不同高分辨率影像的多尺度疊加分類研究

石芳華

摘 ?要：隨著傳感器技術(shù)的不斷發(fā)展，高分辨率遙感影像數(shù)據(jù)的獲取也越來越方便。但在遙感影像分類中，并不是空間分辨越高，分類精度就越高。以SPOT5 HRG影像和高分一號影像為數(shù)據(jù)源，進行多尺度分類實驗。首先，采用立方卷積法對兩種影像進行尺度擴展，利用變異函數(shù)計算影像中各地類的最優(yōu)尺度;其次，采用最大似然法對其進行多尺度分類;最后，利用混淆矩陣、總體分類精度和Kappa系數(shù)對其分類精度進行評價。結(jié)果表明，研究多尺度分類方法可以提高遙感影像的分類精度。

關(guān)鍵詞：多尺度 ?最優(yōu)尺度 ?高分辨率影像 ?遙感分類

中圖分類號：P237 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標識碼：A文章編號：1672-3791（2021）03（a）-0087-03

Multi scale overlay classification of different high resolution images

SHI Fanghua

（Hubei University of technology， Wuhan， Hubei Province， 430064 ?China）

Abstract： Abstract： With the development of sensor technology， the acquisition of high-resolution remote sensing image data is more and more convenient. But in the classification of remote sensing images， the higher the spatial resolution is， the higher the classification accuracy is. The multi-scale classification experiments were carried out with SPOT5 HRG image and High Resolution NO. 1 image as data sources. Firstly， the cubic convolution method is used to expand the scale of two kinds of images， and the optimal scale of different classes in the image is calculated by using the variation function. Secondly， the maximum likelihood method is used to classify them in multi-scale. Finally， the classification accuracy is evaluated by using confusion matrix， overall classification accuracy and kappa coefficient. The results show that the multi-scale classification method can improve the classification accuracy of remote sensing images.

Key words： multi scale; optimal scale; high resolution image; remote sensing classification

更高空間分辨率遙感影像數(shù)據(jù)的獲取，隨著傳感器技術(shù)的不斷發(fā)展也成為可能。人們常常以為采用空間分辨率高的遙感影像，能提高土地覆蓋分類的分類精度。其實不然，即使是高空間分辨率影像也很難反映真實客觀的地學(xué)特征現(xiàn)象。一般來說，遙感信息都存在尺度效應(yīng)[1]。因此，在研究特定的目標時，需找到一個合適分辨率的遙感信息，反映研究目標的空間分布結(jié)構(gòu)特性。

目前為止，最佳分辨率（最優(yōu)尺度）的選擇方法都是基于統(tǒng)計學(xué)理論。Woodcock和Strahler提出了一種用遙感圖像的平均局部方差來確定最優(yōu)分辨率的方法，當局部方差值達到最大時，對應(yīng)的空間分辨率被稱為最優(yōu)的空間分辨率。Atkinson等通過計算不同空間分辨率影像的變異函數(shù)來確定最優(yōu)分辨率，變異函數(shù)值達到最大時，對應(yīng)的空間分辨率即為最優(yōu)空間分辨率[2]。

1 ?基本原理

1.1 最優(yōu)尺度選擇方法

該文主要采用變異函數(shù)法對地物類型進行最優(yōu)尺度選擇。近年來，地統(tǒng)計學(xué)方法在研究遙感信息的尺度效應(yīng)問題時應(yīng)用最為廣泛[3]。在地統(tǒng)計學(xué)中，半方差是對變量空間變異（空間依賴性）的一個度量，它通過計算變量的變異函數(shù)得到不同的變異函數(shù)，從而揭示不同變量的空間變異特征。在遙感數(shù)據(jù)中，支集和空間分辨率是相對應(yīng)的。因為變量的空間分異是隨支集的大小而變化的，因此，可以通過研究變異函數(shù)的結(jié)構(gòu)來確定合適的空間分辨率[4]。

（1）

式中：Z（X）表示一個定義在二維空間中x位置的隨機函數(shù)，h為空間間隔或步長。

1.2 基于多尺度的遙感影像分類方法

多尺度分類就是將各地類最優(yōu)尺度所對應(yīng)的影像合成一幅影像，再對其進行分類[5]。例如，SPOT5 HRG影像的各地類的最優(yōu)尺度分別在22.5 m、25 m、20 m和10 m，將25 m、22.5 m和20 m都重采樣至最大尺度10 m，再將4幅影像進行疊加成1副影像。此時，疊加后的SPOT5 HRG影像就有16個波段，不僅包含原始尺度的信息，還包含其他尺度的信息。

2 ?數(shù)據(jù)結(jié)果處理與分析

實驗區(qū)數(shù)據(jù)選用的是覆蓋同區(qū)域的SPOT5 HRG影像和高分一號影像兩種數(shù)據(jù)。

結(jié)合實驗區(qū)的實際情況，將實驗區(qū)地物類型分為居民地、道路、耕地、林地、灌叢、草地、水體和河漫灘8類。另外，高分辨率遙感影像分類中存在的陰影問題比較嚴重，為了保證分類結(jié)果的準確性和合理性，將陰影列為一類參與分類。所以，地物類型一共為9類。

