韩东升
（内蒙古自治区航空遥感测绘院，内蒙古呼和浩特 010010）
基于面向对象的Landsat8遥感影像分类研究
韩东升
（内蒙古自治区航空遥感测绘院，内蒙古呼和浩特 010010）
遥感图像分类在航空遥感测绘中扮演着重要角色。随着遥感技术的进步，遥感影像的获取手段逐渐增多，虽然这降低了多种地物信息获取的难度，但是日益增多的遥感图像也给其处理带来了困难。本文探索了一种基于面向对象图像分析（Object-based Image Analysis，OBIA）的遥感图像分类技术，将其应用于Landsat-8业务化陆地成像仪（Operational Land Imager，OLI）的影像分类中。实验结果说明，OBIA可以得到不错的分类效果。
面向对象图像分析 遥感图像分类 图像分割 支持向量机
1 引言
遥感图像分类是航空遥感测绘的重要技术之一。利用监督或非监督的分类算法，可以快速、准确地从遥感影像中提取地物类别信息，从而极大方便了测绘制图等业务化的工作。近年来，一种新兴的遥感图像处理技术——面向对象图像分析（Object-based Image Analysis，OBIA），得到了越来越广泛的关注。与传统的遥感图像分类算法不同的是，OBIA操作的对象不是像素，而是由若干像素组成的地物斑块（或区域）。然而，近年来大多数有关OBIA的研究都是针对高分辨率遥感影像开展的。实际上，很多新型遥感器都只提供中等分辨率的数据，其中最典型的是Landsat-8业务化陆地成像仪（Operational Land Imager，OLI）了。本文主要探索了OBIA在Landsat-8 OLI影像分类上的应用。
2 方法
OBIA主要包括两个最为基本的步骤：（1）图像斑块产生；（2）图像斑块分类。第一步主要是利用图像分割技术来实现的。近年来，大多数OBIA都采用了分形网演化算法（Fractal Net Evolution Approach，FNEA）来进行图像分割。该算法已经被集成到一个商业遥感图像处理软件——易康，作为其多分辨率图像分割算法的模块。
FNEA是一种基于区域生长实现的图像分割算法。它采用自底向上的策略，即从像素开始，迭代合并那些在光谱上十分相似的区域，直到图像中各个斑块的光谱差异达到了用户预先设置的阈值为止。值得一提的是，FNEA在斑块并的过程中，还考虑了斑块的形状信息，以此来提高分割结果的视觉效果。FNEA需要设置3个参数，分别是形状参数、紧凑性参数和尺度参数。前两个参数都是控制分割过程的合并标准的，第三个参数则影响分割结果中斑块的平均大小。
图1 OLI影像（a）及其分割（b）与分类结果（c）
在图像分割过后，就是面向对象图像分类了。对于每一个斑块，其各个波段组成的光谱均值向量被作为分类算法的输入，这与基于像素的图像分类不同，因为后者将各个像素的光谱向量作为分类算法输入的。由于OBIA的分类算法是基于图像斑块进行的，因此其分类结果不会出现椒盐噪声，这也是OBIA分类算法的突出优势之一。本文在图像分类中采用了支持向量机（Support Vector Machine，SVM）算法。
3 实验
本文采用了一景Landsat-8 OLI影像来开展OBIA遥感影像分类实验。Landsat-8是Landsat系列中最新发射的一颗卫星，它搭载了两个主要的遥感器：陆地成像仪（OLI）和热红外传感器（TIRS）。OLI共包含9个波段，其中多光谱波段的空间分辨率为30米，全色波段的分辨率为15米。
本文采用数据的获取日期是：2013年4月14日，其云量小于10%。首先在数据预处理中，对数据进行了辐射校正。由图1a可见，该影像主要包含的地物有：水体、陆地、建筑等；值得一提的是，由黑色矩形构成的区域是水产养殖区，这是该地区典型的人工地貌。
在进行图像分割时，不同算法的参数需要根据具体影像来进行调节。FNEA的三个分割参数依次被设置为：0.1，0.5，30。
图1b和c分别显示本文实验的分割结果和分类结果。可见，分割结果较好地提取了各个地物对象的斑块。将分类结果与专家手动分类结果进行对比，可得到定量的分类评价结果。基于OBIA的分类精度为83.08%，高于基于像素的SVM分类算法精度79.07%。
4 结语
本文利用Landsat-8 OLI影像开展了基于OBIA的遥感图像分类实验。实验结果说明，基于OBIA的分类精度高于基于像素的分类精度。本文的方法对于航测遥感影像解译具有一定的参考价值。
