顧及陰影檢測的BP神經網絡高光譜影像分類

肖 斌，徐 勇，何宏昌，張 潔，苗林林，劉 兵

(桂林理工大學 測繪地理信息學院，廣西 桂林 541006)

0 引言

在遙感影像分類中，陰影對分類精度有較大影響，尤其在丘陵地區(qū)[1-2]。陰影削弱了地物在傳感器上的響應，嚴重干擾了目標地物的識別與解譯[3-4]。陰影在影像上與水體的光譜曲線較為接近，因此為了提高分類精度，必須考慮圖像中的陰影。

基于多光譜影像的陰影檢測方法十分豐富，但在高光譜影像中研究較少。當前影像陰影檢測的方法可分為2大類：基于像素的方法和基于對象的方法，前者主要利用陰影的顏色、結構和輪廓等特性，后者則是將陰影的性質與先驗知識相結合[5-6]。Vicky等[7]基于像素的方法提出將RGB轉換為HSV模式，把色調、飽和度和明度參數(shù)轉為圓柱體的顏色、半徑和高度，通過定量分析每個像素的值來判斷是否為陰影。楊元維等[8]通過改進Wallis模型對高分辨率影像的陰影進行自動補償，有效地補償陰影，使其亮度和對比度共同提升到與非陰影區(qū)域相一致的水平。Ni等[9]基于對象的方法通過2幅不同時期影像覆蓋區(qū)域的亮度值差異，提取云和陰影區(qū)域。Sabri等[10]通過二維經驗模式的自動和數(shù)據(jù)驅動的陰影檢測和消除方法，利用陰影區(qū)域的紋理特征與明亮區(qū)域的差異性，從而分割出陰影區(qū)域。但在復雜的地物分類中，需將各種地物有效區(qū)分，必須考慮“異物同譜”現(xiàn)象[11]；陰影的光譜曲線與水體的光譜曲線十分接近，容易造成水體的“誤識別”和“漏識別”[12]。為了解決上述問題，Li等[13]引入表面粗糙度的方法對陰影區(qū)域與水體區(qū)域進行計算，并通過閾值選擇，提取出陰影區(qū)域，可以有效區(qū)分水體與陰影。計算表面粗糙度的方法適用于大部分地區(qū)，但由于喀斯特地貌的特殊性，山體十分陡峭，最大坡度可達90°，太陽光照射山體產生的陰影可能存在平面，表面粗糙度可能存在相同的區(qū)域。

為了減弱或者消除高光譜影像分類中陰影與水體的錯分現(xiàn)象，本文提出一種融合決策樹的陰影檢測方法和基于波段回歸模型的陰影去除方法。首先結合研究區(qū)的歸一化差值植被指數(shù)(Normalized Difference Vegetation Index，NDVI)、歸一化水指數(shù) (Normalized Difference Water Index,NDWI)和DEM數(shù)據(jù)，通過決策樹提取陰影區(qū)域；然后通過構建回歸模型，利用函數(shù)將陰影區(qū)域擬合至明亮區(qū)域，再通過BP神經網絡進行分類；最后利用桂林市研究樣區(qū)的高光譜影像進行方法的驗證對比和分析。

1 研究區(qū)數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)(24°44′N～25°18′N，110°4′E～110°42′E)位于廣西壯族自治區(qū)桂林市中南部，東與臨川縣相鄰，西與臨桂區(qū)毗鄰，南與陽朔縣交界，北與興安縣相鄰。研究區(qū)為典型的喀斯特地區(qū)，多山地，平均海拔148 m，山峰最高為451 m。地處低緯度，屬亞熱帶季風氣候，且丘陵地區(qū)多陰影，在遙感影像中表現(xiàn)為陰影區(qū)域塊狀分布。

1.2 珠海一號高光譜影像

本文采用的影像數(shù)據(jù)是珠海一號高光譜衛(wèi)星(OHS)，獲取時間為2020年11月13日。該衛(wèi)星采用推掃成像方式，空間分辨率為 10 m，離地500 km，質量67 kg，有32個波譜通道，每個波段對應中心波長如表1所示。光譜分辨率 2.5 nm，波長范圍400～1 000 nm，運行軌道98°[14]，云量覆蓋為0。獲取的高光譜數(shù)據(jù)基于ENVI5.3軟件平臺，對OHS影像進行預處理，包括輻射定標、大氣校正、正射校正、最小噪聲分離和光譜平滑處理以及陰影檢測與去除等。

