2 2 第 31 卷 第 4 期 2006 年 4 月 文章编号 :1671 8860 (2006) 04 武 汉 大 学 学 报 ·信 息 科 学 版 Geomatics and Information Science of Wuhan University 0316 05 Vol. 31 No . 4 Ap r. 2006 文献标志码 :A 基于面向对象和规则的遥感影像分类研究 陈云浩1 ,2 　冯 　通2 　史培军1 　王今飞3 (1 　北京师范大学资源学院 ,北京市新街口外大街 19 号 ,100875) (2 　香港中文大学地理与资源管理系 ,香港新界沙田) (3 　加拿大西安大略大学地理系 ,加拿大 , N6A 5C2) 摘 　要 :讨论了面向对象和规则的光学遥感影像分类方法 。首先利用多尺度分割形成影像对象 ,建立对象的 层次结构 ,计算对象的光谱特征 、几何特征 、拓扑特征等 ,利用对象 、特征形成分类规则 ,并通过不同对象层间 信息的传递和合并实现对影像的分类 。并以北京城市土地利用分类为例 ,对该方法进行了验证 。 关键词 :面向对象 ;多尺度分割 ;规则 ; 分类 中图法分类号 : TP753 ; P237. 4 　　面向像元的分类方法实际上是以像元为基本 单元 ,利用其光谱 (颜色) 信息进行信息的提取与 归并 。虽然 许 多 数 学 方 法 如 各 种 神 经 网 络 方 法[ 1 ] 、模糊分类[ 2 ] 、改进的最大似然分类[ 3 ] 等的引 入提高了分类的精度 ,然而从根本上讲 ,基于像元 的分类方法仍相当于图像理解过程的第一层次 , 即仅利用基本像元的特征进行识别 ,对于色调空 间分布等较为复杂的关系没有考虑 。自从 I KO NOS、Quickbrid 等高空间分辨率影像出现以来 , 传统的利用面向像元的影像分类技术就面临着许 多挑战[ 4 ] 。针对上述情况 ,许多考虑地物空间特 征的遥感影像分类方法得以发展 , 如支持向量 机[ 5 ] 、上下文分类[ 6 ] 、纹理分类[ 7 ] 等 。在分类过程 中 ,考虑了地物的纹理 、形状 、尺寸等空间特征 ,以 像元的空间特征辅助光谱信息 ,以提高分类精度 。 显然 ,此类方法应属于图像理解的第二层次 。虽 然利用纹理等信息可以辅助分类 ,然而在很多情 况下 ,只有图像被分割为同质对象时 ,图像分析的 结果才有意义[ 8 ,9 ] 。本文正是利用了面向对象的 分类思想 ,在对遥感影像进行多尺度分割的基础 上 ,探讨面向对象分类策略 、分类规则的建立方 法 。 1 　面向对象分类原理 所谓面向对象方法 ,通过对影像的分割 ,使同 质像元组成大小不同的对象 。正是由于对象内部 的光谱差异小 ,所以对任一对象可以忽略其纹理 等空间信息 ,而从光谱和形状两方面刻画 。利用 对象的空间特征和光谱特征进行分类 ,可以有效 地克服基于像元层次分类的不足[ 10 ] 。面向对象 的分类方法主要包括影像分割 、对象层次结构 、分 类规则和信息提取 。 1. 1 　影像分割 多尺度影像分割从任一个像元开始 ,采用自 下而上的区域合并方法形成对象 。小的对象可以 经过若干步骤合并成大的对象 ,每一对象大小的 调整都必须确保合并后对象的异质性小于给定的 阈值 。因此 ,多尺度影像分割可以理解为一个局 部优化过程 ,而异质性则是由对象的光谱 ( spec t ral) 和形状 ( shape) 差异确定的[ 11 ] ,形状的异质 性则由其光滑度和紧凑度来衡量[ 11 ] 。显然 ,设定 了较大的分割尺度 ,则对应着较多的像元被合并 , 因而产生较大面积的对象 。 收稿日期 :2006 项目来源 : R GC Grant 资助项目 (CU H K. 4251/ 03 H) ;国家自然科学基金资助项目 (40201036) ;测绘遥感信息工程国家重点实验室 15 。 01 开放研究基金资助项目 ( W KL (03) 0102) 。 

2 1. 2 　对象的层次结构 分割遵守以下思想 :像元层和整个影像视为 两个特殊的对象层 ,任何分割所形成的对象层则 介于其间 。大尺度分割下所形成的对象是由小尺 度分割所形成的对象组合产生的[ 11 ] ,以确保不同 尺度下的对象可以构成层次结构 ,从而有利于不 同层次间信息的传递 。 1. 3 　规则建立 多尺度分割后 ,影像的基本单元已不是单个 像元 ,而是由同质像元组成的多边形对象 。面向 每一多边形对象可计算出所包含像元的光谱信息 以及多边形的形状信息 、纹理信息 、位置信息以及 多边形间的拓扑关系信息等 。具体的分类规则可 以充分利用对象所提供的各种信息进行组合 ,以 提取具体的地物 。不同层次可以针对特定地物建 立各自规则 ,通过不同分类规则的层间传递 ,使得 分类规则的建立不仅可以利用本层对象信息 ,也 可以利用比本层高或低的其他层次的对象信息 。 1. 4 　信息提取 面向对象的信息提取和分类过程所处理的不 再是单个像元 ,而是影像分割后所形成的对象 。 面向对象的分类/ 信息提取过程如图 1 所示 。 　