全 文 :中国生态农业学报 2013年 9月 第 21卷 第 9期
Chinese Journal of Eco-Agriculture, Sep. 2013, 21(9): 1142−1148
* 国家自然科学基金项目(41101428)和现代工程测量国家测绘局重点实验室开放课题(TJES1204)资助
** 通讯作者: 胡召玲(1973—), 女, 博士, 教授, 主要从事遥感与 GIS理论及应用等方面的教学与研究。E-mail: huzhaoling@jsnu.edu.cn
侯飞(1972—), 男, 学士, 实验师, 主要从事测绘与 3S应用方面教学与研究工作。E-mail: houfei@jsnu.edu.cn
收稿日期: 2012−12−27 接受日期: 2013−07−05
DOI: 10.3724/SP.J.1011.2013.01142
全极化 SAR图像的煤矿区土地覆盖信息分层提取
方法研究*
侯 飞 1 胡召玲 2** 成 晨 2
(1. 江苏师范大学测绘学院 徐州 221116; 2. 江苏师范大学城市与环境学院 徐州 221116)
摘 要 为弥补光学遥感在煤矿区资源与生态环境监测中应用的不足, 研究应用全极化 SAR 图像有效提取煤
矿区土地覆盖信息的方法具有重要意义。针对全极化 SAR 图像极化信息丰富、斑点噪声多、局部异质性大等
特点, 提出采用面向对象的影像分类方法对其进行分层土地覆盖信息提取。以徐州市西南部的煤矿区为研究
区, 选取 Radarsat-2 的全极化 SAR 图像, 分析了研究区内全极化 SAR 图像中典型地物的灰度特征, 提出面向
对象分类方法所涉及的最优分割尺度选择法, 给出全极化 SAR 图像分割对象后向散射特征的计算方法。对研
究区的 SAR 图像进行试验, 首先对 SAR 图像进行多尺度分割, 选择各土地覆盖类型的最优分割尺度, 然后在
该尺度下计算出土地覆盖类型的后向散射特征指数, 最后采用模糊逻辑分类法分层提取出研究区内的土地覆
盖信息。结果表明: 在适于各土地覆盖类型提取的最优分割尺度下, 充分利用分割对象的灰度、形状、纹理以
及类间相关特征, 并综合应用隶属函数法和最邻近分类法, 能有效地提取煤矿区的农田、道路、塌陷地、建筑
物、山林这 5 类土地覆盖信息。与最大似然分类法相比, 该方法能够较好地消除“椒盐现象”, 各种土地覆盖类
型的提取精度都有所提高, 其总体分类精度可提高 38.3%。
关键词 全极化 SAR 图像 面向对象 多尺度分割 分类精度 土地覆盖 煤矿区
中图分类号: TP79/F301.24 文献标识码: A 文章编号: 1671-3990(2013)09-1142-07
Hierarchical extraction of land cover information from fully polarimetric SAR
image of coal mining areas
HOU Fei1, HU Zhao-Ling2, CHENG Chen2
(1. School of Geodesy and Geomatics, Jiangsu Normal University, Xuzhou 221116, China; 2. School of Urban and Environmental
Sciences, Jiangsu Normal University, Xuzhou 221116, China)
Abstract An effective approach of extracting land cover information from fully polarimetric SAR images has been
compensating for the lack of optical remote sensing data. This approach has also promoted the application of SAR technology
in resources and ecological monitoring in coal mining areas. With abundant polarimetric information, speckle and large
local heterogeneity of fully polarimetric SAR images, this study proposed an object-oriented image classification approach for
hierarchical extraction of land cover information. The study area was a coal mining region in the southwest of Xuzhou City
and the SAR image acquired by Radarsat-2 for a fully polarimetric image. The gray features of typical surface objects of SAR
images for the study area were analyzed. The optimal segmentation scale for object-oriented image classification was proposed.
