基于最大似然法的釣魚島航空遙感監(jiān)視監(jiān)測(cè)信息提取

徐文斌，林寧，盧文虎，岳昂

（1.國(guó)家海洋信息中心 天津 300171；2.天津師范大學(xué) 天津 300387）

隨著國(guó)家海島監(jiān)視監(jiān)測(cè)系統(tǒng)的不斷完善，其已積累了大量我國(guó)海島高精度航空影像資料。為深入挖掘影像所蘊(yùn)含的海島信息，有必要深入開(kāi)展影像分析歸類。本文利用2012年5月地面分辨率0.1 m的釣魚島航空遙感圖像作為數(shù)據(jù)源，基于最大似然法對(duì)釣魚島進(jìn)行影像分類，旨在為海島航空監(jiān)視監(jiān)測(cè)數(shù)據(jù)的有效應(yīng)用進(jìn)行探索。

1 研究方法

1.1 監(jiān)督分類和非監(jiān)督分類

遙感影像分類可分為監(jiān)督分類和非監(jiān)督分類，監(jiān)督分類依據(jù)遙感目視解譯、實(shí)地調(diào)查地物等先驗(yàn)的類別知識(shí)對(duì)訓(xùn)練區(qū)樣本進(jìn)行標(biāo)簽化處理，非監(jiān)督分類則是對(duì)類別之間的空間屬性、光譜屬性、紋理特征進(jìn)行對(duì)比分析。影像分類主要具有以下特征：

（1）光譜特征。相異地物在同一波段上灰度值不同，相近地物在同一波段上灰度值相似，相異地物在各個(gè)波段圖像上灰度的呈現(xiàn)規(guī)律不同，這就構(gòu)成了區(qū)分不同地物的物理依據(jù)。

（2）空間特征。距離、長(zhǎng)度、面積等幾何學(xué)中的空間特征，可對(duì)單個(gè)像元進(jìn)行有效描述，也可針對(duì)多個(gè)像元進(jìn)行系統(tǒng)分析，方法較靈活（黎展榮等，2010）。

（3）紋理特征。影像中灰度的反差在一定的面域中體現(xiàn)出周期變化性特征，例如密集的林地在影像中看起來(lái)具有粗糙紋理，而平靜的水面看起來(lái)具有平滑紋理。

基于影像監(jiān)督分類，在采集訓(xùn)練區(qū)樣本時(shí)，各類地物樣本之間應(yīng)保證同質(zhì)性，同時(shí)也需要具備一定的反差變化范圍，從而確保樣本能反映出地物解譯特征。因此在實(shí)際應(yīng)用中，就需要選擇不止一個(gè)訓(xùn)練區(qū)，如果類別方差較大則很難選擇正確的訓(xùn)練區(qū)。在選擇同質(zhì)區(qū)域時(shí)，一個(gè)常見(jiàn)的問(wèn)題是，稀疏的植被區(qū)可能被分到植被類別或土壤類別。解決這種問(wèn)題的一種技術(shù)就是在建立最終類別特征之前從數(shù)據(jù)中清除這些異常的像元，保證信息準(zhǔn)確。

在進(jìn)行監(jiān)督分類前需采集樣本，即采集感興趣區(qū)域，而在使用最大似然法進(jìn)行影像分類時(shí)，樣本的選取應(yīng)呈正態(tài)分布曲線，正態(tài)分布一般會(huì)取得比較理想的數(shù)學(xué)結(jié)果。本文采用影像的頻率直方圖來(lái)檢驗(yàn)樣本光譜特性是否服從正態(tài)分布，當(dāng)樣本服從正態(tài)分布時(shí)，其頻率直方圖應(yīng)只存在一個(gè)波峰。

移民休閑制約因素包括:語(yǔ)言不通、在主流人群中感到不自在、工作疲勞、沒(méi)時(shí)間、不熟悉遷入國(guó)的生活方式以及社會(huì)隔離、歧視等［57-58］。學(xué)者［57-58］用文化同化理論解釋移民休閑制約的變化模式。Stodolska M［57］研究新遷入加拿大埃德蒙頓的波蘭移民制約因素，將制約因素分為靜態(tài)因素和動(dòng)態(tài)因素2種:一些因素如歧視、缺乏獲取資源的途徑、文化差異顯示出靜態(tài)特征;另一些制約因素會(huì)隨著同化程度的加深而減弱直至消失，如語(yǔ)言問(wèn)題、不熟悉新環(huán)境等。