第 31 卷第 4 期 陈云浩等 :基于面向对象和规则的遥感影像分类研究 713 图 1 　面向对象影像分类流程图 Fig. 1 　Framework of Object Oriented Classification 2 　研究区及数据 研究区主要包括北京城区的东城 、西城 、宣 武 、崇文 ,近郊区的石景山 、海淀 、朝阳 、丰台及远 郊区的昌平 、顺义 、通州等部分 ,具体范围为 116° 6′E～116°26′E ,39°27′N～40°6′N 。地形上西北 高 、东南低 ,由西北向东南呈现出低地 山前 洪积 平原区的有序排列 ;经济上具有从城市核心 区 、城乡过渡区到远郊区县的明显过渡 ;空间上则 呈现从城市中心区 、城市边缘区到外围地域的明 显圈层变化 ,并且整体上联系紧密 。 丘陵 本文采用的遥感数据为 2001 年 6 月 11 日获 取的 Aster1B 数据 。由于 Aster 卫星数据中可见 光 、近红外波段的空间分辨率为 15 m ,本研究以 其为主要数据源 。遥感图像的预处理主要为几何 校正 ,以 1 ∶5 万地形图为基准 ,利用二次多项式 和双线性内插法对图像进行几何校正 ,经重新选 点检验 ,误差在一个像元内 ,然后截取相应的研究 区影像 (见封二彩图 1 (a) ) 。 3 　遥感影像分类 3. 1 　分割参数选择 分割参数的确定取决于遥感影像空间分辨率 和地物的特征 ,考虑到所用 Aster 数据的空间分 辨率为 15 m ,地物特征以光谱信息为主 、结构信 息为辅 。分割尺度的选择通过反复尝试 ,以达到 对不同地物的有效分割 ,不同的分割尺度对应不 同的地物综合 。经过多次试验 ,本文具体分割参 数选择如下 :颜色 (光谱) 权重为0. 8 ,形状权重为 0. 2 ,其中光滑度权重为 0. 9 ,紧凑度权重为0. 1 , 分割尺度分别为 3 、5 、15 和 59 ,分割结果的统计 特征见表 1 。 表 1 　多尺度分割参数 Tab. 1 　Parameters U sed in Multi Resolution Segmentation 对象层 分割尺度 对象个数 对象平均大小/ 像元 相邻对象数 Level1 Level2 Level3 Level4 1 592 654 577 031 79 774 8 859 5. 2 5. 43 5. 53 5. 52 6. 37 17. 6 127. 3 1 146 3 5 15 59 

813 武 汉 大 学 学 报 ·信 息 科 学 版 2006 年 4 月 3. 2 　特征参数计算 对象的特征参数计算主要包括光谱 、几何和 拓扑特征等 ,光谱特征又主要包括均值 、标准差 等 ;几何特征主要包括形状 、纹理 、拓扑等 ,每一种 特征又包含若干指标 ;拓扑特征是指对象间的相 邻 、相接 、包含等拓扑关系 。在不同的对象层 ,可 以灵活运用对象的特征 ,以帮助提取特定地物信 息 。如通过对形状特征的长宽比计算 ,可以对线 性地物有很好的突出作用 (见封二彩图 1 ( b) ) 。 本试验中主要利用了形状特征 、面积特征 、方向特 征等参数 。 3. 3 　分类规则及层次结构 定义地表覆盖类型是规则建立的基础 ,根据研 究目的和影像数据特点 ,制定地表覆盖类型并定义 出可能包含的子类型。通过对研究区影像的目视 解译和实地考察 ,本文定义了以下土地利用类别 : 林地、草地、农田 (包括菜地及有或无作物覆盖耕 地) 、城市用地 (包括高反射率的人工建筑和工地 等) 、裸地。同一类地物由于其大小、分布、密度不 同 ,而引起在光谱响应上的差异 ,往往会导致分类 困难 ,因而将某一地物细分为若干子类 ,再利用其 光谱和其他特征分类 ,可以有效地降低分类难度。 具体的规则建立考虑以下三个层次 : ①各层 次类型的规则建立 。根据对象的光谱特征 、几何 特征和拓扑特征定义类型的判定规则 。 ② 层内 子类型对父类型继承 。如果存在子类型 ,子类型 应首先继承其父类型的判定规则 ,然后增加其特 有的光谱特征 、几何特征和拓扑特征作为判定规 则 。 ③对每一层的分类结果进行合并与传递 ,形 成最终的分类判定规则 。值得说明的是 ,每一规 则的建立并不一定必须包含以上三个层次 ,如果 能很好地对地物进行判定 ,仅用一个层次也可以 形成规则 。同样 ,在每个层次也可以灵活选择其 特征形成其规则 ,并不要求包含所有特征 。 根据对象的特征信息和地物及其子类的定义 以及地物与地物间的关系 ,本文建立了分类层次 结构 。在每一对象层次 ,并不要求对所有类别进 行分类 ,而仅考虑在光谱和几何特征较容易区分 的类别 。具体的规则如表 2 所示 ,其中判据值大 小的确定主要依靠人机交互 。 表 2 　多层次影像分类规则 Tab. 2 　Rules of Multi Resolution Classification 规则 备注 利用 bare index 和 lengt h/ widt h 作为判据 bare index = band3 + band2 , lengt h/ widt h :对象的长宽比 最小距离分类、shape index 和 NDVI 作为判据 shape = e 4 A , e 为边长 , A 为面积 ,NDVI = band3 - band2 band3 + band2 最小距离分类 、lengt h/ widt h 、shape index band3 光谱值、shape index 和 NDVI 作为判据 bright ness 和 NDVI 作为判据 