The computation approach of backscatter features of segmentation objects was also presented. Also ground-truth data were
collected on the land cover to verify the SAR image for the study area. In the first step, the SAR image was segmented into
several scales and the optimal segmentation scale of each land cover type selected. In the second step, the backscatter feature
indexes of each land cover type were calculated under the optimal segmentation scale. Then in the last step, the land cover
information in the study area was hierarchically extracted using the fuzzy logic classification method. The results showed that
the proposed approach accurately extracted the five types of land cover information under the optimal segmentation scales of
第 9期 侯 飞等: 全极化 SAR图像的煤矿区土地覆盖信息分层提取方法研究 1143
land cover type, including farmland, road, subsidence land, building and mountain woodland. In terms of gray, shape, texture
and class-related features of the segmentation objects, the membership function and nearest neighbor classification approaches
weakened the “pepper phenomenon”. Compared with the maximum likelihood classification method, the classification
accuracy of each land cover type improved while the average classification accuracy improved by 38.3%. In particular, the
classification accuracy of farmland was as high as 90.2%, an improvement of 42.0% due to use of texture features in the
classification.
Key words Fully polarimetric SAR image, Object-oriented method, Multiple-scale segmentation, Classification accuracy,
Land cover, Coal mining area
(Received Dec. 27, 2012; accepted Jul. 5, 2013)
当前, 遥感已经成为区域土地利用/覆盖变化监
测的重要信息源和技术支持, 土地利用及其格局变
化会对当地生态环境产生不同程度的影响 [1], 而及
时、快速、准确地从遥感图像上获取区域土地覆盖
信息, 有利于正确评价区域生态环境质量, 揭示其
变化趋势, 制定出科学有效的生态恢复方案。随着
ALOS PALSAR、TerraSAR-X 及 Radarsat-2 等星载
SAR 系统的运行, 全极化 SAR 图像已被用于许多应
用领域[2−6]。全极化 SAR图像分类为土地覆盖信息提
取提供了一种新的遥感手段, 与单极化相比, 全极化
SAR完整地记录了地物在 HH、HV、VH、VV 4种极
化状态的散射回波, 能提供更多的地物信息和分类
特征, 因此其在提取目标信息方面有较大优势[7]。
煤炭是我国的主要能源, 煤炭开采不仅破坏了
煤矿区的生态结构和功能 [8], 也会严重破坏矿区的
生态环境, 井工煤炭资源开采极易造成地表土地塌
陷。我国徐淮煤矿区塌陷的土地大多属于基本农田,
近年来随着人们对该区土地复垦的不断推进, 有些
矿区将塌陷较深的积水区进行治理 , 开发成鱼塘 ,
较浅的塌陷区则重新复垦为耕地, 土地覆盖变化频
繁, 因此需要进行周期性的遥感监测。目前煤矿区
土地覆盖遥感监测以光学遥感图像为主, 为弥补光
学遥感的不足, 促进 SAR技术在煤矿区资源与生态
环境监测中的应用, 研究应用全极化 SAR图像有效
提取煤矿区土地覆盖信息的方法具有重要意义。
SAR 图像的成像机理和地物的图像特征不同于
光学图像, 它是通过对景区相干波照射和对后向散
射信号相干检波以获得方位向的高分辨率 [9], 即使
是同质区域也会在图像上呈现出忽明忽暗的斑点噪
声。SAR 图像的分类大多是基于像元水平的, 分类
方法主要有最大似然分类法、神经网络分类法、支
持向量机分类法等。由于基于像元的分类方法没有
充分考虑像元与邻近像元的上下文关系, 分类算法
的抗斑点噪声能力不强 , 分类图中会出现“椒盐现
象”, 分类精度不高。
面向对象的影像分类方法不仅依据地物光谱特
征, 还充分考虑了地物的形状、结构、上下文关系
等特征, 研究表明, 该方法能有效提取高分辨率光
学遥感图像的地物信息[10−12]。全极化 SAR图像由于
受其斑点噪声的影响, 图像的局部异质性大, 为充
分利用像元与邻近像元的上下文关系, 提高图像的
分类精度, 本文以徐州煤矿区为研究区, 分析了全
极化 SAR图像中煤矿区典型地物的灰度特征, 提出
面向对象分类方法所涉及的最优分割尺度选择法 ,
给出全极化 SAR图像分割对象后向散射特征的计算
方法, 并将面向对象的分类方法用于全极化 SAR图
像土地覆盖分层信息提取, 可为煤矿区土地覆盖及
生态环境监测提供基础数据。
1 研究区概况
徐州市位于江苏省西北部, 苏、鲁、豫、皖 4
省交界区, 116°22′~118°40′E、33°43′~34°58′N, 是淮
海经济区的中心。徐州煤矿区紧邻徐州市区, 已有
100 多年的煤炭开采历史, 虽然徐州不是因煤炭资
源开发而兴起的城市, 但煤炭资源的开采从经济、社
会、环境等方面对城市发展带来一定正负效应的影响
是不可否定的。本文选取徐州市西南部的煤矿区为研
究区(图 1), 区内分布着沈庄煤矿、马庄煤矿和陈楼煤
矿, 由于多年的井工煤炭资源开采, 地表出现塌陷,
图 1 徐州市西南部煤矿区全极化 SAR图像
Fig. 1 Fully polarimetric SAR image of a coal mining area in
the southwest of Xuzhou City
A: 塌陷地; B: 农田; C: 山林; D: 建筑物。A: subsidence
land; B: farmland; C: woodland D: building.
