面向對象的SVM分類技術在遙感影像分類上的應用研究
——以威海市為例

張學明，林清瑩，于忠海，段龍妹

(濟南市勘察測繪研究院，山東 濟南 250101)

1 引 言

20世紀以來，人口急劇增長，可利用的土地資源相對越來越少，因此土地利用問題逐漸引起世界各國的重視。土地利用是人類發展必不可少的環節，是人與自然等各種復雜因子相互作用的結果，是全球變化的主要決定因素之一[1，2]。進行土地長時間的利用變化研究有助于人們合理評估和預測土地利用情況，對于實現土地的可持續利用具有重要的意義[3，4]。

Landsat衛星對地觀測有快速、實時、覆蓋范圍廣、周期短等特點，使得遙感技術已經成為土地變化檢測最主要的技術手段。面向對象的分類方法和支持向量機(Support Vector Machine，SVM)的分類方法是目前在遙感分類中比較常用的方法。面向對象的分類方法由于結合了形狀、紋理、拓撲等特征，從而分類結果可以達到更高的精度[5，6]。SVM分類方法與其他方法相比，所需先驗干預較少，分類結果更為客觀，且具有較好的穩定性和高效性[7～9]。目前國內外對于面向對象分類和SVM用于土地利用分類研究得較多，但是將兩者結合起來即面向對象的SVM用于遙感影像處理的研究相對較少。

威海位于我國山東半島，處于渤海和東海的交界處，是我國重要的海上交通樞紐和北方對外經貿的出口通道。近年來，隨著經濟發展越來越快，土地利用越來越多樣化，其能否被合理利用越來越成為人們關注的焦點，同時也決定著城市能否持續健康發展。賈文臣等[10](2009)、楊繼超等[11](2012)、賽莉莉等[12](2016)分別對威海的土地利用分形的動態變化、沙灘的地貌特征、土地利用預測進行了研究，但這些研究是利用監督分類等常規的分類方法研究了土地的變化。

本文利用基于面向對象的SVM分類方法對威海市的Landsat MSS、TM和OLI遙感影像進行處理，提取了1985年～2015年的土地利用類型，計算了分類結果的準確度，驗證了面向對象的SVM分類方法在遙感分類上的應用可能性，為土地利用、城市景觀變化等研究提供了數據獲取的技術支持。

2 研究區以及數據源

2.1 研究區概況

威海(121°11′～122°42′E，36°41′～37°35′N)是山東半島藍色經濟區城市建設中的典型代表，如圖1所示，威海市土地利用類型主要為耕地、林地、水域用地、建筑用地、水產養殖用地等類型。自1987年成為地級市以來，由于地理位置優越，政策條件好，吸引投資多，威海市的經濟迅速發展，越來越多的人前來旅游和居住。目前威海市常住人口280萬，每年的區域生產總值接近3000億元，城鎮化率達到60%以上，是我國著名的濱海旅游城市。

2.2 數據源

本文用到的數據從美國地質調查局網站(http：//glovis.usgs.gov/)下載，以5年為間隔，將1985年～2015年共分為7個時期。1985年使用的為MSS(Multi Spectral System，MSS)數據，1990年、1995年、2000年、

圖1 研究區域的位置

2005年、2010年使用的為TM(Thematic Mapper，TM)數據，2015年使用的是OLI(Operational Land Imager，OLI)數據，數據使用情況如表1所示。

本文使用的遙感影像數據 表1

3 數據處理方法

3.1 數據預處理

數據處理的流程如圖2所示，數據處理前首先進行數據預處理，由于本文選用的是無云的遙感影像數據，因此沒有進行大氣校正[13]。幾何校正采用的投影方式為通用橫軸墨卡托(Universal Transverse Mercator，UTM)投影，坐標系為WGS-84，重采樣使用的是雙線性方法，分辨率為 30 m，校正的精度在一個像元以內。

為了突出各類地物的特征，不同的植被指數被廣泛地應用[14，15]。在本文的研究中，我們計算了歸一化差異植被指數[16](Normalized Difference Vegetation Index，NDVI)、土壤調整植被指數[17](Soil-adjusted Vegetation Index，SAVI)，歸一化差分水體指數[18](Normalized Difference Water Index，NDWI)，各類植被指數的計算方法如下：

(1)

(2)

(3)

