基于遙感圖像光譜特征融合的高原土地覆蓋類型分類模型

陜西農(nóng)業(yè)科學(xué)2023年第69卷第9期唐彬元，等：基于遙感圖像光譜特征融合的高原土地覆蓋類型分類模型（1.青海省地質(zhì)測繪地理信息院，青海 西寧 810000；2.青海省高原測繪地理信息新技術(shù)重點實驗室，青海 西寧 810000）

摘要： 在使用土地覆蓋類型分類模型分類高原土地覆蓋類型的過程中，由于不同類別地物間光譜信息更相近，在沒有多特征降噪的情況下，容易產(chǎn)生噪聲偏差，導(dǎo)致土地覆蓋類型錯分，設(shè)計一種基于遙感圖像光譜特征融合的高原土地覆蓋類型分類模型。設(shè)計特征提取方法，提取遙感圖像中幾何特征的空間特征與屬性特征，以展示遙感圖像光譜更多的空間細節(jié)信息；將遙感圖像按照一定模式規(guī)則進行處理和運算，構(gòu)建三種多特征融合模式，使用SVM作為分類工具，計算其中參數(shù)，實現(xiàn)元素的線性可分。模型性能測試結(jié)果表明：設(shè)計的分類模型所得到的分類結(jié)果在生產(chǎn)精度、總體精度、Kappa系數(shù)這三個指標中的評分均達到了0.7以上，驗證了設(shè)計模型在高原土地覆蓋類型分類中的準確性。

關(guān)鍵詞：遙感圖像光譜；特征融合；土地覆蓋類型；分類模型

中圖分類號：P237文獻標識碼：A文章編號：0488-5368（2023）09-0075-05

收稿日期：2022-11-28修回日期：2023-01-15

第一作者簡介：唐彬元（1987-），男，藏族，青海民和人，青海大學(xué)學(xué)士學(xué)位（測繪工程專業(yè)），測繪中級工程師，主要研究方向：大地測量、工程測量、不動產(chǎn)測繪、遙感應(yīng)用、地理信息等。Classification Model of Plateau Land Cover Type Based on

Spectral Feature Fusion of Remote Sensing Images

TANG Binyuan ZHAO Hongpeng YANG Zhen

（1.Qinghai Geological Mapping and Geographic Information Institute， Xining Qinghai" 810000， China;

2.Qinghai Provincial Key Laboratory of New Geographic Information Technology for Plateau Surveying and Mapping， Xining Qinghai" "810000， China）

Abstract： In the process of classifying plateau land cover types， a land cover classification model was used in this study. Due to the similarity of spectral information between different categories of land features， noise bias was easily generated without multi-feature denoising. This leads to misclassification of land cover types.Therefore， a plateau land cover classification model based on the fusion of spectral features from remote sensing images was proposed. A feature extraction method was designed to extract the spatial and attribute features of geometric features in remote sensing images， indicating more spatial details of spectral information. The remote sensing images were processed and operated according to certain pattern rules， creating three multi-feature fusion modes. Support Vector Machine （SVM） was employed as the classification tool， and parameters were computed to achieve linear separability of elements. Performance test results of the model showed that the classification results obtained by the designed model have scores above 0.7 in terms of producer's accuracy， overall accuracy， and Kappa coefficient. This validates the accuracy of the designed model in classifying plateau land cover types.

Key words： Remote sensing image spectrum; Feature fusion; Land cover type; Classification model

0引言

城鎮(zhèn)化的飛速發(fā)展也改變了大部分高原土地的使用情況，城鎮(zhèn)化的擴張造成了農(nóng)作物種植用土地面積的銳減，環(huán)境在受到影響的同時，生態(tài)也產(chǎn)生了一定的退化。要確保高原土壤在合理利用的同時，還需要對高原地區(qū)的自然土地資源進行合理保護[1，2]。在以上高原土地開發(fā)利用保護過程中，真實準確的掌握高原土地當前的準確使用情況，是重要的前提。遙感技術(shù)在對大面積土地進行探測的工作中，其效率高，成本低。由于是針對高原土地這樣環(huán)境復(fù)雜、人力難以到達的險峻地段，使用遙感進行監(jiān)測，不僅能夠節(jié)省大量的人力物力財力，而且能夠快速獲取信息，因而遙感圖像近年來的應(yīng)用較為廣泛。通過對高原土地的遙感圖像進行分析，對土地的覆蓋類型進行分類，是遙感技術(shù)的重要內(nèi)容之一。衛(wèi)星傳感器的不斷迭代發(fā)展，得到的遙感影像在空間中的分辨率也越來越高，這也令遙感圖像光譜能夠表現(xiàn)出來的土地信息更加豐富。