1144 中国生态农业学报 2013 第 21卷
塌陷较深的积水区被改造成鱼塘。
2 数据和方法
选取加拿大 Radarsat-2 的全极化 SAR 图像, 提
出采用面向对象的分类方法分层提取研究区的土地
覆盖信息。首先对 SAR图像进行多尺度分割, 选择
各土地覆盖类型的最优分割尺度, 然后在该尺度(层)
下计算出土地覆盖类型的后向散射特征指数, 最后
采用模糊逻辑分类法分层提取出研究区内的各土地
覆盖类型。
2.1 SAR数据来源及预处理
本文的 SAR图像获取时间是 2009年 7月 30日,
距离向分辨率为 8~16.5 m, 方位向分辨率为 8 m。对
SAR 图像进行几何纠正、重采样后, 每个像元所对
应的地面尺寸设为 12.5 m×12.5 m。研究区范围图像
为 513×513个像元, HH 极化、HV 极化和 VV 极化
分别对应红、绿、蓝, 合成假彩色图像 (图 1), 图中
A为塌陷地, B为农田, C为山林, D为建筑物。采用
增强的 Frost滤波法对图像进行噪声抑制, 滤波窗口
为 3×3像元尺寸。
研究区内分布着矿区工业广场和居民区、农村
居民点、农田、塌陷地、山林等面状地物, 色调深
的线状地物是连通煤矿之间的公路。根据各地物在
全极化 SAR图像上的影像特征, 将研究区中的土地
覆盖归纳为 6 种类型, 分别为建筑物、农田、塌陷
地、山林(阴)、山林(阳)和道路, 其中道路色调呈黑
色 , 形状呈狭长条带状; 建筑物呈亮红色调 , 纹理
呈细点状, 分布零散、疏密错乱无序; 由于塌陷地多
被重新开垦为鱼塘 , 水体色调呈黑色 , 形状规则 ,
纹理清晰; 农田在各极化方式下均呈现出灰色调的
面状区域; 山林受其地形的影响, 阳面、阴面的色调
差异明显 , 形状不规则 , 纹理不均匀 , 仅凭色调判
断, 其阳面容易与建筑物混淆。根据各土地覆盖类
型在 SAR图像上的影像特征, 并进行实地调研、参
照高分辨率光学遥感图像, 在图像上选取地物的均
质区域为样本区, 从中选择样本点。每种土地覆盖
类型选取 300个样本点, 计算出它们在各极化方式下
SAR图像上的灰度均值(u)和标准差(s), 如表 1所示。
由表 1 可知, 同一种地物在不同极化方式下的
灰度值不同, 不同地物在同一种极化方式下的灰度
值也不相同, 因此, 与单极化 SAR 图像相比, 全极
化 SAR 图像可为土地覆盖类型的分类提供更多的
特征。道路和塌陷地在各极化方式下灰度值均偏低,
可区分性差, 山林(阴)与这两类地物在 HV 和 VH
极化方式下的灰度值的差异不大, 因此, 仅依靠地
物的灰度值很难将这 3类地物区分开。所有地物在
HV 和 VH 极化方式下的灰度值及其标准方差差异
均很小。
表 1 研究区内 SAR图像上各土地覆盖类型的灰度均值与标准差
Table 1 Gray means (u) and standard deviations (s) of land cover types of SAR image of the study area
农田
Farmland
塌陷地
Subsidence land
建筑物
Building
山林(阴)
Woodland (back)
山林(阳)
Woodland (front)
道路
Road 极化
Polarimetric u s u s u s u s u s u s
HH 45.5 17.2 9.7 3.6 150.8 70.1 25.8 10.5 73.3 31.6 13.8 5.5
HV 19.3 7.6 3.9 1.9 14.9 6.9 11.5 4.0 29.4 11.9 4.8 1.9
VH 18.9 7.4 3.8 1.4 14.8 6.7 11.1 4.3 28.8 11.6 4.6 2.1
VV 39.8 16.0 10.9 4.5 75.5 43.1 23.4 8.8 69.9 30.6 14.6 7.3
2.2 全极化 SAR图像的分割尺度选择
采用面向对象的分类方法实现 SAR图像中各土
地覆盖类型信息分层提取的前提和关键是对 SAR图
像进行多尺度分割, 分割后对象的大小由分割尺度
决定, 影像的分类都是基于对象进行的。影像的多
尺度分割通过对影像中的目标设立一个特定的阈值,
基于对象内部异质性最小的原则, 将光谱信息、形
