第 34 卷第 2 期 2015 年 4 月 河南理工大学学报( 自然科学版) JOUＲNAL OF HENAN POLYTECHNIC UNIVEＲSITY( NATUＲAL SCIENCE) Vol． 34 No． 2 Apr． 2015 DOI:10． 16186 / j． cnki． 1673-9787． 2015． 02． 015 高分辨率遥感影像结合 LiDAＲ 数据的 面向对象分类方法 ＊ ( 河南理工大学 测绘与国土信息工程学院，河南 焦作 454000) 许传阳，李建红 摘要:为了更准确地对遥感数据进行分类，结合 GeoEye 高分辨率遥感影像和机载 LiDAＲ 数 据，通过对分割参数、特征选择、分类规则等特征进行研究，提出采用面向对象的模糊分类方 法———成员函数法选择实验区进行了分类研究。实验结果表明:该分类方法能够更有效地提 取出建筑物、煤堆、灌木等矿区典型地物，总体分类精度达到 93． 92% ，KIA 为 92． 52% ，分类精 度相比单一遥感数据明显提高。 关 键 词:高分辨率遥感影像;LiDAＲ;面向对象分类;成员函数 中图分类号:TP751 文章编号:1673-9787(2015)02-0222-04 文献标志码:A Object-oriented classification with high resolution image and LiDAＲ data ( School of Surveying and Land Information Engineering，Henan Polytechnic University，Jiaozuo 454000，Henan，China) XU Chuanyang，LI Jianhong Abstract:With the development of high resolution remote sensing technology and the multi-source of data ac- quisition，the multi-source sensor data fusion method has become a hot spot in the field of remote sensing in- formation extraction． This paper combined GeoEye high resolution aviation image with the LiDAＲ data，by the research on segmentation parameters，feature selection，and classification rules characteristics，puts forward the utilization of the fuzzy method for object-oriented classification—member function method to select a classi- fication study of the experimental area． The result showed that this object-oriented classification method can be more effectively extracted the buildings，coal pile，shrubs，and other mining typical objects，and that the o- verall accuracy reached 93． 92% ，KIA is 92． 52% ． Compared to the single remote sensing data，the classifi- cation accuracy has been significantly improved． Key words:high resolution imaging; LiDAＲ; object-oriented classification: member function 0 引 言 随着高分辨率遥感影像应用迅速普及，对遥 感信息处理与提取提出了更高的要求，特别是在 我国实施发展高分辨率遥感卫星计划之后，面向 对象的分类方法研究已成为信息提取领域研究的 热点［1-3］ 。面向对象的分类能充分利用图像的色 调、纹理、形状、上下文等信息，对高分辨率影像分 类和识别具有明显的优势［4-6］ 。高分辨率遥感影 像虽然可以提供高清晰度的地表纹理和丰富的光 谱信息，但缺少高程信息;机载 LiDAＲ 可以获取 更准确的地表高程信息，但地物边界线表示欠准 确。因此，与高分辨率遥感影像机载 LiDAＲ 数据 融合，能弥补上述单一遥感数据的不足，充分发挥 ＊ 收稿日期:2014-10-18 基金项目:国家自然科学基金项目资助项目(41371105) 。 作者简介:许传阳(1977—) ，男，山东莒县人，讲师，主要从事摄影测量与遥感研究与教学工作。 E-mail:17172769@ qq． com 中国煤炭期刊网 www.chinacaj.net

