遙感專題講座-影像信息提取(四面向對象特征提取)

面向對象的影像分類技術

“同物異譜，同譜異物”會對影像分類產生的影響，加上高分辨率影像的光譜信息不是很豐富，還有經常伴有光譜相互影響的現象，這對基于像素的分類方法提出了一種挑戰，面向對象的影像分類技術可以一定程度減少上述影響。

本小節以ENVI中的面向對象的特征提取FX模塊為例，對這種技術和處理流程做一個簡單的介紹。

本專題包括以下內容：面向對象分類技術概述ENVIFX簡介ENVIFX操作說明

1、面向對象分類技術概述

面向對象分類技術集合臨近像元為對象用來識別感興趣的光譜要素，充分利用高分辨率的全色和多光譜數據的空間，紋理，和光譜信息來分割和分類的特點，以高精度的分類結果或者矢量輸出。它主要分成兩部分過程：影像對象構建和對象的分類。

影像對象構建主要用了影像分割技術，常用分割方法包括基于多尺度的、基于灰度的、紋理的、基于知識的及基于分水嶺的等分割算法。比較常用的就是多尺度分割算法，這種方法綜合遙感圖像的光譜特征和形狀特征，計算圖像中每個波段的光譜異質性與形狀異質性的綜合特征值，然后根據各個波段所占的權重，計算圖像所有波段的加權值，當分割出對象或基元的光譜和形狀綜合加權值小于某個指定的閾值時，進行重復迭代運算，直到所有分割對象的綜合加權值大于指定閾值即完成圖像的多尺度分割操作。

影像對象的分類，目前常用的方法是“監督分類”和“基于知識分類”。這里的監督分類和我們常說的監督分類是有區別的，它分類時和樣本的對比參數更多，不僅僅是光譜信息，還包括空間、紋理等信息。基于知識分類也是根據影像對象的熟悉來設定規則進行分類。

目前很多遙感軟件都具有這個功能，如ENVI的FX擴展模塊、易康（現在叫Definiens）、ERDAS的Objective模塊、PCI的FeatureObjeX（新收購）等。

表1為三大類分類方法的一個大概的對比。類型基本原理影像的最小單元適用數據源缺陷傳統基于光譜的分類方法地物的光譜信息特征單個的影像像元中低分辨率多光譜和高光譜影像豐富的空間信息利用率幾乎為零基于專家知識決策樹根據光譜特征、空間關系和其他上下文關系歸類像元單個的影像像元多源數據知識獲取比較復雜面向對象的分類方法幾何信息、結構信息以及光譜信息一個個影像對象中高分辨率多光譜和全色影像速度比較慢表1傳統基于光譜、基于專家知識決策樹與基于面向對象的影像分類對比表

2、ENVIFX簡介

全名叫“面向對象空間特征提取模塊—FeatureExtraction”，基于影像空間以及影像光譜特征，即面向對象，從高分辨率全色或者多光譜數據中提取信息，該模塊可以提取各種特征地物如車輛、建筑、道路、橋、河流、湖泊以及田地等。該模塊可以在操作過程中隨時預覽影像分割效果。該項技術對于高光譜數據有很好的處理效果，對全色數據一樣適用。對于高分辨率全色數據，這種基于目標的提取方法能更好的提取各種具有特征類型的地物。一個目標物體是一個關于大小、光譜以及紋理（亮度、顏色等）的感興趣區域?？蓱糜冢簭挠跋裰杏绕涫谴蠓跋裰胁檎液吞崛√卣鳌Ｌ砑有碌氖噶繉拥降乩頂祿燧敵鲇糜诜治龅姆诸愑跋裉娲止底只^程

具有易于操作（向導操作流程），隨時預覽效果和修改參數，保存參數易于下次使用和與同事共享，可以將不同數據源加入ENVIFX中（DEMs、LiDARdatasets、shapefiles、地面實測數據）以提高精度、交互式計算和評估輸出的特征要素、提供注記工具可以標識結果中感興趣的特征要素和對象等特點。

