EN中文

地球信息科学学报 >

2019 , Vol. 21 >Issue 9: 1430 - 1443

DOI: https://doi.org/10.12082/dqxxkx.2019.180628

遥感科学与应用技术

基于监督与非监督分割评价方法提取高分辨率遥感 影像特定目标地物的对比研究

  • 张寅丹 1, 2 ,
  • 王苗苗 1 ,
  • 陆海霞 1 ,
  • 刘勇 , 1, *
展开
  • 1. 兰州大学资源环境学院,兰州 730000
  • 2. 北卡罗莱纳州立大学地理空间分析中心,罗利 27606
*刘 勇（1964-）,男,甘肃天水人,教授,博士生导师,主要从事遥感信息分析与定量遥感等方面的研究。 E-mail:

张寅丹（1987-）,女,甘肃定西人,博士生,主要从事高分辨率遥感影像分割与分类优化方法等方面的研究。E-mail: zhangyd15@lzu.edu.cn

收稿日期: 2018-12-04

  要求修回日期: 2019-05-21

  网络出版日期: 2019-09-24

基金资助

国家自然科学基金项目(41271360)

兰州大学中央高校基本科研业务费专项资金项目(LZUJBKY-2016-248)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Comparing Supervised and Unsupervised Segmentation Evaluation Methods for Extracting Specific Land Cover from High-Resolution Remote Sensing Imagery

  • ZHANG Yindan 1, 2 ,
  • WANG Miaomiao 1 ,
  • LU Haixia 1 ,
  • LIU Yong , 1, *
Expand
  • 1. College of Earth and Environmental Sciences, Lanzhou University, Lanzhou 730000, China
  • 2. Center for Geospatial Analytics, North Carolina State University, Raleigh NC 27606, USA
*LIU Yong, E-mail:

Received date: 2018-12-04

  Request revised date: 2019-05-21

  Online published: 2019-09-24

Supported by

National Natural Science Foundation of China(41271360)

Fundamental Research Funds for the Central Universities(LZUJBKY-2016-248)

Copyright

Copyright reserved © 2010. Office of Journal of Geo-information Science All articles published represent the opinions of the authors, and do not reflect the official policy of the Chinese Medical Association or the Editorial Board, unless this is clearly specified.
Fold

摘要

基于地理对象的影像分析方法已成为高分辨率遥感影像分析的重要手段。影像分割作为其关键步骤,如何设置合适的分割算法参数对后续分割和分类结果有重要的影响。目前分割参数优选方法的探讨分别从非监督与监督分割质量评价2个方面展开,而何者更适合高分辨率遥感影像特定目标地物分析仍缺乏对比研究。本文以城镇和乡村为例,选取多源遥感数据Quickbird、WorldView-2和ALOS影像中共有的3种典型土地覆被为研究对象,基于2种具有代表性的非监督与监督方法ESP2 (Estimation of Scale Parameter 2)与ED2 (Euclidean distance 2) 进行实验,对最优分割和分类的结果进行全面的对比分析。结果表明：① 相同实验参数下,监督方法均能以较少的分割数据集获得目标地物的最优分割结果,且与真实地理对象吻合度更高;② 非监督方法依靠影像自身特征分析进行分割参数优选,无法克服不同景观格局和影像分辨率的影响,而监督方法可通过改变参考数据集的面积和空间分布模式等来降低其影响;③ 非监督方法往往因为欠分割而漏分小目标地物,这样会严重影响局部分类结果。虽然本文中非监督与监督方法的整体分类精度均可达90.08%以上,但非监督方法的漏分率却是监督方法的1.43~4.65倍。因此,本研究认为监督方法更适合分析高分辨率遥感影像特定小目标地物。

关键词： 基于对象的影像分析; 分割参数优选; 特定地物分析; 非监督; 监督; 对比研究

本文引用格式

张寅丹 , 王苗苗 , 陆海霞 , 刘勇 . 基于监督与非监督分割评价方法提取高分辨率遥感 影像特定目标地物的对比研究[J]. 地球信息科学学报, 2019 , 21(9) : 1430 -1443 . DOI: 10.12082/dqxxkx.2019.180628

