面向?qū)ο蟮母叻钟跋穹课萏崛》椒▽?duì)比分析

◆劉新宇 劉洋

安全模型、算法與編程

面向?qū)ο蟮母叻钟跋穹课萏崛》椒▽?duì)比分析

◆劉新宇1劉洋2

（1.青島科技大學(xué)信息科學(xué)技術(shù)學(xué)院 山東 266000；2.山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院 山東 266590）

本文對(duì)研究區(qū)影像進(jìn)行基于邊緣檢測(cè)的多尺度分割，運(yùn)用基于規(guī)則的信息提取和基于樣本的信息提取方法進(jìn)行分類?；谝?guī)則的信息提取處理過程中考慮影像的光譜、形狀、紋理等特征；在基于樣本的信息提取方法中，用PCA、SVM、KNN進(jìn)行信息提取。將目視解譯結(jié)果當(dāng)作驗(yàn)證樣本，進(jìn)行精度評(píng)價(jià)?；谝?guī)則的提取方法對(duì)漏分現(xiàn)象處理最佳，制圖精度最高；基于支持向量機(jī)的信息提取總體精度高達(dá)92.19%，Kappa系數(shù)達(dá)到0.78，基于支持向量機(jī)方法更適合房屋信息提取。

面向?qū)ο?；高分影像；房屋提取；多尺度分?/p>

房屋的準(zhǔn)確提取是人口統(tǒng)計(jì)、城市管理、環(huán)境質(zhì)量評(píng)估的重要依據(jù)。傳統(tǒng)基于像元的分類提取方法主要是針對(duì)中低分辨率的影像，對(duì)圖像解譯存在弊端，且分類精度較低。隨著遙感技術(shù)的發(fā)展，以多邊形對(duì)象為基本分類單元的面向?qū)ο蠓诸惙椒ㄌ崛⌒畔?，成為研究的熱點(diǎn)問題。

1 研究區(qū)及技術(shù)路線

研究地點(diǎn)為山東省青島市黃島區(qū)某工廠居住區(qū)，一幅空間分辨率為0.6m、大小為722m×542m的高分辨率空間影像圖（圖1）。圖中包含房屋、綠地、道路等多種地物。

高分影像的信息提取包括圖像分割和對(duì)象提取兩部分，影像對(duì)象信息提取部分采用基于規(guī)則和基于樣本的面向?qū)ο笮畔⑻崛》椒ǚ謩e提取房屋信息。技術(shù)路線如圖2所示。

圖1 0.6 m分辨率研究區(qū)影像

2 高分辨率影像多尺度分割

2.1 多尺度分割技術(shù)

多尺度分割是逐像元與周圍像元進(jìn)行計(jì)算，如果通過合并，兩相鄰對(duì)象和的異質(zhì)性程度會(huì)小于給定的閾值，則將兩像元合并，否則不進(jìn)行合并，然后建立自下而上的多尺度分割的層次結(jié)構(gòu)從而精確劃分出不同地物。若分割尺度不合適，會(huì)使得在圖像分割的過程中出現(xiàn)過分割或者欠分割的現(xiàn)象。將分割尺度分別設(shè)置為50和80，從分割結(jié)果（圖3）中可以看出，分割尺度不同，分割對(duì)象效果也會(huì)有差異。

圖2 技術(shù)路線

圖3 分割效果對(duì)比圖

Castilla認(rèn)為是否存在欠分割和過分割可以作為評(píng)價(jià)圖像分割結(jié)果的標(biāo)準(zhǔn)[6]。黃慧平認(rèn)為若分割對(duì)象內(nèi)部具有較小的異質(zhì)性，而分割對(duì)象之間的異質(zhì)性較大時(shí)，則可以作為最優(yōu)分割尺度。

2.2 基于邊緣特征的多尺度分割

基于邊緣的多尺度分割算法，先檢測(cè)影像邊緣像元位置，將檢測(cè)的像元連接就可以接到影像對(duì)象的邊界。運(yùn)用基于Canny算子的邊緣檢測(cè)算法分割影像對(duì)象，該算子是一種經(jīng)典的邊緣檢測(cè)算子，其為高斯函數(shù)的一階導(dǎo)數(shù)，包括以下準(zhǔn)則：

