基于分形理論與SVM的河冰高分遙感影像智能識(shí)別方法研究

苑希民，韓 超，徐浩田，田福昌

(天津大學(xué)水利工程仿真與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室，天津 300350)

凌汛災(zāi)害是黃河影響最為嚴(yán)重的自然災(zāi)害之一，其影響因素眾多，成災(zāi)機(jī)理復(fù)雜，并具有突發(fā)性和持續(xù)性，為黃河凌汛防御工作帶來(lái)諸多挑戰(zhàn)，素有“伏汛好搶，凌汛難防”之說(shuō)[1]。凌汛災(zāi)害一旦發(fā)生，將對(duì)沿岸農(nóng)業(yè)生產(chǎn)、基礎(chǔ)設(shè)施以及人民生命財(cái)產(chǎn)帶來(lái)嚴(yán)重影響[2]。近年氣候變化影響下，黃河凌汛災(zāi)害發(fā)生頻率呈現(xiàn)升高趨勢(shì)，尤其是內(nèi)蒙古河段，特殊的地理位置、氣候條件及河道走向使其成為黃河凌汛災(zāi)害最為嚴(yán)重的河段之一[3]，1987～2018年間發(fā)生不同程度的凌汛災(zāi)害百余次，由平均1.6年/次上升到0.3年/次[4]，這對(duì)我國(guó)凌汛災(zāi)害防御工作提出了更高要求。

眾多學(xué)者針對(duì)凌汛災(zāi)害開(kāi)展了大量研究，苑希民等[5]采用基于遺傳算法的神經(jīng)網(wǎng)絡(luò)方法建立了凌情智能耦合預(yù)報(bào)模型，對(duì)流凌、封河、開(kāi)河日期進(jìn)行了預(yù)報(bào)；劉吉峰等[6]分析了黃河寧蒙河段冰凌2000年以來(lái)的變化特點(diǎn)；顧潤(rùn)源等[7]研究了氣候變化對(duì)黃河內(nèi)蒙古段凌汛期的影響。目前在凌汛研究中，數(shù)據(jù)分析和數(shù)值模擬等主要手段對(duì)觀測(cè)數(shù)據(jù)的需求量較大，傳統(tǒng)野外觀測(cè)得到的數(shù)據(jù)在尺度等方面具有局限性，已在水利領(lǐng)域得到廣泛應(yīng)用的遙感技術(shù)具有宏觀性能高、更新周期短、抗人為干擾因素強(qiáng)等優(yōu)點(diǎn)[8-9]，可有效地彌補(bǔ)傳統(tǒng)觀測(cè)方法的不足[10]。

當(dāng)前遙感監(jiān)測(cè)冰情的技術(shù)，大多應(yīng)用在海洋和湖泊等較為寬闊的水域，主要用于監(jiān)測(cè)海冰面積和邊緣[11]、冰湖數(shù)量[12]、冰湖面積[13]等，相比而言，由于大多數(shù)河流有限的寬度，河冰的研究較為局限，大多是針對(duì)低分辨率大范圍影像，Naira等[14]提出了一種基于閾值的決策樹(shù)圖像分類算法來(lái)處理MODIS數(shù)據(jù)并確定河冰范圍的方法；H B Wang等[15]提出了一種基于無(wú)人機(jī)遙測(cè)技術(shù)的黃河冰柱定位監(jiān)測(cè)的視頻數(shù)據(jù)處理方法；Kraatz等[16]提出了一個(gè)可供選擇的MODIS河冰監(jiān)測(cè)算法，它可以在無(wú)云條件下和通過(guò)一些半透明的云識(shí)別河冰；Beaton等[17]開(kāi)發(fā)了一種利用MODIS圖像自動(dòng)檢測(cè)駝鹿河等五條河流開(kāi)河的方法。

以往研究均為對(duì)大幅影像的解譯[18]，缺少對(duì)河冰細(xì)部特征的識(shí)別分析以及河冰遙感影像的精細(xì)化分類，這也正是本文的先進(jìn)性所在。

本文針對(duì)凌汛災(zāi)害頻發(fā)的黃河內(nèi)蒙古段，選取典型河段為研究區(qū)域?qū)ο?，?duì)黃河內(nèi)蒙古包頭段黃牛營(yíng)子村處彎道的河冰進(jìn)行分形智能分類識(shí)別研究。

