趙 靜，王崇倡，王家海，陳艷玲

(1.遼寧工程技術大學 測繪與地理科學學院,遼寧 阜新 123000；2.國家農業(yè)信息化工程技術研究中心,北京 100097；3.河南理工大學 測繪與國土信息工程學院,河南 焦作 454000)

基于云理論的遙感影像分類方法分析

趙 靜1,2，王崇倡1，王家海1，陳艷玲3

(1.遼寧工程技術大學 測繪與地理科學學院,遼寧 阜新 123000；2.國家農業(yè)信息化工程技術研究中心,北京 100097；3.河南理工大學 測繪與國土信息工程學院,河南 焦作 454000)

采用基于云理論的遙感影像分類方法，該理論兼容模糊性和隨機性，通過逆向云發(fā)生器生成云模型，進而得出云的數字特征隸屬函數，使用X條件云發(fā)生器計算隸屬度，最后用極大判別法實現分類。通過與傳統方法的實驗對比分析，基于云理論的遙感影像分類方法有效地改善分類中的不確定性問題，提高分類準確度。

不確定性；云理論；遙感影像分類；云發(fā)生器；隸屬度

遙感起源于20世紀60年代，到80年代高光譜遙感技術興起，遙感分類是人們獲取信息的一種重要手段[1]。遙感影像分類實質上是從定量數值、地物光譜信息到定性概念、地物類別的一種轉換[2]。但是，由于環(huán)境自身變化的隨機性、傳感器本身特性的影響以及地表覆蓋的復雜性，這種轉換存在著一定的模糊性和隨機性，特別當地物細節(jié)豐富、空間相關性強而產生相互影響和干擾強的情況下，這種不確定性很明顯。模糊性主要體現在圖像中各個對象的邊界像素的“非此即彼”性，隨機性主要體現在模糊像元對于一個對象隸屬的不確定性[3]。遙感影像分類是遙感技術中重要的組成部分，是遙感技術中的研究熱點。因此，如何克服圖像的模糊性與隨機性的影響是關系分類成功與否的關鍵因素。云理論就是以研究定性定量間的不確定性轉換為基礎的系統處理不確定性問題的一種新理論，包括云模型、虛云、云運算、云變換、不確定性推理等內容，是一種對分類精度和分類速度更大提高的分類方法。云理論能夠把自然語言中定性概念的模糊性和隨機性有機綜合在一起，實現定性語言值和定量數值之間轉換[4]，是研究不確定性的重要工具。

1 云理論及其算法

1.1 云的基本概念

云是用語言值描述的某個定性概念與其數值表示之間的不確定性轉換模型[5]，或者簡單地說云模型是定性定量間轉換的不確定性模型[6]。

1.2 云的數字特征

用期望值Ex、熵En、超熵He表示云的數字特征。

期望值Ex是在數域空間最能表達定性概念的點值，反映這個概念的云滴集的云重心[7]，它100%地隸屬于這個定性概念。

熵En是定性概念模糊度的度量，反映在論域中可被這個概念接受的數值范圍，體現定性概念亦此亦彼性的裕度。熵越大，概念所接受的數值范圍也越大，概念越模糊[8]。

超熵He即熵En的熵，反映云滴的離散程度。超熵越大，云滴離散度越大，隸屬度的隨機性越大，云的“厚度”也越大[8]。

1.3 算法描述

云分類法的算法步驟分為3個階段：①逆向云發(fā)生器生成每類地物的云模型；②利用X條件云計算每個待分像素的隸屬度;③用極大判定法則實現分類[9]。

1.3.1 正向云發(fā)生器

正向云發(fā)生器是用語言值描述的某個概念與其數值表示之間的不確定性轉換模型，是從定性到定量的映射[10]，見圖1。

圖1 正向云發(fā)生器

1.3.2 逆向云發(fā)生器

逆向云發(fā)生器是實現數值和其語言值之間的隨時轉換的不確定性轉換模型，是從定量到定性的映射[11]，見圖2。

圖2 逆向云發(fā)生器

1.3.3 X條件云發(fā)生器和Y條件云發(fā)生器

在給定論域的數域空間中，當已知云的3個數字特征(Ex，En，He)后，如果還有特定的條件x=x0，那么正向云發(fā)生器變?yōu)閄條件云發(fā)生器;如果特定條件不是x=x0，而是CT(x)=CT(x0)，那么正向云發(fā)生器稱為Y條件云發(fā)生器或隸屬度條件云發(fā)生器[12]，見圖3、圖4。

