面向对象的图像处理及信息提取技术有别于传统的面向像元的图像处理和信息提取技术, 它处理的目标是影像对象。所谓影像对象就是由若干个像元组成的封闭区域, 这些区域内部具有一定的光谱均质性, 同时还考虑了区域的形状、大小、颜色、纹理等特性。这种区域就是影像对象, 它在某种程度上和实际地物有着一定的对应关系。而像元本身和实际地物不一定具有对应关系(如混合像元)。传统的图像处理是直接根据像元的光谱特性、采用不同的计算方法对像元进行分类, 得到的是像元的光谱类; 相邻光谱类间的界线呈锯齿状, 和实际情况不同。面向对象的分类则是对影像对象进行分类, 即先对影像进行分割, 分割结果是一个个的影像对象, 然后再根据影像对象的特征生成各种影像类; 影像对象类别间的界线不是锯齿状, 和实际情况比较吻合。

影像对象有时未必与实际地物有完全的对应关系, 影像对象和实际地物接近的程度决定分类精度。理论上, 分割后影像对象内部差异性越小, 分类效果就越好。但也未必尽然, 影像对象越小, 内部差异肯定也越小, 但不能保证影像对象和实际地物的吻合, 一个实际地物可能被分成两个或多个影像对象。这时, 影像对象的大小和形状及相互位置关系等就不能代表实际地物状况。这种情况下的影像对象和像元的作用相似, 在分类时可利用的只有地物的光谱信息, 而不能利用地物的形状大小和位置关系等大量信息。影像分割的目的就是不仅要利用影像的丰富的光谱信息, 而且要充分利用大量的关于地物的形状、大小及位置关系等信息。有时利用光谱信息不能解决的分类问题, 利用形状、大小及位置关系等信息则容易解决。但是要使分割后的影像对象和实际地物完全吻合较困难, 因为影像中有许多地物类型, 不同类型地物的大小是不一样的; 同种地物的大小也不一样, 而且它们的分布规律也极其复杂。所以, 只能尽可能使分割的影像对象在形状大小等方面与实际地物接近, 但难以做到完全一致。目前影像分割技术已成为面向对象图像处理和信息提取技术的难点, 要解决的关键问题是影像对象分割尺度的确定。

尺度是理解和把握地球系统复杂性的关键参数之一^{[1, 2]}。地球科学研究中涉及的尺度概念主要有两个层面的含义, 一是指系统的地理范围层次(如流域等级); 二是指系统的分辨率或比例尺(如遥感图像空间分辨率、地图比例尺、地质年代划分程度等)。在一个空间尺度上是同质、各向同性的, 在另一尺度上就可能是异质、各向异性的。尺度改变时可能显著影响观测结果, 同样也会影响到利用观测数据进行分析、挖掘得到的空间特征、空间结构模式和过程演化规律。在不同尺度上, 格局和过程往往出现不同的特征规律^{[3, 4]}。面向对象的遥感影像分割尺度就是一个关于多边形对象异质性最小的阈值, 它决定生成影像对象的大小和级别。分割尺度不同, 所生成影像对象的大小也不同, 不同分割尺度的影像表现出明显的空间结构特征差异^[5]。

