遙感影像單類分類的白化變換法

薄樹奎，李　向，李玲玲

鄭州航空工業(yè)管理學(xué)院計(jì)算機(jī)科學(xué)與應(yīng)用系，河南 鄭州 450015

A Whitening Transformation Based Approach to One-class Classification of Remote Sensing Imagery

BO Shukui,LI Xiang,LI Lingling

Department of Computer Science and Application, Zhengzhou Institute of Aeronautical Industry Management, Zhengzhou 450015, China

Foundation support： The National Natural Science Foundation of China (Nos. 41001235; 41171341); Aeronautical Science Foundation of China (No. 2011ZC55005); Foundation for University Key Young Teacher by Department of Education of Henan Province(No. 2012GGJS-145)

遙感影像單類分類的白化變換法

薄樹奎，李向，李玲玲

鄭州航空工業(yè)管理學(xué)院計(jì)算機(jī)科學(xué)與應(yīng)用系，河南 鄭州 450015

AWhiteningTransformationBasedApproachtoOne-classClassificationofRemoteSensingImagery

BOShukui,LIXiang,LILingling

DepartmentofComputerScienceandApplication,ZhengzhouInstituteofAeronauticalIndustryManagement,Zhengzhou450015,China

Foundationsupport：TheNationalNaturalScienceFoundationofChina(Nos. 41001235; 41171341);AeronauticalScienceFoundationofChina(No. 2011ZC55005);FoundationforUniversityKeyYoungTeacherbyDepartmentofEducationofHenanProvince(No. 2012GGJS-145)

摘要：提出一種基于白化變換的單類分類方法。該方法僅需要興趣類別的訓(xùn)練樣本。首先，基于興趣類別對(duì)原遙感影像作白化變換，使興趣類別的分布在各個(gè)方向上的方差相同。然后，確定一個(gè)距離閾值實(shí)現(xiàn)單類分類，根據(jù)切比雪夫定理，選擇不同倍數(shù)的標(biāo)準(zhǔn)差作為閾值進(jìn)行單類分類試驗(yàn)。結(jié)果表明，各個(gè)地物類別都在3~4倍標(biāo)準(zhǔn)差的區(qū)間內(nèi)獲得最高的分類精度。最后，以3倍標(biāo)準(zhǔn)差作為閾值的單類分類結(jié)果，與單類支持向量機(jī)方法比較，兩種方法的分類結(jié)果非常相近，而基于白化變換的方法閾值選擇簡單，魯棒性強(qiáng)。

關(guān)鍵詞：白化變換；單類分類；興趣類別；閾值

1引言

在遙感影像分類中，傳統(tǒng)方法將影像中的所有地物類型進(jìn)行標(biāo)記。而在有些應(yīng)用中，只要求提取其中的某個(gè)特定類別，不考慮其他的地物類型，例如濕地提取、植被提取、水體提取等[1-5]，這就是單類分類問題。單類分類問題中，待提取的類別稱為興趣類別。興趣類別的樣本也稱正樣本，其他的類別統(tǒng)稱為非興趣類別，非興趣類別的樣本稱為負(fù)樣本。

單類分類已逐漸成為遙感信息提取研究的熱點(diǎn)，提取興趣類別所采用的方法具有針對(duì)性，如文獻(xiàn)[6]提出了一種自適應(yīng)的水體信息提取方法，結(jié)合圖的聚合、相鄰等空間特征和高維波段映射的譜分析，通過自適應(yīng)信息計(jì)算方法自動(dòng)地調(diào)整提取參數(shù)，實(shí)現(xiàn)水體信息提取的自動(dòng)化，取得了較好的效果。單類分類與傳統(tǒng)的遙感影像分類不同的是，前者感興趣的是一個(gè)類別的提取精度，而后者關(guān)心的是影像中所有地物類型的準(zhǔn)確劃分。單類分類問題可以通過兩種方法解決，一是多類分類器，另一個(gè)是單類分類器。采用多類分類方法提取單類信息，將影像數(shù)據(jù)劃分為多個(gè)地物類別，同時(shí)獲取興趣類別信息。例如為了能準(zhǔn)確地提取水田信息，需要將原影像分成水田與林地、旱地、水體和城鎮(zhèn)用地等不同的類別[7]。近年來，遙感影像多類分類算法層出不窮，例如支持向量機(jī)，其優(yōu)點(diǎn)是能在樣本較小的情況下獲得較好的分類結(jié)果，而且具有高維數(shù)據(jù)處理能力[8-9]。紋理分類也是近年來研究的一個(gè)熱門課題[10]，人們?cè)絹碓阶⒅貓D像的空間特征如紋理、形狀和地學(xué)數(shù)據(jù)等在信息提取中的作用。此外，研究者們還提出了采用多源遙感數(shù)據(jù)進(jìn)行信息提取的方法[11]；基于圖像對(duì)象進(jìn)行影像分類和變化檢測、信息提取的方法[12-16]等。這些方法都是多類分類方法，確定多類中的興趣類別后，也可以用于單類信息提取。采用多類分類方法提取遙感影像單類信息，當(dāng)前的主要研究興趣是特征的選擇，例如利用比值運(yùn)算創(chuàng)建的各種指數(shù)，這類指數(shù)最廣為使用的就是歸一化差異植被指數(shù)NDVI，文獻(xiàn)[4]則提出了改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息。

