黎良財 張曉麗 郭 航

(省部共建森林培育與保護教育部重點實驗室(北京林業(yè)大學(xué))，北京，100083)

基于SVM方法的SPOT-5影像植被分類1)

黎良財 張曉麗 郭 航

(省部共建森林培育與保護教育部重點實驗室(北京林業(yè)大學(xué))，北京，100083)

運用SPOT-5全色和多光譜影像，采用支持向量機(SVM)法對森林植被進(jìn)行分類研究，探討了SVM法的分類能力以及紋理信息在森林植被分類中的影響。結(jié)果表明：Gram-Schmidt光譜銳化法是北京山區(qū)SPOT-5影像最佳的融合方法；SVM法在高分辨率影像森林植被分類中精度較高，不同核函數(shù)對分類精度的影響不顯著；基于灰度共生矩陣產(chǎn)生的紋理信息能夠提高SVM法的分類精度，3×3窗口是提高分類精度的最佳紋理窗口。

影像融合；Gram-Schmidt光譜銳化法；灰度共生矩陣；支持向量機；植被分類

森林植被被公認(rèn)為是反映生態(tài)環(huán)境變化的重要而又敏感的指示器，其中植被類型是研究森林狀況和動態(tài)變化規(guī)律的基礎(chǔ)。遙感技術(shù)具有的宏觀、動態(tài)、可重復(fù)和成本低等諸多優(yōu)點滿足了森林植被分類在時間和空間上的需要，己成為研究植被現(xiàn)狀與時空變化的理想手段。許多研究者提出了各種方案改進(jìn)植被分類精度：一些學(xué)者[1-6]在分類時引入植被指數(shù)來改善植被分類精度；一些學(xué)者[7-16]綜合利用多時相、多源數(shù)據(jù)輔助分類，獲得了較高的分類精度；還有一些學(xué)者[17-21]采用BP神經(jīng)網(wǎng)絡(luò)智能分類技術(shù)得到了較好的分類結(jié)果。而對于高分辨率影像，引入紋理信息參與植被分類值得探討。

本研究以北京市西北部八達(dá)嶺林場為試驗區(qū)，選用SPOT-5影像，先期對影像進(jìn)行校正、融合等預(yù)處理，再通過灰度共生矩陣構(gòu)造派生紋理信息，采用支持向量機(SVM)法綜合多光譜信息和紋理信息進(jìn)行小區(qū)域植被分類，能夠?qū)⑨樔~林、闊葉林、灌木林較好地分開。

1 研究區(qū)概況

本研究以八達(dá)嶺林場為對象，該林場位于北京市西北部延慶縣境內(nèi)，在延慶和昌平兩縣交界處的萬里長城主要關(guān)口——居庸關(guān)和八達(dá)嶺之間，是首都生態(tài)系統(tǒng)的重要組成部分和重要的生態(tài)屏障。林場西高東低，溝谷縱橫，最高海拔1 238 m，最低海拔450 m。屬暖溫帶半濕潤大陸性季風(fēng)氣候，年均溫11.8 ℃，年均無霜期190 d，年均降水量644 mm。土壤地帶性上處于暖溫帶半濕潤地區(qū)的褐土帶，原生植被類型是暖溫帶落葉闊葉林和溫性針葉林，由于修筑長城，歷代多次用兵，使原有森林環(huán)境逐漸向干旱草原發(fā)展。20世紀(jì)50年代建場以來，逐年營造的人工林，現(xiàn)已大部分郁閉成林，樹種主要有油松、側(cè)柏、華北落葉松、椴樹、元寶楓、榆樹、山杏、刺槐、黃櫨等，現(xiàn)有森林覆蓋率已達(dá)到60.7%[22]。

2 材料與方法

數(shù)據(jù)來源：選用SPOT-5(2004年5月23日)2.5 m全色和10 m多光譜影像(參數(shù)見表1)，輔以林場1∶10 000地形圖，1∶10 000數(shù)字高程模型(DEM)、八達(dá)嶺林場邊界矢量圖層。