3、ENVIFX操作說明

ENVIFX的操作可分為兩個部分：發現對象（FindObject）和特征提取（Extractfeatures），如圖1所示。

\o"1.JPG"圖1FX操作流程示意圖（紅色字體為可選項）

3.1準備工作

根據數據源和特征提取類型等情況，可以有選擇的對數據做一些預處理工作。

空間分辨率的調整

如果您的數據空間分辨率非常高，覆蓋范圍非常大，而提取的特征地物面積較大（如云、大片林地等）。可以降低分辨率，提供精度和運算速度。可利用ENVI主界面->BasicTool->ResizeData工具實現。

光譜分辨率的調整

如果您處理的是高光譜數據，可以將不用的波段除去。可利用ENVI主界面->BasicTool->layerstacking工具實現。

多源數據組合

當您有其他輔助數據時候，可以將這些數據和待處理數據組合成新的多波段數據文件，這些輔助數據可以是DEM,lidar影像,和SAR影像。當計算對象屬性時候，會生成這些輔助數據的屬性信息，可以提高信息提取精度?？衫肊NVI主界面->BasicTool->layerstacking工具實現。

空間濾波

如果您的數據包含一些噪聲，可以選擇ENVI的濾波功能做一些預處理。

3.2發現對象

(一)打開數據

在ENVIZoom中打開Processing>FeatureExtraction。如圖2所示，BaseImage必須要選擇，輔助數據（AncillaryData）和掩膜文件（MaskFile）是可選。這里選擇ENVI自帶數據envidata\feature_extraction\qb_colorado,它是0.6米的快鳥數據。

\o"2.JPG"圖2選擇數據

(二)影像分割

FX根據臨近像素亮度、紋理、顏色等對影像進行分割，它使用了一種基于邊緣的分割算法，這種算法計算很快，并且只需一個輸入參數，就能產生多尺度分割結果。通過不同尺度上邊界的差異控制，從而產生從細到粗的多尺度分割。選擇高尺度影像分割將會分出很少的圖斑，選擇一個低尺度影像分割將會分割出更多的圖斑，分割效果的好壞一定程度決定了分類效果的精確度，我們可以通過預覽分割效果，選擇一個理想的分割閥值，盡可能好地分割出邊緣特征。

\o"3.JPG"圖3影像分割閾值設定

調整滑塊閥值對影像進行分割，這里設定閾值為30，點擊Next按鈕，這時候FX生成一個RegionMeans影像自動加載圖層列表中，并在窗口中顯示，它是分割后的結果，每一塊被填充上該塊影像的平均光譜值。接著進行下一步操作。

注：按鈕是用來選擇分割波段的，默認為BaseImage所有波段。

(三)合并分塊

影像分割時，由于閾值過低，一些特征會被錯分，一個特征也有可能被分成很多部分。我們可以通過合并來解決這些問題。FX利用了FullLambda-Schedule算法。這一步是可選項，如果不需要可以直接跳過。

\o"4.JPG"圖4合并分塊

設定一定閾值，預覽效果。這里我們設置的閾值為95，點Next進入下一步。

(四)分塊精煉

FX提供了一種閾值法（Thresholding）進一步精煉分塊的方法。對于具有高對比度背景的特征非常有效（例如，明亮的飛機對黑暗的停機坪）。可以將精煉結果生成掩膜圖層（Mask），按鈕可以修改基于哪個波段。

\o"5.JPG"圖5精煉分塊

這里我們就直接選擇NoThresholding（default），點擊Next進入下一步操作。

(五)計算對象屬性

計算4個類別的屬性：光譜、空間、紋理、自定義（顏色空間和波段比）。其中“顏色空間”選擇三個RGB波段轉換為HSI顏色空間，“波段比”選擇兩個波段用于計算波段比（常用紅色和近紅外波段）。各個屬性的詳細描述參考ENVI/IDL提供的Feature_Extraction_Module.pdf文檔。\o"6.JPG"圖6對象屬性的計算

