一種高分辨率遙感影像分類的特征指數(shù)

劉紅彬，晁拴社，王 興

(重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065)

?

一種高分辨率遙感影像分類的特征指數(shù)

劉紅彬，晁拴社，王 興

(重慶郵電大學(xué) 通信與信息工程學(xué)院，重慶 400065)

隨著影像分辨率的提高，傳統(tǒng)的光譜特征不能有效地描述復(fù)雜的高分辨率影像信息，從而影響高分辨率遙感影像的分類。為了彌補(bǔ)傳統(tǒng)光譜方法的不足，提出了一種加權(quán)對(duì)象相關(guān)指數(shù)(WOCI)，并將其應(yīng)用到基于支持向量機(jī)(SVM)的影像分類中。該指數(shù)是通過考慮具有相似性光譜的對(duì)象來構(gòu)建的，可全面地描述影像的上下文結(jié)構(gòu)。結(jié)果表明與僅考慮光譜特征和像素空間特征進(jìn)行分類的方法相比，基于WOCI特征的分類結(jié)果有更高的精確性,且分類精度提高了7.16%。

高分辨率遙感影像分類；WOCI；光譜特征；空間特征

高空間分辨率遙感影像[1]一般是指影像空間分辨率達(dá)到10 m以內(nèi)的航天、航空遙感影像。傳統(tǒng)的分類方法大多是基于像素的光譜特征，而未考慮像素的空間特征，比如神經(jīng)網(wǎng)絡(luò)法[2]、最大似然法[3]及K-means[4]法。表達(dá)和利用目標(biāo)空間上下文及語義信息是高空間分辨率遙感影像分類的一項(xiàng)關(guān)鍵技術(shù)[5]。已有文獻(xiàn)提出了長(zhǎng)寬比算法(LWEA)[6]和像素形狀指數(shù)(PSI)[7]來進(jìn)行影像分類，但由于高分辨率影像的像元之間存在較強(qiáng)的異質(zhì)性，易出現(xiàn)空間不連續(xù)和椒鹽噪聲[8-9]的分類結(jié)果，降低了分類精度。

面向?qū)ο蟮姆椒▽?duì)影像按照一定的同質(zhì)性規(guī)則進(jìn)行區(qū)域劃分，從而得到具有同質(zhì)性的多個(gè)像元集區(qū)域，然后通過對(duì)像元集合形成的對(duì)象進(jìn)行分析，完成影像分類與目標(biāo)提取[10-11]。本文提出了一種用于高分辨率遙感影像分類的面向?qū)ο蟮目臻g特征，即加權(quán)對(duì)象相關(guān)指數(shù)(WOCI)。首先采用eCognition 內(nèi)嵌的分形網(wǎng)絡(luò)進(jìn)化多尺度分割算法[12-13]對(duì)影像進(jìn)行分割，然后根據(jù)分割后的對(duì)象提取WOCI特征，并結(jié)合其他特征組成特征空間[14]，最后使用支持向量機(jī)(SVM)[15-16]進(jìn)行分類。

1 加權(quán)對(duì)象相關(guān)指數(shù)WOCI

WOCI是加權(quán)對(duì)象相關(guān)指數(shù)，其在OCI[11]的基礎(chǔ)上增加了權(quán)重因子w,并增加了直方圖標(biāo)準(zhǔn)差指數(shù)，可更全面地描述影像的上下文結(jié)構(gòu)。其是一種對(duì)象與對(duì)象之間的空間特征，計(jì)算流程如圖1所示。

圖1 WOCI計(jì)算流程

該方法彌補(bǔ)了高分辨率遙感圖像的光譜信息的不足，可較好地表征地物信息。本文使用多尺度分割法來提取圖像對(duì)象，然后使用平面幾何方法計(jì)算每個(gè)對(duì)象的重心，最后計(jì)算每個(gè)對(duì)象的WOCI特征值。WOCI的計(jì)算流程如圖1所示。