1 數(shù)據(jù)及原理

1.1 技術(shù)路線

本文技術(shù)路線如圖1所示，具體為：均勻分塊裁剪研究區(qū)域的河冰高分遙感影像，在經(jīng)過(guò)灰度化和濾波去噪等預(yù)處理措施之后，進(jìn)行分形特征邊緣檢測(cè)，基于該檢測(cè)結(jié)果和對(duì)遙感影像的目視解譯選擇分類的分類樣本，通過(guò)支持向量機(jī)算法進(jìn)行智能分類，基于混淆矩陣計(jì)算分類精度并對(duì)比分析分類結(jié)果與分形結(jié)果。

圖1 技術(shù)路線圖Fig.1 Technology roadmap

1.2 影像預(yù)處理

對(duì)獲取的遙感影像進(jìn)行預(yù)處理，包括分塊裁剪，灰度化和濾波去噪。將遙感影像均勻分塊，保證每一圖塊僅包含一種河冰類型，便于后續(xù)處理區(qū)分。

為獲得清晰的、高質(zhì)量的遙感圖像，本次研究中采用中值濾波進(jìn)行降噪預(yù)處理。中值濾波是當(dāng)前應(yīng)用最廣泛的去噪方法之一，它在一定的條件下可以克服線性濾波、均值濾波等帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及圖像掃描噪聲最為有效[19]。

中值濾波器一般采用一個(gè)含有若干個(gè)點(diǎn)的滑動(dòng)窗口，將窗口中幾個(gè)點(diǎn)灰度值的中值來(lái)替代指定點(diǎn)(窗口的中心點(diǎn))的灰度值。大多選取二維窗口，窗口的尺寸逐漸增大，直到濾波效果滿意為止。

圖2為河冰原始影像圖塊及其灰度圖塊，對(duì)其進(jìn)行模板為7×7，9×9和11×11的中值濾波后的灰度圖像及二值化后的圖像。從圖中可以看出，采用7×7的模板對(duì)原圖像進(jìn)行中值濾波后，去除了部分噪聲，但圖像中噪聲還是很明顯；采用11×11模板的中值濾波雖然噪聲濾除噪聲能力加強(qiáng)，但是圖像出現(xiàn)模糊和斷續(xù)現(xiàn)象;采用9×9模板濾波后噪聲得到了很好的抑制，同時(shí)圖像特征得到了很好的保存，因此最終采用9×9中值濾波模板。

圖2 河冰影像及其灰度化和二值圖像Fig.2 River ice image and its grayscale and binary image

中值濾波有三方面優(yōu)點(diǎn)：1)降低噪聲能力較強(qiáng)；2)在灰度值變化較小的情況下可以得到很好的平滑效果；3)不會(huì)使圖像的邊界部分過(guò)分模糊。

1.3 河冰影像的分形特征邊緣檢測(cè)

圖像中不規(guī)則的對(duì)象無(wú)法用傳統(tǒng)的歐幾里德幾何學(xué)來(lái)描述[20]。Benoit B. Mandelbrot于1975年創(chuàng)立了分形幾何學(xué)，用分形(Fractal)一詞來(lái)表述那些沒(méi)有特征長(zhǎng)度，具有無(wú)限精細(xì)結(jié)構(gòu)的圖形、構(gòu)造及現(xiàn)象[21]。分形幾何圖形具有自相似性和遞歸性，易于計(jì)算機(jī)迭代，擅長(zhǎng)描述自然界存在的景物[22-23]。

在實(shí)際應(yīng)用中，常用Richardson定律來(lái)計(jì)算分形維數(shù)[24]。

M(ε)=Kεd-D.

(1)

式中ε=1，2，3……為尺度因子，M(ε)約是尺度ε下的度量特征值，D是分形維數(shù)，d是拓?fù)渚S數(shù)，K是分形系數(shù)。對(duì)于二維灰度圖像，M(ε)約取為圖像表面積測(cè)度A(ε)，則有

A(ε)=Kε2-D.

