2009年6月第7卷第3期
地理空间信息
大悟天气
ＧＥＯＳＰＡＴＩＡＬ
ＩＮＦＯＲＭＡＴＩＯＮ
Ｊｕｎ．，２００９Ｖｏｌ．７，Ｎｏ．３
唐山国际旅游岛
纪
敏1，李辉2，石晓春1
（1.广东省国土资源厅测绘院，广东广州510500；2.中国地质大学地球科学学院，湖北武汉430074）
摘
要：利用面向对象的信息提取技术，以高分辨率的广州市QuckBird 影像为例，将城市用地分为：居民地、水体、道 路、林地和农业用地等5类，并将其与传统基于像素光谱信息的分类方法进行了比较。结果表明：视觉上，面向对象的分类方法克服了传统方法无法克服的“椒盐”噪声的影响；精度上，面向对象信息提取技术的总体精度高达89.53%，比传统方法提高了11%；并且各类地物信息的提取精度均有所提高，其中林地、道路的精度有了较大提高。关键词：高分辨率卫星影像；面向对象；基于像素；精度中图分类号：TP79 文献标志码:B
文章编号:1672-4623(2009)03-0062-03
Classification of Urban Land Use Based on Object-oriented Method
JI Min 1,LI Hui 2,SHI Xiaochun 1
（１．ＩｎｓｔｉｔｕｔｅｏｆＳｕｒｖｅｙｉｎｇ＆Ｍａｐｐｉｎｇ，ＤｅｐａｒｔｍｅｎｔｏｆＬａｎｄ＆ＲｅｓｏｕｒｃｅｓｏｆＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｅ，Ｇｕａｎｇｚｈｏｕ
５１０５００，Ｃｈｉｎａ；２．ＧｅｏｇｒａｐｈｙＤｅｐａｒｔｍｅｎｔ，ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＧｅｏｓｃｉｅｎｃｅ，Ｗｕｈａｎ４３００７４，Ｃｈｉｎａ）Abstract ：Ｉｎｔｈｉｓｐａｐｅｒｗｅｃｏｍｐａｒｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｗｏｉｍａｇｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐａｒａｄｉｇｍｓ（ｏｂｊｅｃｔ－ａｎｄｐｉｘｅｌ－
ｂａｓｅｄ）ｆｏｒｃｒｅａｔｉｎｇａｌａｎｄｃｏｖｅｒｍａｐｏｆｓｕｂｕｒｂｏｆＧｕａｎｇｚｈｏｕｃｉｔｙ，ＣｈｉｎａｕｓｉｎｇＨｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｓａｔｅｌｌｉｔｅｉｍａｇｅ，ｔｈｅＱｕｉｃｋＢｉｒｄｉｍａｇｅｓ．Ｔｈｅｉｍａｇｅｗａｓｃｌａｓｓｉｆｉｅｄｉｎｔｏｒｅｓｉｄｅｎｔｉａｌａｒｅａ，ｗａｔｅｒ，ｒｏａｄ，ａｎｄｆｏｒｅｓｔａｎｄａｇｒｉｃｕｌｔｕｒｅｌａｎｄｂｙｕｓｉｎｇｓｕｐｅｒｖｉｓｅｄａｎｄｕｎｓｕｐｅｒｖｉｓｅｄｃｏｍｂｉｎｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｆｏｒｔｈｅｐｉｘｅｌ－ｂａｓｅｄａｐｐｒｏａｃｈａｎｄｎｅａｒｅｓｔｎｅｉｇｈｂｏｒ（ＮＮ）ｍｅｔｈｏｄｆｏｒｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄａｐｐｒｏａｃｈ．ＴｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｏｕｔｐｕｔｓｗｅｒｅａｓｓｅｓｓｅｄｕｓｉｎｇｏｖｅｒａｌｌａｃｃｕｒａｃｙａｎｄＫａｐｐａｉｎｄｉｃｅｓ．Ｔｈｅｐｉｘｅｌ－ａｎｄｏｂｊｅｃｔ－ｂａｓｅｄｃｌａｓｓｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓｒｅｓｕｌｔｉｎａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ７８．５３％ａｎｄ８９．５３％，ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｆｏｒｐｉｘ
ｅｌ－ａｎｄｏｂｊｅｃｔ－ｂａｓｅｄａｐｐｒｏａｃｈｅｓｗａｓ０．７３ａｎｄ０．８７，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｇｒｅａｔｌｙｌｉｇｈｔｅｎｔｈｅｎｏｉｓｅｉｎｆｌｕｅｎｃｅ，ｈａｓｈｉｇｈｅｒｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙａｎｄｅｆｆｉｃｉｅｎｃｙｔｈａｎｔｈａｔａｃｈｉｅｖｅｄｂｙｐｉｘｅｌ－ｂａｓｅｄｍｅｔｈｏｄ．Ｍｅａｎｗｈｉｌｅ，ｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｉｓｍｕｃｈｅａｓｉｅｒｔｏｕｎｄｅｒｓｔａｎｄａｎｄｅｘｐｌａｉｎ．
Key words ：ｈｉｇｈ－ｒｅｓｏｌｕｔｉｏｎｓａｔｅｌｌｉｔｅｉｍａｇｅ；ｏｂｊｅｃｔ－ｏｒｉｅｎｔｅｄ；ｐｉｘｅｌ－ｂａｓｅｄ；ａｃｃｕｒａｃｙ收稿日期：2009-03-05
项目来源：国家自然科学基金资助项目（40801182）；教育部科学技术研究基金资助项目（108162）；中国地质大学（武汉）优秀
青年教师基金资助项目（CUGQNL0823）。
城市是人口集中、集约经济活动及不同生活方式的复杂社会，又是人类活动的缩影，且不断经历着迅速的变化[1]。遥感技术提供了及时监测城市变化的手段。传统的遥感图像分类算法主要用于中低分辨率的影像，依据是地物光谱数据，统计模式是以像素作为识别的基本单元，依靠不同光谱数据组合在
统计上的差别来进行的[2]。城市用地类型多样、结构复杂，要实现城市用地的精确分类，需要利用具有丰富的空间结构和纹理信息的高分辨率遥感影像。然而，对于高分辨率遥感影像来说，基于像素的分类技术使得分类结果存在严重的“椒盐效应”，且视觉效果很差，不能够区分“异物同谱”和“同物异谱”现象，分类精度
较低[3、4]。鉴于基于像素分类技术在高空间分辨率影像信息提取中的缺陷，面向对象的影像分析技术应运而生。面向对象信息提取技术的处理基本单元是“影像对象”，即：通过多尺度影像分割生成的同质目标[5]。面向对象信息提取技术解决了从高分辨率遥感影像中快速提取地物信息的难题，进而实现了城市土地利用状况的快速准确解译，为城市规划及区划等研究提供了可靠的基础数据。
１研究区与数据源
本文从2005年8月16日获取的广州市QuickBird
高分辨率遥感影像中选取778×698
像素的区域作为
第７卷第３期63
研究区(如图1所示)，在高分辨率遥感影像上城市结构有清晰的反映，研究区内有居民地、水体、道路、林地和农田等地类。影像具有4个多光谱波段，空间分辨率为2.44m ，波段范围分别为：蓝光波段450～520nm 、绿光波段520～600nm 、红光波段630～690nm 、近红外波段760～900nm ；一个全波段，空间分辨率为0.61m ，波段范围为450～900nm
。
济南极地海洋世界门票团购
图1研究区QB 合成影像２方法
2.1影像预处理
运用ERDAS IMAGINE 软件几何校正模块对影像进行几何校正后，将影像投影到WGS84椭球体上的UTM50投影坐标系，并控制误差小于1个像素。由于研究区中有的地物，如影像中的高速公路会产生阴影，而阴影区内的地物和非阴影区内的同类地物，在影像灰度上差异很大。为了将阴影中的地物正确分类，本文运用纹理分析方法，通过共生矩阵和相应指数的计算，对影像中阴影进行了自动提取与处理[6]。为了充分利用影像的光谱和空间信息，本文将全波段与多光谱波段进行融合处理。原始影像经过几何校正、HIS 法融合得到如图1所示的假彩合成影像。2.2基于像素光谱信息的分类方法杭州疫情
像素级分类方法通过监督分类与非监督分类结合来实现。利用非监督分类获取初步的解译标志，再利用修改处理后的解译标志对处理好的遥感影像进行监督分类。本文首先采用ISODATA 算法进行非监督分类，其中类别数、最大迭代数、收敛阈值分别为20、12和0.98。然后参考非监督分类结果，选择用于监督分类的训练样本，以保证所选样本具有高度同质性；最后用最大似然法对影像进行监督分类，并得到分类结果。2.3面向对象的分类方法
