基于多分類器組合的遙感土地利用分類研究

張 輝　(山西省科學(xué)技術(shù)情報(bào)研究所，山西太原 030001)

?

基于多分類器組合的遙感土地利用分類研究

張 輝(山西省科學(xué)技術(shù)情報(bào)研究所，山西太原 030001)

遙感影像在土地利用/覆蓋變化研究中廣泛使用。如何從遙感影像中快速、高效地獲取較高精度的數(shù)據(jù)，已成為遙感行業(yè)數(shù)據(jù)提取的一大研究熱點(diǎn)[1]。對待分類的遙感影像圖，傳統(tǒng)方法是采用分類效果最好的單分類器作為最后的解決方案[2]。一般來說，沒有一種分類器能很好地區(qū)分所有樣本數(shù)據(jù)，不同分類器錯(cuò)分類別也并不完全相同，這說明不同分類器之間可能存在互補(bǔ)信息，伴隨著模式識別問題愈發(fā)復(fù)雜，人們開始嘗試著去研究能否很好地利用這類分類互補(bǔ)信息，進(jìn)而提出了組合分類的思想[3]。

基于多分類器組合的研究最早出現(xiàn)在模式識別中，而今它的很多相關(guān)理論和方法也得到發(fā)展[4]。從組合結(jié)構(gòu)上來講，多分類器組合可分為2類。當(dāng)采用串行結(jié)構(gòu)時(shí)，先執(zhí)行的分類器為后執(zhí)行的分類器提供幫助，并指引著后者的分類進(jìn)程[5]。Liu等[6]利用專家系統(tǒng)分類，然后把得到的分類結(jié)果圖用來輔助NN分類，結(jié)果提高了分類精度，也較準(zhǔn)確地獲取了研究區(qū)的土地利用信息。而當(dāng)采用并行結(jié)構(gòu)進(jìn)行分類器組合時(shí)，實(shí)質(zhì)上就是綜合了各基分類器的結(jié)果[7]。

筆者首先利用最小距離分類器(MDC)、最大似然分類器(MLC)、神經(jīng)網(wǎng)絡(luò)分類器(NN)和支持向量機(jī)分類器(SVM)4種基分類器進(jìn)行遙感圖像分類，主要通過輸出混淆矩陣和Kappa系數(shù)進(jìn)行分類結(jié)果評價(jià)，選出精度指標(biāo)較高的分類器作為基分類器進(jìn)行組合，采用改進(jìn)的加權(quán)投票方法進(jìn)行分類，最后找出精度最高的多分類器組合。

1研究區(qū)與數(shù)據(jù)

選取山西省中部晉中市榆次區(qū)作為研究區(qū)。研究區(qū)地處黃土高原東部邊緣，東部為太行山，西部為晉中盆地，地勢東高西低，山地、丘陵、平川呈階梯狀分布。研究區(qū)面積為1 328 km2，區(qū)域內(nèi)土地利用/覆蓋類型較為復(fù)雜，土地覆蓋的空間異質(zhì)性顯著。

覆蓋研究區(qū)的Landsat TM數(shù)據(jù)來源于中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心國際科學(xué)數(shù)據(jù)鏡像網(wǎng)站(http://www.gscloud.cn)，Landsat TM數(shù)據(jù)軌道號為125-34，獲取日期為2011年8月5日，經(jīng)過幾何校正、影像裁剪等預(yù)處理后，選取1～5波段和7波段，共6個(gè)波段數(shù)據(jù)(圖1)。以榆次區(qū)第二次全國土地調(diào)查數(shù)據(jù)1∶1萬比例尺土地利用數(shù)據(jù)為參考，作為該研究遙感影像的訓(xùn)練樣本、基本端元選取及分類精度評價(jià)的先驗(yàn)數(shù)據(jù)。

圖1　榆次區(qū)TM影像5,4,3假彩色合成圖

2多組合分類器原理

組合分類器是一種通過組合決策，充分利用各基分類器間存在的互補(bǔ)信息來提高分類精度而建立的遙感圖像分類系統(tǒng)。這個(gè)分類系統(tǒng)包括基分類器生成、組合分類器結(jié)構(gòu)以及組合決策機(jī)制3部分[8]。