1.1 對(duì)象方向線及其擴(kuò)展

在分割好的遙感圖像對(duì)象中，選擇其中的之一作為中心對(duì)象，并用幾何方法計(jì)算該對(duì)象的重心。對(duì)象方向線是較多相隔一定角度的、由中心對(duì)象重心朝不同方向發(fā)散的線段，其長(zhǎng)度各不相同，是由相鄰對(duì)象間的光譜同質(zhì)性測(cè)度和閾值來確定的。

(1)第k個(gè)方向的對(duì)象方向線表達(dá)式

yk=tan(k×α)×(xk-x0)+y0

(1)

其中，中心對(duì)象Ocen的重心為g0(x0,y0);α為相鄰方向線之間的夾角;yk是重心g0發(fā)散的第k個(gè)方向線。

(2)光譜異質(zhì)性定義如下

(2)

1.2 方向線長(zhǎng)度計(jì)算

當(dāng)?shù)趉個(gè)方向線擴(kuò)展停止時(shí)，方向線和末端對(duì)象以及中間的對(duì)象相交并產(chǎn)生諸多交叉點(diǎn)，所有的交叉點(diǎn)為[I1,I2,I3,…,In]，每個(gè)方向線的遠(yuǎn)地點(diǎn)為If(xf,yf)。研究已證明了用最大街區(qū)距離(City Block Distance)能夠更精確地描述空間特征。本文采用最大街區(qū)距離來計(jì)算方向線的長(zhǎng)度，第k個(gè)方向線的長(zhǎng)度為

Lk=max{|x0-xf|,|y0-yf|}

(3)

其中,Lk為g0到If方向線的距離長(zhǎng)度。

1.3 加權(quán)對(duì)象相關(guān)指數(shù)WOCI

(4)

(5)

式(4)為增加的權(quán)重w，減少了不穩(wěn)定且同質(zhì)性低的方向線。該特征的判別算法為：對(duì)不同的地物提取的方向線長(zhǎng)度差別較大，其標(biāo)準(zhǔn)差也較大，由式(4)得其WOCI的大小也會(huì)相差較多。此特征應(yīng)用在影像分類中有更明顯的優(yōu)勢(shì)，例如道路具有狹長(zhǎng)的類似長(zhǎng)方形的結(jié)構(gòu)，其可能會(huì)與房屋產(chǎn)生相同的OCI[11]，但其方向線直方圖的分布不同，用標(biāo)準(zhǔn)差可區(qū)別出來。實(shí)驗(yàn)證明，WOCI特征可較好地表征地物之間的差異，運(yùn)用WOCI可較好地對(duì)高分辨遙感影像進(jìn)行精確的分類。

2 實(shí)驗(yàn)

實(shí)驗(yàn)選取的數(shù)據(jù)為重慶市北環(huán)區(qū)域的World view-2遙感衛(wèi)星影像，該影像為1.88 m空間分辨率包含紅、綠、藍(lán)3個(gè)波段的多光譜影像，圖像大小為906×665像素，該圖像包括5類：草地、裸地、建筑物、道路和陰影。如圖2所示。

圖2 原始高分辨率遙感影像

圖3 面向?qū)ο蠓指詈蟮膱D像

首先對(duì)原始影像進(jìn)行多尺度分割，經(jīng)過多次實(shí)驗(yàn)最終選取了scale=40，color=0.8進(jìn)行分割，分割后的對(duì)象為1 058個(gè)結(jié)果，如圖3所示。然后對(duì)分割后的影像對(duì)象按照上述方法提取WOCI特征。 為了評(píng)價(jià)不同特征的精確性，本文采用以下提取的特征進(jìn)行分類對(duì)比：長(zhǎng)寬比(LWEA)[6]、OCI和WOCI。使用的分類器為支持向量機(jī)(SVM)，經(jīng)過大量實(shí)驗(yàn)本文提取的方法中，參數(shù)分別設(shè)置為α=30，T1=30，T2=50。

