针对遥感影像地表覆盖分类的最优分割尺度确定方法

摘要

本发明提供了一种针对遥感影像地表覆盖分类的最优分割尺度确定方法。所述方法包括遥感影像的多尺度分割与分类、基于熵信息的最优尺度选择步骤。该方法通过融合基于像素与面向对象两种分类方法，并充分利用样本信息进行遥感影像分类。该方法有效克服了传统的面向像素方法产生大量‘胡椒盐’噪点的问题，同时实现了对象最优尺度的自动选择，为地表覆盖的制图提供了一种行之有效的方法。

说明书

技术领域

本发明涉及遥感影像的处理方法，特别是针对遥感影像地表覆盖分类的最优分割 尺度确定方法，属于图像处理领域。

背景技术

土地覆盖指自然营造物和人工建筑物所覆盖的地表诸要素的综合体，包括地表植 被、土壤、湖泊、沼泽湿地及各种建筑物(如道路、房屋等)。土地覆盖是全球环境变 化的重要强迫因子，近些年来受到了越来越多研究者的关注。

随着遥感科学技术的发展，遥感影像的分辨率越来越高，这为多种空间尺度上地 表覆盖的制图提供了可行性。遥感影像的分类是地表覆盖制图中的重要环节，决定了 地表覆盖制图的质量。目前，进行遥感影像分类的方法主要分为两大类：(1)面向像 素的方法，(2)面向对象的方法。

像素是遥感影像的基本单元，利用像素的统计信息进行遥感影像的分类是最简洁、 有效的方法。然而，在中、高尺度的遥感影像中，单个像素对应的地面面积较小。因 此受地面复杂度的影响，利用基于像素的方法进行遥感影像分类会产生大量的‘胡椒 盐’噪点。这大大降低了遥感影像分类的精度。

为了克服基于像素的方法产生的‘胡椒盐’噪点，一种结合地物纹理及空间信息 的分类方法悄然兴起——面向对象的分类。不同于基于像素的方法，面向对象的方法 首先将遥感影像分割为光谱均质、空间连续的的独立对象，然后将对象进行分类处理。 这样可以有效的去除‘胡椒盐’噪点，提高分类精度。然而，影像分割获得的对象的 大小取决于影像的分割尺度参数。较大的分割尺度会导致地物被低分割，相反，较小 的分割尺度会导致地物被过分割。很显然就证明，影像的过分割与低分割都会导致分 类精度的降低，参见Liu D,Xia F.Assessing object-based classification: advantages and limitations[J].Remote Sensing Letters,2010,1(4):187-194.。 不幸的是，最优尺度的确定往往需要对不同的分割尺度进行试验，并依靠经验判定最 优分割尺度。这不仅需要耗费大量的人力，而且很难保证获得的最优尺度的准确性。

近些年来，众多研究者都致力于解决影像分割最优尺度的选择问题。Lucian Drǎ gut(2009)等提出利用局部方差自动确定图像的最优分割尺度，参见L,Tiede  D,Levick S R.ESP:a tool to estimate scale parameter formultiresolution image  segmentation of remotely sensed data[J].InternationalJournal of Geographical  Information Science,2010,24(6):859-871.该方法对于影像上所有的对象使用同 一个最优尺度。然而在大多数情况下，一幅影像中的对象大小各异，将同一分割尺度 应用于不同大小的对象进行分割显然是不合理的。此外，T.Esch(2008)等提出了一 种自动确定不同对象各自最优分割尺度的方法，参见Esch T,Thiel M,Bock M,et al. Improvement of image segmentation accuracy based on multiscale optimization  procedure[J].Geoscience and Remote Sensing Letters,IEEE,2008,5(3):463-467. 但是大量的参数被用于最优尺度的确定，这导致整个算法变得相当的复杂。同时，对 于不同的应用目的而言，即使同一幅图像也存在不同的最优分割尺度。比如，当把房 屋作为需要提取的对象时需要一个相对较大的尺度，但当把汽车作为需要提取对象时 却需要一个相对较小的尺度。因此，我们迫切需要一种能够自动确定影像中不同对象 最优分割尺度的方法。

