全 文 ：第 49 卷 第 10 期
2 0 1 3 年 10 月
林 业 科 学
SCIENTIA SILVAE SINICAE
Vol. 49，No. 10
Oct．，2 0 1 3
doi: 10．11707 / j．1001-7488．20131013
收稿日期: 2012 － 12 － 12; 修回日期: 2013 － 04 － 02。
基金项目: 国家自然科学基金项目(31070564) ; 浙江省林业碳汇与计量创新团队项目(2012R10030-01 ) ; 浙江省自然科学基金项目
(Y3100427; LQ13C160002) ; 浙江农林大学科研发展基金(2012FR073)。
* 韩凝为通讯作者。
面向对象多尺度分割的 SPOT5 影像
毛竹林专题信息提取*
孙晓艳1，2 杜华强1，2 韩 凝1，2 葛宏立1，2 谷成燕1，2
(1. 浙江省森林生态系统碳循环与固碳减排重点实验室 浙江农林大学 临安 311300; 2. 浙江农林大学环境与资源学院 临安 311300)
摘 要: 以 SPOT5 卫星遥感影像为基础，采用面向对象的多尺度分割方法，建立类层次结构，提取毛竹林遥感专
题信息。结果表明: 1) 对毛竹林而言，在 SPOT5 红、绿、蓝 3 个波段上的最佳纹理窗口大小分别为 9 × 9，7 × 7，9 ×
9，比较接近; 2) 面向对象的多尺度分割方法能较为精确地提取毛竹林专题信息，用户精度达到 90%以上，高于最
大似然法提取毛竹林的信息精度(88. 57% ); 3) 增加纹理信息的多尺度分割方案既保证了毛竹林专题信息的提取
精度(92. 16% )，又兼顾了其他森林类型，分类总精度、Kappa 分别为 92%和 88. 14%，为本研究的最高精度。
关键词: 面向对象; 多尺度分割; 毛竹林; 信息提取; SPOT5
中图分类号: S771. 8 文献标识码: A 文章编号: 1001 － 7488(2013)10 － 0080 － 08
Multi-Scale Segmentation，Object-Based Extraction of
Moso Bamboo Forest from SPOT5 Imagery
Sun Xiaoyan1，2 Du Huaqiang1，2 Han Ning1，2 Ge Hongli1，2 Gu Chengyan1，2
(1. Zhejiang Provincial Key Laboratory of Carbon Cycling in Forest Ecosystems and Carbon Sequestration Zhejiang A ＆ F University Linan 311300;
2. School of Environmental and Resources Science，Zhejiang A ＆ F University Linan 311300)
Abstract: Based on SPOT5 remotely sensed imagery，this research focused on delineating moso bamboo forest using
object-based method，which provided the advantages of multi-scale segmentation and developing hierarchical structure．
The results showed that: 1) The most appropriate window sizes for calculating texture using red (R)，green (G) and blue
(B) band in SPOT5 image were 9 × 9，7 × 7，9 × 9; 2) Extracting moso bamboo using multi-scale segmentation technique
of object-based method was more accurate，with the producers accuracy reaching 90%，obviously higher than that of the
conventional maximum likelihood method (88. 57% ); 3 ) Multiresolution segmentation with the aid of texture not only
ensured the accuracy of moso bamboo，but also provided help to the other forest types． The overall accuracy was 92% and
the Kappa coefficient was 88. 14%，both of which were the highest accuracy in the present study．
Key words: object-oriented; multi-scale segmentation; moso bamboo forest; information extraction; SPOT5
随着遥感数据空间分辨率的提高，地物细节信
息得以更充分体现，同物异谱现象也更为严重，使得
基于像元、仅依靠光谱特征的分类面临诸多问题;