近年來，多類分類方法層出不窮，而利用單類分類器提取遙感影像中的興趣類別，相關(guān)的研究還較少。一個(gè)常用的單類分類器是單類支持向量機(jī)(one-classsupport-vectormachine,OCSVM)[17]。OCSVM方法在高維空間中尋找一個(gè)能將興趣類別分開的具有最大間隔的超平面，它的缺點(diǎn)是自由參數(shù)的選擇困難。在構(gòu)造分類器過程中，除了興趣類別樣本外，未標(biāo)記樣本也提供了有用的信息，例如TransductiveSVM(TSVM)方法[18]，通過利用未標(biāo)記樣本可以得到較好的分類性能。TSVM方法需要設(shè)定迭代次數(shù)，而且需要已標(biāo)記樣本中的正樣本和負(fù)樣本兩個(gè)方面。還有基于支持域描述的方法(supportvectordatadescription,SVDD)[19-20]，利用一個(gè)包含目標(biāo)數(shù)據(jù)的盡可能小的球體進(jìn)行判別，由小樣本訓(xùn)練就能得到較好的分類效果。SVDD方法的主要缺點(diǎn)也是參數(shù)設(shè)置比較復(fù)雜。文獻(xiàn)[21]提出了PUL(positiveandunlabeledlearning)算法進(jìn)行單類分類，在高分辨率遙感影像中進(jìn)行了試驗(yàn)，分別提取了影像中的各個(gè)單類，包括市區(qū)、樹木、草地、水體、裸地。文獻(xiàn)[22]提出的遙感影像單類分類的MAXENT方法，在訓(xùn)練過程中只要求正樣本，試驗(yàn)結(jié)果表明其單類分類效果優(yōu)于OCSVM方法。MAXENT方法選擇具有最大熵的分布形式作為興趣類別的數(shù)據(jù)分布，是一種參數(shù)化的方法，對(duì)于不規(guī)則的興趣類別分布形式，效果受到影響。

傳統(tǒng)多類分類器應(yīng)用于單類分類問題，需要對(duì)所有類別提取訓(xùn)練樣本，得到所有類別的分類圖像，增加了分類難度和時(shí)間代價(jià)，也增大了訓(xùn)練樣本采集的工作量。而采用單類分類器提取單個(gè)興趣類別，只需要興趣類別的訓(xùn)練樣本，或者少量的、不完善的非興趣類別樣本。在遙感影像單類信息提取中，一般對(duì)興趣類別了解的比較充分，而對(duì)于其他類別的了解有限。例如，在遙感影像小目標(biāo)信息的提取中，不能保證背景的光譜是已知的。又如，在全國范圍的濕地提取與制圖工作中，對(duì)濕地類別了解比較充分，但是在大范圍區(qū)域的影像中，濕地以外的非興趣類別可能多種多樣，而且各個(gè)地區(qū)有所區(qū)別，不易掌握。單類分類器不需要所有類別的訓(xùn)練樣本，是一種特殊的分類方法，旨在訓(xùn)練和提取單一興趣類別，可以用于特定類別提取(如海洋溢油面積提取)、遙感影像目標(biāo)識(shí)別、變化檢測(未變化作為背景)等，具有廣泛的應(yīng)用前景和重要的研究價(jià)值。本文提出一種基于白化變換的遙感影像單類分類方法，并通過試驗(yàn)驗(yàn)證了該方法的有效性。

2基于興趣類別的圖像白化變換

將遙感影像映射到n維特征空間，設(shè)n維隨機(jī)向量X表示待提取的興趣類別，并由包含N個(gè)訓(xùn)練樣本的樣本集S={S1,S2,…,SN}來估計(jì)。又設(shè)Σ為樣本的協(xié)方差矩陣，Φ和Δ分別為Σ所對(duì)應(yīng)的特征向量矩陣和特征值矩陣，則

