基于小波變換和SVM的OLI圖像分類方法

劉煒

摘 要 以陜西省靖邊縣2013年 8月份的Landsat 8 OLI圖像作為基礎數據源，比較最大似然法和本文提出的分類方法識別研究區10種主要地物類型的精度。首先對OLI圖像進行像素級融合處理和3層分解的小波濾波；之后對圖像進行LBV變換；依據地物間光譜特征和形態特征差異為10種地物類型選擇樣本、執行SVM監督分類和基于數學形態學開閉運算的分類后處理；選取總體分類精度和Kappa系數兩項指標，將所得分類圖與對最大似然法分類圖比較。結果顯示，本文提出的分類方法能夠降低OLI圖像分類后的椒鹽效應，分類圖的總體分類精度和Kappa系數分別為：82.75 %、0.773，較最大似然法分類結果分別提高：14.72%和16.42%。基于小波變換的SVM監督分類方法能夠較為準確的識別研究區10種主要地物類型，抑制分類后的椒鹽效應，適合用于在陜北黃土高原梁峁溝壑區解譯OLI圖像。

關鍵詞 OLI圖像；黃土高原梁峁溝壑區；椒鹽效應；小波濾波；LBV變換

中圖法分類號： TP753；P237.4 文獻標識碼： A 文章編號：

Classification of OLI Images based on Wavelet Transform and SVM

LIU Wei

（College of Information Engineering， ，Xizang Minzu University， Xianyang 712082， China）

Abstract：This research aims to seek out the most suitable method for classification of Landsat OLI multispectral remote sensing images acquired in August， 2013， by the comparison study of supervised classification based on maximum likelihood and the method proposed in this paper. There are 10 kinds of land use type in OLI images of Jingbian County. Firstly， OLI images were fused with panchromatic image and then processed by means of 3 levels wavelet filtering. Secondly， LBV transform was applied to OLI images. Thirdly， training samples set for each kind land use type were collected， and then supervised classification based on SVM ， opening-closing operation in mathematical morphology were carried out to get precise information of each kind land use type. Finally， assessing the classification results for method proposed in this paper and maximum likelihood， by overall classification accuracy and Kappa coefficient as evaluation indexes.Results show that： the overall accuracy and Kappa coefficient of classified image using the method proposed in this paper were 82.75% and 0.773， with growth of 14.72% and 16.42% compared with classification image using maximum likelihood. Meanwhile， removal of salt and pepper noise in classified images was more effective using method proposed in this paper. Higher classification accuracy and lower salt and pepper noise were obtained by the method proposed in this paper than maximum likelihood， based on OLI multispectral remote sensing images of Jingbian County in loess hilly and gully region.

Key words： OLI Images； Loess Hilly and Gully Region； Salt and Pepper Noise； Wavelet Filtering； LBV Transform

0 引言

Landsat 8 OLI圖像保持了之前Landsat 5 TM、Landsat 7 ETM+圖像的基本特征，并去除全色波段圖像的近紅外光部分（波長680—900 nm），收窄可見光/近紅外/短波紅外波段的波長范圍，以及提升各波段圖像的輻射分辨率（12位灰度量化等級）和信噪比（各波段平均提高3倍）。加之具有可以免費獲取的特點，使其更適合用于區域尺度的土地覆蓋遙感動態監測。

目前，區域尺度及以上的遙感圖像常用分類方法主要是基于最大似然法監督分類和目視解譯[1-4]。本研究前期對靖邊縣OLI圖像進行了最大似然法分類測試，由于靖邊縣地處陜北黃土高原峁梁溝壑區與毛烏素沙地東南部的交接過渡地帶，下墊面景觀格局復雜，空間異質性強烈[5-8]，致使分類圖中地物圖斑破碎、椒鹽效應顯著，且圖像分類精度較低（總體分類精度和Kappa系數分別為72.13 %、0.664），為此，本文提出基于小波變換的SVM監督分類方法，力圖在抑制椒鹽效應的同時提高圖像分類精度。該方法的特點是在對OLI圖像分類前對圖像進行3層分解的小波濾波，以濾除圖像大圖斑內部孤立分布的異類像元、細小碎斑，削弱紋理特征差異；并選用由LBV變換生成的波段作為支持向量機（SVM）分類的有效特征。本研究旨在為提高陜北黃土高原梁峁溝壑區OLI圖像的解譯精度提供一個新的切入點，研究結果可為在陜北黃土高原梁峁溝壑區開展土地覆蓋遙感動態監測提供技術支撐。

