劉嘉 廖小露

?

應(yīng)急遙感影像信息快速提取方法探討

劉嘉 廖小露

（四川測繪地理信息局測繪技術(shù)服務(wù)中心，成都 610081）

針對應(yīng)急影像信息快速提取需求，采用對應(yīng)分析方法，實現(xiàn)最優(yōu)波段組合和監(jiān)督分類訓(xùn)練樣本的快速選擇與提純，提高應(yīng)急影像分類精度。對應(yīng)分析方法分別將波段和像元值設(shè)為對應(yīng)分析的變量與樣本，建立波段與像元值間的對應(yīng)關(guān)系，判別各類別相關(guān)性最強的波段信息，有效解決監(jiān)督分類樣本不純、波段間信息冗余的問題。試驗結(jié)果表明，該方法可快速、準確的篩選樣本，分類結(jié)果穩(wěn)定、可靠，適用于快速準確地提取應(yīng)急影像信息。

對應(yīng)分析 樣本選擇 應(yīng)急影像 信息提取 航天遙感應(yīng)用

0 引言

隨著空間信息技術(shù)的飛速發(fā)展，尤其是高時空分辨率遙感傳感器技術(shù)的發(fā)展，空間信息技術(shù)在應(yīng)急保障中的作用日益突顯[1-3]。利用衛(wèi)星遙感技術(shù)對自然災(zāi)害進行監(jiān)測預(yù)警，已被廣泛證明是一種行之有效的手段[4]。近年來，遙感技術(shù)的不斷發(fā)展，光學(xué)遙感、紅外遙感、微波遙感、高光譜遙感等衛(wèi)星與航空遙感數(shù)據(jù)不斷豐富，影像分辨率不斷提高，信息處理技術(shù)不斷增強，遙感技術(shù)應(yīng)用不僅為應(yīng)急保障提供基于事實的影像，更可精確量測地物信息分布情況[1,5]，有效滿足損失評估、地震烈度評定等應(yīng)急決策分析[6]，遙感影像信息提取成果將直接決定其應(yīng)急保障應(yīng)用成效。

本文將重點探討應(yīng)急遙感影像信息快速準確提取方法。遙感影像信息提取方法總體上有兩大類型，一是基于統(tǒng)計理論的信息提取方法，例如監(jiān)督、非監(jiān)督分類法、神經(jīng)網(wǎng)絡(luò)分類法等；二是基于規(guī)則的分類方法，例如面向?qū)ο蟮男畔⑻崛》诸惙ǖ?。?yīng)急時期第一時間獲取的影像多為宏觀尺度中低分辨率影像成像，影像處理與應(yīng)用存在混合像元多、樣本選擇效率低等不足。文獻[7]應(yīng)用多元對應(yīng)分析實現(xiàn)分類器構(gòu)建；文獻[8]為避免非監(jiān)督分類中初始值選取不當導(dǎo)致分類結(jié)果隨機性較大的情況，提出了對應(yīng)分析在非監(jiān)督分類過程中初始值選取中的應(yīng)用，結(jié)果表明此方法能夠得到滿意的分類結(jié)果且明顯減少了迭代次數(shù)；文獻[9]提出了一種基于對應(yīng)分析的典型地物的訓(xùn)練樣本選擇方法，從而代替人工選擇訓(xùn)練樣本帶來的主觀性，結(jié)果表明此方法比人工選擇訓(xùn)練樣本有效；文獻[10]將對應(yīng)分析與面向?qū)ο蟮姆诸惙椒ㄏ嘟Y(jié)合，有效提高了分類檢測的精度；文獻[11]深入開展了高性能集群處理技術(shù)提高應(yīng)急遙感影像處理效率的實踐。

本文將以應(yīng)急影像為對象，利用對應(yīng)分析方法對待分類影像的訓(xùn)練樣本進行快速選擇、提純與分析，在型因子分析（研究變量之間的相關(guān)關(guān)系）與型因子分析（研究樣本之間的相互關(guān)系）[12]的基礎(chǔ)上，將訓(xùn)練樣本與波段描繪于同一個因子平面，分析波段與波段間、樣本與樣本間以及波段與樣本之間的相關(guān)關(guān)系，既實現(xiàn)最佳波段組合，又實現(xiàn)訓(xùn)練樣本快速選擇與提純，從而提高應(yīng)急影像信息提取精度。

