高文杰，王金亮（云南師范大學(xué)旅游與地理科學(xué)學(xué)院，云南 昆明650500）

基于TM的陸良縣遙感影像分類方法實(shí)驗(yàn)研究

高文杰，王金亮
（云南師范大學(xué)旅游與地理科學(xué)學(xué)院，云南 昆明650500）

以LandsatTM遙感影像為數(shù)據(jù)源，以云南省陸良縣為研究對(duì)象，利用ENVI4.8對(duì)陸良縣的LandsatTM遙感影像進(jìn)行圖像預(yù)處理以及最佳波段組合，運(yùn)用監(jiān)督分類中的平行六面體分類、最小距離分類、馬氏距離分類以及最大似然分類等四種分類方法，對(duì)地物信息進(jìn)行提取，并對(duì)其分類精度進(jìn)行評(píng)價(jià)。最后發(fā)現(xiàn)，波段146組合適合陸良縣的地物提取。在分類方法中，最大似然法分類的總體精度及Kappa系數(shù)均高于其他三種分類。

監(jiān)督分類；最佳波段組合；精度評(píng)價(jià)；陸良

從遙感數(shù)據(jù)進(jìn)行信息提取是一個(gè)長(zhǎng)期的遙感科學(xué)難題。如何綜合運(yùn)用各類信息提取技術(shù)，集成多尺度信息提取的結(jié)果，以便更好地從各類遙感數(shù)據(jù)提取定量信息，是值得關(guān)注并開(kāi)展研究的科學(xué)問(wèn)題［1］。遙感信息提取的關(guān)鍵是對(duì)圖像上的目標(biāo)進(jìn)行分類和識(shí)別。遙感圖像分類是將圖像中每個(gè)像元根據(jù)其在不同波段的光譜亮度空間結(jié)構(gòu)特征或其他信息，按照某種規(guī)則或算法劃分為不同類別［2］。本文利用LandsatTM遙感影像，以陸良縣為研究對(duì)象，通過(guò)不同分類方法對(duì)地物信息進(jìn)行提取，為陸良縣或者壩區(qū)地物信息的快速提取提供參考。

1 研究區(qū)概況與數(shù)據(jù)來(lái)源

1.1 研究區(qū)概況

陸良縣位于云南省東部，北緯24°44′～25° 18′，東經(jīng)103°23′～104°02′。全縣東西長(zhǎng)65.6km，南北寬62.8km，縣域總面積2096km2，常住人口68萬(wàn)左右。陸良縣四面環(huán)山，中間是開(kāi)闊平坦的湖積盆地，是云南省第一平壩，平壩面積772km2。最高點(diǎn)龍海山海拔2687m，最低點(diǎn)萬(wàn)家河石板潭海拔1640m，縣城海拔1850m。北與馬龍縣、麒麟?yún)^(qū)接壤，東與羅平縣為鄰，南與師宗縣、石林市相連，西與宜良縣為界。

圖1 陸良縣位置示意圖

1.2 數(shù)據(jù)來(lái)源

本文以LandsatTM遙感數(shù)據(jù)為數(shù)據(jù)源，獲取時(shí)間為2009年11月3日，軌道號(hào)／行號(hào)：129／43，共7個(gè)波段，空間分辨率為30m（TM6除外，TM6的空間分辨率為60m）。以云南省陸良縣作為研究區(qū)，獲得陸良縣全縣Landsat-5TM遙感影像。但因陸良縣地域廣闊，地形地貌較復(fù)雜，分類具有一定難度，精度無(wú)法得到最好的保證，加之本文主要是對(duì)遙感影像的分類方法進(jìn)行研究，無(wú)需對(duì)整個(gè)陸良縣進(jìn)行遙感影像分類，因此選取了該縣遙感影像上一塊地物特征明顯、紋理比較清楚且基本囊括全縣地物類型的典型區(qū)域進(jìn)行分類研究。

2 遙感影像最佳波段組合

2.1 遙感影像光譜特征提取

地面地物所具有的信息在遙感影像上以輻射量表達(dá)，具體表現(xiàn)為像元灰度值及相關(guān)關(guān)系，輻射量越大信息量越大。

圖2 研究區(qū)示意圖

表1 遙感影像光譜統(tǒng)計(jì)數(shù)據(jù)