Δ-1/2ΦTΣΦΔ-1/2=Δ-1/2ΔΔ-1/2=I

式中，W=Δ-1/2ΦT為白化變換，變換后的數(shù)據(jù)Y=Δ-1/2ΦTX為白化數(shù)據(jù)。

由于

歐幾里得距離不是保持不變，因此，白化變換不是正交歸一變換。

白化變換是將一個(gè)分布的協(xié)方差矩陣變換為單位陣I。白化變換后，該分布所有特征的方差相同，且為1，消除了各個(gè)特征尺度不同的影響。在遙感影像中，白化處理可以將興趣類別映射到其協(xié)方差矩陣的主分量上，特征空間的坐標(biāo)中心位于興趣類別中心，各個(gè)方向是興趣類別協(xié)方差矩陣中的主要特征值對(duì)應(yīng)的特征向量，而且互不相關(guān)。作白化處理后，興趣類別的數(shù)據(jù)點(diǎn)在特征空間呈超球形對(duì)稱聚集，由于許多單類分類算法都是依賴于樣本到數(shù)據(jù)中心點(diǎn)之間的距離的，白化變換使單類提取變得容易。

白化變換是在不同的方向上作了相應(yīng)的尺度縮放，使得興趣類別的分布呈超球形狀，其他各類別分布的形狀也相應(yīng)發(fā)生改變，但是所有類別之間的總體結(jié)構(gòu)并未改變。因此，對(duì)于依賴正態(tài)分布的基于高斯模型的單類分類方法來說，分類結(jié)果并不會(huì)得到改善。對(duì)于基于支持向量描述的SVDD方法，如果興趣類別分布較為規(guī)范，不具有多模式特征，白化變換后滿足超球形狀的分布，對(duì)于單類提取是有利的。而如果興趣類別分布較為分散，白化后仍然可能和非興趣類別混合一起，影響興趣類別的提取，因此，白化變換更適合具有結(jié)構(gòu)簡單、分布集中的類別。白化變換通過不同方向上的縮放，優(yōu)化興趣類別的分布形狀，數(shù)據(jù)點(diǎn)聚集在它們的幾何中心周圍，不同方向上具有相同的距離尺度，有利于依靠距離的分類方法設(shè)定閾值。

以TM遙感影像單類提取為例，說明白化變換前后的類別分布變化情況。圖1所示為一幅TM遙感影像，是德國Definients公司推出的eCognition軟件手冊(cè)中的實(shí)例圖像[23]，地點(diǎn)為德國薩克森州一城鎮(zhèn)區(qū)域，圖像大小為499像素×498像素，由7個(gè)波段合成的影像，包含4個(gè)類別：不透水表面、林地、草地和水體。

圖1　TM試驗(yàn)數(shù)據(jù)1Fig. 1　TM experimental image 1

以不透水表面為興趣類別，其他為非興趣類別，各選擇1000樣本點(diǎn)，并根據(jù)前兩個(gè)波段作二維散點(diǎn)圖，如圖2所示。圖2中圓圈代表興趣類別，圓點(diǎn)代表其他類別。由圖2(a)可見，在白化變換前興趣類別樣本分布形狀不規(guī)范，而白化變換后的圖2(b)顯示，興趣類別樣本能夠較好地呈圓形分布，容易實(shí)現(xiàn)單類提取。

圖2　不透水表面類別白化前后的二維分布Fig.2　2D scatter of impervious surface before/after whitening transformation

3基于白化變換的單類分類

基于白化變換的遙感影像單類分類流程如圖3所示。白化變換后，以原點(diǎn)為中心，確定一個(gè)超球體進(jìn)行單類分類，距離原點(diǎn)小于超球半徑的樣本為正類。在單類分類中，只有興趣類別的訓(xùn)練樣本，由于沒有其他類別作為比較，需要設(shè)定一個(gè)距離閾值，根據(jù)閾值判斷樣本是否屬于興趣類別。