1 對應(yīng)分析基本原理與計算步驟

對應(yīng)分析是在型因子分析與型因子分析的基礎(chǔ)上派生出的一種多元統(tǒng)計方法，有效解決了變量與樣本分割研究的問題。其實質(zhì)是高維空間向量向低維空間的投影[12-13]，基本思想是采用一種數(shù)據(jù)變換的方法對原始資料數(shù)據(jù)進行規(guī)格化變換[14-15]，使之轉(zhuǎn)變?yōu)榱硪粋€矩陣[12]，為變換矩陣，使得協(xié)方差矩陣T和T具有相同的非零特征值，它們相應(yīng)的特征向量也有密切的關(guān)系；再結(jié)合因子分析，從型因子分析結(jié)果出發(fā)，直接得到型因子分析的結(jié)果，從而將原始數(shù)據(jù)轉(zhuǎn)變?yōu)榭啥攘康姆种?，減少維度并按比例結(jié)構(gòu)將變量和樣品同時反映到相同因子軸的一張圖形上，進而直觀地解釋變量和樣本間的對應(yīng)關(guān)系[12-13]。

本文以多波段遙感影像為例，闡述遙感影像的對應(yīng)分析方法，步驟如下：

假設(shè)原始一幅多波段影像具有個波段，每一個波段中具有個像元，x為第個波段的第個像元的亮度值，由此可將原始多光譜遙感影像視為一個二維的矩陣，

（1）計算規(guī)格化概率矩陣

（2）計算變換矩陣

式（3）將原始數(shù)據(jù)矩陣轉(zhuǎn)換為，則變量的協(xié)方差矩陣可以表示為=T的形式，樣本的協(xié)方差矩陣可以表示為=T的形式，和具有相同的非零特征值且特征向量密切相關(guān)，因此可以從型因子分析結(jié)果出發(fā)，得到型因子分析的結(jié)果，建立起變量和樣本間的關(guān)系。

（3）型因子分析

型因子分析是針對變量進行的因子分析，因此從變量的協(xié)方差矩陣=T出發(fā)，計算矩陣的特征值：1≥2≥3≥…≥λ，為特征值個數(shù)，并計算每個特征值所對應(yīng)的單位化特征向量={1≥2≥3≥…≥α}，按特征值累計貢獻率的大小確定因子個數(shù)，一般取累計貢獻率大于80%的前個特征值作為因子，從而得到關(guān)于變量的因子載荷矩陣，

此時，將表示波段的變量表示在由因子軸1和2構(gòu)成的平面1-2上，呈點狀分布，即為變量點圖。

（4）型因子分析

型因子分析針對樣本進行因子分析，由于=T和=T具有相同的非零特征值，由型因子分析中計算出的矩陣的特征值出發(fā)，計算矩陣的單位化特征向量，從而得到關(guān)于樣本的因子載荷矩陣，根據(jù)特征值累計貢獻率得出的因子個數(shù)應(yīng)與型因子分析得出的個數(shù)是一致的，均為個，

將表示像元的樣本表示在型因子分析相應(yīng)的因子平面1-2上，同樣呈點狀分布，即為樣本點圖。

由于因子平面1-2和因子平面1-2重合，從而將波段和像元顯示在同一平面上，直觀地表示了波段和樣本間具有如下對應(yīng)關(guān)系：

1）波段間的關(guān)系。因子平面中波段鄰近則表示波段間存在較高的相關(guān)性，相鄰波段中所包含的信息存在大量冗余信息。通過因子圖可以進行波段相關(guān)性的選擇，使得波段間相關(guān)性較低且包含信息量較大，進而降低信息的冗余度。

2）像元間的關(guān)系。通過訓(xùn)練樣本選取的像元值具有相似或相同的性質(zhì)，在因子平面圖中應(yīng)為相互鄰近的關(guān)系，若出現(xiàn)個別像元離該總體像元較遠，此像元與該地類的相關(guān)性差，剔除該像元，實現(xiàn)訓(xùn)練樣本快速提純。