发明内容

为此本发明提供了针对遥感影像地表覆盖分类的最优分割尺度确定方法，该方法 可减少或避免前面所提到的问题。

为解决上述问题，本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定 方法，其包括如下步骤：

步骤A，遥感影像的多尺度分割与分类；

该步骤利用能够生成多尺度分割结果的分割软件获取多尺度的分割结果，并融合 像素级的样本信息计算分割后每个影像对象的平均光谱，并对平均光谱进行分类，获 取不同分割尺度下各对象的分类结果以及后验概率矢量；

步骤B，基于熵信息的最优尺度选择；

该步骤根据步骤A获得的多尺度的后验概率矢量，对每一个对象按分割尺度递增 的顺序分别计算后验概率的熵，熵的计算公式如下：

$E=-\underset{i=1}{\overset{n}{\Sigma }}{P}_i\times {\log }_2\left(P_i\right)$

其中P_i表示对象属于第i类的概率，n代表类别个数，选择熵值最小的分割尺度 作为该对象的最优分割尺度，并令最优分割尺度下对象的分类结果作为对象的最终类 别。

进一步讲，所述步骤A的具体实现方法为：

首先对遥感影像进行多个尺度的分割，多分割尺度的选择根据影像的DN值或反射 率的范围确定，分割时，根据图像特征设置形状因子与紧致度因子；

其次，根据选择的分割尺度范围在分割软件中创建规则集，并按照尺度从大到小 或从小到大的顺序逐级分割；

然后，将多尺度分割结果的对象形成编号文件，依次导出为栅格影像，栅格影像 中每个像素对应的值就是所在对象的编号；

再然后，根据获得的影像分割后对象的编号文件，以及原始的多波段影像，分别 计算每一个分割尺度下每个对象的平均光谱，获取多尺度的平均光谱数据；

最后，从原始的多波段影像中选取训练样本对上述得到的不同尺度下的对象平均 光谱影像分别进行分类，选取的训练样本要求有典型性、随机性；

在分类的同时，获取多个尺度下的对象的后验概率矢量，对于某一分割尺度上的 一个对象而言，其后验概率矢量表示如下：

P＝(P₁，P₂...，P_i...，P_n)

其中P_i表示对象属于第i类的概率，n代表类别个数。

其中较佳的，所述形状因子设置为0.2，紧致度因子设置为0.5。

其中较佳的，分割尺度的选择，是按照尺度的增大，尺度间隔也随之增大的原则 进行。

本发明方法通过融合基于像素与面向对象两种方法，并充分利用样本信息进行遥 感影像分类。该方法有效克服了传统的面向像素方法产生大量‘胡椒盐’噪点的问题， 同时实现了对象最优尺度的自动选择，为地表覆盖的制图提供了一种行之有效的方法。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变 得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的 说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，

图1为根据本发明的一个具体实施例的针对遥感影像地表覆盖分类的最优分割尺 度选择算法的流程示意图；

图2为本发明提供的方法的原理示意图；

图3为根据本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法进 行分类，以及利用基于像素方法、不同分割尺度面向对象方法进行分类得到的结果的 总体精度统计图；

图4为根据本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法进 行分类，以及利用基于像素的方法、最优单尺度面向对象的方法进行分类得到的结果 的总体精度随样本量变化统计图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体 实施方式。但本领域的技术人员应该知道，以下实施例并不是对本发明技术方案作的 唯一限定，凡是在本发明技术方案精神实质下所做的任何等同变换或改动，均应视为 属于本发明的保护范围。

图1为根据本发明的一个具体实施例的针对遥感影像地表覆盖分类的最优分割尺 度确定方法的流程示意图；参照图1所示，下面详细说明根据本发明提供的针对遥感 影像地表覆盖分类的最优分割尺度确定方法的原理，所述方法包括如下两大步骤：