状信息及纹理信息等类似的相邻像元合并, 使整幅
影像异质性达到最大。主要分割参数有: 分割尺度、
光谱因子和形状因子。其中的分割尺度指的是分割
对象异质性的阈值, 决定生成最小影像对象多边形
的级别与大小。一般地, 分割尺度值越大, 所生成的
对象层内多边形面积越大且数目越少。影像分割时
尺度的选择直接关系着影像对象的大小、感兴趣地
理信息所处的尺度层次以及信息提取的精度。因此
应选择各土地覆盖类型的最优分割尺度来分割影像,
在此基础上针对不同土地覆盖类型选择合适的特征,
实现土地覆盖类型信息的分层提取。
影像分割结果的质量不仅与分割尺度、波段权
重有关 , 还取决于光谱与形状这两个分割属性因
子。通常情况下光谱特征较为重要, 然而形状特征
的参与有助于避免影像对象过于破碎或不完整, 从
而提高分割的质量。在影像分割的过程中, 一是尽
可能地将光谱特征的权重设得较大; 二是对于那些
边界不很光滑但聚集度较高的影像对象使用必要的
形状因子。根据以上各土地覆盖类型的灰度、形状、
第 9期 侯 飞等: 全极化 SAR图像的煤矿区土地覆盖信息分层提取方法研究 1145
纹理等特征表现, 将光谱因子权重设为 0.9, 形状因子
权重为 0.1, 基于 Ecognition 7.0 软件平台进行分割。
以某类土地覆盖类型分割对象的同质性指数和该类土
地覆盖类型分割对象与其相邻分割对象的异质性指数
的比值(HD)作为选择最优尺度的依据, 对某土地覆盖
类型而言, HD值越小, 分割效果越好, 计算公式为:
L
VHD
D
= Δ (1)
式中, V为对象的同质性指数, LDΔ 为两相邻对象的
异质性指数, V的计算公式为:
1
1
n
i i
i
n
i
i
v
V
α
α
=
=
=
∑
∑
(2)
式中, iv 为对象 i的标准差, αi为对象 i的面积, n为
某类土地覆盖类型对象的总个数。
异质性指数 LDΔ 则采用与邻域均值差分绝对值,
其计算公式为:
1
1
i i
n
L s L L
i
D l C C
l =
Δ = −∑ (3)
式中, LDΔ 表示在第 L 极化通道层单个尺度分割对
象与其邻域均值差分的绝对值, l表示目标对象的边
界长度, n表示相邻对象数量,
isl 表示与第 i个直接
相邻对象共同的边界长度, LC 表示影像对象在 L极
化通道层的灰度均值,
iLC 表示第 i个相邻对象在第
L极化通道层的灰度均值。
2.3 全极化 SAR图像对象的后向散射特征
全极化 SAR图像经多尺度分割后, 可获得不同
尺度下即不同层次的分割影像, 面向对象的影像分
类方法就是根据地物在不同层次上的影像对象后向
散射特征对地物进行分类 , 以实现地物信息的提
取。SAR 图像上影像对象后向散射特征包括地物的
灰度特征、形状特征、纹理特征、类间相关特征等。
本文参考文献[13]光学图像分割对象的影像特征给
出全极化 SAR图像上分割对象的后向散射特征计算
方法。
2.3.1 灰度特征
灰度特征是所有描述影像对象与像元灰度值相
关特征的集合, 反映对象的后向散射信息。主要包
括影像对象的灰度、标准差、比率特征。灰度是指
包含后向散射信息的影像层灰度平均值除以层数 ,
全极化 SAR图像有 4个极化方式, 因此层数取为 4。
其计算公式为:
4
1
1
4 ii
B C
=
= ∑ (4)
式中, B 表示灰度, iC 表示影像对象的各极化通道
灰度均值。
标准差表示的是影像对象在每个极化通道灰度
值的离散情况, 计算公式为:
2
1
1 ( )
1 i
n
L L L
i
S C C
n =
= −− ∑ (5)
式中,
iLC 表示影像对象在第 L 个极化通道层上第 i
个像元的灰度值, LC 表示其在该层上的灰度均值,
n是该对象的像元个数。
第 L极化通道层的比率 RL是影像对象在第 L层
的灰度均值除以所有层均值的总和, 计算公式为:
4
1
L
L
i
i
CR
C
=
=
∑
(6)
2.3.2 形状特征
形状特征是所有描述影像对象本身形状特征的
集合, 反映对象形状类型方面的特征信息, 如对象
的面积、密度、紧密度等。文献[13]给出了各特征指
数的定义以及计算方法。
2.3.3 纹理特征
图像纹理特征可利用由灰度共生矩阵计算而得
到的一些特征量来表达。本文选择角二阶矩(ASM)