圖3　單類分類流程Fig.3　The flow chart of one-class classification

該算法的時(shí)間復(fù)雜度主要體現(xiàn)在白化過程和單類分類兩個(gè)方面。在白化變換中估計(jì)一個(gè)n階的N個(gè)樣本的協(xié)方差矩陣，時(shí)間復(fù)雜度為O(n2N)，求協(xié)方差矩陣的特征值和特征向量的時(shí)間復(fù)雜度是O(n3)，對(duì)M個(gè)像素的整個(gè)影像作白化的復(fù)雜度是O(n2M)。對(duì)整個(gè)影像進(jìn)行單類分類的時(shí)間復(fù)雜度是O(nM)。因?yàn)?，n是數(shù)據(jù)的維數(shù)，N是樣本的數(shù)量，都遠(yuǎn)遠(yuǎn)小于數(shù)據(jù)的規(guī)模M，所以，本文方法總的時(shí)間復(fù)雜度為O(n2N)+O(n3)+O(n2M)+O(nM)=O(n2M)。在空間復(fù)雜度方面，主要體現(xiàn)在初始影像數(shù)據(jù)和興趣類別樣本所占的空間O(nM)+O(nN)，以及白化后影像占的空間O(nM)，所以總的空間復(fù)雜度為O(nM)。

3.1閾值選擇

在單類分類方法中，只對(duì)興趣類別進(jìn)行訓(xùn)練，由訓(xùn)練樣本計(jì)算出興趣類別的均值向量和標(biāo)準(zhǔn)差等分布特征。沒有其他類別的分布知識(shí)，從而無法和其他類別之間的距離進(jìn)行比較，因此在單類分類中關(guān)鍵是要選擇一個(gè)合適的距離閾值。根據(jù)切比雪夫不等式，對(duì)于任意分布形式的數(shù)據(jù)，在平均數(shù)K倍標(biāo)準(zhǔn)差范圍之內(nèi)的數(shù)據(jù)比例至少占(1-1/K2)。例如，在3倍標(biāo)準(zhǔn)差區(qū)間內(nèi)的數(shù)據(jù)比例至少為89%，在4倍標(biāo)準(zhǔn)差區(qū)間內(nèi)的數(shù)據(jù)比例至少為94%。根據(jù)該定理，如果興趣類別的判別閾值為均值的3倍標(biāo)準(zhǔn)差，就能保證興趣類別中90%左右的數(shù)據(jù)被正確分類，區(qū)間越大比例越大，但隨著區(qū)間的擴(kuò)大，錯(cuò)分比例也會(huì)增加。這是因?yàn)樵谶b感影像中，興趣類別往往與其他類別在特征空間鄰近分布或相互交疊，其他類別的數(shù)據(jù)被更大的區(qū)間包括進(jìn)來的比例增加?；谂d趣類別的白化變換為閾值選擇提供了有利條件，因?yàn)樵诎谆儞Q后，興趣類別的分布中心在特征空間坐標(biāo)中心，而且各個(gè)方向上的方差相同，使得在各個(gè)方向上的閾值可以是一個(gè)統(tǒng)一的數(shù)值。在白化變換后的空間，興趣類別均值向量為0，而且呈超球形分布，閾值選擇就是確定一個(gè)距離值T，使0到T之間的超球體能夠最大限度地包含興趣類別樣本同時(shí)減少錯(cuò)分?jǐn)?shù)據(jù)。

3.2閾值選擇試驗(yàn)

為了選擇最佳的距離閾值，分別在兩幅TM遙感影像上，針對(duì)不同的興趣類別進(jìn)行試驗(yàn)。首先，在如圖1所示的遙感影像中，選擇2000個(gè)正樣本和1000個(gè)負(fù)樣本，其中1000個(gè)正樣本訓(xùn)練分類器，另1000個(gè)正樣本和1000個(gè)負(fù)樣本作精度評(píng)價(jià)。由訓(xùn)練樣本計(jì)算興趣類別的均值向量和協(xié)方差矩陣，并求出協(xié)方差矩陣的特征向量矩陣和特征值矩陣，將原遙感影像進(jìn)行白化變換。在變換后的空間中，將距離閾值從小到大依次變化，進(jìn)行單類分類，并對(duì)每次得到的結(jié)果作精度評(píng)價(jià)。精度評(píng)價(jià)指標(biāo)包括生產(chǎn)精度、用戶精度、總體精度和Kappa系數(shù)。由于生產(chǎn)精度和用戶精度反映的是片面的分類效果，而且往往是前者高時(shí)后者低，后者高時(shí)前者低，因此將二者的乘積作為一個(gè)評(píng)價(jià)指標(biāo)。