2.1分類器組合方法投票法源于一種假定理論：群體的判斷會優(yōu)于個(gè)體判斷[9]。

投票法組合方法：對于輸入的X分類，將分類器ek的輸出結(jié)果參與組合決策。投票函數(shù)為：

(1)

式中，Tk(X∈Cj)是類別Cj經(jīng)分類器ek輸出后得到的票數(shù)，若被判為j類，則給予1票；如若不是，則投0票。

通常投票規(guī)則：

(2)

式中，k值取1~R，i∈Φ；ek(X)=M+1時(shí)，分類器ek無法識別X；0<α<1。當(dāng)α=1所有分類器ek輸出的類別相同時(shí)，才會將這一結(jié)果作為像元?dú)w屬類別，否則當(dāng)不識別處理；當(dāng)α=0.5超出半數(shù)的分類器ek輸出的類別相同時(shí)，將這一結(jié)果作為最終決策類別；當(dāng)α為很小的接近0的正數(shù)且某一類別獲得相對較多的票數(shù)時(shí)，將這一類別作為像元?dú)w屬類別，否則當(dāng)作不識別處理。因此投票法依據(jù)α的值可以分類為：完全統(tǒng)一投票法、多數(shù)投票法、相對多數(shù)投票法。

2.2改進(jìn)的加權(quán)投票法基于各分類器分類各有優(yōu)勢，也各有不足，所以要想使組合后的分類結(jié)果達(dá)到較高精度，即能充分體現(xiàn)各基分類器的互補(bǔ)優(yōu)勢，一般會通過衡量各基分類器的性能來求取加權(quán)值，對性能好的分類器賦予大的權(quán)值[10]。該研究將各基分類器分類輸出的用戶精度指標(biāo)值作為投票法集成算法中的加權(quán)值。具體改進(jìn)的組合方法公式為[9]：

(3)

對于輸入的X值，分類輸出得到的票數(shù)值為分類器ek輸出的用戶精度值。為了獲得便于做分析的結(jié)果，該研究選用的α值為很小的接近0的正數(shù)，當(dāng)某一類別獲得相對較多的票數(shù)時(shí)，將這一類別作為像元?dú)w屬類別。

改進(jìn)后的投票組合規(guī)則為：

(4)

2.3組合結(jié)構(gòu)首先選擇了4種典型的監(jiān)督分類器進(jìn)行，這4種方法在遙感影像分類中各有優(yōu)勢，具有一定的算法獨(dú)立性。然后選取分類結(jié)果較好的分類器參與組合分類，研究可形成4種不同組合形式的組合分類結(jié)果。

2.3.1最小距離分類(MDC)。最小距離分類法主要包含以下2種分類類型：最小距離判別法將待分像元?dú)w屬于其與已知類別距離最小的一類；最近鄰域分類法將某像元到每類別中的最小距離確定為其到該類別的距離，然后將其歸屬于與其距離最小的類別。最小距離分類法的優(yōu)點(diǎn)是計(jì)算速度快；缺點(diǎn)是原理簡單，分類精度不高。

2.3.2最大似然分類(MLC)。最大似然分類法首先假設(shè)研究區(qū)的總體分布是近似服從正態(tài)分布的，先求得均值、方差等特征參數(shù)，最后求取概率密度函數(shù)。但當(dāng)總體分布不服從于正態(tài)分布時(shí)，則不適合采用這種方法進(jìn)行研究。