和熵值 (ENT)这两个特征量描述对象的纹理特征 ,
其中 ASM是图像灰度分布均匀性的度量, ENT是图
像所具有信息量的度量, 表征了图像中纹理的复杂
程度。
2.3.4 类间相关特征
类间相关特征指在影像对象层次中与其他对象
分类相对位置关系的情况。这种位置可在影像对象
层次中定义为垂直距离(与父对象、子对象)、水平距
离(与邻对象)。其中, 与邻对象的关系特征是描述与
同一层次中的已分为特定类的相邻对象之间的内在
关系, 通过邻接指数来描述, 该指数用来描述目标
对象的所有被分为指定类的相邻对象的面积总和占
所有相邻对象总面积的比率, 计算公式如下[14]:
i iN S S= ∑ (7)
式中, i表示类别, Si为对象的邻接对象归属类别 i的
面积。
2.4 面向对象分类方法
对研究区中的某种土地覆盖类型而言, 在尺度
为 10~100每隔 10分别对滤波后的 SAR图像进行分
割, 可获得 10 个分割图像, 在每个分割图像上分别
选取 10个样本对象, 计算出各尺度下该土地覆盖类
型的HD值, 最优分割尺度参数即为使HD值最小的
尺度参数。计算出这 6 种土地覆盖类型在不同尺度
1146 中国生态农业学报 2013 第 21卷
下的 HD值, 可获得建筑物、农田、塌陷地、山林(阴)、
山林(阳)和道路的最优分割尺度参数分别为 20、20、
30、30、30、10。
根据 SAR图像分割对象的灰度特征、形状特征、
纹理特征等, 采用模糊逻辑分类法提取研究区的土
地覆盖信息, 即应用隶属度函数来建立模糊判断规
则, 并按这些规则进行土地覆盖信息的提取。模糊
判断规则以一维隶属度函数或能操作多维特征空间
的最邻近分类器为基础, 相对应的分类方法则为隶
属函数法和最邻近分类法这两种方法, 本文综合应
用这两种分类法对全极化 SAR图像分类。
各土地覆盖类型特征的隶属度函数和最邻近
特征空间的设置如表 2所示。将分割尺度参数分别
为 30、20、10相对应的分割图像分别命名为层 1、
层 2、层 3。在层 1上, 提取面积较大的塌陷地和山
林这 2 种地物, 其中的山林(阴)和山林(阳)先分开
提取, 再合并。提取塌陷地时, 由于水体的灰度值
较小 , 且该煤矿区的塌陷地经过复垦开发成鱼塘 ,
形状规则, 通过灰度(B)和密度(d)这 2 个特征就能
与其他地物区分开, 将塌陷地的隶属度函数设置为:
当B值的范围为[0, 14.3]且 d≥0.93时, 返回隶属度函
数值为 1, 否则函数值为 0。对山林而言, 先根据 B
和 HV 极化通道层比率(RHV)的隶属度函数提取出山
林(阴); 但当 B≥50.63 时, 提取出的地物并不都是山
林(阳), 再利用山林阴面与其阳面的类相关特征邻接
指数(N)共同提取出山林(阳), 最后两者合并为山林。
表 2 数据提取信息及其模糊规则
Table 2 Information extracted from data and its fuzzy rules
分割层
Segmentation layer
信息提取
Information extraction
隶属度函数
Membership function
最邻近特征空间
Nearest neighbor feature space
塌陷地 Subsidence land B≤14.3, d≥0.93
山林(阴) Woodland (back) B≤21.42, RHV≥0.15
层 1 Layer 1
山林(阳) Woodland (front) B≥50.63, N≥0.47
农田 Farmland 层 2 Layer 2
建筑物 Building
B≥21 B、SHH、RHV、ASM、ENT
道路 Road 7≤B≤16, d≤1.82 B、SHH、ENT
塌陷地 Subsidence land
层 3 Layer 3
建筑物 Building
层 2 作为层 1 的子层, 分割尺度为 20, 在该尺
度下提取建筑物和农田, 先通过模糊函数分类法确
定农田和建筑物类别总和, 然后再使用最邻近分类
法进行分类, 将这两种地物做进一步区分。最邻近
特征空间由灰度特征和纹理特征组成, 其中灰度特
征采用 B、HH极化通道层的标准差(SHH)和 RHV, 纹