Abstract

Geographic Object-Based Image Analysis (GEOBIA), as a new paradigm, can achieve higher accuracy than pixel-based image analysis for high-resolution remote sensing imagery. Image segmentation plays an important role throughout the course of the GEOBIA. Multi-resolution segmentation (MRS) algorithm is widely used to segment an image into meaningful objects. It is a bottom-up region merging process integrated into eCognition software, which includes three key parameters (i.e. scale, shape, and compactness) to determine the size and boundary of the image objects. As a key step of GEOBIA, how to select the appropriate segmentation parameter values in MRS remains a challenge, and has an important influence on the subsequent segmentation and classification results. Previous studies focused on segmentation parameters optimization using either unsupervised or supervised methods. However, which method (i.e. unsupervised and supervised) is more suitable for analyzing specific land covers of high-resolution remote sensing imagery is still underexplored. To close the gap, we compared the optimal segmentation and classification results based on unsupervised and supervised methods. Meanwhile, we tested with three land cover types (i.e., farmland, residential area, and pond), and choose two representative segmentation parameter optimization methods for unsupervised and supervised methods, including Estimation of Scale Parameter 2 (ESP2) and Euclidean Distance 2 (ED2). The multi-source high-resolution remote sensing data (i.e., Quickbird, Worldview-2, and ALOS) were used to validate the robustness and generalizability of the unsupervised and supervised methods. We found that for a certain land cover category, the boundary of segments obtained by the supervised method seemed more consistent with the geo-objects in real world, while the optimized parameters were too large to extract the small area of geo-objects for the unsupervised method, leading to the lower classification accuracy. The supervised method performed better in analyzing the segmentation parameters optimization of the geo-object using the referenced data of land cover categories, at the same time which can break out the effect of different landscape and image resolution via reference dataset optimization, while the unsupervised method depended on image features, the artificial visual interpretation and had lower recognition accuracy due to higher subjectivity and uncertainty in land cover category identification. Although the overall classification accuracy is still above 90.08%, the omission rate is 1.43~4.65 times to the supervised method. Comparing the two methods, the supervised method obtained the optimal segmentation results with higher efficiency and accuracy using fewer segment datasets in both segmentation and classification results than the unsupervised method. Our findings suggest that the supervised method is more suitable for mapping specific land covers with high-resolution remote sensing imagery.

Key words： Geographic Object-Based Image Analysis(GEOBIA); segmentation parameter optimization; unsupervised; supervised; specific land cover analysis; a comparative study

1 引言

随着遥感影像空间分辨率的不断提高,影像中地物细节特征更加丰富,同类地物异质性增加。传统的基于像元的影像分析方法难以满足高分辨率遥感影像准确解译的要求,基于地理对象影像分析（Geographic Object-Based Image Analysis,GEOBIA）已取代其成为高分辨率遥感影像分析领域的新范式[1]。利用Web of Science数据库进行检索（截至2018年12月）,70%以上的GEOBIA的文献均将易康软件中的分形网络演化算法[2]作为主要的分割方法。该算法的分割参数组合由尺度、形状和紧凑度参数组成。如何选择适合该算法的分割参数对GEOBIA中后续影像分析起决定作用。目前分割质量评价已成为一种常用的参数优选方式并被广泛应用于GEOBIA。它主要包括非监督与监督2种方法,然而何者更适合分析高分辨率遥感影像特定目标地物目前仍面临挑战。
非监督方法的思想是：在没有参考数据集的情况下,通过构建指标来控制影像对象的内部同质性最小和邻域异质性最大,以数据驱动的方式实现参数优选[3]。如Kim等[4]通过构建局部方差和分割尺度之间的关系图来选择最优分割参数。黄慧萍[5]综合均值方差法和最大面积法进行分割参数优选。张俊等[6]结合标准差和邻域均值差分绝对值进行分割参数优选。何敏等[7]利用标准差和全局自相关系数构建函数来得到最优分割参数。Johnson等[8]基于影像对象的光谱和纹理特征进行分割参数优选。王志华等[9]引入边长和面积权重,构造加权局部方差（WLV）指标,实现最佳尺度参数选择。Wang等[10]利用遥感影像的局部空间统计进行非监督参数优选。这些方法已获得了较好的分割结果,但多基于手动穷举法,效率及自动化程度较低。迄今为止相对比较成熟的自动方法是由Drăguţ等基于局部方差（LV）的单层尺度参数优选方法（ESP）[11]和多层尺度参数优选方法（ESP2）[12]。前者针对单波段数据（例如数字高程模型）,后者针对多波段数据。由于本文的研究区为多波段的中高分辨率遥感影像,因此选择ESP2方法为非监督方法的代表。
监督方法的主要思想是：构建相应目标地物的参考数据集,通过评价尺度参数序列中分割数据与其对应真实地物的参考数据间面积和距离的一致性评价[3,13],以知识和数据双驱动实现分割参数优选。如Achanccaray等[14]开发了分割参数调节器SPT工具,通过多种评价指标综合分析进行分割参数优选。Anders等[15]结合参考数据和影像对象间的坡度角频率分布矩阵进行分割参数优选。Zhou等[16]结合分割对象特征和专题图先验知识自适应优选分割参数。Troya-Galvis等通过量化欠分割和过分割误差优选分割参数[8,17]。Bialas等[18]结合过分割欠分割与影像分类特征之间的关系,提出针对高分辨遥感影像建筑物的参数优选方法。然而,这些算法在获得较高分割精度的同时,存在过程繁琐,且最优参数必须在预设分割参数序列内等问题。Liu等[19]基于PSE-NSR-ED2不一致性评价体系提出了一种通过自动识别5点ED2-SP模式迭代搜索算法,用于最优分割参数的选择。其中PSE是潜在分割误差比,NSR是参考多边形个数比,ED2是欧几里德距离。该方法能以最少的分割数据集快速估计出尺度序列以外的最优尺度参数。因此我们选择ED2自动方法为监督方法的代表。
关于非监督与监督方法孰优孰劣的问题,已经开展了一些研究。如Belgiu 等[3]的实验表明非监督参数优选方法更适合于高分辨率遥感影像建筑物提取。陈扬洋等[21]认为非监督评价法更适用于GEOBIA中相应的自动化多尺度分割流程。但这些研究仅从理论层面或单一地物出发,缺乏2种方法分析不同景观格局和多源遥感影像中多目标地物的对比研究。因此本文分别以Quickbird和WorldView-2作为不同景观格局遥感影像的代表,WorldView-2和ALOS数据作为相同景观格局不同影像分辨率的代表,选取共有的三种目标地物类型,对基于非监督与监督方法ESP2与ED2获得的最优分割和分类结果进行对比分析。