而面向对象的分类方法可以综合利用影像的光谱特
征和几何形状、纹理细节等空间特征进行分类，为遥
感影像尤其是高分辨率遥感影像分类提供了新的途
径(杜凤兰等，2004; 关元秀等，2008; 牟凤云等，
2012)。面向对象分类方法是以影像分割产生的对
象作为分类单元，而不是像元。常采用多尺度分割
实现分类，分割的好坏直接影响最终的分类结果
(Hall et al．，2004)。多尺度分割常采用 2 种分割策
略: 一种是精细尺度到粗糙尺度的分割; 另一种是
粗糙尺度到精细尺度的分割 (张明媚，2012)。可
见，面向对象的多尺度分割能够综合不同尺度的图
像信息，把精细尺度的精确性与粗糙尺度的易分割
性结合起来，利用不同尺度之间的信息交互依存关
系，能精确地提取地物信息(Benz et al．，2004)。
基于面向对象多尺度分割的森林资源遥感信息
提取技术在国内外得到了很好的应用，如 Brenner
等(2012)采用 Landsat TM5 数据对墨西哥索诺拉沙
第 10 期 孙晓艳等: 面向对象多尺度分割的 SPOT5 影像毛竹林专题信息提取
漠的牧场进行分类，表明采用多尺度分割方法的结
果优于基于像元决策树分类的结果; Kosaka 等
(2005)利用 QuickBird 影像对日本森林进行分类，
表明 面 向 对 象 的 多 尺 度 方 法 分 类 精 度 较 高;
Flanders 等(2003) 对加拿大森林遥感信息提取的
相关研究也表明，面向对象的方法优于基于像素的
方法。韩凝等(2009)基于 IKONOS 影像，采用面向
对象的方法，通过多尺度分割建立层次结构对特定
条件下的香榧(Torreya grandis)树进行提取，结果表
明面向对象的多尺度分割在提取香榧树方面有较好
的应用价值; 林先成等(2010)采用 QuickBird 影像
为遥感数据对成都平原进行分割，得到一系列与地
物密切相关的影像对象，通过采取影像对象内部亮
度标准差均值最小、影像对象亮度均值标准差最大
的方法来确定最佳分割尺度。可见，无论多光谱影
像还是高分辨率遥感数据，国内外的研究都证明了
面向对象的多尺度分割方法能够提高地物遥感信息
提取精度，其实质在于这种方法突破传统基于像元
分类的局限，减少了“同物异谱”和“椒盐现象”
(Mallinis et al．，2008; 林先成等，2010)。
我国地处世界竹子分布中心，竹类植物资源十
分丰富，截至第 7 次全国森林资源清查 ( 2004—
2008)，我国竹林面积已增长到 538 万 hm2，采用遥
感等空间信息技术对竹林资源及生态系统进行长期
定位观测、监测，实现竹林资源的数字化、信息化管
理，是我国乃至世界竹林经营管理的必然趋势 (杜
华强等，2012)。目前，竹林资源遥感专题信息提
取、生物量碳储量遥感定量估算以及竹林地表参数
定量反演等方面的研究也取得重要进展 (杜华强
等，2008; 施拥军等，2008; 徐小军，2009; 徐小军
等，2011a; 2011b; Zhou et al．，2011; Xu et al．，
2011; Du et al．，2011; 崔瑞蕊等，2011)，但竹林专
题信息提取方法多采用 Landsat TM 等中低分辨率
在像元尺度上利用光谱信息进行分类，忽视了竹林
冠层结构和纹理等信息。有学者提出了基于灰度共
生矩阵法的 IKONOS 影像中竹林信息提取技术(颜
梅春等，2004)，这种方法充分利用竹林纹理信息并
得到了较好的结果，但其依然是传统意义上基于像
元的分割。本研究以 SPOT5 卫星遥感影像为数据
源，综合光谱和纹理信息，采用面向对象的多尺度分
割方法，建立多层次结构，分别采用 2 种方案提取毛
竹(Phyllostachys edulis)林遥感专题信息，对 2 种方
案的结果进行对比分析，并对面向对象方法与基于
像元的最大似然法的分类结果对比分析，为竹林资
源遥感监测提供新的方法。
1 研究区概况与研究方法
1. 1 研究区概况
研究区选择在山川乡。山川乡位于安吉县南
端，东接余杭，南邻临安，西北与天荒坪镇接壤。山
川乡境内山青水秀，环境宜人，平均气温 14. 7 ℃，水
源充沛，降水量1 700 mm; 竹类资源十分丰富，被喻
为“竹乡中的竹乡”。
1. 2 遥感数据与预处理
遥感数据为 2012 年 4 月 22 日获取的高分辨率
SPOT5 影像，包括空间分辨率为 2. 5 m 的全色波段
(波长范围 0. 48 ～ 0. 71 m)和空间分辨率为 10 m 的
4 个多光谱波段，即绿光波段 0. 50 ～ 0. 59 μm、红光
波段 0. 61 ～ 0. 68 μm、近红外波段 0. 78 ～ 0. 89 μm
和短波红外波段 0. 78 ～ 0. 89 μm。将通过实地调查
获取的 67 个 GPS 样点为参考的目视解译结果作为
本研究分类结果的验证数据。
首先，以安吉县 1:50 000地形图为参考图，共选
取 24 个地面控制点，对全色波段采用 2 次多项式进
行几何校正，校正总误差为0. 109 0个像元。再以全
色波段为参考对多光谱波段进行几何校正，校正总
误差为0. 170 1个像元。
然后，为提高多光谱数据的空间分辨率，同时保
留其原有的多光谱信息，本研究使用 IHS 变换法对
全色波段和多光谱波段进行融合。IHS 变换法在信
息熵、标准差、清晰度方面表现较好，突出了空间结
构和纹理信息，并且在光谱信息的保持上也较好