為了方便，在計(jì)算歐氏距離時(shí)不開方，并以方差的倍數(shù)作為距離閾值的度量，閾值越大，區(qū)間內(nèi)包含的興趣類別數(shù)據(jù)越多，但其中包含的非興趣類別數(shù)據(jù)也會(huì)增加。為了在一個(gè)較大的范圍內(nèi)進(jìn)行試驗(yàn)，方差倍數(shù)閾值從2到50變化(近似于1.4倍到7倍標(biāo)準(zhǔn)差)，如圖4所示。圖4中，橫坐標(biāo)表示興趣類別白化后選擇的不同方差區(qū)間，縱坐標(biāo)表示對(duì)應(yīng)的提取精度。

圖4　TM試驗(yàn)數(shù)據(jù)1中各單類提取精度與閾值的關(guān)系Fig.4　The relationship between accuracy and threshold for each class in TM experimental image 1

如圖5所示為eCognition軟件用戶手冊(cè)中另一幅TM實(shí)例圖像[23]，地點(diǎn)為美國加利福尼亞地區(qū)，圖像大小為600像素×600像素，由藍(lán)、綠、紅3個(gè)波段合成影像，其中包含4個(gè)類別：不透水表面、水體、耕地和村莊，各個(gè)類別的提取精度與閾值的關(guān)系如圖6所示。

圖5　TM試驗(yàn)數(shù)據(jù)2Fig. 5　TM experimental image 2

從單類提取精度與距離閾值的關(guān)系圖表中可以看出，分類精度隨閾值逐漸增大呈現(xiàn)一個(gè)由升到降的曲線，而且大都是在3～4倍標(biāo)準(zhǔn)差的區(qū)間內(nèi)精度最高，對(duì)應(yīng)圖中的閾值范圍為9～16的方差。從圖4和圖6的兩組曲線圖來看，試驗(yàn)圖像中的各個(gè)地物類別在橫坐標(biāo)閾值取9～16的范圍內(nèi)達(dá)到最大值，這一特點(diǎn)具有很強(qiáng)的規(guī)律性。整個(gè)閾值范圍內(nèi)，3種精度度量基本保持一致的曲線形狀，隨著區(qū)間的擴(kuò)大，錯(cuò)分像素增多，分類精度逐漸降低。在兩幅影像中的水體類別，提取精度的曲線比較平緩，因?yàn)樗w類別分布集中，而且距離其他類別較遠(yuǎn)，閾值達(dá)到5～6倍的標(biāo)準(zhǔn)差仍能保證較高的分類精度?？傮w來看，采用基于白化變換的單類分類方法提取TM影像中的單類信息，最佳閾值為3～4倍標(biāo)準(zhǔn)差，這大大簡化了閾值選擇過程，而且保證了分類的精度。

圖6　TM試驗(yàn)數(shù)據(jù)2中各單類提取精度與閾值的關(guān)系Fig.6　The relationship between accuracy and threshold for each class in TM experimental image 2

4試驗(yàn)結(jié)果分析比較

將基于白化變換的方法應(yīng)用于TM遙感影像單類信息提取，閾值統(tǒng)一選擇為3倍標(biāo)準(zhǔn)差。試驗(yàn)數(shù)據(jù)為圖1和圖5所示TM影像。將本文方法與OCSVM方法進(jìn)行比較，OCSVM方法中選擇RBF核函數(shù)，并通過10折交叉驗(yàn)證獲得各種參數(shù)。在每個(gè)試驗(yàn)中選擇2000個(gè)正樣本和1000個(gè)負(fù)樣本，其中1000個(gè)正樣本用來訓(xùn)練分類器，另1000個(gè)正樣本和1000個(gè)負(fù)樣本作精度評(píng)價(jià)。試驗(yàn)數(shù)據(jù)1和數(shù)據(jù)2中各地物類別提取的試驗(yàn)結(jié)果如圖7和圖8所示，對(duì)應(yīng)的分類精度估計(jì)見表1和表2。

從試驗(yàn)結(jié)果來看，本文方法雖然選擇固定為3倍標(biāo)準(zhǔn)差的距離閾值，但提取單類信息的分類精度與OCSVM方法非常相近。在本文提出的單類分類方法中，由于遙感影像進(jìn)行了基于興趣類別的白化變換，對(duì)興趣類別分布的各個(gè)方向進(jìn)行縮放，使固定的閾值能夠應(yīng)用于各個(gè)類別，增加了單類提取的魯棒性。而OCSVM方法在應(yīng)用中參數(shù)選擇難度較大，且參數(shù)對(duì)分類結(jié)果有很大的影響。通過試驗(yàn)測試，本文提出的單類分類算法及參數(shù)設(shè)置簡單，對(duì)于不同分布結(jié)構(gòu)的類別同樣有效。

