無(wú)人機(jī)高分辨率遙感影像分類方法研究?

劉啟興 景海濤 董國(guó)濤

（1.河南理工大學(xué)測(cè)繪與國(guó)土信息工程學(xué)院 焦作 454000）（2.黃河水利委員會(huì)黃河水利科學(xué)研究院水利部黃土高原水土流失過程與控制重點(diǎn)實(shí)驗(yàn)室 鄭州 450003）

1 引言

高分辨率的無(wú)人機(jī)遙感影像能夠?qū)崟r(shí)獲得感興趣區(qū)域的動(dòng)態(tài)信息，而對(duì)無(wú)人機(jī)獲得的高分辨率遙感影像進(jìn)行快速準(zhǔn)確的處理已成為滿足我國(guó)經(jīng)濟(jì)建設(shè)、應(yīng)急救災(zāi)、環(huán)境保護(hù)、突發(fā)事件處置、地質(zhì)災(zāi)害等一系列重大需求的重要技術(shù)。無(wú)人機(jī)高分辨率遙感像影像中大量精細(xì)細(xì)節(jié)的出現(xiàn)和地物光譜特征的復(fù)雜化導(dǎo)致了基于光譜統(tǒng)計(jì)特征進(jìn)行分類的傳統(tǒng)方法如極大似然法、最小距離法等分類準(zhǔn)確性降低［1］。近些年來(lái)，在無(wú)人機(jī)高分辨率遙感影像分類方面主要有兩個(gè)研究方向，一是研究新型分類器和融合多個(gè)現(xiàn)有分類器進(jìn)行圖像分類［2～3］，二是采用面向?qū)ο蟮姆诸惣夹g(shù)進(jìn)行高分辨率遙感影像分類。但前者還僅僅局限于基于像元層面，無(wú)法充分利用高分辨率遙感影像提供的豐富光譜信息、形狀和紋理特征等空間屬性信息。面向?qū)ο蟮姆诸惣夹g(shù)是當(dāng)今高分辨率遙感影像分類技術(shù)研究的熱點(diǎn)，劉偉強(qiáng)、于水等學(xué)者提出了基于馬爾可夫模型的圖像分割方法［4～5］、基于分水嶺變化的圖像分割算法以及基于邊緣提取及生長(zhǎng)的分割算法［4～5］。這些算法不僅大大提高了高分辨率遙感影像分類的質(zhì)量和速度，而且還促進(jìn)了多源GIS數(shù)據(jù)的利用和融合［6］。宮鵬等學(xué)者提出分類精度標(biāo)準(zhǔn)還沒有一個(gè)完善的定量評(píng)價(jià)體系，還存在許多問題有待解決［7～8］。目前混淆矩陣和KAPPA系數(shù)被公認(rèn)為較為合理的遙感圖像分類質(zhì)量的評(píng)價(jià)標(biāo)準(zhǔn)［9］。

2 數(shù)據(jù)源與研究方法

2.1 數(shù)據(jù)源

本研究采用的數(shù)據(jù)源是2009年5月無(wú)人機(jī)遙感平臺(tái)Sky-01C在四川漢旺鎮(zhèn)航拍得到的圖像數(shù)據(jù)，如圖1。系統(tǒng)傳感器為佳能5D Mark II全畫幅單反相機(jī)，配備35mm光圈鏡頭，有效像素為2110萬(wàn)。航拍時(shí)，航向重疊度為60%，旁向重疊度為30%，相對(duì)高度為700m，航行速度為90km/h，設(shè)定相機(jī)快門速度為1/2000，曝光時(shí)間間隔是3s，影像格式是“JPEG”，分辨率為5616×3744。

圖1 四川漢旺鎮(zhèn)無(wú)人機(jī)航拍圖

2.2 分類方法

本文在對(duì)無(wú)人機(jī)遙感影像進(jìn)行預(yù)處理的基礎(chǔ)上，使用ENVI軟件進(jìn)行艦隊(duì)分類，選擇平房、道路、瓦房、田地、樹叢、簡(jiǎn)易房、被毀房屋作為分類類別，選擇訓(xùn)練樣本并分別使用以下的分類器進(jìn)行分類。利用eCognition軟件進(jìn)行遙感圖像分割，在圖像分割基礎(chǔ)上使用ENVI軟件進(jìn)行面向?qū)ο蟮淖罱彿ǖ倪b感圖像分類。