2 研究区概况与数据源

研究区包括3景高分辨率遥感影像（表1）。其中Quickbird影像位于广州省东莞市西南部,所在区域中心经纬度为113°40′3″ E,22°53′54″ N;WorldView-2和ALOS影像位于宁夏回族自治区中卫市,覆盖区的中心经纬度为105°6′38″ E,37°33′4″ N。选择该研究区影像的主要原因是：① Quickbird影像所在区域是典型的城市工业园区;WorldView-2和ALOS影像所在区域是典型的半干旱区域,研究区覆盖城镇和乡村的所有典型景观格局;② 覆盖城市与乡村区域所共有的典型地物,如耕地、居民住宅及坑塘;③ 包含不同景观格局和数据源的遥感影像,以获得更准确的实验结果。综上所述,这3景影像数据为展开多种目标地物分割参数优选奠定了基础。
表1 研究区遥感影像基本信息

Tab. 1 Basic information of the imagery used in this paper

影像 影像缩写 空间分辨率/m 波段数量 覆盖范围/km×km 获取日期
Quickbird QB_MS 2.44 4 2.9×2.6 2003-10-19
WorldView-2 WV2_MS 2 8 13.3×11.4 2014-10-02
ALOS ALOS_MS 10 4 11.8×11.4 2010-09-10
数据准备包含3个阶段：① 对WorldView-2影像裁剪,选出3个目标地物相对集中的子区作为研究区,详见图1(a)-(c);② 对Quickbird和ALOS影像进行裁剪,取其子集作为研究区,详见图1(d)(e);③ 以3景影像中共有的耕地、居民住宅和坑塘作为目标地物,结合野外考察和Goolge Earth,目视解译绘制了参考和验证数据集。在监督评价方法中,均以30个参考多边形进行分割质量评价。验证数据集（表2）主要用于评价最优分割数据的分割精度。
图1 研究区概况

Fig. 1 Locations of the study areas

表2 典型地物的分割验证数据集

Tab. 2 Statistics of the testing datasets for typical land covers

地物类型 影像 分割验证数据集/个
耕地 QB_MS 60
WV2_MS 380
ALOS_MS 55
居民住宅 QB_MS 62
WV2_MS 83
ALOS_MS 50
坑塘 QB_MS 52
WV2_MS 73
ALOS_MS 72

3 研究方法

3.1 实验参数

为确保对比实验的参数一致,为ESP2和ED2方法设置相同的初始尺度参数。其中,在ED2方法中,根据Liu等[19]设置QB_MS、WV2_MS和ALOS_ MS影像的初始尺度参数搜索区间为10~100,5~150和10~150,尺度步长均为1,极小值和最大值分别设置为0.001和1。在ESP2方法中,根据Drăguţ等[12]设置QB_MS、WV2_MS和ALOS_MS影像的起始尺度参数为10、5和10,迭代次数均为100。根据经验判断及以往的研究分析,实验中将形状和紧凑度因子参数设置为表3所示。
表3 典型地物实验分割参数

Tab. 3 Segmentation parameters for typical land covers

地物类型 影像 形状因子 紧凑度因子
耕地 QB_MS 0.1 0.1
WV2_MS 0.6 0.4
ALOS_MS 0.1 0.1
居民住宅 QB_MS 0.7 0.5
WV2_MS 0.6 0.5
ALOS_MS 0.3 0.4
坑塘 QB_MS 0.5 0.7
WV2_MS 0.3 0.6
ALOS_MS 0.3 0.3

3.2 分割评价指标

本文拟使用2种匹配规则分析目标地物的分割精度,评价指标详见表4。在单边匹配规则[25]下,使用过分割率、欠分割率[22]和面积拟合指数[23]评价研究区目标地物的分割精度。在双边匹配规则[24]下,使用漏检率[3]来评价分割数据未匹配到参考数据个数占所有分割数据个数的比值。
表4 分割评价指标

