基于多特征組合的彩色遙感圖像分類研究

熊 羽，左小清*，黃 亮，陳震霆，2

基于多特征組合的彩色遙感圖像分類研究

熊 羽1，左小清1*，黃 亮1，陳震霆1，2

（1.昆明理工大學(xué)國土資源工程學(xué)院，昆明650500；2.昆明冶金高等?？茖W(xué)校計(jì)算機(jī)信息學(xué)院，昆明650033）

為了解決利用單一特征對(duì)彩色遙感圖像進(jìn)行分類效果不理想、普適性不強(qiáng)等問題，提出了一種基于顏色和紋理特征組合的支持向量機(jī)彩色遙感圖像分類方法。該方法嘗試將彩色遙感圖像的顏色信息和紋理信息相結(jié)合作為支持向量機(jī)算法分類的特征向量，據(jù)此對(duì)遙感影像進(jìn)行分類，并進(jìn)行了實(shí)驗(yàn)驗(yàn)證。結(jié)果表明，顏色和紋理特征組合的支持向量機(jī)分類方法能夠取得較高的分類精度，其分類效果優(yōu)于傳統(tǒng)的單一顏色或紋理特征分類，是一種有效的彩色遙感圖像分類方法。

圖像處理；分類；支持向量機(jī)；顏色特征；紋理特征

引 言

如何對(duì)衛(wèi)星遙感數(shù)據(jù)進(jìn)行自動(dòng)分類和信息提取一直是遙感應(yīng)用的一個(gè)重要研究方向?，F(xiàn)有的遙感圖像分類方法大多都以模式識(shí)別技術(shù)為基礎(chǔ)，其中常用的主要有最大似然算法、人工神經(jīng)網(wǎng)絡(luò)方法和聚類方法等，然而這些算法存在著一個(gè)較大缺陷，即只有在樣本趨于無窮大以及正態(tài)分布時(shí)，才能獲得理想的分類結(jié)果。而在實(shí)際應(yīng)用中，樣本的數(shù)目往往是有限的，這就限制了上述方法有時(shí)無法取得較為理想的分類效果［1］。

支持向量機(jī)（support vector machine，SVM）是由VAPNIK和他的合作者提出的一種機(jī)器學(xué)習(xí)新方法［2-3］，它是一種監(jiān)督式學(xué)習(xí)的方法，已經(jīng)廣泛地應(yīng)用統(tǒng)計(jì)分類以及回歸分析等領(lǐng)域中。目前基于SVM的遙感圖像分類方法很多，如利用圖像灰度信息、灰度共生矩陣紋理信息、Gabor小波紋理信息等。但目前大多研究處理的仍都是灰度遙感圖像，對(duì)彩色遙感圖像直接進(jìn)行分類的研究卻不是很多。為了解決對(duì)彩色遙感圖像分類的問題，HUANG等人通過對(duì)圖像顏色的空間相關(guān)性進(jìn)行分析并提取，然后通過使用分類樹的方法對(duì)彩色遙感圖像進(jìn)行分類［4］；SZUMMER則通過使用顏色直方圖這一顏色特征來對(duì)彩色圖像進(jìn)行SVM分類［5］；VAILAYA等人則利用顏色直方圖和邊緣方向直方圖等特征，通過使用Bayesian分類器實(shí)現(xiàn)了對(duì)彩色遙感圖像進(jìn)行了分類［6］。

基于SVM的彩色遙感圖像分類效果很大程度上依賴于所用特征，用于彩色遙感圖像分類的特征有很多，而圖像的顏色、紋理特征是兩種最常用的特征向量。高分辨率彩色遙感圖像所包含的信息豐富，其中有些區(qū)域顏色比較相近，然而其紋理特征相差較大，如草地和林地；而有些區(qū)域紋理相似，但顏色卻差異較大，如道路和裸地。而顏色和紋理都只能對(duì)遙感圖像的一部分特征進(jìn)行描述，作者在分類過程中，如果只使用單一的顏色或紋理特征來表征圖像的信息，其并不能全面地描述圖像所包含的內(nèi)容。因此，本文中提出將顏色和紋理特征相結(jié)合，從不同方面更加詳細(xì)地對(duì)遙感圖像的內(nèi)容進(jìn)行描述，從而實(shí)現(xiàn)更好的分類結(jié)果。