2.1 SPOT5 HRG影像和高分一號影像的最優(yōu)尺度選擇

通過計算SPOT5 HRG影像和高分一號影像各地類在各尺度上的變異函數(shù)，然后進行各地類的最優(yōu)尺度選擇[5]。結(jié)果發(fā)現(xiàn)：一是地類不同，最優(yōu)尺度也不相同：水體的最優(yōu)尺度都很大，在25 m和30 m左右;耕地、草地、道路和灌叢的最優(yōu)尺度在22.5 m和22 m左右。二是絕大部分地類的最優(yōu)尺度不在原始尺度，而是在更大的尺度上。除河漫灘和陰影的最優(yōu)尺度是在原始尺度上，其他地類的最優(yōu)尺度都是在比原始尺度更大的尺度上[6]。

2.2 基于多尺度的SPOT5 HRG影像和高分一號影像分類結(jié)果比較

2.2.1 SPOT5 HRG影像單尺度與多尺度分類

對融合前后的原始多光譜影像數(shù)據(jù)和多尺度疊加影像數(shù)據(jù)進行最大似然法分類，分類結(jié)果如圖1所示。

基于SPOT5 HRG影像，原始影像總體分類精度為57.21%，多尺度疊加的影像的總體分類精度為70.05%，多尺度疊加的影像分類結(jié)果的總體分類精度比原始多光譜影像的總體分類精度高12.84%，多尺度疊加的影像分類結(jié)果的Kappa系數(shù)比原始多光譜影像的Kappa系數(shù)高0.130 6。

2.2.2 高分一號影像單尺度與多尺度分類

對融合前前后的原始多光譜影像數(shù)據(jù)和多尺度疊加影像數(shù)據(jù)進行最大似然法分類，分類結(jié)果如圖2所示。

基于高分一號影像，見表1和表2所示，原始影像總體分類精度為62.05%，多尺度疊加的影像的總體分類精度為76.81%，比原始多光譜影像的總體分類精度高14.76%，多尺度疊加的影像分類結(jié)果的Kappa系數(shù)比原始多光譜影像的Kappa系數(shù)高0.141 9。

由圖1和圖2可以看出，無論是SPOT5 HRG影像還是高分一號影像，其原始多光譜影像的最大似然法分類結(jié)果椒鹽現(xiàn)象較嚴重，小碎塊也比較多，錯分現(xiàn)象明顯，尤其是道路。多尺度疊加影像的分類結(jié)果相比其原始多光譜影像的分類結(jié)果，椒鹽現(xiàn)象得到明顯的改善，小碎塊相對較少，錯分現(xiàn)象也相對較少。

由此可見，多尺度疊加影像的分類精度相比其原始多光譜影像的分類精度都得到一定程度的提高。因此，基于最優(yōu)尺度的多尺度疊加影像分類可以提高遙感影像的分類精度。

3 ?結(jié)語

隨著遙感技術(shù)的發(fā)展和應(yīng)用的擴展，高分辨率遙感影像的獲取成為可能。但并不是遙感影像的空間分辨率越高，遙感影像的分類精度越高。該文通過計算各地物類型的最優(yōu)尺度，并在此基礎(chǔ)上進行多尺度分類。結(jié)果表明，基于多尺度的分類方法，可以提高高分辨率遙感影像的分類精度，這對以后高分辨率遙感影像的分類，具有一定的借鑒意義。該文僅是分析了不同地物類型的最優(yōu)尺度有所不同，實際上，同一種地物類型也可能因空間布局的不同導(dǎo)致同一個地物類型的最優(yōu)尺度出現(xiàn)不同。在以后的研究中，在最優(yōu)尺度的選擇上，不僅需要分析不同地物類型的最優(yōu)尺度，同時也應(yīng)該分析同一種地物類型間的不同，以便提高遙感影像分類的精度。

參考文獻

[1] 馬永建.基于CNN的高分辨率遙感影像典型農(nóng)作物分類方法研究[D].石河子大學(xué)，2020.

[2] 王雅慧.高分辨率多光譜遙感影像森林類型分類深度U-net優(yōu)化方法[J].林業(yè)科學(xué)研究，2020，33（1）：11-18.

[3] 王志盼.單類分類框架下的高分辨率遙感影像建筑物變化檢測算法[J].武漢大學(xué)學(xué)報：信息科學(xué)版，2020，45（10）：1610-1618.

[4] 董勝光.顧及陰影補償?shù)母叻直媛蔬b感影像對象級稀疏表示分類[D].湖南師范大學(xué)，2019.

[5] 楚恒，蔡衡，單德明.高分辨率遙感影像的多特征多核ELM分類方法[J].計算機工程與科學(xué)，2019，41（10）：1816-1822.

[6] 黃磊.基于模糊聚類的高分辨率遙感影像分類算法研究[D].重慶郵電大學(xué)，2019.