步骤A，遥感影像的多尺度分割与分类；

步骤B，基于熵信息的最优尺度选择。

对于遥感影像而言，在进行本发明处理过程之前，首先需要对影像进行大气纠正， 去除大气影响。同时对于高光谱影像而言，为了减少计算量，本发明建议首先利用主 成分分析(PCA)对高光谱影像进行降维处理。主成分分析(PCA)是公知的方法。

下面分别对步骤A和步骤B予以详细介绍：

步骤A，遥感影像多尺度的分割与分类

本发明融合了基于像素与面向对象两种方法，对于面向对象的方法而言，首先需 要对遥感影像进行分割处理。因此，本实施例使用eCognition 8.9软件首先对遥感影 像进行多个尺度的分割，实际上eCognition的所有版本都可以，其他分割算法软件如 果能够生成多个尺度的分割结果,同样适用于本方法。经验确定，分割时，形状因子 设置为0.2，紧致度因子设置为0.5较好。多级分割尺度的选择可以根据影像的DN值 或反射率的范围确定，本实例选择的多级分割尺度为100、120、140、160、180、200、 240、280、320、360、400、460、520、580、640、700、780、860、940、1020、1100 这些。从中可以看出尺度间隔随着尺度的增大而增大，因为随着尺度的增大，对象的 面积不断增大，对象间的异质性差异也越来越大，较小的尺度间隔基本不会改变分割 结果，因此本实例选择了不断增大的分割间隔尺度。

其次，根据选择的分割尺度范围在eCognition 8.9软件中利用 MRS(multiresolution segmentation)算法创建规则集(规则集的创建是eCognition 软件的基本功能，具体指不同的分割参数(形状因子、紧致度因子)的设定，并按照 尺度从大到小或从大到小的顺序逐级分割。

然后，将多尺度分割结果的对象形成编号文件，依次导出为栅格影像，因此栅格 影像中每个像素对应的值就是所在对象的编号。形成编号文件的过程是eCognition 软件本身的功能，也是公知的方法。

再然后，根据上述步骤获得的影像分割后对象的编号文件，以及原始的多波段影 像，分别计算每一个分割尺度下每个对象的平均光谱，获取多尺度的平均光谱数据。 平均光谱的计算就是将对象内部所有像元的光谱取平均值，这个是公知的过程。

最后，从原始的多波段影像中选取训练样本对上述得到的不同尺度下的对象平均 光谱影像分别进行分类。训练样本的选择要求选择的样本有典型性、随机性就可以。 训练样本的选择在所有的监督分类中都存在，也是一个公知的过程。

极大似然分类器(SVM)或者支持向量机分类器(MLC)都可以用于上述分类过程。 对于高光谱影像，本发明建议使用SVM分类器，因为SVM分类器对高光谱数据具有更 好的分辨能力；对于Landsat等中分辨率影像，本发明建议使用MLC分类器，因为MLC 具有更快的分类速度，有利于提高整体效率。

在使用上述分类器进行分类的可以同时获取对象的后验概率矢量(对象对于不同 分类类别的归属概率)。对于某一分割尺度层的一个对象而言，其后验概率矢量可以表 示如下：

P＝(P₁，P₂...，P_i...，P_n)

其中P_i表示对象属于第i类的概率，n代表类别个数。对不同分割尺度的所有对 象分别使用上述分类方法，即可获取多尺度的分类结果以及多尺度的后验概率矢量。

步骤B，基于熵信息的最优尺度选择

根据步骤A所述流程求得的后验概率矢量可得：当对象处于过分割时(即分割尺 度较小时)，对象内所包含的像元较少，受对象内‘胡椒盐’噪点的影响，对象在分类 时的不确定性增大。当对象处于低分割时(即分割尺度较大时)，对象内包含的像元较 多。虽然‘胡椒盐’噪点带来的影响可以被忽略，但对象内部不同地物的混合同样增 大了对象分类的不确定性。

基于以上思想，本发明提出了利用熵信息作为衡量对象分类不准确性的标准。根 据步骤A求得的多层后验概率，在不同分割尺度上分别求取对象后验概率矢量的熵值。 熵的计算公式参照如下：

