基于ENVI的高分辨率遙感圖像土地利用分類方法研究

王勝男++汪西原

摘要：本文針對傳統(tǒng)的分類方法僅使用光譜信息特征提取高分辨率遙感影像地物信息時存在的各種缺陷。利用聯(lián)合影像中光譜、紋理、幾何特性等多特征的面向?qū)ο蠓诸惙ǎ瑢ι綎|省威海市部分沿海地區(qū)土地利用進行分類研究。并且與傳統(tǒng)的監(jiān)督分類法對比分析，驗證了面向?qū)ο蠓诸惙▽Ω叻直媛蔬b感影像分類的適用性及高精準(zhǔn)性。

關(guān)鍵詞：高分辨率 遙感影像分類 監(jiān)督分類法 面向?qū)ο蠓诸惙?/p>

中圖分類號：TP751 文獻標(biāo)識碼：A 文章編號：1007-9416（2016）10-0105-02

土地利用很大程度上決定著人類的生產(chǎn)和生活，同時人類活動也改變著土地利用類型的分布和屬性。隨著海洋資源的進一步開發(fā)，沿海地區(qū)作為開發(fā)海洋基地的作用愈顯重要。因此，科學(xué)地進行土地利用分類，有助于考察島陸土地利用狀況，滿足調(diào)查研究以及制圖的需要，也有利于合理制定沿海地區(qū)的經(jīng)濟建設(shè)，可持續(xù)地開發(fā)和使用海洋資源[1]。

遙感技術(shù)是一種信息時代的產(chǎn)物和工具，具有周期動態(tài)性、信息量豐富、獲取效率高等優(yōu)勢。隨著遙感技術(shù)的日益成熟，圖像質(zhì)量如空間分辨率和光譜分辨率得到很大提高。高分辨率遙感影像有著傳統(tǒng)的遙感影像不存在的特點，如空間分辨率高、時間分辨率高、信息量大、所包含的地物的幾何和紋理信息更加明顯、能提取地物三維信息等特點[2]。針對高分辨率遙感圖像所具有的特性，本文采用監(jiān)督分類法及面向?qū)ο蠓诸惙▽ρ芯繀^(qū)土地利用情況進行監(jiān)測及分類分析。

1 數(shù)據(jù)準(zhǔn)備與處理

1.1 實驗數(shù)據(jù)概況及實驗數(shù)據(jù)的處理

實驗數(shù)據(jù)選取在山東省威海市部分沿海地區(qū)，本文采用的數(shù)據(jù)源為高分一號（GF1）遙感影像，空間分辨率為2m，已完成輻射校正和幾何粗校正基本處理。圖1是經(jīng)過2%線性拉伸后的圖像。

1.2 遙感圖像分類

地物在多光譜圖像上的亮度體現(xiàn)了地物的光譜特征，不同地物在同一波段上的亮度值不同，同時在各個波段圖像上亮度的呈現(xiàn)規(guī)律也不相同。因此，可以通過亮度特征的提取，對特征空間的劃分，達到區(qū)分不同地物的目的，進而得到圖像分類的結(jié)果。遙感圖像分類就是利用計算機對遙感影像中各類地物的光譜信息和空間信息進行分析、識別，選取特征，將圖像中每個像元按照某種規(guī)則或算法劃分為不同類別，最后得到遙感影像與實際地物的對應(yīng)信息，從而實現(xiàn)的遙感影像分類。ENVI中基于光譜分類的方法有非監(jiān)督分類和監(jiān)督分類。

1.2.1 非監(jiān)督分類

非監(jiān)督分類，又稱聚類分析，它無需訓(xùn)練樣本，是計算機以圖像的統(tǒng)計特征為根據(jù)進行的自動分類。ENVI軟件執(zhí)行非監(jiān)督分類時，人為控制地將地物類數(shù)定義為多于目標(biāo)類數(shù)的值，分類之后通過參照原始影像進行目視解譯將部分類別進行刪除或合并，最終得到分類結(jié)果，常用循環(huán)集群法和K-均值聚類法。由于非監(jiān)督分類存在不能確定類別屬性的特點，監(jiān)督分類法應(yīng)用更加廣泛。

1.2.2 監(jiān)督分類

監(jiān)督分類，又稱訓(xùn)練分類法，利用已知樣本的像元特征去識別未知類別的像元所屬類別。ENVI分類中，分析者首先選取圖像每種地物的訓(xùn)練區(qū)，計算機計算每種訓(xùn)練區(qū)的統(tǒng)計信息，進行像元和訓(xùn)練樣本的對比分析，按照多種不同規(guī)則將其歸類到最相似的訓(xùn)練樣本中。目前常用的監(jiān)督分類法有平行六面體、馬氏距離、最小距離和最大似然。同時基于統(tǒng)計模式識別技術(shù)的分類法如支持向量機和模糊分類應(yīng)用也較多。

針對實驗區(qū)特點和原始數(shù)據(jù)圖像的土地利用實際情況，把GF1遙感圖像中定義為6種土地利用類別：沙灘、裸地/道路、林地、耕地、居民地、水體。文中用到：最小距離，最大似然，支持向量機監(jiān)督分類器對研究區(qū)進行土地利用分類。為了最終的結(jié)果精度評價，文中所有分類器采用統(tǒng)一樣本。表1為訓(xùn)練樣本的可分離度計算。可分離度的值大于1.8時說明各類樣本可分離性較好。

