胡金梅，董張玉，楊學(xué)志

（1.合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，安徽 合肥 230009；2.工業(yè)安全與應(yīng)急技術(shù) 安徽省重點(diǎn)實(shí)驗(yàn)室，安徽 合肥 230009）

自第一顆高分辨率衛(wèi)星發(fā)射成功以來，高分辨率衛(wèi)星的應(yīng)用已涉及多個(gè)領(lǐng)域。高分辨率遙感影像為災(zāi)害監(jiān)測、土地規(guī)劃等方面提供了幫助，從中提取的相關(guān)地物信息，可分析相關(guān)地物信息的空間分布和變化特征，并預(yù)測未來發(fā)展和規(guī)劃[1]。傳統(tǒng)的像元分類方法已得到廣泛應(yīng)用，但其數(shù)據(jù)量較大、運(yùn)算成本較高。面向?qū)ο蟮挠跋穹诸惣夹g(shù)通過分割原始影像構(gòu)建包含多個(gè)相對同質(zhì)像元的影像對象，從而提取融合影像對象多特征屬性，再選取合適的分類模型完成分類；通過減小像元錯(cuò)分的概率來提升分類效果。SVM、決策樹以及 BP人工神經(jīng)網(wǎng)絡(luò)等現(xiàn)有的分類模型已基本成熟[2]， 其中對SVM和決策樹的研究較多，如沈照慶[3]等利用SVM算法提取了道路信息；郝劍南[4]等基于面向?qū)ο蟮姆椒ǎ肧VM算法結(jié)合紋理特征提取了高分辨率影像的耕地信息；郭玉寶[5]等利用最大似然法、SVM算法和隨機(jī)森林（RF）算法進(jìn)行了城市用地分類，并對比分析了3種分類結(jié)果，結(jié)果表明RF算法既能保證分類精度又能保持一定的時(shí)間效率；QIAN Y[6]等通過處理WorldView-2影像發(fā)現(xiàn)，在城市土地分類中SVM算法和貝葉斯分類方法的效果優(yōu)于決策樹和最近鄰分類法。

傳統(tǒng)的面向?qū)ο蠓诸惙椒ú捎媚撤N單一分類算法對不同地物進(jìn)行信息提取，存在對某類地物分類效果較高或較差的情況；且無論采用何種算法，不同地物之間都會出現(xiàn)混分現(xiàn)象，不同分類算法的混分對象也千差萬別。基于此，本文根據(jù)研究對象特征，構(gòu)建了一種改進(jìn)的面向?qū)ο蟮母叻直媛蔬b感影像信息提取分類方法。首先利用分割算法，通過設(shè)置合適的分割參數(shù)將影像分割為若干個(gè)研究對象；再提取并融合研究對象的紋理、形狀等特征；然后利用SVM分類器區(qū)分特征信息相近的耕地和道路，利用RF分類器提取水體和人工表面信息；最后對兩種信息提取結(jié)果進(jìn)行拼接，實(shí)現(xiàn)土地利用分類。該方法可充分利用高分辨率影像的紋理和形狀等特征，同時(shí)結(jié)合不同分類器的特點(diǎn)，彌補(bǔ)了傳統(tǒng)面向?qū)ο蠓诸惙椒ǖ牟蛔悖瑢?shí)現(xiàn)對地物的精確識別和快速提取分類。

1 數(shù)據(jù)來源和預(yù)處理

1.1 數(shù)據(jù)來源

在我國民用光學(xué)衛(wèi)星中，第一顆精度達(dá)到空間亞m級的是GF-2號遙感衛(wèi)星。本文采用的數(shù)據(jù)來源于GF-2號衛(wèi)星，包括1 m全色數(shù)據(jù)和4 m多光譜數(shù)據(jù)，其中全色數(shù)據(jù)僅含一個(gè)波段（0.45～0.90 μm）；多光譜數(shù)據(jù)包含藍(lán)光波段（0.45～0.52 μm）、綠光波段（0.52～0.59 μm）、紅光波段（0.63～0.69 μm）、近紅外波段（0.77～0.89 μm）4個(gè)波段?？紤]數(shù)據(jù)大小和計(jì)算機(jī)運(yùn)行速度，本文截取大小為935×912的矩形影像作為數(shù)據(jù)源。

1.2 數(shù)據(jù)預(yù)處理

為了較好地保持影像的紋理、形狀等屬性特征，需對原始影像進(jìn)行預(yù)處理，包括正射校正、幾何校正和Flash大氣校正等；并利用Gram-Schmidt PanSharpening對校正后的影像數(shù)據(jù)進(jìn)行影像融合，獲取分辨率為1 m的彩色融合影像，作為實(shí)驗(yàn)數(shù)據(jù)，如圖1所示。