面向对象的分类方法操作尺度单元不是基于单个
像素，而是基于影像对象。影像对象是指影像分割得到的一块图斑，称为图像对象或图像对象基元，它是地理实体的一个组成单元，在一定的情况下，也可以是一个地理实体[7]。因此面向对象的分类包含影像分割和基于分割的分类两个处理过程。
1)分割。影像分割是面向对象信息提取技术的关键，它是把影像分割成大小不一、包含多个像素的对象，这些对象不仅具有光谱统计特征，同时也具有形状、上下文关系、与邻近对象的距离、纹理参数等属性[8]。本文采用FNEA (Fractal Net Evolution Approach )分割算法，此算法基于影像对象的光谱、几何特征，采用区域生长方法，从一个像素开始到区域生成，由较小影像对象逐渐合并为较大的影像对象，形成多个具有相似大小的影像对象多边形[9]。
由于研究区中土地利用类型较为复杂性，故采用多级分割的方法。首先，选择较大的图像综合分割阈值，对图像进行粗略分割，使得大型地物所覆盖区域与图像分割后的对象大体一致；在粗略分割的基础上
再选择较小的综合分割阈值，对图像进行精细分割，分割后较小的目标地物与对象相匹配。经过反复试验，得到最终的分割结果。
2）分类。本文采用基于分割的最邻近分类方法。最邻近分类通过定义特征空间，选择样本实现分类，是一种监督分类方法。此方法可以快速、简单地处理类间层次结构
[10]
。本文根据地物的光谱、形状特征参数
并结合专家知识，在图像中选择典型的对象作为这六类地物的训练样本，结合应用光谱、形状及纹理特征，利用最近邻分类法对分割后的图像进行分类，得到分类结果图。2.4精度评价
将面向对象方法与基于像元的传统分类方法分类的结果进行了精度评估。在研究区随机采集191个样点作为检验样本，并进行野外调查，以确定各个样本的利用类型。分别计算面向对象的遥感图像分类方法和基于像元的传统分类方法的混淆矩阵，并对不同分类方法进行精度评价。杭州都有哪些景点好玩
３结果与讨论
3.1分类结果
图2(a )、(b )分别是两种方法的分类结果。从图中不难看出，传统的基于像素的分类结果中含有大量“椒盐”噪声，视觉效果较差，主要原因是高分辨率图像的局部异质性大，同一地物的光谱特征并不单一；而基于像元的传统分类方法没有充分考虑像元与邻接像
纪敏等：面向对象的城市土地利用分类
地理空间信息
图2面向对象的分类结果（a）和基于像素的分类结果（b）面向对象分类方法的关键在于图像分割，而图像分割方法多种多样，如何选择科学合理的图像分割方法十分重要。试验证明多尺度图像分割方法综合考虑了图像的光谱、形状、结构、纹理、相关布局等信息，是目前较为理想的图像分割方法。另外，根据遥感影像的实际情况，对影像中的特定地物特征进行增强处理，建立相应的特征信息增强图像，有助于提高分类精度。但如何对不同的地物进行特征信息增强，要应用专家的经验知识并结合研究区的实际情况而定，实际操作有一定的难度，因此要加强地物特征信息增强处理相关理论与方法的研究。
3.2精度比较
两种不同分类方法的精度评价结果见表1，从表中可以看出，面向对象的分类精度较传统的方法有了较大的提高，其中总体分类精度由78.53%提高到89.53%，Kappa系数由0.73提高到0.87。由于光谱特性很相似，传统分类方法很容易将林地误分为水体；而面向对象的方法显著的提高了水体和林地的分类精度。从表1中不难看出，林地的用户精度从57.89%提高到了92.11%，水体的生产者精度从65%提高到94.29%。另外，面向对象的方法也较大提高了道路的分类精度。
表1两种分类方法的精度评价结果
林地水体农用地道路居民地基于像素面向对象基于像素面向对象基于像素面向对象基于像素面向对象基于像素面向对象生产者精度(%)84.6285.3765.0094.2983.3388.5777.2791.8984.4488.37用户精度(%)57.8992.1186.6791.6778.9588.5780.9582.9388.3792.68总体精度(%)基于像素：78.53，面向对象：89.53
