面向高分辨率遙感影像分類的分層策略研究

曹 磊

(重慶交通大學(xué)土木工程學(xué)院 重慶 400074)

面向高分辨率遙感影像分類的分層策略研究

曹 磊

(重慶交通大學(xué)土木工程學(xué)院 重慶 400074)

近年來，隨著高分辨率衛(wèi)星影像的大量獲取，如何提高高分影像的分類精度成為目前遙感應(yīng)用的難點(diǎn)。為此，本文開展基于易康軟件的分層策略研究，利用遙感影像中豐富的光譜信息和空間信息，設(shè)計(jì)針對(duì)性的分層策略，通過易康中提供的分割和分類算法進(jìn)行信息提取，然后與未使用分層策略的分類方法進(jìn)行精度評(píng)定的對(duì)比，得出其在高分辨率影像分類信息提取上分類結(jié)果較好且分類精度較高的結(jié)果?；谝卓弟浖姆謱硬呗缘难芯渴褂茫诟叻直媛蔬b感影像分類中具有重要的現(xiàn)實(shí)意義。

高分辨率遙感影像；易康軟件；分層策略；精度分析

引言

傳統(tǒng)的遙感影像分辨率較低，遙感信息的提取與分類主要以人機(jī)交互的方式進(jìn)行，效率低下且精度不高。隨著高分辨率遙感影像應(yīng)用的日益普及，人們針對(duì)這些能在較小空間尺度觀測(cè)地物信息的影像做了很多研究，以便能更好的滿足不斷增長的高分辨率遙感影像的應(yīng)用和研究需要，同時(shí)獲得更為精細(xì)的遙感影像信息。中低分辨率的遙感影像雖然光譜信息較為豐富]4[，但是由于分辨率較低，解譯時(shí)主要以一個(gè)個(gè)的像元單位進(jìn)行，大多依靠光譜數(shù)據(jù)的組合差別來進(jìn)行分類，很少考慮要素的大小、紋理、形狀等特征，分類的效率和精度都不是很高。而易康（eCognition）面向?qū)ο蟮奶崛》椒ㄖ饕揽扛叻直媛蔬b感影像的廣泛應(yīng)用發(fā)展起來的新方法，針對(duì)的不再是像元，而是對(duì)象，同時(shí)能充分利用高分辨率影像中的幾何、紋理等特征來進(jìn)行分類提取，效率快且精度高。

面向?qū)ο蠓诸惖姆椒ㄈ找娉墒欤糜诜诸愄崛〉牡匚锾卣饕苍絹碓截S富，分割分類的算法更是多種多樣，比如易康中有關(guān)分割方法有多尺度分割、棋盤分割和四叉樹分割等，同樣有關(guān)分類的算法研究也極為豐富，當(dāng)然，不同的分類方法或者算法的使用研究肯定會(huì)使分類提取信息的精度更高，但是在面向?qū)ο蠓诸惙椒ㄈ找娉墒斓慕裉?，進(jìn)行有關(guān)遙感圖像分類中分層的進(jìn)程策略研究也尤為重要。由于使用分層策略和不使用分層策略得出的分類結(jié)果精度不一樣，不同的分類策略得出的分類結(jié)果評(píng)價(jià)精度也不一樣，所以在分類時(shí)就要求我們針對(duì)需求的目標(biāo)地物，使用優(yōu)化的分層策略，以得到更好的分類結(jié)果。

1 分層策略

1.1分層策略的原則

分層從邏輯上將子系統(tǒng)劃分成許多集合，而層間關(guān)系的形成要遵循一定的規(guī)則。通過分層，可以限制子系統(tǒng)間的依賴關(guān)系，使系統(tǒng)以更松散的方式耦合，從而更易于維護(hù)。子系統(tǒng)的分組標(biāo)準(zhǔn)包含以下幾條規(guī)則：①可見度，各子系統(tǒng)只能與同一層及其下一層的子系統(tǒng)存在依賴關(guān)系。②易變性，最上層和最下層的元素可隨著用戶需求的改變而改變，中間的模型夾層也可隨著上層復(fù)雜性的改變而改變。③通用性，一般將抽象的模型元素放置在模型的低層。如果它們不針對(duì)于具體的實(shí)施，則傾向于將其放置在中間層。分區(qū)分層的模式體系大多需要考慮這些方面，用戶組織、技能領(lǐng)域、系統(tǒng)分布、保密領(lǐng)域、可變性領(lǐng)域等。