理特征采用 ENT和 ASM。
层 3 是层 1 和层 2 的子层, 分割尺度为 10, 从
两个父层即层 1、层 2 中继承塌陷地、山林、建筑
物和农田的分类结果, 提取细长的道路, 其提取规
则如表 2 所示。由于在层 1 和层 2 的分类中, 面积
较小的塌陷地和建筑物并没有提取出来, 在该层采
用最邻近分类法继续分类, 最邻近特征空间由 B、
SHH和 ENT组成。
3 结果与讨论
根据表 2, 研究区土地覆盖分类结果如图 2a 所
示, 为进行对比分析, 采用最大似然分类法对图像
分类, 结果如图 2b 所示。由图 2 显而易见, 采用面
向对象分类法能有效提取各种土地覆盖类型, 而最
大似然法分类得不到好的分类结果, 分类图中有许
多破碎的小斑块, “椒盐现象”明显, 各类地物的误分
现象严重, 其中塌陷地、道路和林地的混淆现象明
显, 农田与山林、建筑物和山林均不能区分。
对比同期的土地利用现状图, 并以人工解译分
类图作为参考底图, 对图 2a、b的分类结果进行基于
混淆矩阵的精度评价, 结果如表 3 所示。从表中可
以看出, 与最大似然分类法相比, 面向对象法的各
种土地覆盖类型的提取精度都有所提高, 其中面积
最多的农田, 由于纹理特征参与分类, 其提取精度
最高 , 达 90.2%, 比最大似然分类法精度提高
42.0%。利用最大似然分类法提取地物信息, 各土地
覆盖类型的分类精度较低 , 总体分类精度仅为
48.6%, 因而无法有效提取土地覆盖信息。而面向对
象分类法的总体分类精度达到 86.9%, 提高 38.3%。
除道路外, 各类地物的分类精度均较高, 但塌陷地
与道路、建筑物与山林仍存在不同程度的混淆。
与单极化相比, 全极化 SAR图像能提供更多的
地物分类特征, 煤矿区的典型地物在全极化 SAR图
像上呈现出不同的灰度、形状、纹理以及类间相关
特征。由于 SAR图像的成像机理复杂, 斑点噪声对
图像的影响大, 各地物的灰度值并不一定服从正态
第 9期 侯 飞等: 全极化 SAR图像的煤矿区土地覆盖信息分层提取方法研究 1147
图 2 采用面向对象法(a)和最大似然法(b)的研究区 SAR图像分类结果
Fig. 2 Classification results of SAR image in the study area by object-oriented method (a) and maximum likelihood method (b)
表 3 面向对象法的分类结果精度和最大似然法的分类结果精度
Table 3 Classification accuracy of object-oriented method and maximum likelihood method
方法
Method
类别
Type
塌陷地
Subsidence land
农田
Farmland
道路
Road
山林
Woodland
建筑物
Building
总和
Total
分类精度
Classification accuracy (%)
塌陷地 Subsidence land 90 0 13 0 0 103 87.4
农田 Farmland 4 129 2 2 6 143 90.2
道路 Road 9 5 33 0 2 49 67.3
山林 Woodland 0 0 0 86 11 97 88.7
建筑物 Building 3 5 1 4 107 120 89.2
面向对象法
Object-oriented
method
总分类精度 Total classification accuracy (%) 86.9
塌陷地 Subsidence land 63 5 39 17 1 125 50.4
农田 Farmland 2 68 2 57 12 141 48.2
道路 Road 13 1 14 15 2 45 31.1
山林 Woodland 17 7 0 57 6 87 65.5
建筑物 Building 2 46 1 18 47 114 41.2
最大似然法
Maximum like-
lihood method
总分类精度 Total classification accuracy (%) 48.6
分布, 加之仅利用了地物的灰度特征, 没有考虑各
像元之间的上下文关系、纹理、形状等特征, 因此