正射校正：研究區(qū)為多山地區(qū)，地形起伏較大，常規(guī)的幾何校正方法難以消除地形因素對影像變形的影響，因此，必須結(jié)合數(shù)字高程模型(DEM)數(shù)據(jù)對影像進(jìn)行正射校正。ENVI4.8版本正射校正模塊中嵌入了SPOT-5軌道物理模型，能夠生產(chǎn)高精度的正射影像。該模型自動讀取DEM信息以及衛(wèi)星傳感器的狀態(tài)參數(shù)，這些參數(shù)存貯在元數(shù)據(jù)中。校正所用基準(zhǔn)面為Krasovsky，投影為Gauss_Kruger，坐標(biāo)系為Beijing1954。首先校正SPOT-5全色影像，然后以其為參照校正多光譜影像。校正時控制點應(yīng)先在影像4個角上選取，然后均勻加密，數(shù)量為15個，檢查點選取5個；采用二次多項式方法進(jìn)行影像配準(zhǔn)，雙線性內(nèi)插法重采樣，配準(zhǔn)誤差控制在1個像素內(nèi)。

表1 衛(wèi)星數(shù)據(jù)參數(shù)

試驗區(qū)裁剪：為獲得準(zhǔn)確的研究區(qū)范圍，用北京市八達(dá)嶺林場矢量圖層做掩膜，裁剪正射校正后影像，生成研究區(qū)影像(范圍見圖1)。

圖1 試驗區(qū)位置和SPOT-5影像

影像融合：遙感圖像融合是在計算機系統(tǒng)的支持下，采用一定的方法將多源遙感圖像所包含的優(yōu)勢信息或互補信息有效地結(jié)合起來，用來獲取對同一場景中事物或目標(biāo)更客觀、更本質(zhì)的認(rèn)識。文中采用像素級融合方法，目前比較常用的方法有Multiplicative變換、Brovey變換、HIS變換、PCA變換、Gram-Schmidt(GS)變換、Wavelet變換等。這些方法在某些特定方面都取得了較好的應(yīng)用效果，但是它們也有自身的缺點[23]，文中將上述幾種常用融合方法進(jìn)行對比篩選。

波段構(gòu)造：SPOT-5多光譜影像光譜特征并不突出，但隨著分辨率的提高，地物的紋理特征越來越突出，增加紋理信息，可以有效地提高分類精度。影像分類時輸入波段包括SPOT-5的4個多光譜波段和由全色波段提取的紋理信息，即Haralick[24]提出的基于灰度共生矩陣(其中d=1，θ=135)計算出的角二階矩(AS，M)、對比度(CO，N)、熵(EN，T)、局部平穩(wěn)(HO，M)、和平均(AV，R)、非相似度(DI，S)、方差(VA，R)等7種統(tǒng)計紋理信息。

訓(xùn)練樣地：地面數(shù)據(jù)采集工作要盡量多涵蓋具有不同樹種、不同地形特征的地塊，由于影像成像于2004年，故實地踏察時應(yīng)選擇人為干擾少，植被類型穩(wěn)定的樣點建立10 m×10 m的標(biāo)準(zhǔn)地，記錄每個標(biāo)準(zhǔn)地中心的坐標(biāo)、樹種組成、海拔、坡向、坡位及郁閉度。共計在八達(dá)嶺林場設(shè)置了48個標(biāo)準(zhǔn)地，建立森林植被解譯標(biāo)志，作為接下來選取分類樣本的依據(jù)。

影像分類：森林植被的劃分是森林資源調(diào)查和監(jiān)測的基礎(chǔ)，依據(jù)2003年國家林業(yè)局頒布的《森林資源規(guī)劃設(shè)計調(diào)查主要技術(shù)規(guī)定》和2003年《北京市森林資源規(guī)劃設(shè)計調(diào)查操作技術(shù)細(xì)則》，遵循統(tǒng)一性、適用性以及遙感技術(shù)可監(jiān)測性原則，將研究區(qū)森林資源的地類劃分為林業(yè)用地和非林業(yè)用地；林業(yè)用地分為有林地(含疏林地)和灌木林地，有林地依據(jù)林分組成分成針葉林、闊葉林兩個類型。在遙感分類研究中，選用支持向量機(SVM)方法和最大似然法。

