基于SVM的資源三號測繪衛星影像多特征分類

范雪婷，史照良，劉 波

（1.江蘇省基礎地理信息中心，江蘇 南京 210013；2.江蘇省測繪地理信息局，江蘇 南京210013）

基于SVM的資源三號測繪衛星影像多特征分類

范雪婷1，史照良2，劉 波1

（1.江蘇省基礎地理信息中心，江蘇 南京 210013；2.江蘇省測繪地理信息局，江蘇 南京210013）

針對傳統分類方法精度不高、感興趣目標分類不理想等缺陷，采用多特征組合的支持向量機影像分類方法，利用顏色矩、顏色集和灰度共生矩陣進行特征提取，總體精度、Kappa系數和混淆矩陣作為評價指標對單一特征、組合特征的不同分類結果進行分析。實驗結果表明，該方法有效地解決了單數據源分類不完整、精度低等問題，對高維輸入向量具有較高的推廣力。

支持向量機；多特征；資源三號；分類

遙感數字圖像計算機識別與分類是遙感圖像處理中的一個重要課題[1]。隨著遙感技術發展，遙感圖像數據日益增多，人工目視解譯方法已無法滿足遙感圖像的分類要求，計算機自動識別、分類提供了更加準確有效的分類結果[2]。2010年12月，李克強副總理作出“深入貫徹落實科學發展觀，加強基礎測繪和地理國情監測”重要批示，加之我國第一顆自主的民用高分辨率立體測繪衛星資源三號（ZY-3）發射成功[3]，因此如何借助ZY-3測繪衛星影像獲取地理國情監測對象，盡可能減少多種干擾因素對其分類產生的負面影響，不斷提高分類的精度和智能化水平[4,5]，是地理國情監測遇到的技術難題，同時也是遙感影像識別與分類中一個重要課題。支持向量機（SVM）由Bosoer、Guyon和Vapnik等提出[6]，作為一種最新的也是最有效的統計學習方法，已成為模式識別與機器學習領域一個新的研究熱點。SVM適用于解決小樣本、非線性、高維數據和局部極小等實際問題，因其學習效率高、穩定和具有相對較高的精度而得到廣泛應用，較最小距離和最大似然等傳統經典方法具有一定的優勢，例如，基于SVM進行遙感影像分類[7]，利用SVM提取空間特征進行遙感影像分類[8]。目前已提出的分類方法中，大多采用逐點分類方法且只利用單一特征。大量文獻指出，單一特征在某些應用中不如多特征組合提取的圖像信息完整，在特征提取上，不同算法得到的圖像信息具有一定的互補性，通過特征組合形成的分類器能獲得好的分類效果。因此，提出了基于SVM多特征組合的遙感影像分類方法。

1 特征提取

1.1 顏色矩

顏色矩是一種非常簡單而有效的顏色特征，由Stricker和Orengo提出[9]。該方法利用線性代數中矩的概念，將圖像中的顏色分布用矩表示。由于顏色信息主要集中在低階矩中，因此僅采用一階矩（Mean）、二階矩（Variance）和三階矩（Skewness）就足以表達圖像的顏色分布。與顏色直方圖不同，利用顏色矩進行圖像描述無需量化圖像特征。顏色的3個低次矩的數學定義如下：

式中，Ei、σi和si分別表示圖像第i顏色通道一階矩、二階矩和三階矩；pij表示圖像第i顏色通道分量中第j 個像素的灰度值；N表示圖像總像素個數。

這樣，圖像就可以用顏色矩特征向量，一個9維直方圖向量來表征，即圖像的顏色矩可表示為{ER，σR，sR，EG，σG，sG，EB，σB，sB}。

1.2 顏色集

HSV顏色空間直接對應于人眼視覺特性3要素：色調H（Hue）、飽和度S（Saturation）和亮度V（Value），比RGB空間更直觀，更符合人的視覺特性。

顏色直方圖計算簡單、快速，是較為常用的一種顏色特征，然而直接在顏色三維空間中進行計算，無論是計算時間還是存儲空間，成本都非常高。Smith和Chang提出用顏色集作為顏色直方圖的一種近似[10]，首先將圖像RGB顏色空間轉化為HSV空間，在HSV空間中進行特征提取，由于人眼對H值較敏感，對S、V值的感知較弱，因此將HSV 3個分量按照人的顏色感知進行非等間隔的量化，將圖像量化為一個72階的直方圖。