圖7　TM試驗(yàn)數(shù)據(jù)1的單類分類結(jié)果(白色為正類)Fig.7　Comparison of one-class classification of TM image 1 by two methods(white area is positive)

圖8　TM試驗(yàn)數(shù)據(jù)2的單類分類結(jié)果(白色為正類)Fig. 8　Comparison of one-class classification of TM image 2 by two methods(white area is positive)

類別本文方法OCSVMOA/(%)KappaUa×PaOA/(%)KappaUa×Pa不透水表面91.50.790.5590.20.660.52草地85.90.690.6883.40.650.63林地85.90.670.6287.70.730.68水體99.20.840.7399.20.830.72

表2　試驗(yàn)數(shù)據(jù)2的單類分類精度

圖9　TM試驗(yàn)數(shù)據(jù)2的NN分類結(jié)果(白色為正類)Fig.9　One-class classification of TM image 2 by NN methods(white area is positive)

為了進(jìn)一步估計(jì)單類分類器的性能，采用多類分類器提取單類信息進(jìn)行比較。以最近鄰(nearestneighbor,NN)分類器為例，為每個(gè)類別選擇1000個(gè)樣本進(jìn)行訓(xùn)練，并采用與單類分類器相同的測試方法。每個(gè)單類的分類結(jié)果如圖9所示，分類精度評(píng)價(jià)如表3所示。由于提供了非興趣類別樣本參考，多類分類器的分類精度一般要優(yōu)于單類分類器。

表3　試驗(yàn)數(shù)據(jù)2的多類分類精度

另一試驗(yàn)數(shù)據(jù)為澳大利亞首都堪培拉部分市區(qū)2.5m分辨率SPOT5影像，大小為512像素×512像素的JPEG圖像，時(shí)間為2003年2月，如圖10所示。通過目視解譯其中包括不透水面、植被、裸地和水體4個(gè)類別，分別對(duì)各個(gè)單類進(jìn)行提取。訓(xùn)練樣本和測試樣本的選擇都采用目視解譯進(jìn)行，每次分類選擇1000個(gè)正樣本作訓(xùn)練，1000個(gè)正樣本和1000個(gè)負(fù)樣本作測試，并對(duì)分類結(jié)果進(jìn)行評(píng)價(jià)。本文方法和OCSVM方法對(duì)SPOT5影像中的各地物類別提取的試驗(yàn)結(jié)果如圖11所示，對(duì)應(yīng)的分類精度估計(jì)見表4。由表4可見，本文方法與OCSVM方法的總體分類精度非常接近，雖然只需要設(shè)置3倍的標(biāo)準(zhǔn)差閾值參數(shù)，而分類精度并不低于經(jīng)過復(fù)雜參數(shù)設(shè)置的OCSVM方法。

圖10　SPOT 5影像Fig. 10　SPOT 5 experimental image

圖11　SPOT 5影像的單類分類結(jié)果(白色為正類)Fig. 11　Comparison of one-class classification of SPOT 5 image by two methods(white area is positive)

5結(jié)論

遙感影像單類信息提取方法有兩種：一是多類分類器，二是單類分類器，其中單類分類器的研究還不夠充分。單類分類器只需要興趣類別的訓(xùn)練樣本，沒有其他類別作比較判斷，因此一般都需要確定若干個(gè)閾值參數(shù)。閾值的選擇對(duì)單類分類器至關(guān)重要，直接影響單類分類的精度，本文提出的基于白化變換的單類分類器，閾值選擇簡單，只要3倍標(biāo)準(zhǔn)差的距離閾值就能對(duì)TM影像中的各個(gè)地物類別進(jìn)行有效提取。試驗(yàn)結(jié)果與OCSVM方法作了比較。兩種方法對(duì)各個(gè)地物類別的分類精度都非常接近，本文提出的單類分類方法不需要復(fù)雜的參數(shù)設(shè)置，具有較強(qiáng)的適應(yīng)性。

表4　SPOT 5影像單類分類精度

參考文獻(xiàn)：

[1]GONGPeng,NIUZhenguo,CHENGXiao,etal.China’sWetlandChange(1990—2000)DeterminedbyRemoteSensing[J].ScientiaSinica:Terrae, 2010, 40(6), 768-775.(宮鵬, 牛振國, 程曉, 等.中國1990和2000基準(zhǔn)年濕地變化遙感[J]. 中國科學(xué): 地球科學(xué), 2010, 40(6): 768-775.)