3）波段和像元間的關(guān)系。通過訓(xùn)練樣本選取的像元若密集分布于某個波段的點旁，則該像元歸于一類，且與該波段的相關(guān)性較高，該波段對該地類的敏感程度亦較高，由此判斷不同地類的最佳波段組合。

圖1 試驗區(qū)遙感影像

2 試驗分析

2.1 數(shù)據(jù)源及預(yù)處理

本文所采用的數(shù)據(jù)為“環(huán)境一號”衛(wèi)星長江流域黃岡市與黃石市交界地區(qū)多光譜影像，包括藍波段、綠波段、紅波段和紅外波段，試驗區(qū)影像如圖1所示。試驗區(qū)內(nèi)地物種類豐富，具備建筑用地、水體、林地、耕地以及道路等。根據(jù)試驗區(qū)地類實際分布并參考相關(guān)文獻[16-17]，確定耕地、林地、水體、建設(shè)用地和道路5大地類信息，并結(jié)合監(jiān)督分類方法實現(xiàn)不同信息快速提取。

2.2 影像分類分析

結(jié)合應(yīng)急時期對應(yīng)急影像數(shù)據(jù)處理時效性、結(jié)果準確性的要求，本試驗采用交互式樣本選擇方法，先人工快速、粗略地選取不同地類足夠數(shù)量的訓(xùn)練樣本；再結(jié)合對應(yīng)分析法對每一類訓(xùn)練樣本進行提純，判別出與該類別相關(guān)性最高的3個波段，進行波段組合；剔除與此類別相關(guān)性最低的像元，從而既實現(xiàn)波段組合，又實現(xiàn)訓(xùn)練樣本快速選擇與提純；最后采用最大似然法進行各地類信息提取。

（1）樣本快速選擇與提純

通常情況下，對陸地衛(wèi)星而言，對應(yīng)分析前兩個主因子占總方差的90%以上，可將各波段與各地類的訓(xùn)練樣本都投影到由1和2前兩個主因子組成的因子平面中分析[8]。不同地類訓(xùn)練樣本對應(yīng)分析因子圖，如圖2~6所示，實心圓點表示影像的4個波段，空心點表示每種地類的訓(xùn)練樣本。

圖2 耕地樣本與各波段的對應(yīng)分析

圖3 林地樣本與各波段的對應(yīng)分析

圖4 水體樣本與各波段的對應(yīng)分析

圖5 建設(shè)用地與各波段的對應(yīng)分析

圖6 道路與各波段的對應(yīng)分析

圖中清晰的反映了影像波段間、訓(xùn)練樣本間以及波段與訓(xùn)練樣本間的相關(guān)關(guān)系。

1）波段間關(guān)系。圖2~6中，波段1、2、3基本呈線性特征，此三個波段相關(guān)性較高，而波段4與其他三個波段無顯著相關(guān)性，此特征同多光譜數(shù)據(jù)的1、2、3波段為可見光波段，波段4為近紅外波段相符，波段4近紅外波段是不同地物識別區(qū)分的有效波段。

2）訓(xùn)練樣本提純。橢圓中訓(xùn)練樣本分布集中，表示橢圓范圍內(nèi)樣本點相關(guān)性高，樣本點屬于同一類別概率大，位于橢圓以外區(qū)域的樣本點分布疏散，屬于該地類的概率較小。故選擇分布較集中點即可快速選擇訓(xùn)練樣本，實現(xiàn)訓(xùn)練樣本提純。

3）訓(xùn)練樣本與波段關(guān)系。圖2~6中，不同地類的訓(xùn)練樣本與各波段具有不同的相關(guān)性。以耕地為例，波段4、波段2、波段1周邊分布的有效耕地樣本較多，而波段3周邊分布的非有效耕地樣本較多，波段4、波段2和波段1可作為耕地信息提取的最佳組合波段，并以此方法實現(xiàn)不同類別最佳波段組合。

