文章信息
- 黄建文, 陈永富, 鞠洪波.
- Huang Jianwen, Chen Yongfu, Ju Hongbo.
- 基于面向对象技术的退耕还林树冠遥感信息提取研究
- Study on Tree-Crown Extraction from QuickBird Imagery Based on Object-Oriented Approach in the Project of Converting Cropland to Forest
- 林业科学, 2006, 42(增刊1): 65-71.
- Scientia Silvae Sinicae, 2006, 42(增刊1): 65-71.
-
文章历史
- 收稿日期:2005-06-24
-
作者相关文章
近年来高分辨率商业遥感卫星迅速发展, 给退耕还林的遥感应用提供了强大的技术支撑。由于遥感图像的每个亮度值都和一个空间位置相关联, 遥感图像亮度值的空间分布成为提取各类地物重要的信息源(Song et al., 2003)。高分辨率遥感图像提供了大量细节信息, 使提取更多的空间信息和探测较小的目标对象成为可能, 1 m以内分辨率的卫星影像不仅可以清楚地探测到地块信息, 而且可以详细到每一个新植苗木。利用高分辨率的卫星影像提取退耕还林新造林木信息, 目前还未见报道。高分辨率的信息提取技术不同于传统的遥感信息提取, 由于图像内容繁多, 信息量大并相互干扰, 给提取目标地物带来困难(张永生等,2004), 面向对象的信息提取技术是一个崭新的领域, 本文应用面向对象的提取技术提取树冠信息。
1 材料与方法 1.1 遥感数据的选取和处理选择合适的快鸟(QuickBird)数据产品, 对后续的研究工作很重要。本研究共接收了覆盖试验地的3个时相快鸟影像, 时间分别是2002年11月26日、2003年6月17日和2004年7月2日, 反映退耕造林年1年、次年和第3年的情况。其中, 2002年的影像由于接近冬季, 苗木落叶, 影像上虽能识别出来, 但阴影重, 不明显; 2003年的影像清晰度较差, 识别不出新造林木; 2004年图像清晰度高, 明显地反映出了新造林木现状, 用于提取树冠信息。用地面采集的GPS点作为控制点对遥感图像进行了正射校正。
1.2 试验区调查张家口市(113°50′-116°30′ E, 39°30′-42°10′ N)平均海拔800~1 400 m。属大陆性季风气候, 年均降水量350 mm左右, 年均气温6 ℃左右。植被5月中下旬开始发芽, 10月下旬落叶。所调查的退耕地属于该市的三合农场, 退耕还林工作从2002年开始, 2004年结束。植苗造林, 以山杏(Armeniaca sibirica)为主, 树冠1~3 m, 地垄无杂草, 基本是裸露的土地。选取3块样地, 大小均为0.5 hm2, 进行每木测量。地面调查时间为2004年6月8日, 而接收的影像是2004年7月2日, 所以, 实地测量与影像上的林木大小吻合。
1.3 退耕地树冠的自动提取利用快鸟提取树冠的目的是开发一种方法, 用遥感图像的空间属性估算树冠尺寸。面向对象的影像分析技术解决了从高分辨率遥感影像数据中快速提取信息的难题(黄慧萍等, 2004), 该技术采用一种新颖独特的影像多尺度分割技术, 从一个像元对象开始, 自底向上进行区域合并。影像分割的目地是用现实世界的意义来描述影像对象, 对于复杂的地物覆盖, 使用2次以上分割来实现不同尺度地物的分类, 第1次的分类结果作为第2次有意义分割的输入(Schneider et al., 1999), 以任意尺度生成属性信息类似的影像多边形对象。针对不同的影像对象层, 利用隶属度函数进行分类。隶属度函数引入了模糊概念主要是因为在某些判别规则下, 类别的判别标准不是离散的, 例如亮度值, 很可能某一亮度值对应着几个不同的类别, 模糊函数相当于在类的边缘上加入缓冲区, 更接近人类认知方式。由于考虑了影像对象的形状特征、相邻关系、类间特征等, 比基于像元依赖光谱特征的常规分类具备很大的优越性。本研究首先进行大尺度分割, 提取植被、非植被; 然后进行小尺度分割提取树冠。
2 结果与分析 2.1 3种滤波增强方法的对比虽然目视解译很容易区分出一棵棵的小树, 但若要自动提取, 存在一定困难。先尝试用融合后的4个波段图像进行树冠信息提取, 结果并不理想, 田垄边的树冠受背景影响连成一片, 无法单个提取出来。究其原因, 是大部分小树的树冠在2.5~3 m, 在2.44 m的多光谱图像上无法探测到, 而在全色图像上, 也仅仅是16个像元左右, 而且树冠光谱并不均匀, 尤其是树冠边界处光谱信息细碎, 受无关信息的影响大, 很难准确提取。本研究采用滤波增强后的全色波段图像进行树冠提取, 即用3×3滤波器对全色波段图像进行增强处理, 去除部分无用信息, 突出目标地物, 从而使树冠信息的光谱均匀, 便于提取。
由图 1可以看出, 全色波段图像的直方图呈双峰, 经过滤波后, 图像基本呈正态分布, 抑制了图像噪音。其中, 中值滤波图像的直方图虽接近正态分布, 在350~400的亮度范围形成一个陡坡, 但缺乏对细碎信息的抑制, 不利于信息的自动提取。均值滤波图像的直方图接近正态分布, 但其主要亮度分布范围比高斯滤波图像窄, 高斯滤波图像的直方图更接近正态分布, 其像元灰度值的分布范围较宽, 提高了图像的对比度和层次感, 既滤掉了一些嘈杂的地物光谱信息, 使树冠光谱变均匀, 又能保留每一棵树冠的有用信息。