$E=-\underset{i=1}{\overset{n}{\Sigma }}{P}_i\times {\log }_2\left(P_i\right)$

其中P_i表示对象属于第i类的概率，n代表类别个数。当对象处于过分割状态时， ‘胡椒盐’噪点引起的分类不确定会导致熵值的增大；同样，当对象处于低分割时， 多种地物的混合引起的分类不确定同样会导致熵值的增大。其规律如图2所示。由此 可得：当对象的在某一分割尺度的后验概率矢量具有最小熵值时，其分类稳定性是最 高的。因此选择熵值最小的分割尺度作为该像元所在对象的最优分割尺度。同时以该 尺度下的对象分类结果作为对象的最终分类结果。如上所述，对所有对象实施以上过 程，即可得到所有对象的最优分割尺度以及最终的分类结果。

为了更好的说明本发明的技术效果，针对一幅高光谱影像，分别利用本发明提出 的针对遥感影像地表覆盖分类的最优分割尺度确定方法以及单一的基于像素方法和最 优单尺度面向对象方法进行了影像的分类，然后对分类后的结果进行比较。所有分类 过程采用SVM分类器完成，最优单尺度的面向对象分类选择多个尺度的分类结果中 精度最高的尺度。上述对比方法选用的分类训练样本与本发明提供的方法的分类训练 样本完全一致。同时，为了验证该方法的稳定性，本发明在不同的样本量下进行了多 次试验。总体样本大小以1000为间隔从1000个像素增加到10000个像素。同时对每 个样本量进行十次实验，每次实验的样本从参考分类图中随机选取。为减少计算量， 在进行本发明提供的方法的处理之前，首先利用主成分分析算法(PCA)将影像降维 处理，并提取前8个波段用于本发明提供的方法的处理过程。

相比基于像素的方法，通过利用根据本发明提供的针对遥感影像地表覆盖分类的 最优分割尺度选择方法进行遥感影像的分类得到的结果，有效的去除了‘胡椒盐’噪 点带来的分类误差；与最优单尺度面向对象的分类结果相比，本发明提供的方法，可 以提取出更多的细节信息，提高了分类的精度。

图3为利用本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法进 行分类与基于像素的方法进行分类，以及利用不同分割尺度对高光谱影像进行分类得 到的分类总体精度的统计图，从图中可以看出，本发明提供的方法，相比面向像素的 方法以及单尺度面向对象分类都具有更高的精度。

图4为利用本发明提供的针对遥感影像地表覆盖分类的最优分割尺度确定方法进 行不同样本量的实验，与利用基于像素的方法以及最优单尺度方法进行不同样本量的 实验得到的总体分类精度统计图。从图4可以看出，与基于像素的方法相比，本研究 提供的方法的总体在不同样本量的条件下都比基于像素的方法高；与最优单尺度相比， 在样本量少于4000的情况下，本发明提出的方法总体精度略低于最优单尺度的方法， 但当样本量大于4000时，本研究提出的方法总体精度要高于最优单尺度方法。这说明， 在样本量不足的条件下，本发明的提供的方法鲁棒性降低；在样本量充足的条件下， 本研究提出的方法是进行影像分类的有效方法。

由上述图实例可看出，根据本发明提供的针对遥感影像地表覆盖分类的最优分割 尺度确定可以有效的进行遥感影像的分类。本发明所提供的针对遥感影像地表覆盖分 类的最优分割尺度确定方法有效的结合了基于像素与面向对象两种分类方法，有效的 克服了面向像素产生大量‘胡椒盐’噪点的问题，同时实现对象最优尺度的自动选取。 为地表覆盖制图提供了一种行之有效的方法。

本领域技术人员应当理解，虽然本发明是按照多个实施例的方式进行描述的，同 时进行了几种方法的横向对比，但是并非每个实施例仅包含一个独立的技术方案。说 明书中如此叙述仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体加 以理解，并将各实施例中所涉及的技术方案看作是可以相互组合成不同实施例的方式 来理解本发明的保护范围。