基于“高分五號”遙感圖像的地物分類方法

魏友華 王瑤 何雪梅 郭科 常睿春

摘? 要： 作為全波譜段高光譜衛星，“高分五號”衛星可提供豐富的遙感數據，研究利用“高分五號”衛星遙感圖像實現精確的地物分類方法，這是實現高光譜遙感信息資源所有權的重要組成部分。文章立足于“高分五號”衛星數據，先進行遙感圖像預處理，有效地消除大氣干擾和噪聲，優選核主成分分析方法進行“高分五號”衛星高光譜圖像的特征提取，用最大似然法（MLE）、卷積神經網絡（CNN）、支持向量機（SVM）3種分類器對高光譜圖像數據分類。結果表明，RBF核的支持向量機分類器精度可達到97.889 7%，Kappa系數為0.966 7，比傳統的最大似然法、神經網絡分類方法分類精度分別高出15.478%，8.670 8%。由此可以實現“高分五號”衛星數據預處理，及其在土地利用分類應用上的可行性。

關鍵詞： 地物分類; 遙感圖像; 圖像預處理; 大氣干擾消除; 特征提取; 數據分類

中圖分類號： TN965?34; TP79? ? ? ? ? ? ? ? ? ? 文獻標識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）18?0085?04

Abstract： As a full spectrum hyperspectral satellite， GF?5 satellite can provide a rich remote sensing data. A method is studied in this paper to realize precise terrain classification by GF?5 satellite remote sensing image. It is an important component of realizing the ownership of the hyperspectral remote sensing information resource. The remote sensing image is preprocessed according to the data of GF?5 satellite， by which the atmospheric interference and noise is effectively eliminated. The kernel principal component analysis method is optimally selected to extract the features of the hyperspectral image of GF?5 satellite. The three classifiers of maximum likelihood method （MLE）， convolutional neural network （CNN） and support vector machine （SVM） are utilized to classify the hyperspectral image data. The results show that the accuracy of SVM classifier based on RBF kernel function can reach 97.889 7%， which is 15.478% and 8.670 8% higher than that of traditional MLE and CNN respectively， and its Kappa coefficient is 0.966 7. It can realize the data preprocessing of GF?5 satellite and the feasibility for application in land use classification.

Keywords： terrain classification; remote sensing image; image preprocessing; atmospheric interference elimination; feature extraction; data classification

0? 引? 言

“高分五號”（GF?5）衛星是高分專項發展規劃的唯一一顆擁有陸地生態環境高光譜進行觀測的衛星，這也是國際上首次實現對大氣和陸地進行綜合觀測的全譜段高光譜衛星[1]。“高分五號”衛星具有12個通道和330個波段，較其他現有光譜相機，其擁有波譜范圍寬、定標精度高、光譜分辨率高等特點，可動態反映我國的生態、環境、大氣各方面綜合應用，提升中國資源勘查、環境污染狀況監測等領域的質量與能力，這對于實現中國信息資源的自主性，以及推進 “一帶一路”倡儀具有重要意義。

高光譜圖像（HSI）由于其眾多的應用和從可見光到近紅外波長范圍中獲取遙感信息的能力而被發現富有價值，因此可在同一位置提供多光譜通道。HSI是高度創新的遙感影像，由數百個連續的窄光譜帶組成，這與傳統的全色和多光譜圖像不同，可以更好地區分對象。但是，科學家面臨的挑戰主要是如何解決其中存在的冗余頻譜信息和高維數等問題，實現對HSI進行有效分類[2?5]。幾種常規的非監督和監督的機器學習分類器包括著名的非監督的常規分類器K?Means（KM）和監督分類器，如K最近鄰（KNN），以及支持向量機（SVM）和人工神經網絡（ANN），已用于HSI的分類。在圖像識別和分類領域，尤其是大型多光譜和高光譜數據集的分類中，諸如深度學習等新算法的成功引起了廣泛關注，但這些方法在多光譜和高光譜圖像上的應用仍然存在限制。自從SVM出現以來，它已被證明在遙感（RS）圖像分類、潮汐分析和城市土地利用變化預測方面非常有效[6]。由于SVM可通過不同的核函數處理非線性數據[7?8]，具有對復雜的現實世界數據進行建模的能力，因此與相對于無法評估模型約束的模型相比，它們被認為是相對更好的預測模型[9?13]。因此，本文優選核主成分分析（KPCA）進行特征提取，采用最大似然法（MLE）、卷積神經網絡（CNN）、支持向量機（SVM）3種分類器分別對“高分五號”圖像進行地物分類，探討SVM分類方法在GF?5衛星高光譜數據上的應用能力，為“高分五號”數據在土地利用分類方面的應用提供了可行的技術方法。

