王勝男++汪西原

摘要：本文針對(duì)傳統(tǒng)的分類(lèi)方法僅使用光譜信息特征提取高分辨率遙感影像地物信息時(shí)存在的各種缺陷。利用聯(lián)合影像中光譜、紋理、幾何特性等多特征的面向?qū)ο蠓诸?lèi)法，對(duì)山東省威海市部分沿海地區(qū)土地利用進(jìn)行分類(lèi)研究。并且與傳統(tǒng)的監(jiān)督分類(lèi)法對(duì)比分析，驗(yàn)證了面向?qū)ο蠓诸?lèi)法對(duì)高分辨率遙感影像分類(lèi)的適用性及高精準(zhǔn)性。

關(guān)鍵詞：高分辨率 遙感影像分類(lèi) 監(jiān)督分類(lèi)法 面向?qū)ο蠓诸?lèi)法

中圖分類(lèi)號(hào)：TP751 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1007-9416（2016）10-0105-02

土地利用很大程度上決定著人類(lèi)的生產(chǎn)和生活，同時(shí)人類(lèi)活動(dòng)也改變著土地利用類(lèi)型的分布和屬性。隨著海洋資源的進(jìn)一步開(kāi)發(fā)，沿海地區(qū)作為開(kāi)發(fā)海洋基地的作用愈顯重要。因此，科學(xué)地進(jìn)行土地利用分類(lèi)，有助于考察島陸土地利用狀況，滿(mǎn)足調(diào)查研究以及制圖的需要，也有利于合理制定沿海地區(qū)的經(jīng)濟(jì)建設(shè)，可持續(xù)地開(kāi)發(fā)和使用海洋資源[1]。

遙感技術(shù)是一種信息時(shí)代的產(chǎn)物和工具，具有周期動(dòng)態(tài)性、信息量豐富、獲取效率高等優(yōu)勢(shì)。隨著遙感技術(shù)的日益成熟，圖像質(zhì)量如空間分辨率和光譜分辨率得到很大提高。高分辨率遙感影像有著傳統(tǒng)的遙感影像不存在的特點(diǎn)，如空間分辨率高、時(shí)間分辨率高、信息量大、所包含的地物的幾何和紋理信息更加明顯、能提取地物三維信息等特點(diǎn)[2]。針對(duì)高分辨率遙感圖像所具有的特性，本文采用監(jiān)督分類(lèi)法及面向?qū)ο蠓诸?lèi)法對(duì)研究區(qū)土地利用情況進(jìn)行監(jiān)測(cè)及分類(lèi)分析。

1 數(shù)據(jù)準(zhǔn)備與處理

1.1 實(shí)驗(yàn)數(shù)據(jù)概況及實(shí)驗(yàn)數(shù)據(jù)的處理

實(shí)驗(yàn)數(shù)據(jù)選取在山東省威海市部分沿海地區(qū)，本文采用的數(shù)據(jù)源為高分一號(hào)（GF1）遙感影像，空間分辨率為2m，已完成輻射校正和幾何粗校正基本處理。圖1是經(jīng)過(guò)2%線(xiàn)性拉伸后的圖像。

1.2 遙感圖像分類(lèi)

地物在多光譜圖像上的亮度體現(xiàn)了地物的光譜特征，不同地物在同一波段上的亮度值不同，同時(shí)在各個(gè)波段圖像上亮度的呈現(xiàn)規(guī)律也不相同。因此，可以通過(guò)亮度特征的提取，對(duì)特征空間的劃分，達(dá)到區(qū)分不同地物的目的，進(jìn)而得到圖像分類(lèi)的結(jié)果。遙感圖像分類(lèi)就是利用計(jì)算機(jī)對(duì)遙感影像中各類(lèi)地物的光譜信息和空間信息進(jìn)行分析、識(shí)別，選取特征，將圖像中每個(gè)像元按照某種規(guī)則或算法劃分為不同類(lèi)別，最后得到遙感影像與實(shí)際地物的對(duì)應(yīng)信息，從而實(shí)現(xiàn)的遙感影像分類(lèi)。ENVI中基于光譜分類(lèi)的方法有非監(jiān)督分類(lèi)和監(jiān)督分類(lèi)。

1.2.1 非監(jiān)督分類(lèi)

