CN105447274B - 一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法 - Google Patents

Abstract

一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，本发明涉及对中等分辨率遥感图像进行滨海湿地制图的方法。本发明是要解决传统遥感图像分类方法无法准确区分各种湿地类别，且分类后结果通常存在“椒盐现象”、“飞地现象”，不适用于中分辨率遥感影像的滨海湿地制图。对Landsat8 OLI影像及DEM数据进行预处理；对步骤一中预处理后的Landsat8 OLI影像进行多尺度分割；导出生成滨海湿地典型地物光谱曲线；确定可用于区分滨海湿地典型地物特征；得到初步分类结果；优化分类结果；导出分类结果即滨海湿地典型地物对象，生成各滨海湿地类型矢量。本发明应用于滨海湿地制图领域。

Description

一种利用面向对象分类技术对中等分辨率遥感图像进行滨海 湿地制图的方法

技术领域

本发明涉及对中等分辨率遥感图像进行滨海湿地制图的方法。

背景技术

滨海湿地位于陆地与海洋生态系统的交错过渡带，兼备海、陆特征的生态类型，具有特殊的水文、植被、土壤特征，在维持生物多样性，碳存储、调节气候、控制污染等方面起着重要的作用。近年来，随着气候变化及人类活动的不断影响，滨海地区自然环境及生态景观变化显著。因此，快速、准确地获取滨海湿地景观格局信息，对于湿地资源的管理，沿海地区开发利用及资源的可持续发展意义重大。然而，滨海湿地地处海陆交错带，且红树林、互花米草等植被分布于地势开阔平坦的潮间带浅滩，使得实地调查难以进行，常规手段进行准确定位及调查耗时费力，且时效性差。遥感技术可进行大范围，近实时对地观测。因此利用遥感技术监测滨海湿地地物类型，不仅节约成本，还可快速而准确的制图。

面向对象的遥感解译方法是通过影像分割将同质像元合并为对象，继而根据对象间光谱、形状、纹理、拓扑等差异来区分地物类别的方法。其突破了传统分类方法基于像元进行分类和处理的局限，克服了分类结果存在椒盐现象的缺点，并以含有更多语义信息的对象为处理单元，即可降低数据运算量提高分类效率，又可实现较高层次的遥感图像分类。该方法是基于认知模型的遥感信息提取方法，更贴近人类的认知过程，已成为遥感信息提取领域主要的研究方向之一。

由于海浪及潮汐的周期运动，加之人类活动的影响，使得沿海地区景观趋于复杂，传统的滨海湿地分类方法，仅利用光谱特征，不能准确区分湿地类别。

发明内容

本发明是要解决传统遥感图像分类方法无法准确区分各种湿地类别，且分类后结果通常存在“椒盐现象”、“飞地现象”，不适用于中分辨率遥感影像的滨海湿地制图，而提供了一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法。

一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于按以下步骤实现：

步骤一：下载Landsat8 OLI影像及数字高程模型即DEM数据，并分别对Landsat8OLI影像及DEM数据进行预处理，对预处理后的Landsat8 OLI影像进行预判，确定滨海湿地典型地物，包括：红树林、互花米草、海水、滩涂、养殖池和建筑用地；

其中，所述对Landsat8 OLI影像预处理包括正射纠正和几何精纠正；

所述对DEM数据预处理包括投影转换，使DEM数据与Landsat8 OLI影像坐标系统一致，并在ArcGIS中利用Fill工具进行填洼削峰处理；

步骤二：对步骤一中预处理后的Landsat8 OLI影像进行多尺度分割，依据同质性标准将相邻像元合并为对象，得到影像对象层；

步骤三：基于eCognition Developer 8.64软件，根据实地调查样点，获得滨海湿地典型地物样本对象，利用Object features中Layer Values工具计算滨海湿地典型地物样本对象在Landsat8 OLI影像各波段的光谱均值，并导出生成滨海湿地典型地物光谱曲线；

步骤四：根据步骤三中得到的滨海湿地典型地物光谱曲线，综合影像特征，确定可用于区分滨海湿地典型地物特征，并基于eCognition Developer 8.64软件实现各特征的计算；

