基于紋理和支持向量機(jī)的GF-1圖像土地覆被分類研究

方 臣, 吳 龍, 胡 飛, 陳 曦, 劉燁青

(湖北省地質(zhì)調(diào)查院,湖北 武漢 430034)

高分一號(hào)衛(wèi)星(GF-1)于2013年4月26日在酒泉衛(wèi)星發(fā)射中心由長(zhǎng)征二號(hào)丁運(yùn)載火箭成功發(fā)射,搭載了兩臺(tái)2 m分辨率全色/8 m分辨率多光譜相機(jī)、四臺(tái)16 m分辨率多光譜相機(jī)[1]。衛(wèi)星工程突破了高空間分辨率、多光譜與高時(shí)間分辨率結(jié)合的光學(xué)遙感技術(shù),多載荷圖像拼接融合技術(shù),高精度高穩(wěn)定度姿態(tài)控制技術(shù),5—8年壽命高可靠衛(wèi)星技術(shù),高分辨率數(shù)據(jù)處理與應(yīng)用等關(guān)鍵技術(shù),對(duì)于推動(dòng)中國(guó)衛(wèi)星工程水平的提升,提高中國(guó)高分辨率數(shù)據(jù)自給率,具有重大戰(zhàn)略意義[2]。

土地是人類長(zhǎng)期生存和發(fā)展的重要保障,對(duì)生態(tài)資源環(huán)境和人類社會(huì)經(jīng)濟(jì)有著重要影響,西北地區(qū)生態(tài)環(huán)境比較脆弱,水土流失、荒漠化嚴(yán)重,在該地區(qū)開展土地覆被分類研究,為西北地區(qū)的社會(huì)經(jīng)濟(jì)發(fā)展和生態(tài)環(huán)境建設(shè)提供有力幫助[3]。

紋理信息是地物特征空間信息在遙感影像中的表現(xiàn)形式[4]。紋理是不同地物宏觀結(jié)構(gòu)和微觀結(jié)構(gòu)的綜合表現(xiàn),對(duì)解決“同物異譜”和“異物同譜”現(xiàn)象起到一定作用,目前利用不同地物的紋理信息進(jìn)行圖像分類已經(jīng)廣泛應(yīng)用于高分辨率遙感衛(wèi)星數(shù)據(jù)中[5]。

支持向量機(jī)在1979年由Vapnik首先提出,算法的基本思想是為了尋找分離兩種類別的數(shù)據(jù)集之間的超平面,然后通過機(jī)器學(xué)習(xí)在潛在高維空間中尋找最優(yōu)分類邊界,實(shí)現(xiàn)最優(yōu)分類[6]。SVM最初設(shè)計(jì)處理的訓(xùn)練數(shù)據(jù)在輸入空間是線性可分的,而實(shí)際應(yīng)用中數(shù)據(jù)樣本往往是非線性分布,這使得基本的線性決策邊界很難有較高的分離精度[7]。為此通過引入松弛變量(slack variables)的軟邊緣法(soft margin method)和核技巧(kernel trick)解決非線性條件下的最優(yōu)分類問題[8]。相比神經(jīng)網(wǎng)絡(luò)在小樣本訓(xùn)練上存在過學(xué)習(xí)和局部極值化問題以及最大似然法對(duì)樣本空間分布形態(tài)的限制,SVM的優(yōu)勢(shì)在于可以利用有限的訓(xùn)練樣本,通過高維空間變換尋找最優(yōu)分類面實(shí)現(xiàn)最好的分類效果[9]。目前,SVM在許多領(lǐng)域得到廣泛應(yīng)用,在計(jì)算機(jī)領(lǐng)域應(yīng)用于文本識(shí)別、人臉識(shí)別等,在城市方面主要應(yīng)用于城市道路和橋梁信息提取[10]。

選取新疆喀什地區(qū)一處為實(shí)驗(yàn)區(qū),采用GF-1數(shù)據(jù)源,結(jié)合紋理信息采用SVM進(jìn)行土地覆被分類,并與單源SVM法和最大似然法的分類精度進(jìn)行對(duì)比分析。

1 研究區(qū)和數(shù)據(jù)源概況

研究區(qū)行政區(qū)劃上隸屬于新疆喀什地區(qū)葉城縣,主體為山體北東方向延伸,總體地勢(shì)西高東低,海拔高度在2 500～4 000 m,屬暖溫帶極干旱氣候區(qū)。研究區(qū)內(nèi)土地覆被類型主要為草地、湖泊、灘涂、冰川、沼澤、裸地、營(yíng)區(qū)用地等類型。