（1）信噪比準(zhǔn)則，能夠很大程度的標(biāo)出地物的實(shí)際邊緣信息：

其中，G（x）表示邊緣；f（x）表示濾波器的脈沖響應(yīng)；n0指高斯噪聲均方根的值。信噪比計(jì)算結(jié)果高低與緣提取效果成正比。

（2）定位精度準(zhǔn)則，使得實(shí)際地物與分割識(shí)別邊緣之間的差值最?。?/p>

若其比值較高，則邊緣定位會(huì)更精確。

（3）單邊相應(yīng)準(zhǔn)則，邊緣只被識(shí)別一次，對(duì)噪聲不予識(shí)別：

用Canny算子檢測(cè)邊緣信息的流程如下：

（1）利用高斯函數(shù)公式平滑影像，可以消除噪聲。

（2）在各像素點(diǎn)上，計(jì)算梯度值及其方向。

（3）若非最大值抑制應(yīng)用于梯度幅度，對(duì)雙邊緣進(jìn)行取消操作。

（4）利用雙閾值和邊緣檢測(cè)進(jìn)行跟蹤識(shí)別，可以識(shí)別地物的邊緣輪廓。

圖4 邊緣特征分割效果圖

3 面向?qū)ο笮畔⑻崛?/h2>

3.1 基于規(guī)則的面向?qū)ο笮畔⑻崛?/h3>

在多尺度分割結(jié)束后，得到由同質(zhì)像素構(gòu)成的多邊形影像對(duì)象作為研究的基本分類單位。光譜特征表示地表對(duì)電磁輻射的反射輻射通量，不同類別地物的反射能力會(huì)有明顯區(qū)別，通常單個(gè)地物或地物的某些成分的光譜信息是一致的。形狀特征的計(jì)算包括基于地物輪廓的計(jì)算和基于區(qū)域的計(jì)算，輪廓計(jì)算依據(jù)地物的邊緣，區(qū)域計(jì)算需要結(jié)合研究的整個(gè)地區(qū)。對(duì)房屋矢量化后，可以運(yùn)用點(diǎn)坐標(biāo)計(jì)算的協(xié)方差矩陣能夠反映房屋的形狀信息。紋理特征對(duì)應(yīng)于對(duì)地物表面的特性，需要分析整個(gè)研究區(qū)進(jìn)行。具有旋轉(zhuǎn)不變的特點(diǎn)，能夠抵抗噪聲，是圖像解譯時(shí)分析提取目標(biāo)地物的重要參考因素。

基于上述原理，得到居民房屋提取效果對(duì)比圖（圖5）。

圖5 基于規(guī)則的面向?qū)ο筇崛⌒Ч麍D

3.2 基于樣本的面向?qū)ο笮畔⑻崛?/h3>

基于樣本的面向?qū)ο蠓课菪畔⑻崛。且环N介于監(jiān)督的分類方法。本文將主成分分析（PCA）、支持向量機(jī)（SVM）、K近鄰方法（KNN）分別作為分類器進(jìn)行房屋提取并對(duì)結(jié)果進(jìn)行比較分析。

PCA表示一種運(yùn)用統(tǒng)計(jì)知識(shí)換算下的正交線性變換?？梢詣h除過量信息，同時(shí)可以壓縮影像信息。第一主成分（PC1）包含影像所有波段中80%的方差信息量，第二、三主成分涵蓋的信息量會(huì)逐漸降低，通常前三個(gè)主成分可以包含95%以上的信息[7]，到最后成分大都為噪聲，無法提供有用信息。

SVM表示一種輸入空間的輸入量x，經(jīng)過一種非線性變換將其轉(zhuǎn)換到一種高維具有某種特征的空間，然后可以在該空間中建立一些便于數(shù)據(jù)分析的最優(yōu)分類超平面或線性的函數(shù)模型。根據(jù)統(tǒng)計(jì)學(xué)知識(shí)，如果有某種核函數(shù)

