高分辨率遙感影像零星植被的自動提取

江維薇

（1.武漢大學(xué) 測繪學(xué)院，湖北 武漢430079）

高分辨率遙感影像零星植被的自動提取

江維薇1

（1.武漢大學(xué) 測繪學(xué)院，湖北 武漢430079）

針對零星植被面積較小，分布零散，邊界模糊，像元混合嚴(yán)重導(dǎo)致特征相對不足的問題，基于視覺注意理論，提出了零星植被的分類新特征，并結(jié)合FART理論提出了自動提取零星植被的方法。分別選取高分辨率真彩色和近紅外的零星植被圖像數(shù)據(jù)進行實驗，并與易康面向?qū)ο蠓椒ǖ慕Y(jié)果進行了對比。實驗結(jié)果證明，該方法對于零星植被的提取精度更高，適用范圍更廣，特別是對于真彩色影像，具有較大優(yōu)勢。

零星植被；生物視覺；分類特征；視覺注意；模糊自適應(yīng)共振理論

利用高分辨率遙感影像進行植被覆蓋提取是目前遙感影像分類研究的熱點之一。隨著遙感影像分辨率的提高，一些在中低分辨率下不可見的零星植被在高分辨率遙感影像上可能具有影像特征，能夠被觀測到，因而零星植被的提取十分必要，且直接影響遙感監(jiān)測結(jié)果的準(zhǔn)確性。零星植被通常為單株、小簇或狹長植被，在影像上通常面積較小、分布零散、與其他地物交錯、像元混合嚴(yán)重、邊界模糊。相對于大面積分布的植被，零星植被由于面積較小，統(tǒng)計特征很難有效提取和利用，空間特征和光譜特征也相對不足，零星植被的特征提取尤為困難。如果沒有細(xì)致充分地提取分類特征，算法很難得到好的分類結(jié)果[1]。通常，植被覆蓋提取都是利用原始特征計算各種植被指數(shù)作為有效的分類特征[2]，真彩色影像沒有紅外波段，植被指數(shù)無法很好地發(fā)揮作用，能夠利用的有效植被特征更少。本文基于生物視覺前注意階段初級視覺特征的感知原理，對原始特征進行加工，提取了零星植被的分類新特征；再結(jié)合改進的模糊自適應(yīng)共振網(wǎng)絡(luò)，自動采集植被樣本完成分類；并通過與易康[3]分類結(jié)果的對比證明了該方法的有效性。

1 零星植被生物視覺分類新特征

視覺注意是心理活動對于一定對象的指向和集中。視覺系統(tǒng)對初級視覺特征（如顏色、亮度、方向、尺寸、形狀等）的感知發(fā)生在視覺注意的前注意階段，多通道并行自動處理，不受意識控制[4]。本文基于Itti視覺注意模型[5]的前注意階段初級視覺特征感知機制尋找并提取能夠有效區(qū)分植被與其他地物的植被分類新特征，分別對真彩色遙感影像和近紅外遙感影像進行了討論。圖1a拍攝于2009年10月26日的克里馬內(nèi)，分辨率為0.5 m，圖中植被為單株、小簇的零星植被，面積較小，分布零散，與其他地物交錯。圖1b拍攝于2001年武漢市，含有近紅外、紅、綠3個波段，分辨率為1.0 m，圖中植被為城區(qū)零星植被，多成單株、小簇或狹長分布，與房屋、道路等交錯，像元混合較嚴(yán)重，邊緣較模糊。

圖1 實驗原圖

1.1 真彩色遙感影像的零星植被生物視覺分類特征

Itti基于Stephen 的“Color-Double-Opponent”拮抗色系統(tǒng)[6]，利用金字塔影像模擬感受野的中心—周邊競爭機制，提出了拮抗顏色特征，能夠?qū)⒋蟛糠至阈侵脖慌c其他地物區(qū)分開。受拮抗顏色特征圖的啟發(fā)，本文通過計算亮度在HIS空間和YUV空間的顯著性差異得到亮度顯著性差分特征；通過在HLS空間中計算飽和度和其直方圖均衡化之間的顯著性差異得到飽和度顯著性差分特征。

金字塔計算0～5級，對每級金字塔分別計算各特征對F0和F1，如亮度特征F0=(red+green+blue)/3，F(xiàn)1=

0.229red+0.587green+0.114blue。然后計算中心周邊差，中心尺度取c={0,1,2}，s表示周邊尺度，取s=c+tem，tem={2,3}：最后對各中心周邊差得到的結(jié)果進行歸一化融合：