(2)

一幅圖像可以看成高度正比于其灰度值的山丘，這個(gè)曲面的上下ε構(gòu)成厚度為2ε的“毯子”。對(duì)于不同的ε，“毯子”的面積即圖像的表面積A(ε)可以由“毯子”的體積除以2ε得到。

設(shè)f(i,j)代表圖像的灰度值，U(i,j,ε)，B(i,j,ε)分別表示上表面和下表面的灰度值，令

U(i,j,0)=B(i,j,0)=f(i,j).

(3)

上下兩張“毯子”分別以如下方法變化：

U(i,j,ε+1)=max {U(i,j,ε)+1,maxm,n∈η[U(m,n,ε)]}.

(4)

B(i,j,ε+1)=min{B(i,j,ε)-1,minm,n∈η[B(m,n,ε)]}.

(5)

式中η={(m,n)|d[(m,n),(i,j)]≤1}，d(?)表示兩點(diǎn)之間的距離。

于是“毯子”的體積為V(i,j,ε)=∑(i,j)∈R(U(i,j,ε)-B(i,j,ε)) ，R表示圖像上以(i,j)為中心的取值區(qū)域，故表面積A(i,j,ε)=V(i,j,ε)/2ε。

計(jì)算不同尺度下的A(i,j,ε)，由式logA(ε)=(2-D)logε+logK可知利用點(diǎn)對(duì) [logA(i,j,ε),logε]，采用線性最小二乘擬合的方法，由擬合直線的斜率即可求出分形維數(shù)D。

黃河河冰的形狀是自然產(chǎn)生的，同一種河冰范圍內(nèi)的形狀具有一定的自相似性，因此可以利用其分形特征，來(lái)實(shí)現(xiàn)對(duì)河冰影像的分割，從而更加清晰地區(qū)分不同種類的河冰。

(6)

K反映了圖像灰度表面積隨尺度變化的空間變化率。對(duì)式(2)兩端取對(duì)數(shù)，得

logA(ε)=(2-D)logε+logK.

(7)

上式表示在logA(ε)-logε坐標(biāo)下的一條直線，logK為該直線在縱坐標(biāo)軸logA(ε)上的截距，K相當(dāng)于該尺度下的灰度曲面面積。當(dāng)光滑的曲面或灰度變化緩慢的灰度曲面，K值較??；而當(dāng)起伏較大的灰度曲面或灰度變化較為劇烈的曲面，K值較大。不同紋理灰度表面之間，灰度起伏變化相對(duì)無(wú)論哪一種紋理圖像來(lái)說(shuō)都更加顯著，因此K值也能夠反映圖形灰度表面的粗糙程度。大多數(shù)紋理圖像可以用分形模型進(jìn)行描述[25]，河冰影像即由不同紋理區(qū)域組成，在不同紋理灰度表面之間(即圖像的邊緣處)，灰度變化比較大，即K值較大。所以我們可以用K值作為分形特征，對(duì)河冰影像進(jìn)行分割。算法如下：

(1)以M×M的窗口作為局部處理區(qū)域，從河冰影像的起始點(diǎn)開(kāi)始，從左到右，從上到下，按照ε-毯子法依次計(jì)算每個(gè)窗口中心像素的分形特征K，從而將河冰影像的灰度空間映射為分形特征K空間；

(2)采用自適應(yīng)門(mén)限對(duì)K空間進(jìn)行二值化。找出K空間的最大值Kmax，并選取適當(dāng)?shù)南禂?shù)a (0

1.4 河冰影像的智能分類及評(píng)價(jià)

支持向量機(jī)(SVM)是一種基于統(tǒng)計(jì)學(xué)習(xí)理論的模式識(shí)別算法，能夠根據(jù)有限的樣本信息尋找最優(yōu)分類結(jié)果。SVM非線性分類的思想是把輸入樣本經(jīng)過(guò)非線性變換映射到高維核空間，在高維核空間中尋找最優(yōu)分類超平面，將樣本集分為兩類，并使兩類間隔最大[26]。

設(shè)有一個(gè)最優(yōu)超平面[27]能將兩個(gè)類別分開(kāi)，可用下式(8)表示：

f(x)=wTφ(x)+b.

(8)

其中w、b分別為超平面的法向量和截距，φ(x)表示將x映射到更高維空間后的特征向量。

為使間隔最大化，有

(9)

(10)

利用核函數(shù)K(xi,yi)進(jìn)行求解，如下

K(xi,xj)=<Φ(xi)，Φ(xj)>=Φ(xi)TΦ(xj).