1? 數據與處理

1.1? 數據信息

“高分五號”衛星運行在平均軌道高度705 km、傾角為98.2°的太陽同步軌道，發射質量約2 800 kg，整星功率1 700 W，設計壽命[2]為8年，其主要載荷參數[9]見表1。

1.2? 數據預處理

遙感圖像數據預處理方法包括數據格式轉換、輻射定標和大氣校正。首先對數據格式轉換，將“高分五號”數據轉換為BIL或 BIP格式，本文利用ENVI的FLASH模塊對完成輻射定標后的“高分五號”圖像進行大氣輻射校正。模塊中并沒有內置的直接校正“高分五號”數據參數，其中圖像中心位置、 傳感器高度、經緯度等參數均可以從頭文件中獲得。

整體地物分類實驗步驟框架如圖1所示。

2? 研究方法

SVM的思想是給定一個訓練樣本集[D=x1，y1，x2，y2，…，xm，ym]。式中，[yi∈{-1，+1}] ，在訓練集的基礎上，在樣本空間中找到一個劃分超平面來分離不同類型的樣本。對于線性可分問題，其最優劃分超平面方程為[gx=ωTx+b]，它對應一個凸二次規劃問題，如下：

對于線性不可分情況，在Mercer理論下，通過內積函數變換到高維特征空間[14?15]：

3? 結果與分析

3.1? 研究區

本文采用2018年11月7日“高分五號”衛星拍攝東北某區域的圖像數據，選取849×582像元窗口作為研究區域，如圖2所示。本文結合Google Earth高清圖像，收集研究區的土地利用現狀圖、行政規劃圖等，作為圖像解譯輔助。訓練樣本為5類地物：水域（3 030像素）、林地（247像素）、建筑（981像素）、耕地（3 218像素）、道路（1 039像素）。此外為了驗證算法精度，分層隨機選取了600個樣本點作為一個驗證數據樣本：水域（129像素）、林地（96像素）、建筑（110像素）、耕地（158像素）、道路（107像素）。

3.2? 特征提取

本文選定多項式核作為PCA變換的核函數。首先用KPCA變換對數據處理，取前20維數據作為特征數據，結合3種常規分類器最大似然法（MLE）、卷積神經網絡（CNN）、支持向量機（SVM）對圖像分類[14?18]。

本文選擇RBF用作SVM分類器中的內核函數，調整懲罰系數C值和核函數參數γ值，使用網格搜索方法自動調整為5倍交叉驗證。同樣，CNN分類器的參數會自動調整。但是，本文使用5倍交叉驗證來調整此處的參數，以實現最佳性能[18]。圖3為不同分類器的分類圖。

根據分類結果圖可知，5倍交叉驗證對高光譜數據特征提取后的地物分類效果明顯。由于該地區道路和耕地面積較大且分布零散，所以并未提取準確。圖3c）在林地的區分上和其他分類方法存在明顯差別，此時可根據實際地物解釋知，該研究區即遙感圖像的左下角區域并未出現面積較大的林地，因此，圖3c）的分類結果更加符合實際。故基于RBF核的SVM能明顯地區分出5類地物，比傳統的分類器中的道路提取更準確，與實際情況吻合較好，因此提升了分類精度。

為了定量評價這幾種方法精度水平，在GF?5衛星高光譜圖像上為每個類別選擇驗證點進行精度評價。同時采用4種精度指標分析實驗結果的準確性，分別為：生產者精度、用戶精度、總體精度、Kappa系數。評價結果如表2所示。

