一種融合紋理特征與NDVI的隨機(jī)森林海冰精細(xì)分類方法

王志勇，張夢悅*，于亞冉，泥萍

(1.山東科技大學(xué) 測繪與空間信息學(xué)院，山東 青島 266590)

1 引言

膠州灣是一個伸入內(nèi)陸的淺水海灣，每年都有不同程度的冰凍現(xiàn)象。膠州灣冬季的冰凍現(xiàn)象，對沿岸居民的生產(chǎn)生活、工程建設(shè)乃至經(jīng)濟(jì)發(fā)展都有十分不利的影響。因此，膠州灣海冰的監(jiān)測及精確識別海冰類型，對于掌握其冰情狀況，保障海上作業(yè)以及適應(yīng)海冰防災(zāi)減災(zāi)工作需要等具有重要意義。

近年來，國內(nèi)外研究人員利用不同類型的遙感影像和分類方法解決海冰分類問題，并取得了一系列的研究成果。Su等[1]利用MODIS影像，結(jié)合灰度共生矩陣提取海冰信息；Han等[2]于2020年利用EO-1以及Landsat-8影像，提出了一種基于壓縮和激勵網(wǎng)絡(luò)（Squeeze-and-Excitation Networks,SENet）、 卷 積 神 經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）和支持向量機(jī)（Support Vector Machine,SVM）的遙感海冰圖像分類方法，實(shí)現(xiàn)了小樣本遙感海冰圖像的高分類精度；Zhang等[3]提出了一種將卡爾曼濾波、灰度共生矩 陣 (Gray-level Co-occurrence Matrix, GLCM)和SVM相結(jié)合的方法，對合成孔徑雷達(dá)（Synthetic Aperture Radar，SAR）數(shù)據(jù)進(jìn)行海冰分類，有效提高了海冰分類精度；Lohse等[4]基于決策樹（Classification And Regression Tree,CART）算法，以 SAR 數(shù)據(jù)為例進(jìn)行海冰分類；Liu等[5]利用Radarsat-2雙極化數(shù)據(jù)，采用SVM和決策樹分類方法，結(jié)合海冰紋理特征信息處理開闊水和平整冰，得到海冰濃度參數(shù)，為海冰分類提供了一種有效的方法；Han等[6]利用深度學(xué)習(xí)分類器，對高光譜海冰圖像進(jìn)行分類；李寶輝等[7]運(yùn)用“北京一號”小衛(wèi)星影像，建立海冰分類模型，對冬季渤海海冰進(jìn)行了監(jiān)測；王姝力等[8]采用CART自動決策樹和融合紋理特征的最大似然（Maximum Likelihood ML）分類算法，分別對Landsat-8數(shù)據(jù)和Sentinel 1A SAR數(shù)據(jù)進(jìn)行海冰分類；韓彥嶺等[9]于2019年利用Landsat-8數(shù)據(jù)，基于主動學(xué)習(xí)與半監(jiān)督技術(shù)相結(jié)合的方法進(jìn)行海冰圖像分類；張明等[10]結(jié)合紋理特征，采用SVM的算法，對SAR數(shù)據(jù)進(jìn)行海冰分類研究屈猛等[11]采用MODIS數(shù)據(jù)、熱紅外亮溫和Radarsat 2雙極化后向散射等多源數(shù)據(jù)，建立決策樹，綜合各種參數(shù)來判斷海冰類型。

綜合上述國內(nèi)外研究成果，針對遙感影像海冰分類問題，研究數(shù)據(jù)源多集中于SAR數(shù)據(jù)，對其開展的研究也較為深入。但SAR數(shù)據(jù)存在波段相對單一所含信息有限且數(shù)據(jù)昂貴的缺點(diǎn)。光學(xué)遙感數(shù)據(jù)具有時效性強(qiáng)、投資少、光譜信息豐富的優(yōu)勢，但目前針對光學(xué)遙感海冰分類研究較少，且研究的數(shù)據(jù)源多為MODIS數(shù)據(jù)、北京一號和Landsat-8數(shù)據(jù)等中高分辨率數(shù)據(jù)，此類影像分辨率多在10 m級以上，其中高分辨率的Landsat-8分辨率也為30 m。受限于分辨率問題，上述中高分辨率遙感數(shù)據(jù)均無法實(shí)現(xiàn)海冰的精細(xì)分類在分類方法上，現(xiàn)有的分類方法大多適用于SAR數(shù)據(jù)對高分辨率光學(xué)遙感海冰分類算法研究較少，常見的分類方法有決策樹、支持向量機(jī)以及卷積神經(jīng)網(wǎng)絡(luò)等分類方法。上述分類方法往往只關(guān)注影像的光譜信息，未能充分利用海冰的特征信息，影響海冰的分類精度。