总体Kappa基于像素：0.73，面向对象：0.87
传统分类方法主要是在中低分辨率遥感图像的基础上发展起来的，其分类依据主要是利用像元的光谱特征。而高分辨率遥感图像的细节信息丰富，图像的局部异质性大，传统的基于像元的分类方法易受高分辨率影像局部异质性大的影响和干扰，致使其总体分类精度降低。而面向对象分类方法可以充分挖掘图像丰富的光谱、形状、结构、纹理、相关布局以及图像中地物之间的上下文信息，并可以结合专家知识进行分类，不仅可以显著提高遥感图像的分类精度，有效避免“椒盐现象”的发生，而且使分类后的影像具有丰富的语义信息，便于解译和理解。
４结语
本文采用面向对象的信息提取技术和传统基于像素光谱信息的分类法对广州市的高分辨率影像进行土地利用分类，并将两种方法的分类结果进行定性、定量的比较，得出如下结论：
1）基于对象的分类方法不但顾及了遥感数据的光谱信息，同时也利用了影像的大小、形状、纹理和更多的上下文语义关系。因此，面向对象的遥感分类方法更有利于高分辨率遥感影像的自动分类。
2）面向对象分类方法与传统的基于像素分类方法相比，分类精度有了较大提高。本文中总体分类精度由78.53%提高到89.53%，kappa系数由0.73提高到0.87。
3）面向对象分类方法通过多次分割，建立均质区域的影像对象，然后在此基础上进行分类，因此，分类后的图像含有丰富的语义信息，便于解译和理解，同时效避免了“椒盐现象”的发生。
总之，随着高分辨率遥感影像的日益普及，面向对象的信息提取技术为城市土地利用遥感监测提供了更便捷的手段，并将在数字城市发展中发挥越来越重要的作用。
参考文献
[1]苏伟，李京，浩，等.基于多尺度影像分割的面向对象城
市土地覆被分类研究-以马来西亚吉隆坡市城市中心区为例[J].遥感学报，2007，11(4)：521-530
2009年6月第7卷第3期
地理空间信息
ＧＥＯＳＰＡＴＩＡＬ
ＩＮＦＯＲＭＡＴＩＯＮ
Ｊｕｎ．，２００９Ｖｏｌ．７，Ｎｏ．３
基于改进BP 神经网络的遥感影像混合像元分解
黎贵发
（广东省国土资源厅测绘院，广东广州510500）
摘
要：提出了一种基于改进BP 神经网络的混合像元分解模型，通过加入动量项和变步长法对标准BP 算法进行改进。利
用该模型对多光谱遥感影像进行了处理分析，与一般BP 分解模型进行比较后证明：改进的BP 神经网络模型具有正确率高，自适应能力强的优点。
关键词：混合像元；混合分解；神经网络；BP 中图分类号：P237
文献标志码:B
文章编号:1672-4623(2009)03-0065-03
Pixel Un-mixing in RS Image Based on a Modified BP Neural Network
LI Guifa
（ＩｎｓｔｉｔｕｔｅｏｆＳｕｒｖｅｙｉｎｇａｎｄＭａｐｐｉｎｇ，ＤｅｐａｒｔｍｅｎｔｏｆＬａｎｄｓａｎｄＲｅｓｏｕｒｃｅｏｆＧｕａｎｇｄｏｎｇＰｒｏｖｉｎｃｅ，
Ｇｕａｎｇｚｈｏｕ５１０５００，Ｃｈｉｎａ）
Abstract:Ｉｔｉｓｄｉｆｆｉｃｕｌｔｔｏｃｌａｓｓｉｆｙｍｉｘｅｄｃｅｌｌｓｉｎｒｅｍｏｔｅｓｅｎｓｅｄｉｍａｇｅ．Ｉｎｔｈｉｓｐａｐｅｒ，ａｍｏｄｉｆｉｅｄＢＰｎｅｕｒａｌｎｅ
ｔｗｏｒｋｗａｓｄｅｖｅｌｏｐｅｄｔｏｒｅｓｏｌｖｅｉｔｔｈｒｏｕｇｈａｄｄｉｎｇａｍｏｍｅｎｔｕｍａｎｄｃｈａｎｇｉｎｇｔｈｅｌｅａｒｎｉｎｇｒａｔｅ．Ｔｈｉｓａｌｇｏｒｉｔｈｍｗａｓｔｅｓｔｅｄｏｎａｍｕｌｔｉ－ｓｐｅｃｔｒａｌｉｍａｇｅ．ＯｂｔａｉｎｅｄａｃｃｕｒａｃｙｍｅａｓｕｒｅｓｗｅｒｅｈｉｇｈｅｒｃｏｍｐａｒｅｄｗｉｔｈｃｏｎｖｅｎｔｉｏｎａｌＢＰｕｎ－ｍｉｘｉｎｇｍｏｄｅｌ，ａｎｄｉｔｈａｓｂｅｅｎｐｒｏｖｅｄｅｆｆｅｃｔｉｖｅ．