第 2 期 许传阳，等:高分辨率遥感影像结合 LiDAＲ 数据的面向对象分类方法 322 各自的优势，能够更加准确地获得目标的某一特 征或一组相关特征，降低目标位置估计和属性估 计的不确定性，从而更好地表征地物信 息［8-11］ 。 本文利用 LiDAＲ 数据辅助高分辨率应用影像，采 用面向对象的方法对鹤壁矿区典型地物进行了分 类提取研究，取得了较好实验结果，为矿区治理和 生态修复提供了技术支持。 1 数据获取和预处理 实验研究区位于河南省鹤壁市山城区鹤壁煤 电股份有限公司五矿以北，元泉村与罗村的中间 地带，之间有 211 省道穿过。鹤壁矿区总面积约 2 299 km2 ，是河南省重要煤炭基地，而五矿是鹤 壁主要的煤矿区之一。实验采用 GeoEye 卫星影 像获取日期为 2013 年 7 月 12 日( 图 1) ，LiDAＲ 数据是使用徕卡 ALS50 机载激光雷达于 2013 年 4 月 20 日扫描获取。 1． 1 GeoEye 影像数据预处理 GeoEye 影像数据预处理包括影像校正和影 像数据融合。其中融合使影像既保持了多波段的 光谱 信 息，又 具 有 全 色 波 段 的 高 空 间 分 辨 率［12-13］ 1． 2 LiDAＲ 数据处理 。 原始点云数据包含有大量的冗余信息和误 差，因此，需要进行预处理。LiDAＲ 点云数据预 处理包括检测和剔除其中的系统误差和粗差点， 本文采用自适应 TIN( Adaptive TIN，ATIN) 方法 对点云数据进行滤波，分离出地面和非地面点;建 立数字地面模型( DEM) ，利用 LiDAＲ 第一次返回 的数 据 建 立 数 字 表 面 模 型 ( DSM) ; 建 立 nDSM ( normalized Digital Surface Model) 模型，即归一化 数字表面模型。nDSM 为 DSM 与 DEM 的差值， 记录了地物相对于地面的高度信息。根据地物的 高度不同，在图中由白到黑显示( 图 2) 。 1． 3 数据配准 实验 提 取 的 nDSM 空 间 分 辨 率 为 1 m，将 GeoEye 遥感影像数及 LiDAＲ 数据统一到 UTM 投 影 WGS-84 坐标系下，进行配准操作，nDSM 重采 样间隔设置为 0． 5 m。本文采用三次多项式模型 进行影像配准，获得 GCP 总 ＲMS error 为0． 867。 2 多源数据结合的面向对象分类方法 面向对象分类方法是依据对象进行信息提 取，面向的不再是单个像元。分类时不仅利用光 谱信息，而且更多的是应用几何信息及影像对象 之间的语义信息、纹理信息和拓扑关系等。自动 分类分为硬分类和软分类。软分类是指一个像元 不被赋予唯一的类，有可能同时被赋予多个类别。 模糊分类法属于软分类方法。硬分类只给出了隶 属度值最高的信息，而模糊分类则包含了可靠性、 稳定性和类混合的信息，并考虑了遥感影像的混 合像元( 包含多种地物的像元) ，利用模糊系统把 特征值转化成 0 ～ 1 之间的模糊值，也就是隶属度 值，通过隶属度函数来判别属于哪种类型。模糊 逻辑分类系统给出每个对象在多大的程度上属于 某一类，从而能更详尽的分析影像信息。模糊分 类包含了多维类型的隶属度，描述了对象对于 n 个不同类别的类赋值度，其数学表达式为 fclass，obj = μclass_1 (obj)，μclass_2 (obj)，…，μclass_n (obj) 。(1) 模糊数学分类通过对应特征值和隶属度，利 用成员函数实现，并将转化成 0 ～ 1 之间的模糊值 作为对特定类别的隶属度值的一种方法。 2． 1 影像分割 根据遥感影像分割 “同质性”和 “异质性”的 特点，可以将一次分割进行细分处理、合并或重塑 操作。结合实验区特点，采用基于区域生长的多 尺度分割方法。尺度参数代表的对象均质度由均 质标准组成所决定，均质性因子由光谱因子和形 中国煤炭期刊网 www.chinacaj.net