符合Mercer前提，則可以認(rèn)為這一函數(shù)對(duì)應(yīng)了某種特征空間變換的內(nèi)積，同時(shí)可以得出在高維空間最優(yōu)分類超平面的決策公式：

式中，αi代表支持向量的非零數(shù)，b代表偏置數(shù)。支持向量機(jī)具有稀疏性，絕大多數(shù)αi為0。所以，對(duì)樣本數(shù)量的要求不高，減少了數(shù)據(jù)量。

KNN中選擇某樣本，選定與其周圍K個(gè)的特征空間最近鄰樣本，如果這K個(gè)樣本的絕大部分為一類，可以認(rèn)為這一未知樣本同樣為此類。待分類地物與已選定的樣本之間的距離可以通過函數(shù)斜率與最小隸屬度閾值來計(jì)算。待分類地物與已選定的樣本之間的距離可以通過函數(shù)斜率（function slope）與最小隸屬度閾值來計(jì)算，樣本對(duì)象和待分類樣本的距離d計(jì)算公式為：

其中，v（）表示樣本對(duì)象特征的數(shù)值；v（）表示待分類樣本的特征數(shù)值；σ是特征的各特征值之間的標(biāo)準(zhǔn)差。

根據(jù)求得的距離可以多維指數(shù)的隸屬度函數(shù)進(jìn)一步計(jì)算出待分類樣本與已知類別樣本的隸屬關(guān)系：

式中，k可以如下表示：

基于以上三種方法下的房屋提取對(duì)比結(jié)果如圖6。

圖6 基于樣本的面向?qū)ο筇崛⌒Ч麍D

4 提取結(jié)果及精度評(píng)價(jià)

4.1 提取結(jié)果對(duì)比分析

目視解譯在解譯過程中要參考圖像的色調(diào)、紋理、顏色、形狀、空間關(guān)系等特征，綜合先驗(yàn)知識(shí)和數(shù)據(jù)資料進(jìn)行分析。目視解譯分類結(jié)果會(huì)比較真實(shí)可靠，是計(jì)算機(jī)分類所不能代替的解譯方法。

假定目視解譯結(jié)果精確，將目視解譯結(jié)果作為驗(yàn)證樣本，對(duì)本文各分類結(jié)果進(jìn)行對(duì)比分析和精度評(píng)價(jià)。對(duì)比結(jié)果如圖7。

圖7 實(shí)驗(yàn)結(jié)果對(duì)比圖

通過對(duì)比，可以看出，各分類結(jié)果與目視解譯結(jié)果都有一定差距，存在錯(cuò)分、漏分現(xiàn)象，基于規(guī)則的面向?qū)ο筇幚硇Ч^好，而基于樣本分類方法存在較多的碎小斑塊，但其提取的房屋內(nèi)部完整性較好。

4.2 精度評(píng)價(jià)

精度評(píng)價(jià)指分析分類結(jié)果與可靠數(shù)據(jù)之間的相近程度，分析分類方法的可行性。本文將通過混淆矩陣對(duì)各分類結(jié)果的準(zhǔn)確程度做評(píng)價(jià)。利用各類方法提取房屋精度評(píng)價(jià)結(jié)果如表1所示：

表1 不同提取方法精度比較

由表1可以得出，各類提取方法提取結(jié)果總體分類效果較好?；谝?guī)則的分類漏洞分析現(xiàn)象處理較好，但在各類方法的結(jié)果中，基于SVM的方法提取精度略高，Kappa系數(shù)為0.78，總體精度最高達(dá)到92.19%。總體來說，基于樣本的面向?qū)ο筇崛】傮w精度要優(yōu)于基于規(guī)則的面向?qū)ο筇崛。\(yùn)用基于SVM提取房屋可以達(dá)到較好精度。

5 總結(jié)