1 SVM分類的基本原理

1.1SVM基本原理

下面通過圖1對(duì)SVM算法的基本原理進(jìn)行說明，圖中圓圈和方塊來表示兩類樣本，其中稱H為分類超平面，假設(shè)有兩個(gè)平面H1和H2，且它們滿足以下條件：（1）H1和H2需要經(jīng)過距離H最近的兩類樣本；（2）H1和H2到H的距離相等；則稱H1和H2之間的距離為分類間隔。如何將兩類樣本正確分開且使分類間隔最大的超平面稱為最優(yōu)分類超平面［6-9］。

Fig.1 Basical theory of SVM

1.2SVM線性分類

假設(shè)存在一個(gè)線性可分樣本集（xi，yi），i＝1，2，…，n，x∈Rd，即x是d維訓(xùn)練樣本中的特征向量，xi是待分類樣本；y∈｛＋1，－1｝是類別標(biāo)號(hào)，d維空間線性判斷函數(shù)的分類面方程一般形式為：

式中，w為權(quán)向量，b為分類閾值。如果要求對(duì)所有樣本都正確分類，則兩類樣本需要滿足以下條件：

滿足上述條件且使‖w‖2最小的分類面稱為

式中，和b*分別為最優(yōu)解和最優(yōu)分類閾值。

1.3SVM非線性分類和核函數(shù)

在非線性情況下，可以通過使用非線性變換的方法，把學(xué)習(xí)樣本變換到高維空間中，將其再次轉(zhuǎn)化為線性可分問題，但這會(huì)產(chǎn)生另外一個(gè)新的問題，即特征空間的維數(shù)驟然增加，也就是“維數(shù)災(zāi)難”問題。仔細(xì)觀察（3）式，可以發(fā)現(xiàn)其在計(jì)算過程中只涉及到訓(xùn)練樣本之間的內(nèi)積運(yùn)算，因此，可以通過使用核函數(shù)K（x，y）來代替原來的內(nèi)積運(yùn)算（x·y），則（3）式變?yōu)椋鹤顑?yōu)分類面，H1和H2上的訓(xùn)練樣本點(diǎn)稱作支持向量。解這個(gè)最優(yōu)化問題后得到的最優(yōu)分類函數(shù)是：

SVM中有多種不同的核函數(shù)，目前常用的核函數(shù)主要有：（1）多項(xiàng)式核函數(shù)K1（x，y）＝［（x·y）＋1］m，其中m為多項(xiàng)式的次數(shù)，m＝1，2，3，…；（2）徑向基核函數(shù)（radial basis function，RBF）K2（x，y）＝exp（－γ‖x－y‖2），其中γ為核參量；（3）Sigmoid函數(shù)K3（x，y）＝tanh［k（x·y）－μ］，其中，k，μ為常數(shù)。RBF的性能優(yōu)異，在遙感圖像的分類中已經(jīng)得到了廣泛使用［4］，RBF主要有兩個(gè)參量：懲罰因子C和核參量γ。懲罰因子C主要用來控制訓(xùn)練精度，其數(shù)值越大，表示對(duì)錯(cuò)誤分類的懲罰也越大；核參量γ主要影響樣本數(shù)據(jù)在高維特征空間中分布的復(fù)雜程度。

2 特征提取

2.1顏色特征提取

顏色特征作為數(shù)字圖像最直觀、最重要的感知特征之一，具有計(jì)算簡單、容易提取的優(yōu)點(diǎn)，因此利用顏色特征進(jìn)行圖像分類受到了廣泛關(guān)注［7-9］。

現(xiàn)有的圖像設(shè)備大多采集R，G，B值作為圖像的顏色信息，因此，RGB顏色空間作為圖像處理的基礎(chǔ)，也是最常用的一種顏色空間。在RGB空間中，可以將感興趣的部分看作一單位立方體，這樣R，G，B值便都均勻分布于區(qū)間［0，1］中。定義原點(diǎn)處為黑色，則其3個(gè)分量均為0，這樣離原點(diǎn)最遠(yuǎn)的頂點(diǎn)處則為白色，即3個(gè)分量均為1。在此RGB模型中，從原點(diǎn)到離其最遠(yuǎn)處頂點(diǎn)的連線能夠表示從黑到白的所有灰度值，即可以通過使用空間中的一個(gè)點(diǎn)或一個(gè)矢量來表示任意一種顏色［9］。