(李春干，2009)。
SPOT5 数据没有蓝色波段，因此不能实现真彩
色合成，本文采用模拟真彩色方法即 band1 作为蓝
色波段、(band1 × 3 + band3) /4 波段作为绿色、红色
用 band2，合成模拟真彩色影像。
1. 3 面向对象多尺度分割与分类
本研究采用 2 种方案利用面向对象的多尺度分
割方法提取毛竹林专题信息，其中方案 1 (见
1. 3. 3)参与分割的波段为模拟真彩影像的 3 个波
段，方案 2(见 1. 3. 3)参与分割的波段包括模拟真
彩色影像的 3 个波段及其纹理信息。多尺度分割提
取毛 竹 林 采 用 面 向 对 象 商 业 软 件 eCognition
Developer 8. 7 完成，并将结果与传统的基于像元的
最大似然法进行比较。
1. 3. 1 纹理及窗口选择 遥感影像的纹理特征主
要表现为影像地物的形状、大小、方位、均质程度以
及不同地物之间的空间关系和亮度反差关系等
(Harslick et al．，1973)，因此，窗口的大小对于纹理
18
林 业 科 学 49 卷
特征的提取起着重要作用。地统计学中的半方差分
析方法能够描述特定区域内像素间的空间相关性，
为纹理窗口的选择提供依据(Mallinis et al．，2008)。
半方差模型的基台值表示像元在影像中的空间变异
程度，变程值表示像元间具有空间相关性的最大距
离，超过变程的像元间不存在空间相关性，计算植被
纹理信息的窗口的大小应该为该植被类型像元间具
有空间相关性的最大距离，因此，变程值决定了计算
纹理的最佳窗口尺寸(Curran，1988; Franklin et al．，
1996; Han et al．，2011)。本研究对毛竹林、针叶林、
阔叶林植物分别选取典型样本进行分析，基于模拟
真彩色影像，分别对红、绿、蓝波段的植被样本进行
地统计半方差分析，获取每种植被的空间变异特征
和纹理计算的最佳窗口大小，进行纹理计算，并选择
最佳纹理影像。
纹理为灰度共生矩阵 8 个纹理影像包括均值
(mean)、方差 ( variance)、均质性( homogeneity)、反
差( contrast)、相异性( dissimilarity)、熵( entropy)、第
二角力矩 ( second moment)、相关性 ( correlation)。
最后以标准差为指标选择参与分割的纹理波段。
1. 3. 2 多尺度分割参数设置 分割的参数一般包
括尺度、图层选择、波段权重、光谱因子、形状因子
等。在尺度上，图像分割分 5 个层次进行; 在同质
性标准上，颜色参数和形状参数之和等于 1; 光滑度
参数和紧致度参数是空间形状因子，其和等于 1。
本研究的分类对象是植被，通过相关学者 ( Lian et
al．，2011)研究和多次分割比较，为了得到较高的同
质性对象，其颜色参数设置得较高，在形状参数设置
中，平滑度比重较小。本研究分 2 种方案的分割参
数设置见表 1。
表 1 分割参数和各层用途
Tab. 1 Parameters used in multiresolution segmentation and function of each segmentation level
层次
Level
层名
Level name
尺度参数
Scale parameter
颜色
Color
平滑度
Smooth
分类对象
Objects of classification
1 Level 1 50 0. 9 0. 1 植被、非植被 Vegetation，non-vegetation
2 Level 2 40 0. 9 0. 1 毛竹林
、针叶林、阔叶林、阴影、非林地、水体 Moso bamboo forest，coniferous forest，broad-
leaved forest，shadow，non-forest，water
3 Level 3 30 0. 9 0. 1 毛竹林、针叶林、阔叶林 Moso bamboo，coniferous forest，broad-leaved forest
4 Level 4 20 0. 9 0. 1 毛竹林、阔叶林、非林地 Moso bamboo，broad-leaved forest，non-forest
5 Level 5 10 0. 9 0. 1 毛竹林
、针叶林、阔叶林、非林地、水体 Moso bamboo，coniferous forest，broad-leaved forest，
non-forest，water
1. 3. 3 类层次结构构建 方案 1: 基于模拟真彩色
影像，在多尺度分割的基础上，分为 5 个层次结构，
利用最近邻法分类。每层均以红、绿、蓝波段的均值
为特征，第 1 层次是分类层次中最高层，分为植被、
非植被; 第 2 层次是在第 1 层次的基础上分为毛竹
林、针叶林、阔叶林、阴影、非林地、水体; 第 3 层次
是把第 2 层次的阴影分为毛竹、针叶林、阔叶林; 第
4 层次是在第 2 层次的基础上，分为毛竹林、阔叶
林、非林地; 第 5 层次是汇总前 4 个层次的地物类
型，汇总成毛竹林、针叶林、阔叶林、非林地、水体。
第 2 层次的分类对象是第 1 层次的“子对象”，第 3
层次中要提取的对象是第 2 层次中“阴影”的子对
象，第 4 层次的分类对象是第 2 层次的“子对象”。
这需要选用“与类相关特征”的定义，它考虑了对象