3 結(jié)果與分析

3.1 融合結(jié)果與評價

不同融合方法都明顯提高了影像的空間分辨率，更加便于目視解譯 。影像融合算法的評價通常有2種方法，即視覺評價和定量評價[25]。

3.1.1 視覺評價

將融合影像和試驗區(qū)原始影像(圖2)進(jìn)行目視對比。

圖2 試驗區(qū)原始影像(局部)

GS方法融合效果最好，光譜上幾乎沒有畸變(圖3F)；PCA方法融合結(jié)果產(chǎn)生了較大的光譜扭曲，整個影像顯示為紅色(圖3D)；HIS方法融合結(jié)果也有較大的光譜失真(圖3B)；Brovey、Multiplicative方法融合結(jié)果沒有明顯差異(圖3A、C)。與其他融合方法相比，基于Wavelet+HIS變換融合法增強了地物間的差異，但同時也產(chǎn)生了一些明顯的噪聲點(圖3E)。對于該區(qū)域而言，基于GS方法的影像融合產(chǎn)生了較好的效果。

圖3 融合后影像

3.1.2 定量評價

定量評價影像融合效果的統(tǒng)計參數(shù)較多[25]，文中基于提高空間分辨率、增加信息量和保持融合影像的光譜性質(zhì)的標(biāo)準(zhǔn)，選取了信息熵、圖像均值、標(biāo)準(zhǔn)差、光譜扭曲程度及平均梯度5個指標(biāo)，統(tǒng)計結(jié)果如表2所示。

表2 SPOT-5影像融合效果統(tǒng)計

注：—表示無數(shù)據(jù)。

影像的熵值是衡量影像信息豐富程度的一個重要指標(biāo)。幾乎所有融合方法在各個波段的熵值都大于原始多光譜影像，說明各種融合方法都在不同程度上增加了影像的信息量。其中基于小波的HIS變換的融合影像在各個波段都具有最大的熵值，說明該算法能夠顯著地增加融合影像的信息量。

影像均值是像素灰度平均值，對人眼反映為平均亮度。Brovey、Multiplicative、HIS法使均值變??；Wavelet+HIS法使均值變大；GS法幾乎沒有變化。

標(biāo)準(zhǔn)差是用來評價融合影像與原始影像之間的差異程度。光譜扭曲程度直接反映了多光譜影像的光譜失真程度。值越小，表示融合的效果越好。從標(biāo)準(zhǔn)差和光譜扭曲來看，GS法顯著小于其他方法，說明該方法融合影像與原始多光譜影像相比變異較少，HIS法變異最為嚴(yán)重，這與目視評價結(jié)果一致。

平均梯度反映了影像清晰程度和微小細(xì)節(jié)反差及紋理變換特征，所有融合影像平均梯度值都高于原始多光譜影像，說明融合影像紋理更突出，反差更明顯，清晰度更高。小波變換的值最大，其余由大到小依次為HIS、Brovey、PCA、GS、Multiplicative方法。

綜上所述，5個指標(biāo)中GS法在提高影像空間分辨率和增強影像清晰度的同時，很好地保持了影像的光譜特征，最適合于本地區(qū)使用。

3.2 分類精度

3.2.1 不同分類方法精度比較

分別用最大似然法和SVM法對合成的11波段(T11)影像進(jìn)行分類(圖4A、F)。SVM法采用多項式(Polynomial)核函數(shù)，階數(shù)取5，窗口大小取3×3。為檢驗2種分類方法的精度，采用隨機抽樣法在分類圖上生成200個隨機點，然后對照研究區(qū)2005年航片判斷分類的正確性，生成分類精度矩陣。2種方法的分類精度見表3、表4。

表3 最大似然法分類精度矩陣(T11)

注：Kappa=0.412 7；總體精度=56.00%。

表4 SVM法分類精度矩陣(T11 3×3 Polynomial)

注：Kappa=0.768 8;總體精度=83.50%。

從表3可以看出最大似然法很難把灌木林與闊葉林準(zhǔn)確分開，針葉林的分類精度也不高，該方法的總體精度56.00%，Kappa系數(shù)為0.412 7。而以多項式為核函數(shù)的SVM法能夠?qū)⑨樔~林、闊葉林、灌木林較好地分開，總體精度達(dá)到了83.5%，Kappa系數(shù)為0.768 8。比較2種方法，SVM法能夠明顯地提高森林植被的分類精度。