由表1可見(jiàn)影像各波段所帶的信息量是不同的。在進(jìn)行遙感圖像分類時(shí)，需要找出更多的地物類型特征，這樣就要求影像波段信息量盡可能多，但同時(shí)信息的重疊、無(wú)用信息的增多問(wèn)題也會(huì)更加顯著。需要找到一個(gè)平衡更多的信息量與冗余信息的方法。通過(guò)計(jì)算遙感影像各波段間相關(guān)系數(shù)矩陣，對(duì)影像波段進(jìn)行篩選是很好的方法［3］。

表2 遙感影像各波段間相關(guān)系數(shù)

由表2可知，各個(gè)波段間的相關(guān)系數(shù)都是不同的，其中1波段、2波段以及3波段的相關(guān)系數(shù)最大。4波段為獨(dú)立波段，相關(guān)系數(shù)最小。5波段和7波段相關(guān)系數(shù)大，6波段相關(guān)系數(shù)小。因此，在1波段、2波段和3波段中選擇一個(gè)波段，4波段和6波段為必選波段。

2.2 遙感影像最佳波段組合

在進(jìn)行最優(yōu)波段選擇時(shí)，應(yīng)選擇波段標(biāo)準(zhǔn)差最大而相關(guān)性最小的組合，這樣可保證遙感影像包含的信息量不至于大量丟失，而信息的重疊、無(wú)用信息冗余的現(xiàn)象最少。具體進(jìn)行選擇計(jì)算時(shí)，可以采用最佳指數(shù)法（OIF）［4］：

式中：Si-第i波段信息的標(biāo)準(zhǔn)差；Rij-第i波段和第j波段的相關(guān)系數(shù)。

OIF值反映了波段組合保存的信息量大小，OIF值越大，說(shuō)明波段組合包含的信息量越大，反之則包含的信息量越小。因此選取OIF值最大的波段組合作為分類實(shí)驗(yàn)的最佳波段組合。

表3 波段組合的最佳指數(shù)結(jié)果

由表3可以看出，在波段146、波段246和波段346中，其OIF值大小順序?yàn)椋翰ǘ?46＞波段346＞波段246。由此可知，波段146的OIF值最大，即波段146所包含的信息量最大，最有利于本研究區(qū)遙感影像分類研究。

3 訓(xùn)練樣本的選擇及評(píng)價(jià)

從預(yù)處理后的遙感影像中選擇最普遍、能夠準(zhǔn)確代表一種地物分類規(guī)律的數(shù)據(jù)區(qū)域作為訓(xùn)練樣本。所選擇的樣本應(yīng)該盡量地物類型多，樣本盡可能多。

根據(jù)陸良縣的實(shí)際地形情況，把陸良縣地物類型分為水澆地、灌叢草地、居民用地、交通用地、裸地、旱地、水域和林地等八類。

根據(jù)樣本數(shù)據(jù)提取的各地類光譜特征及其他信息，可以對(duì)訓(xùn)練樣本數(shù)據(jù)的可分離性進(jìn)行分析。本論文采用Jeffries-Matusita距離對(duì)數(shù)據(jù)進(jìn)行可分離性分析。

表4 各地物類型訓(xùn)練樣本可分離度

訓(xùn)練樣本的可分離度代表選擇的訓(xùn)練樣本是否合格，當(dāng)可分離度＞1.8時(shí)說(shuō)明訓(xùn)練樣本的可分離性比較好，屬于合格樣本。由表4可看出，訓(xùn)練樣本的可分離度均＞1.8，說(shuō)明選擇的訓(xùn)練樣本屬于合格樣本，可以用于后面的分類研究。

4 遙感影像監(jiān)督分類方法

4.1 平行六面體分類法

平行六面體分類法，是根據(jù)樣本訓(xùn)練和學(xué)習(xí)得到地物類型像元的特征值，利用特征值構(gòu)成一個(gè)平行六面體空間模型，作為分類標(biāo)準(zhǔn)空間。平行六面體空間的尺度大小需要用戶根據(jù)實(shí)際經(jīng)驗(yàn)和計(jì)算，選擇合適的標(biāo)準(zhǔn)差閾值充當(dāng)。分類時(shí)，根據(jù)像元相似性落在空間內(nèi)的歸屬為同一種類地物，落在空間外的不進(jìn)行地物類型聚類分析［5］。