3 實(shí)驗(yàn)結(jié)果與分析

在試驗(yàn)中，將提取的WOCI特征分類結(jié)果和LWEA、OCI特征分類結(jié)果分別在主觀和定量上進(jìn)行比較。圖4、圖5和圖6分別為L(zhǎng)WEA、OCI和WOCI特征分類的結(jié)果。在主觀評(píng)價(jià)上，圖4分類結(jié)果中將部分建筑物分類成了道路，一些建筑物的陰影并未被提取出來且存在部分裸地和建筑物混淆的現(xiàn)象。圖5分類結(jié)果和圖4分類結(jié)果相比一些和建筑物混淆的裸地被分離了出來，道路提取更加完整，成功解譯了影像中的4種地物，但部分陰影仍未被提取出來，錯(cuò)分現(xiàn)象依然存在。圖6中道路提取更加完善，大部分地物陰影細(xì)節(jié)均被提取出來，且植被和裸地已被完整分離，建筑物和裸地也基本分開。與圖4和圖5的分類結(jié)果相比，圖6的分類結(jié)果在分類精確性和細(xì)節(jié)提取上均有了較大的提高。從圖6分類結(jié)果可看出，增加權(quán)重后的WOCI特征能更精確地表征地物之間的差異，減少了地物之間的錯(cuò)分現(xiàn)象。

為更有效地評(píng)價(jià)本文所提出特征在分類精度上的改善，以下對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行定量評(píng)估。本文采用混淆矩陣、生產(chǎn)者精度(PA)、用戶精度(CA)和Kappa系數(shù)對(duì)3種特征產(chǎn)生的分類精度進(jìn)行客觀的對(duì)比評(píng)價(jià)。圖2中的紅色標(biāo)記是在原始影像中隨機(jī)選取的1 000個(gè)測(cè)試樣本點(diǎn)，各類樣本點(diǎn)的數(shù)量為：植被309個(gè)、裸地261個(gè)、道路114個(gè)、建筑物為211個(gè)、陰影為105個(gè)。

圖4 LWEA特征分類

圖5 OCI特征分類

圖6 WOCI特征分類

3種特征分類的評(píng)價(jià)結(jié)果如表1～表3所示，綜合評(píng)價(jià)結(jié)果如表4所示。從表3和表4可看出， WOCI特征得到的分類總體精度為94.09%，Kappa系數(shù)為0.923 2，其中植被為96.73%、裸地為93.87%、道路為98.18%、建筑物為91.67%、陰影為87.73%。相比LWEA特征和OCI特征的分類結(jié)果，這5種地物提取上精度均分別得到了提高且總體精度提高了7.16%，Kappa系數(shù)提高了0.092 6。該結(jié)果表明，運(yùn)用面向?qū)ο蠓治龇椒捎行У乩谜鎸?shí)地物的空間特征，如長(zhǎng)寬比和形狀等參與影像的分類，能更精確地解譯影像中的地物類別，尤其對(duì)同譜異物的地物類別效果更加明顯。WOCI特征能顯著區(qū)分影像中各類地物，且由于道路具有狹長(zhǎng)的長(zhǎng)方形特征，尤其對(duì)道路的提取產(chǎn)生更高的分類精度。

表1 LWEA特征分類結(jié)果精度評(píng)價(jià)

表2 OCI特征分類結(jié)果精度評(píng)價(jià)

表3 WOCI特征分類結(jié)果精度評(píng)價(jià)

表4 綜合評(píng)價(jià)結(jié)果

4 結(jié)束語

文中提出了一種改進(jìn)的空間特征WOCI用于高分辨率遙感影像的分類。實(shí)驗(yàn)結(jié)果表明了該方法的有效性，其有效地描述了對(duì)象之間的空間關(guān)系且該特征可有效區(qū)分各種地物。與LWEA、OCI特征分類結(jié)果相比，基于WOCI特征的分類結(jié)果在總體分類精度和Kappa系數(shù)上均有顯著增加，提高了遙感影像的分類精度。本文方法中所使用的參數(shù)均依靠大量的實(shí)驗(yàn)來進(jìn)行人工選取，受到主觀因素的影響，以后的工作在自動(dòng)參數(shù)選取和閾值確定上仍需進(jìn)一步研究。

[1] 韋玉春,湯國(guó)安,楊昕,等.遙感數(shù)字圖像處理教程[M].北京:科學(xué)出版社,2007.

[2] Qiang P T,Cheng L B.A remote sensing Image classification method based on evidence theory and neuralnetworks[C].Jinan:International Conference on Neura1Networks & Signal Processzhg,2004.