2.2.1 極大似然分類法

極大似然比分類法，又稱貝葉斯（Bayes）分類，是經(jīng)常使用的監(jiān)督分類方法之一，而且被認(rèn)為是一種穩(wěn)定性好的分類器。它是通過求出每個(gè)像素對(duì)于各類別歸屬概率，把該像素分到歸屬概率最大的類別中去的方法。簡(jiǎn)要來(lái)說(shuō)，極大似然分類法通過計(jì)算樣本的統(tǒng)計(jì)值來(lái)得到概率密度函數(shù)值。對(duì)于未知類別像素的歸屬類別應(yīng)是取得最大的概率密度函數(shù)值的類別［10］。從總體上來(lái)看，極大似然分類是分類精度相對(duì)最高的分類器之一。

2.2.2 最小距離分類

最小距離分類法是監(jiān)督分類的方法之一。首先利用訓(xùn)練樣本數(shù)據(jù)計(jì)算出每一類別的均值向量及標(biāo)準(zhǔn)差（均方差）向量，然后以均值向量作為該類在特征空間中的中心位置，計(jì)算輸入影像中每個(gè)像元到各類中心的距離。在遙感影像分類處理中，應(yīng)用最廣的距離函數(shù)是歐幾里德距離［11］。從數(shù)學(xué)上來(lái)講，歐氏距離代表了特征空間中以各類別中心為原點(diǎn)的區(qū)域范圍，直接利用歐幾里德距離能夠相對(duì)比較簡(jiǎn)單地實(shí)現(xiàn)監(jiān)督分類。

2.2.3 神經(jīng)網(wǎng)絡(luò)分類

BP算法是應(yīng)用最為廣泛的多級(jí)網(wǎng)絡(luò)訓(xùn)練算法。它是非循環(huán)多級(jí)網(wǎng)絡(luò)的訓(xùn)練算法，它在于利用輸出層的誤差來(lái)估計(jì)輸出層的直接前導(dǎo)層誤差，再用這個(gè)誤差估計(jì)更前一層的誤差，直到獲得其他所有各層的誤差估計(jì)。這種誤差傳遞是沿著與輸入信號(hào)傳送相反的方向逐級(jí)向網(wǎng)絡(luò)的輸入端傳遞的過程。因此，人們將此算法稱為后向傳播算法，簡(jiǎn)稱BP算法［12～13］。

2.2.4 支持向量機(jī)分類

支持向量機(jī)是一種新的數(shù)據(jù)分類技術(shù)。當(dāng)兩個(gè)類別的光譜均值非常接近時(shí)，SVM也可以根據(jù)這些非常有限的樣本分開這兩個(gè)類別。把SVM應(yīng)用到多光譜、高光譜或者高空間分辨率的遙感圖像會(huì)取得良好的效果，并能提高遙感圖像分類的精度［14］。隨著多類支持向量機(jī)分類研究方法的研究，支持向量機(jī)的應(yīng)用范圍變得更加廣泛［15］。

2.2.5 面向?qū)ο蠓诸?/p>

面向?qū)ο蠓诸惣夹g(shù)是近年來(lái)提出的一種新的分類算法，與以往的傳統(tǒng)分類算法相比最大的不同是：面向?qū)ο蠓诸惙椒ú皇腔趩蝹€(gè)的像素，而是基于對(duì)象或者更直接一點(diǎn)說(shuō)就是區(qū)域。面向?qū)ο髤^(qū)域的形成需要進(jìn)行圖像分割，這樣就形成了初始較為同質(zhì)的影像對(duì)象，使得影響圖像處理的信噪比得到了顯著的改善，同類地物的光譜變化被減小，不同類型地物之間的差異增大，增加了類別的可分性。而且面向?qū)ο蟮姆诸惣夹g(shù)能很好地提供矢量結(jié)果信息，大大地提高了遙感和地理信息系統(tǒng)集成的能力［16］。本文實(shí)驗(yàn)所使用的是最近鄰元法。