由圖2可見，亮度顯著性差分特征和飽和度顯著性差分特征對植被和其他地物區(qū)分明顯，且與生物視覺拮抗顏色特征互為補充，如圖中紅線所圈的屋頂?shù)确侵脖粎^(qū)域在拮抗顏色特征圖和亮度顯著性差分特征圖中與植被混淆，而在飽和度顯著性差分特征圖中得以區(qū)分，藍線所圈的非植被區(qū)域在拮抗顏色特征圖中無法區(qū)分而在亮度顯著性差分特征和飽和度顯著性差分特征圖中被區(qū)分。

圖2 特征圖對比

1.2 近紅外遙感影像的零星植被生物視覺分類特征

Itti拮抗顏色特征的提取對于紅、綠、藍3個波段的依賴性較高，對于一些缺乏藍波段的近紅外影像使用受到限制。基于此，本文對Itti注意模型中計算拮抗色提取顏色特征的方法進行了改進，通過計算每兩個波段間的差值來計算各波段組合的顯著性差異，從而提取到能有效區(qū)分植被的生物視覺新光譜特征。

金字塔影像的計算，中心周邊尺度的選擇同§1.1，對每級金字塔分別計算各特征對F0和F1，這里二者對應(yīng)不同波段組合，如F0=NIR，F(xiàn)1=R；然后根據(jù)式（1）計算各特征對應(yīng)的中心周邊差；最后利用式（2）對各特征分別進行歸一化融合，得到3個生物視覺新光譜特征（圖3）。由圖3可見，新光譜特征能夠較明顯地區(qū)分植被與其他地物。

本文基于生物視覺提取的新光譜特征，通過任兩 個波段之間的組合，拓展了原始拮抗顏色特征的計算，使生物視覺光譜特征計算能很好地適用于近紅外影像，且與植被指數(shù)相比，更加充分地利用了各波段光譜信息。通過不同尺度間的中心—周邊操作，將植被的鄰域信息考慮在內(nèi)，利用視覺注意提取的顯著性光譜特征更大化地挖掘了圖像信息。

圖3 生物視覺新光譜特征

2 模糊自適應(yīng)共振理論原理

模糊自適應(yīng)共振理論（FART）具有人類視覺的某些特性，可以處理模糊信息，能實時自學(xué)習(xí)、自動將注意集中到已學(xué)習(xí)過的樣本、自動確定樣本類別數(shù)等。本文實驗主要利用了一種改進的FART算法[7]。FART在處理樣本數(shù)較大的分類問題時，連接權(quán)向量的各個分量在經(jīng)過一定數(shù)量的輸入樣本訓(xùn)練后，其值就不再發(fā)生變化或只有極微小的變化，出現(xiàn)“飽和”現(xiàn)象，改進算法將原來權(quán)向量的修正算法變?yōu)閃J

t+1=WJ

t+β (I-WJt)，當(dāng)I≤WJ

t時，WJ總是朝著值減小的方向變化，因此最終WJt+1能逼近I。當(dāng)I≥WJ

t時，WJ總是朝著值增大的方向變化，因此最終WJt+1也能逼近I。兩個矢量相似性測度的計算可看作一種模糊隸屬度的計算，因此用隸屬度函數(shù)代替原來的相似性測度。具體選取高斯隸屬度函數(shù)作為計算樣本與模式類相似程度的測度公式。

式中，||·||為歐式范數(shù)；σJ為高斯隸屬度函數(shù)的寬度。

用式（3）計算輸入樣本與模式類的相似度具有很好的逼近性能，可大大提高分類能力和對環(huán)境的適應(yīng)性。

3 基于生物視覺分類新特征和FART的植被提取

本文植被提取基本流程如圖4所示。第一部分為自動采集樣本訓(xùn)練網(wǎng)絡(luò)的過程。首先計算植被的生物視覺特征，由于本文提出的新特征具有較高的植被分離能力，對其進行簡單的閾值分割可得到植被粗樣本；再輸入到FART網(wǎng)絡(luò)進行分類，僅保留分到像素數(shù)最多的一個類別即為植被，剔除其他類別，并更新網(wǎng)絡(luò)，更新后的網(wǎng)絡(luò)僅記憶了植被類的特征。第二部分是利用只有植被類記憶的FART網(wǎng)絡(luò)對原始圖像進行分類，提取植被。

圖4 本文方法流程圖

4 實驗與結(jié)果分析

4.1 實驗一

以真彩色遙感影像圖1a為例。參數(shù)設(shè)置如下：亮度顯著性差分特征圖閾值為0.97，提取植被粗樣本。第一部分FART網(wǎng)絡(luò)警戒線參數(shù)ρ=0.73，高斯隸屬度函數(shù)的寬度σj=0.28，學(xué)習(xí)率參數(shù)β=1；第二部分FART警戒線參數(shù)ρ=0.86，類別數(shù)為1。