1 研究區概況、數據源與技術路線

1.1 研究區概況及數據來源

陜西省靖邊縣（108°17'15'' E—109°20'15'' E，36°58'45'' N—38°03'15'' N） 地處陜北黃土高原峁梁溝壑區與毛烏素沙地東南部的交接過渡地帶，總土地面積約4 971 km2。本縣地貌分為北部風沙灘區、中部梁峁澗區和南部丘陵溝壑區，分別約占全縣面積的1/3。靖邊縣地勢南高北低，海拔介于1 123—1 823 m之間。縣域氣候為半干旱大陸性季風氣候，境內干旱、洪澇、霜凍、風雹、山體滑坡等自然災害多發，生態環境惡劣，已被列入《京津風沙源治理二期工程規劃》。然而，靖邊縣卻富藏石油、天然氣、煤炭、巖鹽等礦產資源，是我國“西氣東輸”的重要樞紐。

本研究所用Landsat 8 OLI圖像的條帶號和行號為127/128-34，成像日期為2013年8月份。實驗前對圖像的預處理包括大氣校正、幾何精校正、剪裁及鑲嵌處理。輔助圖像分類的專題圖件有中國陸地生態系統類型空間分布數據（1：10萬，1995/2008年）、靖邊縣ASTER GDEM（V2版）、靖邊縣行政區劃圖（1：10萬）；統計資料有《陜北黃土高原植物區系地理研究》、《黃土高原植物志》、《陜西省土地利用現狀調查數據集》、《中國黃土高原常見植物圖鑒》和《2013榆林統計年鑒》等。

1.2 土地利用類型分類系統

依據“GDPJ01-2013地理國情普查內容與指標”中設置的土地利用類型分類標準，和對靖邊縣實地踏勘結果，本研究建立靖邊縣土地利用分類系統，具體如表1所示。

表1 靖邊縣土地利用類型分類系統

Tab.1 Land use classification system of Jingbian County

一級類

First type 耕地

Cultivated Land 林地

Forest Land 草地

Grassland 水域

Waters 未利用土地

Unusabel Land 居民用地

Town，Resi- dential Area 交通用地

Traffic Land

二級類Second type 灌溉澆地

Irrigable Land 灌木林地Shrubbery 沙地Desertification Land 公路

Road

旱耕地 Dry Land 有林地Woodland 荒草地 Waste Grassland

1.3 技術路線分析

技術路線如圖1所示， 對OLI多光譜圖像進行包括大氣校正、幾何精校正、剪裁及鑲嵌的預處理工作后，將其作為解譯底圖；把OLI多光譜圖像與全色波段圖像進行小波融合，提高多光譜圖像的空間分辨率至15 m；之后進行3層分解的小波濾波[9]，濾除圖像大圖斑內部的細小的異類碎斑和細微的紋理特征差異；對多光譜圖像進行LBV變換[2]，得到的波段L、B、V作為進一步分類的有效特征；輔助專題件和實地調查資料從靖邊縣OLI圖像上為待識別的10種地類選取訓練樣本，要求訓練樣本集的J-M距離和轉換離散度均大于1.960；選取支持向量機[10]作為分類器執行監督分類，分類后執行基于形態學開運算、閉運算[11]的后處理；將所得分類圖與同位置相近時相的Google earth圖像疊加，進行目視檢查[12]，選取總體分類精度和Kappa系數兩項指標定量評價分類精度；若分類精度評價合格，輸出分類圖并與最大似然法分類結果比較。若不合格，則重新選擇訓練樣本進行分類。圖2（a）-（c）分別是以R（B5）G（B6）B（B4）方式假彩色合成的OLI圖像、OLI全色波段圖像和進行小波融合后的圖像。

