基于單波段影像增強(qiáng)的易混農(nóng)作物區(qū)分方法

王淵，毛亮軍，唐文瀾，王新生,，陳志杰,

(1．湖北大學(xué)資源環(huán)境學(xué)院，湖北 武漢 430062) (2．農(nóng)業(yè)部遙感應(yīng)用中心武漢分中心，湖北 武漢 430062)

基于單波段影像增強(qiáng)的易混農(nóng)作物區(qū)分方法

王淵1，毛亮軍1，唐文瀾2，王新生1,2，陳志杰1,2

(1．湖北大學(xué)資源環(huán)境學(xué)院，湖北 武漢 430062) (2．農(nóng)業(yè)部遙感應(yīng)用中心武漢分中心，湖北 武漢 430062)

高分一號衛(wèi)星影像；Landsat 8；ISODATA；影像增強(qiáng)；分類

0 引言

遙感影像分類是將圖像中每個像元點或每塊區(qū)域根據(jù)其在不同譜段的光譜特征、空間結(jié)構(gòu)特征或其他信息, 按照某種規(guī)則劃分為不同的類別[1-2].農(nóng)業(yè)遙感中的非監(jiān)督分類方法[3]通常基于ISODATA算法，擁有速度快、自主性強(qiáng)等優(yōu)點，能滿足農(nóng)業(yè)遙感監(jiān)測時效性的需求.但是使用該算法往往無法將易混淆的農(nóng)作物區(qū)分開，如小麥和油菜，因此有人將神經(jīng)網(wǎng)絡(luò)算法[4]、面向?qū)ο蠓椒╗5]和決策樹分類技術(shù)[6]引入了遙感影像分類，此類算法對于單一地物的提取能達(dá)到很高的精度，但仍然無法高精度區(qū)分易混農(nóng)作物，而且在算法時效性上存在不足.本文中分析ISODATA算法的優(yōu)缺點，利用灰度增強(qiáng)改進(jìn)影像質(zhì)量，從而使ISODATA算法能區(qū)分易混淆的農(nóng)作物，在保證時效性的基礎(chǔ)上提高分類的精度.

1 ISODATA算法分析

本文中主要采用高分一號衛(wèi)星影像和Landsat 8影像，其中高分一號衛(wèi)星影像分辨率是16 m，Landsat 8影像全色波段分辨率是15 m，其余為30 m.3月份是小麥、油菜區(qū)分度最高的時候[7]，因此高分影像選用的是2016年3月28日麻城市高分一號衛(wèi)星影像，而Landsat 8影像選用的是2015年3月6日湖北省鐘祥市(小麥、油菜主產(chǎn)區(qū))的Landsat 8影像.

表1 高分一號衛(wèi)星影像中小麥和油菜的光譜值

本文中以小麥和油菜為例，針對農(nóng)業(yè)遙感解譯中易混農(nóng)作物無法區(qū)分的問題進(jìn)行研究.首先提取高分一號衛(wèi)星影像中小麥和油菜的光譜信息，見表1.

從表1可以看出，在藍(lán)光波段，小麥和油菜的光譜值差異很小，小麥的均值是603.58，油菜的均值是718.55.但在綠光波段，其標(biāo)準(zhǔn)差卻很大，小麥和油菜的標(biāo)準(zhǔn)差分別為83.69和94.42，說明數(shù)據(jù)比較發(fā)散，波動的程度很劇烈，從而導(dǎo)致無法精確區(qū)分小麥和油菜，這是農(nóng)業(yè)遙感中易混淆農(nóng)作物的區(qū)分問題.由于農(nóng)業(yè)遙感中非監(jiān)督分類方法中使用ISODATA算法，因此首先分析ISODATA算法的優(yōu)缺點.

圖1 小麥和油菜的解譯標(biāo)

1.2 ISODATA算法分類效果 圖1是根據(jù)實地建立的解譯標(biāo)志，小麥和油菜兩種作物的解譯標(biāo)志差異明顯.利用ISODATA算法進(jìn)行提取，得到高分一號衛(wèi)星影像小麥分類效果圖(圖2)和油菜分類效果圖(圖3)，相互混淆現(xiàn)象嚴(yán)重，Landsat 8影像分類結(jié)果也是如此.該結(jié)果后期人工目視解譯工作量非常大，增加了解譯的難度和時間.