這里我們按照默認全選擇，ColorSpace選擇RGB，BandRatio選擇紅色和近紅外波段，點擊Next按鈕進行下一步操作。

目前，已經完成了發現對象的操作過程，接下來是特征的提取。

3.3特征提取

如圖7所示，有三種特征提取方法供選擇，分別是監督分類、規則分類和直接矢量輸出。\o"7.JPG"圖7特征提取方法選擇

(一)輸出矢量

選擇ExportVectors，進入圖8界面，選擇保存路徑，屬性信息也可選擇輸出。

\o"8.JPG"圖8直接矢量輸出

輸出完成會出來一個報表。不關閉FX浮動面板，在ENVIZoom中將得到的矢量特征加載顯示。

點擊Previous按鈕，回到圖7界面。

(二)監督分類

在圖7界面中選擇Classifybyselectionexamples，下一步到如圖8所示界面。\o"9.JPG"圖9監督分類界面

1)選擇樣本

在ENVIZoom中，切換到Select方式，雙擊Feature_1，打開一個類別的屬性，如圖10所示，修改顯示顏色、名稱等信息。\o"10.JPG"圖10修改類別屬性信息

在分割圖上選擇一些樣本，為了方便樣本的選擇，可以在ENVIZoom的圖層管理中將原圖移到最上層，選擇一定數量的樣本，如果錯選樣本，可以在這個樣本上點擊左鍵刪除。

一個類別的樣本選擇完成之后，新增類別，用同樣的方法修改類別屬性和選擇樣本。在選擇樣本的過程中，可以隨時預覽結果。可以把樣本保存為xml文件以備下次使用。

2)設置樣本屬性

在圖9中，切換到Attributes選項。默認是所有的屬性都被選擇，可以根據提取的實際地物特性選擇一定的屬性。\o"11.JPG"圖11樣本屬性選擇

這里我們按照默認全部選擇。

3)選擇分類方法

在圖9中，切換到Algorithm選項。FX提供了兩種分類方法：K鄰近法（KNearestNeighbor）和支持向量機（SupportVectorMachine，SVM），如圖12所示。\o"12.JPG"圖12分類方法

這里我們選擇K鄰近法，K參數設置為5，點擊下一步，輸出結果。

4)輸出結果

特征提取結果可以以兩種格式輸出，矢量和圖像，如圖12所示。矢量可以是所有分類以單個文件輸出或者每一個類別分別輸出；圖像可以把分類結果和規則結果分布輸出。

\o"13.JPG"圖13輸出分類結果

這里我們選擇單個文件以及屬性數據一塊輸出，分類圖像和規則圖像一塊輸出。點擊Next按鈕完成輸出，同時可以看到整個操作的參數和結果統計報表。

\o"14.JPG"圖14分類結果和統計報表

(三)規則分類

在圖7界面中選擇Classifybycreatingrules，點擊Next，到圖15規則分類界面。每一個分類有若干個規則（Rule）組成，每一個規則有若干個屬性表達式來描述。規則與規則直接是與的關系，屬性表達式之間是并的關系。

同一類地物可以由不同規則來描述，比如水體，水體可以是人工池塘、湖泊、河流，也可以是自然湖泊、河流等，描述規則就不一樣，需要多條規則來描述。每條規則又有若干個屬性來描述，如下是對水的一個描述：

面積大于500像素

延長線小于0.5

NDVI小于0.3

對道路的描述：

延長線大于0.9

緊密度小于0.3

標準差小于20

\o"15.JPG"圖15規則分類

這里以提取居住房屋為例來說明規則分類的操作過程。

首先分析影像中容易跟居住房屋錯分的地物有：道路、森林、草地以及房屋旁邊的水泥地。

雙擊Feature_1圖標，修改好類別的相應屬性。

1)第一條屬性描述，劃分植被覆蓋和非覆蓋區

雙擊rule，打開對象屬性選擇面板，如圖16所示。選擇Customized->bandratio。FX會根據選擇的波段情況技術波段比值，比如這里在屬性計算步驟中選擇的RatioBand是紅色和近紅外波段，所以此時計算的是NDVI。把Show

AttributeImage勾上，可以看到計算的結果，通過ENVIZoom工具查看各個分割塊對應的值。點擊Next按鈕，或者雙擊bandratio，進入bandratio屬性設置對話框，如圖17所示。\o"16.JPG"圖16對象屬性面板