4.2 最小距離分類法

最小距離法就是對(duì)所選樣本區(qū)進(jìn)行訓(xùn)練分析，得到要求地物類型標(biāo)準(zhǔn)差和均值，對(duì)于研究區(qū)全部像元進(jìn)行均值和標(biāo)準(zhǔn)差的計(jì)算，根據(jù)兩者的相似度及距離遠(yuǎn)近來(lái)判定歸屬。可對(duì)樣本地物像元與研究區(qū)全部像元標(biāo)準(zhǔn)差和均值的距離進(jìn)行聚類，把距離最近的一組像元?jiǎng)澐值綐颖痉N類。距離定義公式［6］如下：

式中：n-波段數(shù)；k-某一種特征波段；i-某一種聚類中心；mi-第i類樣本象元均值；mik-第i類中心第k波段的像元值；d（x，m）-象元點(diǎn)x到第i類中心mi的歐氏距離。

4.3 馬氏距離分類法

除用于等式中的協(xié)方差矩陣不一樣，馬氏距離與最小距離相似。這種距離定義考慮了變量間（樣本）相關(guān)性的影響，是一種更廣義的距離定義［7］。馬氏距離的優(yōu)點(diǎn)在于克服了波段間相關(guān)性影響。

4.4 最大似然分類法

最大似然分類法是建立在貝葉斯準(zhǔn)則基礎(chǔ)上分類錯(cuò)誤概率最小的一種非線性分類，是應(yīng)用比較廣泛、比較成熟的一種監(jiān)督分類方法［8］。它是假設(shè)訓(xùn)練區(qū)地物的光譜特征和自然界大部分一樣，近似地看作服從正態(tài)分布。最大似然分類法是總結(jié)樣本數(shù)據(jù)地類的正態(tài)分布特征，若需要分類的樣本數(shù)據(jù)像元符合樣本地類的正態(tài)分布，則說(shuō)明其具有最大的似然性，就把它們歸為一類。分布函數(shù)如下：

D＝In（ac）-[0.5In（｜Covc｜）]-[0.5（x-mc）T（Covc-1）（x-mc）]

其中：D-加權(quán)距離（最大似然概率）；C-某一個(gè)特征類型；x-像元的特征向量；mc-類型C的樣本平均向量；ac-任一個(gè)像元屬于類型C的概率；Covc-C中的協(xié)方差矩陣。

選擇不同的分類方法就會(huì)出現(xiàn)不同的分類結(jié)果。對(duì)本研究區(qū)來(lái)說(shuō)，分類結(jié)果如圖3所示。

圖3 各分類方法結(jié)果圖

5 各分類方法精度分析

精度分析是遙感影像分類中不可缺少的一部分。通過(guò)精度分析，能夠確定分類方法是否高效。在精度分析中，不可能選擇所有的像元進(jìn)行檢驗(yàn)，只能選取一定數(shù)量的樣本來(lái)進(jìn)行檢驗(yàn)。

計(jì)算和評(píng)價(jià)某種分類方法分類精度時(shí)，主要指標(biāo)有以下幾種［9］：

（1）混淆矩陣：主要用于比較分類結(jié)果和實(shí)際地物真實(shí)情況的差異性，可以通過(guò)混淆矩陣表示分類結(jié)果的精度?；煜仃嚤容^具有相同空間坐標(biāo)位置的圖像像元與實(shí)際地物像元的分類結(jié)果是否相同。

（2）總體分類精度：正確分類像元數(shù)與研究區(qū)總像元數(shù)的比值。

（3）Kappa系數(shù)：通過(guò)把所有地表真實(shí)分類中的像元總數(shù)乘以混淆矩陣對(duì)角線的和，再減去某一類中地表真實(shí)像元總數(shù)與該類中被分類像元總數(shù)之積對(duì)所有類別求和的結(jié)果，再除以總像元數(shù)的平方差減去某一類中地表真實(shí)像元總數(shù)與該類中被分類像元總數(shù)之積對(duì)所有類別求和的結(jié)果得到。