圖2 ISODATA算法小麥分類效果

圖3 ISODATA算法油菜分類效果

1.3 原因分析 從表1中可以看出，在綠光波段、紅光波段，小麥和油菜有一定程度的區(qū)分，但在藍(lán)光波段、近紅外波段，小麥和油菜相互混淆嚴(yán)重.總體來看，小麥和油菜的光譜值差異小且發(fā)散，所以由ISODATA算法根據(jù)不同波段分類情況進(jìn)行綜合評價的原理無法精確區(qū)分小麥和油菜.

對此有人使用改進(jìn)的ISODATA算法，即更改設(shè)定的閾值大小和迭代次數(shù)，然而由于小麥和油菜之間的差異太小，而閾值過大則無法有效區(qū)分.閾值若小，計算量會更大，而且同種地物之間也會被分隔開，導(dǎo)致后期人工工作量增加.對于任意影像要找到較適合的閾值和迭代次數(shù)則需要大量的實驗，無法滿足農(nóng)業(yè)遙感監(jiān)測時效性需求.

因此本文中提出基于單波段影像增強(qiáng)的ISODATA算法.從表1中可以發(fā)現(xiàn)在綠光波段，小麥和油菜光譜值沒有交叉區(qū)域，因此提取綠光波段進(jìn)行影像增強(qiáng)，將小麥和油菜之間的差異最大程度地放大，閾值和迭代次數(shù)的設(shè)定不影響小麥和油菜區(qū)分，有效發(fā)揮ISODATA算法的優(yōu)勢，從而保證解譯工作的時效性.

2 影像增強(qiáng)與處理

2.1 影像增強(qiáng) 1) 分析易混農(nóng)作物所有波段的光譜值信息，利用ERDAS提取兩種農(nóng)作物光譜值沒有交叉的波段；2) 利用Matlab進(jìn)行影像增強(qiáng)，具體的影像增強(qiáng)公式如下.

(1)

式中，c是預(yù)先設(shè)定的閾值，a、b的值可根據(jù)影像灰度值進(jìn)行調(diào)整.

圖4 高分一號衛(wèi)星影像增強(qiáng)前后效果圖

對于高分一號衛(wèi)星影像數(shù)據(jù)，表1中綠光波段的光譜值統(tǒng)計數(shù)據(jù)表明，小麥的最大光譜值是742，油菜的最小光譜值是818，光譜值值域沒有重疊，因此提取綠光波段.為了徹底區(qū)分小麥和油菜，將閾值設(shè)定為兩者的平均數(shù)：(742+818)/2=780.光譜值在780以上的為油菜，780以下的則是小麥，因此閾值c=780，將a設(shè)定為10、b設(shè)定為5時，可以最大程度地增加小麥和油菜之間的差異(圖4).

圖5 Landsat 8影像增強(qiáng)前后效果圖

對鐘祥市Landsat 8影像進(jìn)行同樣的光譜信息分析，見表2.

從表2可以看出，在近紅外波段，小麥和油菜的光譜值幾乎沒有交叉區(qū)域，效果優(yōu)于其他波段。提取近紅外波段，由于該波段小麥和油菜的光譜值仍然有重疊，因此通過實驗可知c=20 000時兩種作物的區(qū)分度最大，從而將a設(shè)定為2，b設(shè)定為10(圖5).

通過目視比較，小麥和油菜的差異明顯提高，有利于準(zhǔn)確區(qū)分小麥和油菜.

表2 Landsat 8衛(wèi)星影像中小麥和油菜的光譜值

2.2 影像處理 本文中提出一種基于單波段影像增強(qiáng)的ISODATA算法，具體步驟如下：

圖6 高分一號衛(wèi)星影像基于單波段影像增強(qiáng)的ISODATA算法的分類結(jié)

1) 利用ISODATA算法對增強(qiáng)后的單波段影像進(jìn)行分類，得到分類結(jié)果1；

2) 對原始影像使用非監(jiān)督分類得到分類結(jié)果2；

3) 由于結(jié)果1中小麥和油菜被分開，但和其他地物混分；結(jié)果2中小麥和油菜不和其他地物混分，但是兩種地物之間有混分情況.因此將分類結(jié)果1和2進(jìn)行求交運算，就可以得到更精確的分類結(jié)果.

圖7 Landsat 8影像基于單波段影像增強(qiáng)的ISODATA算法的分類結(jié)果

利用本文中方法得到高分一號衛(wèi)星影像和Landsat 8影像的分類結(jié)果(圖6、圖7).