步骤五：利用步骤四得到的滨海湿地典型地物特征，通过设定阈值及提取顺序，划定滨海湿地所在范围，依次提取各滨海湿地典型地物对象，得到初步分类结果；

步骤六：对步骤五所得初步分类结果进行细节处理，结合形状、拓扑、地物空间关系特征归并混分斑块，优化分类结果；

步骤七：导出分类结果即滨海湿地典型地物对象，生成各滨海湿地类型矢量；

步骤八：在ArcGIS软件中制作滨海湿地类型图。

发明效果：

本发明针对传统遥感图像分类方法无法准确区分各种湿地类别，且分类后结果通常存在“椒盐现象”、“飞地现象”，不适用于中分辨率遥感影像的滨海湿地制图，提出了基于面向对象技术，利用对象的光谱、形状、拓扑以及地物空间关系等特征，辅以数字高程模型(DEM)，通过波段组合，设定阈值逐层提取滨海湿地典型地物对象，制作滨海湿地类型分布图。

Landsat8是美国航空航天局(NASA)于2013年发射的陆地资源卫星，其搭载的OLI陆地成像仪(Operational Land Imager)具有9个波段，本发明使用6个多光谱波段(B：0.45～0.51μm，G：0.53～0.59μm，R：0.64～0.67μm，NIR：0.85～0.88μm，SWIR1：1.57～1.65μm，SWIR2：2.11～2.29μm)，空间分辨率30米，重访周期16天，相比其他Landsat系列卫星，其辐射分辨率提高到16bit，使得地物信息更加精细，更有利于地物信息提取。Landsat系列卫星已被证实适用于沿海地区湿地类型信息提取。

由于海浪及潮汐的周期运动，加之人类活动的影响，使得沿海地区景观趋于复杂，传统的滨海湿地分类方法，仅利用光谱特征，不能准确区分湿地类别。本发明针对传统遥感图像分类方法无法明确区分各种湿地类别，且分类后结果通常存在“椒盐现象”、“飞地现象”，不适用于中分辨率遥感影像的滨海湿地制图，提出了基于面向对象技术，利用对象的光谱、纹理、形状、拓扑以及地物空间关系等特征，辅以DEM，通过波段组合，设定阈值逐层提取湿地对象，制作滨海湿地类型分布图。

本发明涉及面向对象技术的遥感图像分类方法，将形状、纹理、拓扑及地物空间关系等信息加入分类过程中，并辅以DEM，快速准确的提取中等分辨率遥感影像(Landsat8OLI)中的滨海湿地典型地区空间分布信息，从而制作滨海湿地类型图。

附图说明

图1为滨海湿地典型地物光谱曲线图；

图2为滨海湿地分类规则集图；

图3为试验区遥感影像图；其中，试验区遥感影像(R：G：B＝SWIR1：NIR：R)；

图4为试验区滨海湿地分类结果图。

具体实施方式

本发明技术方案不局限于以下所列举具体实施方式，还包括各具体实施方式间的任意组合。

具体实施方式一：本实施方式的一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法按以下步骤实现：

步骤一：下载Landsat8 OLI影像及数字高程模型即DEM数据，并分别进行预处理，对预处理后的Landsat8 OLI影像进行预判，确定滨海湿地典型地物；

其中，所述Landsat8 OLI影像预处理包括正射纠正和几何精纠正；DEM预处理包括投影转换，使DEM与Landsat8 OLI影像坐标系统一致，并在ArcGIS中利用Fill工具进行填洼削峰处理。

步骤二：对步骤一中预处理后的Landsat8 OLI影像进行多尺度分割，依据同质性标准将相邻像元合并为对象，得到影像对象层；

步骤三：基于eCognition Developer 8.64软件，根据实地调查样点，获得滨海湿地典型地物样本对象，利用Object features中Layer Values工具计算滨海湿地典型地物样本对象在Landsat8 OLI影像各波段的光谱均值，并导出生成滨海湿地典型地物光谱曲线；

步骤四：根据步骤三中得到的滨海湿地典型地物光谱曲线，综合影像特征，确定可用于区分滨海湿地典型地物的特征；

步骤五：根据步骤四得到的滨海湿地典型地物特征，通过设定阈值及提取顺序，划定滨海湿地所在范围，依次提取各滨海湿地典型地物对象，得到初步分类结果。

步骤六：对步骤五所得初步分类结果进行细节处理，结合形状、拓扑、地物空间关系特征归并混分斑块，优化分类结果；

步骤七：导出分类结果即滨海湿地典型地物对象，生成各滨海湿地类型矢量；

步骤八：在ArcGIS软件中制作滨海湿地类型图。

步骤一中Landsat8 OLI影像，轨道号为P124R45，时间2015年1月1日，DEM数据为SRTM数据，行列号为P58R08。确定的滨海湿地典型地物包括：红树林、互花米草、海水、滩涂、养殖池和建筑用地。