基于像元的最大似然分类法并不能有效提取研究区
内的各土地覆盖类型。
为有效地提取研究区内土地覆盖类型信息, 本
文采用面向对象的影像分类法在不同尺度下分层提
取各土地覆盖类型信息, 充分利用像元间的上下文
关系, 地物的灰度、纹理、形状及类间相关关系, 在
适于各地物提取的最优分割尺度下, 对遥感图像进
行多尺度分割, 分别利用分割对象在多尺度下的灰
度、极化通道层比率、密度、基于灰度共生矩阵的熵
和角二阶矩、邻接指数特征, 在不同层次的分割影像
上综合应用隶属函数法和最邻近分类法, 实现了研
究区内农田、道路、塌陷地、建筑物、山林这 5类信
息的有效提取。试验结果表明: 适于不同地物提取的
最优分割尺度不一定相同, 同一种地物由于其面积
不同, 也需要在不同尺度下分层提取; 利用影像对象
的多种后向散射特征, 并应用模糊逻辑分类法提取
的煤矿区地物信息, 与最大似然分类法相比, 不仅能
有效消除“椒盐现象”, 而且各种土地覆盖类型的提取
精度都有所提高, 其总体分类精度还提高 38.3%。为
进一步提高全极化 SAR 图像自动分类精度和速度,
根据分割对象的众多后向散射特征, 进行特征的自
动选择和分类算法的改进还有待于进一步研究。
参考文献
[1] 罗为检, 王克林, 刘明. 土地利用及其格局变化的环境生态
效应研究进展[J]. 中国生态农业学报, 2003, 11(2): 150–152
Luo W J, Wang K L, Liu M. Research progress on impact of
land use and its pattern change on ecoenvironment[J]. Chi-
nese Journal of Eco-Agriculture, 2003, 11(2): 150–152
[2] Lonnqvist A, Rauste Y, Molinier M, et al. Polarimetric SAR
data in land cover mapping in Boreal zone[J]. IEEE Transac-
tions on Geoscience and Remote Sensing, 2010, 48(10):
3652–3662
[3] 徐怡波, 赖锡军, 周春国. 基于 ENVISAT ASAR 数据的东
洞庭湖湿地植被遥感监测研究[J]. 长江流域资源与环境 ,
2010, 19(4): 452–459
Xu Y B, Lai X J, Zhou C G. Study on the remote sensing
monitoring of wetland vegetation in East Dongting Lake us-
ing ENVISAT ASAR data[J]. Resources and Environment in
the Yangtze Basin, 2010, 19(4): 452–459
1148 中国生态农业学报 2013 第 21卷
[4] Bouvet A, Le Toan T, Lam-Dao N. Monitoring of the rice
cropping system in the Mekong Delta using ENVISAT/ASAR
dual polarization data[J]. IEEE Transactions on Geoscience
and Remote Sensing, 2009, 47(2): 517–526
[5] Santoro M, Fransson J, Eriksson L B. Signatures of ALOS
PALSAR L-band backscatter in Swedish forest[J]. IEEE
Transactions on Geoscience and Remote Sensing, 2009,
47(12): 4001–4019
[6] Tanase M A, Santoro M, de la Riva J, et al. Sensitivity of X-,
C-, and L-band SAR backscatter to burn severity in Mediter-