3.2.2 不同核函數(shù)對分類精度的影響

基于SVM方法，采用3種核函數(shù)(多項式Polynomial、線性Linear、徑向基Radial Basis)對T11影像進(jìn)行分類(圖4D、E、F)，得到分類精度矩陣(表4～表6)。通過分析表4、表5、表6發(fā)現(xiàn)，采用Linear、Polynomial和Radial Basis核函數(shù)分類的總體分類精度分別為83.00%、83.50%和84.50%，Kappa系數(shù)分別為0.761 0、0.768 8和0.781 8，3種核函數(shù)對分類精度的影響并不顯著，且每一種核函數(shù)都可以取得較好的分類結(jié)果。

表5 SVM法分類精度矩陣(T11 3×3 Linear)

注：Kappa=0.761 0;總體精度=83.00%。

表6 SVM法分類精度矩陣(T11 3×3 Radial Basis)

注：Kappa=0.781 8 ;總體精度=84.50%。

3.2.3 紋理信息對分類精度的影響

為分析紋理信息對分類精度的影響，選擇無紋理信息的多光譜3個波段(T3)影像和有紋理信息的T11影像采用SVM法進(jìn)行分類比較研究，分類結(jié)果見圖4B、 F，所得的分類精度矩陣見表4和表7。對比表4和表7可知，T3影像比T11影像的分類精度低，總體精度分別為77.50%和83.50%，Kappa系數(shù)分別為0.685 0和0.768 8。

表7 SVM法分類精度矩陣(T3 3×3 Polynomial)

注：Kappa=0.685 0；總體精度=77.50%。

通過比較可以看出基于灰度共生矩陣產(chǎn)生的紋理對于提高影像分類精度有較大的幫助，隨著影像分辨率的提高，紋理信息的作用也就顯得越來越重要。

3.2.4 不同窗口大小對分類精度的影響

為了分析不同窗口大小對分類精度的影響，分別提取3×3、5×5和7×7窗口的紋理信息基于SVM法進(jìn)行分類(圖4F、 G、 H)。通過比較分類精度矩陣表4、表8和表9發(fā)現(xiàn)，3×3窗口和5×5窗口的總體分類精度與Kappa系數(shù)差異不顯著，以3×3窗口精度略高；7×7窗口的總體分類精度最低，Kappa系數(shù)最小，差異顯著。由上述分析可以看出，隨著窗口的增大，分類精度有降低的趨勢。

圖4 植被分類圖

表8 SVM法分類精度矩陣(T11 5×5 Polynomial)

注：Kappa=0.760 7；總體精度=83.00%。

表9 SVM法分類精度矩陣(T11 7×7 Polynomial)

注：Kappa=0.661 5;總體精度=76.00%。

3.2.5 紋理信息維度對分類精度的影響

紋理信息能夠提高影像的分類精度，然而，所采用的紋理信息越多，所產(chǎn)生的波段也就越多，同時增加了分類的運算量和運算復(fù)雜程度，找到最少最有效的波段能夠提高分類的效率。對T11影像的相關(guān)性進(jìn)行分析，得到各波段的相關(guān)性表(表10)。通過分析表10，在盡量保留多光譜信息的前提下，最終選擇B1、B2、B3、B6、B8、B9波段合成6波段(T6)影像。

采用SVM法對T6影像進(jìn)行分類，結(jié)果見圖4C，所得分類精度矩陣如表11所示。通過比較表4和表11發(fā)現(xiàn)，T11影像和T6影像分類結(jié)果的總體精度分別為83.50%和82.50%，Kappa系數(shù)分別為0.768 8和0.755 4，各類別的分類結(jié)果也沒有顯著差異，說明可以用T6影像替代T11影像進(jìn)行分類。

表10 波段相關(guān)性分析

注：B1～B4為多光譜4個波段；B5～B11分別為AVR、VAR、HOM、CON、DIS、ENT、ASM。

表11 SVM法分類精度矩陣(T6 3×3 Polynomial)