圖1 實(shí)驗(yàn)數(shù)據(jù)

2 算法原理

傳統(tǒng)的面向?qū)ο蠓诸惙椒ㄊ菍τ跋裰兴械匚镄畔⑦M(jìn)行分類，不同地物分類精度不一致，因此存在混分現(xiàn)象。本文提出的改進(jìn)的面向?qū)ο蠓诸惙椒?，利用不同分類模型對不同地物的分類效果不一致的特性，選擇對某一類或多類地物分類效果較好的分類器進(jìn)行對應(yīng)地物信息提?。辉賹λ行畔⑻崛〗Y(jié)果進(jìn)行拼接，實(shí)現(xiàn)土地利用分類。

2.1 影像分割

目前已設(shè)計(jì)出多種影像分割算法，根據(jù)一種或多種 標(biāo)準(zhǔn)得到包含多樣化特征信息的分割區(qū)域。其目的 是提供攜帶多種特征信息的對象集，再利用這些對象集完成影像分析。因此，分割效果將直接影響分析過程。常用的影像分割算法包括多尺度分割、分水嶺[7]、基于拓?fù)湫畔⒈Ａ舻某袼胤指睿═PS）[8]以及SLIC超像素算法等，其中多尺度分割算法中分割參數(shù)與分割效果沒有直接聯(lián)系，分割過程需根據(jù)經(jīng)驗(yàn)進(jìn)行反復(fù)試驗(yàn)，從而找到合適的分割參數(shù)；分水嶺、TPS和SLIC超像素算法的分割精度均較高；SLIC超像素算法生成的多邊形分割區(qū)域近似均勻且緊湊，運(yùn)算速度較快，內(nèi)存效率更高。通過綜合考慮，本文選取SLIC超像素算法進(jìn)行影像分割。

SLIC超像素算法的主要參數(shù)為期望分割的分割塊數(shù)目（k）。實(shí)驗(yàn)采用的影像是RGB色彩空間，需先將其轉(zhuǎn)換成CIELAB色彩空間，再進(jìn)行聚類分析。聚類的第一個(gè)步驟是初始化，在包含N個(gè)像素的影像上每間隔S個(gè)像素采樣一個(gè)中心點(diǎn)，共采樣k個(gè)初始聚類中心Ci。其計(jì)算公式為：

傳統(tǒng)的K-mean算法是計(jì)算每個(gè)中心點(diǎn)與影像中 每個(gè)像素的間距；而SLIC超像素算法則是在每個(gè)中心點(diǎn)的固定區(qū)域內(nèi)，計(jì)算區(qū)域內(nèi)與所有像素的間距。SLIC超像素算法減小了計(jì)算量，且使復(fù)雜性與影像對象的個(gè)數(shù)無關(guān)，降低了復(fù)雜度。間距測量D表示聚類中心與像素的緊密度，從而確定每個(gè)像素所屬的分割區(qū)域。其計(jì)算公式為：

式中，dc為顏色距離；ds為空間距離，并對不同特征進(jìn)行歸一化；m為空間鄰近性與顏色的相對重要性，m越大，表示空間鄰近性越重要，獲取的分割區(qū)域越緊湊，反之，則顏色距離的貢獻(xiàn)度更大，適用于邊界分割，獲得的分割區(qū)域具有較小的規(guī)則尺寸和形狀，其范圍為[1,40]，本文中m=30。

2.2 特征提取

特征是兩個(gè)或多個(gè)物體之間具有差異性的屬性。本文基于分割之后的數(shù)據(jù)，采用現(xiàn)階段常用的特征提取算法實(shí)現(xiàn)特征提取。由于土地覆蓋類型的多樣性和復(fù)雜性，在實(shí)際分類過程中，通過融合多種特征屬性的方式來提高研究對象之間的差異性。

影像的紋理特征反映了像元灰度級的變化與重復(fù)，描述地物的表面屬性。常用的提取算法包括局部二值模式和灰度共生矩陣（GLCM）。GLCM研究的是影像局部區(qū)域，是統(tǒng)計(jì)區(qū)域內(nèi)兩個(gè)灰度級分別為i和j的像元之間聯(lián)合概率P(i,j)組成的矩陣。實(shí)驗(yàn)數(shù)據(jù)中包含大量的耕地、水體信息，空間上紋理差異性較大，本文主要計(jì)算GLCM中的對比度、熵、相似性以及能量4個(gè)關(guān)鍵特征。

