薄樹奎　荊永菊

摘 要： 在遙感影像中只提取其中的一個特定類別，稱為單類分類。結合面向對象分析方法，采用單類分類器提取影像中的興趣類別。首先，探討了面向對象遙感影像數(shù)據(jù)的分布特征和分割參數(shù)選擇問題；然后，基于分割產(chǎn)生的影像對象，利用單類支持向量機方法，提取遙感影像中的特定類別信息。實驗結果與基于像素的單類分類方法進行比較，表明結合面向對象的單類分類方法具有更高的分類精度。

關鍵詞： 單類分類； 面向對象技術； 遙感影像； 支持向量機

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2016）07?0048?03

Abstract： One?class classification is to extract a specific class in remote sensing image. In combination with the object?oriented analysis method， the one?class classifier is used to extract the interest class from the remote sensing image. The distribution characteristics of object?oriented remote sensing image data and segmentation parameter selection are discussed. And then， on the basis of image object generated from segmentation， the method of one?class support vector machine is used to extract the specific classification information in remote sensing image. The result of object?oriented one?class classification method is compared with the experimental result， it shows that the object?oriented one?class classification method has higher classification accuracy.

Keywords： one?class classification； object?oriented technology； remote sensing image； support vector machine

0 引 言

單類信息提取是遙感影像分類中的一種特殊情況，旨在提取影像中的某個特定的類別，例如植被、水田、水體、巖礦提取等[1?4]，都是單類信息提取問題。提取遙感影像中的特定類別信息，既可以采用傳統(tǒng)的多類分類器，也可以使用單類分類器。采用傳統(tǒng)的多類分類方法，需要采集影像中的所有地物類別樣本對分類器進行訓練；而使用單類分類方法，只需采集興趣類別樣本對分類器進行訓練，分類結果也是提取單個的興趣類別，即正類信息。單類分類是遙感影像信息提取的新方法，研究者提出的分類器主要有支持向量相關的方法、最大熵方法等[5?7]。典型的基于支持向量的方法是單類支持向量機（One?Class Support?Vector Machine，OCSVM）[5]。OCSVM方法適合高維空間數(shù)據(jù)處理，但是在實際應用中需要設置較多的自由參數(shù)，而且分類結果對參數(shù)敏感。另一個基于支持向量的方法是 Transductive SVM（TSVM）方法[6]，該方法的特點是除了興趣類別樣本外，還要利用未標記樣本對分類器進行訓練。支持向量相關的方法還有SVDD方法（Support Vector Data Description，SVDD）[8?9]，其主要思想是利用包含正類樣本的盡可能小的超球進行判別，SVDD和OCSVM方法類似，具有小樣本訓練的優(yōu)勢，其主要問題也是分類結果對參數(shù)設置敏感。近幾年提出的單類分類方法還有PUL（Positive And Unlabeled Learning）算法[10]和MAXENT方法[7]，兩種方法用于提取高分辨率遙感影像中的單類信息，實驗表明分類精度高于OCSVM方法。

在遙感影像分析中，面向對象思想是首先將影像分割成勻質區(qū)域即對象，然后以這些勻質區(qū)域為單元進行遙感影像的處理與分析[11?12]。與以往基于單個像素的方法相比，由于圖像區(qū)域的生成過程中不僅考慮像素的光譜信息，還結合了鄰近像素的空間信息，因此，面向對象方法具有其獨特的優(yōu)勢。此外，遙感影像分割產(chǎn)生的圖像對象具有更加豐富的屬性信息，包含光譜、大小、形狀以及紋理等屬性，在遙感影像分析中增加了分類的依據(jù)。本文研究基于影像對象的遙感影像單類分類，利用面向對象分析方法的優(yōu)勢，僅依靠興趣類別訓練樣本，進行遙感影像單類信息提取。

1 面向對象的遙感影像分析

1.1 數(shù)據(jù)分析

面向對象的遙感影像分析中，以分割后產(chǎn)生的影像對象為處理單元，影像對象的光譜特征值是其中所有像素的均值。因此，在影像分割后實際上生成了另外一個數(shù)據(jù)集，該數(shù)據(jù)集中的數(shù)據(jù)元素是若干像素的光譜特征值平均后的均值總體。一般情況下，新的數(shù)據(jù)集中的數(shù)據(jù)元素比分割前小得多，而且標準差也發(fā)生變化。

所以，從理論分析來看，面向對象的遙感影像分類中，分割后數(shù)據(jù)集的期望值不變，而類內(nèi)方差為分割前的[1m]倍；因此，影像數(shù)據(jù)中各個類別之間的類間距離不變，類內(nèi)方差大大減小，增加了類別可分性。在單類分類中，由于只選取興趣類別訓練樣本，沒有其他類別作為比較，需要設定相應的閾值參數(shù)，類間可分性的增加，降低了分類閾值參數(shù)選擇的難度，從而提高了分類精度。

1.2 分割尺度選擇

面向對象分類方法中影像分割的粗細程度也稱為分割尺度，不同的分割尺度反映了分割后影像對象的面積大小，大尺度值生成的影像對象大，小尺度則對應較小的影像對象。一般情況下，影像分割采用統(tǒng)一的尺度，而事實上，在一定的遙感影像中，每個類別都有其最佳的尺度值。在實際應用中，不同的分割方法具有不同的參數(shù)設置情況，這些參數(shù)就決定了分割的尺度，最佳尺度的選擇是個復雜的問題，這里暫不深入研究。本文根據(jù)興趣類別的訓練樣區(qū)，采用啟發(fā)式方法確定圖像分割尺度，尺度的選擇獨立于具體的分割方法。首先將原圖像進行多尺度分割，在從小到大的多尺度分割過程中，當分割結果將興趣類別的每個訓練樣區(qū)都分割成一個圖像對象時，即每個訓練樣區(qū)包含在單一的圖像對象中，而鄰近的非興趣類別劃分在不同的圖像對象中，此時的分割尺度作為最終分割結果。

