人工目视解译和计算机自动分类是遥感图像分类的两大途径。面向对象分类方法是与传统面向像元分类方法相对的适用于高分辨率图像的自动分类方法, 包括图像分割、特征提取与选择、分类模型建立等几个步骤。人工目视解译方法效率较低, 对海岛边界的定位效果比较粗糙; 面向对象自动分类方法中的图像分割技术则采用分形网络演化^[11]等优秀算法, 获得内部异质性最小、彼此异质性最大的对象区域, 从而准确地分离海岛与水体, 并对海岛边缘进行精细定位。因此, 本文整体采用面向对象自动分类方法实施海岛专题信息的提取。另一方面, 人工目视解译方法虽然在微观层面上提取海岛边界的精度有限, 但以高分辨率图像特别是高分辨率多光谱图像为数据源在宏观层面上识别海岛目标仍然具有较高的准确性。因此, 本文以人工目视解译方法的识别结果为标准, 对针对不同数据源的不同面向对象分类方案的识别能力与识别精度进行验证。

岛礁识别对遥感图像空间分辨率的基本要求为10 m^[12]。然而, 随着海洋及海岛调查日益朝着精细化方向发展, 对遥感图像分辨率的要求已逐渐提高。因此, 本文具体尝试了2种数据源选择方案, 其一是采用不同分辨率多源遥感数据, 将预处理后的高分辨率雷达图像与多光谱光学图像进行像元级融合, 获得光谱与空间分辨率双高图像, 作为图像分割的理想输入, 为识别小目标奠定基础; 其二是直接采用多时相高分辨率光学遥感数据以保证识别能力。

然而, 伴随图像分辨率的提高派生出新的问题— — 在中等分辨率图像中隐匿的船只等伪信息在高分辨率图像中显现了出来, 对海岛特别是小面积海岛信息造成干扰。因此, 对船只等伪信息的剔除成为本文的研究重点。

对于多源多级遥感数据, 在融合图像初始分割的前景对象中同时包含海岛和船只等运动地物。利用雷达的特殊成像机理, 以及船只等金属构造物相对于海岛陆面地物后向散射较强、在图像中显示亮度较高的特点, 选择灰度均值、最大值、标准差以及其他波段运算函数等作为光谱特征, 并依据图像直方图设置恰当的阈值, 将船只等区分为不同的类别, 获得比较“ 纯净” 的分类结果。

对于多时相高分辨率光学数据, 将每个时相的图像分割完成后, 利用面积这一空间特征(在海域影像中洋面往往超过所有海岛面积之和)将水体背景首先分离出来, 而将不易区分的海岛和船只等运动地物暂且统一归为非水体前景。考虑到海岛相对稳定, 在时间间隔较短的不同时相影像的同一位置上表现为相同的显隐性; 而船只等地物具有灵活运动、随机分布的特点, 在不同时相图像的同一位置上表现为不同的显隐性; 将不同时相图像分类结果叠加求交集, 从而剔除各个时相图像中的船只等运动地物, 仅保留海岛。

实验数据为3 m分辨率的COSMO-SkyMed雷达图像与15 m分辨率的ETM光学图像。实验区位于浙江温州沿海。

相干斑点噪声的抑制是雷达图像处理的必要步骤。经过试验, 本文对COSMO-SkyMed影像用Enhanced Frost滤波器进行了滤波, 滤波窗口为5像元× 5像元。

为实施目视解译, 通常需要选择最佳波段组合, 并增强图像的显示效果。经过试验, 本文对ETM影像采用了7、5、3波段组合方案, 在几何配准的基础上, 对3个波段ETM与滤波后的COSMO-SkyMed数据进行了HSV融合, 融合图像的空间分辨率为3 m。