（4）錯(cuò)分誤差：用戶定義地物像元未正確歸類的數(shù)量。

（5）漏分誤差：實(shí)際地物像元未正確歸類的數(shù)量。

（6）制圖精度：分類結(jié)果符合實(shí)際地物的百分比。

（7）用戶精度：分類結(jié)構(gòu)符合用戶定義地物的百分比。

總體分類精度、錯(cuò)分誤差、漏分誤差和使用者精度都是有關(guān)像元數(shù)的計(jì)算，當(dāng)其數(shù)值較小時(shí)，像元數(shù)的變動(dòng)可能很大地影響精度的大小。而Kappa系數(shù)法是一種離散型的多元的綜合分析方法，不受像元數(shù)的影響，能夠完整地利用混淆矩陣得到的結(jié)果，具有其他精度評(píng)價(jià)方法不具備的優(yōu)勢(shì)。其公式為：

式中：r-混淆矩陣中的總列數(shù)；xii-混淆矩陣中第i行、第i列上像元數(shù)量（即正確分類的數(shù)目）；xi＋和x＋i-分別是第i行和第i列總像元數(shù)量；N-總觀察值，也就是混淆矩陣中用于精度評(píng)估的所有像元數(shù)量之和。

本文主要采用混淆矩陣、總體分類精度和Kappa系數(shù)來(lái)對(duì)上面的分類結(jié)果進(jìn)行精度評(píng)價(jià)。

由表5～表8、圖4可知，分類總體精度和Kappa系數(shù)最大的是最大似然法，其次是馬氏距離法，再次是平行六面體分類法，最小的是最小距離分類法。由此可見(jiàn)，對(duì)陸良縣地物提取最好的分類方法是最大似然法，其分類精度達(dá)到96.66％，Kappa系數(shù)為0.9586。

表5 平行六面體分類混淆矩陣

表6 最小距離分類混淆矩陣

表7 馬氏距離分類混淆矩陣

表8 最大似然分類混淆矩陣

圖4 分類總體精度及Kappa系數(shù)比較曲線

［1］宮鵬.遙感科學(xué)與技術(shù)中的一些前沿問(wèn)題［J］.遙感學(xué)報(bào)，2009，13（1）：11-23.

［2］趙英時(shí).遙感應(yīng)用分析原理與方法［M］.北京：科學(xué)出版社，2003：53.

［3］吐熱尼古麗，張曉帆.基于人工神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究［J］.長(zhǎng)春師范學(xué)院學(xué)報(bào)（自然科學(xué)版），2006，25（l）：51-84.

［4］賈永紅.人工神經(jīng)網(wǎng)絡(luò)在多源遙感影像分類中的應(yīng)用［J］.測(cè)繪通報(bào)，2000（7）：7-8.

［5］張輝.基于BP神經(jīng)網(wǎng)絡(luò)的遙感影像分類研究［D］.濟(jì)南：山東師范大學(xué)，2013.

［6］錢茹茹.遙感影像分類方法比較研究［D］.西安：長(zhǎng)安大學(xué)，2007.

［7］SivaS.GISandremotesensingbasedinventoryandapplicationfor bamboolivelihooddevelopment［R］.VIIWorldBambooCongres NewDelh，India，2000：35-56.

［8］梅安新，彭望琭，秦其明，劉慧平.遙感導(dǎo)論［M］.北京：高等教育出版社，2001：198-199.

［9］劉禮，于強(qiáng).分層分類與監(jiān)督分類相結(jié)合的遙感分類法研究［J］.林業(yè)調(diào)查規(guī)劃，2007，32（4）：37-39.

ResearchonClassificationMethodsofProcessingthe RemoteSensingImagesofLuliang

GAOWen-jie，WANGJin-liang
（CollegeofTourismandGeographicalSciences，YunnanNormalUniversity，KunmingYunnan650500，China）

TheLandsatTMremotesensingimagesofLuliangCountyinYunnanProvincewerebasedtotestthesupervisedclassificationmethodsincludingtheuseofparallelepipedclassification，minimumdistanceclassifier，Mahalanobisdistance，andmaximumlikelihoodclassificationtopre-processandidentifythebestbandcombination onthebasisofENVI4.8.Theresultsfoundthattheband146combinationsoffeatureextractionweremostsuitable forLuliangCounty.TheoverallprecisionobtainedfromthemaximumlikelihoodandtheKappacoefficientwere higherthantheotherthreemethods.

supervisedclassification；thebestbandcombination；precisionassessment；Luliang

X87

A

1673-9655（2015）03-121-06

2014-11-24