隨著科學(xué)技術(shù)的發(fā)展，這種簡(jiǎn)便易分析的方法被人們廣泛應(yīng)用于各級(jí)學(xué)科之中，有關(guān)遙感影像的分類也不例外。針對(duì)影像越來越豐富的信息和越來越復(fù)雜的空間特征，將地物總體一層一層的分類開來，基于相同的父特征而又存在不同的子特征，比如將地物分為植被與非植被，植被再分為草地、林地等，父特征會(huì)滿足相同的植被指數(shù)的要求，而子特征又會(huì)基于不同的紋理特征或者其他特征，分類的時(shí)候直接將復(fù)雜的地物根據(jù)各種要素的自身特征簡(jiǎn)單易化了，效率高，精度也高。

1.2分層策略的設(shè)計(jì)

針對(duì)遙感影像而言，地物要素的原始屬性特征主要表現(xiàn)在其反射的光譜差異方面，除了可以直接利用地物要素在不同波段的光譜反射率來區(qū)分之外，通常還可以利用這些原始特征所衍生出來的其他屬性特征來進(jìn)行分類，這些屬性包括全局性的光譜特征統(tǒng)計(jì)變量（植被指數(shù)NDVI等）和局部區(qū)域反映出的空間屬性（包括紋理、形狀、大小、空間關(guān)系等）。

分層設(shè)計(jì)主要考慮的特征有：

①平均值（mean）：由構(gòu)成一個(gè)影像對(duì)象的所有像素的圖層值計(jì)算得到的圖層平均值。本次研究主要考慮的是影像的波段均值（Mean Nir、Mean Red等等）。

②標(biāo)準(zhǔn)差（StdDev）：由構(gòu)成一個(gè)影像對(duì)象的所有像素的圖層值計(jì)算的到的標(biāo)準(zhǔn)差。

③歸一化植被指數(shù)（NDVI）：NDVI=（p（nir）-p（red ））/（p（nir ）+p（red ）），主要用于做植被和非植被的分類。其中p（nir） 、p（red）分別代表近紅外波段和紅波段反射率。

④長度/寬度（Length/Width）：?jiǎn)蝹€(gè)像素形狀的長度寬度之比，此特征對(duì)于提取道路有明顯優(yōu)勢(shì)。

本次研究針對(duì)性設(shè)計(jì)的分層策略框架結(jié)構(gòu)如圖1所示。

圖1 分層策略框架體系及分層使用的特征信息

2 實(shí)驗(yàn)

2.1數(shù)據(jù)介紹

本次研究基于配準(zhǔn)]1[校正之后的重慶某區(qū)縣QuickBird多光譜影像和全色影像選取的實(shí)驗(yàn)區(qū)，分辨率為2.4m和0.6m，包含藍(lán)（Blue）、綠（Green）、紅（Red）、近紅（Nir）和全色（Pan）5個(gè)波段的波段信息，研究區(qū)域影像大小為800×799像元，特征信息較為豐富，經(jīng)ENVI軟件預(yù)處理之后圖像質(zhì)量較好，無云層覆蓋。影像實(shí)驗(yàn)區(qū)中大致包括水體、植被、建筑物、旱地和道路等地物信息。

2.2技術(shù)思路流程

2.3實(shí)驗(yàn)分析

基于分層和分割之后的影像，在分類時(shí)，未分層提取和分層提取均采用易康軟件所提供的最臨近法進(jìn)行分類。使用最臨近方法分類時(shí)首先要設(shè)置選用的特征信息，包括波段均值、標(biāo)準(zhǔn)差及長寬比等特征，建立類描述，然后選擇不同地物信息的樣本，最后使用分類算法進(jìn)行分類。未分層提取和分層策略提取分類結(jié)果如圖3所示。

圖2 實(shí)驗(yàn)技術(shù)思路流程圖

圖3 原始影像及分類成果對(duì)比圖

2.4 精度分析

易康針對(duì)分類提供了四種精度評(píng)價(jià)方法，主要包括：分類穩(wěn)定性（Classification Stability）、最優(yōu)分類結(jié)果概率（Best Classification Result）、基于像素的混淆矩陣（Error Matrix based on TTA Mask）、基于對(duì)象樣本的混淆矩陣(Error Matrix based on Samples)。前兩種主要針對(duì)“軟分類”，即模糊分類的方式,后兩種主要針對(duì)“硬分類”，也是我們平時(shí)最常用的混淆矩陣，差別在于一個(gè)基于TTA Mask以像素為統(tǒng)計(jì)對(duì)象進(jìn)行精度評(píng)價(jià)，另一個(gè)是基于分割對(duì)象選擇的樣本進(jìn)行精度評(píng)價(jià)。