通過研究我們可以發(fā)現(xiàn)，選擇最優(yōu)分割尺度是后續(xù)有效提取分析識(shí)別目標(biāo)對(duì)象的基礎(chǔ)，在分割過程中借助多種分割算子可以達(dá)到一個(gè)更佳的分割效果。此外，運(yùn)用不同的分類方法，提取結(jié)果的精度也會(huì)存在差異，分類方法選擇也是影像提取效果的關(guān)鍵，對(duì)最佳分割尺度以及地物邊界、結(jié)構(gòu)完整性等信息提取精度優(yōu)化等問題則需要進(jìn)一步的研究和改進(jìn)。

[1]劉佳雨.利用面向?qū)ο蟮男畔⑻崛〖夹g(shù)進(jìn)行城市用地分類[J].西部資源，2016（4）：156-159，171.

[2]關(guān)元秀，朱繼東，顧文俊.面向?qū)ο蟮腎KONOS影像信息提取方法[C].中國(guó)地質(zhì)學(xué)會(huì)會(huì)議論文集.武漢：地質(zhì)出版社，2004：230-233.

[3]龔麗霞，李強(qiáng)，張景發(fā)，等.面向?qū)ο蟮姆课菡鸷ψ兓瘷z測(cè)方法[J].地震，2013，33（2）：109-114.

[4]郭怡帆，張錦，衛(wèi)東.面向?qū)ο蟮母叻直媛蔬b感影像建筑物輪廓提取研究[J].測(cè)繪通報(bào)，2014（S1）：300-303.

[5]牟鳳云，羅丹，官冬杰，等.面向?qū)ο蟮耐恋馗采w信息提取方法研究及應(yīng)用[J].重慶交通大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，33（6）：105-108+160.

[6]朱俊杰，范湘濤，杜小平.面向?qū)ο蟮母叻直媛蔬b感圖像分析[M].北京：科學(xué)出版社，2014：175.

[7]韋玉春，湯國(guó)安，汪閩，等.遙感數(shù)字圖像處理教程[M].北京：科學(xué)出版社，2016：312.

[9]杜成文.基于改進(jìn)KAZE雙目視覺立體匹配算法的研究[D].廣州：廣東工業(yè)大學(xué)，2016：66.

[10]陳金鳳，程乾.高分1號(hào)融合光譜特征提取杭州灣河口沿岸濕地典型植被信息方法研究[J].杭州師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，14（1）：38-43.

[11]盧興，陳曉勇.邊緣檢測(cè)與面向?qū)ο蠼Y(jié)合的高分影像建筑物提取[J].江西科學(xué)，2018，36（2）：220-224+231.

[12]劉充.基于資源三號(hào)衛(wèi)星遙感影像的城市綠地信息提取方法研究[D].太原：太原理工大學(xué)，2014：61.

[13]熊增連，潘建平，陽(yáng)春花.面向?qū)ο蟮姆课萏卣餍畔⒆詣?dòng)提取方法[J].地理空間信息，2015，13（5）：16-18.

[14]翟天林，金貴，鄧祥征，等.植被信息的Landsat8影像提取方法[J].測(cè)繪科學(xué)，2016（10）：126-131+158.

[15]羅三定，胡櫻.基于樣本分析的圖像識(shí)別分類模型[J].計(jì)算機(jī)應(yīng)用研究，2007，24（11）：309-311.

[16]楊永紅.基于支持向量機(jī)的圖像分割算法設(shè)計(jì)[J].科技情報(bào)與開發(fā)經(jīng)濟(jì)，2014，24（20）：122-124.

[17]陳亮，郭雷，高世偉.一種基于多尺度梯度的邊緣提取方法[J].計(jì)算機(jī)應(yīng)用，2008，28（12）：3129-3131.

[18]盧興.基于分層次多尺度分割的高分遙感影像分類研究[D].南昌：東華理工大學(xué)，2018：73.

[19]黃昕.高分辨率遙感信息處理[M].北京：科學(xué)出版社，2018：240.