\o"17.JPG"圖17屬性設置對話框

通過拖動滑條或者手動輸入確定閾值。FuzzyTolerance是設置模糊分類閾值，值越大，其他分割塊歸屬這一類的可能性就越大。歸類函數有線性和S-type兩種。這里設置模糊分類閾值為默認的5，歸屬類別為S-type，值的范圍為0~0.3，勾選ShowRuleConfidenceImage可以預覽規則圖像。點擊Ok完成此條屬性描述。

2)第二條屬性描述，去除道路影響

居住房屋和道路的最大區別是房屋是近似矩形，我們可以設置Rect_fit屬性。點擊按鈕或者雙擊rule，選擇Spatial->rect_fit。設置值的范圍是0.5~1，其他參數為默認值。

同樣的方法設置

Spatial->Area:FuzzyTolerance=0,90<Area<1100

Spatial->elongation(延長):elongation<3

3)第三條屬性描述，去除水泥地影響

水泥地反射率比較高，居住房屋反射率較低，所以我們可以設置波段的象元值。

Spectral->avgband_2:avgband_2<50。

最終的rule1規則和預覽圖如圖18所示。

\o"18.JPG"

圖18居住房屋規則與效果圖

類似的思路可以提取道路、林地、草地等分類，這里就不一一例舉。最終結果的輸出方式和監督分類一樣。

3.4批處理操作

ENVI提供了ENVI_FX函數，具體語法如下：ENVI_DOIT,’ENVI_FX_DOIT’[,A_FID=array][,A_POS=array][,BR_BANDS=array][,CENTERLINE_OPTIONS=array][,CONF_THRESHOLD=floatingpoint][,CS_BANDS=array],DIMS=array,FID=fileID[,/EXPORT_ATTRIBUTES][,/EXPORT_RASTER][,/INVERSE_MASK][,KERNEL_SIZE=longinteger][,M_FID=fileID][,MERGE_LEVEL=floatingpoint],POS=array[,R_FID=variable][,RASTER_FILENAME=stringorstringarray][,/RAW_ATTRIBUTES][,RAW_FILENAME=string][,REFINE_BAND=integer][,/REFINE_INVERSE][,/REFINE_MASK][,RULESET_FILENAME=string],SCALE_LEVEL=floatingpoint[,SEGMENT_BANDS=array][,SMOOTHING_THRESHOLD=floatingpoint][,TD_FILENAME=string][,THRESHOLD_LOWER=floatingpoint][,THRESHOLD_UPPER=floatingpoint][,VECTOR_FILENAME=string][,VECTOR_OPTIONS=stringarray]詳細的變量說明請參考ENVI/IDL提供的Feature_Extraction_Module.pdf。

利用此函數可以對根據分割參數和分類參數編寫批處理，或者將此功能應用到別的系統上。

從以上的實際操作可以看到，ENVIFX擴展模塊操作具有易于操作（向導操作流程），隨時預覽效果和修改參數；功能比較強大，具有多種特征提取方法，包括監督分類和知識規則分類，等等。

4、小結

基于像元的分類方法，依據主要是利用像元的光譜特征，大多應用在中低分辨率遙感圖像。而高分辨率遙感圖像的細節信息豐富，圖像的局部異質性大，傳統的基于像元的分類方法易受高分辨率影像局部異質性大的影響和干擾。而面向對象分類方法可以高分辨率圖像豐富的光譜、形狀、結構、紋理、相關布局以及圖像中地物之間的上下文信息，可以結合專家知識進行分類，可以顯著提高分類精度，而且使分類后的圖像含有豐富的語義信息，便于解譯和理解。對高分辨率影像來說，還是一種非常有效的信息提取方法，具有很好的應用前景。

附錄對象屬性說明：

（1）

Spatial屬性屬性描述AREA多邊形的面積，單位與Map單位一致LENGTH多邊形外邊框周長，包括洞的邊框周長，單位與Map單位一致COMPACT緊密性，描述多邊形緊密性的度量。如圓是緊密性最好的形狀，其值為1/Pi,正方形的的值為1/2(sqrt(pi)).

COMPARCT=Sqrt(4*AREA/pi)/周長CONVEXITY凸出的狀態，沒有洞的凸多邊形的值