(11)

即可得到，

(12)

其中αi指樣本。

SVM中有3種非線性核函數(shù):多項(xiàng)式核函數(shù)、徑向基核函數(shù)和Sigmoid核函數(shù)。本研究選擇徑向基核函數(shù)作為分類函數(shù)。與其他核函數(shù)相比，徑向基核函數(shù)的參數(shù)更少，且性能穩(wěn)定[28]。

本研究選擇SVM基于以下幾點(diǎn)考慮：

(1)SVM是基于小樣本統(tǒng)計(jì)理論的學(xué)習(xí)方法，可以較為快速地處理較大數(shù)量的訓(xùn)練樣本[29]；

(2)SVM利用核函數(shù)將本研究中低維線性不可分問(wèn)題轉(zhuǎn)化為高維線性可分問(wèn)題，同時(shí)利用核函數(shù)簡(jiǎn)化了高維空間問(wèn)題的求解難度，提高了分類效率；

(3)SVM是基于結(jié)構(gòu)風(fēng)險(xiǎn)最優(yōu)化原則，與其他傳統(tǒng)學(xué)習(xí)方式相比，避免了過(guò)學(xué)習(xí)問(wèn)題，泛化推廣能力強(qiáng)[30]。

在分類型模型評(píng)判的指標(biāo)中，常見(jiàn)的方法有如下3種，分別是混淆矩陣、ROC曲線、AUC面積。本研究選用混淆矩陣進(jìn)行分類后的評(píng)價(jià)。混淆矩陣就是分別統(tǒng)計(jì)分類模型歸錯(cuò)類，歸對(duì)類的觀測(cè)值個(gè)數(shù)，然后把結(jié)果放在如表1中展示出來(lái)。

表1 混淆矩陣精度報(bào)表Table 1 Confusion matrix accuracy report

驗(yàn)證樣本(即真實(shí)值)是a，模型認(rèn)為是a的數(shù)量為T(mén)P，驗(yàn)證樣本是a，模型認(rèn)為是b的數(shù)量為FN； 驗(yàn)證樣本是b，模型認(rèn)為是a的數(shù)量為FP，驗(yàn)證樣本是b，模型認(rèn)為是b的數(shù)量為T(mén)N。

將這4個(gè)指標(biāo)一起呈現(xiàn)在表格中，就能得到混淆矩陣。

主要的評(píng)價(jià)指標(biāo)為準(zhǔn)確率ACC和Kappa系數(shù)，ACC代表分類模型所有判斷正確的結(jié)果占總觀測(cè)值的比重[31]，其計(jì)算如下式

(13)

Kappa系數(shù)是主要用于一致性檢驗(yàn)的分類精度指標(biāo)，起計(jì)算如下式

(14)

2 河冰高精度分類識(shí)別過(guò)程與結(jié)果分析

2.1 研究區(qū)域及實(shí)驗(yàn)區(qū)域概況

黃河內(nèi)蒙古段位于黃河干流最北端，緯度較高，相比黃河上游蘭州段北進(jìn)約4.5°，從伊克昭盟的拉僧廟進(jìn)入內(nèi)蒙古境內(nèi)，至榆樹(shù)灣出境，全長(zhǎng)840 km，而總落差僅162.5 m[32]，研究區(qū)域圖如圖3所示。內(nèi)蒙古的冬天嚴(yán)寒而漫長(zhǎng)，黃河流經(jīng)之處的冬季平均氣溫較上游驟降4～6℃[33]。由于氣溫的大幅降低以及河道比降小等因素，黃河內(nèi)蒙古段下游先封河，上游先開(kāi)河，流凌封凍通常早蘭州20余天，而解凍開(kāi)河要晚一個(gè)多月。同時(shí)該河段彎道和河面束窄遍布，極易發(fā)生卡冰結(jié)壩[34]，尤其是在每年的開(kāi)河期，大量冰水混合下泄，會(huì)形成極大的凌峰，使得黃河內(nèi)蒙古段凌汛災(zāi)害頻發(fā)且嚴(yán)重，據(jù)1951～2011年寧蒙河段各斷面凌情及凌災(zāi)統(tǒng)計(jì)，平均每年發(fā)生冰情5.77次，每?jī)赡昃蜁?huì)發(fā)生一次較嚴(yán)重的凌災(zāi)[35]，這對(duì)兩岸人民群眾的生命財(cái)產(chǎn)安全形成了巨大的威脅。