分類后對原始分類圖像進行聚類、過濾、去除后處理工作，并采用總體分類精度、Kappa系數(shù)評定分類精度，發(fā)現(xiàn)支持向量機分類精度最高。圖2-1至圖2-3為3種方法分類處理后結(jié)果圖像。

1.3 面向?qū)ο蠓诸愌芯?/p>

鑒于高分辨率影像的光譜信息并不特別豐富，且有光譜相互影響及“同物異譜，同譜異物”的現(xiàn)象，面向?qū)ο蠓诸惙☉?yīng)運而生。面向?qū)ο笫且环N智能化的自動影像分析法，它的分析單元不是單個像素，而是整個目標(biāo)對象[3]。特征的定義和分類均是基于目標(biāo)進行的。經(jīng)過研究實驗表明，此分類法更適用中高分辨率，多光譜和全色影像。面向?qū)ο蠓诸惲鞒虉D如圖3所示。

1.3.1 多尺度影象分割

面向?qū)ο蠖喑叨确指顣r，選取的尺度會影響生成對象的大小、數(shù)量及信息提取的精度。高尺度分割時，生成較少的圖斑，圖斑的面積較大；反之亦然。文中采用Feature Extraction對影像進行基于樣本的分割，使用邊緣的分割法，采用影像臨近像素的紋理、顏色等信息檢測圖像邊緣，同時選定最合適的參數(shù)值，分割閾值為60.0，合并參數(shù)值為85.0。

1.3.2 基于樣本的圖像分類

經(jīng)過分割與合并后，進行樣本的選擇以及樣本屬性的設(shè)置。本文選取光譜、形狀與紋理特征，色彩空間和波段比值等特征用于之后的監(jiān)督分類。使用最近鄰分類器，它需選擇訓(xùn)練區(qū)樣本，能更好的處理多維特征空間的聯(lián)系。面向?qū)ο蠓诸惤Y(jié)果及樣本選取如圖4所示。

2 分類精度評價

遙感圖像進行分類后，常用混淆矩陣對分類結(jié)果精度進行評價。根據(jù)混淆矩陣能夠計算出總體精度和Kappa系數(shù)。Kappa系數(shù)避免了混淆矩陣中像元類別的微小變動導(dǎo)致其百分比變化的缺點，能夠評價整個分類圖的精度。Kappa分析的評價指標(biāo)為K統(tǒng)計[4]，公式為：

式中：是用于精度評價的像元總數(shù)；是誤差矩陣中的總列數(shù)；是誤差矩陣中第正確分類的數(shù)目；和是第行與第列像元總數(shù)。表2為各分類方法分類精度對比。

3 結(jié)語

本文利用ENVI軟件采用監(jiān)督分類和面向?qū)ο蠓诸惖葐畏诸惼鲗ρ芯繀^(qū)的GF1影像進行了土地利用分類。從分類結(jié)果及精度評價指標(biāo)得出：最小距離，最大似然分類器在分類過程中出現(xiàn)居民地與裸地、水體與裸地、沙灘與居民地的誤分現(xiàn)象；支持向量機分類器存在裸地與水體的誤分現(xiàn)象；基于面向?qū)ο蟮姆诸惥茸詈茫e分誤分現(xiàn)象最小。

針對傳統(tǒng)的基于像素統(tǒng)計特征分類方法存在的種種不足，面向?qū)ο蟮姆诸惙椒ǔ浞掷糜跋竦匚锏墓庾V、幾何、結(jié)構(gòu)和高分辨率遙感影像豐富的空間信息，使高分辨率遙感影像自動識別與提取的精度得到極大提高。因而，面向?qū)ο蠓诸惙ㄖ档眠M一步推廣和研究。

參考文獻

[1]付佳，黃海軍，楊曦光.基于 ENVI的唐山灣三島土地利用遙感分類方法的比較分析[J].海洋科學(xué)，2014，38（1）：20-26.

[2]黃海軍，程新文，李柏鵬等.基于ENVI的高分辨率遙感圖像應(yīng)用實驗研究[J].地理空間信息，2007，5（3）：41-43.

[3]孫曉霞，張繼賢，劉正軍.利用面向?qū)ο蟮姆诸惙椒◤腎KONOS全色影像中提取河流和道路[J].測繪科學(xué)，2006，31（1）：62-63.

[4]段新成.基于BP人工神經(jīng)網(wǎng)絡(luò)的土地利用分類遙感研究[D].北京：中國地質(zhì)大學(xué)，2008：49-50.

[5]徐靈，侯小風(fēng).基于區(qū)域生長的遙感影像河流提取[J].測繪與空間地理信息，2015，38（3）：198-200.

[6]閆琰，董秀蘭，李燕.基于ENVI 的遙感圖像監(jiān)督分類方法比較研究[J].北京測繪，2011，3（3）：14-16.

收稿日期：2016-09-09

*國家自然科學(xué)基金項目（41561087）：多源遙感影像的分層特征信息提取與寧夏生態(tài)環(huán)境地物目標(biāo)分類識別。

作者簡介：王勝男（1990—），女，漢族，河南商丘人，寧夏大學(xué)研究生，現(xiàn)從事遙感圖像處理研究；汪西原（1964—），女，漢族，陜西西安人，教授/碩

士研究生導(dǎo)師，主研領(lǐng)域：信號處理與檢測技術(shù)，現(xiàn)代通信理論與系統(tǒng)。