因此，本文采用空間分辨率優(yōu)于1 m的高分二號（GF-2）數(shù)據(jù)，研究針對亞米級光學(xué)遙感數(shù)據(jù)的海冰分類問題。提出一種融合紋理特征和歸一化差分植被指數(shù)（Normalized Difference Vegetation Index,NDVI）的隨機(jī)森林海冰分類方法，充分利用高分辨率影像的紋理特征信息對膠州灣海冰進(jìn)行精細(xì)分類，為亞米級光學(xué)遙感數(shù)據(jù)海冰分類提供一種可能的技術(shù)手段。

2 研究方法

本研究利用高分辨率光學(xué)影像構(gòu)建海冰精細(xì)分類的方法，通過主成分變換對影像進(jìn)行降維和壓縮基于灰度共生矩陣確定紋理特征參數(shù)，然后分別與NDVI指數(shù)、歸一化水指數(shù)（Normalized Difference Water Index,NDWI）相融合，利用隨機(jī)森林分類器進(jìn)行海冰類型的提取。

2.1 紋理特征

GLCM是Haralick等[12]于1973年提出的一種描述紋理特征的統(tǒng)計(jì)方法?；叶裙采仃嚳梢苑从臣y理的微觀信息，因而廣泛應(yīng)用于遙感圖像分類之中。

2.2 歸一化差分植被指數(shù)

NDVI主要反映紅光波段與近紅外波段反射與背景之間的差異[13]，具體表達(dá)式為

式中，NIR為近紅外波段的反射值；R為紅光波段的反射值。NDVI常用于土地利用分類、作物估產(chǎn)和干旱監(jiān)測等方面。此外，研究表明海冰生長演化時期，紅光波段和近紅外波段反照率相較于其他波段對海冰更為敏感[14–15]。

2.3 歸一化水指數(shù)

NDWI常用于遙感圖像凸顯水體信息[16]，具體表達(dá)式為

式中，Green為綠光波段的反射值；NIR為近紅外波段的反射值。

2.4 主成分變換

主成分變換（Principal Component Analysis,PCA）是一種圖像增強(qiáng)技術(shù)，可將多波段的圖像信息壓縮少數(shù)幾個轉(zhuǎn)換波段中，且波段信息更有效[17]。

2.5 隨機(jī)森林分類

隨機(jī)森林（Random Forest,RF）是用于使用樹型分類器集成方法的總稱，它可以創(chuàng)建多個類似決策樹的樹型，這就比單棵CART的抗干擾能力更強(qiáng)，可以有效避免抗干擾能力低和“過擬合”現(xiàn)象。隨機(jī)森林分類多用于處理高維數(shù)據(jù)，并取得良好的泛化能力[18]。

2.6 分類方法流程圖

本文基于融合紋理特征和NDVI的隨機(jī)森林方法進(jìn)行海冰精細(xì)分類，流程圖如圖1所示。

圖1 流程圖Fig.1 Flow chart

具體流程過程包括：（1）對遙感影像進(jìn)行輻射定標(biāo)、大氣校正、正射校正和數(shù)據(jù)融合等預(yù)處理步驟。（2）將處理后的影像進(jìn)行水陸分離，確定后續(xù)處理范圍。（3）經(jīng)過大量實(shí)驗(yàn)選取最適合海冰分類的紋理特征參數(shù)。本文選取均值、方差和對比度這3個特征值，選擇像素位移值為1，灰度量化級為32，作為最佳參數(shù)組合。（4）由于數(shù)據(jù)本身有4 個波段，故在紋理特征提取之前要先進(jìn)行主成分分析。本文提取第一主成分進(jìn)行紋理特征提取，后將紋理特征分別與NDVI和NDWI融合，豐富遙感影像特征信息，增強(qiáng)地物之間的差異，進(jìn)而提高分類精度。（5）基于隨機(jī)森林分類器，利用融合影像進(jìn)行海冰分類，將分類結(jié)果與傳統(tǒng)分類方法進(jìn)行比較。

3 研究區(qū)及數(shù)據(jù)實(shí)驗(yàn)

3.1 研究區(qū)概況

青島膠州灣（35°58′～36°18′N，120°04′～120°23′E）位于黃海中部、膠州半島南岸，是一個半封閉的天然海灣。它的北部和西北部為平原，東部毗鄰嶗山山脈，西南和南部是小珠山山脈[19]。膠州灣水域面積廣闊，漁業(yè)經(jīng)濟(jì)十分發(fā)達(dá)，區(qū)域位置如圖2所示。

