面向对象的震害损毁建筑物信息提取流程 “自上而下”分为三层,分别针对不同目标对象特征,采取不同的分割尺度 ( 从大到小) ,从地类光谱、形状、纹理等属性特征出发,建立各自的模糊判定规则,具有很强针对性; 同时面向对象的多层次分类结构体系能够把上一层次中的未分类的对象传递到下一层中作为输入层,形成父、子对象关系,继续信息提取和分类操作,大大避免传统像元分类方法当中错分和漏分现象的发生,并且层次结构分明,在一定程度上提高了分类的精度。具体思路如图 5 -27 所示。
图 5 -27 面向对象的震害损毁建筑物信息提取方法
( 一) 数据源的选择
Definiens 能够根据实际的需要,整合不同的数据 ( 栅格、矢量) 作为原始数据源参与分割。本节针对紫坪铺镇震害损毁建筑物提取的信息,将震后标准差异植被指数 ( NDVI)影像和震后 QuickBird 影像的融合影像 ( 4 个波段) 作为输入层导入软件当中。
( 二) 多尺度分割 ( Multi-resolution Segmentation)
采取 “自上而下,从大到小”的方式,首先分离出植被和水体信息,将 NDVI 影像的权重设为 3,其他影像权重设为 1,形状因子设为 0. 3,紧致度因子设为 0. 6,分割尺度经过多次试验后确定为 100,对影像进行第一次分割,结果如图 5 -28 所示。
图 5 -28 不同尺度的影像分割结果 ( 从左到右分割尺度分别为 48、80、100)
( 三) 水体和植被信息的分割
首先,分离出影像中的水体和植被信息 ( 不属于震害建筑物损毁范围) ,经过分析归一化植被指数 ( Normalized Difference Vegetation Index) 特性,确定水体和植被信息提取阈值 ( NDVI 均值) 分别为 0. 06 和 0. 5,从而建立植被和水体信息的提取规则: 多边形对象 NDVI 均值 ( MEAN) 小于或等于 0. 06 为水体,大于 0. 06 的为非水体,处于两者之间的对象则利用成员函数计算其隶属度进行分类 ( 图 5 - 29) ; 对于植被,则采用 “布尔大于”的隶属度函数,规定 NDVI 均值大于 0. 5 的对象判定为植被信息,小于或等于0. 5 的为非植被信息。然后把两次分类的结果合并取交集 ( 逻辑与) ,最后把对象分为三类,结果如图 5 -30 所示。
图 5 -29 水体信息分类的模糊隶属度函数
图 5 -30 水体和植被信息提取结果
( 四) 临时简易房信息的提取
将第一层中的未分类别 ( 城市区域)作为输入层,进行第二次分割,提取其中的临时简易房信息。临时简易房特征是具有固定的形状,为正规长方形,容易分辨;屋顶呈蓝绿色,又称 “绿篷房”,和植被有些相似; 结构和纹理结果均匀,表现为同质性。根据以上三个特征,选取 80 为第二次分割的尺度,建立如下的判定规则:
1 ) 对 象 的 长 宽 比, 计算 公式 为 式( 5 - 7) ,其中 eig1( S) 、eig2( S) 分别为协方差矩阵的特征值,S 为对象矢量化后各点的坐标组成的协方差矩阵,w 为对象宽度,l 为对象长度,γ 为对象的长宽比,
退化废弃地遥感信息提取研究
,A 为对象的面积。经过分析,设置判定规则 γ≥1. 28。退化废弃地遥感信息提取研究
2) 对象的亮度指该对象包含的所有像元点亮度的平均值。设定判定规则 Brightness >290。
3) 灰度共生矩阵同质性。如果对象纹理同质性越强,这个值就越高,其计算公式如下:
退化废弃地遥感信息提取研究
式中:i为行数;j为列数;Pi,j为i行j列的标准化值;N为总的行数或列数,范围为[0,90]。经过分析,设定临时简易房的GLCMHomogeneity>0.18。
将以上三个模糊判定规则进行逻辑交集运算,得到临时简易房信息提取结果,如图5 - 31 所示。
图 5 -31 分割尺度为 80 的临时简易房信息提取结果
( 五) 震害损毁建筑物信息的提取
损毁的建筑物特征一般有: ① 形状不规则,由于建筑物受到破坏甚至倒塌,其原来规则的形状特征已经改变; ② 与邻近的地物相比,失去协调性,对于完全倒塌的建筑来说,白色的瓦砾显得特别显眼,与周围的地物形成很强烈的对比; ③ 建筑物的损坏或者倒塌使其原有的均匀纹理特征发生变化。根据以上震害损毁建筑物的特征,对上一层中未分类别进行第三次多尺度分割,对于损毁建筑物信息选择 48 作为分割尺度,建立如下模糊判定规则:
1) 形状指数。形状指数描述的是一个对象边界的光滑程度,当一个对象的边界越规则,其形状指数值就越小,当边界组成正方形时,形状指数为 1; 反之,边界越不规则,形状指数值就越大。所以形状指数能够很好地体现出震害损毁建筑物的形状破坏情况。经过对损毁建筑物的分析,设置判定规则为 Shape Index >2. 8。