按照人的視覺分辨能力，把色調H空間量化為8份，飽和度S和亮度V空間各量化為3份，具體非等間隔量化模型為：

依據量化級，將3個顏色分量轉化為一維特征矢量：

式中，Hij、Sij、Vij分別表示圖像像素點（i，j）的H、S、V值；G的取值范圍為0～71。

1.3 灰度共生矩陣

灰度共生矩陣反映圖像中任意兩點之間灰度的空間相關性，是一種有效的紋理描述方法，是分析圖像局部模式和排列規則的基礎[11]。1973年Haralick研究了圖像紋理中灰度級的空間依賴關系，提出灰度共生矩陣的紋理描述方法，其實質是從圖像中灰度為i的像素（其位置為（i，j））出發，統計與其距離為d、灰度為j的像素（x+Δx，y+Δy）同時出現的次數p（x，i，d，θ），數學表達式為：

式（6）中，x, y=0,1,2,…,N-1表示圖像中的像素坐標；i， j=0，1，2，…，k-1表示灰度級；Δx，Δy表示位置偏移量；d為灰度共生矩陣步長；θ為生成方向，取0°、45°、90°、135° 四個方向，從而生成4個不同方向的灰度共生矩陣。實驗中d的取值為5，k的取值為16。

Haralick等人由灰度共生矩陣提取了14種特征，其中最常用的有角度方向二階矩ASM（angular second moment）、主對角線慣性矩CON（contrast）、逆差矩IDM（inverse different moment）、熵ENT（entropy）以及自相關COR（correlation）5種二階統計量，計算公式分別為：

式（11）中，

2 SVM

2.1 SVM理論基礎

SVM的原理是用分離超平面作為分離訓練數據的線性函數，解決非線性分類問題。其最優分類形式為尋找一個分類超平面，使兩類無錯誤地分開，且分類間隔最大。數學描述為：在條件約束下，求函數的極小值。

通過求對偶問題，將其歸結為一個二次函數極值問題，即在約束條件下，求解函數的最大值。

得到的最優分類判別函數為：

式中，K（xi· xj）為核函數，有線性核、多項式核、RBF核（Gaussian徑向基核）等多種形式。

2.2 SVM多類分類器

SVM是一個二分類器，如何將SVM應用于多分類問題，現主要有以下兩種方法：①一對多分類器，即對于n類問題，構造n個2類SVM分類器。將多個分類面的參數求解合并到一個最優化問題中，通過一次求解該最優化問題實現多類分類。②一對一分類器，即對于n類問題，構造n個2類SVM分類器。每個分類器只用于識別其中2個類別，并將它們的判別結果以投票方式組合起來，得票最多的類為樣本所屬的類。對于這兩種方法，第一種方法在求解最優化問題過程中所需變量遠多于第二種，且訓練速度較慢，分類精度也比較差。本文采用一對一分類器進行影像分類。

2.3 SVM分類器參數選擇

不同形式的核函數，生成不同形式的SVM，同時對應著不同的分類最優超平面。Vapnik等人的研究表明，SVM的性能與所選用的核函數的類型關系不大，核函數的參數和誤差懲罰因子C是影響SVM性能的主要因素。RBF核在低維、高維、小樣本、大樣本等情況下均表現出較好的學習能力，因此這里選用RBF核作為本實驗的核函數。懲罰系數參數C和間隔γ的取值直接影響分類精度。本文采用一種基于交叉驗證的網格搜尋的方法來確定C和γ的值。

3 實驗與分析

3.1 實驗數據

實驗數據采用2012-03-24安徽省滁州市的資源三號測繪衛星影像，截取其中涵蓋地物類別較為全面且適中的1幅影像進行分析（圖1），其大小為824行×971列，分辨率為5.8 m。采用交叉比對算法確定SVM模型最佳參數為C=2、γ=0.5。

3.2 樣本選擇

圖1 原始影像圖

樣本選擇充分考慮了各類別的光譜、紋理特征、邊界特性及分布均勻性等原則，實驗中，樣本選擇類別及數量分別為：建筑物C1=33；植被C2=40；道路C3=73；水體C4=29，占實驗區數據樣本總量的7.3%。

3.3 實驗結果與分析

在Microsoft Windows7操作系統下，基于VS2008和LibSVM3.7集成開發環境編寫了算法實驗程序。實驗中用于訓練和測試的樣本數據集在輸入SVM 前，先進行歸一化處理，統一縮放到[-1, 1]之間，以避免大特征值淹沒小特征值對分類的貢獻；然后將歸一化處理的單一特征或組合多特征作為輸入數據進行學習和訓練，形成不同的SVM預測模型；再利用SVM 模型對測試樣本進行分類。分類結果精度評價，采用最常用的混淆矩陣，結合總體精度和Kappa系數指標進行評價。