对样本分割效果进行预览, 以检测与定位海岛边界为目标, 设置理想的分割参数(本例实验归一化分割参数设为0.80)进行初始分割。针对过分割现象, 同样对样本合并效果进行预览, 以在保持类间对象隔离性的前提下最大限度地统一类内对象为目标, 设置理想的合并参数(本例实验归一化合并参数设为0.85)实施区域合并。然后根据区域灰度均值直方图所表现出来的可分性设置恰当的阈值(如图1), 从而建立掩模隐去水体背景, 获得只包含海岛和船只等运动地物的掩模结果(如图2(左))。在分割的基础上, 试验中发现在融合图像第三波段(红光波段)均值的特征图像中水陆灰度对比最为明显, 因此以其作为分类特征实施阈值分类, 剔除船只等运动地物。最后经过类别集群、类别筛选等分类后处理, 填充陆域内的水体形成的“ 孔洞” , 消除海域内雷达图像滤波残留斑点噪声形成的微小“ 孤岛” , 结果如图2(右)。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 融合图像分割结果直方图及掩模阈值设置示意图 (两条灰色虚线即为阈值位置)Fig.1 Histogram of the segmentation of the fused image with thresholds set for mask

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 融合图像分割掩模结果(左)与面向对象分类结果(右)Fig.2 Masked segmentation(left)and object-oriented classification(right) of the fused image

利用灰度、颜色、形状及面积等解译标志对预处理后的图像进行目视解译, 矢量形式的目视解译结果和预处理图像的叠加图如图3(左)。将矢量形式的面向对象自动分类结果和预处理图像的叠加图(图3(右))与之对比发现, 11个大小不等的海岛均被提取出来, 没有漏判(3个相距较近的海岛被判别为1个); 9条不同大小和形状船只中的8条被剔除, 1条被错分为海岛, 误判率为11.1 %; 总体分类精度为95.0 %。其余误判的样本根据形态和纹理分析认为是较大的斑点噪声— — 因为在分类后处理中消除斑点噪声形成的伪信息时, 为了避免同时覆盖较小的海岛目标, 设置的“ 孤岛” 面积阈值不是太大。在正确识别结果中, 海岛的最小面积为10个像元, 相当于90 m²。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 目视解译结果矢量(左)和面向对象分类结果矢量(右)与融合图像叠加对比(局部)Fig.3 Comparison of the overlay of visual interpretation vector and the fused image(left)and the overlay of object-oriented classification vector and the fused image(right)

实验数据为2008年1月4日和2009年2月8日获取的2个时相、2.5 m分辨率的SPOT 5图像。实验区位于浙江舟山群岛。

此例单纯光学图像数据的初始分割与区域合并结果的区域灰度均值直方图, 没有表现出上例光学与雷达融合图像分割结果的区域灰度均值直方图那样良好的可分性, 因此未进行掩模处理。在分割的基础上, 试验选择了面积属性作为分类特征, 进而依据特征图像直方图设置恰当的阈值实施分类, 获得水体与非水体两大类型, 第一时相影像的分类结果如图4(左)。同理获得的另一时相影像的分类结果如图4(中)。最后将两个时相影像的分类图像叠加求交, 以排除船只等运动地物, 结果如图4(右)。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 单时相与多时相面向对象分类结果对比Fig.4 Comparison of single-temporal and multi-temporal object-oriented classifications

将两个时相的独立目视判读矢量叠加到原始图像上(图5(左)和图5 (中)), 将两个时相综合自动分类矢量叠加到分类栅格图像上(图5(右))。

图5

Fig.5

	Figure Option ViewDownloadNew Window
	图5 第一时相(左)、第二时相(中)目视判读结果矢量和原始图像叠加图与2个时相综合分类结果矢量和分类栅格图像叠加图(右)对比(局部)Fig.5 Comparison of the overlay of the 1st time’ s visual interpretation vector and the original image (left), the overlay of the 2nd time’ s visual interpretation vector and the original image(middle) and the overlay of the two time’ s classification vector and raster (right)

经对比发现, 20个大小不等的岛屿和礁石中的18个被提取出来, 漏判率为10%; 6条不同大小和类型的船只均被剔除出去, 没有误判; 总体分类精度为92.3%。在正确识别结果中, 海岛的最小面积为8个像元, 相当于50 m²。