1.2 最大似然分類

最大似然分類是在兩類或者多類判決當(dāng)中，用統(tǒng)計(jì)的方法根據(jù)最大似然比貝葉斯判決準(zhǔn)則法來(lái)建立非線性判別函數(shù)集而進(jìn)行分類的一種圖像分類方法，流程見(jiàn)圖1。

算法本身是通過(guò)假設(shè)遙感圖像的每個(gè)波段數(shù)據(jù)都為正態(tài)分布，每類地物數(shù)據(jù)在空間中構(gòu)成特定的點(diǎn)群，每一類的每一維數(shù)據(jù)都在自己的數(shù)軸上為正態(tài)分布。根據(jù)各類的已知數(shù)據(jù)，可以構(gòu)造出各類的概率密度函數(shù)（概率分布函數(shù)）。這種分類方法是基于貝葉斯準(zhǔn)則的分類方法，是一種非線性分類，其錯(cuò)誤概率最小，也是目前應(yīng)用較廣泛成熟的一種監(jiān)督分類方法（王增林 等，2010）。其判別函數(shù)為：

圖1 最大似然分類流程圖

式中，p（n|i）為類別i中具有特征向量n的像元概率；p（i）是類別i的先驗(yàn)概率。通過(guò)假定地物光譜特征服從正態(tài)分布，上式貝葉斯判別準(zhǔn)則可表示為：

通過(guò)取對(duì)數(shù)的形式，并去掉多余項(xiàng)，得出類別i的K維最大似然辨析函數(shù)：

計(jì)算不同類別的最大似然辨析函數(shù)，對(duì)于不同的地物類別i和j，如果有Mj（n）≤Mi（n），則將像元分配給類別i。

2 分類實(shí)驗(yàn)

2.1 研究區(qū)概況

釣魚島是釣魚島及其附屬島嶼的主島，是中國(guó)的固有領(lǐng)土，位于東海，距離浙江省溫州市約356 km、福建省福州市約385 km、臺(tái)灣省基隆市約190 km、臺(tái)灣省彭佳嶼約140 km（圖2）。釣魚島面積約3.91 km2，最高點(diǎn)約362 m，地勢(shì)北部較平坦，東南側(cè)山巖陡峭，東側(cè)巖礁頗似尖塔，中央山脈橫貫東西。釣魚島盛產(chǎn)山茶、棕櫚、仙人掌、海芙蓉及珍貴中藥材，棲息著大批海鳥(niǎo)，有“花鳥(niǎo)島”的美稱。釣魚島附近海域魚類資源豐富，是中國(guó)漁民的傳統(tǒng)漁場(chǎng)，此外還擁有豐富的石油和天然氣資源。

本次研究使用的航空影像數(shù)據(jù)（圖3）圖像清晰逼真，此時(shí)植物處于生長(zhǎng)旺盛階段，山茶花覆蓋面積較大，隨處可見(jiàn)。

圖2 釣魚島及其附屬島嶼位置示意圖

圖3 釣魚島航空遙感圖像

2.2 訓(xùn)練區(qū)樣本選擇

最大似然分類算法是將樣本區(qū)像元的統(tǒng)計(jì)特征值作為類別的統(tǒng)計(jì)特征值來(lái)構(gòu)建類別的判別函數(shù)，所以樣本區(qū)選擇是否科學(xué)合理直接關(guān)系到判別函數(shù)的正確性和最后分類的精度。選擇樣本區(qū)一般采用人工選定或利用種子像元區(qū)域增長(zhǎng)來(lái)獲得。訓(xùn)練數(shù)據(jù)必須具有代表性、完整性和分散性。為了確保樣本選擇的準(zhǔn)確，由若干名遙感解譯工作人員依據(jù)先驗(yàn)知識(shí)和基礎(chǔ)數(shù)據(jù)對(duì)航空影像進(jìn)行人工目視解譯和樣本選擇，并將釣魚島地物類型分為巖礁石、裸地、樹(shù)木、山茶花、水體五類（表1），顯示樣本區(qū)直方圖基本屬于正態(tài)分布。在ENVI軟件處理圖像時(shí)，對(duì)樣本區(qū)進(jìn)行分類統(tǒng)計(jì)分析，剔除樣本區(qū)分離度較大的樣本像元，合并相似分類類型，確保樣本之間的可分離系數(shù)達(dá)到1.9以上，實(shí)現(xiàn)最優(yōu)方案。

