SVM結(jié)合多閾值分類的遙感影像公路水毀信息提取

方 留 楊，劉 天 逸，趙 孟 云，谷 永 云，賈 志 文

(1.昆明理工大學(xué) 國(guó)土資源工程學(xué)院，云南 昆明 650031； 2.云南省交通規(guī)劃設(shè)計(jì)研究院有限公司，云南 昆明 650200)

0 引 言

2018年11月3日，四川省甘孜藏族自治州白玉縣與西藏自治區(qū)江達(dá)縣境內(nèi)發(fā)生山體滑坡，滑坡體落入金沙江干流中堵塞河道形成了堰塞體。2018年11月12日，為了防止危害進(jìn)一步擴(kuò)大，政府決定對(duì)堰塞湖進(jìn)行人工開(kāi)挖泄流，堰塞湖開(kāi)挖后形成的洪流對(duì)迪慶藏族自治州、麗江市沿江公路造成嚴(yán)重破壞，其中德欽縣羊拉鄉(xiāng)與拖頂鄉(xiāng)通鄉(xiāng)公路全線癱瘓，沿江多座大橋被完全沖毀，整體受災(zāi)情況較為嚴(yán)重、損失巨大。因此，快速確定公路損毀位置與范圍等信息對(duì)災(zāi)害救援與災(zāi)后重建具有重要意義[1]。

公路災(zāi)后相關(guān)救援與重建等工作對(duì)前期不同時(shí)段的災(zāi)情信息有很強(qiáng)的依賴性。目前國(guó)內(nèi)外學(xué)者對(duì)采用遙感影像進(jìn)行信息獲取已有一定程度的研究。趙福軍使用面向?qū)ο蟮姆诸惙椒ㄍ瓿闪算氪ǖ卣馂?zāi)害信息與衍生災(zāi)害信息的信息提取[2]；曾濤等以高分辨影像作為數(shù)據(jù)源，對(duì)震后房屋尺度參數(shù)進(jìn)行深入分析與選擇，實(shí)現(xiàn)了震后房屋信息提取[3]；Hinz等基于復(fù)雜場(chǎng)景影像中的光譜、形狀、空間特征以及車輛檢測(cè)模塊，實(shí)現(xiàn)了城市中道路網(wǎng)的自動(dòng)提取[4]；Herumurti等提出了基于斑馬線的道路檢測(cè)方法，提高了城市道路網(wǎng)提取的精度與速度[5]；趙文智等著重利用公路的光譜特征，引入自適應(yīng)算法實(shí)現(xiàn)基于面向?qū)ο蟮姆椒▽?duì)道路信息進(jìn)行提取[6]。

縱觀國(guó)內(nèi)外研究現(xiàn)狀，基于面向?qū)ο蟮母叻直媛蔬b感影像信息提取方法已廣泛應(yīng)用于城市道路網(wǎng)提取與地震災(zāi)害檢測(cè)中，但采用面向?qū)ο蟮男畔⑻崛》椒▽?duì)山區(qū)公路進(jìn)行水毀檢測(cè)還缺乏系統(tǒng)性的研究。另外，目前基于遙感影像的水體信息提取大多依賴近紅外波段，對(duì)于沒(méi)有近紅外波段的RGB影像沒(méi)有通用的方法。為解決上述問(wèn)題，本文首先對(duì)各種影像特征進(jìn)行逐一實(shí)驗(yàn)，并選取出各類特征中的最優(yōu)值，確定公路水毀災(zāi)害遙感影像最優(yōu)分割尺度，然后提出一種亮度與光譜結(jié)合的自定義波段特征CCBS(Combination characteristics of brightness and spectral)結(jié)合多種影像特征對(duì)支持向量機(jī)分類結(jié)果進(jìn)行優(yōu)化的分類方法，分別提取災(zāi)前道路和災(zāi)后水體信息，并利用種子增長(zhǎng)法對(duì)災(zāi)后水體提取結(jié)果進(jìn)行優(yōu)化，最后將災(zāi)前道路映射至災(zāi)后水體上提取出公路水毀路段信息，以滿足在高分辨率遙感影像中對(duì)公路水毀路段信息進(jìn)行高精度提取的要求。