由圖6、圖7可看出，使用基于單波段影像增強(qiáng)的ISODATA算法的分類方法將小麥和油菜幾乎完全分離，對比圖2、圖3中單獨使用ISODATA算法的分類結(jié)果，該方法分類結(jié)果的精度明顯提高，且該方法運用的仍是非監(jiān)督分類方法，依然能夠快速得到分類結(jié)果，且在時效性和準(zhǔn)確性上均有提升.

3 實驗結(jié)果分析

遙感解譯結(jié)果精度利用隨機(jī)點和Kappa系數(shù)2種方法驗證.

隨機(jī)點驗證即在監(jiān)測區(qū)內(nèi)利用軟件隨機(jī)生成若干點，逐一判斷隨機(jī)點的屬性類別，統(tǒng)計所有的結(jié)果構(gòu)建誤差混淆矩陣，從而計算出分類精度.

Kappa系數(shù)(K)是遙感分類圖和參考數(shù)據(jù)之間的一致性或精度的量度，這種量度是通過混淆矩陣對角線和行列總數(shù)給出的概率一致性來表達(dá)的.

(2)

式中，K為混淆矩陣行數(shù)，xii是位于第i行第i列的觀測點個數(shù)，xi+和x+i分別表示第i行和第i列的和，N是所有觀測點的總數(shù).

在分類的精度評價中，不同的精度評價方法有不同的劃分標(biāo)準(zhǔn)和含義.本研究中直接用Cohen 提出的Kappa系數(shù)分類評價標(biāo)準(zhǔn)[10](表3).

表3 Kappa系數(shù)分類標(biāo)準(zhǔn)

3.1 高分一號衛(wèi)星影像

1)對單獨使用ISODATA算法分類結(jié)果進(jìn)行驗證，選定600個隨機(jī)點，其中小麥150個，油菜350個，其他地物100個，點數(shù)的設(shè)定依據(jù)麻城市小麥、油菜的面積比，得到混淆矩陣(表4).

表4表明，單獨使用ISODATA算法分類，小麥和油菜混雜在一起，無法區(qū)分.油菜的精度達(dá)到90.86%，小麥只有28%.這是因為油菜都被分到小麥中，從而影響了小麥的分類精度.總體分類精度只有76.33%，分類效果差.

2)對基于單波段影像增強(qiáng)的ISODATA算法分類結(jié)果進(jìn)行驗證，同樣設(shè)定600個隨機(jī)點，其中小麥150個，油菜350個，其他地物100個，得到混淆矩陣(表5).

表4 高分一號衛(wèi)星影像單獨使用ISODATA算法分類結(jié)果精度統(tǒng)計

表5 高分一號衛(wèi)星影像基于單波段影像增強(qiáng)的ISODATA算法分類結(jié)果精度統(tǒng)計

表5表明，使用基于單波段影像增強(qiáng)的ISODATA算法分類，小麥和油菜區(qū)分度高，小麥的精度達(dá)到90.67%，比單獨使用ISODATA算法分類，精度提高62.67%，油菜的精度達(dá)到96.29%，比單獨使用ISODATA算法分類，精度提高5.43%，總體分類精度達(dá)到95.33%，精度提高19%.

3) 將上面2個混淆矩陣(表4、表5)分別代入公式(2)后得到單獨使用ISODATA算法分類的K為0.55，精度評價為適中，與原影像具有中等一致性.而本文中基于單波段影像增強(qiáng)的ISODATA算法分類的K為0.92，精度評價為最佳，幾乎達(dá)到完全一致，因此使用基于單波段影像增強(qiáng)的ISODATA算法分類的方法精度更高.

3.2 Landsat 8影像

1) 對單獨使用ISODATA算法分類的結(jié)果進(jìn)行驗證，小麥和油菜2種作物都設(shè)定250個隨機(jī)點，其他地物設(shè)定100個點，得到混淆矩陣(表6).

表5表明，單獨使用ISODATA算法分類時，由于小麥和油菜的混雜，所以只能保證小麥和油菜其中一種的精度，另外一種地物的精度偏低，在本文中選擇統(tǒng)一保證小麥的精度.小麥的精度為93.60%，油菜的精度為86.80%，總體分類精度是89.83%.

2) 對基于單波段影像增強(qiáng)的ISODATA算法分類結(jié)果進(jìn)行驗證，小麥和油菜2種作物都設(shè)定250個隨機(jī)點，得到混淆矩陣(表7).