非監(jiān)督分類(lèi)，又稱(chēng)聚類(lèi)分析，它無(wú)需訓(xùn)練樣本，是計(jì)算機(jī)以圖像的統(tǒng)計(jì)特征為根據(jù)進(jìn)行的自動(dòng)分類(lèi)。ENVI軟件執(zhí)行非監(jiān)督分類(lèi)時(shí)，人為控制地將地物類(lèi)數(shù)定義為多于目標(biāo)類(lèi)數(shù)的值，分類(lèi)之后通過(guò)參照原始影像進(jìn)行目視解譯將部分類(lèi)別進(jìn)行刪除或合并，最終得到分類(lèi)結(jié)果，常用循環(huán)集群法和K-均值聚類(lèi)法。由于非監(jiān)督分類(lèi)存在不能確定類(lèi)別屬性的特點(diǎn)，監(jiān)督分類(lèi)法應(yīng)用更加廣泛。

1.2.2 監(jiān)督分類(lèi)

監(jiān)督分類(lèi)，又稱(chēng)訓(xùn)練分類(lèi)法，利用已知樣本的像元特征去識(shí)別未知類(lèi)別的像元所屬類(lèi)別。ENVI分類(lèi)中，分析者首先選取圖像每種地物的訓(xùn)練區(qū)，計(jì)算機(jī)計(jì)算每種訓(xùn)練區(qū)的統(tǒng)計(jì)信息，進(jìn)行像元和訓(xùn)練樣本的對(duì)比分析，按照多種不同規(guī)則將其歸類(lèi)到最相似的訓(xùn)練樣本中。目前常用的監(jiān)督分類(lèi)法有平行六面體、馬氏距離、最小距離和最大似然。同時(shí)基于統(tǒng)計(jì)模式識(shí)別技術(shù)的分類(lèi)法如支持向量機(jī)和模糊分類(lèi)應(yīng)用也較多。

針對(duì)實(shí)驗(yàn)區(qū)特點(diǎn)和原始數(shù)據(jù)圖像的土地利用實(shí)際情況，把GF1遙感圖像中定義為6種土地利用類(lèi)別：沙灘、裸地/道路、林地、耕地、居民地、水體。文中用到：最小距離，最大似然，支持向量機(jī)監(jiān)督分類(lèi)器對(duì)研究區(qū)進(jìn)行土地利用分類(lèi)。為了最終的結(jié)果精度評(píng)價(jià)，文中所有分類(lèi)器采用統(tǒng)一樣本。表1為訓(xùn)練樣本的可分離度計(jì)算?？煞蛛x度的值大于1.8時(shí)說(shuō)明各類(lèi)樣本可分離性較好。

分類(lèi)后對(duì)原始分類(lèi)圖像進(jìn)行聚類(lèi)、過(guò)濾、去除后處理工作，并采用總體分類(lèi)精度、Kappa系數(shù)評(píng)定分類(lèi)精度，發(fā)現(xiàn)支持向量機(jī)分類(lèi)精度最高。圖2-1至圖2-3為3種方法分類(lèi)處理后結(jié)果圖像。

1.3 面向?qū)ο蠓诸?lèi)研究

鑒于高分辨率影像的光譜信息并不特別豐富，且有光譜相互影響及“同物異譜，同譜異物”的現(xiàn)象，面向?qū)ο蠓诸?lèi)法應(yīng)運(yùn)而生。面向?qū)ο笫且环N智能化的自動(dòng)影像分析法，它的分析單元不是單個(gè)像素，而是整個(gè)目標(biāo)對(duì)象[3]。特征的定義和分類(lèi)均是基于目標(biāo)進(jìn)行的。經(jīng)過(guò)研究實(shí)驗(yàn)表明，此分類(lèi)法更適用中高分辨率，多光譜和全色影像。面向?qū)ο蠓诸?lèi)流程圖如圖3所示。

1.3.1 多尺度影象分割

面向?qū)ο蠖喑叨确指顣r(shí)，選取的尺度會(huì)影響生成對(duì)象的大小、數(shù)量及信息提取的精度。高尺度分割時(shí)，生成較少的圖斑，圖斑的面積較大；反之亦然。文中采用Feature Extraction對(duì)影像進(jìn)行基于樣本的分割，使用邊緣的分割法，采用影像臨近像素的紋理、顏色等信息檢測(cè)圖像邊緣，同時(shí)選定最合適的參數(shù)值，分割閾值為60.0，合并參數(shù)值為85.0。

1.3.2 基于樣本的圖像分類(lèi)