Tab. 4 Segmentation assessment indicators

分割评价指标 公式 编号 解释
过分割率（OSeg） OSeg=1-area(ri⋂si)area(ri) (1) OSeg∈[0,1],当OSeg=0时,表示影像分割结果最优
欠分割率（USeg） USeg=1-area(ri⋂si)area(si) (2) USeg∈[0,1],当USeg=0时,表示影像分割结果最优
面积拟合指数（AFI） AFI=area(ri)-area(si)area(ri) (3) 当AFI=0时,表示影像分割结果最优;当AFI>0时,表示过分割;当AFI<0时,表示欠分割
漏检率（OR_S） OR_S=Num(ri)-Num(ri⋂si)Num(ri) (4) OR_S∈[0,1],当OR_S=0时,表示影像分割结果最优

注：ri是参考多边形,si是对应的分割评价多边形。

3.3 分类及评价

本文拟用随机森林算法基于目标地物的最优分割数据集进行信息提取[26],分类特征及参数设置详见表5。首先将影像目标地物类型分为目标类和其他类。然后通过人工目视分别将每个目标地物在不同影像的最优分割数据集上标注训练和验证样本,遵循验证样本独立于训练样本,如表6所示。最后将分类特征导入分类器进行多尺度地物提取。在精度评价时,通过验证样本计算生产者精度（Pa）和用户精度（Ua）,同时使用混淆矩阵来计算总体分类精度和Kappa（KIA)系数,基于4个指标进行分类精度评价[27]。
表5 分类特征及参数设置

Tab. 5 Classification features and experiment parameters

典型地物 分类特征 分类器参数
耕地/居民住宅 光谱特征 亮度值、最大最小值差、各波段的均值、标准差 树的个数分别为250、300;树的最大深度为20,每个节点上对象的最小数量为10,其他参数保持默认
纹理特征 灰度共生矩阵的同质性、对比度、相异性、信息熵、角度二阶距、均值、标准差和相关性
几何特征 面积、长宽比、不对称性、椭圆拟合度、矩形拟合度和形状指数
指数 归一化差分植被指数、归一化水指数
坑塘 光谱特征 亮度值、最大最小值差、各波段的均值、标准差 树的个数为100;树的最大深度为15;每个节点上对象的最小数量为5;其他参数保持默认
指数 归一化差分植被指数、归一化水指数
表6 训练和验证样本数量统计

Tab. 6 Statistics of the training and testing sample datasets

地物类型 影像 训练样本/个 验证样本/个
目标类 其他类 目标类 其他类
耕地 QB_MS 314 2117 169 1229
WV2_MS 311 828 381 337
ALOS_MS 66 293 55 231
居民住宅 QB_MS 106 556 30 334
WV2_MS 246 633 74 339
ALOS_MS 18 278 50 233
坑塘 QB_MS 24 133 52 273
WV2_MS 23 68 17 51
ALOS_MS 60 143 72 211

4 结果及分析

4.1 基于ESP2的最优分割结果

图2中LV表示的是给定尺度参数序列中每个尺度参数对应的分割对象的局部方差值。ROC表示与之对应的局部方差变化率,主要衡量局部方差在每个尺度参数间隔的变化量。根据ROC的变化率可以选择LV对应的尺度参数值。在ROC随尺度曲线变化趋势最大且斜率为负的时候,取局部方差对应的前一个尺度作为最优分割尺度参数[11]。由此可以推出,图2（a）WV2_MS、（b）QB_MS和（c）ALOS_MS中耕地、居民住宅和坑塘对应的最优分割尺度参数分别为69、64和102,78、76和107与47、39和45。
图2 基于非监督ESP2方法的尺度参数-局部方差变化率曲线

Fig. 2 The ROC-LV curves with scale parameters based on the unsupervised method (ESP2)

表7展示了基于ESP2的最优分割数据的精度评价结果,本文从2个方面进行分析。
（1）不同景观格局影像对比。首先,WV2_MS与QB_MS影像的耕地都存在严重欠分割,USeg分别为0.5821和0.9399,AFI分别为-1.1649和-9.5709,从精度看,QB_MS较严重。其次,2景影像中居民住宅也同样存在严重的欠分割,USeg分别为0.9511和0.9176,AFI分别为-15.4960和-10.8215,从精度看,QB_MS的结果较好。最后,坑塘虽然存在欠分割,但分割精度较好。产生上述结果的原因是：两景影像的景观格局不同。QB_MS影像位于发达地区的城市工业区,居民住宅分布集中且覆被面积较大,所以其分割结果较好。WV2_MS影像位于欠发达地区的乡村,耕地与坑塘分布集中其覆被面积较大,所以其分割结果较好。
表7 基于非监督ESP2方法典型地物最优分割结果评价统计

Tab. 7 Statistics of segmentation assessment for the typical land covers based the unsupervised method (ESP2)