影像分割时, 尺度的选择非常重要, 它直接决定影像对象的大小和提取信息的精度。分割尺度的选择与许多因素有关, 如遥感影像的分辨率、所要提取地物的大小、形状及其与周围地物的相对亮度和结构关系等^[6]。分割的尺度不同, 形成的多边形差异很大, 尺度越小, 生成的多边形越多, 单个多边形的面积越小。对于一种确定的地物类型, 最佳的分割尺度是分割后多边形能将这种地物类型的边界显示清楚, 并且能用一个或几个对象把这种地物表示出来, 既不能太破碎也不能边界模糊。目前, 对于最佳分割尺度选择主要采用两种较经典的方法: 局部方差法和变异函数法^{[7, 8, 9]}, 但这两种方法在某些方面还存在着一定的局限性。笔者认为, 应根据研究的具体问题、实际气象和地形条件、所拥有的遥感数据以及需要提取的地物本身情况等因素来选择最优尺度。由于影像分割后影像对象内部特征要尽量保持一致, 所以本文采取影像对象内部亮度标准差均值最小、影像对象亮度均值标准差最大的方法来确定最佳分割尺度。影像对象亮度标准差均值越小, 表明影像对象内部条件差异越小, 内部条件一致性越好, 分割后影像对象与实际地物吻合得更好; 影像对象亮度均值标准差越大, 说明对象间分离性高, 容易对对象进行分类。总目的就是要达到分割对象与实际地物吻合度高, 同时要易于对对象进行分类。所以, 影像对象的“ 亮度均值标准差” 和“ 亮度标准差均值” 这两个指标就应成为衡量分割尺度是否合适的标准。

本文选定成都平原为研究区域, 研究目的是成都平原土地利用变化信息快速提取。成都平原由于其固有的地理空间等自然条件以及人文条件, 地物及其分布情况在遥感影像上表现出其固有的特点, 与其他地理区域有明显的不同。成都平原地势平坦, 各种自然要素和人文要素在垂直方向的分异不明显。但成都平原具有人口密度大、城镇村落密布、交通网络发达、河网密度大等特点, 并由于独特的水热和土壤等条件, 植被类型及其分布独特, 经济水平高, 土地开发利用程度高。因此, 要准确提取土地利用变化信息, 应当使用高空间分辨率遥感数据。采用传统的基于像元的影像分析技术很难实现研究目的, 所以采用面向对象的影像分析技术是较适合的选择。根据所使用的高空间分辨率遥感数据确定与之相适宜的影像分割尺度是面向对象影像分析的第一步和关键问题。

由于成都平原面积广阔, 所以选取有代表性的区域— — 成都市葛仙山镇进行试验。试验数据采用覆盖该镇范围的QuickBird影像, 数据获取时间为2006年11月, 数据大小为760× 703像元, 经预处理得到正射影像。分割前原始影像如图1所示, 采用B3(R)、B2(G)、B1(B)波段组合显示为真彩色影像。由于原始影像分辨率高, 可以看出影像中地物类型有城镇村落等建筑物、耕地、道路、河流、裸地、林地等。其中建筑物有比较新的砖混结构的平屋顶和坡屋顶建筑, 还有大量的较旧的瓦屋顶建筑; 耕地有作物覆盖的, 也有无作物覆盖的; 林地有稀疏的林地, 也有较为密集的。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 原始影像Fig.1 Original image

从样例数据可以看出, 仅根据影像像元的光谱性质很难区分地物类型, 所以决定采用面向对象的影像分析技术。为了对影像进行分割, 首先要决定采用什么样的分割尺度。为了得出最佳的分割尺度, 先采用不同尺度进行预分割, 得出不同尺度下的分割对象; 再对不同尺度下影像对象内的像元光谱平均值和标准差进行分析, 得出不同分割尺度下影像对象的亮度均值标准差和亮度标准差均值。

为了得出最佳的分割尺度, 首先在5~100分割尺度之间以5为间隔采用了20个不同的尺度进行试验。分割后影像对象的亮度均值标准差和亮度标准差均值如表1所示。

表1

Tab.1

表1(Tab.1)