對于高光譜遙感圖像來說，一個像素點對應(yīng)的特征向量能夠達到上百個維度，特征向量中也包含了對應(yīng)的光譜信息，從這些光譜信息中獲取到地物的信息更加豐富，相關(guān)學(xué)者進行了研究，劉唐等[3]優(yōu)化ELM每個隱層節(jié)點的輸入權(quán)值和偏置，構(gòu)建ELM分類模型，提高了極限學(xué)習(xí)機的泛化性能，但是難以應(yīng)對空間細節(jié)信息處理難題應(yīng)用效率較低。李淵等[4]為了避免唯一標簽導(dǎo)致的錯分類現(xiàn)象，考慮到區(qū)域類別標簽對分類精度影響，利用區(qū)域邊緣信息和后驗概率，考慮區(qū)域特征與鄰域特征，使特征場參數(shù)更加接近真實情況，但是噪聲偏差較大。李長生等[5]利用屬性間的決定系數(shù)選擇合適的屬性集合，改進KNN算法，體現(xiàn)特征向量之間相對關(guān)系，保證屬性識別度，但是特征混淆度較高，總體精度較低。

為了獲取到高原土地上的實際土地覆蓋類型，需要對遙感圖像中的像素點進行深度分析，最大程度的挖掘其中的數(shù)據(jù)信息，以達到對土地覆蓋類型進行分類[6，7]。但是目前所使用的分類模型中，使用的都是光譜特征，沒有考慮到多特征去噪，這會導(dǎo)致在分類過程中出現(xiàn)誤分類和未分類的情況，因此本文設(shè)計一種基于遙感圖像光譜特征融合的高原土地覆蓋類型的分類模型。1高原土地覆蓋類型分類模型設(shè)計1.1遙感圖像多特征提取

在原有的土地覆蓋類型分類模型中，主要是依靠單一像素的光譜信息特征作為依據(jù)完成分類。但是當前的高光譜遙感圖像中，針對相同類別的地物之間的光譜信息差異比較明顯，而不同類別的地物之間光譜信息更加相近，這就極容易導(dǎo)致在分類結(jié)果中出現(xiàn)噪聲偏差，導(dǎo)致土地覆蓋類型錯分[8]。在這樣的情況下，就需要對遙感圖像的光譜多特征進行提取并融合，例如紋理特征與幾何特征，將其作為重要特征，以便能夠展示出更多的空間細節(jié)信息[9]。在多特征提取的過程中，首先對空間特征進行提取，空間特征隱藏了空間地理信息，空間特征又分為形態(tài)學(xué)特征和屬性特征。在形態(tài)學(xué)特征中，將一個尺寸不變的窗口在圖像中進行掃描，在進行開關(guān)窗操作中，將圖像中具有連通性的像素進行連接，以凸顯出圖像的空間特征。過程如圖1所示：

2模型性能驗證

2.1數(shù)據(jù)準備

為了驗證本文所設(shè)計的基于遙感圖像光譜特征融合的高原土地覆蓋類型分類模型在實際應(yīng)用中的有效性，在本章進行模型的性能測試。測試數(shù)據(jù)集所選擇的是某高原地區(qū)的遙感圖像數(shù)據(jù)，高數(shù)據(jù)集中的圖像大小為125*125像素，空間分辨率在20 m左右，其中包含314個光譜波段。為了保證模型測試的有效性和可控性，我們將數(shù)據(jù)集中包含受大氣吸水影響的噪聲波段剔除，剩余286個波段進行測試。在該遙感圖像中，一共包含12種地物，主要分為農(nóng)作物和森林，并伴隨一些多年生植物。測試數(shù)據(jù)集的偽彩色圖以及真實數(shù)據(jù)圖如圖4所示：

