基于面向对象城市信息提取方案研究

尹智超

重庆交通大学  重庆  400074

摘要：经济社会的发展壮大不断地催生着城市的发展与扩张。快速有效地获取城市的信息，对城市的发展和提高经济效益具有十分重大的意义。高空间分辨率遥感影像能够提供清晰、全面的城市信息。因此提出了一种基于面向对象的城市信息的提取方法。具体如下：先对原始影像进行影像融合、辐射校正、几何校正预处理操作，然后对处理后的影像进行多尺度分割，依据不同的地物特点选择不同的分割和合并尺度，最后再采取基于面向对象分类方法进行分类，提取影像中的植被、建筑物、道路、水体等信息。

1引言

城市化进程的不断加快意味着城市地物分布信息变化速度越来越快。在这样的背景下，通过何种技术手段，快速而又有效地提取城市信息，进行城市问题的定量研究[1]，从而为原有城区的治理和环境保护，以及城市的规划，提供可行的研究方案是十分必要的。遥感由于其具有宏观能力强，获取信息速度快、时效性强，综合性强，探测手段多样化的特点，因此被广泛的应用于环境监测、防灾减灾、城市规划等领域。面向对象分类方法以影像对象作为最小的分类单元，在分类时除了利用影像的光谱特征外，充分地利用了影像的空间和纹理等特征，分类精度更高从而广泛地应用于高分辨影像信息的提取[1]。

2.1 面向对象分类原理

面向对象的分类技术是以图像分割后，合并组成的“同质”单元为处理单元。它的整个技术流程如下：第一步是根据影像的空间信息、光谱信息和纹理信息对获取的高分辨遥感影像进行多尺度分割；第二步是建立不同尺度的分类层次，根据像元之间的相互关系、空间特征、纹理特征等多种特征对不同的分类层次进行定义，并规定好每一分类层次的权重，在此基础上构建分类规则，从“父类”到“子类”，完成对遥感影像的分类[20]。也可以概括为两个部分；一是多尺度分割；二是特征提取。

图像分割就是在对影像进行信息提取时，根据实际的需要，结合像元的光谱特征和像元之间的空间关系，使得影像中具有相似性质的相邻像元合并成一个“同质”单元，使得性质不同的像元相互分离的过程。遥感数据影像具体一定的空间尺度，在进行了多个分割尺度后，在不同的分割尺度之下会形成不同尺度的对象层，每个对象层则代表着某一尺度下地物的属性特征，从上往下保留着“父类”和“子类”的关系。由分割产生的各级影像对象层都介于遥感影像和像素层之间。上一级的影像对象层可以由更小分割尺度的下一级相邻影像对象组合而成。在同一影像对象层，不同的影像对象大小是不一定相同的。

随着面向对象的分类方法的不断发展，涌现了许多的多尺度分割技术。常用的面向对象多尺度分割算法有分形网络演化算法（Fractal Net Evolution Approach，FNEA）[2]。它基于异质性最小原则，将相邻的像元或者相邻的像元集合进行合并，合并形成的“同质”单元就是多尺度分割的结果。FNEA算法的思想如下:

设为异质度，即为描述相邻影像对象异质性的变量。为光谱信息权重，为光谱异质度，形状信息权重，形状信息异质度。的计算公式为：

（2-1）

公式中形状和光谱的信息权重可以自行定义，且二者之和为1。根据生产实际的需要，我们可以设置一个尺度阈值，当异质度小于等于尺度阈值时，可以实现基于光谱和形状等特征的图像分割。当设置不同的尺度阈值时，可以得到不同的图像分割结果，即最终得到一个多尺度的影像分割结果。

3 面向对象分类参数

3.1分割尺度

由于“同质”单元的大小是受图像分割尺度的影响，而不是空间尺度。因此在不同的图像分割尺度下，“同质”单元的大小和数量也不一样。一个合适的图像分割尺度可以在保证分割的面积不会太小的前提下，把地物的边界完整地描绘出来，因此在实施面向对象分类的过程中，要合理把握好分割尺度。

在进行图像分割操作时，有两种可供选择的算法。其中一种是基于边缘的分割算法，它利用边缘检测算子，提取影像中不同区域的边界，并在边缘标注灰度、纹理、空间等特征不连续的位置，以此来完成图像的分割。它的特点是基于具有不同灰度的两个区域的边界来进行分割，需要用合并算法将边缘合并成边缘线才能得到较好的边界，到达理想的效果。另一种分割算法是基于亮度的分割算法。它的特点是适用于梯度变化较小的数据，即使不使用合并算法也能达到不错的分割效果。可以通过调节滑块或者直接输入数值的方式确定分割尺度。分割尺度越小，分割的图像越细致，反之则越粗略。

3.2合并尺度

图像在分割的时候，可能会由于分割尺度太小，会存在一些特征会被错分的情况甚至有一些具有相同特征的相邻对象会被分割成很多部分。因此，我们在进行图像分割之后进行图像合并。依据需求和地物的各种特征，通过调节滑块或者手动输入合并尺度。合并的尺度越大，合并之后的“同质”单元就越大，反之大小则会越接近未合并的单元。

3.3影像特征

对影像中不同地物信息的选择和提取时，需要对光谱信息、空间信息和纹理信息进行充分的利用

[3]，并以此构建出分类层次。

光谱特征是指地物由于其物理构造和化学性质不同，对电磁波的吸收和反射程度不同，在光谱特性曲线上表现为不同的特性。常用均值等来表示。

纹理特征是指图像上各像元的灰度值的变化情况和空间分布情况。可以通过灰度共生矩阵等方法来描述这一特征。

形状特征是指反映地物目标外貌轮廓和几何结构的信息，是经过矢量化后的图像中各点坐标组合而成协方差矩阵。常用的形状特征参数有面积、长度、形状因子等。

3.4 分类算法

在面向对象的分类中，较为常见的算法有最邻近分类法和决策支持的模糊分类算法。

最邻近分类法，通过这些样本对“同质”像元进行分类。在每一种类别中，都需要选取样本和特征空间。这些特征空间可以组成不同的特征。在特征空间中。每一个“同质”单元的类属都会被划分到离它最近的样本所在的类别中。

决策支持的模糊分类一种是运用了模糊逻辑概念，建立决策树分类的知识库的软分类方法。它根据分割后形成的影像对象层建立不同的分类层次，根据对象层之间的横纵向关系确立分类的层次结构。在每一层都定义对象的光谱特征、纹理特征、形状特征和相邻关系特征，对每一种特征都定义一个权重，判断对象属于某一类别的概率。并根据最大概率原则，先在大尺度上分出“父类”，再依照生产实际的需要在小的尺度上定义特征，分出“子类”，得到分类结果。可以通过一个阈值为[0，1]的隶属函数来描述每一类别的特征。隶属函数的值越接近1，属于这类地物的概率就越高，反之则属于这类地物的概率就越低。

4总结

基于面向对象的分类能够充分的利用高分影像上的光谱、空间、纹理等特征，提取的城市信息精度较高，能为城市规划，智慧城市的建立，环保等领域提供丰富的信息，将更广泛的应用于高分遥感领域和地理信息系统领域。

参考文献：

[1] 刘培,李莹,马威,等. 国产高分辨率遥感数据城市绿地提取研究[J]. 现代测绘, 2020, 43(1): 10-15.

[2] 成洁. 基于面向对象的高分辨率遥感影像建筑物提取研究[D]. 西安科技大学, 2020.

[3] 陈周,费鲜芸,高祥伟,王筱雪,赵慧敏. 高分辨率遥感影像分割的城市绿地提取研究[J]. 测绘通报, 2020(12): 17-20.