2) 灰度差异向量 ( GLDV) 。灰度差异向量是灰度共生矩阵 ( GLCM) 对角线上元素的和,它显示了对象与相邻区域像元绝对差异发生率。灰度差异向量对比度 ( GLDVContrast) 反映了对象与周边对象的差异量,值越大,差异就越大。在面向对象的遥感影像分类方法当中,灰度差异向量对比度比灰度共生矩阵对比度更加适合于在有层次关系的对象域中使用,能够更加突出建筑物的形状特征,提高对比度的差异,所以本节选择灰度差异向量对比度建立判定规则,设置判定规则为 GLDV Contrast >780。
3) 灰度共生矩阵熵 ( GLCM Entropy) 。灰度共生矩阵熵描述的是对象的纹理均匀程度。当对象的纹理越均匀时,灰度共生矩阵熵值就越大; 反之,当纹理紧密或者稀疏时,灰度共生矩阵熵值就越小。经过反复比较,多次分析,最后确定 GLCM Entropy≤4. 1。
综合以上三个判定规则,进行 “逻辑与”运算,得到震害损毁建筑物提取结果,如图5 - 32 所示。
( 六) 两种方法的比较
从方法原理、目视效果和精度评价三个方面对基于像元技术和面向对象技术的震害损毁建筑物的信息提取结果进行比较。
1. 方法原理
传统的基于像元的信息提取方法是一种基于光谱特征的统计方法,根据像元点 ( 像元) 光谱统计的特征值来对影像进行分类或信息提取。像元是最基本的操作单位,所利用的特征信息一般只有光谱信息 ( 方差、协方差、均值、亮度、熵等) ,既没有考虑相邻像元之间的关联,也没能利用到高分辨率遥感影像中丰富的形状、纹理、空间拓扑关系等信息。随着遥感影像分辨率的不断提高,单个像元所包含的信息量越来越少,对单个像元进行孤立的分析与分类没有多大的实际意义,这就给传统的基于像元的信息提取和分类方法带来了很大的难题和挑战,在一定程度上影响了这种方法的应用。
面向对象的信息提取方法是随着高分辨率遥感影像技术不断发展而提出的一种新方法,与基于像元的信息提取方法有着本质的区别,其不是对单个孤立像元进行分类,而是对具有同质性像元所组成的多边形对象进行分析和操作。对象除了包含基本的光谱信息外,还包括形状、纹理、位置、上下文关系等有用的特征信息。该方法能够利用比较全面的对象特征,弥补了基于像元的信息提取和分类方法中特征信息单一的缺点,是对传统遥感信息提取和分类方法的一次技术革新。
2. 目视效果
从基于像元的信息提取结果来看,其中分布有许多细碎的小斑块,即所谓的 “胡椒盐效应”,严重影响视觉效果,并且在一定程度上影响结果的实际应用,如果将提取结果矢量化后,不通过人工修改,很难达到入库要求。产生 “胡椒盐效应”的主要原因是高分辨率遥感影像局部异质性大,未充分考虑像元之间的上下文关系,这是传统基于像元分类方法的局限性 ( 曹宝等,2006) 。
图 5 -32 震害损毁建筑物信息提取结果 ( 分割尺度 48)
从面向对象的提取结果来看,它的抗噪声能力比较强,能有效避免 “胡椒盐效应”,并且含有丰富的语义信息 ( 游丽萍,2007) ,分类后的影像也更易于理解,其结果能够直接矢量化入库,方便遥感数据与 GIS 数据的相互结合。从目视效果来看,面向对象的提取结果更适合人类视觉的要求。
3. 精度评价
由于条件限制,本研究并没有获得研究区紫坪铺镇地震损毁建筑物的相关参考图件,因此,首先通过人工目视解译方法,采用手工描绘的手段,在震后 0. 6m QuickBird DOM影像中勾绘 ( 分类) 一些典型的损毁建筑物作为精度评价的参考标准,总共分类出 3782个损毁建筑物像元点。然后以这些像元点作为参考标准,生成随机样本,采用误差矩阵法对震害损毁建筑物信息提取的结果进行精度评价,其主要评价指标包括生产者精度、用户精度、总体精度和 Kappa 系数。
经过统计分析得到,手工描绘的参考损毁建筑物总像元数为 3782 个; 面向对象方法中提取到的损毁建筑物总像元数为 3845 个,其中正确分类个数为 3563 个; 基于像元方法提取到的损毁建筑物总像元数为 3883 个,其中正确分类个数为 3132 个。两种方法的精度评价结果如表 5 -13 所示。
表 5 -13 两种方法精度评价结果
精度评价结果显示,面向对象的信息提取方法的总体精度为 90. 38%,Kappa 系数为0. 8684,而基于像元的信息提取方法的总体精度为 76. 84% ,Kappa 系数为 0. 7269。由此可见,面向对象的信息提取方法对震害损毁建筑物的提取精度明显高于传统基于像元的信息提取方法,根本的原因在于面向对象的信息提取方法通过对高分辨率遥感影像的分割,将相邻的具有同质性光谱特征的像元合并到一起组成多边形对象,然后充分利用对象的光谱、形状、纹理、位置、上下文关系等各方面的属性特性综合分析,建立判断规则,有效地避免了 “同物异谱,同谱异物”现象以及 “胡椒盐效应”,明显提高了高分辨率遥感影像信息提取的精度。