圖1 圖像分類技術路線

Fig.1 Technical route of image classification

（a） 多光譜圖像 （b） 全色波段圖像 （c） 融合后圖像

（a） Multi-spectral image （b） Panchromatic image （c） Fusion image

圖2 靖邊縣OLI圖像

Fig.2 OLI image of Jingbian County

2 研究方法

2.1 OLI圖像小波濾波

靖邊縣下墊面景觀破碎、空間異質性強烈。選取適度的小波分解層次，對靖邊縣OLI圖像進行小波濾波，可以在不損傷圖像中地物邊界特征的前提下濾除孤立分布的噪聲像元和細小碎斑，削弱紋理特征差異，并連接補平較大圖斑邊緣小的間斷和缺損；增強地物圖斑的光譜勻質性，從而在一定程度上抑制圖像椒鹽效應。

本研究選取Coiflet3作為小波母函數，對靖邊縣OLI圖像進行3層小波分解，采用基于小波系數軟閾值處理的濾波方法進行濾波處理。圖3對比了一處典型研究樣區OLI圖像在小波濾波前、后的差異，差異細節可見圖3（a）、圖3（b）。通過目視判讀可以發現在圖3（b）中，蘆河水及其沿岸的灌溉耕地呈條帶狀連續分布，圖斑內部很少混雜有草地、灌木林地及有林地的像元和碎斑；旱耕地、灌木林地、草地和沙地小斑內部細微的紋理特征差異也被削弱，基本呈片狀連續分布，各種地類圖斑內部的光譜特征較圖3（a）更趨向一致，椒鹽效應被削弱；并且圖像中相鄰異類地物圖斑之間的光譜特征對比卻并未較圖3（a）發聲明顯下降，圖斑邊界完整，界限清晰。

（a） 小波濾波前圖像 （b） 小波濾波后圖像

（a） Original image （b） Filtered image

圖3 典型樣區OLI圖像小波濾波

Fig.3 Wavelet filtering results of subarea in OLI image of Jingbian County

2.2 圖像LBV變換

遙感圖像監督分類，要求輸入特征少而精。LBV變換對OLI圖像的綠波段、紅波段、近紅外波段和短波外波段進行線性變換[2]，生成3個物理意義明確、互不相關的特征波段L、B和V，其中波段L反映地物的總輻射水平，用于表征地表輻射強度；波段B反映地物可見光輻射與紅外光輻射強弱的對比關系，用于表征水、水分和地表層潮濕程度；波段V反映地物輻射隨波段改變而變化的方向及速率，用于表征地表植被密度及其生長狀況。

圖4 LBV變換圖像

Fig.4 LBV transform image of Jingbian County

本文選取這3個波段作為OLI圖像分類的有效特征。圖4是基于LBV變換的假彩色合成圖像，在圖4中灌溉耕地呈高亮度綠色、灌木林地呈深紅色、有林地呈黃色、草地呈品紅色，沙地呈藍色，無定河水體呈黑色。無定河支流的水流線和公路線消除臨近植被光譜的干擾，線狀特征明顯。放大圖4判讀可以發現，水體、灌溉耕地、灌木林地、草地、沙地等地類內部像元的光譜特征同質程度高，聚合為斑塊，進一步弱化其內部的紋理特征差異，使得斑塊整體的色調、形狀突出，與相鄰的背景地類區別明顯。相較于圖3（b），顯著降低對細小線狀地物的解譯難度。

2.3 SVM分類與精度評價

通過對OLI圖像進行像素級融合、小波濾波和LBV變換等處理工作，提高對研究區10種地類的辨識效果，弱化椒鹽效應，有效降低了依據地物間光譜特征和形態特征差異，為各地類快速采集完備訓練樣本集以及進行分類后處理降低了其對應難度。本研究從LBV變換的圖像上為各地類采集訓練樣本（訓練樣本集的J-M距離和轉換離散度均大于1.960）；之后執行SVM監督分類（SVM內積核為徑向基函數，徑向基核函數的間隔σ和懲罰因子C分別取100、0.173）；在初始分類后，將分類圖與同位置相近時相的Google earth圖像疊加，勾繪出分類錯誤的圖斑予以校正；對于初始分類結果中孤立分布的噪聲碎斑以及部分大圖斑內部的細小孔洞，輔助人工選點并運用多個尺寸的結構元素模板，組合開、閉運算做為一對形態濾波器整飾初始分類結果的二值圖像，利用此操作可進一步弱化分類后的椒鹽效應。