ranean Pine forests[J]. IEEE Transactions on Geoscience and
Remote Sensing, 2010, 48(10): 3663–3675
[7] 吴永辉, 计科峰, 郁文贤. SVM 全极化 SAR 图像分类中的
特征选择[J]. 信号处理, 2007, 23(6): 877–881
Wu Y H, Ji K F, Yu W X. A new feature selection algorithm
for SVM-based fully polarimetric SAR image classification[J].
Signal Processing, 2007, 23(6): 877–881
[8] 马祥爱 , 白中科 , 冯两蕊 . 露天矿区生态环境质量与资源
利用评价——以平朔安太堡露天煤矿为例[J]. 中国生态农
业学报, 2007, 15(5): 197–201
Ma X A, Bai Z K, Feng L R. Evaluation of the eco-environment
quality and resources utilization in opencast coal mine area—A
case study of Antaibao opencast mine of Pingshuo, Shanxi
Province[J]. Chinese Journal of Eco-Agriculture, 2007, 15(5):
197–201
[9] 郭华东. 中国雷达遥感图像分析[M]. 北京: 科学出版社, 1999
Guo H D. Analysis of radar remote sensing imagery in
China[M]. Beijing: Science Press, 1999
[10] Laliberte A S, Rango A. Texture and scale in object-based
analysis of subdecimeter resolution unmanned aerial vehicle
(UAV) imagery[J]. IEEE Transactions on Geoscience and
Remote Sensing, 2009, 47(3): 761–770
[11] Bruzzone L, Carlin L. A multilevel context-based system for
classification of very high spatial resolution images[J]. IEEE
Transactions on Geoscience and Remote Sensing, 2006, 44(9):
2587–2600
[12] 侯飞 , 胡召玲 . 基于多尺度分割的煤矿区典型地物遥感信
息提取[J]. 测绘通报, 2012(1): 22–25
Hou F, Hu Z L. Remote sensing information extraction of
typical surface objects in a coal mining area based on multi-
ple-scale segmentation[J]. Bulletin of Surveying and Mapping,
2012(1): 22–25
[13] eCognition User Guide[R]. Definiens Imaging GMBH, Mu-
nich, 2007
[14] 孔春芳 , 吴冲龙 , 徐凯 . 基于多特征的城市用地高分辨率
影像分类与提取[J]. 数据采集与处理, 2007, 22(3): 315–320
Kong C F, Wu C L, Xu K. Classification and extraction of
urban land-use information from high-resolution image based
on multi-feature of objects[J]. Journal of Data Acquisition &
Processing, 2007, 22(3): 315–320