對(duì)于一幅彩色遙感圖像，其任意一個(gè)像素點(diǎn)的顏色信息，都可以通過使用R，G，B的值來進(jìn)行組合表示，因此，通過提取每個(gè)像素點(diǎn)的R，G，B值，便能夠提取得到圖像的顏色信息特征。顏色特征定義明確、容易提取、計(jì)算簡單，相對(duì)于其它特征，顏色特征非常穩(wěn)定。但是基于顏色特征算法必須用于具有不同類別顏色變化比較明顯的區(qū)域或者圖像，否則，提取顏色特征不僅不能正確提取圖像的特征信息，而且會(huì)導(dǎo)致產(chǎn)生大量的錯(cuò)分、誤分。

2.2紋理特征提取

在遙感圖像分類中，圖像的紋理特征也是一種常用的特征向量。常用的紋理特征主要有Tamura紋理特征、Gabor小波紋理特征和灰度共生矩陣等形式。其中灰度共生矩陣（gray level co-occurrence matrix，GLCM）通過研究灰度的空間相關(guān)特性對(duì)圖像的紋理信息進(jìn)行描述，其不僅能夠反映圖像的亮度分布特性，而且同時(shí)還能夠反映具有同樣或接近亮度的像素之間的位置分布特性，逐漸成為一種用來進(jìn)行分析圖像紋理特征的重要方法?；叶裙采仃嚨亩x為［10-13］：

式中，δ為生長步長；θ為生成方向，一般取0°，45°，90°，135°這4個(gè)方向，其值決定Pδθ，ij的大??；表示所有滿足δ和θ條件的所有點(diǎn)對(duì)數(shù)；Pij表示滿足δ和θ條件的灰度值分別為i，j的點(diǎn)對(duì)數(shù)出現(xiàn)的概率。

灰度共生矩陣通過計(jì)算圖像一些相應(yīng)的特征值來描述圖像的紋理信息，參考文獻(xiàn)［5］中提出了14種基于灰度共生矩陣的紋理特征參量，本文中選取其中4種描述能力較強(qiáng)的參量，即對(duì)比度、能量、熵和相關(guān)［14］。

（1）能量

能量又稱為角二階矩（angular second moment，ASM），由（5）式可以看出，它主要是通過計(jì)算灰度共生矩陣元素值的平方和而得到，其主要反映圖像灰度分布的均勻程度，若ASM值越大，則能量越大；反之，則能量越小。

（2）熵

熵是圖像所具有的信息量的度量，若共生矩陣中元素均勻分布，則熵值較大；反之，若元素分布比較集中時(shí)，則熵值較小。

（3）對(duì)比度

對(duì)比度用于反映圖像的清晰度和紋理溝紋深淺程度。紋理溝紋深則對(duì)比度大，視覺效果也就清晰；反之，紋理溝紋淺則對(duì)比度小，視覺效果模糊。

（4）相關(guān)性

相關(guān)值大小用于反映圖像中局部像素的灰度關(guān)聯(lián)性。局部像素形成的矩陣像元值均勻時(shí)，相關(guān)值大；反之，矩陣像元值差別很大時(shí)，相關(guān)值?。?4-15］。

基于紋理特征的SVM算法必須用于具有明顯紋理現(xiàn)象的區(qū)域或圖像。對(duì)于那些沒有明顯紋理現(xiàn)象的區(qū)域或圖像，提取紋理特征不僅不能正確表述圖像的底層特征，還有可能導(dǎo)致錯(cuò)誤的結(jié)果。

2.3綜合特征提取

根據(jù)第2.1節(jié)和第2.2節(jié)中的內(nèi)容，把顏色和紋理特征進(jìn)行組合，便能夠得到一個(gè)7維的特征向量如下：

式中，前3維是彩色遙感圖像的RGB特征向量，后4維是彩色遙感圖像轉(zhuǎn)換為灰度遙感圖像后所提取的紋理特征向量能量、熵、對(duì)比度、相關(guān)性。使用綜合特征的SVM分類算法將圖像的顏色特征和紋理特征相結(jié)合，其不僅適用于各類別之間顏色變化比較明顯的圖像，而且對(duì)于各類別之間的顏色信息比較接近的圖像，由于其結(jié)合了紋理信息，則仍能夠?qū)D像進(jìn)行較好的分類。而對(duì)于紋理特征不明顯的圖像，由于結(jié)合了圖像的顏色信息，則仍能對(duì)圖像進(jìn)行較好的分類，相對(duì)于前兩種算法其適用范圍更加廣泛。