為了驗證多特征組合的SVM遙感影像分類的有效性，分別從單一顏色矩特征、單一顏色集特征、單一GLCM特征、顏色矩和GLCM組合特征、顏色集和GLCM組合特征與顏色矩、顏色集和GLCM組合特征等方面進行實驗。相關實驗結果為：①表1列出了不同特征組合的SVM分類結果，從總體精度和Kappa系數可以直觀看出不同特征數組組合的分類結果；②圖 2給出了顏色矩、顏色集與GLCM特征組合的遙感影像分類結果；③為進一步說明各類別的分類精度，表2列出了顏色矩、顏色集與GLCM特征組合的SVM分類結果混淆矩陣。

表1 不同特征組合的遙感影像分類結果

表2 顏色矩、顏色集與GLCM組合特征分類結果混淆矩陣

綜合上述實驗結果分析如下：

1）基于SVM利用單一光譜、紋理特征進行分類，分類精度都達到了80%以上，顯示出SVM在小樣本分類中的優越性。顏色和紋理特征組合描述更多的遙感圖像信息，分類準確率高于單一特征，分類精度基本在90%以上。

2）從圖像定性分析和精度結果表的定量分析來看，結合光譜和紋理的SVM分類方法對復雜、高維輸入向量具有更高的推廣能力。

3）對于單一地物，紋理特征在豐富紋理結構地物上具有顯著影響，如建筑區等；而光譜特征在亮度、顏色較為豐富的地物上表現出一定的優勢。小范圍水域由于水面光譜差異大，且基本無紋理結構，準確分類較為困難。

圖2 顏色矩、顏色集與GLCM組合特征分類結果

4 結 語

通過光譜、紋理特征的提取，研究了基于單一特征和多種特征組合的SVM分類方法在資源三號測繪衛星影像分類中的應用，并利用總體精度、Kappa系數和混淆矩陣比較了各種基于不同特征的SVM 算法的分類效果。從實驗結果的定性和定量分析，利用多特征組合的SVM分類方法較單一特征具有較高的分類精度，滿足資源三號測繪衛星影像的地物分類調查要求，具有很高的實用和推廣價值。

[1] 梅安新, 彭望祿, 秦其明, 等.遙感導論[M].北京:高等教育出版社,2001

[2] 湯國安, 張友順, 劉詠梅,等.遙感數字圖像處理[M].北京:科學出版社,2004

[3] 唐新明, 張過, 祝小勇,等.資源三號測繪衛星三線陣成像幾何模型構建與精度初步驗證[J].測繪學報,2012,41(2) : 191-198

[4] 蘇偉, 李京, 陳云浩,等.基于多尺度影像分割的面向對象城市土地覆被分類研究——以馬來西亞吉隆坡市城市中心區為例[J].遙感學報, 2007, 11(4):521-530

[5] 陳杰, 鄧敏, 肖鵬峰，等.基于分水嶺變換與空間聚類的高分辨率遙感影像面向對象分類[J].遙感技術與應, 2010, 25(5):597-603

[6] Vapnik V N. The Nature of Statistical Learning Theory[M].Beijing: Tsinghua University Press, 2000

[7] 胡自申, 張遷.基于SVM的遙感影像的分類[J].遙感信息, 2003(2): 14-18

[8] 駱劍承, 周成虎, 梁怡, 等.支撐向量機及其遙感影像空間特征提取和分類的應用研究[J].遙感學報, 2002,6(1):50-55

[9] Stricker M,Orengo M.Similarity of Color Images[A].Niblack W, Jain R C. Storage and Retrieval for Image and Video Databases Ⅲ[C].SPIE,1995

[10] Smith J R,Chang S F.Tools and Techniques for Color Image Retrieval[A]. Sethi I K, Jain R C. Storage and Retrieval for StillImage and Video DataBase Ⅳ[C]. SPIE,1996

[11] Tuceryan M, Jain A K. Texture Analysis, Handbook Pattern Recognition and Computer Vision[M]. Singapore: World Scientific, 1993

P237.4

B

1672-4623（2015）04-0023-04

10.3969/j.issn.1672-4623.2015.04.009

范雪婷，碩士，研究方向為地理國情監測及InSAR。

2014-07-21。

項目來源：精密工程與工業測量國家測繪地理信息局重點實驗室開放基金資助項目（PF2012-9）；江蘇省科技基礎設施建設計劃—科技公共服務平臺項目（BM2013066）。