圖5（a）、（b）分別是OLI圖像采用本文方法和最大然法的分類結果。判讀圖5（a）可以發現，在圖5（a）中旱耕地、灌溉耕地、灌木林地、草地內部沒有孤立分布的異類碎斑或像元，相對于圖5（b），圖像分類后的椒鹽效應得到有效抑制；進一步與Google earth圖像疊加分析可以發現，各地類的邊界位置基本準確，在地類邊界區錯分、漏分地類的現象較圖5（b）明顯減少。本研究從兩個分類圖中各隨機抽取670個點，逐點判讀其類別歸屬，然后選取總體分類精度和Kappa系數這2項指標評價分類精度，結果顯示圖5（a）、（b）的總體分類精度和Kappa系數分別為82.75 %、0.773，72.13 %、0.664。采用本文方法比最大似然法使總體分類精度和Kappa系數分別提高14.72%和16.42%。

（a） 本文方法分類結果 （b） 最大似然法分類結果

（a） Classification image using method proposed in this paper

（b） Classification image using maximum likelihood

圖5 圖像分類結果對比

Fig.5 Comparison of classification results

3 結束語

對靖邊縣OLI圖像直接進行最大似然法分類，分類圖中椒鹽效應突出，且分類精度偏低。為此，本文提出基于小波變換的SVM監督分類方法，該方法對OLI圖像依次進行像素級融合、小波濾波、LBV變換和基于數學形態學開閉運算操作，有效提高了地物可分性，降低為10種地類采集完備訓練樣本集和SVM分類過程的復雜性，較好的消除圖像分類后的椒鹽效應。所得的分類圖較最大似然法使總體分類精度和Kappa系數分別提高14.72%和16.42。在下一步工作中，本研究將在陜北黃土高原峁梁溝壑區其它地域進行測試，以期對本方法做出進一步改進，提高其適用性，使之更好地服務于在該區開展土地覆蓋遙感動態監測工作。

參考文獻

[1] 劉紀遠，匡文慧，張增祥，等. 20世紀80年代末以來中國土地利用變化的基本特征與空間格局[J]. 地理學報，2014，69（1）： 3-14.

[2] 曾志遠. 衛星遙感圖像計算機分類與地學應用研究[M]. 北京：科學出版社，2004.

[3] 劉曉燕，劉昌明，楊勝天，等. 基于遙感的黃土高原林草植被變化對河川徑流的影響分析[J]. 地理學報，2014，69（11）： 1595-1603.

[4] 馬彩虹，任志遠，李小燕. 黃土臺塬區土地利用轉移流及空間集聚特征分析[J]. 地理學報， 2013 ， 68 （2）： 257-267.

[5] 楊強，王濤. 榆林地區土地利用/覆蓋時空變化及其對生態脆弱性的影響[J]. 南京林業大學學報：自然科學版，2015，39（2）：79-83.

[6] 韋振鋒，任志遠，張 翀，等. 1999-2010年陜甘寧黃土高原區荒漠化空間特征[J]. 中國沙漠， 2014 ， 34（5）： 1230-1236.

[7] 張艷芳，朱 妮. 基于CASA模型的榆林碳源/匯平衡與生態盈余研究[J]. 中國農業科學，2014，46（24）： 5163-5172.

[8] 宋富強，康慕誼，鄭壯麗，等. 陜北黃土高原地區土地利用/覆被分類及驗證[J]. 農業工程學報，2011，27（3） ： 316-324.

[9] 孫延奎. 小波變換與圖像、圖形處理技術[M]. 北京：清華大學出版社.，2012.

[10] 杜培軍，譚 琨，夏俊士. 高光譜遙感影像分類與支持向量機應用研究[M]. 北京：科學出版社.，2012.

[11] 傅肅性. 遙感專題分析與地學圖譜[M]. 北京：科學出版社，2002.

[12] 賀 書，曾 潔. 基于RS和GIS的石漠化演變趨勢研究[J]. 智能計算機與應用，2013，6（3） ： 75-77.