由于顏色特征和紋理特征的物理意義并不相同，需要對(duì)顏色和紋理的向量特征進(jìn)行外部歸一化，其歸一化公式如下所示：

式中，fn′是特征向量f的第n維特征值，fmax和fmin分別是特征向量f中的最大值和最小值，歸一化后得到的f中所有特征向量的取值范圍為［0，1］。

2.4算法分類流程

本文中的算法分類流程圖如圖2所示，主要包括影像預(yù)處理、樣本選擇和特征提取、SVM分類和分類效果驗(yàn)證等幾個(gè)過程。

Fig.2 Flow chart of the method in the paper

（1）對(duì)實(shí)驗(yàn)圖像進(jìn)行預(yù)處理，主要包括對(duì)實(shí)驗(yàn)圖像進(jìn)行幾何校正和輻射校正，其中幾何校正采用二次多項(xiàng)式，其誤差控制在0.5個(gè)像元之內(nèi)，輻射校正采用6S模型。

（2）選取樣本，提取樣本的綜合特征，并進(jìn)行歸一化處理。其中紋理特征的計(jì)算，以選取的各個(gè)樣本點(diǎn)為中心，采用5×5的窗口分別計(jì)算能量、熵、對(duì)比度、相關(guān)性4個(gè)紋理特征值關(guān)于4個(gè)方向（0°，45°，90°，135°）的平均值，加上3個(gè)顏色特征值，共有7個(gè)特征向量。

（3）利用SVM算法進(jìn)行分類。核函數(shù)選擇RBF，其中懲罰因子C＝32，核參量γ＝0.125。訓(xùn)練整個(gè)訓(xùn)練樣本集，得到分類器模型。然后利用該分類器模型對(duì)整幅遙感得到圖像進(jìn)行分類，得到分類結(jié)果圖。其中，在計(jì)算整幅圖像的紋理特征時(shí)，采用距離為1、大小為5×5的滑動(dòng)窗口［16］計(jì)算由GLCM得到的4個(gè)特征值關(guān)于4個(gè)方向（0°，45°，90°，135°）的平均值。

（4）利用canny算子對(duì)分類后圖像進(jìn)行邊緣檢測，得到分類結(jié)果的矢量圖。并將矢量圖與原彩色遙感圖像進(jìn)行疊加，以驗(yàn)證分類效果。

3 實(shí)驗(yàn)結(jié)果及分析

為了對(duì)上述幾種特征分類方法進(jìn)行評(píng)價(jià)，下面分別用基于顏色特征、紋理特征以及顏色和紋理的組合特征對(duì)彩色遙感圖像進(jìn)行分類。并對(duì)分類效果進(jìn)行比較。

3.1實(shí)驗(yàn)數(shù)據(jù)及樣本選擇

Fig.4 Experimental image 2 and sample selection

本文中的實(shí)驗(yàn)數(shù)據(jù)選用昆明市安寧市的Quick_Bird兩幅區(qū)域彩色影像，如圖3a所示，其成像時(shí)間為2009年，空間分辨率分別為0.61m和2.44m，兩幅圖像的大小分別為319×319個(gè)像素和503×503個(gè)像素。其中圖3a主要包含人工建筑、裸地、林地、陰影等4類典型地物；圖3b為使用SVM算法進(jìn)行分類選取的樣本圖，其中，4類地物均選用40個(gè)樣本點(diǎn)作為訓(xùn)練樣本。圖4a主要包括農(nóng)用地、道路、人工建筑、林地、水塘、陰影等6類地物；圖4b為其樣本選取圖，其中農(nóng)用地選取60個(gè)樣本點(diǎn)，道路20個(gè)，人工建筑40個(gè)，林地60個(gè)，水塘20個(gè)，陰影20個(gè)。