422 河南理工大学学报( 自然科学版) 2015 年第 34 卷 状因子组成，形状因子又包括紧密度和光滑度。 为了表达光谱或颜色的异质性，用各层中光 谱值的标准差的权重之和计算( 是以各层的权重 来衡量) ，即 ωc (2) 根据用户定义的权重，形状标准由式(3) 计 h = cωc × σc。 算。 ) × hsmooth。 (3) hshape = wcmpct × hcmpct + (1 － wcmpct 式中:hsmooth 为紧致度。本文经过多 次实验，获取的研究区最优分割参数如表 1 所示。 为光滑度;hcmpct 表 1 分类层次表 Tab． 1 Hierarchical classification 层名 尺度 形状因子 紧致度 level1 level2 150 25 0． 3 0． 2 0． 5 0． 6 实验区内建筑物具有体积小、结构复杂等特 点，而且顶部在影像上具有较高的反射率，光谱信 息与道路很相近。因此，首先采用较小的尺度参 数进行分割，以此避免两者之间出现混分现象，然 后结合 nDSM 提供的高度信息对建筑物进行精确 提取，大幅地提高了提取准确率。堆煤场相对于 其他地物均质性较高，因此，本文对其采用大尺度 进行分割。总之，可以在不同层次上利用层间关 系对矿区典型地物进行面向对象的分类。 2． 2 分类规则 成员函数分类主要依据各种地物的特征分别 添加到函数描述再进行分类。分类规则不仅需要 结合不同的实验结果，还需要考虑长度、长宽比、 均值、面积、标准差等因素，另外，层与层之间的继 承关系也是可以利用的对象，这也是多尺度分割 的特点。本文运用的自定义特征是基于植被归一 化指数(normalized different vegetation index，ndvi)。 Level1 的分割尺度较大，利用该层可以提取 出煤堆。这是因为煤堆的均质性较高，分割出来 的对象较圆、宽，而且在图像上颜色较暗，因此，可 以利用面积、亮度及长度等特征进行分类。其他 地物的分类特征如表 2 所示。 表 2 level 1 中的地物规则 Tab． 2 Ｒules of ground objects in level 1 地物类别 分类特征 取值范围 煤堆 1 Brightness ＜ 285 Area Length ＞ 1 210 ＜ 190 Level 2 分类规则如表 3 所示，其中建筑物可 根据 LiDAＲ 数据提供的高程信息及 ndvi 指数进 行分类。道路主要的特征是 ndvi 值较高，长宽比 特性较明显。煤堆则利用继承了第一层的特性。 植被归一化指数是提取植被的最重要特征，再结 合高程数据就可以区分出低矮植被与灌木。 表 3 level 2 中的地物规则 Tab． 3 Ｒules of ground objects in level 2 地物类别 分类特征 取值范围 低矮植被 灌木树 道路 空地 煤堆 ndvi nDSM ndvi nDSM ndvi Length / width unclassfied ＞ 0． 55 ＜ 0． 5 ＞ 0． 55 ＞ 0． 5 ＜ 0． 56 ＞ 2． 5 无 Existence of Supper objects 煤堆 1 0 ～ 1 2． 3 实验结果及精度评价 图 3 为根据表 2 和表 3 分类规则进行分类的 结果。通过对分类结果目视解译可以看出，大部 分地物分类正确，但存在少量误分，如建筑物一般 成矩形，但图 3 中有些建筑物轮廓却出现不规则 现象，这与分割尺度有关。主干道路均可以识别， 但提取的部分边缘不够清晰，易与路边的空地混 淆，造成道路边缘有些粗糙。煤堆因其均质性较 好，可以利用大尺度分割，所以分类效果较好;提 取的灌木出现毛刺，需要在后续处理中予以滤除。 本文对分类后结果进行了精度评价。误差矩 阵是通过选择的样本建立，以混淆矩阵及总体精 度表示精度评价结果。由表 4 可知，分类总精度 为 93． 92% 。分类中，某一对象不可能存在独立 中国煤炭期刊网 www.chinacaj.net