层次结构中父对象、子对象等，具体为: 用与父对象
的关系特征，设置父对象的存在条件，并设置好目标
层与父对象层在对象层次体系中的距离。因此，通
过定义“与类相关特征”，子对象层中的对象就可以
继承父对象层的特征信息。在分类层次中，第 2 层
到第 1 层的距离为 1，因此 distance 属性为 1，以此类
推。其分类层次结构如图 1。
方案 2: 基于模拟真彩色影像和纹理影像，在创
建的多尺度对象层次等级体系中的每一个层次均采
用最近邻法分类，每层以模拟真彩色影像的红、绿、
蓝 3 个波段，红、蓝波段的均值纹理，红、蓝波段的方
差纹理，红、蓝波段的反差纹理，绿波段的均值纹理，
绿波段的方差纹理，绿波段的反差纹理等波段的均
值为特征，且选用类相关特征。分类层次结构与方
案 1 相同。
通过选取对象样本，以对象包含的像元为统计
单元计算混淆矩阵，对方案 1，2 的分类结果进行精
度评价。图 2 归纳了本研究采用面向对象方法和最
大似然法提取毛竹林专题信息技术流程。
2 结果与分析
2. 1 纹理最佳窗口及纹理影像
图 3 是毛竹林、阔叶林、针叶林 3 种森林类型在
不同波段上的半方差函数图。从图 3 可以看出，毛
竹林在红、绿、蓝波段都有较大的基台值，阔叶林次
之，针叶林最小，说明毛竹林区域的空间变异程度最
28
第 10 期 孙晓艳等: 面向对象多尺度分割的 SPOT5 影像毛竹林专题信息提取
大。变程值的大小与树冠间距有关(韩凝，2011)，
毛竹林在绿、蓝 2 个波段的变程值低于阔叶林、高于
针叶林，这与实际情况比较符合。
毛竹林在 R，G，B 3 个波段上的半方差模型均
为球状模型的，变程分别是 9. 76，8. 89，9. 54; 阔叶
林在 R，G，B 3 个波段上的半方差模型也为球状模
型的，变程分别是 31. 99，19. 72，19. 39; 针叶林在
R，G，B 3 个波段上的半方差模型分别为指数模型、
球状模型、球状模型的，变程分别是 15. 96，7. 2，
7. 35。因此，毛竹林在 R，G，B 的纹理窗口分别为
9 × 9，7 × 7，9 × 9; 阔叶林在 R，G，B 的纹理窗口分
别为 31 × 31，19 × 19，19 × 19; 针叶林在 R，G，B 的
纹理窗口分别 15 × 15，7 × 7，7 × 7。由半方差分析
得到每种植被在各个波段上的变程、相对应的最佳
的纹理计算窗口大小以及半方差模型如表 2 所示。
为了更好地提取毛竹林信息，本研究以毛竹林的纹
理窗口为主，所以红、绿、蓝波段的纹理窗口大小分
别为 9 × 9，7 × 7，9 × 9。
图 1 5 个尺度层分类等级
Fig. 1 Five-level class hierarchy
对于纹理影像的选择，由于每个波段可以产生
8 个纹理影像，如果模拟真彩色影像 3 个波段都进
行纹理影像信息提取，则共得到 24 个纹理影像。24
维的图像参与分析，一是工作量大，二是各维图像之
间信息冗余，不利于纹理分析。影像所含的信息量
与标准差相关(潘洁等，2010)，在此基础上对模拟
真彩色影像 3 个波段的纹理影像进行标准差分析。
由表 3 可看到: 红、绿、蓝波段的均值、方差、反差等
3 个波段的纹理影像标准差较大，故本文选取均值、
方差、反差的纹理影像。
2. 2 面向对象毛竹林专题信息提取结果
图 4a，b 分别是基于模拟真彩色影像、模拟真彩
色影像 /纹理影像采用 2 种方案并利用面向对象的
多尺度分割方法提取的毛竹林专题信息结果。采用
混淆矩阵方法对类层次结构的最终结果层(Level 5)
进行精度评价(Congalton et al．，1999)。本研究将通
过实地调查所获取的 67 个 GPS 样点作为目视判读
的参考，通过 GPS 样点结合影像目视判读能够获取
地物的分布情况，目视判读的结果是本研究分类结
果精度评价的验证数据。
本研究选取 155 个验证对象样本，覆盖每种地
物类型，通过目视判读，建立混淆矩阵，以对象内像
元为统计单元，计算各类的精度，对方案 1 与方案 2
对比分析，其结果如表 4 和表 5。
表 4 和表 5 分别是 2 种方案信息提取精度评
价。由表可见，方案 1 分类总精度达到 89. 86%，
Kappa = 85. 07%，提取竹林信息的生产者精度为
92. 26%，用户精度为 91. 81% ; 方案 2 分类总精度
达到 92. 00%，Kappa = 88. 14%，提取竹林信息的生
产者精度为 92. 16%，用户精度为 92. 49%。在
Kappa 系数和总精度方面上，方案 2 明显优于方案
1，反映了方案 2 的总体分类质量优于方案 1，且纹
理信息对毛竹林的识别起到了关键作用。
从分类结果(图 4)可以看出，方案 1 比方案 2
破碎，因为方案 1 只利用光谱影像，没有使用纹理信
息，会出现过分割，说明纹理能够克服分割结果对于
光谱异质性过于敏感的缺陷(韩凝，2011)。在方案
2 的分类结果中，有部分阔叶林被误分为毛竹林，这
种情况的发生是由于红波段中毛竹林与阔叶林在空
间变异上的相似性。毛竹林和针叶林也出现少部分
的误分，分析原因之一是 2 种植被类型的交界处出
现了混交，二是受地形条件影响，比如阴影区中的毛
竹与针叶林纹理特征比较近似，容易混淆。由于植
被与非林地、水体在纹理和光谱上有较大的差异，因
此，非林地和水体能很好地与植被类型区分。方案
2 与方案 1 在提取毛竹林的精度上差别不明显，因
38
