基于像元形狀指數方法的高空間分辨率遙感影像分類*

孔輝

(1.陜西省土地工程建設集團有限責任公司,陜西西安 710075;2.陜西地建土地工程技術研究院有限責任公司,陜西西安 710075;3.國土資源部退化及未利用土地整治工程重點實驗室,陜西西安 710075;4.陜西省土地整治工程技術研究中心,陜西西安 710075)

在遙感影像的空間分辨率提升越來越快,且內部能提供的空間特征也越來豐富的時候,也帶來了不少對于圖像信息,光譜分辨率質量的問題,使得在影像分類中對于精度的把握出現了很多問題。我們如何結束不同的方法來對難以通過光譜特征來描述的高分影像的紋理、形狀結構、幾何特征等物體變的至關重要。本文便是利用一種基于像元形狀指數的方法對上述所說的影響的特點進行描述,比彌補傳統光譜信息提取方法的不足。

1 像元形狀指數

像元形狀指數,簡稱為PSI(Pixel Shape Index),它是以設計原則為基礎,定義了一系列穿過中心像元的方向線,將這些方向線集合構造多維特征,即像元形狀指數,對高空間分辨率遙感影像的光譜特征進行補充。

1.1 方向線的提取

某個像元的PSI特征某種意義上講就是該像元的方向線集合的特征,因此提取PSI首先在于方向線的提取。定義方向線為由中心像元(xcenter,ycenter)出發向兩端擴展的D條夾角為πD的線段,第i條線段擴展的條件。

1.2 PSI特征的提取

在得到了任意像元 (i , j)的方向線集合,此時計算方向線集合中每條方向線的長度,得到了任意像元 ( i, j)的方向線長度序列d ( i,j )= [ d1,d2,...,dD]。根據像元的方向線長度序列。

圖1 PSI分類結果

圖2 多尺度區域特征方法分類結果

2 用于對比的特征提取方法

2.1 小波紋理特征方法

小波文理特征是一種常見的影響紋理特征提取的方法,其優勢在與在一定尺度下,能細粒度的分離細節信息,對于空間的信號變化有極強的識別能力,敏感性很高,因此,我們通常可以把小波紋理提取法視作一種在某尺度上的紋理測度。它將影像中的每個像元對應一個窗口,將小波變換的子影像的能量值作為特征向量。

2.2 多尺度特征方法

多尺度特征方法是利用一系列不同的大小的窗口進行組合,并把窗口的像元特征進行鄰域擴展,這樣的策略可以很好來模擬分類目標的識別效果,最后對于不同尺度下提取的特征進行分類和融合,得到多尺度特征分類結果。

3 實驗過程與分析

3.1 數據選擇

本實驗選取了WorldView-2衛星的拍攝數據,選取了其中高分影像的一部分,實驗中將以紅綠藍三個可見光波段的光譜值作為影像的光譜特征,大小為334×670,空間分辨率為0.5米。

3.2 PSI方法實驗

首先利用PSI方法對影像特征的提取,然后進一步將歸一化與光譜特征結合起來,輸入到支持面向向量機中得到分類結果。PSI方法分類結果精度=84.66%,如圖1所示。

從上面分類結果圖中可以直觀的看到,對以較為細的水泥道路,PSI方法很難得到正確識別,同時,PSI特征會與很多的水體特征反映出極大的差異,容易與建筑物再分類區別的時候出錯,這是該方法的一個很大的遺憾之處。

3.3 小波紋理特征方法與多尺度區域特征方法實驗

(1)小波紋理特征方法分類結果,小波紋理分類精度=73.01%。

小波文理特征方法在建筑物與 水泥道路分類提取中表現出了很高的分類精度,它采用目標對象內部像元用大的窗口,邊緣外部像元利用小的窗扣,極大的消減了噪聲現象,是別提取目標得到很好的分類結果。

(2)多尺度區域特征方法分類結果,多尺度區域特征分類精度=75.37%,如圖2所示。

從以上的分類結果不難看出,利用多尺度區域特征方法,在對于建筑物、不同色彩深淺的植被作物有了很明顯區分和較為精確的分類。因為被提取的區域特征在不同尺度下也依然是光譜特征,所以這也是改分類方法的一個嚴重的弊端。

4 實驗結論

基于像元形狀指數的高分遙感影像分類方法中,以PSI方法為主,對于幾何形狀和結構類似的目標有很好的描述區別,尤其是對于形狀比較規則的建筑物有著很強的識別能力,能夠更好的來區分光譜特征相似而幾何形狀差異較大的目標。總而言之,PSI在分類精度上獲取到了最高值,與另外的包括多尺度區域特征方法和小波紋理特征方法而言,是一種合理且有效可行的影響分類提取方法。

[1]黃昕,張良培,李翠琳.基于小波變換的影像紋理特征提取試驗[J].測繪信息與工程,2005, 30(6):7-9.

[2]陳杉,秦其明.基于小波變換的高分辨率影像紋理結構分類方法[J].地理與地理信息科學, 2003,19(3):6-9.