圖3 X條件云發(fā)生器

圖4 Y條件云發(fā)生器

2 基于云理論的分類方法設計

基于云理論的遙感影像分類過程分為4個步驟：①經過變換形成訓練數據集；②通過逆向云發(fā)生器生成每類地物的云模型；③利用X條件云發(fā)生器生成每個影像單元對各類地物的隸屬度；④用隸屬度最大選擇器實現分類，見圖5。

圖5 算法示意圖

3 實驗數據處理與實驗結果

3.1 總體思路

實驗數據選取一幅SPOT多光譜影像進行實驗，同時將SPOT影像通過MATLAB軟件轉換為單波段圖像。提取SPOT多光譜遙感影像第一主成分作為待分類影像，裁取各類特征地物紋理，作為訓練數據。按照類別從圖像中找出40個，大小分別為菜地40 m×40 m、居民地35 m×35 m、農田50 m×50 m等具有代表性的采樣樣本，通過對3類地物的遙感影像在Matlab中通過一定的程序來實現云，建立云圖像，實現基于云理論的遙感影像分類。實驗中使用的遙感影像大小為546 m×513 m，實驗中提取紋理信息時，選用40 m×40 m、35 m×35 m、50 m×50 m的窗口效果很好。

3.2 實驗數據處理

由于在本影像中主要的地物為菜地、居民地、農田，因此在影像中分別選擇典型的菜地、居民地、農田建立感興趣區(qū)即訓練樣本，通過Photoshop實現提取圖像的3類地物各40個40 m×40 m、35 m×35 m、50 m×50 m大小的圖片作為本文要研究的遙感影像分類的訓練樣本。圖6～圖8分別為菜地、居民地和農田的感興趣區(qū)，即采樣樣本(部分)。

圖6 菜地

圖7 居民地

圖8 農田

3.3 云模型的生成

灰度共生矩陣(GLCM)是像素距離和角度的矩陣函數，它通過計算圖像中一定距離和一定方向的兩點灰度之間的相關性，反映圖像在方向、間隔、變化幅度及快慢上的綜合信息。在Matlab下利用灰度共生矩陣來提取紋理特征。本實驗采用相關(COR)作為實驗的紋理特征，相關是用來衡量灰度共生矩陣的元素在行的方向或列的方向的相似程度，相關值大小反映影像中局部灰度相關性[13]。

在計算相關值時使用blkproc函數。blkproc函數是對圖像進行分塊。它從圖像中取出每個塊，然后傳遞給其他函數處理，再由自己將處理后的各塊組裝起來形成輸出圖像。

函數調用形式:

B=blkproc(A,[mn],f).

式中：A為輸入圖像；B為輸出圖像；[mn]：圖像以m×n為分塊單位，對圖像進行處理；f為指定對所有塊進行處理的函數。

計算出各個類別的相關值后，在Matlab中實現：

輸入：第k類地物訓練樣本數Nk，樣本矩陣Xk=[xk1,xk2,…,xkn]；

輸出：第k類地物云模型的3個數字特征(Ekx,Ekn,Hke)，算法步驟如下：

3.4 地物隸屬度的計算

在計算隸屬度時需要計算隨機數，使用normrnd函數，Matlab中normrnd函數的功能是生成服從正態(tài)分布的隨機數。

normrnd函數的調用格式：

C=normrnd(A,B).

式中：A是熵；B是超熵；C=normrnd(A,B)是生成服從正態(tài)分布(熵為期望值，超熵為標準差)的隨機數。在Matlab下生成隸屬度：

輸入：待分類地物紋理值x；

輸出：xi對第k類地物的隸屬度μk。

1) 生成以Enk為期望值、Hek為標準差的正態(tài)隨機數Enk′=G(Enk,Hek)；

3.5 隸屬度最大選擇器的構造

根據X條件云發(fā)生器計算出像素x0對m個類別的隸屬度u01,u02,…,u0m，如果u0i=max(u0l)，則將x0劃分到第i類，若u0i=u0j=max(u0l)，(l=1，…，m)，則將x0隨機分給i類或j類。u01,u02,…,u0m是具有穩(wěn)定傾向的隨機數，而非固定值。

輸入：x0對k個類地物的隸屬度μ1,μ2,…,μk；

輸出：若μi=max(μl)，則將x0劃分到第i類。

部分實現算法如下：

if (CD(i,j)

I2(i,j)=1; %居民地

else if(CD(i,j)

I2(i,j)=.5; %農田

else if(NT(i,j)

I2(i,j)=0; %菜地

3.6 實驗結果

原始圖像如圖9所示，云分類方法初始分類結果如圖10所示，將初始分類結果進行中值濾波操作除去分類后產生的黑白相間的亮暗點噪聲，云分類方法分類后處理結果如圖11所示。