利用 lengt h/ widt h 确定行道树 利用 lengt h/ widt h 确定养鱼池 bright ness : 对象的多光谱灰度值平均 Level Level4 裸地 4 类别 Level3 农田 3 林地 3 水体 3 草地 3 Level2 水体 2 草地 2 不透水面 2 band3 光谱值、lengt h/ widt h 和 NDVI 作为判据 bright ness 和 NDVI 作为判据 bareness index 作为判据 Level1 裸地 1 水体 1 植被 建筑 继承裸地 4 继承水体 2 、水体 3 NDVI 作为判据 , 继承草地 2 、林地 3 、农田 3 继承不透水面 2 继承 :层次结构进行不同层之间的信息传递 4 　结果分析 采用上述基于面向对象和规则的分类方法 , 得到研究区的土地利用分类结果 , 见封二彩图 1 (c) 。为了更好地分析面向对象方法的精度 ,应 对对象进行精度评价 ,具体包括对象的类别精度 和面积精度 。将对象多边形所包含像元的类别与 相应的真实类别比较 , 如果准确率大于或等于 90 % ,则该对象的类别精度为真 ,否则为假 。在对 象的类别判别正确的条件下 ,进行面积精度检验 。 对象多边形面积为 S1 , 参考多边形面积为 S2 ,则 面积精度为 : D = | S1 - S2 | S2 ×100 % 　　采用野外实地调查和目视解译的方法进行精 度检验 , 随 机 对 对 象 进 行 抽 样 , 其 评 价 结 果 见 表 3 。进一步对面向对象方法的分类结果进行误 差矩阵分析 ,结果见表 4 。 从表 4 可以发现 ,利用该方法进行分类结果 是令人满意的 。经分析发现 ,草地与林地 、农田与 林地存在着混分现象 ,草地与林地混分主要集中 

2 2 2 2 2 2 2 2 　第 31 卷第 4 期 陈云浩等 :基于面向对象和规则的遥感影像分类研究 913 表 3 　对象 (类别 、面积) 精度评价 Tab. 3 　Accuracy Assessment for Class of Object s and Area of Object s 类别 对象类别属性 真/ 个 假/ 个 裸地 8 水体 6 草地 21 林地 32 农田 34 建筑 55 0 0 1 2 3 1 精度/ % 总精度/ % 对象类别 对象面积 95. 51 88. 24 对象类别 对象面积 94. 15 92. 34 85. 38 80. 16 87. 22 90. 21 100 100 95. 45 94. 12 91. 89 98. 21 表 4 　面向对象方法的分类结果精度评价 Tab. 4 　Accuracy Assessment of Classifi cation Based on Object Oriented 样本数 计算 分类 参考分类 sum 裸地 171 水体 0 草地 0 林地 0 农田 0 建筑 0 171 0. 80 裸地 水体 草地 林地 农田 建筑 215 8 295 34 246 0 327 0 360 0 362 429 404 1 872 0. 86 0. 84 0. 90 0 261 0 0 0 52 313 0. 89 0. 83 36 0 16 20 310 15 397 0. 77 0. 78 0 0 228 55 12 0 295 0. 86 0. 77 1 sum 生产精度 用户精度 总精度 Kappa index 0 0 2 252 38 0 292 0. 93 0. 86 0. 85 0. 81 在城区林草混杂区域 ,而农田与林地混分则主要 发生在农村居民点附近区域 ;水体与建筑的混分 主要是城区柏油路面和城市水渠 ,是由于光谱与 形状特征十分接近而引起的 。 5 　结 　语 传统基于像元的分类方法对噪声比较敏感 , 在高分辨率影像中 ,影像图斑更加破碎 ,在不考虑 邻域像元的情况下 ,对单个像元的分类往往导致 椒盐效应产生 。为了抑制噪声而广泛采用的滤波 方法 ,实际是以损失影像原始信息为代价的 。影 像分割过程中也包含光谱信息的损失 ,这种基于 同质区域的光谱综合和机械滤波 (通过调节窗口 的大小) 的物理意义是不同的 。对象所提供的有 关几何和拓扑信息及其衍生信息 ,为特定分类规 则的建立提供了可能 。多尺度分割下的对象层次 结构的建立为图斑大小不同的地物提供了良好的 分类平台 ,同时 ,不同层次间的信息传递又为信息 的综合提供了保证 。 虽然基于面向对象和规则的分类方法显示出 巨大的潜力 ,但以下问题需进一步研究 : ①如何科 学地确定分割尺度 ,不同的尺度分割可以突出一部 分信息 ,同时不可避免地损伤了另一部分信息。 ②对象的特征参数的选取 ,在众多的特征参数中 , 如何通过有效的特征参数组合达到最佳分类。 ③ 分割和特征参数计算所造成的海量数据处理给分 类带来的困难 ,如何实现分类精度和效率的平衡。 