提取树冠的分类系统较简单, 分为植被和非植被2大类, 其中植被又细分为树冠和田垄。根据地面调查, 退耕还林地块规整, 为成片的林地及其田垄, 各地块内种植的不同作物或植被类型, 以山杏为主, 排列整齐。对试验区的树冠进行分析可得, 树冠面积较小, 一般为8~16个像元, 每个树冠的光谱不均匀, 经过上述高斯滤波后, 有所改善。树冠形状比较平滑, 近似椭圆形。
2.2.2 退耕地树冠的提取1) 基于大尺度分割的分类 这一分类过程使用的是4个波段的融合图像, 要提取的是整个植被区域, 所以分割尺度较大, 经试验, 尺度参数(scale parameter)选择20, 尺度参数是决定分割后影像对象多边形大小的一个阈值, 使用该尺度参数分割后图像对象较大。
利用4波段的比值特征作为隶属度函数的特征值来提取植被信息。比值特征是指某波段图像对象的光谱均值除以所有波段的图像对象的光谱均值之和, 公式为:
式中:L为波段号, C为光谱反射值。比值的特征值范围为0~1。本研究区植被类别的比值特征域值为0.29~0.3, 下一步的细分类就是针对植被区域进行的, 非植被区域不参加第2次细分类, 这在一定程度上抑制了分类中类型混淆。
2) 基于小尺度分割的分类提取树冠 这次分类过程使用的是全色波段图像。第2次图像分割目的是提取树冠信息, 是第1次分类生成植被区域上的细分类。分割尺度参数经试验选择3, 目标对象大小以能识别出来的最小树为准。分割后的图像对象小, 能分辨出一棵棵树。
在亮度特征、相邻性和不对称性这3个特征图像上, 树冠信息均很明显。组合利用了影像对象的这3种特征作为判别规则, 利用隶属度函数来提取树冠信息。
亮度特征(B)对于8bit数据, 特征值范围为0~255, 计算公式:
式中:n为影像对象的数量, c为亮度值, 分类中模糊函数的域值取69~70, 小于该域值的对象特征判定是树冠信息。
相邻性目标对象与邻近对象亮度差异的加权均值。反映了它们灰度值的差异, 在分类时可以有效地将树冠与周围地物分开。分类中模糊函数的域值取-4~-3, 小于该域值的对象特征判定是树冠信息。
式中:l为图像对象的边界长度, lsi为与相邻对象i的共享边界长,
不对称性 椭圆对象近似地用长短轴之比来表示, 图像对象越长, 不对称性越大, 其特征值K随不对称性增大而增大, 公式为:K=1-n/m。式中:n为短轴, m为长轴。利用该特性可以将树冠与其他形状较大的地物分开。分类中模糊函数的域值取0.6~0.7, 小于该域值的对象特征判定是树冠信息。提取的树冠生成树冠分布图, 并转成矢量数据, 从而得出树冠的面积。
2.2.3 树冠面积的计算生成的树冠分布图可以转成矢量数据, 每一个树冠是一个多边形, 在GIS中可获取其面积的属性数据。遥感和实地测量的树冠面积比较(图 2), 实地测量的树冠面积一般大于遥感提取的树冠面积, 这是由于图像的树冠信息在提取过程中, 树冠边缘的光谱类别相互干扰, 尤其是分辨率高, 信息较为细碎, 提取目标对象时损失了少部分信息, 在栅格分类图中, 若一个树冠像元没有提取出来, 就会使树冠尺寸减少0.6 m, 使面积减少0.36 m2。
由遥感图像自动提取的树冠信息制作树冠分布图, 也是退耕地成活树的分布图, 可以由此统计出成活株数, 进而算出每一样地的造林成活率, 如表 1。利用遥感计算出的3块样地的平均成活率为85.11%, 实测的平均成活率为94.75%, 平均精度达到了89.837%。
根据地面实测样地数据对遥感提取的树冠面积及成活率进行进行精度检验(如表 2), 遥感提取树冠面积的平均误差为0.763, 成活率的平均精度达到89.837%。
利用3种滤波技术对图像进行增强, 减少噪音, 增强目标信息, 通过比较, 使用的高斯滤波使图像的树冠信息得到了增强。
本研究探索了利用高分辨率遥感图像自动提取树冠信息的方法, 采用了先进的面向对象的图像信息提取技术, 对于高分辨率的遥感图像, 可高效、准确地计算出退耕地的还林情况, 不仅将监测工作落实到地块, 还可落实到每一棵树, 对于管理部门实施准确的监测, 科学的决策支持提供了依据。
树冠面积数据的平均误差为0.763 m2, 计算退耕地成活率的平均精度达到了89.837%。
由于退耕地林木排列较整齐, 给树冠的提取带来了一定的便利, 若林地达到了郁闭或有新植苗木, 则会影响树冠提取的精度, 还有待于进一步深入探讨。
黄慧萍, 吴炳方, 李苗苗. 2004. 高分辨率影像城市绿地快速提取技术与应用. 遥感学报, 8(1): 68-74. |
张永生, 巩丹超, 等. 2004. 高分辨率遥感卫星应用. 北京: 科学出版社, 5.
|
Song Conghe, Curtis E. 2003. Estimating tree crown size from multiresolution remotely sensed imagery. Photogrammetric Engineering & Remote Sensing, 69(11): 1263-1270. |
Definients Image GmbH. 1999. Ecognition User Guide. Germany: 110-118. |
Schneider W, Steinwendner J. 1999. Landcover mapping by interrelated segmentation and classfication of satellite images. Inernational Achieves of Photogrammetry and Remote Sensing, 32(7-1-3): 3-4. |