具体实施方式二：本实施方式与具体实施方式一不同的是：步骤四中确定可用于区分滨海湿地典型地物的特征基于eCognition Developer 8.64软件进行计算：根据归一化植被指数(NDVI)、地表湿度指数(LSWI)、土壤亮度指数(SBI)、归一化水体指数(NDWI)公式，利用Object features中Create Arithmetic Feature工具分别计算对象的上述算数特征；通过HIS变换得到波段组合后的色调(Hue)特征；并将步骤一中预处理后的DEM作为特征层，利用Layer Values工具计算影像对象的DEM特征。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤五具体为：

(1)、步骤二所得影像对象层中，利用步骤四的计算结果，DEM小于等于10且NDWI介于-0.08与0.32之间的对象为滨海湿地所在范围，命名为“沿海区”；

(2)、沿海区中，满足Hue(R＝'NIR',G＝'SWIR1',B＝'SWIR2')特征介于0.7与1之间并且NDVI小于0.15的对象为水体和滩涂，不满足条件的对象命名为“剩余沿海区1”；

(3)、水体和滩涂中，满足LSWI介于0.12与0.31之间且NDVI大于0的对象为滩涂，不满足条件的对象命名为“剩余水体1”；

(4)、剩余水体1中，满足NDWI介于0.06与0.32之间且DEM小于等于1的对象为海水，并将海水对象进行合并，使相邻接的海水对象合并为大斑块，不满足条件的对象命名为“剩余水体2”；

(5)、剩余水体2中，满足与海水或滩涂邻接且DEM小于等于1的对象为滩涂；该部分滩涂与3中滩涂之和即为滩涂分类结果；

(6)、剩余水体2中，不满足5中提取滩涂条件的对象为养殖池；

(7)、剩余沿海区1中，满足Hue(R＝'SWIR1',G＝'NIR',B＝'SWIR2')特征介于0.28与0.35之间且LSWI大于等于0.13的对象为红树林，不满足条件的对象命名为“剩余沿海区2”；

(8)、剩余沿海区2中，满足SBI介于17710与30000之间的对象为建筑用地，经多次分类后剩余对象较为纯净为互花米草。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是：所述步骤六具体为：

(1)对红树林、互花米草类别进行类内合并；

(2)利用周长面积比将误分为互花米草或红树林的对象合并到其邻接对象中所占邻接比例最大的类别中；

(3)利用面积、DEM特征将养殖池对象中塘梗位置误分为互花米草的对象合并到养殖池类别中；

(4)提高海水分类精度，将低海拔地区混分为海水的养殖池对象提取出；

(5)整合分类过程中形成的小碎斑块。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是：所述步骤六具体为：

所述(1)对红树林、互花米草类别进行类内合并具体为：

Merge region(红树林)；

Merge region(互花米草)；

所述(2)利用周长面积比将误分为互花米草或红树林的对象合并到其邻接对象中所占邻接比例最大的类别中具体为：

Remove objects('红树林','互花米草'；with 0.62<＝P\A<＝0.76)；

所述(3)利用面积、DEM特征将养殖池对象中塘梗位置误分为互花米草的对象合并到养殖池类别中具体为：

Remove objects('互花米草'；with DEM<＝1 and Area<＝250 pixel,into'养殖池')；

所述(4)提高海水分类精度，将低海拔地区混分为海水的养殖池对象提取出：

Remove objects('海水'；with Area<＝500 pixel,into‘养殖池’)；

所述(5)整合分类过程中形成的小碎斑块：

Remove objects('none'；with Area<＝10 pixel)。

其它步骤及参数与具体实施方式一至四之一相同。

仿真实验：

步骤一：下载试验所用Landsat8 OLI影像，轨道号为P124R45，时间2015年1月1日，下载SRTM90米DEM数据，行列号为P58R08。为消除地形畸变，利用试验区的DEM数据对OLI影像进行正射纠正；为消除几何畸变，利用1:50000地形数据，在ERDAS软件中选取地面控制点，对正射纠正后的影像进行几何精纠正。在ArcGIS软件中对DEM进行投影转换，使DEM与Landsat8 OLI影像坐标系统一致，并在ARCGIS中利用Fill工具对DEM进行填洼削峰处理，去除伪地形。对Landsat8 OLI影像进行预判，确定滨海湿地典型地物类型，包括红树林、互花米草、海水、滩涂、养殖池、建筑用地。

