【翻译论文】An Object-Based Approach for Urban Land Cover Classification(2013)

基于对象的城市土地覆盖分类方法（2013）
采用基于对象的方法对城市土地覆盖进行分类

基于对象的城市土地覆盖分类方法（2013）
采用基于对象的方法对城市土地覆盖进行分类

文章目录

• 摘要

• • 关键词

• 一、导言

• 二、数据和方法

• • 1.研究地点
  • 2.数据预处理
  • 3.土地覆盖分类
  • 4.精度评估

• 三、结果与讨论

• 四、摘要和结论

• • 致谢

• 参考文献

摘要

基于激光雷达（LiDAR）数据构建的数字高程模型（DSM）如今已被广泛应用于高分辨率多光谱卫星影像与航空遥感影像的集成研究中，在城市土地覆盖分类领域发挥着重要作用。然而目前关于LiDAR强度值在城市土地覆盖分类中作用的研究相对较少，在发达都市环境中的应用更是鲜有报道。本研究采用基于对象的分类方法探讨融合LiDAR高度与强度信息能否精确描绘城市土地覆盖情况，并将该方法与以多光谱图像为主要数据源的传统方法进行了对比实验，在利用LiDAR DSM作为辅助数据源进行城市土地覆盖分类方面取得了显著成效。研究工作地点位于美国马里兰州巴尔的摩郊区，在2005年3月获取了完整的LiDAR数据集，并从中分别生成了1 m空间分辨率的DSM以及两个不同回波强度值（首次和末次回波）。将这些回波值划分为四类：建筑区、道路区、灌木丛区及草本区四个类别进行了详细标注和分类统计工作。实验结果表明：基于对象的人工特征提取方法具有良好的应用效果；结合LiDAR高度与强度特征的空间分布信息能够显著提高城市地区土地覆盖类型判别的准确性；通过整合多源地理空间信息所获得的结果表现优于仅使用多光谱遥感影像进行分类的空间分辨率较低的情况；其中在综合评估指标上表现最为突出的是利用结合了DSM的空间模型以及高分辨率过光谱卫星影像等多层次地理空间要素的空间分布特征所获得的结果序列

关键词

在Baltimore, high-resolution imagery has been utilized to assess the intensity of light reflected by surfaces. Laser radar (LiDAR) technology has played a crucial role in the collection of standardized digital surface models (nDSM), which are essential for object-based image analysis. Urban land cover classification has been significantly enhanced through these advanced imaging techniques.

一、导言

及时准确的城市土地覆盖信息对有效开展城市土地管理、规划以及景观格局分析具有至关重要的意义。遥感作为获取城市土地覆盖制图数据的主要依据，在这一领域发挥着不可替代的作用。鉴于现代城市的复杂性和异质性特征显著提升，获取高空间分辨率的遥感数据对于全面表征其丰富的空间细节需求也相应大幅上升[1]。由此可见，在实际应用中，高分辨率卫星影像与航空摄影图像通常被广泛应用于细致地图编制[2]-[4]。

最近可用的机载光探测和测距（LiDAR）数据为精细尺度的城市土地覆盖制图提供了新的机遇。作为一种主动遥感技术, 激光雷达主要工作于可见或近红外电磁波谱段。随着机载激光雷达技术的进步, 激光雷达数据在城市土地覆盖分类中的应用越来越受到关注。激光雷达生成的点云可以直接用于城市特征分析, 但更为常见的是先将点云插入栅格层, 然后与高分辨率卫星/航空图像相结合进行详细制图工作。研究者通常利用由激光雷达数据提取的地表高度信息或数字地表模型(DSM)作为辅助资料参与[1]分类, 或作为[4]、[6]分类的主要依据[1]、[4]、[6].研究表明, 将多光谱图像与激光雷达数据联合使用显著提升了城市土地覆盖分类精度

除了高程数据外, 激光雷达还呈现了反映土地覆盖特征物质特性的强度信息, 这些强度数据可能被应用于城市地形分类[6][7]. 然而, 尽管激光雷达强度信息在森林类型分类[8]中使用频率越来越高, 但在城市地形图绘制方面, 目前仅少有研究将激光雷达强度作为辅助手段加以利用[4][6]. 特别是在城市地形分类领域[7][9], 尤其是在高度发达的城市环境中, 因为城市地形特征具有极细小尺度的复杂特性, 分类工作难度极大, 现有研究很少深入探讨仅利用激光雷达观测成果（即同时考虑激光雷达高程与强度信息）所带来的应用价值. 这篇文章旨在弥补这一研究空白