参 　考 　文 　献 [ 1 ] 　Iio Y, Omatu S. Category Classification Method Using International organizing Neural Network [ J ]. a Self Journal of Remote Sensing , 1997 , 18 (4) :829 845 [ 2 ] 　Ricotta C. Evaluating the Classification Accuracy of Fuzzy Thematic Map s with a Simple Parametric Measure[J ]. International Journal of Remote Sens ing , 2004 , 25 (11) : 2 169 2 176 [ 3 ] 　骆剑承 , 王钦敏 , 马江洪 ,等. 遥感图像最大似然分 类方法的 EM 改进算法 [J ]. 测绘学报 , 2002 , 31 (3) : 234 239 [ 4 ] 　Vander S C J , Jong S M , Roo A P J . A Segmenta tion and Classification App roach of IKONOS 2 Im agery for Land Cover Mapping to Assist Flood Risk and Flood Damage Assessment [ J ]. International Journal of Applied Earth Observation and Geoinfor mation , 2003 (4) : 217 229 [ 5 ] 　Huang C , Davis L S , Townshend J R G. An As sessment of Support Vector Machines for Land Cov er Classification[J ]. International Journal of Remote Sensing , 2002 , 23 (4) :725 749 [ 6 ] 　史培军 , 宫鹏 , 李晓兵 ,等. 土地利用/ 覆盖变化研 究的方法与实践[ M ]. 北京 :科学出版社 , 2000 [ 7 ] 　Magnussen S , Boudewyn P , Wulder M. Contextual Classification of Landsat TM Images to Forest In ventory Covertypes[J ]. International Journal of Re mote Sensing , 2004 , 25 (12) : 2 421 2 440 [ 8 ] 　陈秋晓 , 骆剑承 ,周成虎. 基于多特征的遥感影像 分类方法[J ]. 遥感学报 , 2004 , 8 (3) :239 245 [ 9 ] 　Volker W. Object based Classification of Remote Sensing Data for Change Detection[J ]. ISPRS Jour nal of Photogrammetry & Remote Sensing , 2004 (58) :225 238 [ 10 ] eCognition , U ser Guide. Definiens Imaging Gmb H , Munich[ OL ]. http :/ / www. definiensimaging. com/ p roduct. htm , 2002 [ 11 ] Benz U C , Peter H , Gregor W , et al. Multi resolu oriented Fuzzy Analysis of Remote tion , Object Sensing Data for GIS ISPRS Journal of Photogrammetry & Remote Sensing , 2004 (58) :239 ready Information [J ]. 258 第一作者简介 :陈云浩 ,博士 ,副教授。现主要从事资源与环境遥 感研究 。 E mail :cyh @ires. cn 

2 023 武 汉 大 学 学 报 ·信 息 科 学 版 2006 年 4 月 Classif ication of Remot Sensing Image Based on Object Oriented and Class Rules C H E N Y unhao1 , 2 　F E N G T on g 2 　S H I Pei j un1 　W A N G J i n f ei 3 (1 　College of Resources Science and Technology , Beijing Normal University , 19 Xinjiekou St reet , Beijing 100875 , China) (2 　Depart ment of Geograp hy & Resource Management , Chinese University of Hong Kong , Shatin , N. T. , Hong Kong) (3 　Depart ment of Geograp hy , The University of Western Ontario , Canada , N6A 5C2) Abstract : A classification met hod