使用面向对象的方法在积雪遥感影像上提取城市道路——以长春市为例

使用面向对象的方法在积雪遥感影像上提取城市道路——以长春市为例

一、引言

相信好多同学小时候都做过这样一个游戏，就是拿一个硬币、一根铅笔和一张白纸，将硬币放在白纸下面用铅笔进行简单的涂写，这样硬币的轮廓就慢慢若隐若现的呈现在白纸之上。

我国的东北地区有长达四个月部分地区甚至五个月的冰冻期，一般来说大家选取遥感影像要求色彩丰富、清晰无云、最好是生长季节的，这样才能够提取到更多的地物，除非是专门研究冰雪遥感，一般来说积雪影像是很少有人使用的。
凡事都具有两面性，积雪会掩盖住一部分地物，但是同时也会显露出一部分地物，假如我们想提取城市道路，在常规的遥感影像上很难实现或者需要很复杂的算法，但是遭遇暴雪之后，为了保证城市畅通城市道路会首先被清扫，这样在积雪图像上首先被显露出来的便是城市路网。
2020年11月18-19日，我国东北地区遭遇暴风雪，尤其是长春，冻雨+暴雪导致一夜之间城市被冰封。下图分别是欧空局Sentinel-2卫星2020年11月24日和2020年11月14日拍摄的影像，暴雪之后的影像城市骨架路网非常清晰：

二、准备工作

提到积雪，可能大家首先会想到Normalized Difference Snow Index （NDSI）归一化雪盖指数：

NDSI确实可以凸显路网，可能有人会想直接用NDSI做个分割不就行了，仔细看一下NDSI其实和MNDWI是一样的，MNDWI也是使用可见光（一般是绿波段）和短波红外进行运算。但是大家将积雪图像的NDSI（上图）和非积雪图像的MNDWI（下图）进行对比会发现，积雪图像NDSI上的雪为高亮显示，这毋庸置疑，但是积雪图像NDSI的水体发黑，这与非积雪图像的MNDWI的水体高亮显示完全相反，这或许是由于水面结冰的原因导致，博主只是猜测哈，有了解的图像可以在文章里留言。

对比积雪期和非积雪期道路的光谱曲线，会发现道路在积雪图像上在B9（水汽波段）会有一个特殊的峰值，或许是因为大量抛洒融雪剂加上车辆反复通行导致路面温度较高，水汽蒸发比较明显。

由于哨兵2的B9分辨率为60米，受制于空间分辨率比较低的原因，很少有人使用，好在ESA的SNAP软件提供了一个超分辨率的工具，我们使用这个工具对2020年11月24日的数据进行处理，波段是可选的，大家想节省时间的话可以只选需要的波段。

超分辨率处理后的图像光谱多少会有损失，但是很好的保留了B9波峰这一特征：

三、提取道路

3.1 阈值

提取道路之前需要先对阈值进行估算，先进行Bandmath归一化运算，使用B2（蓝）和B9（水汽），由于博主才疏学浅没有搜到关于水汽波段相关的归一化指数名称，有了解的同学可以留言。

上图左边是原始图像，右边是B2（蓝）和B9（水汽）归一化运算的结果，从结果可以看到水体、道路还有右下角的针叶林呈现高亮显示，针叶林水汽敏感性可能和植物的蒸腾左右有关。接下来简单的做个分割，阈值的选取可以通过ROI的方法计算，在0.2-0.7阈值区间，道路、水体、针叶林基本都被选出来了，因此接下来进行面向对象提取的时候要想办法剔除水体和针叶林的干扰。

3.2 水体掩膜

水体比较好剔除，我们可以先用非积雪期的图像使用MNDWI提取出来水体，然后做一个非水体的掩膜文件：

3.3 面向对象

接下来进行重点工作，面向对象的提取，在面向对象提取之前需要先构建多源数据，因为针叶林的NDVI水平比较高，为了方便后面的剔除，构建一个包含NDVI的多源数据：

接下来打开ENVI里面基于规则的面向对象工具，输入多源数据文件后选择上一部做好的掩膜文件，这样后续运算就直接水体剔除了：

归一化指数选B2和B9（因为有B8A，所以B9对应Band10）：

本次实验分割和融合尺度选38和18效果比较好：

分割后的图像：

A.NDVI规则

建立规则。首先建立NDVI规则，即将针叶林剔除，只保留非植被区域，这次选NDVI小于0.18的为非植被区，对于权重那里可先不设定，后面规则建立完成后统一设定：

B.道路规则

新建道路规则为光谱均值，选我们使用蓝光和水汽构建的归一化指数，这次选0.2-0.7

新建道路规则为空间几何MajorLenth，这个和对象的长轴有关，因为道路一般是长的形状：

新建道路规则为空间几何延伸性Elongation，
最后本次实验一共建立了4个规则，后面设置权重系数，下图为不同权重比例系数下的提取效果预览图：

3.4 分类后处理

选其中一个权重系数的效果进行输出，然后使用分类后处理的工具进行小斑块去除：

SHP格式的结果可以导入GIS进行复杂面的消除，单独导出道路分类结果（因为分类结果中还包含一个水体MASK的字段）：

也可以使用已有的长春道路矢量对图斑进行一个反选，剔除分类中混杂的裸地休耕地的干扰：

最后的提取结果如下，很多规则和权重的设置需要反复研究才能达到最优的结果，本次就不再做深入研究了。

好了今天的介绍就到这里了，欢迎大家访问博客：