Key words:ｍｉｘｅｄｐｉｘｅｌ；ｐｉｘｅｌｕｎ－ｍｉｘｉｎｇ；ＡＮＮ；ＢＰ收稿日期：2008-09-09
对于地物分布比较复杂的地区，如果利用遥感技术对地物进行识别，混合像元是影响分类精度的主要原因之一[1]。混合像元无论直接归属于哪一类地物，都是不准确的，因为它至少不完全属于某种典型地物。通过一定的方法出组成混合像元的各种“组分”的比例，使因混合像元归属而产生错分、误分问题迎刃而解，这类方法就称为混合像元分解[2]。混合像元分解
问题，是遥感图像分类中的一个难点。到目前为止，对混合像元分解比较常用的方法是利用线性混合分解法，但是，这种方法当典型地物选取不精确时，会带来较大的误差[3]。为了克服线性混合模型的不足，许多学者已经利用非线性光谱模型进行描述，神经网络就是其中的一种。
BP (Back Propagation )神经网络是目前应用最为
[2]Thomas M.Lillesand,Ralph W.Kiefer 著．遥感与图像解译(第
张家界大峡谷景区简介
四版)[M ]．北京：电子工业出版社,2003[3]
Skidmore A ，Turner B.Performance of Neural Network ：Map-ping Forests Using GIS and Remotely Sensed Data [J ]．Photogra-mmetric Engineering&Remote Sensing,1997，63(5)：501-514[4]周成虎，骆剑承．遥感影像地学理解与分析[M ]．北京：科学出版社，2003
[5]
Baudouin Desclée,Patrick Bogaert and Pierre Defourny ．Forest Change Detection by Statistical Object-based Method [J ]．Remote Sensing of Environment,2006,102:1-11
[6]许妙忠，余志惠．高分辨率卫星影像中阴影的自动提取与处理[J ]．测绘信息与工程，2002，28(1)：20-22[7]王启田，林祥国，王志军，等.利用面向对象分类方法提取冬小麦种植面积的研究[J ].测绘科学，2008，33（2）：143-146[8]
Herold M ，Mueller A and Guente S ，et a1．Object-oriented Mapping
and Analysis of Urban Land Use/Cover Using IKONOS Data [C ]//Proceedings of the 22nd EARSEL Symposium ．Prague:Czech Republic ，2002
[9]
Baatz M ．Schape A ．Multi-resolution Segmentation ：An Optimi-zation Approach for High Quality Multi-scale Image Segmenta-tion [C ]//Strobl J ，Blaschke T ，Griesebner G ，et a1．Angewandte Geographische Iniormations Verarbeitung Ⅻ．Heidelberg ，2000[10]Caprioli M ，Tarantino E ．Urban Features Recognition from VHR
Satellite Data with an Object-oriented Approach [C ]//Proceed-ings of Commission IV Joint Worksho
p ，Challenges in Geospatial Analysis,Integration and Visualization II ，Stuttgart,Germany:2003
第一作者简介：纪敏，工程师，主要从事地理信息、土地利
用、地籍测绘和工程测量等方面工作。
