基于高分一號遙感影像的綠地信息提取

李巍 丁晨旸 李萍

摘要對高分一號衛(wèi)星影像進行大氣校正、幾何校正、裁剪等，利用Libsvm 4.0在Matlab平臺里編程進行交叉驗證網(wǎng)格法尋優(yōu)，最終獲得支持向量機分類的最佳懲罰系數(shù)為45，不敏感系數(shù)為0.31。改進支持向量機分類器綠地分類精度為94.6%，該提取精度能滿足高分辨率遙感影像在城市綠地動態(tài)監(jiān)測。

關(guān)鍵詞遙感；高分一號影像；城市綠地；支持向量機分類器

中圖分類號S127文獻標識碼A文章編號0517-6611（2017）14-0208-03

AbstractThe atmospheric correction， geometric correction， cutting were conducted on GF1 satellite images. The cross validation grid optimization was made in Matalb platform by Libsvm 4.0. The best penalty coefficient of support vector machine classifier was 45， and sensitivity coefficient was 0.31. The results showed that the classification accuracy was 94.6%， and the extraction accuracy can meet the high resolution remote sensing images in dynamic monitoring of urban green space.

Key wordsRemote sensing；GF1 image；Urban green space；Support vector classifier

近年來，伴隨著城市化進程，城市環(huán)境與城市發(fā)展之間很難平衡，然而城市綠地使城市環(huán)境得到很好改善。城市綠地作為城市的自然屬性之一[1]，在凈化城市空氣和城市生態(tài)系統(tǒng)環(huán)境方面有著重要作用，同時還可為城市居民提供休閑和娛樂場所，陶冶人們情操和改善人們生活質(zhì)量[2]。城市綠地的規(guī)劃必須立足于對城市綠地現(xiàn)狀的了解，傳統(tǒng)的綠地調(diào)查采用實地測量與統(tǒng)計相結(jié)合的方法，效率低下而且統(tǒng)計結(jié)果易受人為影響[3]。隨著遙感技術(shù)的發(fā)展，近年來眾多高分辨率遙感衛(wèi)星的發(fā)射為城市綠地信息提取提供了高效的手段，如何充分利用高分辨率遙感影像進行現(xiàn)代城市規(guī)劃和生態(tài)環(huán)境評價具有重要意義[4]。筆者以成都市高新區(qū)建成區(qū)為研究區(qū)，以 2014年8月16日的高分一號多光譜影像（分辨率為8 m）為數(shù)據(jù)源，在高分一號影像上隨機選取樣本點，通過在Libsvm 4.0在Matlab平臺里編程進行交叉驗證網(wǎng)格法尋優(yōu)，獲取支持向量機分類時的最佳懲罰系數(shù)G和不敏感系數(shù)C；分析改進參數(shù)支持向量機綠地提取方法精度和實際可行性，以尋找一種快速有效的城市綠地信息提取的新方法。

1研究區(qū)概況和數(shù)據(jù)預處理

1.1研究區(qū)概況成都市高新技術(shù)產(chǎn)業(yè)開發(fā)區(qū)，簡稱成都高新區(qū)，由南部園區(qū)和西部園區(qū)組成。成都高新區(qū)總面積130 km2，其中高新南區(qū)87 km2，高新西區(qū)43 km2；共劃分為7個街道辦事處，其中高新南區(qū)5個，高新西區(qū)2個。研究區(qū)域中心地區(qū)位于104°3′ E，30°34′ N，包括建筑物、道路、綠地等景觀，具有一定的代表性，有利于支持向量機綠地信息的提取。