注：Kappa=0.755 4；總體精度=82.50%。

4 結(jié)論與討論

對比不同方法在山區(qū)SPOT-5影像融合中的效果，得出Gram-Schmidt光譜銳化法在增加影像信息量、清晰度，保持光譜特征方面都具有優(yōu)勢，是北京西北山區(qū)SPOT-5影像最佳的融合方法。

SVM法在高分辨率影像森林植被分類中比最大似然法具有優(yōu)勢，分類精度較高，是一種有潛力的方法，不同核函數(shù)對分類精度的影響不顯著。

基于灰度共生矩陣產(chǎn)生的紋理信息能夠增加SVM法的分類精度。計算GLCM時，方向θ、距離d和窗口大小的選擇非常重要，d一般取1，方向采用了Haralick提出的θ=135，而對不同的窗口大小產(chǎn)生的紋理對分類精度的影響進(jìn)行了對比，隨著窗口的增大，分類精度隨之降低；3×3窗口是SPOT影像提取紋理信息的最佳窗口。

山區(qū)復(fù)雜的地物光譜特征決定了信息提取的復(fù)雜性。從光譜角度而言，豐富的光譜特征能夠提高地物的分辨能力，將高光譜數(shù)據(jù)應(yīng)用于山區(qū)森林植被分類是今后研究的方向；從地物紋理特征而言，高分辨率影像具有豐富的紋理特征，將高分辨率數(shù)據(jù)應(yīng)用于樹種級分類是今后研究的另一個方向；從紋理信息提取角度而言，應(yīng)用小波分析能夠有效提取遙感影像中各個層次豐富的信息，小波分析提取紋理信息也是值得進(jìn)一步研究的方向。

[1] Tucker C J, Townshend J R G, Goff T E. African land-cover classification using satellite data[J]. Science,1985,227:369-375.

[2] 盛永偉,陳維英,肖乾廣,等.利用氣象衛(wèi)星植被指數(shù)進(jìn)行我國植被的宏觀分類[J].科技通報,1995,40(1):68-71.

[3] 黃建文,鞠洪波.利用航天遙感數(shù)據(jù)進(jìn)行植被分類的研究[J].林業(yè)科技通訊,1998(10):9-11.

[4] 李曉兵,史培軍.基于NOAA/AVHRR數(shù)據(jù)的中國植被類型NDVI變化規(guī)律研究[J].植物學(xué)報,1999,41(3):314-324.

[5] 徐麗華,岳文澤,李先華,等.基于二維小波變換的遙感分類研究[J].遙感技術(shù)與應(yīng)用,2003,18(5):317-321.

[6] 劉峰,張貴.基于GIS和RS的廣州市森林植被分類研究[J].湖南林業(yè)科技,2004,31(1):15-17.

[7] Townshend J R G, Goff T E, Tucker C J. Multispectral dimensionality of images of normalized difference vegetation index at continental scales[J]. IEEE Transaction on Geoscience and Remote Sensing,1985,23(6):888-895.

[8] Philip A T, Stephen J W. Remote sensing of forested wetlands: application of multitemporal and multispectral satellite imagery to determine plant community composition and structure in southeastern USA[J]. Plant Ecology,2001,157(2):129-149.

[9] Lu Dengsheng, Batistella M, Moran E, et al. Fractional forest cover mapping in the Brazilian Amazon with a combination of MODIS and TM images[J]. International Journal of Remote Sensing,2011,32(22):7131-7149.

[10] Aruna V F C, Chen Shengbo. Remote sensing classification of western Sierra Leone using landsat TM and ETM+[J]. Global Geology,2012,15(1):58-65.

[11] Mayaux P, de Grandi G, Malingreau J P. Central African forest cover revisited: a multisatellite analysis[J]. Remote Sensing of Environment,2000,71(2):183-196.

[12] 霍宏濤,王任華,游先祥.三維及相關(guān)輔助信息在提高圖像分類精度中的研究[J].北京林業(yè)大學(xué)學(xué)報,2001,23(2):28-31.

[13] 游曉斌,王蕾.應(yīng)用輔助信息提高森林分類和森林區(qū)劃能力的研究[J].北京林業(yè)大學(xué)學(xué)報，2003，25(特刊)：41-42.