2.3.3人工神經(jīng)網(wǎng)絡(luò)(ANN)。簡稱神經(jīng)網(wǎng)絡(luò)(NN)， 神經(jīng)網(wǎng)絡(luò)算法是利用計(jì)算機(jī)模擬人類學(xué)習(xí)的過程。它不需要對數(shù)據(jù)分布的先驗(yàn)知識，且具有自學(xué)習(xí)、自組織能力，同樣適用于非線性離散樣本；還適合同時(shí)對遙感數(shù)據(jù)、輔助數(shù)據(jù)(如地形、坡度等)進(jìn)行處理[19]。神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是分類的正確率高,并行處理能力較強(qiáng)，具有聯(lián)想記憶能力等；缺點(diǎn)是需有許多參數(shù)，學(xué)習(xí)的時(shí)間超長等。

2.3.4支持向量機(jī)(SVM)。支持向量機(jī)(SVM)經(jīng)常被用于遙感影像的分類試驗(yàn)中并且能夠得到較好的識別效果。它不同于ANN方法與傳統(tǒng)統(tǒng)計(jì)方法，SVM并不是通過減少特征個(gè)數(shù)來控制模型復(fù)雜性的[20]。SVM的優(yōu)點(diǎn)是可解決高維、非線性問題；缺點(diǎn)是對缺失數(shù)據(jù)較為敏感。

3基于多組合分類器的遙感分類試驗(yàn)

3.1訓(xùn)練樣本和驗(yàn)證樣本的采集依據(jù)榆次區(qū)土地利用類型的特點(diǎn)，所選樣本可分為植被、建設(shè)用地、裸土、裸巖、陰影、水體6類。訓(xùn)練樣本和測試樣本使用不同的樣本數(shù)據(jù)。試驗(yàn)所用的樣本需要依據(jù)以下原則選取:盡量保證訓(xùn)練樣本類別符合事實(shí)；樣本數(shù)目應(yīng)足夠多且盡可能分布均勻。

3.2基于改進(jìn)的加權(quán)投票法遙感分類試驗(yàn)

3.2.1基分類器的選擇。每個(gè)基分類器在組合分類器中都起著重要的作用，其性能如何，直接決定組合分類器的最后分類結(jié)果。因而，選取合理的基分類器是組合分類結(jié)果取得成功的關(guān)鍵[11]。概括來說，它的選取應(yīng)滿足以下條件：較好的分類性能、多樣性的分類效果以及較高的分類效率。此外，參與組合分類的基分類器的個(gè)數(shù)不宜過多。因?yàn)檫@樣不僅會使分類的變復(fù)雜，而且難以保證上述的選取條件[12]。

在評價(jià)分類結(jié)果方面，除混淆矩陣外，Kappa分析能夠準(zhǔn)確地評價(jià)結(jié)果圖與地表真實(shí)圖的相似度，而且不容易受小的像元類別的變動影響。所以它能夠有效地評判分類結(jié)果[13]。

(1)基分類器的分類。該研究整個(gè)分類過程都使用相同的訓(xùn)練樣本進(jìn)行遙感分類，用相同的驗(yàn)證樣本進(jìn)行精度評價(jià)。各基分類器的分類成果見圖2。輸出混淆矩陣等分類結(jié)果評價(jià)信息見表1、2。

(2)各單分類器分類結(jié)果分析。結(jié)合分類成果圖和輸出信息可以看出，運(yùn)用各單監(jiān)督分類器進(jìn)行遙感分類時(shí)，各分類結(jié)果的各項(xiàng)精度精度指標(biāo)值的差別并不是很大。當(dāng)用MDC分類時(shí)有很多樣本被歸于未分類(尤其體現(xiàn)在植被類別的分類上)，而用其他3種分類方法分類時(shí)所有訓(xùn)練樣本都參與分類。當(dāng)采用MLC分類時(shí)，有少部分裸巖被判別為水體。而當(dāng)采用NN分類時(shí)，部分土地被判別為裸巖?？偟膩碚f，神經(jīng)網(wǎng)絡(luò)分類和支持向量機(jī)分類是比較好的遙感圖像計(jì)算機(jī)分類方法，結(jié)果更為準(zhǔn)確(較地面真實(shí)土地利用情況更為吻合)。

表1　各單分類器部分輸出信息

表2　各單分類器用戶精度輸出信息(比值)