1.2數(shù)據(jù)預處理

1.2.1大氣校正。一些系統(tǒng)獲得的輻射率受到許多因素變化的影響，而這些因素主要包括地面輻射條件、大氣狀況、傳感器的相應特性等因素，如拍攝時傳感器的幾何特征對機載傳感器收集數(shù)據(jù)的影響要大于星載傳感器收集數(shù)據(jù)[5]。隨著人們對遙感影像定量化研究的不斷深入，通過圖像輻射校正，使得原始圖像亮度值轉(zhuǎn)化成地表地物真實反射率，這樣才能符合影像定量分析、地物信息提取等需要[6]。通過快速大氣校正，使得高分一號遙感影像中地物輻射能量更加接近地表真實情況。

根據(jù)研究的需要和實際情況，在ENVI 5.1大氣校正擴展模塊中的快速大氣校正（Quick atmospheric correction）工具可以提高光譜屬性值的精度，還可以消除部分大氣影響。

1.2.2幾何校正。因為衛(wèi)星在運動過程中空間姿態(tài)不穩(wěn)定、地面地形起伏等原因，使得遙感衛(wèi)星影像產(chǎn)生變形[7]，而影像變形會給影像定量分析和影像位置匹配帶來困難，所以進行圖像幾何校正就十分必要，使得用于進行綠地提取的高分一號影像地物更加接近地面真實情況。

采用基于多項式幾何精校正，為了保證幾何校正的精度，盡量使控制點分布均勻，且覆蓋整個研究區(qū)域，并使誤差控制在1個像元以內(nèi)。在校正前，在ENVI對待校正高分一號影像和高新區(qū)地形圖進行坐標統(tǒng)一，以減少由于在校正過程中坐標系多次轉(zhuǎn)換而帶來的誤差。

1.2.3影像裁剪。以經(jīng)過校正的影像高分一號多光譜影像為參考影像，根據(jù)研究區(qū)域行政區(qū)劃圖確定裁剪邊界，在ENVI 5.1的Raster Management模塊中，用ROI邊界對影像進行不規(guī)則剪裁。為使裁剪后的影像顯示很好效果，將背景的DN值設為0，研究區(qū)域影像如圖1所示。

2基于高分一號遙感影像的綠地信息提取

2.1支持向量機城市綠地信息提取基于遙感影像支持向量機分類方法是建立在統(tǒng)計學習理論的VC維理論和結(jié)構(gòu)風險最小原理基礎上的，根據(jù)有限的樣本信息在模型的復雜性（對特定訓練樣本的學習精度）和學習能力（無錯誤地識別任意樣本的能力）之間尋求最佳方案，以獲得最好的推廣能力[8] 。支持向量機將向量映射到一個更高維的空間，在這個空間里建立有一個最大間隔超平面。在分開數(shù)據(jù)的超平面的兩邊建有2個互相平行的超平面[9]。因此，如何應用SVM實現(xiàn)多類別分類是解決實際問題的根本。目前提出的SVM多類分類算法有一對多和一對一2種方法。該研究采用一對一SVM分類方法進行試驗分類。

支持向量機算法目前主要有3種核函數(shù)：線性內(nèi)核、多項式內(nèi)核和徑向基核函數(shù)[10]。上述3種核函數(shù)對綠地提取精度的影響不大。大量試驗表明，徑向基核函數(shù)的提取精度最高，所以該研究采用徑向基核函數(shù)。Vapnik等[11]研究表明，在給定樣本和核函數(shù)條件下SVM的性能主要受懲罰系數(shù)G、核函數(shù)參數(shù)和不敏感系數(shù)C的影響。其中，C表示對在錯誤位置樣本的懲罰程度。C在特征空間起控制決策邊界的形狀作用。

利用Libsvm 4.0在Matlab平臺里編程進行交叉驗證網(wǎng)格法尋優(yōu)，在影像隨機選取300個訓練樣本點，將其中299個樣本點作為訓練點，剩余的1個樣本點用于測試；重復進行試驗，所有的樣本點都要參加測試，最終測得最佳懲罰系數(shù)為45和不敏感系數(shù)為0.31。進行交叉驗證網(wǎng)格法尋優(yōu)，求解參數(shù)部分核心代碼：

for（double c=c_begin；c{

for（double g=g_begin；g