表1 珠海1號波段信息

2 顧及陰影檢測的BP神經網絡方法

2.1 陰影檢測與去除

2.1.1 陰影檢測

研究區(qū)喀斯特地貌在遙感影像中分布著大量塊狀陰影，由于山體坡度不同、高度不同，導致不同坡度、不同高度處陰影的灰度值不同。從高光譜影像與GoogleErath影像對比可得，坡度較小與高度較低處陰影較坡度較大與高度較高處的灰度值低，又因水體深度不一，導致水體在影像中光譜線不一。影像中陰影與水體的波譜曲線表現(xiàn)相似，如圖1所示。因此，水體與陰影在分類結果中存在大量錯分現(xiàn)象。通過Google地圖分析發(fā)現(xiàn)，同一山脊兩側的陰影區(qū)域與明亮區(qū)域均為林地，在分類之前需將陰影區(qū)域中的光譜特征擬合至林地的光譜特征，從而減少或消除因“異物同譜”現(xiàn)象對分類結果的影響。針對影像中存在的大量陰影，本文提出基于決策樹的陰影檢測方法與基于波段回歸模型的去除方法。

圖1 水體區(qū)域與陰影區(qū)域光譜曲線Fig.1 Spectral curve of water area and shadow area

基于決策樹的方法對陰影區(qū)域進行檢測，首先通過計算研究區(qū)NDVI值、NDWI值提取林地陰影和水體，再結合ALOS 12.5 m高程數(shù)據(jù)來選擇閾值實現(xiàn)陰影區(qū)域的檢測。經過多次閾值訓練測試，對比GoogleErath影像，可以將研究區(qū)中存在的水體與陰影區(qū)域全部提取。由于研究區(qū)存在坡度較小且有陰影區(qū)域，坡度設置為10會將山地中少量目視即可辨別為林地的區(qū)域納入陰影檢測中，同時也可以將小區(qū)域的陰影邊緣提取更為全面。最終選取陰影檢測的決策樹參數(shù)設置為NDVI指數(shù)小于0與NDWI大于0的并集結合坡度slope大于10，陰影檢測結果如圖2所示。

圖2 陰影檢測部分Fig.2 Shadow detection area

2.1.2 陰影去除

陰影區(qū)域與明亮區(qū)域在波長680～900 nm中的光譜曲線存在明顯差異，由于山體遮掩，波長680 nm后的電磁波大部分被陰影處地物吸收，通過構建陰影區(qū)域與明亮區(qū)域各波段的關系模型，將陰影區(qū)域波段的灰度值推算至無陰影林地區(qū)域。與此同時，將去陰影后的區(qū)域影像與原明亮區(qū)域影像疊加，得到去除陰影后的遙感影像。去除陰影前后明亮區(qū)域與陰影區(qū)域光譜曲線如圖3和圖4所示。

圖3 去除陰影前明亮區(qū)域與陰影區(qū)域光譜曲線Fig.3 Spectral curve of bright area and shadow area before shadow removal

圖4 去除陰影后明亮區(qū)域與陰影區(qū)域光譜曲線Fig.4 Spectral curve of bright area and shadow area after shadow removal

實驗過程中，首先選取70組山脊兩側的陰影區(qū)域與明亮區(qū)域的面狀ROI數(shù)據(jù)，分別計算每組數(shù)據(jù)中每個波段的平均反射率；然后，基于最小二乘回歸算法對ROI數(shù)據(jù)建立回歸模型，得到模型系數(shù)a數(shù)據(jù)，如圖5所示。

圖5 模型系數(shù)a值Fig.5 Model coefficient a value

最后，選取相關性大于0.5的7個波段(B20，B24，B25，B29，B30，B31，B32)創(chuàng)建擬合函數(shù)如下：

式中，Bl為明亮區(qū)域反射率；Bs為陰影區(qū)域反射率；a，b為待定系數(shù)?；谏鲜瞿Ｐ?，在ENVI5.3平臺上分別實現(xiàn)陰影區(qū)域7個波段重建。將7個波段分別進行波段計算,波段組合后的結果與非陰影區(qū)域疊加，最后通過Savitzky-Golay濾波器[15]對疊加后的影像進行濾波平滑，得到陰影去除后結果如圖6所示。對去除陰影區(qū)域的光譜反射率與明亮區(qū)域光譜反射率對比分析，結果顯示，去除陰影區(qū)域的光譜反射率較為接近明亮區(qū)域的光譜反射率。

圖6 模型去除陰影結果Fig.6 Shadow removal results of model

2.2 BP神經網絡

BP神經網絡是一種根據(jù)誤差反向傳播算法訓練的多層前饋神經網絡[16]，它以實際輸出值與期望輸出值之間的誤差均方差為目標函數(shù)，通過梯度下降法使目標函數(shù)最小，從而達到最優(yōu)網絡。BP神經網絡是一種3層以上的前饋神經網絡，其模型結構如圖7所示。誤差反向傳播算法是BP神經網絡的一種支持算法，通常稱為BP算法。BP算法主要體現(xiàn)了梯度下降的思想，利用隨機梯度下降技術使網絡的實際輸出值與正確輸出值之間的誤差最小[17]。

圖7 BP神經網絡模型結構Fig.7 Structure of BP neural network model

3 實驗結果分析

3.1 訓練樣本分析

本實驗將地物分為林地、耕地、建筑用地、裸地和水體5大類。在影像預處理及去除陰影的基礎上，以Google Earth影像為依據(jù)選取ROI訓練樣本，并從每類地物樣本中隨機抽取1/3的反射率數(shù)據(jù)(如表2所示)作為訓練數(shù)據(jù)導入，訓練集取樣本總數(shù)的70%，驗證集和測試集分別占樣本總數(shù)的15%。

