基于ICA面向對象的耕地信息提取

歐陽濤　劉振華　肖北生

摘要：對高分一號衛星影像的波段進行獨立成分分析轉換（ICA），分析耕地在轉換后影像的波段特征、紋理特征以及空間特征，再使用面向對象的方法提取耕地。相對于主成分轉換的面向對象分類后的精度，經過獨立成分分析能夠有效消除波段之間的二階甚至是高階相關，經其變換的各分量之間也能保持相互獨立。主成分轉換的面向對象整體精度為72.50%，κ系數是0.675 4。獨立成分轉換波段的面向對象提取耕地的方法整體精度達87.01%，κ系數是0.846 3。提取耕地的制圖者精度平均達89.25%，用戶精度平均達85.09%。說明將預處理的波段進行獨立成分分析轉換，能夠更加有效地提取耕地類型，是一種有效、可行的提取方法。

關鍵詞：面向對象方法；獨立成分分析轉換；耕地資源；信息提取

中圖分類號： P237 文獻標志碼： A 文章編號：1002-1302（2016）07-0372-05

耕地資源是人類賴以生存和發展的物質基礎，快速、準確地提取耕地信息對耕地動態監測、耕地保護以及土地資源利用程度分析等具有重要意義。傳統的遙感分類以單個像素為研究對象，僅根據光譜特征信息進行分類，這樣的分類會導致遙感影像中同物異譜、異物同譜現象普遍存在，使得地物分類的精度降低。隨著遙感衛星的迅猛發展，高空間分辨率影像為高精度地物分類提供了可能。然而高分辨率影像在提高空間分辨率的同時，也增強了耕地的內部差異性，使得耕地覆蓋的光譜表現呈現多樣性，加大了耕地準確提取的難度[1]。因此，對原始波段進行某種有效轉換，使用轉換后影像中的紋理、空間、光譜特征，采取面向對象方法進行分類，能更有效地提高提取耕地精度。面向對象（object-oriented）是指采用多尺度分割法則，獲得每個影像對象的地物特征（包括光譜特征、幾何結構特征、紋理特征、語義關系），并以影像對象為信息提取的基本單元而非影像單個像素，實現地物類別的自動提取[2]。鄧勁松等將比值植被指數RVI和歸一化植被指數NDVI作為新的波段，融入到SPOT5影像中，在增加有效信息量的同時，利用簡單的決策樹模型提取耕地信息，結果表明，該方法能夠在快速、準確地提取植被信息的基礎上，進一步區分旱地和水田，并且去除容易混淆的園地[3]。邵蔚等以陜西省榆林市某區域作為研究區，針對QuickBird影像，基于面向對象分類的思想建立了土地利用分類規則集，分別在3個分割尺度上獲取耕地、旱地、水澆地[4]。東啟亮等將Landsat TM影像和SPOT5影像進行獨立成分分析和主成分分析，處理后的影像進行濕地提取，提取濕地的整體精度和κ系數都有一定程度提高[5]。面向對象信息提取方法有2個關鍵問題：第一是如何合理選擇影像分割算法與最佳分割參數，選擇不同的參數和算法將會影響信息提取的精度，大多數試驗選擇參數時采用重復試驗方法；第二是對象特征選取和分類規則的建立[6-9]。本研究引入獨立分量分析方法（ICA），獲取對象特征，建立規則數據庫，提取耕地信息，并對分類后的結果進行精度檢驗，探討ICA方法對耕地提取精度的影響，旨在解決高分辨率中提取耕地信息的問題。

1 數據來源與預處理

本研究所用的遙感數據為高分一號衛星獲取的2013年12月8 m多光譜影像和2 m全色影像數據。多光譜影像包含4個波段：藍波段-b1（450～520 nm）、綠波段-b2（520～590 nm）、紅波段-b3（630～690 nm）、近紅外波段-b4（770～890 nm）。全色波段波長450～900 nm。將影像進行輻射定標、大氣校正，利用DEM文件和影像的RPC文件進行正射校正以及Gram-Schmidt融合。對融合后的影像進行裁剪，裁剪的研究區域為3.34 km×4.46 km，融合后的空間分辨率為2 m（圖1）。

2 方法

2.1 獨立成分轉換

獨立成分分析方法（independent component analysis，ICA）基本思想是用一組獨立的基函數來表示一系列隨機變量，算法如下：設N個波段的高光譜數據的觀測信號為X=（x1，x2，…，xN）T，每個觀測信號是m個獨立的、非高斯分布的源信號S=（s1，s2，…，sM）T的線性組合，即X=AS，其中A=（αij）N·M為未知的混合矩陣[10]。ICA變換就是在混合矩陣A和獨立成分S未知的情況下，根據觀測數據X確定分離矩陣W=（w1，w2，…，wM）T，使得變換后的輸出S*=A+X=WX是對S的最優估計。基于互信息最小化信息理論，采用負熵度量準