地物类型 影像 最优分割参数组合 分割精度评价
Scale Shape Cpt USeg OSeg AFI
耕地 QB_MS 78 0.1 0.1 0.9399 0.3651 -9.5709
WV2_MS 69 0.6 0.4 0.5821 0.0953 -1.1649
ALOS_MS 47 0.1 0.1 0.3613 0.0563 -0.4774
居民住宅 QB_MS 76 0.7 0.5 0.9176 0.0256 -10.8215
WV2_MS 64 0.6 0.5 0.9511 0.1927 -15.4960
ALOS_MS 39 0.3 0.4 0.7709 0.1180 -2.8503
坑塘 QB_MS 107 0.5 0.7 0.6616 0.0615 -1.7730
WV2_MS 102 0.3 0.6 0.0183 0.0907 0.0737
ALOS_MS 45 0.3 0.3 0.8862 0.0983 -6.9251
（2）不同分辨率影像对比。首先,ALOS_MS对应耕地、居民住宅及坑塘的最优分割尺度分别为47、39和45,与WV2_MS对应的69、64和102相比,分割尺度较小。其次,ALOS_MS的USeg和AFI 分别为0.3613~0.8862和-0.4774~ -6.9251,与WV2_MS对应的0.5821~0.0183和-1.1649~0.0737对比,除坑塘欠分割以外,其他地物结果都比较好。产生上述结果的原因是：两景影像的分辨率不同。对同质性比较好的地物,分辨率高的影像结果较好;但对于类间异质性比较强的地物,分辨率低的影像分割结果反而较好。为了夯实这一结论,进一步分析QB_MS分割结果,发现坑塘的分割精度由高到底排列依次为WV2_MS、QB_MS和ALOS_MS,与影像分辨率排序一致。

4.2 基于ESP2的最优分类结果

表8为基于非监督ESP2方法的典型地物分类精度评价统计,图3（a）-（c）依次对应为WV2_MS耕地、居民住宅和坑塘的提取结果。图3（d）和（e）为QB_MS和ALOS_MS影像目标地物提取结果,可以得到以下结论：
表8 基于非监督ESP2方法的典型地物分类精度评价统计

Tab. 8 Statistics of classification assessment for the typical land covers based on the unsupervised method (ESP2)

地物类型 影像 分类精度评价
UA PA OA KIA
耕地 QB_MS 0.9830 0.5678 0.9715 0.7060
WV2_MS 0.9985 0.9057 0.9208 0.7639
ALOS_MS 0.9839 0.8905 0.9453 0.8880
居民住宅 QB_MS 0.7518 0.8272 0.9716 0.7725
WV2_MS 0.9753 0.8537 0.9008 0.7902
ALOS_MS 0.9950 0.5515 0.9460 0.6826
坑塘 QB_MS 1.0000 0.8406 0.9424 0.8708
WV2_MS 1.0000 0.9282 0.9507 0.8900
ALOS_MS 0.9953 0.8859 0.9806 0.8790
图3 基于非监督ESP2方法典型地物分类结果

Fig. 3 The typical land covers classification results based on the unsupervised method (ESP2)

（1）QB_MS的耕地提取精度与目视结果都较差,其中PA仅为0.5678,这是由于欠分割及所在区域的景观格局所致。ALOS_MS的耕地OA与KIA分别为0.9453和0.8880,WV2_MS的分别为0.9208和0.7639。ALOS_MS的目视和精度表现都比较好,这与4.1小节分辨率低的影像对异质性强的地物提取精度高的结论也相符合。
（2）ALOS_MS的居民住宅提取精度与目视结果都最差,PA与KIA仅为0.5515和0.6826,与分割精度结果有所不同,产生这种现象的原因是 ALOS_MS的居民住宅与WV2_MS相比,分布稀疏且覆被面积小。QB_MS居民住宅的OA是3景影像中最好的,这进一步证明了分割结果影响分类精度,但KIA为0.7725略低于WV2_MS的0.7902,其主要原因是WV2_MS的居民住宅较QB_MS的覆被面积大。
（3）3景影像坑塘综合表现较好。其中,ALOS_MS的UA最低为0.9953,主要是影像分辨率低的影响;而3景数据的OA最高值为0.9806,这是因为坑塘的景观格局分布集中,覆被面积最大;而QB_MS结果为3景数据最低,PA、OA和KIA分别为0.8406,0.9424和0.8708,这是因为坑塘分布稀疏且覆被面积最小。
综上所述,相同区域,景观异质性强的地物提取精度与景观格局也密切相关。

4.3 基于ED2的最优分割结果

影像分割质量评价体系PSE-NSR-ED2最优存在时,各地物对应的最优分割尺度参数均分布在其对应ED2-Scale曲线的底部。图4分别模拟耕地、居民住宅和坑塘在3景影像中的ED2-Scale变化模式,因此QB_MS、WV2_MS和ALOS_MS影像耕地、居民住宅和坑塘的最优分割尺度参数分别为17、24和50,25、25和154与27、31和28。
图4 基于监督方法ED2-尺度参数变化曲线