圖3 研究區(qū)域圖Fig.3 Study area map

此次實(shí)驗(yàn)區(qū)域如圖4所示，位于黃河內(nèi)蒙古包頭段黃牛營(yíng)子村處彎道，所選區(qū)域尺寸為3 000 m×3 000 m。影像區(qū)域內(nèi)河冰種類豐富，包括冰塞(下面帶有冰礁的冰蓋)，透明冰，清溝以及平滑冰蓋，實(shí)驗(yàn)中按照這四類冰對(duì)影像進(jìn)行分類。

圖4 實(shí)驗(yàn)區(qū)域Fig.4 Experimental area

2.2 數(shù)據(jù)介紹

本研究采用的是Worldview-3遙感數(shù)據(jù)，成像時(shí)間為2018年2月24日，分辨率0.31m每像素，包括紅綠藍(lán)3個(gè)波段。研究區(qū)域影像有以下特點(diǎn)：

(1)清溝顏色呈黑色，透明冰呈深藍(lán)色，目視解譯較為清楚明了；

(2)清溝上下游有冰蓋及冰礁等河冰，均呈白色，冰礁在影像的表現(xiàn)形式上表現(xiàn)為圓狀斑點(diǎn)；

(3)由于較薄的平滑冰蓋與遍布冰礁的冰塞顏色相仿，不容易區(qū)分，但是后者較前者導(dǎo)致凌汛的風(fēng)險(xiǎn)大大增加，因此需要進(jìn)一步的處理對(duì)二者進(jìn)行細(xì)致的區(qū)分。

基于以上這些圖像特征，傳統(tǒng)的單一的算法很難實(shí)現(xiàn)準(zhǔn)確的區(qū)分和識(shí)別，因此融合多種處理技術(shù)，采用有針對(duì)性的處理方法是很有必要的。

2.3 影像的預(yù)處理

將區(qū)域圖均勻分割成900個(gè)100 m×100 m的圖塊，剔除實(shí)驗(yàn)區(qū)域中的裸地、森林等與河冰無(wú)關(guān)的圖塊，保留涉及到河冰的圖塊，如圖5所示。

圖5 均勻分割后圖塊Fig.5 Evenly segmented graph block

保證每一個(gè)圖塊僅包含一種河冰的種類，這樣在分形程序處理之后，通過(guò)得到的不同處理結(jié)果能夠有效地區(qū)分河冰的種類。

對(duì)圖塊進(jìn)行灰度化，避免影像失真，易于后續(xù)處理。

濾波去噪。使用中值濾波方法進(jìn)行去噪，經(jīng)調(diào)試比較，采用9×9模板的中值濾波去噪能力最強(qiáng)，同時(shí)也能夠較好地保留河冰的特征。

2.4 河冰影像的分形特征邊緣檢測(cè)實(shí)驗(yàn)

采用上述基于河冰分形特征的影像邊緣檢測(cè)與分割的方法進(jìn)行實(shí)驗(yàn)，選擇2×2窗口作為局部處理區(qū)域，系數(shù)a取0.8，選取尺度為2<ε<8。

通常認(rèn)為，黃河河曲段所結(jié)冰蓋是由岸冰、流凌冰塊、水內(nèi)冰花結(jié)合生成[36]。在水流有湍急流動(dòng)的區(qū)域，水體產(chǎn)生大量的水內(nèi)冰，水內(nèi)冰向下游流動(dòng)、積聚，與流凌冰塊或岸冰粘結(jié)附著，另外黃河泥沙含量高，在結(jié)冰的過(guò)程中，還會(huì)出現(xiàn)異類成核的現(xiàn)象，即水中圍繞上游下泄冰塊以及水體中的雜質(zhì)首先結(jié)冰，在冰蓋形成時(shí)后也處于冰蓋中冰厚最大的位置，極易形成冰礁和錨冰等阻水，增加凌汛風(fēng)險(xiǎn)。