則作為判斷向量相互獨立的標準，其表達式為：

2.2 面向對象分類法

本研究采用面向對象的特征提取方法，該方法通過一定的分割算法，對遙感影像進行分割，生成任意尺度下內部特征信息類似的影像分割對象，運用模糊邏輯方法獲得每個影像對象的特征信息，以影像對象為特征提取基本單元，在特征空間中進行對象識別，完成地物信息提取[11]。依據相鄰像元的特征值（光譜、紋理、顏色等），采用合適的算法分割影像，使得分割對象內特征呈一致性，對象間特征呈差異性。分割后的碎片稱為“對象”，與現實世界的對象是一一對應的，這是選擇分割尺度的重要依據[12]。本研究采用基于邊界分割算法，不僅運算速度快，而且只需要1個參數（分割尺度），這種算法依靠抑制弱邊界，可達到多尺度分割的結果。分割尺度屬于空間范疇概念，是一種無量綱化表達。分割尺度范圍在0～100之間，分割尺度越小，分割數量對象越多；分割尺度越大，分割數量對象越少。影像分割時，為了保證將興趣對象不分割到其他對象中，不可避免會將興趣對象分割成多個小對象，所以，采用Full Lambda-Schedule算法[13]合并那些由于分割尺度選擇不當而造成的破碎對象，達到分割影像初始目標的目的，從而提高分割對象的精度。Full Lambda-Schedule算法迭代合并相鄰基于空間和光譜的信息。合并發生在1對相鄰的地區，例如合并值小于一個λ閾值。Full Lambda-Schedule算法公式為：

式中：Oi指圖像的區域i；|Oi|指圖像區域i的面積；ui是區域i的平均值；uj是區域j的平均值；‖ui-uj‖是區域i和j之間的光譜值的歐幾里德距離；length[（Oi，Oj）]是和的共同部分的邊長。

合并尺度范圍在0～100之間，合并尺度越大，越多的分割對象進行合并，合并尺度越小，越少的分割對象進行合并。根據具體的地物特征以及地物信息特點來選擇合適的分割尺度、合并尺度進行分割。圖像分割對象后，針對感興趣的地物類型，采集地物類型的光譜特征、空間特征、紋理特征，逐步建立各種規則，提取遙感影像中的地物信息進行圖像分類。

3 結果與分析

3.1 ICA轉換結果

利用ICA對遙感圖像進行變換，得到一組相互獨立的成分圖像，在這些成分圖像上，各種相關信息得到很好的分離。將轉換后的波段IC3賦予紅色，IC2賦予綠色，IC1賦予藍色。ICA轉換后的研究區域如圖2所示。各種典型地物均值在轉換波段后研究區域的具體統計值如表1所示，ICA統計曲線如圖3所示。

從表1可知，可以利用各種典型地物在IC波段中的差異來設定閾值進行分類，例如水體等。但是，有些典型地物在IC波段的均值非常接近，僅僅依靠IC波段的光譜特征仍然無法分類出耕地等其他地物。因此，本研究同時運用IC波段中的紋理特征以及空間特征、NDVI值等影像信息，用面向對象的方法進行分割分類，提取耕地。

3.2 ICA轉換波段的面向對象分類法的規則

從表1可知，水體、道路等非耕地IC波段紋理、空間等特征都與耕地有相互的重疊區域。因此，直接提取耕地將會包含這些非耕地的信息，降低分類精度。應先提取非耕地波段以及空間特征等明顯典型地物，用掩膜去除這些地物，在未分類影像中繼續提取其他地物。如果地物面積較大，且紋理清晰則分割尺度可以稍大，分割數量越小，合并尺度稍大，合并數量越多，地物更為集中。每次提取一個地物，建立掩膜，從未分類的影像中依次提取水體、道路、居民點、林地等。

3.2.1 水體的提取規則 水體主要是以湖泊、水庫等形式來進行呈現，面積較大，紋理分布較均勻，NDVI值明顯較小。經過反復試驗，本研究選擇的提取水體規則如表2所示。

3.2.2 道路的提取規則 提取水體后，把提取出來的水體建立掩膜文件，在未分類的影像中繼續提取其他地物。道路主要橫穿林地、建筑物、農田等，空間特征較突出，長度較長。經過反復試驗，選擇的提取道路規則如表3所示。

3.2.3 居民點的提取規則 居民點在每個光譜的亮度值幾乎一樣，矩形的長寬比比較突出。經過反復試驗，選擇的提取居民點規則如表4所示。

3.2.4 林地的提取規則 林地的NDVI值較大，而且面積較大，光譜特征非常明顯。經過反復試驗，選擇的提取林地規則如表5所示。

3.2.5 耕地的提取規則 耕地主要分為旱地、水澆地以及水田。在預處理后的4個波段中，這3種耕地類別的光譜特征非常接近，所以進行了ICA轉換。在IC波段設置規則，分類前4個地物類別，在未分類影像中繼續進行分類。 旱地分布較為零散，分類規則較多，使用的是經過獨立成分轉換后的波段，IC1、IC2、IC3、IC4指經過獨立成分轉換后的4個波段，同理TEXTURE（ICi）指第i個波段的紋理信息。經過反復試驗，選擇的提取旱地規則如表6所示。