圖2 研究區(qū)域位置Fig.2 Location of study area

3.2 實(shí)驗(yàn)數(shù)據(jù)

高分二號（GF-2）衛(wèi)星是我國在2014年8月19日發(fā)射的，搭載有兩臺高分辨率為1 m全色、4 m多光譜相機(jī)的光學(xué)遙感衛(wèi)星。其空間分辨率優(yōu)于1 m，星下點(diǎn)空間分辨率可達(dá)0.8 m[20]。據(jù)衛(wèi)星遙感和岸基監(jiān)測獲取的冰情數(shù)據(jù)，青島膠州灣海冰嚴(yán)重冰期一般出現(xiàn)在1月下旬至2月上旬，本研究采用的是2016年1月27日膠州灣GF-2數(shù)據(jù)，進(jìn)行高分辨率光學(xué)數(shù)據(jù)海冰類型提取。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 紋理特征選取

本文利用灰度共生矩陣進(jìn)行紋理特征提取。在窗口大小參數(shù)選取上，本文共試驗(yàn)3×3到19×19的9種窗口大小，最終選擇最優(yōu)窗口為13×13。常用的紋理特征參數(shù)有均值、方差、均質(zhì)性、對比度、相異性、熵、角二階矩、相關(guān)性等[21]。為獲得更為準(zhǔn)確的紋理特征值，本文從遙感影像中每類各選取3幅100×100像素的樣本，共12幅影像，分別統(tǒng)計(jì)上述紋理特征參數(shù)，統(tǒng)計(jì)結(jié)果如圖3所示。

圖3 不同海冰類型的灰度共生矩陣特征折線圖Fig.3 The gray-level co-occurrence matrix characteristic line chart of different sea ice types

由圖3可知，對于不同海冰類型，均值、方差和對比度3個特征值相比其他特征值，數(shù)值變化較大。因此，本文選擇這3個特征為主要紋理特征值。其他參數(shù)參照文獻(xiàn)[22]并考慮時間效率等因素，選擇像素位移值為1，灰度量化級為32。

4.2 主成分分析

由于GF-2影像有4個波段，提取紋理特征會產(chǎn)生大量的特征信息，紋理特征較多不利于后續(xù)融合處理，因此要進(jìn)行主成分（PC）分析。本文將GF-2影像進(jìn)行主成分變換，得到各個主分量所占的信息量百分比，如表1所示。

表1 主成分分析結(jié)果Table 1 Results of principal component analysis

由表1可得，第一主分量占了96.22%的信息量，幾乎涵蓋了所有信息。對遙感影像的第一個主分量進(jìn)行均值、方差和對比度紋理特征提取，得到最后的紋理特征影像。

4.3 分類結(jié)果

本研究為膠州灣2016年1月27日GF-2海冰遙感影像圖，訓(xùn)練樣本數(shù)目為海水10處、白冰30處、冰皮50處、灰冰40處。驗(yàn)證數(shù)據(jù)為隨機(jī)產(chǎn)生的907處隨機(jī)點(diǎn)，目視解譯隨機(jī)點(diǎn)。采用融合紋理特征和NDVI的隨機(jī)森林進(jìn)行分類，為了驗(yàn)證算法的有效性，使用融合紋理特征和NDWI指數(shù)的隨機(jī)森林（RF）以及未融合特征的隨機(jī)森林（RF）、支持向量機(jī)（SVM）、自動決策樹（CART）和融合紋理特征的最大似然（ML）5種方法進(jìn)行對照實(shí)驗(yàn)。

圖4為6種分類方法結(jié)果對比，由圖可知CART分類算法對海冰識別較為粗糙，部分海冰沒有識別出。SVM和RF分類算法對白冰識別效果較好，但對海水識別效果較差。融合紋理特征的ML分類算法對灰冰和海水的識別都較差，對冰皮識別一般，但對白冰識別較好。融合紋理特征和NDWI的RF分類結(jié)果對冰皮識別較好，但對海水識別不佳。融合紋理特征和NDVI的RF分類結(jié)果，對海水的識別效果最好。

圖4 6 種分類算法結(jié)果對比Fig.4 Comparison results of six classification algorithms

表2為6種海冰分類算法結(jié)果對比，其中SVM和CART為研究中常用的分類方法。由表2可知，融合紋理特征和NDVI的RF分類算法總體精度為84.68%，Kappa系數(shù)為0.73，顯著高于其他5種分類方法。針對具體的分類類別中，融合紋理特征和NDVI的RF分類算法在海水的制圖精度上遠(yuǎn)高于其他分類算法，相較于融合紋理特征和NDWI的RF分類、傳統(tǒng)RF分類、SVM、CART和融合紋理特征的ML分類算法，制圖精度分別提高了22.31%、26.20%、23.88%、27.18%和29.52%，但該算法仍存在對冰皮分類精度較低的問題。對于RF分類算法，其在對白冰的制圖精度上略高于其他幾種分類算法，但對海水的制圖精度較低。此外，對于CART 和SVM常用的兩種分類算法，其對灰冰和冰皮制圖精度高，但在海水制圖精度上較低。針對融合紋理特征的ML分類算法，其對白冰的制圖精度高，但對灰冰和海水制圖精度較低。