表2 樣本不同數(shù)據(jù)集

利用BP神經網絡程序對樣本點反射率進行分類訓練驗證。經過反復調整，本次實驗神經元個數(shù)為12，訓練算法為Levenberg-Marquardt算法，隱藏層為1層，訓練次數(shù)為1 000次均方誤差達到最低為0.240。樣本點的訓練相關系數(shù)r為0.970，驗證相關系數(shù)r為0.934，測試相關系數(shù)r為0.932，總體相關系數(shù)r為0.958，以上結果表明訓練樣本集具有代表性，滿足分類精度要求。

3.2 陰影檢測與去除結果分析

基于最小二乘算法構建多元線性回歸模型，得出模型系數(shù)，如表3所示。

表3 陰影去除回歸模型系數(shù)

由表3可以看出，回歸模型的決定系數(shù)R2均大于0.6，說明陰影區(qū)域擬合結果可以滿足分類精度要求。經函數(shù)擬合后，研究區(qū)中陰影區(qū)域的光譜特征均擬合至林地的光譜特征。然而，由于陰影所處的區(qū)域不同，重采樣時受鄰近像元的影響，導致466～560 nm波譜范圍內擬合結果較差，如圖8所示。

由圖8可以看出城市區(qū)域、緩沖區(qū)域、丘陵區(qū)域中光譜曲線466～560 nm間差異， 在RGB (B12，B6，B1)彩色合成影像中，不同區(qū)域由于飽和度、明度以及色相的差異，擬合結果也有不同；而城市區(qū)域與丘陵區(qū)域的光譜曲線對比分析發(fā)現(xiàn)，在飽和度與明度較高的區(qū)域，擬合結果與周邊地物較為接近。

圖8 不同陰影區(qū)域光譜曲線擬合結果Fig.8 Fitting results of spectral curves in different shadow areas

3.3 分類結果對比分析

使用BP神經網絡分類算法分別對經預處理的高光譜影像(圖9 (a))進行去陰影前與去陰影后分類，分類結果部分區(qū)域如圖9(b)和圖9(c)所示。

由圖9可以看出，丘陵地區(qū)陰影區(qū)域在影像去陰影前被錯分為水體，水體的制圖精度為95.74%，林地的制圖精度為99.14%，OA總體精度97.30%，Kappa系數(shù)0.955。經函數(shù)擬合去除陰影后，陰影區(qū)域被分類到林地，去除陰影后林地與水體的分類結果較好，林地與水體的錯分現(xiàn)象明顯減少，林地制圖精度達到99.17%，水體制圖精度提高至97.93%，分類OA總體精度增至98.08%，Kappa系數(shù)提升至0.968，提高了整體分類精度。此外，對山地陰影進行去除實驗后，城市陰影被分到水體區(qū)域明顯減少，由于城市高大建筑陰影與丘陵地區(qū)陰影的混淆影響，導致極少數(shù)丘陵陰影邊緣區(qū)域被劃分為建筑物。

通過計算各地物類別的錯分率(Error Rate)，去除陰影前后林地與水體間存在的錯分現(xiàn)象有明顯改善。存在錯分現(xiàn)象的主要原因是水體在影像上的光譜曲線表現(xiàn)與陰影處相似，導致陰影被錯分至水體。去除陰影后，改變了陰影區(qū)域的光譜曲線，使林地與水體的分類結果較好，林地與水體的錯分現(xiàn)象明顯減少，林地的錯分率從2.42%降至1.52%，水體的錯分率從7.26%降至4.53%。相較于去陰影前高大建筑中的陰影錯分為水體的區(qū)域有所降低，錯分率從3.83%降至0.18%，但是在陰影邊緣區(qū)域，部分林地被錯分至建筑物類別，主要原因是在陰影邊緣區(qū)域的光譜曲線與城市高大建筑陰影區(qū)域較為接近，城市高大建筑物陰影區(qū)域錯分減少的同時，囊括了山地陰影邊緣區(qū)域。

4 結束語

針對丘陵地區(qū)中陰影對高光譜影像分類精度的影響，本文提出一種融合決策樹的陰影檢測結合基于波段回歸模型的陰影去除方法，有效地減弱了丘陵地區(qū)陰影對高光譜影像分類精度的影響。通過陰影去除前后的BP神經網絡分類結果進行比較，陰影去除后的OA整體分類精度較陰影去除前提高了0.78%，Kappa系數(shù)提高了0.013。陰影去除后雖然提高了分類精度，但是去除陰影后，區(qū)域中原有的地物信息也被掩蓋，所處地理位置不同的陰影區(qū)域擬合的結果也與鄰近區(qū)域的色度、飽和度和明度存在擬合過度的現(xiàn)象，所以自適應的高光譜陰影去除是后續(xù)進一步研究的重點。