該研究依據(jù)上述基分類器的選取條件為基本標(biāo)準(zhǔn)，結(jié)合各分類器分類結(jié)果輸出的各項(xiàng)精度指標(biāo)值，從4種典型的監(jiān)督分類器中選取MLC、NN、SVM這3種監(jiān)督分類器作為基分類器。

3.2.2基于改進(jìn)后的加權(quán)投票算法的多分類器組合分類。利用上述選取基分類器的用戶精度指標(biāo)值作為加權(quán)投票組合算法的加權(quán)值，然后任意組合可形成4種不同組合形式的分類結(jié)果。具體的實(shí)現(xiàn)過程如下：在ENVIIDL開發(fā)環(huán)境下編寫源文件代碼(.pro)，通過手動參與分類的分類器數(shù)量、依次讀取各基分類器的分類結(jié)果文件(.dat格式)來實(shí)現(xiàn)不同組合形式下的多分類器組合分類。分類結(jié)果見圖3。分類結(jié)果的輸出信息見表3。

圖2　榆次區(qū)監(jiān)督分類結(jié)果

圖3　榆次區(qū)組合分類成果

多分類器組合總體精度∥%Kappa系數(shù)MLC+NN97.51480.9525MLC+SVM97.26090.9477NN+SVM98.44330.9527MLC+NN+SVM95.36780.9399

3.2.3精度對比分析及評價(jià)。從基于先進(jìn)的加權(quán)投票算法實(shí)現(xiàn)的組合分類部分成果及輸出信息等可以看出，組合分類器在某些組合情況下樣本被錯(cuò)分、誤分的機(jī)率小。從各分類精度折線(圖4)可以看出，尤其是在MLC與NN 、NN與SVM、MLC與SVM兩兩分類器組合分類的時(shí)候，它們的總體分類精度較各基分類器分類時(shí)的最高值(95.27%)提高了2~3個(gè)百分點(diǎn)，應(yīng)該是由于基分類器兩兩之間參與分類時(shí)的結(jié)合能力較強(qiáng)。而當(dāng)MLC、NN、SVM 3個(gè)基分類器都參與組合分類時(shí)，可能是由于三者之間的結(jié)合能力不強(qiáng)，又或是由于這三者之間分類性能效果比較接近，所以三者組合分類的效果不太明顯，分類精度指標(biāo)值都要低于3個(gè)兩兩組合分類。但總的來說，研究結(jié)果在一定程度上證明了多組合分類器的可行性和有效性，達(dá)到了預(yù)期的效果。

圖4　各分類精度折線

4結(jié)論

該研究采用榆次區(qū)Landsat TM遙感影像數(shù)據(jù)，首先利用MDC、MLC、NN和SVM這4種典型的監(jiān)督分類器進(jìn)行遙感土地利用分類，結(jié)果表明NN、SVM和MLC分類精度較高；之后利用上述3種精度指標(biāo)較高的基分類進(jìn)行組合，選取4種不同的多分類器組合方式，利用改進(jìn)后的加權(quán)投票集成算法進(jìn)行組合分類，結(jié)果表明，多分類器組合分類時(shí)的分類結(jié)果精度高于單獨(dú)的基分類器的類，且兩兩基分類器的組合時(shí)的分類精度要高于3個(gè)基分類器組合分類時(shí)的結(jié)果?？偠灾囼?yàn)證實(shí)了多組合分類器的有效性和可行性，能夠提高傳統(tǒng)分類方法的分類精度。

參考文獻(xiàn)

[1] 劉小平，黎夏，何晉強(qiáng),等.基于蟻群智能的遙感影像分類新方法[J].遙感學(xué)報(bào)，2008,12(2):253-262.

[2] 鄭忠，曾永年，劉慧敏,等.并聯(lián)結(jié)構(gòu)組合分類器的誤差分析[J].遙感技術(shù)與應(yīng)用，2011，26(3):340-347.

[3] 溫興平.基于多分類器組合的高光譜遙感數(shù)據(jù)分類技術(shù)研究[D].北京：中國地質(zhì)大學(xué)，2008.