2.2.6 高分辨遙感圖像分割

圖像分割是將圖像劃分為若干個(gè)有意義的區(qū)域的技術(shù)。這里所謂的有意義是指所分割的圖像區(qū)域與場(chǎng)景的各個(gè)目標(biāo)及背景相一致。高分辨率遙感圖像提供了地物更多的信息，例如光譜、形狀、紋理等。結(jié)合越多的特征進(jìn)行區(qū)域分割將會(huì)得到越符合人眼視覺效果的分割結(jié)果。遙感影像分割結(jié)果的好壞直接影響到遙感影像的分析和理解［17］。所以，研究適用于高分辨率遙感圖像的分割算法是高分辨率遙感圖像分類的關(guān)鍵步驟，本文實(shí)驗(yàn)所使用的是基于圖像亮度、色度、飽和度的多尺度、多特征圖像分割。

2.3 分類精度分析

在遙感分類后的精度評(píng)價(jià)中，最常用的是Congalton在1991年提出的混淆矩陣（Confusion Matrix）［9］。混淆矩陣的定義如下：

式中，mij表示試驗(yàn)區(qū)內(nèi)應(yīng)屬于i類的像素被分到 j類中去的像素總數(shù)，n為類別。如果混淆中對(duì)角線上的元素值越大，則表示分類結(jié)果的可靠性越高，如象混淆矩陣中非對(duì)角線上的元素值越大，則表示錯(cuò)誤分類的現(xiàn)象越嚴(yán)重。分類精度的主要指標(biāo)有生產(chǎn)精度、用戶精度、總體精度、漏分誤差、錯(cuò)分誤差和Kappa系數(shù)。

生產(chǎn)精度：指某一類別的正確分類像元數(shù)占參考數(shù)據(jù)中該類別像元總數(shù)的比例，被錯(cuò)誤分類像元數(shù)占參考數(shù)據(jù)該類別的總數(shù)則為漏分誤差。生產(chǎn)精度（PA）體現(xiàn)在混淆矩陣中具體為

漏分誤差（OE）則為OE=1-PA。

用戶精度（UA）：指某一類別正確分類像元數(shù)占分為該類像元總數(shù)的比例，被錯(cuò)誤分類的像元數(shù)占分為該類像元的總數(shù)則為錯(cuò)分誤差（CE）。在混淆矩陣中具體為

錯(cuò)分誤差（CE）：

總體精度（OA）：指總正確分類像元數(shù)占總抽樣像元數(shù)的比例，它反映了分類成果總的正確程度。利用混淆矩陣可表示為

由于總分類精度還只利用了混淆矩陣對(duì)角線上的元素，而未利用整個(gè)混淆矩陣的信息，作為分類誤差的全面衡量尚欠不足，因此許多研究者提出了Kappa系數(shù)作為分類精度的另一個(gè)指標(biāo)。Kappa是一種計(jì)算分類精度的方法。它是通過把所有地表真實(shí)分類中的像元總數(shù)乘以混淆矩陣對(duì)角線的和，再減去某一類地表真實(shí)像元總數(shù)與被誤分成該類像元總數(shù)之積對(duì)所有類別求和的結(jié)果，再除以總像元數(shù)的平方差減去某一類中地表真實(shí)像元總數(shù)與該類中被分類像元總數(shù)之積對(duì)所有類別求和的結(jié)果所得到的［9］。Kappa系數(shù)可用該式計(jì)算：

式（6）中，n為分類矩陣行列數(shù)，mij為混淆矩陣中第i行第 j列的元素值，mi+和m+j分別表示分類混淆矩陣的行總和及列總和，N為總觀察值，也就是混合矩陣中所有元素的和。因?yàn)镵appa系數(shù)全面地利用了混淆矩陣的信息，可作為分類精度評(píng)價(jià)的綜合指標(biāo)［9］。

3 結(jié)果與討論

3.1 分類結(jié)果圖

圖2、圖3、圖4、圖5分別是極大似然分類，最小距離分類，神經(jīng)網(wǎng)絡(luò)分類，支持向量機(jī)分類分類成果圖。圖6為基于多特征的多尺度、多特征圖像分割后的成果圖。圖7為最近鄰元法分類成果圖。