for remote sensing image based on object oriented and class rules is p resented in t his paper. The whole image is firstly segmented into image object s and object hierarchy is built using multi resolution segmentation. Then , t he feat ures of object s , such as spect ral , geomet rical and topological characteristics , are measured. The class rules are const ructed based on t hese feat ures. Classification of remote sensing image is carried out using t he rules and information t ransfering and merging among t hese object s. The accuracy of t he classification app roach based on object oriented and class rules is checked by a case st udy of land use classification of Beijing. Key words : object oriented ; multi resolution segmentation ; class rules ; classification About the f irst author : CHEN Yunhao , Ph. D , associate professor. His main research interest includes remote sensing of resources and envi ronment. E mail : cyh @ires. cn (上接第 300 页) GPS Data Processing of the 2005 Qomolangma Height Surveying D A N G Yam i n1 　C H E N G Chuanl u2 　C H E N J uny on g3 　Z H A N G Pen g4 (1 　Chinese Academy of Surveying and Mapping , 16 Beitaiping Road , Beijing 100039 , China) (2 　Geodetic Data Processing Center , State Bureau of Surveying and Mapping , 334 East Youyi Road , Xi’an 710054 , China ) (3 　State Bureau of Surveying and Mapping , 9 Sanlihe Road , Baiwanzhuang , Beijing 100830 , China) (4 　National Geomatics Center of China , 1 Baishengcun , Zizhuyuan , Beijing 100044 , China) Abstract : The determination of geodetic height at t he Qomolangma peak is one of t he very important tasks in t he 2005’Qomolangma height surveying. There are t hree GPS networks in t he 2005’Qomolangma height surveying , regional GPS crustal deformation network , geo detic GPS cont rol network , and GPS measurement at t he Qomolangma peak. The data col lection and data p rocessing were int roduced in t he paper. The final data p rocessing st rategy and reasonable geodetic height were fairly determined based on t he caref ul data analysis. Key words : Qomolangma ; GPS ; height ; measurement About the f irst author : DANG Yamin , researcher , Ph. D , Ph. D supervisor , majors in geodesy and geodynamics. E mail : dangym @casm. ac. cn