1）對比度用以描述影像灰度級在局部上的變化特征，體現(xiàn)影像的清晰度。其值越大，紋理越明顯，輪廓越清晰。其計(jì)算公式為：

2）熵反映了影像紋理的隨機(jī)性。其計(jì)算公式為：

3）相似性體現(xiàn)了影像灰度級在局部上的關(guān)聯(lián)性。其計(jì)算公式為：

4）能量是矩陣中各聯(lián)合概率的平方和，用以描述灰度分布情況和紋理變化程度。其計(jì)算公式為：

紋理特征僅能描述影像表面的局部特征，研究對象之間的差異性不夠明顯；還需融合光譜、形狀等其他特征。光譜特征用于統(tǒng)計(jì)影像亮度等變化特征，是影像基本特征之一，本文選取均值、亮度和標(biāo)準(zhǔn)差 3種典型特征統(tǒng)計(jì)量，具體描述如表1所示。形狀特征用以表征影像對象的形狀屬性，可區(qū)分一些具有規(guī)則形狀的地物，其中形狀指數(shù)可描述對象邊界的平滑度，其值越小，地物形狀越平滑。

表1 光譜特征和形狀特征

基于上述原理，本文首先提取所有影像對象的特征值；再對紋理、光譜和形狀特征進(jìn)行多特征融合，構(gòu)建一組最優(yōu)特征向量，得到影像對象樣本集；最后從樣本集中選取合適的數(shù)據(jù)組成訓(xùn)練數(shù)據(jù)，其他作為測試數(shù)據(jù)。

2.3 信息提取

在影像分割和特征提取的基礎(chǔ)上進(jìn)行信息提取，本文采用SVM分類器和RF分類器兩種分類模型，其中SVM分類器適用于特征值較為接近的地物信息，能獲取較高的分類精度；RF分類器內(nèi)存運(yùn)行效率高且分類精度較高，適用于數(shù)據(jù)、特征參數(shù)多的高分辨率影像[9]。因此，本文利用SVM分類器提取耕地、道路和船只信息，利用RF分類器提取水體和人工表面信息；再對兩種信息提取結(jié)果進(jìn)行拼接，從而實(shí)現(xiàn)土地利用分類。信息提取流程如圖2所示。

圖2 信息提取流程圖

2.3.1 SVM算法

20世紀(jì)90年代，有學(xué)者提出了一種統(tǒng)計(jì)學(xué)理論體系，可解決有限樣本學(xué)習(xí)問題[10]?；诖耍琒VM算法得到了快速發(fā)展，并擴(kuò)展出一系列改進(jìn)算法，已廣泛應(yīng)用于模式識別、影像分類等領(lǐng)域[11]。SVM算法是一種非參數(shù)分類器，適合解決復(fù)雜的分類問題，適用于維度較高的特征空間和小樣本數(shù)據(jù)，具有較強(qiáng)的穩(wěn)定性，已普遍應(yīng)用于識別、分類等領(lǐng)域[12]。若采取考慮地塊整體特征的策略進(jìn)行面向地物區(qū)域的分類，訓(xùn)練樣本將會大大減少，這時(shí)SVM算法就可以發(fā)揮很大優(yōu)勢。

對于線性不可分問題，為給定的每個(gè)樣本加入一個(gè)松弛變量ξi≥0，則約束條件改為：

目標(biāo)函數(shù)變?yōu)椋?/p>

式中，C為懲罰函數(shù)。

本文采用LibSVM開源軟件包進(jìn)行SVM分類，由于多特征融合后得到的特征向量是線性不可分的，因此實(shí)驗(yàn)中分類器的核函數(shù)選擇徑向基核函數(shù)。

2.3.2 RF算法

決策樹是一種樹形分類模型，由許多二叉樹組成，根據(jù)判別規(guī)則，通過持續(xù)分割影像，形成具有相同屬性的子集，從而確定影像中每個(gè)研究對象的所屬類型。RF算法是一種基于集成學(xué)習(xí)方法的組合型分類器，是決策樹衍生出來的新型分類模型。隨機(jī)建立多個(gè)決策樹，分類時(shí)根據(jù)多個(gè)決策樹對樣本進(jìn)行投票，選擇最優(yōu)決策樹決定樣本所屬的類型[13]。RF算法能在有效處理大量數(shù)據(jù)的同時(shí)避免過度擬合，具有訓(xùn)練樣本快、分類精度高、抗噪性強(qiáng)等優(yōu)點(diǎn)，因此被廣泛應(yīng)用于遙感分類領(lǐng)域。本文利用RF算法實(shí)現(xiàn)水體和人工表面信息的提取。