Fig. 4 The ED2-Scale curves based on the supervised method (ED2)

结合表9基于ED2的最优分割数据的精度评价结果,本文从2个方面进行分析：
表9 基于监督ED2方法的典型地物分割结果评价统计

Tab. 9 Statistics of the typical land cover segmentation assessment based on the supervised method (ED2)

地物类型 影像 最优分割参数 分割精度评价
Scale Shape Cpt USeg OSeg AFI
耕地 QB_MS 17 0.1 0.1 0.2499 0.2873 0.0499
WV2_MS 25 0.6 0.4 0.1080 0.0826 -0.0285
ALOS_MS 27 0.1 0.1 0.1634 0.0985 -0.0775
居民住宅 QB_MS 24 0.7 0.5 0.2099 0.1421 -0.0858
WV2_MS 25 0.6 0.5 0.3272 0.3317 0.0068
ALOS_MS 31 0.3 0.4 0.6158 0.1375 -1.2452
坑塘 QB_MS 50 0.5 0.7 0.2167 0.0629 -0.1963
WV2_MS 154 0.3 0.6 0.0417 0.0968 0.0575
ALOS_MS 28 0.3 0.3 0.6613 0.1328 -1.5603
（1）不同景观格局影像对比。根据城市与乡村景观格局,QB_MS位于城市,居民住宅分布格局比较集中且覆被面积较大;而WV2_MS位于乡村,耕地与坑塘分布较集中且覆被面积较大。对比表9中2景影像分割精度的表现,发现分割结果与景观格局分布密切相关。其中WV2_MS的耕地与坑塘结果较好。虽然分割结果都存在少量的欠分割和过分割,但QB_MS居民住宅的USeg和OSeg都小于0.32。而WV2_MS居民住宅的USeg和OSeg均大于0.3,主要是因为乡村的居民住宅面积比较小,在绘制参考数据时会受影像分辨率影响。
（2）不同分辨率影像对比。在4.1小节,本研究发现对同质性比较好的地物,分辨率高的影像结果较好;但对于异质性比较强的地物,分辨率低的影像分割结果反而较好。但在ED2方法实验中,WV2_MS的所有地物的分割结果均好于ALOS_MS。产生这种现象的主要原因是目标地物参考数据构建质量的影响,如ALOS_MS分辨率为10 m,人工分割也会忽略面积较小的目标地物。

4.4 基于ED2最优分类结果

表10为典型地物分类评价统计结果。图5(a)-(c)依次对应为WV2_MS耕地、居民住宅和坑塘的提取结果,图5（d）和（e）为QB_MS和ALOS_MS影像目标地物提取结果。结果表明：① 3景数据耕地的分割精度都很好,视觉效果也较好。AlOS_MS比WV2_MS精度高的原因是对于中低分辨率的遥感影像,地物类间差异小会导致分类精度较高;② ALOS_MS的居民住宅KIA仅为0.7091,其他2景数据的提取结果都比较好,这说明分割结果对分类的影响明显;③ 3景数据坑塘的结果都比较好。例如,QB_MS的提取精度比较高,但分割精度逊于WV2_MS。产生这种现象的原因是,QB_MS坑塘的面积大小比较相似,而WV2_MS面积大小差异明显,在提取过程中选取样本时,会因为分类样本不均衡而导致提取结果精度略低。
表10 基于监督ED2方法的典型地物分类结果评价统计

Tab. 10 Statistics of the typical land cover classification assessment based on the supervised method (ED2)

地物类型 影像 分类精度评价
UA PA OA KIA
耕地 QB_MS 0.9968 0.7145 0.9814 0.8228
WV2_MS 0.9939 0.9333 0.9400 0.8113
ALOS_MS 0.9910 0.9100 0.9567 0.9133
居民住宅 QB_MS 0.9288 0.7312 0.9793 0.8074
WV2_MS 0.9909 0.8987 0.9103 0.8473
ALOS_MS 0.9288 0.7264 0.9497 0.7091
坑塘 QB_MS 1.0000 0.8953 0.9622 0.9161
WV2_MS 0.9628 0.8642 0.9271 0.8351
ALOS_MS 0.9713 0.8953 0.9810 0.8880
图5 基于监督ED2方法典型地物分类结果

Fig. 5 Typical land cover classification results based on the supervised method (ED2)

5 讨论

通过上述实验结果,本研究发现监督方法具有以下3点优势：
（1）预设相同的实验参数,本研究发现监督ED2方法均能以较少的分割数据集获得最优分割尺度,而非监督ESP2方法则需要更多的分割数据集。例如,非监督ESP2方法约是ED2方法的1.84~6.93倍,如图6所示。这是因为非监督方法需要在预设尺度序列中完成分割参数优选,这样预设尺度和步长的范围会直接影响参数优选的效率。Wang等[28]提出双对数尺度采样模式,但只是一定程度扩大了预设尺度的取值范围,还是无法获取尺度序列以外的值。而监督方法目前有穷举和自动识别两种形式,本文使用的监督ED2方法根据曲线变化模式自动调整尺度变化范围,从而效率也会得到相应的提高。
图6 基于监督与非监督方法ED2和ESP2典型地物的最优分割数据集数量的对比