2 實驗結果

實驗數(shù)據(jù)如圖1（a）所示，影像中包括四個類別：不透水面、草地、林地和水體。分別對這四個地物類別進行單類分類并對結果進行精度評價。單類分類的精度評價指標有生產(chǎn)者精度、用戶精度、總體精度和Kappa系數(shù)。生產(chǎn)者精度指某一類別的正確分類數(shù)占參考數(shù)據(jù)中該類別像素總數(shù)的比例，而用戶精度指某一類別正確分類數(shù)占分為該類像素總數(shù)的比例。總體精度和Kappa反映的是結果中正類和負類的綜合評價指標。首先以區(qū)域合并方法做影像分割，產(chǎn)生勻質的圖像斑塊，分割結果如圖1（b）所示。

以OCSVM作為單類分類器，采用基于影像對象和基于像素兩種方法，提取興趣類別，并做比較分析。OCSVM方法中選擇RBF核函數(shù)，并通過10折交叉驗證獲得各種參數(shù)。在實驗中，通過目視解譯為每個類別選擇訓練樣本和測試樣本。

實驗影像中各地物類別提取的實驗結果如圖2所示，對應的分類精度估計見表1。表1中面向對象方法的單類分類精度明顯高于基于像素的方法，包括每個類別的各項評價指標，面向對象方法都能獲得了較高的精度。從實驗結果中可以看出，基于像素的單類分類結果包含較多細小的斑點，有正類的也有負類的，而采用面向對象方法的分類結果比較平滑均勻，這正是面向對象方法的優(yōu)勢，將鄰近區(qū)域合并成為勻質的斑塊再分類的結果，更符合人的視覺習慣。

另一實驗數(shù)據(jù)為圖3所示的高分辨率SPOT5影像，通過目視解譯其中包括不透水面、植被、裸地和水體四個類別，分別基于像素和影像對象對其進行各個單類的提取。訓練樣本和測試樣本都采用目視解譯選擇，并對分類結果進行評價。SPOT5影像中的各地物類別提取的實驗結果如圖4所示，對應的分類精度估計見表2，可以看出，在高分辨率遙感影像單類分類中，面向對象方法的分類精度高于基于像素的方法。

3 結 語

本文研究了面向對象的遙感影像單類分類問題。單類分類是遙感應用中的一個重要方面，采用的單類分類器是一種特殊的分類器，在學習過程中只需要興趣類別的訓練樣本。單類分類器一般都需要設置閾值判斷未知樣本的類別歸屬，因此，對于類間可分性小的數(shù)據(jù)集具有一定的局限性。面向對象方法在分割階段結合了影像的空間信息和光譜信息，增加了分類依據(jù)。另一方面，面向對象方法對原影像數(shù)據(jù)集進行優(yōu)化，減小了類內(nèi)方差，增加了類間可分性，使得單類分類器分類精度提高。

參考文獻

[1] TOOKE T R， COOPS N C， GOODWIN N R， et al. Extracting urban vegetation characteristics using spectral mixture analysis and decision tree classifications [J]. Remote sensing of environment， 2009， 113（2）： 398?407.

[2] 張友水，原立峰，姚永慧.多時相MODIS影像水田信息提取研究[J].遙感學報，2007，11（2）：282?288.

[3] 徐涵秋.利用改進的歸一化差異水體指數(shù)（MNDWI）提取水體信息的研究[J].遙感學報，2005，9（5）：589?595.

[4] 閆柏琨，王潤生，甘甫平，等.熱紅外遙感巖礦信息提取研究進展[J].地球科學進展，2005，20（10）：1116?1126.

[5] SCHOLKOPF B， PLATT J C， SHAWE?TAYLOR J， et al. Estimating the support of a high?dimensional distribution [J]. Neural computation， 2001， 13（7）：1443?1471.

[6] BRUZZONE L， CHI M， MARCONCINI M. A novel transductive SVM for semisupervised classification of remote?sensing images [J]. IEEE transactions on geoscience and remote sensing， 2006， 44（11）： 3363?3373.

[7] LI W K， GUO Q H. A maximum entropy approach to one?class classification of remote sensing imagery [J]. International journal of remote sensing， 2010， 31（8）： 2227?2235.

[8] MUNOZ?MARI J， BRUZZONE L， CAMPS?VAILS G. A support vector domain description approach to supervised classification of remote sensing images [J]. IEEE transactions on geoscience and remote sensing， 2007， 45（8）： 2683?2692.

[9] SANCHEZ?HERNANDEZ C， BOYD D S， FOODY G M. One?class classification for mapping a specific land?cover class： SVDD classification of fenland [J]. IEEE transactions on geo?science and remote sensing， 2007， 45（4）： 1061?1073.

[10] LI W K， GUO Q H， ELKAN C. A positive and unlabeled learning algorithm for one?class classification of remote?sen?sing data [J]. IEEE transactions on geoscience and remote sensing， 2011， 49（2）： 717?725.

[11] BENZ U C， HOFMANN P， WILLHAUCK G， et al. Multi?resolution， object?oriented fuzzy analysis of remote sensing data for GIS?ready information [J]. ISPRS journal of photogrammetry and remote sensing， 2004， 58（3/4）： 239?258.

[12] 何少林，徐京華，張帥毅.面向對象的多尺度無人機影像土地利用信息提取[J].國土資源遙感，2013，25（2）：107?112.