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，2011 a; 2011 b; 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。

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”。

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。

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。

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。

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

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

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 。

	图 1 5个尺度层分类等级 Fig. 1 Five-level class hierarchy

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。

	图 2 本研究技术流程 Fig. 2 Framework of this study

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。

	图 3 3种森林类型的半方差 Fig. 3 Semivariograms of the three kinds of forest types

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 。

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 themost appropriate window sizes for texture calculation and the semivariance model

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 themost 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)

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。

表 3 各纹理影像标准差 Tab.3 Standard deviation of each texture image

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 方差 均质性 反差 相异性 熵 角二阶矩 相关性 Mean Variance Homogeneity Contrast Dissimilarity Entropy Angular second moment 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 a，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。

	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.

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 方案1的分类结果精度评价 Tab.4 Accuracy assessment of confusion matrix based on scheme 1

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 ① PA: Producer accuracy; UA: User accuracy.下同The same below. 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

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

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 Classified 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

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。

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 4 c。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

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 4 c)，而基于面向对象的分类结果则较为完整(图 4 a，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。

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。

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 %，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。