Fig. 6 The optimal segments for typical land covers based on the supervised and unsurprised methods with ED2 and ESP2

（2）无论监督与非监督方法均会受到影像所在区域的景观格局和遥感数据源的影响。例如城市区域的居民住宅分割结果会优于乡村区域,而乡村区域的耕地结果会优于城市区域。分辨率越高的影像,同类地物间异质性越强,地物分割精度结果也越差。监督方法可以通过改善参考数据集的面积与空间分布模式等方面来克服这些影响,然而非监督方法仅依靠遥感影像自身的特征,在处理超高分辨率影像时,很难获取高精度的分割结果。
（3）综合小节4中的分割分类结果,本研究发现非监督ESP2方法的欠分割率是监督ED2方法的0.44~5.39倍,KIA系数也相应降低了0.05~0.12,但OA变化不大。这似乎验证了Belgiu等[3]认为存在一定程度的欠分割不影响分类精度。但其实分类精度结果对类别样本个数不均衡的多类别地物来说,不能很好的表征地物局部分类变化的影响。结合图7和图8发现,ESP2方法的最优分割尺度偏大导致无法识别小目标地物,漏检率是ED2方法的1.43~4.65倍。因此在分析高分辨率遥感影像特定小目标地物时,监督方法优势明显。
图7 基于监督与非监督方法ED2和ESP2的典型地物提取结果对比

Fig. 7 Typical land covers classification results based on the supervised and unsupervised methods with ED2 and ESP2

图8 基于监督与非监督方法ED2和ESP2的典型地物漏检结果对比

Fig. 8 The omission rate for typical land covers based on the supervised and unsurprised methods with ED2 and ESP2

6 结论

本文针对不同分辨率、遥感数据源及景观格局的遥感数据中共有的3类目标地物,基于监督ED2与非监督ESP2方法,对最优分割分类的综合表现进行了全面分析。结果表明：① 在精确建立参考数据的前提下,监督方法更为可靠,且可通过较少的分割数据集获取尺度序列以外的最优分割参数; ② 监督方法可通过改变参考数据集的面积和空间分布模式来克服由于遥感影像不同分辨率和同一目标地物不同景观格局在分割参数优选中的影响;③ 非监督方法会产生欠分割和漏检率较高的分割分类结果,虽然本文实验中研究区典型地物的整体分类精度均在90.08%以上,但漏分率却是监督方法的1.43~4.65倍,进一步论证了监督方法在高分辨率遥感影像中特定小目标地物分析的优越性。同时,在分析构建参考数据集有困难的中低分辨率遥感影像时,非监督方法对类间异质性强的目标地物有较好的识别能力。在高分辨率遥感影像分析中,影像最优分割及分类结果与研究区域的景观格局密切相关。在今后的研究中,如何将机器学习融入多尺度参考数据集绘制中,将是日后监督评价法研究的重点,而将影像高级特征融入分割质量评价也将是日后非监督研究的方向。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Blaschke T, Hay G J, Kelly M , et al. Geographic object-based image analysis towards a new paradigm[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,87(100):180-191.

[2]
Baatz M and Schäpe A . Multiresolution segmentation: An optimization approach for high quality multi-scale image segmentation[J]. Angewandte Geographische Informationsverarbeitung XII, 2000,58:12-23.

[3]
Belgiu M and Dr Gut L . Comparing supervised and unsupervised multiresolution segmentation approaches for extracting buildings from very high-resolution imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,96:67-75.

[4]
Kim M, Madden M, Warner T . Estimation of optimal image object size for the segmentation of forest stands with multispectral IKONOS imagery[M]. Berlin: Springer Berlin Heidelberg, 2008: 291-307.

[5]
黄慧萍 . 面向对象影像分析中的尺度问题研究[D]. 北京:中国科学院遥感应用研究所, 2003: 103-121.

[ Huang H P . Scale issues in object-oriented image analysis[D]. Beijing: Institute of Remote Sensing Applications Chinese Academy of Sciences, 2003: 103-121. ]

[6]
张俊, 汪云甲, 李妍 , 等. 一种面向对象的高分辨率影像最优分割尺度选择算法[J]. 科技导报, 2009,27(921):91-94.

[ Zhang J, Wang Y J, Li Y , et al. An object-oriented optimal scale choice method for high spatial resolution remote sensing image[J]. Science & Technology, 2009,27(921):91-94. ]

[7]
何敏, 张文君, 王卫红 . 面向对象的最优分割尺度计算模型[J]. 大地测量与地球动力学, 2009,29(1):106-109.