步骤二：对步骤一中预处理后的Landsat8 OLI影像进行多尺度分割，依据同质性标准将相邻像元合并为对象，得到影像对象层。表1显示在面向对象分类过程中多尺度分割的参数设置，作为判定像元同质性的标准。

表1.多尺度分割参数设置

分割尺度	彩色因子	形状因子	光滑度	紧致度
					60	0.8	0.2	0.5	0.5

步骤三：根据实地调查样点，获得试验区滨海湿地典型地物样本对象，本实例在eCognition Developer 8.64软件中计算各滨海湿地典型地物样本对象的光谱特征值，并导出生成典型地物光谱曲线，如图1；

步骤四：利用步骤三中得到的滨海湿地典型地物光谱曲线，并综合影像特征，确定可用于区分滨海湿地典型地物的特征，基于eCognition Developer 8.64软件，根据归一化植被指数(NDVI)、地表湿度指数(LSWI)、土壤亮度指数(SBI)、归一化水体指数(NDWI)等公式，利用Object features中Create Arithmetic Feature工具分别计算对象的上述算数特征，通过HIS变换得到波段组合后的色调(Hue)特征，并将预处理后的DEM作为特征层，利用layer values工具计算影像对象的DEM特征；

步骤五：首先利用DEM特征确定高程小于等于10米，且NDWI指数介于-0.08和0.32之间的范围为沿海区，然后，利用步骤四得到的所有特征信息，确定区分滨海湿地类别的特征、阈值及顺序，从沿海区中依次分离各类别，由于沿海地物的复杂性和破碎性，单一规则难以提取完全，本发明利用特征组合的方式进一步区分地物，具体分类规则见表2，图2，表2中提取顺序与图2中提取顺序一致。(左分支最底层先进行⑧，再进行⑨，右分支最底层先进行⑤、再进行⑥，其他类型自上而下执行即可)

表2 滨海湿地分类规则集

*：根据地物空间关系：首先，将海水对象进行合并操作，即开阔海域将合并为一个大对象，然后，将剩余水体2中邻接海水或滩涂且位于DEM<＝1以内的碎屑剩余水体2分类为滩涂，其他剩余水体2分为养殖池。**：经过多次分离后的剩余沿海区2较为纯净，分为互花米草，但仍存有养殖池塘埂或缺水养殖池与其混淆，可根据塘埂特殊的形状特征以及地物空间关系，减少混淆。

步骤六：对步骤五所得初步结果进行细节处理，本实例中待处理细节如下：

1、常生长植被的养殖池塘埂间或因缺水而反射池底土壤信息的养殖池，其光谱信息易受周围水体光谱信息干扰，致使其易混分为红树林或互花米草；

2、在低海拔地区，存在将滩涂、互花米草、红树林等地物围垦为养殖池的现象，对于这种养殖池在影像特征及空间位置上与海水相似，致使其易混分为海水；

3、在分类过程中，易形成小碎斑块，需进行整合。

结合形状、拓扑、地物空间关系等特征区分混分类别，并归并小碎斑块，优化分类结果。

对上述细节处理过程如下：

1、对红树林、互花米草类别进行类内合并，合并后真实红树林、互花米草呈较大斑块，继而考虑塘埂及养殖池对象呈现多边且面积小的独特形状特征，利用周长面积比(P\A)将此类混淆对象合并到其邻接对象中所占邻接比例最大的类别中去。

Merge region(红树林)

Merge region(互花米草)

Remove objects('红树林','互花米草'；with 0.62<＝P\A<＝0.76)

Remove objects('互花米草'；with DEM<＝1 and Area<＝250 pixel,into'养殖池')

2、低海拔地区的养殖池，通常不与开阔的海水连通，较为破碎斑块较小，利用该性质可进一步提高海水的分类精度。

Remove objects('海水'；with Area<＝500 pixel,into‘养殖池’)

3、Remove objects('none'；with Area<＝10 pixel)

由于地表的复杂性及影像特征的不唯一性，使用规则算法很难将地物完全区分开，但本发明的总体分类精度达91％以上，分类效果较好，如若提高分类精度，适当结合目视解译进行细微修改即可。

步骤七：导出湿地分类，生成各滨海湿地类型矢量；

步骤八：在ArcGIS软件中制作滨海湿地类型图。

本发明技术方案不局限于以上所列举的具体遥感数据，还包括各种遥感影像的面向对象分类方法。

Claims (3)