林 业 科 学 49 卷
为在最佳纹理窗口选择时，以毛竹林的纹理窗口为 主，忽略了其他森林类型。
图 2 本研究技术流程
Fig. 2 Framework of this study
图 3 3 种森林类型的半方差
Fig. 3 Semivariograms of the three kinds of forest types
表 2 植被在各个波段上的变程、相对应的计算纹理的最佳窗口及半方差模型
Tab. 2 Range of semivariogram of vegetation classes in each band，and the corresponding the
most appropriate window sizes for texture calculation and the semivariance model
植被类型 Types 半方差模型中的变程 Range 计算纹理的最佳窗口大小 Window size 半方差模型 Model
毛竹林 Moso bamboo forest R = 9. 76，G = 8. 89，B = 9. 54 9 × 9(R)，7 × 7 (G)，9 × 9(B)
球状模型(R，G，B)
Spherical model (R，G，B)
阔叶林 Broad-leaved forest R = 31. 99，G = 19. 72，B = 19. 39 31 × 31(R)，19 × 19(G)，19 × 19(B)
球状模型(R，G，B)
Spherical model (R，G，B)
针叶林 Coniferous forest R = 15. 96，G = 7. 2，B = 7. 35 15 × 15(R)，7 × 7(G)，7 × 7(B)
指数模型(R)Exponential model (R)、
球状模型(G，B) Spherical model (G，B)
48
第 10 期 孙晓艳等: 面向对象多尺度分割的 SPOT5 影像毛竹林专题信息提取
表 3 各纹理影像标准差
Tab. 3 Standard deviation of each texture image
真彩色影像
True color
标准差 Standard deviation
均值
Mean
方差
Variance
均质性
Homogeneity
反差
Contrast
相异性
Dissimilarity
熵
Entropy
角二阶矩
Angular second moment
相关性
Correlation
红波段 Red band 12. 340 70 10. 946 60 0. 212 04 8. 683 7 0. 702 29 1. 242 22 0. 416 94 5. 013 17
绿波段 Green band 10. 678 90 9. 526 70 0. 186 55 5. 850 8 0. 582 66 1. 184 59 0. 403 69 1. 912 67
蓝波段 Blue band 9. 666 11 7. 351 80 0. 179 85 5. 631 3 0. 581 16 1. 058 55 0. 388 79 3. 593 87
图 4 毛竹林分类结果
Fig. 4 The classification image of moso bamboo forest
a．方案 1 分类结果 The classification image from scheme 1; b．方案 2 分类结果 The classification image from scheme 2;
c．最大似然法分类结果 The classification image from maximum likelihood method．
表 4 方案 1 的分类结果精度评价
Tab. 4 Accuracy assessment of confusion matrix based on scheme 1
分类数据
Classified data
参考数据 Reference data
非林地
Non-forest
水体
Water
毛竹
Moso bamboo
阔叶
Broad-leaved
针叶
Coniferous
总样本数
Total
生产者精度
PA
用户精度
UA
非林地 Non-forest 10 391 15 880 0 0 11 286 0. 964 0 0. 920 7
水体 Water 238 4 838 0 0 0 5 076 0. 992 2 0. 953 1
毛竹 Moso bamboo 150 0 45 206 3 820 62 49 238 0. 922 6 0. 918 1
阔叶 Broad-leaved 0 0 2 662 23 655 682 26 999 0. 810 3 0. 876 1
针叶 Coniferous 0 23 253 1 718 9 088 11 082 0. 924 3 0. 820 0
总样本数 Total 10 779 4 876 49 001 29 193 9 832 103 681
精度 Accuracy 总精度 Overall accuracy = 0. 898 6 Kappa = 0. 850 7
① PA: Producer accuracy; UA: User accuracy． 下同 The same below．
表 5 方案 2 的分类结果精度评价