圖9 原圖

圖10 云分類方法初始分類

圖11 云分類方法分類后處理

3.7 云理論與傳統分類方法的比較

利用ENVI4.8軟件把原始圖像進行最大似然分類法、K均值分類法分類，對云理論分類結果、最大似然分類法及K均值分類法進行精度評定，具體見表1及圖12～圖14所示。

圖12 云理論

圖13 最大似然分類法

圖14 K均值分類法

表1 3類方法精度評定對比

從表1中分析得出，應用最大似然分類法與K均值分類法分類精度較低，而云理論分類方法精度高于這兩種分類方法?？傮w來說，云理論分類方法利用Matlab通過算法能很好地將模糊性(圖像中各個對象的邊界像素的“非此即彼”性)和隨機性(模糊像元對于一個對象隸屬的不確定性)兩者集成實現，具有理論簡明、易懂，步驟簡單，容易操作，計算過程數據量小，對設備要求不高，提高分類精度等優(yōu)點。

4 結束語

根據對傳統的分類方法與云理論分類法分類結果的比較，云理論分類算法比傳統的分類算法精度高，適應能力強，錯分、漏分現象少。本文考慮了遙感影像分類過程中的不確定性，基于云理論的分類結果證明，基于云的分類方法很有發(fā)展前景，此方法分類精度高、分類效果更好、分類速度更快。明確了遙感圖像分類問題是一個兼有模糊性和隨機性的不確定性問題。

[1]林超,楊敏華.基于球結構支持向量機的QuickBird影像分類分析[J].測繪工程，2011,20(3):46-49.

[2]高燕，周成虎，蘇奮振.基于OLI影像多參數設置的SVM分類研究[J].測繪工程,2014，23(6):1-5.

[3]陳可蘊,陳志揚.基于云理論的遙感圖像土地利用分割分類方法研究[J].理論研究,2010(5):21-25.

[4]謝道文,施式亮.基于云模型的煤炭企業(yè)物資供應商綜合評價[J].計算機工程與應用,2013(6):1-7.

[5]王洪利,馮玉強.基于云模型具有語言評價信息的多屬性群決策研究[J].控制與決策,2005,20(6):679-682.

[6]邸凱昌,李德毅,李德仁.云理論及其在空間數據發(fā)掘和知識發(fā)現中的應用[J].中國圖像圖形學報,1999,4(11):930-935.

[7]李萬臣,葛秘蕾,井志強.基于云理論的圖像分割新方法[J].應用科技,2010,37(3):45-48.

[8]劉林.基于云理論的空間數據挖掘技術研究[D].西安:西安電子科技大學,2008:17-18.

[9]李萬臣,郭逢麗,劉海亮.基于云模型的高光譜遙感圖像的分類研究[J].儀器儀表用戶，2011(1):1-5.

[10]吳立新,王勇.正態(tài)分布隨機數云模型發(fā)生器[J].計算機系統應用，2011,20(10):113-119.

[11]劉桂花,宋承祥,劉弘.云發(fā)生器的軟件實現[J].計算機應用研究，2007(01):46-48.

[12]LI DEYI，DI KAICHANG，LI DEREN，et al.Mining association rules with linguistic cloud models[J].Journal of Software，2000，11(2):143-158.

[13]宋鐵群.基于MATLAB的遙感影像紋理特征分析[J].測繪與空間地理信息，2009,32(2):71-74.

[責任編輯：張德福]

Remote sensing image classification method based on cloud theory

ZHAO Jing1,2，WANG Chong-chang1，WANG Jia-hai1，CHEN Yan-ling3

(1.School of Geomatics，Liaoning Technical University，Fuxin 123000, China;2.National Engineering Research Center For Information Technology in Agriculture,Beijing 100097, China;3.School of Surveying and Landing Information Engineering，Henan Polytechnic University，Jiaozuo 454000, China)

The remote sensing image classification method based on cloud theory is compatible with fuzziness and randomness. Through the reverse cloud generator generating a cloud model，which digital characteristics has a cloud of subordinate function，the membership degree is calcalated usingXcondition cloud generator and the classification is realized by using maximum judging rules.By comparison with the traditional methods，the remote sensing image classification method based on cloud theory can improve the classification of uncertainty in the problem，which can improve the classification accuracy.

uncertainty;cloud theory;remote sensing image classification;cloud generator;degree of membership

2013-09-10；補充更新日期：2014-09-18

趙 靜(1989-)，女，碩士研究生.

TP753

：A

：1006-7949(2014)12-0021-04