表6 Landsat 8影像單獨使用ISODATA算法分類結(jié)果精度統(tǒng)計

表7 Landsat 8影像基于單波段影像增強(qiáng)的ISODATA算法分類結(jié)果精度統(tǒng)計

從表7可以很明顯地看出小麥和油菜的分類精度都相當(dāng)高，小麥達(dá)到94.00%，油菜達(dá)到98.00%，總體的分類精度達(dá)到95.83%.

3) 同樣計算Kappa系數(shù)，得到單獨使用ISODATA算法分類的K為0.836 9；本文中基于單波段影像增強(qiáng)的ISODATA算法分類的K為0.930 0，精度評價均為最佳，與原影像幾乎完全匹配，分類精度更高.

4 結(jié)論與結(jié)語

1) 在不使用人工目視解譯的情況下，利用本文中基于單波段影像增強(qiáng)的ISODATA算法分類，可大幅度提高小麥和油菜的初始分類精度，減少后期的人工工作量，為農(nóng)業(yè)遙感解譯節(jié)省了時間.

2) 本文中基于單波段影像增強(qiáng)的ISODATA算法，依然基于ISODATA算法，最大程度地使用計算機(jī)操作，從而降低人工目視解譯的工作量，提高解譯工作效率.

3) 實驗表明，本文中基于單波段影像增強(qiáng)的ISODATA算法，適用于易混農(nóng)作物光譜值在某個波段沒有重疊的情況.對于光譜值有重疊的情況，精度會降低，因此還需要進(jìn)一步完善.此外，高分一號衛(wèi)星影像分辨率高于Landsat 8影像，但分類精度沒有Landsat 8影像高，其影響因素較多，有待深入研究.

4) 高分一號衛(wèi)星影像是我國獨有的影像數(shù)據(jù)源，相比過去常規(guī)使用的Landsat 8影像，空間分辨率有很大提高，但也給農(nóng)作物解譯帶來更多的挑戰(zhàn).我們的分類方法和手段沒有隨著影像分辨率提高得到很大改善，因此尋求更有效的面向?qū)ο蠓诸惙椒ㄊ茄芯康哪繕?biāo)之一.

[1] 趙英時.遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社,2003.

[2] 邢素麗,張廣錄.我國農(nóng)業(yè)遙感的應(yīng)用現(xiàn)狀與展望[J].農(nóng)業(yè)工程學(xué)報,2003(6):174-178.

[3] 權(quán)文婷,王釗.冬小麥種植面積遙感提取方法研究[J].國土資源遙感,2013,25(4):8-15.

[4] 王任華,霍宏濤,游先祥，等.人工神經(jīng)網(wǎng)絡(luò)在遙感圖像森林植被分類中的應(yīng)用[J].北京林業(yè)大學(xué)學(xué)報,2003,25(4):1-5.

[5] 王啟田,林祥國,王志軍,等.利用面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積的研究[J].測繪科學(xué),2008,33(2):143-146.

[6] 申文明,王文杰,羅海江,等.基于決策樹分類技術(shù)的遙感影像分類方法研究[J].遙感技術(shù)與應(yīng)用,2011,22(3):333-338.

[7] 楊博,劉義.農(nóng)業(yè)遙感影像目視解譯技術(shù)要點[J].現(xiàn)代化農(nóng)業(yè),2008(4):37-39.

[8] 楊小明,羅云.ISODATA算法的實現(xiàn)與分析[J].采礦技術(shù),2006(2):66-68.

[9] 曾江源.ISODATA算法的原理與實現(xiàn)[J].科技廣場,2009(7):126-127.

[10] 許文寧,王鵬新,韓萍, 等.Kappa系數(shù)在干旱預(yù)測模型精度評價中的應(yīng)用——以關(guān)中平原的干旱預(yù)測為例[J].自然災(zāi)害學(xué)報,2011(6):81-86.

(責(zé)任編輯 郭定和)

The method of distinguishing mixed crop based on enhancement of single band image

WANG Yuan1, MAO Liangjun1, TANG Wenlan2, WANG Xinsheng1,2, CHEN Zhijie1,2

(1.Faculty of Resources and Environmental Science, Hubei University, Wuhan 430062,China) (2. Wuhan Branch, Remote Sensing Application Center, Ministry of Agriculture, Wuhan 430062, China)

GF-1;Landsat 8;ISODATA;enhancement image;classification

2016-05-05

王淵(1991-)，男，碩士生；王新生，通信作者，教授,E-mail:wxz818@hubu.edu.cn

1000-2375(2017)01-0050-06

P237

A

10.3969/j.issn.1000-2375.2017.01.010