研究區(qū)采用的數(shù)據(jù)為2014年5月采集的GF-1數(shù)據(jù),全色波段空間分辨率2 m,多光譜波段空間分辨率8 m。數(shù)據(jù)預(yù)處理主要為大氣校正、正射校正、圖像融合處理。最終處理成分辨率為2 m、包含4個(gè)波段的影像數(shù)據(jù)。

2 土地覆被分類方法

2.1 紋理信息提取

目前常用的提取紋理信息的方法主要有統(tǒng)計(jì)分析法、結(jié)構(gòu)法、模型法和數(shù)學(xué)變換法[11]。其中統(tǒng)計(jì)分析法研究表明占主導(dǎo)地位。本文采用的就是基于統(tǒng)計(jì)分析法的灰度共生矩陣(Gray Level Co-occurrence Matrices,GLCM)來提取圖像的紋理信息[12]。GLCM是一種通過研究灰度的空間相關(guān)特性來描述紋理的方法,對(duì)圖像上保持某距離的兩像素分別具有某灰度的狀況進(jìn)行統(tǒng)計(jì)得到,根據(jù)共生矩陣得到一些特征量,常用的特征量有ASM 能量(angular second moment)、對(duì)比度(contrast)、逆差矩(inverse different moment)、熵(entropy)、自相關(guān)(correlation)等[13]。在實(shí)際應(yīng)用中根據(jù)研究目的選擇對(duì)應(yīng)的紋理特征量才能達(dá)到最佳效果。通過研究本文選取了ASM 能量、對(duì)比度、熵3個(gè)特征量為圖像的紋理特征。

2.2 支持向量機(jī)分類

支持向量機(jī)最開始是研究?jī)深惖木€性分類問題,其基本思想可以由圖1得出,圖中實(shí)心點(diǎn)和空心點(diǎn)代表兩類樣本,H為分類線,H1、H2分別為過各類中離分類線最近的樣本且平行于分類線的直線,他們之間的距離叫做分類間隔(margin)[14]。而最優(yōu)分類線就是要求分類線不但能將兩類正確分開,而且使分類間隔最大,過兩類樣本中離分類面最近的樣本且平行于最優(yōu)分類面的超平面上H1,H2上的訓(xùn)練樣本就叫做支持向量[15]。

圖1 線性可分情況下的最優(yōu)分類線Fig.1 Optimal classification line under linear separable conditions

(1)

可以通過尋求上式的對(duì)偶問題來求解最小值,為此可以引入Lagrange函數(shù):

(2)

其中,αi>0為L(zhǎng)agrange系數(shù),下面對(duì)w和b求Lagrange函數(shù)的極小值[16]。

把上式中分別對(duì)w和b求偏微分并令它們等于0,就可以轉(zhuǎn)化成對(duì)αi求解最大值:

(3)

(4)

(5)

由此可以構(gòu)造分化超平面(w*·x)+b*=0,得出分類決策函數(shù)[17]:

f(x)=sgn(g(x))

(6)

其中,

2.3 結(jié)合紋理信息的SVM分類流程

根據(jù)上述方法結(jié)合實(shí)際數(shù)據(jù)情況構(gòu)建了基于紋理的SVM土地覆被分類模型。圖2為該模型的基本流程圖,具體操作流程主要包括:①對(duì)影像進(jìn)行幾何校正、正射校正、大氣校正、融合處理等預(yù)處理操作。②對(duì)融合后的圖像進(jìn)行主成分分析處理,對(duì)第一主成分圖像采用灰度共生矩陣的方法提取紋理信息,獲得ASM 能量、對(duì)比度、熵3種特征量。③將紋理特征量和融合后的圖像結(jié)合,對(duì)該圖像進(jìn)行SVM分類,將分類結(jié)果與其他兩種方法進(jìn)行對(duì)比分析。

3 結(jié)果分析

利用ENVI、Matlab及LIBSVM軟件提取紋理特征和土地覆被分類工作,通過實(shí)驗(yàn)將該區(qū)的土地覆被類型劃分為水體、灘涂、耕地、裸地、建筑用地、草地6種類型。為了驗(yàn)證結(jié)合紋理信息的SVM分類法的效果,又分別采用單源SVM法和最大似然法對(duì)圖像進(jìn)行土地覆被分類,將3種方法的分類結(jié)果進(jìn)行對(duì)比分析。