[4] 周偉,馬洪超.TM影像分類領(lǐng)域多分類器線性組合方法及差異性度量研究[J].黑龍江工程學(xué)院學(xué)報(bào)(自然科學(xué)版),2006,20(4):14-20.

[5] CAO J,AHMADI M,SHRIDHAR M. Recognition of handwritten numerals with multiple feature and multistage classifier[J].Pattern recognition, 1995, 28(2):53-160.

[6] LIU SKIDMORE A K,VAN OOSTEN H. Integration of classification methods for improvement of land-cover map accuracy [J]. ISPRS journal of photogrammetry & remote sensing,2002, 56: 257-268.

[7] XU L H,KRZYZAK A,SUEN C Y.Methods of combining multiple classifiers and their applications to handwriting recognition [J].IEEE Trans SMC, 1992, 22(3):418-435.

[8] 鄭忠.適應(yīng)性組合分類器遙感分類研究[D].長沙：中南大學(xué)，2013.

[9] 張少佳.多分類器組合及其遙感分類研究[D].長沙：中南大學(xué)，2010.

[10] JENSEN J R.遙感數(shù)字影像處理導(dǎo)論[M].陳曉玲,等譯.3版.北京:機(jī)械工業(yè)出版社，2007.

[11] 李斌.基于多組合分類器的高光譜圖像識別技術(shù)研究[D].北京：中國地質(zhì)大學(xué)，2008.

[12] 彭正林，毛先成，劉文毅,等.基于多分類器組合的遙感影像分類方法研究[J].國土資源遙感,2011(15):19-25.

[13] 趙英時(shí).遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2002:194-207.

摘要為了從遙感影像中快速、高效地獲取較高精度的數(shù)據(jù)，按照分類組合的思想，根據(jù)山西省太原市榆次區(qū)Landsat TM影像數(shù)據(jù)，將傳統(tǒng)監(jiān)督分類中分類性能較好的分類器作為基分類器，運(yùn)用改進(jìn)后的加權(quán)投票算法進(jìn)行多分類器組合，用于研究區(qū)遙感影像土地利用/覆被數(shù)據(jù)分類。結(jié)果表明，多分類器組合的分類結(jié)果精度要高于單獨(dú)的基分類器分類精度，兩兩分類器組合的分類精度要高于三分類器組合的精度。研究結(jié)果證實(shí)了多分類器組合的可行性和有效性，能夠提高傳統(tǒng)分類方法的分類精度。

關(guān)鍵詞土地利用；遙感分類；多分類器組合

Land Use Classification Based on the Remote Sensing Classification by Multi-classifier Combination

ZHANG Hui(Institute of Scientific and Technical Information of Shanxi，Taiyuan，Shanxi 030001)

AbstractIn order to get higher accuracy data quickly and efficiently from the remote sensing image，according to the thought of combination classification, using the Landsat TM image data of Yuci District in Taiyuan，Shanxi,we took the typical and high-accuracy supervised classifiers as basic classifiers of multiple classifiers, to studing how can adopt the improved wighted voting to making a simple research of land use /cover classification of the remote sensing image. The results show that the combination of multiple classifiers classification accuracy was higher than that of single classifier classification accuracy, two classifiers combination classification accuracy was higher than the accuracy of three classifier combination.This paper proved the effectiveness and feasibility of multiple classifiers integration, and proved that it can improve the accuracy of traditional classification by multi-classifier combination.

Key wordsLand use；Remote sensing classification；Multi-classifier combination

收稿日期2015-10-19

作者簡介張輝(1984-)，男，山西天鎮(zhèn)人，助理研究員，碩士，從事農(nóng)業(yè)資源利用、科技情報(bào)研究。

基金項(xiàng)目山西省農(nóng)業(yè)科技攻關(guān)項(xiàng)目(20130311037-3)。

中圖分類號S 127

文獻(xiàn)標(biāo)識碼A

文章編號0517-6611(2015)32-389-04