2.2選擇實驗評價指標

2.3實驗結(jié)果對比

3結(jié)束語

利用遙感影像對土地的覆蓋模型進行分類，是研究高原土地利用情況的重要手段。高光譜遙感影像的波段數(shù)量多，圖像分辨率高，能夠從中獲取到豐富的信息，以上特點決定了遙感圖像在該院土地研究過程中的重要地位。本文針對遙感圖像光譜的多特征入手，對高原土地的遙感圖像特征進行提取，經(jīng)過融合之后，完成綜合分析。通過模型的性能測試，本文設(shè)計的模型分類結(jié)果與傳統(tǒng)模型所得到的分類結(jié)果在各項指標中均有更好的表現(xiàn)。但是本文設(shè)計的模型在參數(shù)選取的過程中擬合步驟較多，在懲罰系數(shù)和核函數(shù)的選擇過程中缺乏規(guī)范的評判標準，在分類過程中，影響擬合進度。在今后的研究中，需要增加擬合次數(shù)，期望獲取最優(yōu)參數(shù)在取值過程中的規(guī)律。參考文獻：

[1]劉洪超，董安國.基于非局部方式特征融合的高光譜遙感圖像分類算法[J].激光與光電子學(xué)進展，2020，57（6）：195-201.

[2]高原，陳愛斌，周國雄，等.基于OctConv的DCNN在遙感圖像場景分類中的應(yīng)用[J].電子測量與儀器學(xué)報，2020，34（1）：61-67.

[3]劉唐， 周創(chuàng)明， 周煒，等. 基于改進煙花算法的ELM分類模型[J]. 火力與指揮控制， 2020， 45（2）：10-15.

[4]李淵， 毋琳， 戚雯雯，等. 基于改進OGMRF-RC模型的SAR圖像分類方法[J]. 國土資源遙感， 2021， 33（4）：98-104.

[5]李長生， 劉宗成， 劉碩. 基于線性回歸方法改進的KNN數(shù)據(jù)分類模型[J]. 蘭州石化職業(yè)技術(shù)學(xué)院學(xué)報， 2021， 21（3）：20-23.

[6]柴華彬，嚴超，鄒友峰，等.利用PSP Net實現(xiàn)湖北省遙感影像土地覆蓋分類[J].武漢大學(xué)學(xué)報（信息科學(xué)版），2021，46（8）：1 224-1 232.

[7]李卓，韓文超，胡起源，等.融合光譜混合分解與面向?qū)ο蟮耐恋乩?覆被分類[J].農(nóng)業(yè)工程學(xué)報，2021，37（17）：225-233.

[8]童瑩萍，全英匯，馮偉，等.基于空譜信息協(xié)同與Gram-Schmidt變換的多源遙感圖像融合方法[J].系統(tǒng)工程與電子技術(shù)，2022，44（7）：2 074-2 083.

[9]李恒凱，甕旭陽.基于GF-2影像的離子吸附型稀土礦區(qū)地表覆蓋分層分類提取方法研究[J].稀土，2022，43（2）：108-119.

[10]張濤，方宏，韋玉春，等.顧及空間自相關(guān)性的高分遙感影像中建設(shè)用地的變化檢測[J].自然資源學(xué)報，2020，35（4）：963-976.

[11]韋欽樺，羅文斐，李浩，等.基于無人機高光譜影像的植被覆蓋度遙感估算模型比較[J].華南師范大學(xué)學(xué)報（自然科學(xué)版），2021，53（6）：79-87.

[12]王協(xié)，章孝燦，蘇程.基于多尺度學(xué)習(xí)與深度卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像土地利用分類[J].浙江大學(xué)學(xué)報（理學(xué)版），2020，47（6）：715-723.

[13]胡琳，甘淑，袁希平，等.恐龍谷南緣環(huán)狀構(gòu)造的土地利用/覆蓋分類及高光譜特征差異分析[J].光學(xué)技術(shù)，2021，47（6）：709-715.

[14]李林，田馨，翁永玲.基于極化SAR和光學(xué)影像特征的土地覆蓋分類[J].東南大學(xué)學(xué)報（自然科學(xué)版），2021，51（3）：529-534.

[15]李俐，陳琦琦，張超，等.基于RNMU的多源星載SAR影像融合與土地覆蓋分類[J].農(nóng)業(yè)機械學(xué)報，2020，51（3）：191-200.