Tab. 5 Accuracy assessment of confusion matrix based on scheme 2
分类数据
Classified data
参考数据 Reference data
非林地
Non-forest
水体
Water
毛竹
Moso bamboo
阔叶
Broad-leaved
针叶
Coniferous
总样本数
Total
生产者精度
PA
用户精度
UA
非林地 Non-forest 9 932 0 0 0 0 9 932 0. 921 4 1. 000 0
水体 Water 229 4 876 0 0 0 5 105 1. 000 0 0. 955 1
毛竹 Moso bamboo 618 0 45 161 3 049 0 48 828 0. 921 6 0. 924 9
阔叶 Broad-leaved 0 0 3 840 26 144 548 30 532 0. 895 6 0. 856 3
针叶 Coniferous 0 0 0 0 9 284 9 284 0. 944 3 1. 000 0
总样本数 Total 10 779 4 876 49 001 29 193 9 832 103 681
精度 Accuracy 总精度 Overall accuracy = 0. 920 0 Kappa = 0. 881 4
58
林 业 科 学 49 卷
2. 3 与最大似然法对比
本文基于模拟真彩色影像，采用最大似然法进
行监督分类，并进行分类后处理(聚类统计、过滤分
析、去除分析)，分类结果如图 4c。为了和面向对象
分类结果进行对比，将研究区分为毛竹林、阔叶林、
针叶林、水体、非林地，对其分类结果进行定量评价，
随机抽取 193 个样点，采用目视解译，并结合 GPS
实地调查的实际地表信息，对分类结果进行精度评
价，如表 6。
表 6 最大似然法的精度评价
Tab. 6 Accuracy assessment of confusion matrix using maximum likelihood method
分类数据
Classified data
参考数据 Reference data
非林地
Non-forest
水体
Water
毛竹
Moso bamboo
阔叶
Broad-leaved
针叶
Coniferous
总样本数
Total
生产者精度
PA(% )
用户精度
UA(% )
非林地 Non-forest 21 0 0 1 5 27 91. 30 77. 78
水体 Water 0 3 0 0 0 3 100. 00 100. 00
毛竹 Moso bamboo 2 0 62 4 2 70 93. 94 88. 57
阔叶 Broad-leaved 0 0 4 53 5 62 88. 33 85. 48
针叶 Coniferous 0 0 0 2 29 31 70. 73 93. 55
总样本数 Total 23 3 66 60 41 193
精度 Accuracy 总精度 Overall accuracy = 0. 870 5 Kappa = 0. 821 3
分类结果显示: 采用最大似然法对 SPOT5 影像
的分类结果较为破碎(图 4c)，而基于面向对象的分
类结果则较为完整(图 4a，b)。从精度评价上，最大
似然法总精度达到 87. 05%，Kappa = 82. 13%。面
向对象方法比最大似然法精度提高了约 4%，说明
面向对象方法优于最大似然法。比较表 4，5，6，发
现基于像元统计的分类法提取毛竹林生产者精度高
于面向对象分类法，这是由于面向对象方法首先对
影像分割，以分割后的斑块作为分类的基本单元，对
于分散的毛竹，如果尺度选择不当或类别特征不明
显，分割时容易与其他类混淆，导致精度有所降低。
对于高分辨率影像，当最大似然法和面向对象方法
只利用光谱特征时，面向对象方法可以减少破碎现
象。当然，面向对象方法还可以利用光谱影像和纹
理影像相结合(方案 2)，分类效果更好，精度更高。
3 讨论
采用面向对象方法对山川乡毛竹林信息提取
时，方案 2 优于方案 1。这是由于高分辨率影像的
空间信息比较突出，使得地物的纹理特征能够清晰
呈现。SPOT5 遥感影像上各个植被类型的光谱特征
比较接近，而纹理特征有较大差异，从而使纹理在影
像解译中起到了关键作用，有助于植被类型的区分;
并且纹理抑制了分割结果对于光谱异质性过于敏感
的缺陷，因此，纹理的加入能够得到与实际地物契合
程度更高、更有意义的分割对象(韩凝，2011)，提高
了分类精度。
与最大似然法相比，面向对象方法提取毛竹林
的精度有了明显提高。由于最大似然法未能充分利
用影像空间特征，使得分类结果精度较低，经过分类
后处理也不能有效改善。面向对象方法的多尺度分
割，能够充分利用对象的空间特征与不同尺度层的
类间关系，明显提高了分类精度。
此外，本研究中面向对象方法在分类过程中出
现了一些误分现象，比如在影像中毛竹林与阔叶林、
针叶林容易出现交界处混交，特征相似，不易区分。
这可能需要考虑分割尺度，也可能需要构建有意义
的类别特征，也可能需要加入其他的专题信息等，值
得进一步深入研究。
4 结论
本研究采用面向对象方法和最大似然法对山川
乡毛竹林信息进行提取，得到以下结论:
1) 对于纹理尺度的选择，本研究对研究区的森
林植被类型进行地统计半方差分析，以变程值为最
佳纹理尺度，对毛竹林而言，在红、绿、蓝波段上的最