評(píng)價(jià)的方法主要有用戶精度、生產(chǎn)者精度、總體精度和Kappa系數(shù)等，其中總體精度和Kappa系數(shù)最能反應(yīng)整個(gè)分類成果的精度，Kappa系數(shù)的計(jì)算公式具體如下：

設(shè)柵格總象元數(shù)為n，真實(shí)柵格為1的象元數(shù)為a1，為0的象元數(shù)為a0，模擬柵格為1的象元數(shù)為b1，為0的象元數(shù)為b0，兩個(gè)柵格對(duì)應(yīng)象元值相等的象元數(shù)為s，Kappa系數(shù)為k，則：

分類實(shí)驗(yàn)中的精度分析主要使用的是基于對(duì)象樣本的混淆矩陣方法，這種方法要先選取樣本點(diǎn)，一般使用的是人機(jī)交互的選取方式，然后借助易康提供的精度分析工具進(jìn)行精度評(píng)定。精度評(píng)價(jià)的最終結(jié)果如表1所示。

表1 未分層提取與分層策略提取的單一類別精度對(duì)比和總體精度對(duì)比

在單一類別精度對(duì)比中，未分層方法的漏分錯(cuò)分方面主要體現(xiàn)在水體和植被這兩個(gè)要素類上，而使用分層策略方法提取漏分錯(cuò)分方面主要體現(xiàn)在旱地和植被要素類上，總的來說，在錯(cuò)分漏分最大的要素類提取上，使用分層策略的提取精度更高，錯(cuò)分漏分的幅度更小。在Hellen精度和Short精度方面，未使用分層的提取精度最差主要集中在道路要素類上，由圖3可明顯看出，許多旱地水體等要素被錯(cuò)分為道路，道路的分類結(jié)果不理想。在條件Kappa系數(shù)方面，使用了分層策略提取的精度基本都優(yōu)于未使用分層的提取，且都保持在0.6以上。

綜合圖3和表1可知，在總體精度和Kappa系數(shù)方面，未分層提取分類結(jié)果較差，使用分層策略進(jìn)行信息提取分類的方法不管是在總體精度方面還是Kappa系數(shù)方面都明顯優(yōu)于未分層提取分類方法。

3結(jié)論

本文提出的分層策略依據(jù)不同地物的光譜特征和空間特征，在分類過程中使用分層體系優(yōu)化提取，通過未分層提取與分層策略提取的分類結(jié)果對(duì)比和精度評(píng)價(jià)對(duì)比，得出以下結(jié)論：

（1）基于高分辨率遙感圖像的地類信息概況和光譜信息、空間信息等，針對(duì)性的提出了適宜提取的分層策略，優(yōu)化了分類體系結(jié)構(gòu)。

（2）使用分層策略提取分類結(jié)果明顯優(yōu)于未分層提取分類，且總體精度和Kappa系數(shù)相對(duì)較高。

在趨向于自動(dòng)化的遙感分類解譯中，使用分層策略進(jìn)行信息提取分類會(huì)得到較高精度的分類結(jié)果，而且有關(guān)最優(yōu)分層策略的研究，不僅能快速滿足用戶的需求，同時(shí)也能得到更高的精度成果。在高分辨率遙感廣泛發(fā)展的信息化時(shí)代，基于易康的分層策略的研究勢(shì)必將在遙感分類解譯中發(fā)揮重要的作用。

[1] 鄧文斌著.遙感圖像處理方法.-北京：科學(xué)出版社，2010 (地理信息系統(tǒng)理論與應(yīng)用叢書).

[2] 任毅.面向地理國情監(jiān)測(cè)的道路和水系信息提取分析[D].重慶交通大學(xué),2014.6.

[3] 王文宇,李博等.基于eCognition高分辨率遙感圖像的自動(dòng)識(shí)別分類技術(shù).北京建筑工程學(xué)院學(xué)報(bào),2006,12.22(4).

[4] 杜鳳蘭，田慶久，夏學(xué)齊等.面向?qū)ο蟮牡匚锓诸惙ǚ治雠c評(píng)價(jià)[J]，2004,19(1)： 20-23.

[5] 黃亮，左小清，張曉曉等.面向?qū)ο蟮牡缆沸畔⒆R(shí)別提取分析[J].昆明理工大學(xué)學(xué)報(bào)：理工版,2010(6)：6-10.

G322

B

1007-6344（2017）05-0324-02