經(jīng)過(guò)分割與合并后，進(jìn)行樣本的選擇以及樣本屬性的設(shè)置。本文選取光譜、形狀與紋理特征，色彩空間和波段比值等特征用于之后的監(jiān)督分類(lèi)。使用最近鄰分類(lèi)器，它需選擇訓(xùn)練區(qū)樣本，能更好的處理多維特征空間的聯(lián)系。面向?qū)ο蠓诸?lèi)結(jié)果及樣本選取如圖4所示。

2 分類(lèi)精度評(píng)價(jià)

遙感圖像進(jìn)行分類(lèi)后，常用混淆矩陣對(duì)分類(lèi)結(jié)果精度進(jìn)行評(píng)價(jià)。根據(jù)混淆矩陣能夠計(jì)算出總體精度和Kappa系數(shù)。Kappa系數(shù)避免了混淆矩陣中像元類(lèi)別的微小變動(dòng)導(dǎo)致其百分比變化的缺點(diǎn)，能夠評(píng)價(jià)整個(gè)分類(lèi)圖的精度。Kappa分析的評(píng)價(jià)指標(biāo)為K統(tǒng)計(jì)[4]，公式為：

式中：是用于精度評(píng)價(jià)的像元總數(shù)；是誤差矩陣中的總列數(shù)；是誤差矩陣中第正確分類(lèi)的數(shù)目；和是第行與第列像元總數(shù)。表2為各分類(lèi)方法分類(lèi)精度對(duì)比。

3 結(jié)語(yǔ)

本文利用ENVI軟件采用監(jiān)督分類(lèi)和面向?qū)ο蠓诸?lèi)等單分類(lèi)器對(duì)研究區(qū)的GF1影像進(jìn)行了土地利用分類(lèi)。從分類(lèi)結(jié)果及精度評(píng)價(jià)指標(biāo)得出：最小距離，最大似然分類(lèi)器在分類(lèi)過(guò)程中出現(xiàn)居民地與裸地、水體與裸地、沙灘與居民地的誤分現(xiàn)象；支持向量機(jī)分類(lèi)器存在裸地與水體的誤分現(xiàn)象；基于面向?qū)ο蟮姆诸?lèi)精度最好，錯(cuò)分誤分現(xiàn)象最小。

針對(duì)傳統(tǒng)的基于像素統(tǒng)計(jì)特征分類(lèi)方法存在的種種不足，面向?qū)ο蟮姆诸?lèi)方法充分利用影像地物的光譜、幾何、結(jié)構(gòu)和高分辨率遙感影像豐富的空間信息，使高分辨率遙感影像自動(dòng)識(shí)別與提取的精度得到極大提高。因而，面向?qū)ο蠓诸?lèi)法值得進(jìn)一步推廣和研究。

參考文獻(xiàn)

[1]付佳，黃海軍，楊曦光.基于 ENVI的唐山灣三島土地利用遙感分類(lèi)方法的比較分析[J].海洋科學(xué)，2014，38（1）：20-26.

[2]黃海軍，程新文，李柏鵬等.基于ENVI的高分辨率遙感圖像應(yīng)用實(shí)驗(yàn)研究[J].地理空間信息，2007，5（3）：41-43.

[3]孫曉霞，張繼賢，劉正軍.利用面向?qū)ο蟮姆诸?lèi)方法從IKONOS全色影像中提取河流和道路[J].測(cè)繪科學(xué)，2006，31（1）：62-63.

[4]段新成.基于BP人工神經(jīng)網(wǎng)絡(luò)的土地利用分類(lèi)遙感研究[D].北京：中國(guó)地質(zhì)大學(xué)，2008：49-50.

[5]徐靈，侯小風(fēng).基于區(qū)域生長(zhǎng)的遙感影像河流提取[J].測(cè)繪與空間地理信息，2015，38（3）：198-200.

[6]閆琰，董秀蘭，李燕.基于ENVI 的遙感圖像監(jiān)督分類(lèi)方法比較研究[J].北京測(cè)繪，2011，3（3）：14-16.

收稿日期：2016-09-09

*國(guó)家自然科學(xué)基金項(xiàng)目（41561087）：多源遙感影像的分層特征信息提取與寧夏生態(tài)環(huán)境地物目標(biāo)分類(lèi)識(shí)別。

作者簡(jiǎn)介：王勝男（1990—），女，漢族，河南商丘人，寧夏大學(xué)研究生，現(xiàn)從事遙感圖像處理研究；汪西原（1964—），女，漢族，陜西西安人，教授/碩

士研究生導(dǎo)師，主研領(lǐng)域：信號(hào)處理與檢測(cè)技術(shù)，現(xiàn)代通信理論與系統(tǒng)。