佳纹理窗口大小分别为 9 × 9，7 × 7，9 × 9，进而获得
模拟真彩色影像的纹理影像，以各纹理影像的标准
差为指标选取参与分割的纹理影像———均值、方差、
反差的纹理影像。
2) 针对 2. 5 m 的 SPOT5 模拟真彩色影像，在多
次分割和相关学者 ( Lian et al．，2011)研究的基础
上，本研究的影像层次分割尺度分别为 50，40，30，
20，10。面向对象的多尺度分割方面能较为精确地
提取毛竹林专题信息，用户精度达到 90% 以上，明
显高 于 最 大 似 然 法 提 取 的 毛 竹 林 信 息 精 度
(88. 57% )。
3) 增加纹理信息的多尺度分割方案既保证了
毛竹林专题信息的提取精度，又兼顾了其他森林类
型，分类总精度、Kappa 分别为 92. 00%和 88. 14%，
68
第 10 期 孙晓艳等: 面向对象多尺度分割的 SPOT5 影像毛竹林专题信息提取
为本研究的最高精度。相对方案 1 而言，方案 2 能
够更充分利用高分辨率的纹理信息，使对象和现实
中的地物更贴近，避免过于破碎的分割。
参 考 文 献
崔瑞蕊，杜华强，周国模，等 ． 2011． 近 30 年安吉县毛竹林动态遥感
监测 及 碳 储 量 变 化 研 究 ． 浙 江 农 林 大 学 学 报，
28(3) : 422 － 431．
杜凤兰，田庆久，夏学齐，等 ． 2004． 面向对象的地物分类法分析与
评价 ． 遥感技术与应用，19(1) : 20 － 24．
杜华强，周国模，葛宏立，等 ． 2008． 基于 TM 数据竹林遥感信息提取
方法研究 ． 东北林业大学学报，36(3) : 35 － 38．
杜华强，周国模，徐小军 ． 2012． 竹林生物量碳储量 － 遥感定量估
算 ． 北京: 科学出版社 ．
关元秀，程晓阳 ． 2008． 高分辨率卫星影像处理指南 ． 北京: 科学出
版社 ．
韩 凝，张秀英，王小明，等 ． 2009． 基于面向对象的 IKONOS 影像香
榧树分布信息提取研究 ． 浙江农林大学学报: 农业与生命科学
版，35(6) : 670 － 676．
韩 凝 ． 2011． 空间信息在面向对象分类方法中的应用———以
IKONOS 影像香榧树分布信息提取研究为例 ． 杭州: 浙江大学
博士学位论文 ．
李春干 ． 2009． 面向对象的遥感图像森林分类研究与应用 ． 北京:
中国林业出版社 ．
林先成，李永树 ． 2010． 面向对象的成都平原多源遥感影像分割尺
度研究 ． 测绘科学，35(4) : 38 － 40．
牟凤云，韩 葵 ． 2012． 面向对象的遥感湿地植被分类与信息提
取———以微山湖为例 ． 安徽农业科学，40(12) : 7574 － 7576．
潘 洁，李明诗 ． 2010． 基于信息量的高分辨率影像纹理提取的研
究 ． 南京林业大学学报，34(4) : 129 － 135．
施拥军，徐小军，杜华强，等 ． 2008． 基于 BP 神经网络的竹林遥感监
测研究 ． 浙江林学院学报，25(4) : 417 － 421．
徐小军 ． 2009． 基于 LANDSAT TM 影像毛竹林地上部分碳储量估算
研究 ． 临安: 浙江林学院硕士学位论文 ．
徐小军，杜华强，周国模，等 ． 2011a． Erf-BP 混合像元分解及在森林
遥感信息提取中应用 ． 林业科学，47 (2) : 30 － 38．
徐小军，杜华强，周国模，等 ． 2011b． 基于 Landsat TM 数据估算雷竹
林地上部分生物量 ． 林业科学，47(9) : 1 － 6．
颜梅春，张友静，鲍艳松 ． 2004． 基于灰度共生矩阵法的 IKONOS 影
像中竹林信息提取 ．遥感信息，(74) :31 － 34．
张明媚 ． 2012． 面向对象的高分辨率遥感影像建筑物特征提取方法
研究 ． 太原: 太原理工大学硕士学位论文 ．
Benz U C，Hofmann P，Willhauck G，et al． 2004． Multi-resolution，
object-oriented fuzzy analysis of remote sensing data for GIS-ready
information． ISPRS Journal of Photogrammetry and Remote Sensing，
58(3 /4) : 239 － 258．
Brenner J C，Christman Z，Rogan J． 2012． Segmentation of landsat
thematic mapper imagery improves buffelgrass ( Pennisetum ciliare)
pasture mapping in the Sonoran Desert of Mexico． Applied
Geography，34: 569 － 575．
Congalton R G，Green K． 1999． Assessing the accuracy of remotely sensed
data: principles and practices． New York: Lewis Publishers．
Curran P J． 1988． The semivariogram in remote sensing: an
introduction． Remote Sensing of Environment，24(3) : 493 － 507．