（2）樣本定量分析

1）樣本選擇效率分析。對比分析本文分類樣本選擇與提純方法與傳統(tǒng)樣本選擇方法時效性，如表1所示，本文方法較傳統(tǒng)方法效率提升20%左右。

表1 樣本選擇效率分析

Tab.1 Sample selection efficiency analysis

2）樣本離散度分析。樣本離散程度分析采用樣本標準方差評價。樣本標準方差是樣本值偏離均值的程度，標準方差越大，則樣本值偏離均值的程度越大，分布越離散，反之則分布越集中[18-19]。由表2可見，提純后的訓(xùn)練樣本方差明顯較小，此時訓(xùn)練樣本分布更為集中，類內(nèi)的相關(guān)性較高，類間相關(guān)性低，更有利于信息提取。而未提純的訓(xùn)練樣本方差稍大，樣本分布較離散，類內(nèi)相關(guān)性較低，類間的相關(guān)性較高。

表2 未提純訓(xùn)練樣本與提純訓(xùn)練樣本的均值和方差對比表

Tab.2 Mean and variance comparison table of unpurified training samples and purified training ones

2.3 分類精度評價

本文采用最大似然分類法，最小距離分類法以及神經(jīng)網(wǎng)絡(luò)分類法，應(yīng)用提純后訓(xùn)練樣本，實現(xiàn)應(yīng)急遙感影像信息快速提取進行信息提取，最大似然法分類圖如圖7所示，最大似然法分類提純前后分類結(jié)果對比如圖8所示。

圖7 訓(xùn)練樣本提純后最大似然法分類圖

圖8 不同地類訓(xùn)練樣本提純結(jié)果對比

同時，參考高分辨率影像，從影像中選取純凈度較高的200個地類均勻分布的驗證點，結(jié)合最大似然分類法，最小距離分類法以及神經(jīng)網(wǎng)絡(luò)分類法提取結(jié)果。因Kappa系數(shù)是指一種對遙感圖像的分類精度和誤差矩陣進行評價的多元離散方法，總體精度只考慮了對角線方向上被正確分類的像元數(shù)，而Kappa系數(shù)則同時考慮了對角線以外的各種漏分和錯分像元，因此結(jié)合總體精度與Kappa系數(shù)對未提純訓(xùn)練樣本的分類結(jié)果和提純訓(xùn)練樣本的分類結(jié)果進行定量分析[20]。分類精度如表3所示。

表3 不同算法分類精度評價

Tab.3 Classification accuracy evaluation of different algorithms

由表3可見，采用對應(yīng)分析提純訓(xùn)練樣本分類后，總體精度與Kappa系數(shù)均較未提純訓(xùn)練樣本分類的總體精度和Kappa系數(shù)提升約2個百分點，訓(xùn)練樣本提純后，分類精度可有效提高。

3 結(jié)論

1）采用對應(yīng)分析法對各類樣本進行分析能夠很好地將訓(xùn)練樣本與波段描繪于同一個因子平面中，直觀地揭示了波段與波段間、樣本與樣本間以及波段與樣本之間的相關(guān)關(guān)系，能夠有效實現(xiàn)純凈樣本快速選擇及不同地類識別有效波段組合。

2）采用對應(yīng)分析訓(xùn)練樣本提純后，分類結(jié)果的總體精度比未提純分類影像提高約2個百分點，Kappa系數(shù)比未提純分類結(jié)果提高約2個百分點，通過對應(yīng)分析法提純訓(xùn)練樣本有效提升影像分類精度。

3）結(jié)合對應(yīng)分析技術(shù)的信息提取方法具備樣本選擇快速有效、分類結(jié)果穩(wěn)定可靠、分析方法穩(wěn)健等特點，實用性強，在應(yīng)急影像信息提取中效果優(yōu)良，能有效滿足應(yīng)急狀態(tài)影像信息快速、準確提取需求。

[1] 李德仁, 陳曉玲, 蔡曉斌. 空間信息技術(shù)用于汶川地震救災(zāi)[J]. 遙感學(xué)報, 2008, 12(6): 841-851. LI Deren, CHEN Xiaoling, CAI Xiaobin. Spatial Information Techniques in Rapid Response to Wenchuan Earthquake[J]. Journal of Remote Sensing, 2008, 12(6): 841-851. (in Chinese)

[2] KUMAR A, CHINGKHEI R K, DOLENDRO T. Tsunami Damage Assessment: A Case Study in Car Nicobar Island, India[J]. International Jourmal of Remote Sensing, 2007, 28(13-14): 2937-2959.