從以上分類成果圖上可以明顯看出基于像元的傳統(tǒng)遙感影像分類結(jié)果中，一部分建筑物與道路的像元光譜特征相似，存在較嚴(yán)重的混分現(xiàn)象，并且整個(gè)分類效果受點(diǎn)噪聲的影響較大。而面向?qū)ο笞罱彿诸惡芎玫靥崛〕鲂螤钐卣餍畔ⅲ苊饬送V異物現(xiàn)象，基于像元的傳統(tǒng)遙感影像分類成果中出現(xiàn)的建筑物與道路混分現(xiàn)象和椒鹽噪聲基本消除。

圖2 極大似然分類法分類結(jié)果

圖3 最小距離分類法分類結(jié)果

圖4 神經(jīng)網(wǎng)絡(luò)分類法分類結(jié)果

圖5 支持向量機(jī)分類法分類結(jié)果

圖6 支持向量機(jī)分類法分類結(jié)果

圖7 面向?qū)ο蟮淖罱徳ǚ诸惤Y(jié)果

3.2 分類結(jié)果評(píng)價(jià)

通過下面各個(gè)分類方法的混淆矩陣、分類精度以及Kappa系數(shù)等定量說(shuō)明來(lái)比較各個(gè)分類方法。

表1 極大似然分類法分類輸出混淆矩陣

表2 最小距離分類法分類輸出混淆矩陣

表3 神經(jīng)網(wǎng)絡(luò)分類法分類輸出混淆矩陣

表4 支持向量機(jī)分類法分類輸出混淆矩陣

表5 最近鄰元分類法分類輸出混淆矩陣

表6 各分類方法分類效果比較表

從上面的精度評(píng)價(jià)中可以看出：

在基于像元光譜的傳統(tǒng)分類方法中，神經(jīng)網(wǎng)絡(luò)分類與支持向量機(jī)分類等新型分類器與極大似然分類和最小距離分類相比，混分現(xiàn)象相對(duì)較少。分類精度和Kappa系數(shù)也分別達(dá)到了80%和0.7以上。

面向?qū)ο蟮淖罱彿诸愊啾然谙裨姆诸惙椒芎芎玫馗纳品诸惥龋傮w分類精度達(dá)到了94%以上。各地物類型提取精度有很大提高，Kappa系數(shù)達(dá)到0.92以上。

4 結(jié)語(yǔ)

本文介紹了基于像元光譜的傳統(tǒng)遙感分類方法和面向?qū)ο蟮倪b感分類方法。通過混淆矩陣和Kappa系數(shù)評(píng)價(jià)了兩者在高分辨率遙感圖像進(jìn)行分類的性能。得出以下結(jié)論：

傳統(tǒng)的分類方法結(jié)果的好壞取決于所選取訓(xùn)練樣本的質(zhì)量和樣本數(shù)量，特征因子較單一無(wú)法有效地解決遙感圖像中同譜異物和椒鹽噪聲等問題，這造成分類精度的降低和大量數(shù)據(jù)冗余。

其中新型分類器如極大似然分類和神經(jīng)網(wǎng)絡(luò)分類在針對(duì)一些特定的地物類別、樣本具有良好的統(tǒng)計(jì)性并滿足正態(tài)分布的情況下也可取得較好的分類效果。

面向?qū)ο蟮姆诸惙椒ɡ酶叻直媛蔬b感影像的紋理等信息進(jìn)行圖像分割，形成了初始較為同質(zhì)的影像對(duì)象，是在對(duì)圖像進(jìn)行獲得對(duì)象特征基礎(chǔ)上擴(kuò)展特征空間進(jìn)行分類，這種方法能夠較好地利用影像的結(jié)構(gòu)和紋理等特征信息，使分類精度和信噪比得到顯著改善。

所以，面向?qū)ο蟮倪b感影像分類方法相比于傳統(tǒng)的基于像元的影響分類方法具有明顯的優(yōu)勢(shì)。

本文也存在一些不足之處，如何在不同的尺度和區(qū)域選取合適的分類方法，在圖像分割過程中的閾值選擇不能滿足所有地物類型，從而影響最后的分類精度而且在分類精度評(píng)價(jià)方面還需要更加完善合理評(píng)價(jià)體系，這些問題的解決都需要開展更多的研究和驗(yàn)證工作。