多分類器融合的遙感影像分類方法實驗研究

孫皓，甘淑,2，袁希平

(1.昆明理工大學 國土資源工程學院，云南 昆明 650093；2.云南省高校高原山區空間信息測繪技術應用工程研究中心，云南 昆明 650093；3. 滇西應用技術大學，云南 大理 671000)

0 引 言

我國國土遼闊但土地使用資源卻很貧瘠，土地的利用方式仍然存在著缺陷呈現出多方式、多水平并存的狀態，土地使用方式的變更程度以及形式尤其嚴峻.20世紀90年代眾多研究人員發現了單一分類器在分類結果上存在著片面性和不可靠性[1-2].

分類器的設計目的是在運行相應的程序后，將同種類別的地物歸入到一個類別中，分類器在復雜程度上分為多分類器和單一分類器兩種類別.現如今在追求分類器的精度和分類效率的基礎之上，更需要去考慮將兩種或者兩種以上單一分類器進行融合實驗制造出新的多分類器.早在2002年時，Lorenzo就使用投票法對遙感影像進行了分類，經過分類的遙感影像得出的各項數據都十分可觀.使用合適的融合方式對遙感圖像分類結果的精度和效率會有十分可觀的提高.多分類器融合遙感影像分類方法創新點在于解決了眾多單一分類器中存在的明顯差異性和片面性，高效地將眾多單一分類器的優點相結合，彌補了單一分類器缺陷，增強了互補性，這種通過融合單一分類器而產生的新的多分類器明顯地提高了遙感影像的分類精度和效率，間接提高了對土地使用情況數據的真實性[3,4].

1 實驗數據的選取

本實驗選取影像中地類較為豐富的區域作為研究區，選取影像中三個波段的遙感影像如圖一所示，使用現狀分別包含居民地、農田1、農田2、菜地四類.選取研究區遙感影像四種典型地類的像元值作為訓練樣本，每個地類選擇十二個像元，各個地類選取像元的像元亮度值如表1所示.

圖1 原始影像

表1 各波段像元值

2 分類器分類實驗

2.1 實驗方案設計

本次實驗注重單一分類器和多分類器對遙感影像分類結果的精度與效率對比，由于農田1和農田2兩種農田只是耕種的作物存在差異，所以實驗將兩種農田合成一種地類統稱農田，實驗研究對象選取三種分別為農田、菜地以及居民地.

1) 三種單一分類器遙感影像分類實驗；

2) 投票法分類器遙感影像分類實驗；

3) 單一分類器和多分類器遙感影像分類結果精度評價.

2.2 遙感影像分類預處理

通過現場采集生成的遙感影像會存在瑕疵，進行遙感影像分類之前可以先對原始影像進行中值濾波，以實現實驗預期效果[5].

2.3 單一分類器實驗

2.3.1 歐式距離分類法

遙感影像分類實驗中采用歐氏距離分類法步驟：

1)選擇欲分類的地區，通過目視解譯結合土地利用現狀規范確定使用地類別：菜地、居民地和農田.根據表1中各類別各波段的數值利用mean函數，以類別為單位逐個計算1波段、2波段和3波段的像元平均值mean(kjxi)，其中j=1、2、3、4，i=1、2、3；計算數據如表1所示.

2)計算完畢后根據計算結果使用Matlab編寫歐氏距離法的遙感影像分類程序，利用所編程序對預定的遙感影像進行分類，并且得出分類結果如圖2所示[6-7].

圖2 歐式距離分類法分類結果圖

2.3.2 最大似然法分類法

遙感影像分類實驗中采用最大似然分類法分類步驟：

1)選擇欲分類的地區，通過目視解譯結合土地利用現狀規范確定使用地類別為菜地、居民地和農田.

2)根據表中各類別各波段的數值：

①以類別為單位逐個計算1波段、2波段和3波段的像元和sum(kjki)、平方值mean(kjki)，和每波段每類的平方和sum(kjxi)2其中j=1、2、3、4，i=1、2、3.

②以類別為單位計算每兩個波段的乘積和mutip(kjkikn)(i與n不相等)共得出六組數據，計算出每個波段上的波段異類和sum(xik)并算出波段異類均值mean(xik)，其中j=1、2、3、4，i、n=1、2、3.