[14] 李道峰,田英,郝芳華.基于NDVI數(shù)據(jù)的黃河流域地表植被覆蓋綜合分類研究[J].水土保持研究,2003,10(4):88-91.

[15] Agarwal S, Joshi P K, Shukla Y, et al. Spot-vegetation multi-temporal data for classifying vegetation in south central Asia[J]. Current Science,2003,84:1440-1448.

[16] Jing Xia, Wang Jindi, Wang Jihua, et al. Classifying forest vegetation using sub-region classification based on multi-temporal remote sensing images[J]. Remote Sensing Technology and Application,2008,23(4):394-397.

[17] 王任華,霍宏濤,游先祥.人工神經(jīng)網(wǎng)絡(luò)在遙感圖像森林植被分類中的應(yīng)用[J].北京林業(yè)大學(xué)學(xué)報,2003,25(4):1-5.

[18] Berberoglu S, Tuluhan Y K, ?zkan C. Mapping and monitoring of coastal wetlands of Cukurova Delta in the Eastern Mediterranean region[J]. Biodiversity and Conservation,2004,13(3):615-633.

[19] 劉旭升,張曉麗.基于BP神經(jīng)網(wǎng)絡(luò)的森林植被遙感分類研究[J].林業(yè)資源管理,2005(1):51-54.

[20] 王立海,趙正勇.基于BP神經(jīng)網(wǎng)絡(luò)的針闊混交林TM遙感圖像自動分類技術(shù)研究[J].林業(yè)科學(xué),2005,41(6):94-101.

[21] 李儀,陳云浩,李京.基于微種群遺傳算法和自適應(yīng)BP算法的遙感圖像分類[J].光學(xué)技術(shù),2005,31(1):17-20.

[22] 武會欣.八達(dá)嶺林場油松林健康評價[D].保定：河北農(nóng)業(yè)大學(xué),2006.

[23] 李存軍,劉良云,王紀(jì)華,等.兩種高保真遙感圖像融合方法比較[J].中國圖象圖形學(xué)報,2004,9(11):1376-1385.

[24] Haralick R M, Shanmugam K, Dinstein I. Texture features for image classification[J]. IEEE Transactions on Systems Man and Cybernetics,1973,3(6):610-621．

[25] 王海暉,彭嘉雄,吳巍,等.多源遙感圖像融合效果評價方法研究[J].計算機工程與應(yīng)用,2003(25):33-37.

Vegetation Extraction in SPOT5 Image with SVM Method/

Li Liangcai, Zhang Xiaoli, Guo Hang(Key Laboratory for Silviculture and Conservation of Ministry of Education, Beijing Forestry University, Beijing 100083, P. R. China)//Journal of Northeast Forestry University.-2014,42(1).-51～56

Image fusion; Gram-Schmidt spectral sharpening method; Gray level co-occurrence matrix (GLCM); Support vector machine (SVM); Vegetation extraction

1) 國家“863”計劃課題(2012AA102001-5)、教育部高等學(xué)校博士學(xué)科點專項科研基金資助課題(20100014110002)。

黎良財，男，1978年11月生，省部共建森林培育與保護教育部重點實驗室(北京林業(yè)大學(xué))，博士研究生；現(xiàn)工作于廣西生態(tài)工程職業(yè)技術(shù)學(xué)院，副教授。

張曉麗，省部共建森林培育與保護教育部重點實驗室(北京林業(yè)大學(xué))，教授，博士生導(dǎo)師。E-mail:zhang-xl@263.net。

2012年11月19日。

S771.8； TP753

責(zé)任編輯：任 俐。

The experiment was conducted to classify the forest vegetation with support vector machine (SVM) method based on SPOT-5 panchromatic and multispectral images and explore the ability with SVM method and the effect by texture information in forest vegetation classification. Gram-Schmidt spectral sharpening method is the best fusion method for SPOT-5 image in Beijing mountain areas. SVM method has higher classification accuracy with the fine resolution images in the forest vegetation extraction. There is no significant difference on classification accuracy with different kernel functions. Image texture information from Gray level co-occurrence matrix (GLCM) method can improve the classification accuracy by SVM method, and the best texture window of 3×3 windows can improve the classification accuracy obviously.