2.3 分類實(shí)驗(yàn)

根據(jù)樣本篩選，在ENVI軟件中執(zhí)行最大似然分類算法，得出釣魚島分類結(jié)果圖像（圖4）。

本文從生產(chǎn)精度、用戶精度、總精度和Kappa系數(shù)四個(gè)類別對(duì)釣魚島裸地、巖灘、樹(shù)木、山茶花和水體5種地物進(jìn)行精度評(píng)價(jià)。

表1 釣魚島區(qū)域圖像解譯特征

圖4 釣魚島分類圖

生產(chǎn)精度指分類器將整個(gè)圖像的像元正確分為A類的像元數(shù)（對(duì)角線值）與A類真實(shí)參考總數(shù)（混淆矩陣中A類列的總和）的比。用戶精度指正確分到A類的像元總數(shù)（對(duì)角線值）與分類器將整個(gè)圖像的像元分為A類的像元總數(shù)（混淆矩陣中A類行的總和）的比。總精度為正確分類的像元總和除以總像元數(shù)。

Kappa系數(shù)則是通過(guò)把所有真實(shí)參考的像元總數(shù)（N）乘以混淆矩陣對(duì)角線（xkk）的和，減去某一類中真實(shí)參考像元數(shù)與該類中被分類像元總數(shù)之積后，再除以像元總數(shù)的平方減去某一類中真實(shí)參考像元總數(shù)與該類中被分類像元總數(shù)之積對(duì)所有類別求和的結(jié)果。Kappa計(jì)算公式為：

根據(jù)歷年同時(shí)段遙感影像及專家目視解譯信息建立驗(yàn)證樣本并建立混淆矩陣，在ENVI軟件中運(yùn)算得出分類精度（表2）。

2.4 分類結(jié)果及后處理

信息源分類后處理是遙感影像分類的重要部分，減少噪聲和精度保持兩個(gè)相互沖突的目的是所有研究者都面臨的難題。隨著分辨率的提高，傳感器對(duì)噪聲變得更加敏感，遙感影像采集傳輸過(guò)程中產(chǎn)生的復(fù)雜噪聲等加大了去噪處理難度，對(duì)影像去噪的方法提出了更高的要求。

表2 釣魚島分類精度

由于釣魚島分類圖像元尺寸的界定，圖像上完全意義的地物像元較少，大部分為混合像元。混合像元有兩種形式，一種是圖斑邊界處形成混合像元，另一種是小圖斑以分散的方式位于背景地物之中。前者可以通過(guò)邊緣檢測(cè)等手段進(jìn)行很好地識(shí)別提取，后者則需要一種盡可能不影響分類效果的去噪方式進(jìn)行分類后處理。為了較好地反演圖像地貌，本文采用主次要分析去噪法對(duì)分類圖進(jìn)行分類后處理。

對(duì)3×3的卷積核進(jìn)行主次要分析運(yùn)算，將9個(gè)像元內(nèi)最中間像元的地物類型歸為9個(gè)像元中地物類型概率最大的像元，從而在盡可能不影響圖像分類效果的情況下，達(dá)到去噪目的。

經(jīng)過(guò)反復(fù)實(shí)驗(yàn)分析，過(guò)大的濾波會(huì)產(chǎn)生模糊，過(guò)小則濾波效應(yīng)有限。最終選定利用3×3的卷積核為一個(gè)運(yùn)算體進(jìn)行主次要分析運(yùn)算能較好去除噪聲，按照3×3卷積核模型（圖5），x為中間像元，以9個(gè)像元為一個(gè)運(yùn)算體進(jìn)行運(yùn)算。