1 研究數(shù)據(jù)與方法

1.1 數(shù)據(jù)概況

本文研究區(qū)域?yàn)榻鹕辰赘裱呷沽鳚斡绊懴碌牡蠎c自治州德欽縣拖頂鄉(xiāng)S226縣道水毀路段，此路段受到開(kāi)挖堰塞湖泄流的影響，大部分公路被沖毀。本文選用兩幅經(jīng)過(guò)融合處理的高分2號(hào)(GF-2)影像圖進(jìn)行分析，如圖1所示，實(shí)驗(yàn)數(shù)據(jù)為公路水毀前和公路水毀后兩幅高分2號(hào)遙感影像，成像時(shí)間分別為2017年11月10日和2018年11月14日。裁剪出公路水毀信息嚴(yán)重的區(qū)域作為實(shí)驗(yàn)區(qū)域進(jìn)行研究，研究區(qū)中主要提取4類地物，分別是水體、公路、植被和其他。

圖1 研究區(qū)災(zāi)前災(zāi)后公路影像數(shù)據(jù)

1.2 技術(shù)路線

本文技術(shù)路線如圖2所示，首先對(duì)獲取的災(zāi)前、災(zāi)后影像進(jìn)行多尺度分割。在分割對(duì)象的基礎(chǔ)上，提取出分割對(duì)象的特征信息，人工選擇具有分辨度的特征建立閾值分類的規(guī)則集。采用支持向量機(jī)結(jié)合多閾值的分類方法，重點(diǎn)提取出災(zāi)前、災(zāi)后公路和水體信息，利用種子增長(zhǎng)法對(duì)災(zāi)后水體進(jìn)行優(yōu)化。最后對(duì)災(zāi)前公路分類所得到的結(jié)果信息和災(zāi)后水體分類結(jié)果信息進(jìn)行分析，兩者重疊部分即為提取出的公路水毀路段。

圖2 研究技術(shù)路線

1.2.1多尺度分割

本文采用的多尺度分割原理是：首先以像元為基礎(chǔ)，將小范圍內(nèi)像元合并為同質(zhì)性較高的分割對(duì)象，然后以緊致度因子、平滑度因子、形狀因子、光譜因子作為參考要素，再次合并分割對(duì)象。此時(shí)，分割對(duì)象異質(zhì)性將會(huì)不斷增大，當(dāng)異質(zhì)性到達(dá)設(shè)定的臨界尺度時(shí)，停止合并，設(shè)定的尺度參數(shù)會(huì)決定最終合并效果。區(qū)域異質(zhì)性包括光譜異質(zhì)性和形狀異質(zhì)性兩個(gè)方面。其中形狀異質(zhì)性由緊致度因子和平滑性因子組成[7]。影像對(duì)象異質(zhì)度用f表示，且異質(zhì)度包括以下4個(gè)變量：ω1(形狀權(quán)重)、ω2(緊致度權(quán)重)、h1(形狀異質(zhì)性)、h2(光譜異質(zhì)性)。計(jì)算公式為

f=ω1h1+(1-ω1)h2

(1)

式中：ω1表示規(guī)定的形狀權(quán)重，且0≤ω1≤1；h1為形狀異質(zhì)性、h2為光譜異質(zhì)性，其計(jì)算公式為

h1=ω2k1+(1-ω2)k2

(2)

(3)

式中：ω2表示規(guī)定的緊致度權(quán)重，且0≤ω2≤1；λi為第i波段所占權(quán)重；n為波段總數(shù)；σi為第i波段的光譜值的標(biāo)準(zhǔn)差；k1為分割對(duì)象緊致度參數(shù)；k2為分割對(duì)象邊界平滑度參數(shù)。