從實(shí)驗(yàn)結(jié)果看，邊緣檢測(cè)能夠很好地識(shí)別到冰礁，如圖6(a)中的冰礁位置，分形處理后如圖6(b)所示，每一處冰礁被識(shí)別成團(tuán)狀，1986年在國(guó)際冰凌學(xué)術(shù)會(huì)議上曾給冰塞定義為：阻礙水流的碎冰或冰花的固定集合體。從這個(gè)意義上來(lái)說(shuō)，大的錨冰或阻水的冰礁都屬于冰塞，只是規(guī)模大小和部位不同。因此本研究將識(shí)別出冰礁的冰蓋統(tǒng)一歸類為冰塞。

圖6 冰塞影像及其分形處理結(jié)果Fig.6 Ice jam image and its fractal processing results

而對(duì)于厚度較薄的平滑冰蓋來(lái)說(shuō)，通常是由兩岸岸冰向河心延伸而成，另外清溝的出現(xiàn)減少了向下游輸送的流冰，使得清溝下游的冰蓋厚度較薄，表面平滑，分形紋理不夠明顯，因此分形程序無(wú)法檢測(cè)到邊緣，其處理結(jié)果的像素灰度值全部為0，表現(xiàn)為黑色。

通過(guò)不同的分形結(jié)果，可以有效地區(qū)分冰塞和平滑冰蓋，全部圖塊識(shí)別結(jié)果如圖7所示。從分形結(jié)果圖中可以看出，首先對(duì)于清溝的識(shí)別十分準(zhǔn)確，可以看出分形識(shí)別的清溝輪廓與原圖相符；另外冰塞主要分布在圖中紅框的位置，而平滑冰蓋主要分布于圖中黃框位置。

圖7 圖塊分形結(jié)果圖Fig.7 Graph block fractal result graph

分析清溝產(chǎn)生的原因，首先，上游彎道處形成冰塞卡冰，使下游的來(lái)冰量減少，無(wú)法形成冰蓋；其次，整個(gè)彎道呈幾乎180°拐彎，流凌和冰塊在離心力的作用下堆積在下游彎道的外側(cè)，使彎道內(nèi)側(cè)形成清溝。該影像時(shí)間為二月末，黃河沿岸氣溫有所回升，此時(shí)清溝的出現(xiàn)和擴(kuò)大也預(yù)示著開(kāi)河的臨近，有關(guān)部門(mén)應(yīng)該加強(qiáng)警惕，謹(jǐn)防開(kāi)河期凌汛災(zāi)害的發(fā)生。

2.5 河冰影像智能分類

對(duì)2017年11月27日(距所研究高分影像的時(shí)間最近)的遙感影像進(jìn)行水體識(shí)別，獲得了較為精確的水體范圍，由于黃河內(nèi)蒙古段支流流入補(bǔ)給的流量較少，冬季水位變化小[37]，因此可以認(rèn)為該水體范圍與河冰范圍相差無(wú)幾，可以用水體范圍圖層對(duì)研究區(qū)域進(jìn)行裁剪，剔除非河冰部分的像素，減少其他地物對(duì)河冰識(shí)別精度的干擾，裁剪之后影像如圖8所示。

圖8 裁剪后的實(shí)驗(yàn)區(qū)域 圖9 分類樣本選取圖 圖10 支持向量機(jī)分類結(jié)果圖Fig.8 Trimmed experimental area Fig.9 Classification sample selection diagram Fig.10 SVM classification results

根據(jù)分形特征邊緣檢測(cè)結(jié)果得到的河冰類別，結(jié)合目視解譯，對(duì)原始影像進(jìn)行分類樣本的選取。將影像中河段分為前兩公里和后一公里兩段，在前兩公里河段進(jìn)行分類樣本的選取，后一公里河段用于驗(yàn)證。共選取4種分類樣本，共246個(gè)，如圖9所示(其中紅色是冰塞63個(gè)，綠色是平滑冰蓋39個(gè)，藍(lán)色是透明冰59個(gè)，黃色是清溝85個(gè))。

本研究實(shí)現(xiàn)SVM多分類的方法分兩步，第一步是依次把某個(gè)類別的樣本歸為一類，其他剩余的樣本歸為另一類，根據(jù)4個(gè)類別樣本構(gòu)造出4個(gè)SVM分類器，如下：