③以波段為單位計算出每一類別的內離差平方和W(kjxixi)，并算出每一類別中每兩個波段的偏差乘機和w(kjxixn)，由計算所得組成內協方差矩陣w(kj)，其中j=1、2、3、4，i、n=1、2、3，(i與n不相等).

④計算出各個類別總的協方差矩陣S和逆矩陣S-1,并計算出各類別的稀疏向量cj和常數項c0j，其中j=1、2、3、4.

3)根據計算結果使用Matlab編寫貝葉斯分類法的遙感影像分類程序，并利用Matlab編寫的程序對預定的遙感影像進行分類，并且得出分類結果如圖3所示[8-9].

圖3 最大似然分類法分類結果圖

2.3.3 BP神經網絡分類法

遙感影像分類實驗中采用BP神經網絡分類法分類步驟：

1)通過目視解譯結合土地利用現狀規范確定使用地類別為菜地、居民地和農田.

2)根據表中各類別各波段的數值使用Matlab編寫BP神經網絡分類法的遙感影像分類程序.

3)利用Matlab編寫的程序對預定的遙感影像進行分類，并且得出分類結果如圖4所示，圖5為BP神經網絡經過訓練得出的誤差曲線圖.

圖4 BP神經網絡分類結果

圖5 誤差曲線

2.4 多分類器實驗

2.4.1 測量級融合投票法

投票法(Voting)是以“少數服從多數”為基本原則建立起來的遙感影像多分類融合器，將每個像元點經過各個單一分類器分類之后所屬類別進行統計，每個像元被分到各個類別的單一分類器數作為票數，然后把各個像元歸入到得票數最高的類別中，如果有兩個類別或者更多類別得票數相同時，就需要把該像元放到隨機選擇一個類別中.遙感影像分類實驗中采用投票法分類步驟：

1)選擇欲分類的地區，通過目視解譯結合土地利用現狀規范確定使用地類別為菜地、居民地和農田.

2)根據三種單一分類器原理以及三種單一分類器的分類結果使用Matlab編寫投票法的遙感影像分類程序，利用Matlab編寫的程序對預定的遙感影像進行分類，并且得出分類結果如圖6所示[10-12].

圖6 投票法分類結果圖

2.5 分類后處理

任何一種遙感影像分類法，都是按照遙感影像光譜特征的相似性和差異性來進行分類，所以在分類后的影像中都會出現噪聲.為優化實驗效果，本次實驗中選用中值濾波法來實現降噪.

3 分類器精度評價與對比分析

精度對比實驗使用ENVI 5.2軟件，首先將四種分類器的分類結果圖導入軟件中，然后新建一個圖層命名為新建點圖層，最后在新建圖層上選擇一組獨立的像素樣本，從原始影像中隨機抽取100個特征點并將這100個特征點按1～100進行標號，選擇的特征點位置的方法是隨機采樣以證明實驗結果的可靠性，以每個單一分類器為單位將分類結果和原始影像進行對比，檢查這100個特征點是否分類正確.根據對分類結果檢查所得的統計結果分別計算出每一種分類器的總體分類精度、生產者精度和使用者精度，并且得出每一種單一分類器的混淆矩陣和Kappa系數來進行比較,如表2～5所示[13-15].

表2 歐氏距離分類法結果

表3 最大似然分類法結果

表4 BP神經網絡分類法結果

表5 投票法分類結果

4 結 論

歐氏距離分類器、最大似然分類器和BP神經網絡分類器的設計及實驗，經過精度評價得出歐氏距離分類器、最大似然分類器和BP神經網絡分類器的Kappa系數依次為0.750、0.716和0.563，總體分類精度依次為86.0%、84.0%和72.0%.在此基礎上采用投票原理設計抽象級融合的多分類器并完成實驗，經過精度評價得出投票法的Kappa系數為0.784，總體分類精度為88.0%.設計結果表明：多分類器融合的遙感影像分類方法在精度上要比單一分類器的分類精度高.并經過實驗數據分析發現投票法對于農田分類精度最高.

在現如今遙感技術的發展上對于遙感影像的分類精度的要求已經是必不可少的研究課題，根據本實驗結論對于遙感影像分類精度的提高研究應從多分類器入手.實驗中還需使用更多的單一分類器進行搭配融合得出分類精度更高的多分類器.