影像分割是面向对象的影像分析的基础与关键。边界特征是影像分析中除光谱、纹理、几何特征外的重要信息。精确的分割是解决土地利用对象边界准确性的基础。普通影像分割只考虑基元自身的光谱、形状和纹理等内在的特征,忽略了对基元边界特征的分析和运用,导致分割的边界定位精度较低、分割结果过于细碎及整体性不强等现象。而高精度地表覆盖数据优化影像分割方法将高精度地表覆盖数据先验成果的边界约束融入多尺度分割中,解决分割对象边界精度低等问题,得到同质性和异质性较高的影像对象,从而使分割后影像对象与实际地物一致性更高,较好地避免了破碎图斑与偏大图斑的产生,成为面向对象的土地利用分类的基础与关键。本文利用高精度的地表覆盖数据和分形网络演化算法[10]对遥感影像进行分割,并且借助ESP工具和归一化最大最小面积指数(normalizeddifference max and min area index, NDAI)[15]获取地物的全局最优分割尺度参数。具体方法,首先,将地表覆盖矢量数据和遥感影像配准套合,仅依据地表覆盖数据对遥感影像进行分割,获得基于地表覆盖矢量数据边界信息约束下的影像图斑;然后,基于分形网络演化算法的原理,依据ESP获取的分割参数设置尺度参数进行细分割,生成子像斑;最后,分割结果评价运用NDAI来衡量,选择NDAI最大值所对应的分割尺度作为最优尺度参数),得到同质性和异质性较高的影像对象,从而使分割后影像对象边界精度提高,与实际地物边界吻合程度更高。多尺度分割的全局最优参数指通过该参数一次性分割能够取得尽可能最佳的效果,多尺度分割后的全局最优必须使得其能较准确分割出最大尺度范围内的地物,因此使得分割后生成的影像对象层中的最大对象面积和最小对象面积的差异最大化。归一化最大最小面积指数是由周勇兵提出,指分割后所有对象的最大面积和最小面积的差值除以分割后所有对象的最大面积和最小面积的总和。影像对象间归一化最大最小面积指数越大,说明对象之间分离性高,计算公式如式(1)所示。
2.3 高精度地表覆盖数据优化影像分割的土地利用信息提取
2.3.1 特征选取方法及依据
采用分离阈值(separability and thresholds, SEaTH)算法[19]对土地利用分类的影像特征进行选择,减少特征冗余。该算法是目前具有代表性的基于对象特征的优化方法,既能获取类别间的最佳分离特征,还可以计算出对象特征的最适宜分类阈值,并且执行效率高。该算法针对高分辨率信息冗余等缺点,遴选出有效识别分类目标的特征集,从而提高分类模型效率和精度。