表2 不同分類算法精度Table 2 Accuracy of different classification algorithms

圖5為融合紋理特征和NDVI的RF、融合紋理特征和NDWI的RF以及傳統(tǒng)RF的海冰分類局部放大圖。對比圖5可知，融合紋理特征和指數(shù)的遙感影像，可以較為精確地識別冰間水道，而傳統(tǒng)RT幾乎無法識別冰間水道。這表明融合紋理特征和指數(shù)的遙感影像，可增強(qiáng)海水與海冰之間的差異，識別冰間水道。此外，對比圖5a和圖5b可知，融合紋理特征和NDVI的RF相比融合紋理特征和NDWI的RF，對冰間水道的識別更細(xì)致。

圖5 海冰分類局部放大圖Fig.5 Sea ice classification and partial enlargement

綜上所述，融合紋理特征和NDVI的RF分類可得到更好的海冰分類結(jié)果，它充分利用高分辨率遙感影像特征，更適用于海冰精細(xì)分類。

5 結(jié)論

本文基于GF-2遙感圖像，提出了一種有效的針對高分辨率遙感影像的海冰分類方法。該方法利用GLCM提取特征值，通過選擇樣本實(shí)驗(yàn)得到適于海冰分類的紋理特征組合，并與NDVI相融合。在此基礎(chǔ)上利用隨機(jī)森林分類器，構(gòu)建海冰分類方法，來開展海冰精細(xì)分類。可得以下結(jié)論：

（1）均值、方差和對比度這3個紋理特征組合可應(yīng)用于海冰分類中，此特征組合與NDVI相融合可有效提高海冰分類精度；

（2）本文使用的融合紋理特征和NDVI的RF分類模型可實(shí)現(xiàn)對海水、白冰、冰皮和灰冰等類型海冰的有效識別，與融合紋理特征和NDWI的RF分類以及傳統(tǒng)的海冰分類隨機(jī)森林、支持向量機(jī)、自動決策樹和融合紋理特征的最大似然分類方法相比，總體分類精度分別提高 9.67%、13.70%、11.60%、19.22%、29.37%，Kappa系數(shù)分別提高 0.09、0.16、0.13、0.22、0.44，表明本文構(gòu)建的海冰分類方法可有效提高海冰分類精度；

（3）在冰間水道識別中，融合紋理特征和NDVI的RF分類算法大幅度提高了海水的識別精度。因此，該模型可較為精確地識別冰間水道，這表明本研究構(gòu)建的分類模型充分發(fā)揮了高分辨率光學(xué)數(shù)據(jù)的優(yōu)勢。

因此，針對GF-2高分辨率光學(xué)遙感數(shù)據(jù)，融合紋理特征和NDVI的隨機(jī)森林分類器構(gòu)建海冰分類方法，來開展膠州灣海冰精細(xì)分類是可行的。該方法為GF-2等亞米級光學(xué)遙感數(shù)據(jù)的海冰精細(xì)分類提供了一種可能的技術(shù)手段。同時，本研究也存在不足之處：由于缺乏實(shí)際海冰驗(yàn)證樣本，本文采用隨機(jī)選取樣本點(diǎn)，運(yùn)用目視解譯的方式進(jìn)行驗(yàn)證，結(jié)果可能存在誤差；由于研究區(qū)域冰期短、衛(wèi)星重訪周期長，僅獲取研究區(qū)域的有海冰的1景GF-2遙感數(shù)據(jù)，采用了多種方法進(jìn)行對比實(shí)驗(yàn)，以增強(qiáng)結(jié)果的可靠性；由于研究僅在膠州灣區(qū)域開展，研究方法可能存在一定的局限性，但隨著高分辨率光學(xué)遙感衛(wèi)星的發(fā)射升空，會獲取更多的遙感數(shù)據(jù)，本文的研究方法將為海冰精細(xì)分類提供一種選擇。后續(xù)研究中，將盡可能獲取多區(qū)域的多景高分辨率光學(xué)遙感影像數(shù)據(jù)，對海冰分類方法進(jìn)行進(jìn)一步的完善，得到精度更高更可靠的研究成果。