按此方法，則可提高分類精度（圖6、表3）。

圖5 3×3卷積核模型

結(jié)果表明：

圖6 局部區(qū)域主次要分析去噪法對(duì)比圖

表3 去噪后分類精度

（1）該島生態(tài)環(huán)境較好，植被面積約2.70 km2，覆蓋率達(dá)69%。環(huán)島四周有大量巖灘，巖灘高程值較低，地勢(shì)平坦，坡度較緩，巖灘面積約0.27 km2，約占總面積的7%。近海岸線地區(qū)和植被間隙存在大片裸地，受地形地勢(shì)影響，裸地以巖石為主，道路為輔，主島東部區(qū)域巖石較多，分布均勻，西部裸地則以近海岸道路為主，裸地面積約0.94 km2，約占總面積約24%。影像拍攝正值山茶花開(kāi)花時(shí)節(jié)，島上山茶花覆蓋區(qū)域明顯，范圍較廣。

（2）裸地雖然解譯特征較明顯，但在近海岸區(qū)域和巖灘界限不易區(qū)分，受季節(jié)影響，島上植被過(guò)于茂密，遮擋部分裸地區(qū)域，影響裸地分類精度；近海岸岸邊附近巖灘和水體相連，二者解譯特征區(qū)分顯著，故分類精度較高；樹(shù)木解譯特征明顯，形狀呈區(qū)域連片，樹(shù)木相對(duì)同一區(qū)域地物長(zhǎng)勢(shì)較高，對(duì)同一區(qū)域地物表面有效覆蓋，故分類精度較高；山茶花像素范圍較小，花瓣呈粉色，花蕊呈灰白色，受到混合像元的影響較大，區(qū)分不易，精度偏低。

（3）基于最大似然分類法得出釣魚島分類圖像總精度達(dá)82.61%，由于受到同譜異物和同物異譜影響，難免影響分類精度，但總體上較好地鑒別出島嶼地物的基本類型，達(dá)到了預(yù)期效果。經(jīng)過(guò)主次要分析去噪法處理后，表2和表3對(duì)比得出，遙感分類總精度提高2.1個(gè)百分點(diǎn)，裸地、巖灘、樹(shù)木、水體等分類精度提高約1-2個(gè)百分點(diǎn)，去噪效果較為明顯，山茶花去噪效果較突出，區(qū)域明顯閉合成面圖層，噪聲減少，分類精度提升約5個(gè)百分點(diǎn)，達(dá)到了較好的去噪效果。

3 小結(jié)

本文總結(jié)了利用最大似然分類算法進(jìn)行海島監(jiān)視監(jiān)測(cè)信息提取時(shí)影響圖像分類精度的主要環(huán)節(jié)。這些環(huán)節(jié)包括地物類型的先驗(yàn)識(shí)別、樣本區(qū)選擇、分類后處理的改進(jìn)等。基于對(duì)各環(huán)節(jié)進(jìn)行深入流程化分析，有效地提高了海島監(jiān)視監(jiān)測(cè)信息提取的精度。為今后研究不同時(shí)段釣魚島區(qū)域動(dòng)態(tài)監(jiān)測(cè)提供依據(jù)，同時(shí)依托最大似然分類算法提供了一整套海島影像計(jì)算機(jī)智能化分類的流程方法，從而減少了目視解譯的工作量，提高了工作效率。

RichardJ，AspinallW，AndrewMarcus，etal， 2002.Considerations in collecting，processing，and analysing high spatial resolution hyperspectral data for environmental investigations.J Geograph Syst，（4）：15-29.

Robert A.Schowengerdt，2010.Models and Methods for Image Processing.

陳敬柱，賀瑞霞，郭恒亮，2004.最大似然法在植被信息識(shí)別提取中的應(yīng)用.水文地質(zhì)工程地質(zhì)，31（2）：94-96.

黎展榮，陳朝暉，黃國(guó)強(qiáng)，2010.高分辨率遙感影像自動(dòng)分類方法研究.廣西師范學(xué)院學(xué)報(bào)：自然科學(xué)版，27（2）：71-75.

李慶亭，張連蓬，楊鋒杰，2005.高光譜遙感圖像最大似然分類問(wèn)題及解決方法.山東科技大學(xué)學(xué)報(bào)：自然科學(xué)版，24（3）：61-64.

王增林，朱大明，2010.基于遙感影像的最大似然分類算法的探討.河南科學(xué)，28（11）：1458-1461.

胥兵，2008.遙感影像土地分類結(jié)果的矢量化研究.遙感信息，（4）：81-85.

張倩，黃昕，張良培，2012.高分辨率遙感影像的全變分分割模型.測(cè)繪科學(xué)，37（5）：81-83.