对比，同时也没有明确面向对象分类方法大致适用的遥感影像空间分辨率范围以及是否面向对象的分类方法是否可以运用于中等分辨率的遥感影像。因此有必要对这些问题进行进一步的探究，本研究采用易康(eCognition)软件进行面向对象的分类，采用ENVI软件进行传统的基于像元的分类。关于易康软件，其是世界上首款商用的面向对象的遥感图像分类软件，极大的提高了高分辨率遥感影像自动提取的准确度，在处理高分辨率的遥感数据方面较传统的遥感影像处理软件ENVI、ERDAS等有着巨大的优势。本文利用ZY-3卫星6m的高空间分辨率多光谱影像数据，结合易康软件和ENVI软件对武汉市的部分城区进行城市土地利用的分类研究，比较两种分类方法的优劣，探讨多种影像分辨率下这两种方法的分类效果以及面向对象分类技术用于中等空间分辨率数据地物信息提取的精度。

第2章 研究区域与研究数据

2.1研究区域

本次研究以湖北省武汉市部分城区作为研究区域，武汉市地处湖北省东部，有长江和汉江相接。地貌属于平原与丘陵过渡区域，以平原地貌为主，海拔较低，其大部分区域都在海拔50米以下。属于亚热带季风气候，雨热同期，雨量和热量充足，夏热冬冷。本次研究的区域地理位置为114°11'27.74"E~114°36'53.11"E和30°21'29.29"N~30°45'8.36"N。广阔的平原区域和大量的河流湖泊为武汉市的城市发展、建设提供了非常多的便利。同时也为研究带来了便利，没有复杂的地形，会大大减少因为复杂地形带来的各种影响比如大面积的阴影和斜坡效应，因此该区域非常适合研究城市土地利用分类。研究区域地物类型较为复杂，但是分类的地物类型太多会导致分类的效果较差，为了保证两种分类方法对比的有效性，通过对遥感影像的目视解译、查阅相关文献资料以及实地的走访调查，最终确定在本研究中该区域主要有4种土地覆盖类型，包括水体、植被、建筑物、裸地。

2.2研究数据

本次研究使用的遥感影像是由资源三号(ZY-3)卫星获得，资源三号卫星是搭载长征四号乙运载火箭于2012年1月9日在我国的太原卫星发射中心发射升空。资源三号卫星是我国首颗自主民用的高分辨率立体测绘卫星，其装有5.8m地面像元分辨率的多光谱相机，本次实验的数据就是由该相机获取的分辨率为6m的遥感影像，其遥感影像的大小为6800*7300像素。多光谱蓝波段波长为450nm-520nm，绿波段波长为520nm-590nm，红波段波长为630nm-690nm，近红外波段波长为770nm-890nm。总的来说，资源三号卫星具有测绘图像分辨率高、图像几何精度高以及立体测图能力强等特点，非常适合地物的具体解译。通过该数据我们可以进行验证样本点属性的直接解译，或者是手动制作研究区域参照影像用于分类结果的验证；此外，还可以通过该数据获取空间分辨率更低的数据进行对比研究。本次研究的区域以及原始的遥感影像数据如图2.1所示。该区域包括了武汉市大部分的人口聚集区，其占据了武汉市人口的大部；还囊括了两大核心区域：汉口核心区和武昌核心区；这两个区域也是武汉市较繁华的区域，因此研究该区域的土地分类对城市规划建设、经济发展、生态环境保护、人文等方面有很大的帮助和意义。

图2.1 研究区域以及原始遥感影像

第3章 方法

3.1研究方法

根据已经确定的4种土地覆盖类型，即水体、植被、建筑物、裸地。对于面向对象的分类方法来说，结合易康软件，使用面向对象的分类方法对获取的遥感数据进行分类。首先是加载原始的遥感影像，对原始的图像进行分割，这里采用多尺度分割算法，从而生成影像的众多对象。分析地物的特征信息，再结合这些信息进行隶属度函数分类和最近邻监督分类。从而实现对4种地物类型的准确分类，从而得到研究区域的土地利用分类。面向对象分类的技术流程方案如图3.1所示。对于基于像元的分类来说是，结合ENVI软件，加载原始遥感影像，进行数据的预处理，根据确定的4种土地覆盖类型，依靠目视解译、查阅资料以及实地调查，选择4种地物类型的训练样本；选择完训练样本后对训练样本的质量进行评估，样本达标后再选择最小距离和支持向量机两种分类器对影像进行分类，最后对影像分类结果的总体精度进行计算。