在 LiDAR 数据可用性逐步提升的过程中

本文探讨基于对象的分类方法在研究激光雷达高度与强度数据组合描述城市土地覆盖方面的作用。我们进一步对比了该方法与其他主要依赖图像的数据源的方法，并采用激光雷达高度数据作为辅助分类信息。

二、数据和方法

1.研究地点

研究场地位于美国马里兰州巴尔的摩县郊外（见图1）。

2.数据预处理

LiDAR数据信息来源于2005年3月的激光雷达设备运行记录。对每个激光脉冲事件进行首波和末波的垂直回波记录，并保证平均采样间距保持在1米左右。在裸地表面与建筑屋顶等非地面物体上捕获到的回波信号具有明显的区分度。利用激光LiDAR获取的点云数据生成三个独立的空间光栅：归一化数字表面模型（nDSM）以及两个强度图像层。

归一化数字地表模型：将地面反射点添加到具有1米空间分辨率的数字高程模型(DEM)中，并将全部回波（包括地面和非地面反射点）添加到具有1米分辨率的三维分析器生成的地物表面模型(DSM)中。随后，在ArcGIS 3-D分析器中使用可用的邻域插值方法进行计算。最后通过从DSM中减去DEM来计算地表覆盖高度模型，并将其记为nDSM（如图2所示）。

图2展示了航空遥感影像子集及其空间分布数据层，并附有不同分类结果的具体图形表示。（a） multispectral image.（b） normalized digital surface model.（c） first backscatter strength.（d） last backscatter strength.（e） Method 1 classification result (from light to deep in shades of gray: grass, trees and shrubs, road and buildings).（f） Method 2 classification result

基于首次及末次回波测量结果分别生成两个强度层（如图2所示）。采用ArcGIS三维分析软件中的自然邻居插值法构建两个1米分辨率的空间强度分布图。对于首次回波信号而言，其均值与标准差分别为7.83与5.99；而对于末次回波信号，则分别为9.17与5.31。需要注意的是，在数值范围上也有所差异：首次回波信号的数值范围从0.10扩展至472.82；而末次回波信号则从0.14扩展至502.32。

本研究采用2.

3.土地覆盖分类

在本文中研究得出四种典型的用地覆盖类型：第一类为建筑群；第二类为道路区域；第三类为乔木与灌木区；第四类为草地区，在城市及郊区景观中具有典型代表性。基于eCognition平台采用了两种不同的分类策略：其中一种方法主要依赖于遥感影像数据；另一种则侧重于地物特征数据库的综合运用。然而这两种分类策略在具体实施过程中存在细微差异：因为它们所依据的主要分类数据源存在显著区别

该方法仅依赖LiDAR数据进行分类，并构建了一个包含多种处理指令的集合（即一系列处理命令/算法），用于生成图像片段并将这些片段划分至所需的土地覆盖类别（如[1]、[2]所示）。具体而言，在参考文献[6]的基础上首次引入对比分割算法来实现从矮小物体中区分出高大物体。为此设定最小高度阈值为6英尺、最大高度阈值为9英尺。随后将高大的物体进一步细分为建筑与树木两类（见下文详细说明），而低矮的物体则被归类为道路与草地区域。

将高大物体划分为建筑物与树木两类。
基于nDSM技术和首次反射波强度层进行多分辨率分割。
该算法将被归类为高目标的对象像素初始化为独立的分割单元。
随后，在后续步骤中依据相似度将相邻区域归并至同一分割单元。
在本研究中，默认设置比例因子值为10。
在分析过程中，默认设定颜色权重值为0.9（占总权重90%），而形状权重值则占剩余10%。
在此方案下，默认设定缩放因子设定每个目标类别内部的最大异构程度。
此外，在实际应用中需通过人工目视法确定这些特征阈值的具体数值范围。
所有未被分类认定为空间实体的目标物都将被视为树体与其他灌木丛等非建筑实体。
随后应用形态学滤波器填补空隙并平滑边缘以提升整体质量。