圖5 實驗結(jié)果對比及精度評定

通過對實驗原圖零星植被進行隨機采樣（圖5d）來統(tǒng)計零星植被提取結(jié)果的誤分和漏分情況，漏分率是對采樣像素的漏分?jǐn)?shù)量與總體采樣數(shù)量的比值，誤分率是結(jié)果中誤分的像素數(shù)量與提取到的植被像素總數(shù)的比值。根據(jù)計算，F(xiàn)ART提取結(jié)果中（圖5a），零星植被漏分率為12.29%，誤分率為38.36%，總體精度為74.68%；改進的FART提取結(jié)果中（圖5b），零星植被漏分率為4.83%，誤分率為9.18%，總體精度為93.00%；易康提取結(jié)果中（圖5c），零星植被漏分率為3.28%，誤分率為21.66%，總體精度為87.53%。改進后的FART網(wǎng)絡(luò)分類精度大幅提高，說明改進算法的有效性。從與易康的對比可知，對于圖1a，本文漏分率與易康相當(dāng)，誤分率遠低于易康，整體提取精度明顯優(yōu)于易康。

4.2 實驗二

以近紅外遙感影像圖1b為例，參數(shù)設(shè)置如下：近紅外波段和紅波段組合的生物視覺新光譜特征閾值為0.6，提取植被粗樣本。第一部分FART網(wǎng)絡(luò)學(xué)習(xí)率參數(shù)β=1，高斯隸屬度函數(shù)的寬度σj=0.28，警戒線參數(shù)ρ=0.15；第二部分警戒線參數(shù)ρ=0.31，類別數(shù)為1。

圖6 近紅外影像零星植被提取實驗

通過對實驗圖像進行零星植被隨機采樣（圖6c）來統(tǒng)計零星植被提取結(jié)果的誤分和漏分情況，本文方法提取結(jié)果中（圖6a），零星植被漏分率為2.06%，誤分率為0.13%，總體精度為98.91%；易康提取結(jié)果中（圖 6b），零星植被漏分率為4.00%，誤分率為0.05%，總體精度為97.98%。由此可見，對于圖1b，本文方法除了少量的誤分像素，對于零星植被的提取更加完整，總體精度高于易康。

5 結(jié) 語

本文基于生物視覺注意理論，針對高分辨率遙感影像提出了零星植被的分類新特征，并結(jié)合FART理論，提出了一種樣本自動采集的零星植被分類方法，提高了分類的自動化程度。從與易康軟件面向?qū)ο筇崛》椒ǖ膶Ρ葘嶒灴芍疚姆椒▽τ诹阈侵脖坏奶崛「油暾雀撸m用范圍更廣，在缺乏近紅外波段的情況下，依然能夠有效提取零星植被。

[1] Landgrebe D A. Multispectral Land Sensing： Where from, Where to? [J]. IEEE Transactions on Geoscience and Remote Sensing,2005,43(3)：414-421

[2] 張海霞,卞正富.遙感影像植被信息提取方法研究及思考[J].地理空間信息,2007,5(6)：65-67

[3] 宋楊,李長輝,林鴻.面向?qū)ο蟮膃Cognition遙感影像分類識別技術(shù)應(yīng)用[J].地理空間信息,2012,10(2)：64-66

[4] Treisman A M,Gelade G. A Feature Integration Theory of Attention[J].Cognitive Psychology,1980,12(1)：97-136

[5] Itti L, Koch C, Niebur E.A Model of Saliency-based Visual Attention for Rapid Scene Analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1998,20(11)：1 254-1 259

[6] Engel S, ZHANG X M, Wandell B. Colour Turning in Human Visual Cortex Measured with Functional Magnetic Resonance Imaging[J].Nature,1997,388(6)：68-71

[7] 劉宇紅,劉橋,任強.基于改進的模糊ART的語音信號端點檢測與切分[J].系統(tǒng)工程與電子技術(shù),2004,26(8)：1 151-1 154

[8] 陽春花,趙禮劍,胡吉林.高分遙感在隧道地表環(huán)境監(jiān)測中的應(yīng)用[J].地理空間信息,2015,13(4)：32-34

[9] 洪亮,汪洋,陳翠嬋,等.地表覆蓋和地理國情要素成果質(zhì)檢的探討[J].地理空間信息,2015,13(3)：6-8

P237

：B

：1672-4623（2016）11-0006-03

10.3969/j.issn.1672-4623.2016.11.003

江維薇，博士研究生，主要從事遙感圖像處理與應(yīng)用研究。

2015-08-28。

項目來源：精密工程與工業(yè)測量國家測繪地理信息局重點實驗室開放基金資助項目（PF2012-11）；中部城市圈協(xié)調(diào)用地決策的信息支撐技術(shù)研究資助項目（201411001）。