3.2實(shí)驗(yàn)結(jié)果及對(duì)比

首先對(duì)圖3a進(jìn)行分類，其分類結(jié)果如圖5～圖7所示。其中圖5為使用顏色特征進(jìn)行SVM分類的結(jié)果，圖6為使用紋理特征進(jìn)行SVM分類的結(jié)果，圖7為使用顏色和紋理的組合特征進(jìn)行SVM分類的結(jié)果。其中圖5a、圖6a、圖7a分別為使用3種方法的分類結(jié)果圖，其中灰度值為190代表空地，灰度值為76代表林地，灰度值為240代表建筑，灰度值為127代表陰影；圖5b、圖6b、圖7b為使用canny算子對(duì)分類結(jié)果圖進(jìn)行邊緣檢測得到的相應(yīng)分類矢量圖；圖5c、圖6c、圖7c為使用分類矢量圖與原分類圖像匹配后的結(jié)果。

Fig.5 Classification results using color feature

Fig.6 Classification results using texture feature

由圖5、圖6和圖7的結(jié)果可以看出，基于單個(gè)顏色特征進(jìn)行分類后的結(jié)果（見圖5）其主要問題就是將建筑和陰影沒有區(qū)別開，而將建筑錯(cuò)分為了陰影；基于紋理特征進(jìn)行分類后的結(jié)果（見圖6）其主要問題是沒能將林地、空地和建筑進(jìn)行區(qū)分，而將部分建筑錯(cuò)分為了空地和林地；本文中提出的基于顏色和紋理特征組合的分類結(jié)果（見圖7）基本沒有明顯的錯(cuò)分、誤分情況，取得了較好的分類結(jié)果。

為了進(jìn)一步驗(yàn)證本文中算法的分類效果，對(duì)圖4a進(jìn)行分類，其分類結(jié)果如圖8、圖9和圖10所示。其中圖8為使用顏色特征進(jìn)行SVM分類的結(jié)果，圖9為使用紋理特征進(jìn)行SVM分類的結(jié)果，圖10為使用顏色和紋理的組合特征進(jìn)行SVM分類的結(jié)果。在圖8a、圖9a、圖10a中，灰度值為151代表田地，灰度值為110代表道路，灰度值為220代表水塘，灰度值為50代表林地，灰度值為150代表建筑，灰度值為100代表陰影。為了解決分類結(jié)果雜散點(diǎn)過多的問題，分別對(duì)圖8a、圖9a和圖10a進(jìn)行一個(gè)形態(tài)學(xué)的開閉操作，其中形態(tài)學(xué)算子大小為3×3，類型為“square”。圖8b、圖9b和圖10b分別為圖8a、圖9a和圖10a經(jīng)過形態(tài)學(xué)開閉處理后的結(jié)果；圖8c、圖9c和圖10c分別為對(duì)圖8b、圖9b和圖10b進(jìn)行canny算子邊緣檢測得到的分類矢量圖；圖8d、圖9d和圖10d分別為分類矢量圖與原實(shí)驗(yàn)圖像進(jìn)行疊加后的結(jié)果。

Fig.8 Classification results using color feature

Fig.9 Classification results using texture feature

Fig.10 Classification results using our method

由上述分類結(jié)果可以看出，由于實(shí)驗(yàn)的彩色遙感圖像分辨率更高，地物情況更復(fù)雜，所包含的信息量更大，基于顏色特征的分類結(jié)果（見圖8）出現(xiàn)了大量的錯(cuò)分、誤分情況，如將道路錯(cuò)分為建筑，部分田地錯(cuò)分為林地等；相比于圖8，基于紋理特征的分類結(jié)果（見圖9）對(duì)林地和田地進(jìn)行了較好的分類，但也出現(xiàn)了部分錯(cuò)分情況，如將道路錯(cuò)分為了建筑；本文中提出的基于顏色和紋理特征組合的分類結(jié)果（見圖10）只有少部分的錯(cuò)分、誤分情況，相比于前兩種算法，取得了較好的分類結(jié)果。

4 小 結(jié)

針對(duì)高分辨率彩色遙感圖像地物情況復(fù)雜，包含信息量大的特點(diǎn)，本文中提出了一種基于多特征組合的SVM彩色遙感圖像分類算法。將彩色遙感影像的顏色和紋理特征相組合作為特征向量，對(duì)彩色遙感圖像進(jìn)行分類。相比于單一特征的分類結(jié)果，本文中的算法取得較高的分類精度，是一種有效的彩色遙感圖像分類方法。

［1］ LIU L F，CHEN Y H，LI J.Texture analysis methods used in remote sensing images［J］.Remote Sensing Technology and Application，2003，18（6）：441-447（in Chinese）.