2.3.3 信息提取拼接

基于上述原理，本文對兩種信息提取結(jié)果進(jìn)行拼接。首先利用SVM算法提取耕地、道路和船只信息，并對3種地物信息進(jìn)行標(biāo)志位處理，將耕地標(biāo)志為1、道路標(biāo)志為2、船只標(biāo)志為3、其余信息標(biāo)志為4，得到第一組地物信息；再利用RF算法提取水體和人工表面信息，并進(jìn)行標(biāo)志位處理，將水體標(biāo)志為5、人工表面標(biāo)志為6、其余信息標(biāo)志為7，得到第二組地物信息；最后將第一組地物信息中標(biāo)志為4的地物信息替換成第二組地物信息中標(biāo)志為5、6的地物信息，從而完成信息提取拼接，得到所有地物信息，實(shí)現(xiàn)地物分類。

3 實(shí)驗(yàn)結(jié)果與分析

基于上述原理，本文著重研究了影像分類問題，并提出了改進(jìn)方法，利用不同分類器的特性實(shí)現(xiàn)了高分辨率遙感影像信息的提取分類。

3.1 影像分割分析

本文采用SLIC超像素算法進(jìn)行影像分割，結(jié)果如圖3所示，可以看出，當(dāng)k=1 000時(shí)易產(chǎn)生欠分割現(xiàn)象，分割精度最低；當(dāng)k=5 000時(shí)，分割精度最高，部分地物被分割得很準(zhǔn)確，尤其是一些細(xì)小地物，但超像元尺寸過小，易產(chǎn)生過分割現(xiàn)象，超像元之間特征值過于相似，各地物信息區(qū)分度較低；當(dāng)k=3 000時(shí)分割精度較高，且各超像元之間的特征值有明顯差異，各地物信息之間有明顯的區(qū)分度。因此，本文實(shí)驗(yàn)均在k=3 000的條件下進(jìn)行。

圖3 SLIC超像素算法影像分割結(jié)果

3.2 分類結(jié)果分析

首先對分割結(jié)果中所有的超像元對象進(jìn)行光譜、紋理和形狀特征提取，并進(jìn)行多特征融合；再將得到的多特征數(shù)據(jù)集合分別輸入SVM分類器和RF分類器中，獲得兩種分類結(jié)果，如圖4所示。

圖4 分類結(jié)果

由分類結(jié)果可知，兩種分類方法在一定程度上均存在混分現(xiàn)象，但不同分類器的混分對象是不同的。對比原圖發(fā)現(xiàn)，耕地和道路的相似性較高，水體和建筑的區(qū)別較明顯。由圖4a可知，SVM分類器對耕地和道路具有更好的區(qū)分度，對建筑物和水體的區(qū)分度較低；由圖4b可知，RF分類器對建筑物和水體具有更好的區(qū)分度，對耕地和道路的區(qū)分度較低，因此本文利用SVM分類器提取相似性較高的耕地和水體，利用RF分類器提取建筑物和水體信息（圖5）。最后，本文對兩種信息提取結(jié)果進(jìn)行了拼接，實(shí)現(xiàn)了土地利用分類，如圖6所示，可以看出，本文提出的分類方法的總體精度高于SVM算法和RF算法。

圖5 不同地物信息提取

圖6 不同分類方法的結(jié)果對比

3.3 分類精度分析

為了定量分析本文方法的有效性，本文從Kappa系數(shù)和總體精度兩個(gè)方面對分類結(jié)果進(jìn)行評估。Kappa系數(shù)和總體精度的計(jì)算公式分別為：

式中，Ci,j為真實(shí)地物的第i類被分到第j類的數(shù)量。

基于上述公式，在不同方法下，計(jì)算得到每類地物的Kappa系數(shù)和總體精度（表2）。結(jié)果表明，本文方法精度高于SVM算法和RF算法。

表2 各種分類方法的精度對比/%

4 結(jié) 語

本文提出一種改進(jìn)的面向?qū)ο蟮母叻直媛蔬b感影像信息提取分類方法，提高了總體精度。

1）分割結(jié)果的精度直接影響信息提取結(jié)果的精度；但并不是分割精度越高，信息提取精度就越高，需要選擇合適的分割參數(shù)，從而獲得較高的信息提取精度。

2）相同的地物信息采用不同分類器將得到不同的分類精度，因此可利用某種分類器對一種或多種地物的分類精度較高的特性，組合多種分類器的信息提取結(jié)果，利用多種分類器區(qū)分多種地物信息。

本文方法結(jié)合了SVM算法和RF算法的優(yōu)點(diǎn)，總體上提高了分類精度；但在分割時(shí)仍有部分地物出現(xiàn)欠分割現(xiàn)象，如實(shí)驗(yàn)中的船只沒有精確分割，導(dǎo)致其與水體出現(xiàn)混分的情況。未來將在分割精度上繼續(xù)開展研究，從而提高分類精度。