從表2可以看出，5類地物中由于選取的研究區域水域樣本較少，可分離度較高;該地區道路和耕地樣本數較多，類可分離度較低。從表中可以看出，道路、建筑、耕地和林地的分類精度有所差異，基于核函數的SVM分類精度明顯高于其他分類方法。而從總體精度來看，基于RBF核函數的SVM的分類精度是最高的，達到了97.889 7%，Kappa系數為0.966 7，故其分類效果較好。整體來說，基于KPCA的SVM分類器實驗效果對比傳統的分類器效果獲得了較大的提升，有助于區分不同的地表類型。

4? 結? 論

本文基于GF?5衛星高光譜數據，并在數據預處理過程中，去掉大氣影響與噪聲影響，優選核主成分分析（KPCA）進行特征提取，采用最大似然法（MLE）、卷積神經網絡（CNN）、支持向量機（SVM）3種分類器對研究區進行地物識別分類。實驗效果表明，相比傳統分類器而言，針對GF?5衛星蘊含海量的遙感數據，基于KPCA和SVM的組合方法能達到較好的分類效果，表現出極強的應用性，但在訓練時間上還需要結合高光譜數據產生的樣本集加以改進。

參考文獻

[1] 劉銀年.“高分五號”衛星可見短波紅外高光譜相機的研制[J].航天返回與遙感，2018，39（3）：25?28.

[2] 岳付升，付毅飛.高分五號衛星成功發射[N].科技日報，2018?05?10（01）.

[3] 李盛陽，劉志文，劉康，等.航天高光譜遙感應用研究進展（特邀）[J].紅外與激光工程，2019，48（3）：9?23.

[4] 杜培軍，夏俊士，薛朝輝，等.高光譜遙感圖像分類研究進展[J].遙感學報，2016，20（2）：236?256.

[5] 業巧林，許等平，張冬.基于深度學習特征和支持向量機的遙感圖像分類[J].林業工程學報，2019，4（2）：119?125.

[6] 杜培軍，譚琨，夏俊士.高光譜遙感圖像分類與支持向量機應用研究[M].北京：科學出版社，2012.

[7] 孫允珠，蔣光偉，李云端，等.“高分五號”衛星概況及應用前景展望[J].航天返回與遙感，2018，39（3）：1?13.

[8] 陳洋波，張濤，竇鵬，等.基于SVM的東莞市土地利用/覆被自動分類誤差來源與后處理[J].遙感技術與應用，2017，32（5）：893?903.

[9] 申晨，岳彩榮，梅鴻剛.基于Landsat數據的普洱市土地利用變化動態監測[J].林業調查規劃，2016，41（2）：17?22.

[10] 李哲，張沁雨，彭道黎.基于高分二號遙感影像的樹種分類方法[J].遙感技術與應用，2019，34（5）：970?982.

[11] 宋明輝.基于高分二號數據的面向對象城市土地利用分類研究[J].遙感技術與應用，2019，34（3）：547?552.

[12] 史飛飛，高小紅，楊靈玉，等.基于HJ?1A高光譜遙感數據的湟水流域典型農作物分類研究[J].遙感技術與應用，2017，32（2）：206?217.

[13] 張漢奎，黃波，俞樂.SVM?RFE高光譜數據波段選擇中核函數的研究[J].遙感技術與應用，2013，28（5）：747?752.

[14] 王春艷，徐愛功，趙雪梅，等.模糊神經網絡高分辨率遙感影像監督分類[J].中國圖象圖形學報，2017，22（8）：1135?1143.

[15] 王艷花，楊靜.基于奇異值分解和小波神經網絡的人臉識別[J].現代電子技術，2019，42（12）：40?44.

[16] 金杰，朱海巖，李子瀟，等.ENVI遙感圖像處理中幾種監督分類方法的比較[J].水利科技與經濟，2014，20（1）：146?148.

[17] 李靜.高光譜遙感影像降維及分類方法研究[D].長沙：中南大學，2012.

[18] 譚琨，杜培軍.基于再生核Hilbert空間小波核函數支持向量機的高光譜遙感影像分類[J].測繪學報，2011，40（2）：142?147.

[19] 劉琴.機器學習[J].武漢工程職業技術學院學報，2001（2）：41?44.

[20] 劉昕玥，姚建國，萬定生.基于組合核函數SVM的中小流域流量預測研究[J].計算機仿真，2019，36（11）：454?457.

[21] 張勇杰.基于分塊KPCA和極限學習機的圖像分類識別研究[D].鄭州：鄭州大學，2014.