Du H，Fan W，Zhou G，et al． 2011． Retrieval of the canopy closure and
leaf area index of moso bamboo forest using spectral mixture analysis
based on the real scenario simulation． IEEE Transactions on
Geoscience and Remote Sensing，49(11) : 4328 － 4340．
Flanders D，Hall-Beyer M，Pereverzoff J． 2003． Preliminary evaluation of
eCoginition object-based software for cut block delineation and
feature extraction． Canadian Journal of Remote Sensing，
29(4) : 441 － 452．
Franklin S E，Wulder M A，Lavigne M B． 1996． Automated derivation of
geographic windows for use in remote sensing digital image analysis．
Computers and Geosciences，22(6) : 665 － 673．
Hall O，Hay G J，Bouchard A，et al． 2004． Detecting dominant landscape
objects through multiple scales: an integration of object-specific
methods and watershed segmentation． Landscape Ecology，19 ( 1 ) :
59 － 76．
Han N，Wang K，Yu L，et al． 2011． Integration of texture and landscape
features into object-based classification for delineating Torreya using
IKONOS imagery． International Journal of Remote Sensing，33(7) :
2003 － 2033．
Haralick R M，Shanmugam K，Dinstein I，et al． 1973． Textual features for
image classification． IEEE Trans on Systems， SMC-3
(6) : 610 － 621．
Kosaka N，Akiyama T，Tsai B，et al． 2005． Forest classification using
data fusion of multispectral and panchromatic high-resolution satellite
imageries． International Geoscience and Remote Sensing
Symposium，4: 2980 － 2983．
Lian L，Chen J． 2011． Research on segmentation scale of multi-resources
remote sensing data based on object-oriented． Procedia Earth and
Planetary Science，2: 352 － 357．
Mallinis G，Koutsias N，Tsakiri-Strati M，et al． 2008． Object-based
classification using Quickbird imagery for delineating forest
vegetation polygons in a Mediterranean test site． ISPRS Journal of
Photogrammetry and Remote Sensing，63(2) : 237 － 250．
Xu X，Du H，Zhou G，et al． 2011． Estimation of aboveground carbon
stock of moso bamboo ( Phyllostachys heterocycla var． pubescens )
forest with a landsat thematic mapper image． International Journal of
Remote Sensing，32(5) : 1431 － 1448．
Zhou G，Xu X，Du H，et al． 2011． Estimating moso bamboo forest
attributes using the k nearest neighbors technique and satellite
imagery． Photogrammetric Engineering and Remote Sensing
(PE＆RS)，77(11) : 1123 － 1131．
(责任编辑 石红青)
78