[3] BARNES C F, FRITZ H, YOO J. Hurricane Disaster Assessments with Image-driven, Data Mining in High-resolution Satellite Imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(6): 1631-1640.

[4] 李德仁. 遙感用于自然災(zāi)害監(jiān)測預(yù)警大有作為[J]. 科技導(dǎo)報, 2007, 25(6): 1. LI Deren. Remote Sensing Can Help Monitoring and Predicating Natural Disasters[J]. Science & Technology Review, 2007, 25(6): 1. (in Chinese)

[5] 裴惠娟, 陳文凱, 安培俊. 地震應(yīng)急中制約遙感應(yīng)用因素分析[J]. 高原地震, 2014, 26(1): 36-45. PEI Huijuan, CHEN Wenkai, AN Peijun. Analysis on Application Factors for the Remote Sensing in Earthquake Emergency Assessment[J]. Plateau Earthquake Research, 2014, 26(1): 36-45. (in Chinese)

[6] 王曉青, 竇愛霞, 丁香, 等. 地震烈度應(yīng)急遙感評估研究與應(yīng)用進展[J]. 地球信息科學(xué)學(xué)報, 2015, 17(12): 1536-1544. WANG Xiaoqing, DOU Aixia, DING Xiang, et al. Advance on the RS-based Emergency Seismic Intensity Assessment[J]. Geo-information Science, 2015, 17(12): 1536-1544. (in Chinese)

[7] 韓宏, 楊靜宇, 胡鐘山. 基于多元對應(yīng)分析的KNN分類器組合[J]. 信息與控制, 1999, 28(5): 350-356. HAN Hong, YANG Jingyu, HU Zhongshan. Combination of KNN Classifiers Based on Mmultiple Correspondence Analysis[J]. Information and Control, 1999, 28(5): 350-356. (in Chinese)

[8] 蘇戌年. 對應(yīng)分析方法在遙感圖像非監(jiān)督分類中的應(yīng)用[J]. 地質(zhì)科技情報, 1982(3): 69-76. SU Xunian. Application of Correspondence Analysis Method in Unsupervised Classification of Remote Sensing Images[J]. Geological Science and Technology Information, 1982(3): 69-76. (in Chinese)

[9] 虞欣, 鄭肇葆. 基于對應(yīng)分析的訓(xùn)練樣本的選擇[J]. 測繪學(xué)報, 2008, 37(2): 190-195. YU Xin, ZHENG Zhaobao. Training Samples Selection Method Based on Correspondence Analysis[J]. Acta Geodaetica et Cartographica Sinica, 2008, 37(2): 190-195. (in Chinese)

[10] 龔浩, 張景雄, 申邵洪. 基于對象的對應(yīng)分析在高分辨率遙感影像變化檢測中的應(yīng)用[J]. 武漢大學(xué)學(xué)報(信息科學(xué)版), 2009, 34(5): 544-547. GONG Hao, ZHANG Jingxiong, SHEN Shaohong. Object-based Correspondence Analysis for Improved Accuracy in Remote Sensing Change Detection[J]. Geomatics and Information Science of Wuhan University, 2009, 34(5): 544-547. (in Chinese)

[11] 龔建輝, 楊正銀, 陳中林. 應(yīng)急遙感影像高性能集群處理系統(tǒng)的設(shè)計與實現(xiàn)[J]. 測繪通報, 2016(4): 103-105. GONG Jianhui, YANG Zhengyin, CHEN Zhonglin. Design and Implementation of High-performance Cluster for Emergency Remote Sensing Image Processing System[J]. Bulletin of Surveying and Mapping, 2016(4): 103-105. (in Chinese)

[12] 向東進, 李宏偉, 劉小雅. 實用多元統(tǒng)計分析[M]. 武漢: 中國地質(zhì)大學(xué)出版社, 2005. XIANG Dongjin, LI Hongwei, LIU Xiaoya. Applied Multivariate Statistical Analysis[M]. Wuhan: China University of Geosciences Press, 2005. (in Chinese)

