映射的城市边缘

基于物体的图像分析(OBIA)在从城市边缘的高分辨率卫星图像创建土地覆盖地图方面的潜力是什么? OBIA的准确性能否与视觉解译相比较?作者证明，对物体进行分类，而不是对单个像素进行分类，为生成土地覆盖图提供了一种快速、高效和简单的半自动方法。总体精度相当于目测解译。

郊区边缘地区的特点是植被和结构元素相互交织。它们还受到土地覆盖迅速变化的影响。这种异质、复杂和动态的景观的可持续发展需要根据适当的决策和最新的土地覆盖信息不断进行监测。高分辨率的卫星图像可以成本有效地为城市综合企业提供后者。

方法
在从影像到土地覆盖图的过程中，提取信息的方法多种多样。方法可分为三大类:基于像素的分类、基于目标的图像分析(OBIA)和目视判读结合目标边界的人工数字化。基于像素的分类根据光谱和纹理相似性将单个像素分类，这些相似性是根据许多规则之一演化而来的，这些规则用于管理多光谱决策。基于像素的方法通常会产生“斑点”的土地覆盖地图。基于对象的图像分析(OBIA)的工作原理是在分类之前将单个像素分组成对象。然后，根据类似于基于像素的分类的决策规则，将类分配给这些对象。这是通过对象的多尺度分类来实现的，OBIA可以在分类过程中有效地结合对象的特征，如纹理、形状、上下文和层次关系。视觉解释在很大程度上依赖于人类的心理和经验，缺乏灵活性和可再现性，而且费时费力，因此成本很高。但这通常是利用高分辨率卫星图像绘制城市区域地图时的唯一选择，因为这些场景具有高度的空间变化和类间光谱相似性，以及类内光谱异质性。这些特性使得多光谱分类容易出错，迫使分析人员依赖于目视判读。

区域和数据
为了研究OBIA能否在复杂的城市场景中取代视觉判读，在印度北阿坎德邦德拉顿市南部郊区选择了一个测试地点，该地区是一个土地覆盖异质性较好的发展地区。从co-registered Cartosat-1和IRS-P6 LISS-IV意象,融合gram - schmidt谱锐化技术实现,4.3版本的环境,一个500 x 500像素的场景被切断,用2.5像素大小(图1)。穿越公路和铁路路线,西南地区机构,疏林的复杂混合物,茶园和嵌入式建筑的底层。其他部分以农业为主，中间点缀着中等密度的居民区，主要沿着道路。东部横贯一条干涸的河床，两侧是茂密的树木、已种植和未种植的农田、退化的土地、果园和未利用的空地。

分类
我们选择了一种分类方案来测试OBIA处理光谱重叠的能力，因此分类的数量并不高。土地覆被的等级分类包括三个层次:建筑;由道路、车道和铁路等交通设施组成的建设类;非建设用地，包括种植地、植被(树木覆盖地)、空置地和河床。最具挑战性的是空地。这类土地覆盖包括各种各样的子类型:裸露的、开放的野生植被、退化的、休耕的农田和草地。因此，这一类显示出高光谱和空间异质性，不能很好地与河床和农田分离，共享它们的许多光谱特征。带有植被的建成区由建筑、植被和裸地组成，在视觉上是不可分割的组合，在图像中具有较高的内部色调和纹理变化。

分割
使用recognition Professional 4.0进行多分辨率分割，然后使用迭代最近邻(NN)分类。OBIA的准确性在很大程度上依赖于成功的图像分割。为了应对物体大小的大变化，我们选择了两个物体等级(图2):等级1用于提取小物体，等级2用于提取大物体(表1)。由于耕地和植被的优势，红外波段的权重较高。形状和平滑参数设置相当高，以避免磨损的边界。选择稍微过分割的水平，以保证提高分类精度。神经网络是一种简单的分类器，它根据样本对象的特征值与该对象的特征值的最近匹配来分配类。类原型的特征值是根据基本事实确定的。

在多尺度和迭代中进行分类(图3)。第1级的特征包括光谱波段的平均值和比率，以及形状和纹理度量。二级特征包括多光谱波段和纹理测量的均值、标准差和比值。初始分类后，将分配给同一类的相邻对象合并为一个对象。然后这两个层次被投影到一个层中(图4)。

同样准确
为了确定准确度，我们生成了一个混淆矩阵，并由此计算出总体准确度为76%，kappa一致系数为70%。还计算了用户的准确性(UA)，生产者的准确性(PA)和条件kappa系数(CKC)，见表2。由于交通特征没有被提取为明显的连续线性单元，它们与建筑合并成“built-up”，只是为了准确性评估的目的。

表2中所示的各种类精度表明，在对象级别1上，构建型与非构建型可以很好地区分开来。虽然准确度等级不同，但OBIA的总体准确度与目视解译相当。只有交通特征不能令人满意地提取，可能是由于与它们旁边的物体的光谱相似性、阴影遮挡和植被以及狭窄的道路和铁路。具有明显空间、纹理和光谱特征的类别，如建成区、植被(树木)和耕地，可以有效地区分。错误的分类主要与空间和光谱上的模糊分类有关:空地和土地覆盖过渡区。野生植被覆盖的空地与耕地、干涸的河床与裸地之间存在高光谱重叠。采用Gram Schmidt方法进行图像融合时，会出现轻微的空间退化，这可能会导致沿边界的错误分类。在色调和纹理上的细微差别，人类肉眼无法察觉，被成功地检测出来。例如，基于细微的纹理和光谱差异，我们成功地识别出了被裁剪、被树木覆盖和被建成结构之间的空地斑块(见图4中的框A)。当相邻物体之间的光谱重叠较大时，它们的边界与现实世界的形状不一致(见图4框B中交通路线的锯齿状边界)。

结束语
神经网络是一种简单的分类方法，对规则结构进行细化可以大大提高分类精度。通过使用辅助层，可以解决空间模糊和光谱重叠类造成的障碍。通过在类描述中合并与类相关的特性，可以更准确地识别混合类。更高分辨率的图像可能会带来更好的结果。OBIA非常适合于城市边缘地区的各种应用，如不透水表面和绿地的确定、城市蔓延研究和土地覆盖变化检测。

确认
感谢IIRS的院长、Poonam S. Tiwari女士、Heena Pandey女士和Meenakshi女士。

水平	规模	形状	平滑度	描述
1	22	0．3	0．9	道路、建筑
2	38	0．3	0．9	植被，农田，空地，河流

表1多分辨率分割选择的目标级别、分割参数及对应的特征类。

类	UA	巴勒斯坦权力机构	纯种犬
组合	91％	71％	0.89
裁剪的土地	82％	69％	0.78
空地	62％	68％	0.49
植被(树)	71％	86％	0.64
组合与植被	71％	100％	0．69
河	100％	78％	1

表2各类准确度统计