1.一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于按以下步骤实现：

步骤一：下载Landsat8 OLI影像及数字高程模型即DEM数据，并分别对Landsat8 OLI影像及DEM数据进行预处理，对预处理后的Landsat8 OLI影像进行预判，确定滨海湿地典型地物，包括：红树林、互花米草、海水、滩涂、养殖池和建筑用地；

其中，所述对Landsat8 OLI影像预处理包括正射纠正和几何精纠正；

所述对DEM数据预处理包括投影转换，使DEM数据与Landsat8 OLI影像坐标系统一致，并在ArcGIS中利用Fill工具进行填洼削峰处理；

步骤二：对步骤一中预处理后的Landsat8 OLI影像进行多尺度分割，依据同质性标准将相邻像元合并为对象，得到影像对象层；

步骤三：基于eCognition Developer 8.64软件，根据实地调查样点，获得滨海湿地典型地物样本对象，利用Object features中Layer Values工具计算滨海湿地典型地物样本对象在Landsat8 OLI影像各波段的光谱均值，并导出生成滨海湿地典型地物光谱曲线；

步骤四：根据步骤三中得到的滨海湿地典型地物光谱曲线，综合影像特征，确定可用于区分滨海湿地典型地物特征，并基于eCognition Developer 8.64软件实现各特征的计算；

步骤五：利用步骤四得到的滨海湿地典型地物特征，通过设定阈值及提取顺序，划定滨海湿地所在范围，依次提取各滨海湿地典型地物对象，得到初步分类结果；

步骤六：对步骤五所得初步分类结果进行细节处理，结合形状、拓扑、地物空间关系特征归并混分斑块，优化分类结果；

具体为：

(1)对红树林、互花米草类别进行类内合并；

(2)利用周长面积比将误分为互花米草或红树林的对象合并到其邻接对象中所占邻接比例最大的类别中；

(3)利用面积、DEM特征将养殖池对象中塘梗位置误分为互花米草的对象合并到养殖池类别中；

(4)提高海水分类精度，将低海拔地区混分为海水的养殖池对象提取出；

(5)整合分类过程中形成的小碎斑块；

步骤七：导出分类结果即滨海湿地典型地物对象，生成各滨海湿地类型矢量；

步骤八：在ArcGIS软件中制作滨海湿地类型图。

2.根据权利要求1所述的一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于所述步骤四具体为：

根据归一化植被指数、地表湿度指数、土壤亮度指数、归一化水体指数公式，利用Object features中Create Arithmetic Feature工具分别计算对象的上述算数特征；通过HIS变换得到波段组合后的色调特征；并将步骤一中预处理后的DEM作为特征层，利用LayerValues工具计算影像对象的DEM特征。

3.根据权利要求1所述的一种利用面向对象分类技术对中等分辨率遥感图像进行滨海湿地制图的方法，其特征在于所述步骤五具体为：

(1)、步骤二所得影像对象层中，利用步骤四的计算结果，DEM小于等于10且NDWI介于-0.08与0.32之间的对象为滨海湿地所在范围，命名为“沿海区”；

(2)、沿海区中，满足Hue(R＝'NIR',G＝'SWIR1',B＝'SWIR2')特征介于0.7与1之间并且NDVI小于0.15的对象为水体和滩涂，不满足条件的对象命名为“剩余沿海区1”；

(3)、水体和滩涂中，满足LSWI介于0.12与0.31之间且NDVI大于0的对象为滩涂，不满足条件的对象命名为“剩余水体1”；

(4)、剩余水体1中，满足NDWI介于0.06与0.32之间且DEM小于等于1的对象为海水，并将海水对象进行合并，使相邻接的海水对象合并为大斑块，不满足条件的对象命名为“剩余水体2”；

(5)、剩余水体2中，满足与海水或滩涂邻接且DEM小于等于1的对象为滩涂；该部分滩涂与3中滩涂之和即为滩涂分类结果；

(6)、剩余水体2中，不满足5中提取滩涂条件的对象为养殖池；

(7)、剩余沿海区1中，满足Hue(R＝'SWIR1',G＝'NIR',B＝'SWIR2')特征介于0.28与0.35之间且LSWI大于等于0.13的对象为红树林，不满足条件的对象命名为“剩余沿海区2”；

(8)、剩余沿海区2中，满足SBI介于17710与30000之间的对象为建筑用地，经多次分类后剩余对象较为纯净为互花米草。