表1 不同分割尺度下影像对象亮度均值标准差及标准差均值表 Tab.1 Table of the standard deviation of the mean brightness and the mean standard deviation of image objects at different segmentation scales 分割尺度 亮度均值 标准差 B1均值 标准差 B2均值 标准差 B3均值 标准差 亮度标准 差均值 B1标准 差均值 B2标准 差均值 B3标准 差均值 5 35.82 37.66 39.67 0.15 4.66 4.57 4.81 4.60 10 37.13 36.22 38.45 40.17 9.48 9.25 9.82 9.36 15 37.83 36.79 39.11 40.86 11.77 11.44 12.18 11.68 20 38.11 36.96 39.38 41.19 13.32 12.90 13.79 13.27 25 37.97 36.82 39.03 41.15 14.43 13.99 14.94 14.37 30 38.20 37.18 39.10 41.43 15.34 14.79 15.91 15.32 35 38.13 37.04 38.94 41.50 16.14 15.51 16.74 16.17 40 38.02 36.94 38.88 41.32 16.78 16.04 17.39 16.92 45 37.59 36.46 38.42 40.94 17.27 16.43 17.92 17.46 50 37.38 35.81 38.32 40.98 17.65 16.71 18.32 17.91 55 36.41 34.45 37.50 40.18 18.13 17.07 18.86 18.46 60 36.63 34.62 37.86 40.22 18.58 17.46 19.31 18.96 65 36.03 34.19 36.94 39.87 19.04 17.96 19.69 19.46 70 34.85 32.80 35.93 38.70 19.70 18.56 20.32 20.23 75 33.71 31.78 34.70 37.44 20.12 18.84 20.77 20.75 80 33.55 32.01 34.00 37.32 20.56 19.32 21.21 21.15 85 33.31 31.80 33.78 37.15 21.02 19.82 21.62 21.63 90 33.74 32.31 34.07 37.48 21.40 20.15 21.97 22.09 95 34.26 33.15 34.41 37.86 21.96 20.72 22.55 22.62 100 34.86 33.72 34.96 38.56 22.17 20.85 22.82 22.85

表1 不同分割尺度下影像对象亮度均值标准差及标准差均值表 Tab.1 Table of the standard deviation of the mean brightness and the mean standard deviation of image objects at different segmentation scales

从表1中可以看出, 影像对象亮度均值标准差最大值和亮度标准差均值最小值并不对应。采用影像对象亮度标准差均值最小值所对应的分割尺度进行分割的结果表明, 影像对象非常破碎, 数量很大; 而且亮度均值标准差不是最大值, 说明影像对象间类分离性较差, 显然这一尺度不是最佳尺度。采用亮度均值标准差最大值所对应的分割尺度进行分割的结果表明, 影像对象间可分离性最大, 容易进行类别的划分, 同时通过目视分析, 该尺度分割的影像对象和实际地位吻合程度最高。

以分割尺度为横坐标, 亮度值(亮度均值标准差或亮度标准差均值)为纵坐标, 绘制出分割尺度与亮度均值标准差关系图(图2)。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 分割尺度与亮度均值标准差/亮度标准差均值关系图Fig.2 The relation diagram of segmentation scale with the standard deviation of the mean brightness/ the mean standard deviation

从表1和图2可以看出, 亮度均值标准差、B1/B2/B3均值标准差最大值分别为38.2、37.66、39.67和41.5, 对应的分割尺度分别为 30、5、5和35。如以5为尺度进行分割, 图像分割非常破碎, 显然不能以此尺度来分割; 通过对比发现, 以30为尺度进行分割的效果最好。因篇幅所限, 只选择了分割尺度为5、30、50和100的影像分割结果进行对比显示(图3)。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 不同分割尺度影像分割效果对比Fig.3 Comparison of the results of the segmentation in different scales

从以上一系列尺度分割的效果来看, 以30为尺度分割后能保证最小的地物不被分割成多个对象, 从而不至于使图像分割得非常破碎且边界模糊, 也不会把几种地物分割在一个影像对象内。而其他尺度如尺度为5时, 分割非常破碎, 分割后影像对象与实际地物基本没有对应关系, 这种尺度的分割对后续的分类没有实际意义; 尺度为50、70和100的分割结果, 都会将几种地物包含在一个对象内, 不能准确地进行分类; 所以, 30是最佳的分割尺度。