第 2 期 许传阳，等:高分辨率遥感影像结合 LiDAＲ 数据的面向对象分类方法 522 的类而与他类别完全无交集，根据设置隶属度的 数值大小可以确定对象的类归属。在分类稳定性 评价(表 5)中，每个类别的均值都在 95% 以上，且标 准差很小，说明分类比较稳定，分类结果比较满意。 表 4 基于 TTA 掩膜的误差矩阵 Tab． 4 Error matrix based TTA mask 类别 煤堆 建筑物 道路 低矮植被 灌木树 空地 总数 煤堆 建筑物 道路 低矮植被 灌木树 空地 总数 4 057 0 0 0 334 0 0 5 530 0 0 282 0 0 0 7 424 0 381 490 0 0 0 7 693 0 0 0 0 0 371 3 559 0 4 391 5 812 8 298 7 693 3930 0 0 133 0 0 2 541 2 674 总体精度:93． 92% KIA:92． 52% 4 057 5 530 7 560 8 398 4 222 3 031 表 5 分类稳定性评价 Tab． 5 Evaluation on classification stability Class Objects Mean StdDev Minimum Maximum 煤堆 建筑物 道路 137 3 383 1 277 低矮植被 4 573 灌木树 空地 3 163 2 121 1 0 0． 952 399 1 0． 170 374 9 1 0 1 1 0． 998 299 5 0． 034 264 596 93 0． 132 454 800 1 0． 999 127 6 0． 024 161 832 45 0． 044 184 684 1 0． 999 542 0 0． 011 295 521 27 0． 564 124 000 1 1 0 1 1 3 结 语 本文以机载 LiDAＲ 数据和高分辨率卫星影 像为数据源，通过对尺度分割参数、特征选择和分 类规则构建等面向对象的分类方法中涉及的问题 进行了研究，在实验区实现了基于多源数据融合 的煤矿区典型地物的提取，并取得了较高精度的 分类结果，证明了该方法的有效性。 参考文献: ［1］ KEVIN TANSEY． Object-oriented classification of very high resolution airborne imagery for the extraction of hedgerows and field margin cover in agricultural areas ［J］． Applied Geography，2009，29:145-157． ［2］ ZHANG Ｒongqun． Study of land cover classification based on knowledge rules using high-resolution remote sensing images［J］． Expert Systems with Applications ，2011，38: 3647-3652． ［3］ 李珵，卢小平，李向阳，等． 基于面向对象的建筑物 轮廓协同提取方法［J］． 测绘通报，2013(5) ;66-69． ［4］ 曾涛，杨武年，黎小东，等． 面向对象的高空间分辨 率遥感影像信息提取———汶川地震城市震害房屋 案例研究［J］． 自然灾害学报，2010(5) :81-87． ［5］ 陈生． 面向对象的高分辨率遥感影像桥梁提取研究 ［J］． 中国图象图形学报，2009，14(4) :585-590． ［6］ 张峰，薛艳丽，李英成，等． 基于 SVM 的多源遥感影 像面向对象建筑物提取方法［J］． 国土资源遥感， 2008，6(2) :27-29． ［7］ 于海洋，程钢，张育民，等． 基于 LiDAＲ 和航空影像 的地震灾害倒塌建筑物信息提取［J］． 国土资源遥 感，2011，9 (3) : 77-81． ［8］ 杨耘，隋立春． 面向对象的 LiDAＲ 数据多特征融合 分类［J］． 测绘通报，2010(8) :11-14． ［9］ 管海燕，邓非，张剑清，等． 面向对象的航空影像与 LiDAＲ 数据融合分类［J］． 武汉大学学报( 信息科学 版) ，2009，37(7) :830-833． ［10］ 沈永林，李晓静，吴立新，等． 基于航空 影 像 和 Li- DAＲ 数据的海地地震滑坡识别研究［J］． 地理与地 理信息科学，2011，27(1) :16-20． ［11］ 葛晓天． 面向对象的矿区不透水面信息提取方法研 究［D］． 焦作:河南理工大学，2012． ［12］ 章毓晋． 图像分割［M］． 北京:科学出版社，2001． ［13］ 卢小平，王双亭． 遥感原理与方法［M］． 北京:测绘 出版社． 2012． ( 责任编辑 胡圣武) 中国煤炭期刊网 www.chinacaj.net