[2]TOOKETR,COOPSNC,GOODWINNRetal.ExtractingUrbanVegetationCharacteristicsUsingSpectralMixtureAnalysisandDecisionTreeClassifications[J].RemoteSensingofEnvironment, 2009, 113(2): 398-407.

[3]SHENLi,TANGHong,WANGShidong,etal.RiverExtractionfromtheHighResolutionRemoteSensingImageBasedonSpatiallyCorrelatedPixelsTemplateandAdboostAlgorithm[J].ActaGeodaeticaetCartographicaSinica, 2013, 42(3): 344-350. (慎利, 唐宏, 王世東, 等. 結(jié)合空間像素模板和Adaboost算法的高分辨率遙感影像河流提取[J]. 測繪學(xué)報(bào), 2013, 42(3): 344-350.)

[4]XUHanqiu.AStudyonInformationExtractionofWaterBodywiththeModifiedNormalizedDifferenceWaterIndex(MNDWI)[J].JournalofRemoteSensing, 2005, 9(5): 589-595. (徐涵秋. 利用改進(jìn)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(xué)報(bào), 2005,9(5):589-595.)

[5]YANBaikun,WANGRunsheng,GANFuping,etal.ProgressesinMineralsInformationExtractionUsingThermalRemoteSensing[J].AdvancesinEarthScience, 2005, 20(10): 1116-1126. (閆柏琨, 王潤生, 甘甫平, 等. 熱紅外遙感巖礦信息提取研究進(jìn)展[J]. 地球科學(xué)進(jìn)展, 2005, 20(10): 1116-1126.)

[6]HUXiaodong,LUOJiancheng,XIALiegang,etal.AdaptiveWaterBodyInformationExtractionUsingRSTUPUComputingModel[J].ActaGeodaeticaetCartographicaSinica[J]. 2011, 40(5): 544-550. (胡曉東, 駱劍承, 夏列鋼, 等. 圖譜迭代反饋的自適應(yīng)水體信息提取方法[J]. 測繪學(xué)報(bào), 2011, 40(5): 544-550.)

[7]ZHANGYoushui,YUANLifeng,YAOYonghui.StudyonExtractionofPaddyRiceFieldsfromMultitemporalMODISImages[J].JournalofRemoteSensing, 2007, 11(2): 282-288. (張友水, 原立峰, 姚永慧. 多時(shí)相MODIS影像水田信息提取研究[J]. 遙感學(xué)報(bào), 2007, 11(2): 282-288.)

[8]INGLADAJ.AutomaticRecognitionofMan-madeObjectsinHighResolutionOpticalRemoteSensingImagesbySVMClassificationofGeometricImageFeatures[J].ISPRSJournalofPhotogrammetryandRemoteSensing, 2007, 62(3): 236-248.

[9]MELGANIF,BRUZZONEL.ClassificationofHyperspectralRemoteSensingImageswithSupportVectorMachines[J].IEEETransactionsonGeoscienceandRemoteSensing, 2004, 42(6): 1778-1790.

[10]AVCIE,SENGURA,HANBAYD.AnOptimumFeatureExtractionMethodforTextureClassification[J].ExpertSystemswithApplications, 2009, 36(3): 6036-6043.

[11]SOHNG,DOWMANI.DataFusionofHigh-resolutionSatelliteImageryandLiDARDataforAutomaticBuildingExtraction[J].ISPRSJournalofPhotogrammetryandRemoteSensing, 2007, 62(1): 43-63.

[12]BENZUC,HOFMANNP,GREGORW.Multi-resolution,Object-orientedFuzzyAnalysisofRemoteSensingDataforGIS-readyInformation[J].ISPRSJournalofPhotogrammetryandRemoteSensing, 2004, (58): 239-258.

[13]MINGDongping,LUOJiancheng,SHENZhanfeng,etal.ResearchonInformationExtractionandTargetRecognitionfromHighResolutionRemoteSensingImage[J].ScienceofSurveyingandMapping, 2005,30(3):18-20.(明冬萍, 駱劍承, 沈占鋒, 等. 高分辨率遙感影像信息提取與目標(biāo)識(shí)別技術(shù)研究[J]. 測繪科學(xué), 2005, 30(3): 18-20.)

[14]CHENYunhao,FENGTong,SHIPeijun,etal.ClassificationofRemoteSensingImageBasedonObjectOrientedandClassRules[J].GeomaticsandInformationScienceofWuhanUniversity, 2006, 31(4): 316-320. (陳云浩, 馮通, 史培軍, 等. 基于面向?qū)ο蠛鸵?guī)則的遙感影像分類研究[J]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2006, 31(4): 316-320.)

