基于光譜特征的監(jiān)督分類方法在黃河口濕地的應用比較

馬爾侖 MA Er-lun；鄭艷楠 ZHENG Yan-nan

（①內(nèi)蒙古師范大學，呼和浩特 010022；②內(nèi)蒙古化工職業(yè)技術(shù)學院，呼和浩特 010070）

（①Inner Mongolia Normal University，Hohhot 010022，China；②Inner Mongolia Vocational College of Chemical Engineering，Hohhot 010070，China）

0 引言

在高光譜遙感研究領(lǐng)域中，對地物進行分類判別有許多手段，其中監(jiān)督分類是較為有效的手段之一。由于多種具體監(jiān)督分類方法各自基于的算法不同，所以在不同的應用領(lǐng)域會產(chǎn)生不同的分類效果。本次研究重點在于比較幾種監(jiān)督分類方法應用于濕地地貌時的效果，并嘗試找到更適用于黃河口濕地保護區(qū)的分類方法。

本文研究所用實驗數(shù)據(jù)為2012年6月1日獲取的同景黃河口濕地保護區(qū)PROBA①CHRIS影像，傳感器工作模式為模式2，視角為0°（國家海洋局第一海洋研究所）。我們對該濕地影像分別使用六種監(jiān)督分類方法進行分類操作，然后將各分類結(jié)果與標準分類影像進行混淆矩陣比對，最后分析并總結(jié)各方法在濕地應用中的地物判別效果。

1 六種監(jiān)督分類法概述

遙感圖像通常分為兩種方法，即非監(jiān)督分類和監(jiān)督分類。在沒有任何先驗類別做樣本的情況下根據(jù)像元間的相似度進行歸類合并的方法即為分監(jiān)督分類方法，包括分級集群法和動態(tài)聚類法等。而監(jiān)督分類方法則是通過在研究區(qū)域選取具有代表性的訓練場作為樣本，根據(jù)已知樣本，通過方差和像素亮度均值等特征參數(shù)的選擇建立判別函數(shù)，在對樣本像元進行分類的同時根據(jù)樣本類別的特征對非樣本像元的對數(shù)類別進行識別。選擇訓練樣本和訓練場地是進行監(jiān)督分類的關(guān)鍵，其選擇的質(zhì)量關(guān)系到分類能否取得良好的效果。本文所用六種監(jiān)督分類方法的基本算法理論如下：

①最大似然分類法：此方法建立在Bayes準則的基礎(chǔ)上[1]，且是處理圖像最常用的一種監(jiān)督分類方法，其偏重于集群分布的統(tǒng)計特性。分類原理：假設在光譜空間中，訓練樣本數(shù)據(jù)服從高斯正態(tài)分布規(guī)律，做出樣本的概率密度等值線以確定分類，計算出標本屬于各組概率后，標本歸屬概率最大的一組。

②馬氏距離分類法：此方法作為一個方向靈敏的距離分類器，由于分類時使用了統(tǒng)計信息，雖然類似于最大似然法，但是由于它假定了所有類的協(xié)方差相等，是一種較快的分類方法。

③最小距離分類法：利用訓練樣本數(shù)據(jù)在沒有先驗知識的前提下，計算出每一類均值的向量和標準差向量，該特征空間的中心位置為均值向量，計算出輸入圖像中每個像元到各類中心的距離，像元到哪一類的中心距離最小，即其歸屬哪一類。

④神經(jīng)網(wǎng)絡分類法：此方法是建立在模擬人腦神經(jīng)系統(tǒng)和功能基礎(chǔ)上的一種數(shù)據(jù)分析處理系統(tǒng)[2]。一個神經(jīng)元有多路輸入，不僅接受來自其他神經(jīng)元的信息，還經(jīng)由一條路線將反饋信息傳遞給另一個神經(jīng)元。一個神經(jīng)元通過突觸與多個神經(jīng)元相連，信號進入突觸即為輸入，通過突觸加權(quán)后，所有輸入的加權(quán)和就是所有權(quán)重輸入的總效果。神經(jīng)在該和值大于等于神經(jīng)元閾值時被激活，否則不被激活。我們可以把神經(jīng)網(wǎng)絡看成簡化了的人腦圣經(jīng)系統(tǒng)的數(shù)學模型。