圖4 分類結(jié)果Fig.4 Classification results

圖2 結(jié)合紋理信息的SVM分類流程Fig.2 Flow diagram of image SVM classification after adding the texture feature

在紋理信息提取中,需要考慮紋理窗口大小和窗口移動(dòng)布長(zhǎng)的影像因素,窗口過小會(huì)導(dǎo)致計(jì)算結(jié)果不準(zhǔn)確,窗口過大會(huì)導(dǎo)致包含的內(nèi)容復(fù)雜同樣也會(huì)影響計(jì)算結(jié)果,通過實(shí)驗(yàn)對(duì)比分析,本文最終選擇5×5的像元窗口,移動(dòng)步長(zhǎng)為(1,1),結(jié)果顯示提取紋理效果明顯而且耗時(shí)比較短。圖3為提取的ASM 能量、對(duì)比度、熵3種紋理特征量圖,從圖中可以看出ASM能量的圖反映的是圖像灰度分布均勻程度和紋理粗細(xì)度,能量值小則灰度分布均勻,能量值大則凸顯紋理。對(duì)比度的圖反映某個(gè)像素值及其領(lǐng)域像素值的亮度的對(duì)比情況,對(duì)比度大的紋理溝紋深,視覺效果清晰,反之則相反。熵的圖是度量圖像所具有的信息量,熵值越大則圖像的紋理信息越豐富。

將紋理信息與SVM法結(jié)合進(jìn)行土地覆被分類,影響SVM分類性能主要因素包括核函數(shù)參數(shù)γ的選取,懲罰因子C的設(shè)定,核函數(shù)的類型的選取對(duì)分類精度影響較小。選取的SVM核函數(shù)為徑向基核函數(shù),利用LIBSVM的網(wǎng)格遍歷和交叉驗(yàn)證的方法獲取模型參數(shù)γ =1.15,C=100,最終分類結(jié)果如圖4。

從分類結(jié)果圖中可以看出,結(jié)合紋理特征的SVM分類效果最佳,各個(gè)類別都能很好的區(qū)分出來,混分錯(cuò)分現(xiàn)象比較少;單純的使用SVM分類的結(jié)果中,耕地和草地分類效果不佳,存在錯(cuò)分現(xiàn)象,整體分類的圖像斑塊較多,出現(xiàn)混分現(xiàn)象。最大似然法的分類結(jié)果中,部分水體錯(cuò)劃成耕地,同樣存在嚴(yán)重的錯(cuò)分混分現(xiàn)象。

圖3 原始影像與紋理特征圖Fig.3 Original image and images of textural features

通過三種方式的監(jiān)督分類方法對(duì)比,對(duì)分類結(jié)果進(jìn)行混淆矩陣計(jì)算,統(tǒng)計(jì)各分類結(jié)果的總體精度和Kappa系數(shù),見表1,通過對(duì)比分析,結(jié)合紋理的SVM分類法的的總體精度和Kappa系數(shù)均高于其他兩種方法。結(jié)果表明,結(jié)合紋理信息,可以更好的利用GF-1高分辨率圖像豐富的信息量來提高分類精度,SVM的分類精度高于最大似然法分類精度,也表明了SVM這種基于統(tǒng)計(jì)學(xué)習(xí)理論的分類算法在高分辨率圖像分類處理中具有優(yōu)勢(shì)。

4 結(jié)論

以國(guó)產(chǎn)高分一號(hào)圖像為數(shù)據(jù)源,利用灰度共生矩陣提取紋理信息,輔以紋理信息利用SVM分類算法對(duì)新疆喀什地區(qū)進(jìn)行土地覆被分類,最終得出以下結(jié)論:

表1 總體精度和Kappa系數(shù)Table 1 The overall accuracy and Kappa coefficient

(1) 利用灰度共生矩陣獲取ASM 能量、對(duì)比度、熵3種紋理特征量,將這3種特征量結(jié)合高分一號(hào)圖像進(jìn)行土地覆被分類,結(jié)果表明分類精度為93.74%,高于使用純SVM分類精度89.06%和最大似然法分類精度86.79%。說明紋理信息是高分辨率遙感圖像比較重要的特征信息,可以有效的提高土地覆被分類精度。

(2) 高分辨率遙感圖像相對(duì)于普通的多光譜數(shù)據(jù)包含更豐富的信息量,從分類精度和Kappa系數(shù)可以看出,SVM分類法優(yōu)于最大似然分類法,說明SVM分類法在處理高分辨率遙感圖像具有優(yōu)勢(shì)。