式中：Nir為近紅外波段，Red為紅波段，Green為綠波段。

圖2 數據處理流程

3.2 影像分割

多尺度分割是面向對象分類最關鍵步驟。本文利用eCognition軟件[19]采用分型格網演化算法[20]對遙感影像進行多尺度分割。在分割過程中，主要是對各波段的權重、分割尺度的大小、形狀因子和緊密度因子等參數進行設置。為了充分利用波段的信息，在分割中將各個波段的權重均設置為1。分割尺度是指加權影像層均一性準則的最大標準差，選擇尺度參數的時候應該盡量保證每個影像對象只包含一種地物，力求分割出的影像對象大小合適，既不籠統、也不破碎。經過多次試驗，MSS和TM影像的尺度因子為10～15，OLI的尺度因子為35。形狀因子與色彩因子(光譜)有著密切的關系[21]，這兩個參數值之和為1，因此在進行分割時為了充分利用光譜信息，給予形狀因子較小的權重。緊密度因子和平滑度因子同屬于形狀因子，平滑度是主要考慮了邊緣的平滑性；緊密度是主要考慮總體的緊致性。經過多次試驗，形狀因子的范圍為0.1～0.3，緊密度因子的范圍為0.5～0.7。

3.3 基于面向對象的SVM分類

支持向量機(Support Vector Machines，SVM)是Vapnik等人在1995提出的一種機器學習方法(Vapnik等，1995)，后來被廣泛應用在圖像分類領域，其基本思想是：將數據投影到高維空間，在高維空間中構建最優超平面，利用最優平面對不同的數據進行分類[22，23]。

面向對象的SVM(Objected-based SVM)分類的基本思想是以對象為基本單元，結合光譜和空間信息，利用SVM對影像分類。本文中的分類利用的是中科院研發的基于面向對象和像素的一體化遙感影像分類系統(Object and Pixel Based Integration Remote Sensing Imagery Classification System，OPICS)，該系統使用高斯徑向基函數核構建的SVM分類器，核函數中的懲罰系數C和核寬度γ是兩個必選的參數[24]，其取值好壞直接影響到分類精度。利用Landsat遙感影像進行分類時，當C取100、γ取波段數目的倒數分類的結果較好[25]，本研究用于分類的波段有可見光、近紅外、短波紅外波段和NDVI、SAVI、NDWI。MSS影像參與分類的波段數目為6，所以核寬度設為1/6，懲罰參數設為100；TM/OLI影像參與分類的波段數目是9，因而核寬度設為1/9，懲罰參數設為100。

3.4 分類后處理

由于Landsat衛星影像屬于中分辨率的影像，特別是MSS衛星的分辨率只有 80 m，在分類中往往會有少量的不可控因素，因此在分類完成之后，往往會對分類結果進行合理的調整工作。分類后處理包括手動修改和邏輯分析兩個部分，后處理工作主要在ArcGIS 10.2軟件中進行，手動修改主要是參考遙感影像和Google-Earth影像對分類中有明顯錯誤的部分進行修改，邏輯運算主要是針對建筑用地。隨著經濟的不斷發展，人口的不斷增加，建筑用地在理論上是不斷增加的。在本文中邏輯運算思想為：若某區域的遙感影像前一年為建筑用地，則該處后一年依然為建筑用地；若后一年某處的土地類型為非建筑用地，則前一年的亦為非建筑用地。

4 結果及分析

根據威海市的土地利用情況和V-I-S模型[26]，將威海市的土地利用分為了耕地、建筑用地、林地、水域用地以及水產養殖用地等五類。依據圖2的流程對Landsat MSS/TM/OLI影像進行處理，分類結果如圖3所示。

圖3不同時期的土地利用分類結果

在每一期的每一類別的分類結果中隨機選取200個驗證點，即每一期的總驗證點數為 1 000個，以Google-Earth影像和原始影像為基準進行驗證，采用Kappa系數[27]和總體精度[28](Overall Accuracy，OA)兩個指標進行分析，其計算方式如式(4)和式(5)所示：

(4)

(5)

式中：N為總的驗證點數；xii為i類被正確分類的數目；R為總的分類類別數；Xi為i類的樣本點數；Yi為被分為i類的數目。

由圖4可以看出，Kappa系數都在0.83以上，總體的分類精度都在85%以上，說明基于面向對象的SVM分類方法的分類精度較高，可以用于遙感影像的分類。

圖4 不同時期的分類結果精度

5 結論與展望

本文利用威海市1985年～2015年的Landsat MSS/TM/OLI影像，通過面向對象的SVM技術對影像進行分類，提取威海市不同時期的土地利用情況，利用面向對象的SVM方法對威海市7個不同時期的遙感影像進行分類，結果總體精度都在85%以上，Kappa系數都大于0.83，說明面向對象的SVM分類技術可以用于遙感影像的分類。面向對象的SVM影像的分類結果不僅可以應用于土地利用分析和景觀格局分析，也為城市發展和規劃提供了較好的數據基礎。