[ He M, Zhang W J, Wang W H . Optimal segmentation scale model based on object-oriented analysis method[J]. Journal of Geodesy and Geodynamics, 2009,29(1):106-109. ]

[8]
Johnson B A, Bragais M, Endo I , et al. Image segmentation parameter optimization considering within and between segment heterogeneity at multiple scale levels: Test case for mapping residential areas using landsat imagery[J]. ISPRS International Journal of Geo-Information, 2015,4(4):2292-2305.

[9]
王志华, 孟樊, 杨晓梅 , 等. 高空间分辨率遥感影像分割尺度参数自动选择研究[J]. 地球信息科学学报, 2016,18(5):639-648.

[ Wang Z H, Meng F, Yang X M , et al. Study on the automatic selection of segmentation scale parameters for high spatial resolution remote sensing images[J]. Journal of Geo-information Science, 2016,18(5):639-648. ]

[10]
Wang, Y J, Qi Q W, Liu Y , et al. Unsupervised segmentation parameter selection using the local spatial statistics for remote sensing image segmentation[J]. International Journal of Applied Earth Observation and Geoinformation, 2019,81:98-109.

[11]
Drǎguţ L, Tiedec D, Levickd S R . ESP: A tool to estimate scale parameter for multiresolution image segmentation of remotely sensed data[J]. International Journal of Geographical Information Science, 2010,24(6):859-871.

[12]
Drăguţ L, Csillik O, Eisank C , et al. Automated parameterization for multi-scale image segmentation on multiple layers[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,88:119-127.

[13]
Sonka M, Hlavac V, Boyle R . Image processing, analysis, and machine vision[M]. United States: Cengege Learning, 2014: 236-240.

[14]
Achanccaray P, Ayma V, Jimenez L , et al. SPT 3.1: A free software for automatic tuning of segmentation parameters in optical, hyperspectral and SAR images [C]. IEEE International IGARSS Geoscience and Remote Sensing Symposium. 2015.

[15]
Anders N S, Seijmonsbergen A C, Bouten W Segmentation optimization and stratified object-based analysis for semi-automated geomorphological mapping[J]. Remote Sensing of Environment, 2011,115:2976-2985.

[16]
Zhou Y N, Li J, Feng L , et al. Adaptive scale selection for multiscale segmentation of satellite images[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2017,10(8):3641-3651.

[17]
Troya-Galvis A, Gancarski P, Passat N , et al. Unsupervised quantification of Under and over segmentation for Object-Based remote sensing image analysis[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015,8(5):1936-1945.

[18]
Bialas J, Oommen T, Havens T C . Optimal segmentation of high spatial resolution images for the classification of buildings using random forests[J]. International Journal of Applied Earth Observation and Geoinformation, 2019,32:82

[19]
Liu Y, Zhang Y D, Huang Z, et al. Segmentation optimization via recognition of the PSE-NSR-ED2 patterns along with the scale parameter in object-based image analysis[C]. GEOBIA, University of Twenty Faculty of Geoinformation and Earth Observation (ITC), Amsterdam, Netherlands, 2016.

[20]
Wang Z, Yang X, Lu C , et al. A scale self-adapting segmentation approach and knowledge transfer for automatically updating land use/cover change databases using high spatial resolution images[J]. International Journal of Applied Earth Observation and Geoinformation, 2018,69:88-98.

[21]
陈扬洋, 明冬萍, 徐录 , 等. 高空间分辨率遥感影像分割定量实验评价方法综述[J]. 地球信息科学学报, 2017,19(6):818-830.

[ Chen Y Y, Ming D P, Xu L , et al. Scale parameter estimation based on the spatial and spectral statistics in high spatial resolution image segmentation. Journal of Geo-information Science, 2017,19(6):622-631. ]

[22]
Clinton N, Holt A, Scarborough J , et al. Accuracy assessment measures for object-based image segmentation goodness[J]. Photogrammetric Engineering and remote sensing, 2010,76(3):289-299.

[23]
Lucieer A and Stein A . Existential uncertainty of spatial objects segmented from satellite sensor imagery[J]. IEEE Transactions on Geoscience & Remote Sensing, 2002,40(11):2518-2521.

[24]
Yang J, Li P, He Y . A multi-band approach to unsupervised scale parameter selection for multi-scale image segmentation[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2014,94:13-24.

[25]
Yue A Z, Yang J Y, Zhang C , et al. The optimal segmentation scale identification using multispectral WorldView-2 Images[J]. Sensor Letters, 2012,10(1-2):285-291.

[26]
Breiman L . Random Forest[J]. Machine Learning, 2001,45:5-32.

[27]
Congalton R G . A review of assessing the accuracy of classification of remotely sensed data[J]. Remote Sensing of Environment, 1991,37(2):35-46.

[28]
Wang, Z H, Yang X M, Lu C , et al. A scale self-adapting segmentation approach and knowledge transfer for automatically updating land use/cover change databases using high spatial resolution images[J]. International Journal Applied Earth Obser vation Geoinformation, 2018,69:88-98.

Options
文章导航

/

〈 〉