[13] 韓明. 應(yīng)用多元統(tǒng)計分析[M]. 上海: 同濟大學(xué)出版社, 2017. HAN Ming. Applied Multivariate Statistical Analysis[M]. Shanghai: Tongji University Press, 2017. (in Chinese)

[14] 王建軍. 多元統(tǒng)計理論實驗與案例[J]. 中國統(tǒng)計, 2014(4): 65. WANG Jianjun. The Experiment and Case of Multivariate Statistical Theory[J]. Chinese Statistics, 2014(4): 65. (in Chinese)

[15] 陶鳳梅. 對應(yīng)分析的數(shù)學(xué)模型[D]. 長春: 吉林大學(xué), 2005. TAO Fengmei. On the Mathematical Model of Correspondence Analysis[D]. Changchun: Jilin University, 2005. (in Chinese)

[16] 楊寶林, 張國麗. 改進的光譜角法在Landsat-8 OLI影像土地利用分類中的應(yīng)用[J]. 航天返回與遙感, 2015, 36(6): 80-86. YANG Baolin, ZHANG Guoli. The Application of Improved Spectral Angle Mapper in Land Use Classification Using Landsat-8 OLI Image[J]. Spacecraft Recovery & Remote Sensing, 2015, 36(6): 80-86. (in Chinese)

[17] 由佳, 張懷清, 陳永富, 等. 基于“高分四號”衛(wèi)星影像洞庭湖濕地信息提取[J]. 航天返回與遙感, 2016, 37(4): 116-122. YOU Jia, ZHANG Huaiqing, CHEN Yongfu, et al. Comparative Study of Dongting Lake Wetland Information Extraction Based on GF-4 Satellite Image[J]. Spacecraft Recovery & Remote Sensing, 2016, 37(4): 116-122. (in Chinese)

[18] 何曉群. 多元統(tǒng)計分析[M]. 北京: 中國人民大學(xué)出版社, 2015. HE Xiaoqun. Multivariate Statistical Analysis. Beijing: Renmin University of China Press. 2015. (in Chinese)

[19] 郭曉霞. 幾種多元統(tǒng)計分析方法的研究及其簡單應(yīng)用[D]. 杭州: 杭州電子科技大學(xué), 2015. GUO Xiaoxia. Research and Simple Application of Several Multivariate Statistical Analysis Methods[D]. Hangzhou: Hangzhou University of Electronic Science and Technology, 2015. (in Chinese)

[20] 李小文, 劉素紅. 遙感原理與應(yīng)用[M]. 北京: 科學(xué)出版社, 2017. LI Xiaowen, LIU Suhong. Principle and Application of Remote Sensing[M]. Beijing: Science Press, 2017. (in Chinese)

Discussion on Rapid Extraction Method of Emergency Remote Sensing Image Information

LIU Jia LIAO Xiaolu

（Bureau of Surveying Mapping and Geoinformation, Surveying and Mapping Technology Service Center Chengdu 610081, China）

For the purpose of rapid and accurate extraction of emergency image information, the method of correspondence analysis is used to realize the rapid selection and purification of training samples for optimal band combination and supervised classification, and to improve the classification accuracy of emergency images. By mapping band and pixel into correspondence analysis variables and samples respectively and then adopting factor analysis, the training samples are quickly purified, and the strongest bands of different types of correlation are identified, thus effectively solving the problems of classification sample impurity and inter-band information redundancy. The experimental results show that this method has the characteristics of fast and efficient sample selection, stable and reliable classification results, and can effectively meet the needs of accurate extraction of emergency image information.

correspondence analysis; sample selection; emergency remote sensing image; information extraction; space remote sensing applications

TP751

A

1009-8518(2019)01-0093-09

10.3969/j.issn.1009-8518.2019.01.011

劉嘉，女，1988年生，2012年獲中國地質(zhì)大學(xué)（武漢）測繪工程碩士學(xué)位。研究領(lǐng)域為地理國情監(jiān)測與遙感應(yīng)用。E-mail：april8841@126.com。

2018-04-25

地理信息安全保障技術(shù)及應(yīng)用-小型移動裝備研制（2018KJ0301）

（編輯：王麗霞）