［2］ VAPNIK V N.An overview of statistical learning theory［J］.IEEE Transactions on Neural Networks，1999，10（5）：988-999.

［3］ VAPNIK V N.Support-vector networks［J］.Machine Learning，1995，20（3）：273-297.

［4］ HUANG J，KUMAR SR，ZABLIH R.An automatic hierarchical image classification scheme［C］／／Proceedings of the Six ACM International Conference on Multimedia.New York，USA：ACM，1998：219-228.

［5］ SZUMMER M，PICARD R.Indoor-outdoor image classification［C］／／Proceedings of the IEEE International Workshop on Content-based Access of Image and Video Database.New York，USA：ACM，1998：42-51.

［6］ VAILAYA A，F(xiàn)IGUEIREDO M A T，JAIN A K.Image classification for content based indexing［J］.IEEE Transactions on Image Processing，2001，10（1）：117-130.

［7］ DENG Y，MANJUNATH B S，KENNEY C.An efficient color representation for image retrieval［J］.IEEE Transactions of Image Processing，2001，10（1）：140-147.

［8］ HUANG Y Y，HE Y F.An image retrieval method based on color features［J］.Journal of Chinese Computer Systems，2007，28（7）：1277-1281（in Chinese）.

［9］ LIANG J.Research on image retrieval technology bases color feature［J］.Computer Knowledge and Technology，2010，6（9）：2223-2226（in Chinese）.

［10］ TAMURA H，MORIS，YAMAWAKIT.Texture features corresponding to visual perception［J］.IEEE Transactions on Systems，Man and Cybernetics，1978，8（6）：460-473.

［11］ QIAO Z J，JIANG JF.Texture retrieval based on wavelet transform［J］.Computer and Digital Engineering，2006，34（6）：75-78（in Chinese）.

［12］ HARALICK R M，SHANMUGAM K，DINSTEIN IH.Textural features for image classification［J］.IEEE Transactions on Systems，Man and Cybernetics，1973，3（6）：610-621.

［13］ ZHU B H，HUANG J，ZHANGW T，et al.Analysis of characteristics of laser speckles based on grey level co-occurrence matrix［J］.Laser Technology，2012，36（5）：620-622（in Chinese）.

［14］ CONNERSRW，HARLOW C A.A theoretical comparison of texture algorithms［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1980，2（3）：204-222.

［15］ ZHANG D S，LUO X H，ZHANG ZW.Image retrieval base on dual-tree complex wavelet transform and gray co-occurrence matrix［J］.Journal of Xihua University（Natural Science Edition），2010，29（3）：111-115（in Chinese）.

［16］ LIL，WANG H，LIU Q S，et al.Land cover classification using ALOS image based on textural features and support vector machine［J］.Remote Sensing For Land＆Resources，2011，23（4）：58-63（in Chinese）.

Classification of color remote sensing images based on multi-feature combination

XIONGYu1，ZUOXiaoqing1，HUANGLiang1，CHENZhenting1，2
（1.Faculty of Land Resource Engineering，Kunming University of Science and Technology，Kunming 650500，China；2.Faculty of Computer Information，Kunming Metallurgy College，Kunming 650033，China）

In order to improve the classification results and solve the universality in color sensing image classification using unique feature，a new support vector machine（SVM）color remote sensing image classification algorithm based on color feature and texture feature combination was proposed.The method used the combination of the color information and the texture information of color remote sensing image as the eigenvectors of SVM algorithm.The results show that the method can achieve higher precision compared with the traditional method using unique feature or texture feature.The method is effective to classify the remote sensing image.

image processing；classification；support vector machine；color feature；texture feature

P237

A

10.7510／jgjs.issn.1001-3806.2014.02.005

1001-3806（2014）02-0165-07

熊 羽（1988-），女，碩士研究生，主要從事遙感圖像處理方面的研究。

*通訊聯(lián)系人。E-mail：zuoxq＠163.com

2013-07-04；

2013-07-17