[15]CHENJie,DENGMin,XIAOPengfeng,etal.Object-orientedClassificationofHighResolutionImageryCombiningSupportVectorMachinewithGranularComputing[J].ActaGeodaeticaetCartographicaSinica, 2011, 40(2): 135-141. (陳杰, 鄧敏, 肖鵬峰, 等. 結(jié)合支持向量機(jī)與粒度計(jì)算的高分辨率遙感影像面向?qū)ο蠓诸怺J]. 測繪學(xué)報(bào), 2011, 40(2): 135-141.)

[16]GENELETTID,GORTEBGH.AMethodforObject-orientedLandCoverClassificationCombiningLandsatTMDataandAerialPhotographs[J].InternationalJournalofRemoteSensing, 2003, 24(6): 1273-1286.

[17]SCH?LKOPFB,PLATTJC,SHAWE-TAYLORJ,etal.EstimatingtheSupportofaHigh-dimensionalDistribution[J].NeuralComputation, 2001, 13(7):1443-1471.

[18]BRUZZONEL,CHIM,MARCONCINIM.ANovelTransductiveSVMforSemisupervisedClassificationofRemote-sensingImages[J].IEEETransactionsonGeoscienceandRemoteSensing, 2006, 44(11): 3363-3373.

[19]SANCHEZ-HERNANDEZC,BOYDDS,FOODYGM.One-classClassificationforMappingaSpecificLand-coverClass:SVDDClassificationofFienland[J].IEEETransactionsonGeoscienceandRemoteSensing, 2007, 45(4): 1061-1073.

[20]MUOZ-MARíJ,BRUZZONEL,CAMPS-VAILSG.ASupportVectorDomainDescriptionApproachtoSupervisedClassificationofRemoteSensingImages[J].IEEETransactionsonGeoscienceandRemoteSensing, 2007, 45(8): 2683-2692.

[21]LIWK,GUOQH,ELKANC.APositiveandUnlabeledLearningAlgorithmforOne-classClassificationofRemote-sensingData[J].IEEETransactionsonGeoscienceandRemoteSensing, 2011, 49(2): 717-725.

[22]LIWK,GUOQH.AMaximumEntropyApproachtoOne-classClassificationofRemoteSensingImagery[J].InternationalJournalofRemoteSensing, 2010, 31(8): 2227-2235.

[23]BAATZM,BENZU,DEHGHANIS,etal.eCognitionUserGuide[EB/OL].Berlin:Definients, (2004-06-20)[2013-02-10].http:∥www.definiens-imageing.com.

(責(zé)任編輯：叢樹平)

修回日期： 2013-12-19

Firstauthor：BOShukui(1976—),male,PhD,majorsinremotesensinginformationextraction.

E-mail：bsk586@163.com

中圖分類號(hào)：P237

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1001-1595(2015)02-0190-08

基金項(xiàng)目：國家自然科學(xué)基金(41001235; 41171341); 航空科學(xué)基金(2011ZC55005); 河南省高等學(xué)校青年骨干教師資助計(jì)劃(2012GGJS-145)

收稿日期：2013-09-25

第一作者簡介：薄樹奎(1976—)，男，博士，研究方向?yàn)檫b感信息提取。

Abstract：In this study, a whitening transformation based approach to one-class classification of remote sensing imagery is investigated. Only positive data are required to train the one-class classifier. Firstly, the image data is mapped to a new feature space using the whitening processing with all directions of the class of interest. Then a threshold is selected to make a binary prediction. A heuristic method of threshold selection is performed in the experiment of one-class classification. A series of values are set to the threshold based on standard deviation, and perform the one-class classification with each threshold value. The experiment shows that high accuracy is achieved with the threshold range from 3 to 4 standard deviations of the mean. Finally, the results of one-class classification with the threshold of 3 standard deviations are compared to that of one-class support vector machine. The results indicate that the proposed method provides nearly the same accuracy of one-class classification as one-class support vector machine. The advantage of the proposed method is that it can use a constant threshold to extract various land types.

Key words：whitening transformation; one-classification; class of interest; threshold

引文格式：BOShukui,LIXiang,LILingling.AWhiteningTransformationBasedApproachtoOne-classClassificationofRemoteSensingImagery[J].ActaGeodaeticaetCartographicaSinica,2015,44(2):190-197.(薄樹奎，李向，李玲玲. 遙感影像單類分類的白化變換法[J].測繪學(xué)報(bào)，2015,44(2)：190-197.)DOI:10.11947/j.AGCS.2015.20130439