将被分类的对象分为地面区域和草地区域。与对高物体的分类过程相似，在处理短物体时也采用多分辨率分割方法。然而，在这一阶段中仅基于首次回波测量所得的强度层进行分析。为此我们设置了与高物体相同的比例参数、颜色标示和形状判据。经过分割后，在所有被分割出的对象中，若其首次回波平均强度达到或超过9.5，则将其归类为草地；反之则归类为地面区域。为了进一步提高识别精度我们采用了"查找类包围"算法来识别被草地覆盖的对象：如果这些对象经首次返回测量后具有平均强度值超过5，则将其重新归类至草地类别中进行处理：通过这种方法处理后的地面区域检测误差显著降低

方法二：将LiDAR nDSM与影像相结合进行分类：方法二采用了高空间分辨率航空影像作为主要数据源，并利用LiDAR数据衍生的nDSM作为辅助数据进行分类工作。在城市土地覆盖分类研究中[1, 2]我们参考相关研究[2]并具体阐述了该流程。

在该方法中使用多分辨率分割算法对航空图像进行处理。其中比例参数设定为20，并对颜色标准赋予了更高的权重（设其值为0.9），而形状相关的权重则定值于0.1。完成初步分割后，在后续步骤中首先利用亮度区分阴影区与非阴影区之间的物体差异。随后采用植被指数归一化差值（NDVI）作为分类依据，在此基础上将无阴影区域划分为不透水表面与植被两类主要成分；接着基于nDSM模型进一步细分植被部分：草类与树种；同时将不透水区域划分为建筑区域与路面区域等子类别。

在细致划分阴影物体之前，在对阴影体进行一次更为精确的分类时（此处需特别注意避免重复使用相同的表达方式），我们采用了5作为划分尺度，并以此方法来降低不同类型阴影表面间的差异程度。随后依据nDSM理论将阴影体划分为高低两类；通过NDVI指数以及与邻近物体的空间关系分析这一过程，则使得我们可以更准确地区分出高类中的遮挡建筑与遮挡植物区两类区域；而低类则被划分为遮挡地面与遮挡植被区两类区域。

4.精度评估

基于分辨率可达0.3米的空间直射图像作为基准数据集，在遥感影像解译任务中对分类效果进行定量评估。通过分层随机采样策略获取测试样本，并选取了共计300个测试点，在此基础上对各类别均至少分配了50个测试样本。随后构建误差矩阵表，并计算分类系统的总体准确率、用户准确率及生产者准确率等关键指标参数；同时运用Kappa统计方法进一步评估分类系统的整体判别能力。

三、结果与讨论

采用方法一的分类正确率为90.7%，整体Kappa统计值为0.872，在表一中可观察到用户与生产者分类准确率均在86.8%-93.6%区间内。OBIA方法通过激光雷达数据实现了城市土地覆盖的有效分类。相比之下，在仅依赖像素信息的方法 [9]的研究显示其准确性显著提升。此外，在仅利用多光谱图像的情况下 [11]的研究显示其准确性显著提升。相较于被动多光谱遥感而言 LiDAR系统具有显著优势即LiDAR是一种主动遥感技术这使得其生成的数字高程模型 DSM 能够有效规避阴影干扰并且研究表明阴影对城市地区高空间分辨率影像的影响较为显著[2]

总体分类精度不如基于方法1、方法2（如表2所示）。基于方法1的精度不仅与城市土地覆盖分类、激光雷达数据相结合，并且在多光谱图像以及现有的GIS集成层[4],[6]之间有着紧密的关系。这些结果表明，在采用基于对象的分类方法时，激光雷达数据本身可能成为一个非常有用的数据资源，并被用来实现精确的城市土地覆盖制图。

在城市土地覆盖分类中应用激光雷达数据也存在一定的局限性。当利用激光雷达数据进行城市土地覆盖分类时，通常需要将激光雷达点云数据转换为栅格层进行处理，在此过程中会产生较大的计算负担。值得注意的是，在将激光雷达点插值到栅格层的过程中可能会引入一些不确定因素，这可能会影响后续的城市土地覆盖分类效果。例如根据精度评估结果表明铺好的人行道等被草地包围的小块路面常被错误归类为草地这一现象可能是由于使用自然邻居方法对采样点进行插值生成了光栅层强度这一过程倾向于构建一个平滑的表面造成的同样的问题还体现在建筑物旁边的树冠有时会被错误地归类为建筑物建筑物边缘也可能被误判为树木此外由于激光脉冲无法穿透密集树冠因此基于强度差异特征的分类方法可能导致建筑物与树木之间的误分情况发生