同理，分類旱地之后，提取水澆地。由于研究區域水澆地面積小，而且分布較為集中，因此使用紋理信息、緊湊度、NDVI 值，建立的規則多次使用空間特征的緊湊度。經過反復試驗，選擇的提取水澆地規則如表7所示。

分類水澆地之后，未分類的影像中絕大部分都是水田。水田的紋理較為清晰，主要分布在道路附近。經過反復試驗，選擇的提取水田規則如表8所示。

3.3 面向對象分類法的結果圖

本研究首先選擇了主成分分析轉換波段且使用面向對象方法進行分類，經過ICA轉換后，使用面向對象方法得出分類圖。主成分分析轉換和ICA轉換的面向對象法分類結果見圖3、圖4。

對主成分分析轉換的面向對象法分類圖和ICA轉換波段的面向對象法分類圖進行精度評價。選取一樣的隨機樣本點作為檢驗樣本，分別評價這2種分類方法的精度，這2種方法的混淆矩陣如表9、表10所示。

由表9、表10可知，經過主成分分析轉換的面向對象方法整體精度只有72.50%，κ系數為0.675 4。ICA轉換波段的面向對象方法提取整體精度達87.01%，κ系數是0.846 3。將預處理后波段ICA轉換后進行分類，相比于經過主成分分析轉換的面向對象方法，各種典型地物精度都得到了顯著提高。其中，在旱地、水田、水澆地上，經過主成分分析轉換的面向對象方法的制圖者精度分別為70.53%、74.80%、7495%，用戶精度分別為76.99%、77.85%、72.32%。ICA方法的制圖者精度分別為90.18%、88.74%、88.83%；用戶精度分別為88.64%、86.66%、79.88%。這說明基于ICA轉換波段的面向對象方法提取方法是可行的，可以有效提取旱地、水田、水澆地等地類的精度。

4 結論與討論

獨立成分分析方法（ICA）基于高階統計信息，不但可以去除波段之間的相關性，而且可以得到各分量之間相互獨立的特性，增強不同地類之間的可分離性，ICA轉換波段處理的高分影像變得更加清晰，圖像信息損失少，其對高分影像耕地信息提取的總體精度和κ系數都大于經過主成分分析轉換的面向對象方法，能夠高精度提取耕地信息、提高分類精度。本研究利用ICA轉換波段，提取了紋理信息、光譜信息和空間特征緊湊度，并結合NDVI值，建立了規則知識庫，獲取的規則知識庫比主成分分析轉換后獲取的規則知識庫更優，分類結果更為合理。本研究逐步提取地物類別，仍然會把部分地物信息錯誤地進行分類，例如道路和居民點信息以及水田與旱地的信息較為接近，較容易混淆。此外，需根據大量的重復性試驗和花費大量的時間來獲取閾值，因此，后續研究中應選取更為有效、簡便的方法。

參考文獻：

[1]孫家波.基于知識的高分辨率遙感影像耕地自動提取技術研究[D]. 北京：中國農業大學，2014.

[2]Hay G J，Marceau D J，Dubé P，et al. A multiscale framework for landscape analysis：object-specific analysis and upscaling[J]. Landscape Ecology，2001，16（6）：471-490.

[3]鄧勁松，王 珂，沈掌泉，等. 基于特征波段的SPOT-5衛星影像耕地信息自動提取的方法研究[J]. 農業工程學報，2004，20（6）：145-148.

[4]邵 蔚，張友靜，王玲玲，等. 土地利用分類規則集的構建與應用研究[J]. 遙感信息，2012（1）：88-94.

[5]東啟亮，林 輝，孫 華，等. 獨立分量分析與主成分分析方法的濕地遙感分類精度對比——以西洞庭湖濕地為例[J]. 濕地科學，2014，12（3）：332-339.

[6]別 強，何 磊，趙傳燕. 基于影像融合和面向對象技術的植被信息提取研究[J]. 遙感技術與應用，2014，29（1）：164-171.

[7]朱超洪，劉 勇. 基于影像認知和地學理解的面向對象分類研究[J]. 遙感技術與應用，2012，27（4）：536-541.

[8]Dronova I，Gong P，Nicholas E，et al. Landscape analysis of wetland plant functional types：the effects of image segmentation scale，vegetation classes and classification methods[J]. Remote Sensing of Environment，2012，127：357-369.

[9]郭亞鴿，于信芳，江 東，等. 面向對象的森林植被圖像識別分類方法[J]. 地球信息科學學報，2012，14（4）：514-522.

[10]葛山運. 基于MNF、PCA與ICA結合的高光譜數據特征提取方法[J]. 城市勘測，2013（2）：103-106.

[11]黃慧萍，吳炳方，李苗苗，等. 高分辨率影像城市綠地快速提取技術與應用[J]. 遙感學報，2004，8（1）：68-74.

[12]王新軍，武紅旗，盛建東，等. 面向對象的高分辨率影像耕地信息提取[J]. 新疆農業科學，2012，49（2）：371-378.

[13]Robinson D J，Redding N J，Crisp D J. Implementation of a fast algorithm for segmenting SAR imagery[R]. Scientific and Technical Report，2002.