图3.1 面向对象分类的地物分类流程

在获得了6m空间分辨率的两种分类方法的研究区域土地分类结果后，对结果进行比较，确定在当前空间分辨率下，最优的遥感影像分类方法。除了进行分类方法的横向对比外，还要进行同一方法在不同空间分辨率下的对比，因此需要将获得的6m空间分辨率的数据转换成其他较低空间分辨率的数据。这需要用到遥感分类中的一项图像处理技术—重采样。影像重采样是把较高空间分辨率的遥感影像转换成较低空间分辨率的遥感影像的一种技术，本质上是一种内插运算^[6]。本研究中，利用ENVI软件的重采样技术将空间分辨率为6米的数据转换成为空间分辨率为10米、20米、30米的数据。后续的对比研究，以这四种分辨率的数据为基础。

3.2基于像元的分类方法

传统的基于像元的分类主要有两种方法，即监督分类(Supervised Classification)和非监督分类(Unsupervised Classification)。基于像元的分类方法在分类时的最小单位是单个的像素，因此在分类时单个像元的光谱信息是该方法最主要考虑的东西。监督分类是通过人工判别确定待分类地物的样本区的像元去确定其他待分类区域的地物类型的一种分类方法。通过获得的对地物产生的先验知识，在待分类遥感影像的区域中为每种地物选择一定数量的样本区域并计算其相关信息，同时用这些得到的类对分类的函数进行训练，使其符合与对各种子类别分类的要求。最后再用训练好的判别函数对待分类区域进行分类，最后完成区域的分类^[7]。其中样本的选择要遵循一部分的原则，即样本的选择要尽可能的均匀分布在整个武汉市的城区，对应地物涉及的各个表现形态也要考虑到，每种表现形态尽量不要重复，每种地物的样本数量也要合适，太少或者太多都不好，要根据地物的总体大小而定，并且这一系列的因素都会影响到分类结果的最终效果。而非监督分类是不考虑对遥感影像中地物的先验知识，其本质上是一种聚类，对具有相似光谱特征的像元进行聚类，最后对生成的分类进行人工的判别。由于我们本次要比较指定的五种地物的所得到的分类结果，为了保证两种分类方法最终的可对比性，在研究中主要考虑基于像元的监督分类方法以与面向对象分类方法生成的五种地物形成对比。

ENVI软件中监督分类有六种分类器：平行六面体、最小距离、马氏距离、最大似然、神经网络、支持向量机等^[5]。在本次实验中选择最小距离分类器和最大似然分类器对获取的数据进行分类。最小距离分类器主要考虑的是遥感影像的各个像素到各类样本的均值向量和标准差向量的距离，将其划分到相距距离最小的那一类中。支持向量机分类是一种机器学习方法，通过其建立的分类器分类的精度也较高。

3.3面向对象的分类方法

在面向对象的分类中，对象是分类过程中计算的最小单位；这一点与单一像元在基于像元分类中所起到的作用非常的相似，都是分类中的最小单位。但同时，这也是面向对象分类和基于像元分类两者的不同点之一。图像对象具有一定的属性，不仅包括了光谱信息，还包括了纹理、大小、形状、紧致性、上下文等从图像中提取出的附加信息^[8]。有了这些附加信息，使得在分类中可以用于辅助分类的信息更加的充足。而传统的基于像元的分类方法像元只包含有三种信息：光谱值、位置与大小^[9]。尤其是在高分辨率的遥感影像中，像元之间的光谱特征变化并不明显，分类时更多的应该考虑图像中提取出的附加信息，起到提高分类效果的作用。

3.3.1对象的多尺度分割

以图像对象为分类的基本分析单元是面向对象分类方法的一个显著特点。因此，采用面向对象方法对研究领域进行分类的第一步是采用合适的图像分割算法对图像进行分割，从而得到一系列可用于分类的对象。图像分类精度的高低与图像分割后得到的对象质量有直接的联系，所以选择一个恰当的图像分割方法至关重要。在易康软件中主要有两种不同类型的图像分割方法：自上而下的分割方法和自下而上的分割方法。自上而下的分割主要又包括棋盘分割和四叉树分割方法，它们的优点是操作相对简单、分割速度很快、程序中算法参数的设置也很简单、初学者很容易上手；自下而上的分割主要是以多尺度分割和光谱差异分割为主，它们的优点是非常的强大、可以根据需要修改算法的参数生成最优的对象但对时间、计算机硬件要求较高，同时往往也是最有效的。考虑到分类的精度，本研究中选用多尺度分割方法对遥感数据进行分割。多尺度分割是自下而上的分割也叫区域生长技术。它是从像元开始，按照同质性标准向上合并成，直到达到预先设定的分割参数的阈值。在易康软件中多尺度分割算法的参数设置界面如图3.2所示，最关键的三个参数是分割尺度参数(Scale Parameter)、形状参数(Shape)和紧致度参数(Compactness)。