(1)冰塞為一類，平滑冰蓋、透明冰、清溝為另一類；

(2)平滑冰蓋為一類，冰塞、透明冰、清溝為另一類；

(3)透明冰為一類，平滑冰蓋、冰塞、清溝為另一類；

(4)清溝為一類，冰塞、透明冰、平滑冰蓋為另一類。

第二步是將上述4種分類結(jié)果進(jìn)行測(cè)試，每個(gè)測(cè)試都有一個(gè)結(jié)果f1(x)，f2(x)，f3(x)，f4(x)，分類時(shí)將未知樣本分類為具有最大分類函數(shù)值的那類，于是最終的結(jié)果便是這4個(gè)值中最大的一個(gè)作為分類結(jié)果。利用支持向量機(jī)進(jìn)行分類，分類結(jié)果如圖10所示。

2.6 分類結(jié)果評(píng)價(jià)

基于混淆矩陣對(duì)遙感影像的分類精度進(jìn)行評(píng)價(jià)，通過(guò)對(duì)研究區(qū)域的目視解譯結(jié)果隨機(jī)取樣，在后一公里河段隨機(jī)生成 125個(gè)樣本作為精度驗(yàn)證樣本分類結(jié)果的混淆矩陣如表2所示。

表2 分類結(jié)果混淆矩陣Table 2 Confusion matrix of classification results %

從表1可得，與驗(yàn)證樣本對(duì)比，該方法將94.21%的平滑冰蓋像元正確分類為平滑冰蓋，5.76%的平滑冰蓋像元分類為冰塞，0.03%的平滑冰蓋像元無(wú)法分類，分類為其他類別；將96.68%的清溝像元正確分類為清溝，3.32%的清溝像元無(wú)法分類，分類為其他類別；將97.71%的透明冰像元正確分類為透明冰，2.24%的透明冰像元分類為冰塞，0.05%的透明冰像元無(wú)法分類，分類為其他類別；將79.87%的冰塞像元正確分類為冰塞，18.69%的冰塞像元分類為平滑冰蓋，1.43%的冰塞像元分類為透明冰，0.01%的冰塞像元無(wú)法分類，分類為其他類別。即本方法準(zhǔn)確預(yù)測(cè)分類了94.21%的平滑冰蓋像素，96.68%的清溝像素，97.71%的透明冰像素以及79.87%的冰塞像素，根據(jù)式(13)計(jì)算準(zhǔn)確率達(dá)93.05%，即研究區(qū)域影像中共有93.05%的像素被準(zhǔn)確分類。另外Kappa系數(shù)達(dá) 0.9026，說(shuō)明本分類方法在考慮錯(cuò)分漏分情況下依然表現(xiàn)出較好的分類效果，說(shuō)明本分類方法較為準(zhǔn)確可信。

3 結(jié)語(yǔ)

針對(duì)黃河河冰高分遙感影像的幾何特征、空間特征和紋理特征等復(fù)雜信息，本文選取黃河內(nèi)蒙古段為研究對(duì)象，提出一種高分遙感影像凌汛災(zāi)害信息識(shí)別提取方法，開(kāi)展河冰影像精細(xì)化分類與智能識(shí)別研究，具體研究結(jié)論如下：

(1)對(duì)河冰的高分遙感影像進(jìn)行分形特征邊緣檢測(cè)，精細(xì)化提取河冰信息，將河冰影像分為冰塞、透明冰、清溝及平滑冰蓋四類，準(zhǔn)確地識(shí)別出河冰的種類及不同類別所在的位置；

(2)基于河冰分形特征的邊緣檢測(cè)結(jié)果選取河段分類樣本，利用支持向量機(jī)進(jìn)行智能分類識(shí)別，總體分類結(jié)果達(dá)到93.05%，智能方法分類結(jié)果精度較高，且與分形特征邊緣檢測(cè)的結(jié)果一致，本研究方法相對(duì)準(zhǔn)確可靠；

(3)隨著高分遙感影像的飛速發(fā)展，通過(guò)對(duì)河冰影像智能分類分析研究，可對(duì)凌汛災(zāi)害進(jìn)行有效的識(shí)別及信息提取，可為凌汛災(zāi)害風(fēng)險(xiǎn)的預(yù)測(cè)評(píng)價(jià)提供理論方法支撐，對(duì)提升凌汛災(zāi)害的綜合防控能力具有重要意義。