[3] Richards J A,Jia X.Using suitable neighbors to augment the training set in hyperspectral maximum likelihood classification[J].IEEE Geoscience & Remote Sensing Letters,2008,5(4):774-777.

[4] Zheng J, Cui Z, Liu A, et al. A K-means remote sensing image slassification method based on adaBoost[C].Hangzhou:International Conference on Computing, Networking and Communications (ICNC), IEEE, 2008.

[5] 楊耘,隋立春.條件隨機(jī)場(chǎng)建模的大尺度空間上下文的高分辨率遙感圖像分類[J].測(cè)繪通報(bào),2014(8):21-24.

[6] Shackelford A K, Davis C H. A hierarchical fuzzy classification approach for high-resolution multispectral data over urban areas[J]. IEEE Transactions on Geoscience & Remote Sensing,2003,41(9):1920-1932.

[7] Zhang L,Huang X,Huang B,et al.A pixel shape index coupled with spectral information for classification of high spatial resolution remotely sensed imagery[J].IEEE Transactions on Geoscience & Remote Sensing,2006, 44(10):2950-2961.

[8] Zhu C,Yang S,Zhao Q,et al.Robust semi-supervised Kernel-FCM algorithm incorporating local spatial information for remote sensing image classification[J].Journal of the Indian Society of Remote Sensing,2014,42(1):35-49.

[9] Huang X, Zhang L.An adaptive mean-shift analysis approach for object extraction and classification from urban hyperspectral imagery[J].IEEE Transactions on Geoscience & Remote Sensing,2008,46(12):4173-4185.

[10] 肖鵬峰,馮學(xué)智.高分辨率遙感圖像分割與信息提取[M].北京:科學(xué)出版社,2012.

[11] Zhang P, Lv Z, Shi W. Object-based spatial feature for classification of very high resolution remote sensing images[J].IEEE Geoscience & Remote Sensing Letters,2013,10(6):1572-1576.

[12] Dr?gut L,Csillik O,Eisank C,et al.Automated parameterisation for multi-scale image segmentation on multiple layers[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,88(100):119-127.

[13] 王露,劉慶元.高分辨率遙感影像多尺度分割中最優(yōu)尺度選取方法綜述[J].測(cè)繪與空間地理信息, 2015(3):166-169.

[14] Xia J,Du P,He X,et al.Hyperspectral remote sensing image classification based on rotation forest[J].IEEE Geoscience & Remote Sensing Letters,2014,11(1):239-243.

[15] Song M, Civco D.Road extraction using SVM and image segmentation[J].Photogrammetric Engineering & Remote Sensing,2004,70(12):1365-1372.

[16] Bruzzone L,Chi M,Marconcini M.A novel transductive SVM for semisupervised classification of remote-sensing images[J].Proceedings of SPIE-The International Society for Optical Engineering,2006,44(11):3363-3373.

A New Feature Index for classification of High Resolution Remote Sensing Images

LIU Hongbin，CHAO Shuanshe，WANG Xing

(School of Communication & Information Engineering , Chongqing University of Posts and Telecommunications,Chongqing 400065, China)

With the improvement of image resolution,the traditional spectral characteristics can’t effectively describe the information of image with high resolution and affect the classification of high-resolution remote sensing images.In order to make up for the inadequacy of traditional spectral method,it presents a novel spatial feature called weighted object correlative index (WOCI) and applys this index to image classification based on support vector machine (SVM).The index is created by the objects with similar spectrum and can fully describe the context structure of image.The experimental results show that the feature extracted in this paper has higher accuracy than those approaches that only consider spectral features or pixelwise spatial features and the classification accuracy improves 7.16%.

classification of very high resolution image; weighted object correlative index; spectral feature; spatial feature

2016- 01- 26

重慶市2013博士后科研基金資助項(xiàng)目(RC201336)

劉紅彬(1993-)，男，碩士研究生。研究方向：遙感影像的融合和分類。

10.16180/j.cnki.issn1007-7820.2016.11.022

TP751.1

A

1007-7820(2016)11-074-04