⑤支持向量機分類法：于1995年由Vapnik領(lǐng)導的AT&TBell實驗室研究小組所提出[3]。在二次優(yōu)化理論、結(jié)構(gòu)風險理論和核空間理論的基礎(chǔ)上建立了此方法。由于它用事先定義的非線性變換函數(shù)集將向量映射到高維特征空間，按照支撐向量與決策曲面的空隙極大化的原則產(chǎn)生最優(yōu)超平面，然后再把高維特征空間的線性決策邊界映射到輸入空間的非線性決策邊界，因此，它提供了一個與問題維數(shù)無關(guān)的函數(shù)，且具有復雜性有意義的刻畫。

⑥二值編碼匹配分類法：根據(jù)波段值落在均值的上方或下方，把數(shù)據(jù)波普和端元波普編碼為0或1，異或邏輯函數(shù)是比較煤種編碼后的參考波普與編碼后的數(shù)據(jù)波譜，從而生成一副分類影像。

2 應用試驗

本次研究以由18個波段組成的黃河河口濕地高光譜影像作為數(shù)據(jù)源即原始的遙感圖像，經(jīng)過校正后以波段16、8、4模擬真彩色圖像合成RGB進行顯示，根據(jù)圖像的光譜特征，通過結(jié)合人工判讀與實地踏勘將影像中的地物分6類：堿蓬、檉柳、蘆葦、潮灘、黃河水體和清澈水體。然后通過繪制矩形感興趣區(qū)（ROI）進行樣本的選取，每類地物的感興趣區(qū)均用不同顏色加以區(qū)別（如圖1）。

圖1 ROI的選取

在相同ROI選取的前提下，分別使用上述六種監(jiān)督分類方法對該景影像進行分類，并記錄結(jié)果。

圖2 最小距離分類效果

圖3 馬氏距離分類效果

圖4 二值編碼匹配分類效果

圖5 最大似然分類效果

圖6 神經(jīng)網(wǎng)絡分類效果

圖7 SVM分類效果

對這六種監(jiān)督分類方法的分類結(jié)果進行直觀判別可以發(fā)現(xiàn)：神經(jīng)網(wǎng)絡、SVM和最大似然三種監(jiān)督分類方法都有不錯的效果。

為了定量地比較各個分類方法在本次實驗中的效果，我們采用ENVI中的混淆矩陣（Confusion Matrix）運算[4]來評價六個分類結(jié)果與標準分類影像②（如圖8）的差異，并繪制精度與Kappa系數(shù)表格（表1）。

圖8 標準分類影像

表1 分類精度表

3 分類結(jié)果對比分析

一般情況下，SVM與神經(jīng)網(wǎng)絡由于算法理論較優(yōu)，所以通常使用這兩種監(jiān)督分類方法的效果都不錯，這從分類效果表中也可以看出，它們的分類總體精度都達到83%以上，且Kappa系數(shù)都在0.75以上。效果明顯好于二值編碼匹配、最小距離和馬氏距離法。但本次實驗中最大似然法的效果則最為突出，總體精度與Kappa系數(shù)都高于SVM與神經(jīng)網(wǎng)絡。分析可能導致這種結(jié)果的原因：第一，通過結(jié)合實地踏勘訓練樣本（ROI）選取的非常好，病態(tài)樣本占比低。當樣本選取并不太理想的情況下，最大似然法是否能有本次實驗的良好表現(xiàn)還有待驗證；第二，本實驗所選黃河口濕地地物和植被種類相對較少，地物和植被光譜特征明顯，最大似然的算法理論可以很好的支持分類。因此，在遙感影像監(jiān)督分類的實際應用中，與本次實驗濕地地物環(huán)境相似，訓練樣本選取理想的情況下，最大似然法也不失為一種優(yōu)選策略。

注釋：

①PROBA是歐洲空間局發(fā)射的小型太陽同步軌道衛(wèi)星（2001.10.22），軌道高度 615km，傾角 97.89°，搭載緊湊式高分辨率成像分光計 (Compact High Resolution Imaging Spectrometer,CHRIS)，成像光譜范圍 400～1050nm，光譜分辨率 1.25～11.00nm，地面分辨率17/34m。CHRIS.

②通過實地踏勘并結(jié)合人工判讀所制標準分類影像.

[1]黃立賢,沈志學.高光譜遙感圖像的監(jiān)督分類[J].地理空間信息，2011,(9)5:81-83.