四、摘要和结论

本研究主要采用基于对象的技术框架展开分析与实验设计。具体而言，在光雷达数据处理方面主要聚焦于其应用潜力与技术优势。研究表明，在城市土地覆盖分类任务中，通过融合激光雷达的高程和强度信息能够显著提升分类精度与制图效果。对比实验表明，在仅依赖多光谱遥感影像的基础上引入激光雷达数据不仅能够有效补充空间细节信息而且显著提升了整体制图效果的准确度与完整性。值得注意的是该研究方法的优势在于能够自动提取不同尺度的城市特征进而为大规模地图制作奠定基础；此外通过整合激光雷达数字高程模型（nDSM）与其强度属性不仅能够实现对复杂地形环境的有效响应而且为后续精确制图提供了理论依据

致谢

作者衷心感谢同行评审专家们在准确性评估与格式编辑方面提供的专业意见和具体支持。

参考文献

[1] 周伟和特里（W.Troy），采用基于对象的方法用于分析和表征城市景观 parcel level 的研究方法在《国际遥感》期刊上发表于2008年5月的第29卷第3期中（第3119至3135页）。 [2] 周伟、黄 Greg 和特里（A.Troy）以及李明（M.L）

W. Zhou 等人（Zhou et al., 2009）提出了一种基于物体的土地覆盖分类方法，在高分辨率遥感图像中对阴影区域进行了详细分析，并与现有技术进行了对比研究。该研究发表于Remote Sensing and Environment期刊中

[3] D. Lu, S. Hetrick, and E. Morgan, “Land cover classification in a complex urban-rural landscape with Quickbird imagery,” Photogram. Eng. Remote Sens., vol. 76, pp. 1159–1168, Oct. 2010.

S.W.MacFaden及其合著者J.P.M.O'Neil-Dunne、A.R.Royar、J.W.T.Lu和A.G.Rundle在《应用遥感学报》中发表文章"基于物体的图像分析的高分辨率树冠覆盖测绘——利用激光雷达技术"，卷号6期号1-23页码 Sep 2012。

Kun Zhang, Jianhua Yan, and Sunghoon C. Chen (Sung Chul Chen) [S], "Automated generation of building footprints from airborne LIDAR data," IEEE Transactions on Geoscience and Remote Sensing, vol. 44, no. 9, pp. 2523–2533, September 2006.

[6] J. P. M. O’Neil-Dunne, S. W. MacFaden, A. R. Royar, and K. C. Pelletier, “An object-based system for LiDAR data fusion and feature extraction,” Geocarto Int., pp. 1–16, Jun. 2012.

[7] Jens Højlund Im, Lars Rees Jensen, and Mark Eilert Hodgson,
"An object-oriented approach to land cover classification using high density of LiDAR data,"
GISci.Remote Sens., vol.\ 45,\ pp.\ 209–!–!–!–!–!–!–!–!–!–!-
Apr.\ 2008.

Antonarakis等（Antonarakis et al.)与Richards等（Richards et al.)等人合著的一篇题为《采用基于物体的目标分类方法利用空中LiDAR进行植被覆盖分类》的文章发表于Remote Sensing Journal中。该研究详细描述了利用高分辨率空中激光雷达数据进行植被覆盖分类的方法，并通过大量样方验证了其有效性与可靠性

Ahmed El-Shahaby and Nabil El-Ashni presented "Extraction of land cover information from laser scanning data" at the Proceedings of the XXII ISPRS Conference on Archives of Photogrammetry, Remote Sensing, and Spatial Information Science (Archives), Volume XXXIX-B7 held in Melbourne, Australia from August to September 2012 (page 25).

T. Blaschke's research on Object-oriented image analysis techniques in the context of remote sensing has been published in the Journal of photogrammetry and remote sensing in January 2010, volume 65

该研究由Nathaniel Thomas、Cody Hendrix以及Ralph G. Congalton团队共同完成，并在《摄影测量与遥感》期刊中发表。该研究比较了利用高分辨率数字图像进行城市制图的方法，并评估了其在不同场景下的应用效果。