公式(4)～(5)分別是影像對(duì)象緊致度k1與影像對(duì)象邊界的平滑度k2計(jì)算方法：

(4)

(5)

式中：E表示對(duì)象邊界總長(zhǎng)度；N為組成對(duì)象的像素總數(shù)；S為對(duì)象最小矩形的周長(zhǎng)。

在面向?qū)ο蠓治鲋?，由于各類地物之間存在不同的形狀、光譜等特征，不同地物會(huì)存在各自最合適的分割尺度，這導(dǎo)致了各類地物選擇的分割尺度一般不同。因此，在對(duì)對(duì)象進(jìn)行分類和提取時(shí)，選擇最優(yōu)分割尺度是分割中的重要問(wèn)題[8]。本文采用局部方差法進(jìn)行最優(yōu)分割尺度選擇，當(dāng)尺度參數(shù)逐漸增加時(shí)，局部方差值趨于平穩(wěn)，直到局部方差不隨著尺度的變化而變化時(shí)，將此時(shí)的尺度定義為最優(yōu)尺度。方差變化率可以用來(lái)描述局部變化(Local variance，LV)與尺度變化之間的關(guān)系，如公式(6)所示，尺度一般不同。因此，在對(duì)對(duì)象進(jìn)行分類和提取時(shí)，選擇最優(yōu)分割尺度是分割中的重要問(wèn)題[8]。本文采用局部方差法進(jìn)行。

(6)

式中：LVj為尺度j對(duì)應(yīng)的局部變化值；LVj+1為尺度j+1對(duì)應(yīng)的局部變化值；ROCl為尺度j對(duì)應(yīng)的局部變化值變化率。

生成ROC曲線后，在ROC曲線的基礎(chǔ)上通過(guò)觀察局部方差的變化情況選擇最優(yōu)分割尺度。ROC曲線處于峰值點(diǎn)位置時(shí)的分割尺度都可以作為優(yōu)質(zhì)分割尺度，為了篩選出優(yōu)質(zhì)分割尺度中的最優(yōu)解，對(duì)所有選擇的分割尺度進(jìn)行對(duì)比，再通過(guò)目視觀察選擇出效果最好的影像分割結(jié)果，將其分割尺度作為最優(yōu)分割尺度。

1.2.2支持向量機(jī)結(jié)合多閾值分類方法進(jìn)行公路和水體信息的粗提取

本文在影像分割基礎(chǔ)上運(yùn)用支持向量機(jī)方法(Support vector machine，SVM)對(duì)影像進(jìn)行初次分類。支持向量機(jī)對(duì)影像進(jìn)行分類時(shí)，將訓(xùn)練樣本以最優(yōu)超平面為依據(jù)進(jìn)行分類，并使不同的訓(xùn)練樣本之間的間隔為最大值，在滿足分類精度的同時(shí)，將分類對(duì)象最大限度的區(qū)分開(kāi)，其主要思想為

k=1，2，…，n

(7)

式中：xk∈R，表示輸入模式；yk∈{±1}，表示目標(biāo)輸出；ω為權(quán)值向量；b為偏置。

多閾值分類主要通過(guò)提取各類地物的特征，將特征作為閾值參數(shù)，用以編寫(xiě)具有區(qū)分度的規(guī)則，實(shí)現(xiàn)影像對(duì)象中多種地物的分類[9]。根據(jù)遙感影像中不同目標(biāo)的不同特征屬性，采用一定的特征閾值提取目標(biāo)。多閾值分類的主要分類思想如公式(8)所示：

iffeature1>a，andfeature2>b，…，

thenclass1，elseclass2

(8)

本文多閾值分類規(guī)則集選用光譜特征、形狀特征、紋理特征和自定義特征指數(shù)。

(1) 光譜特征。光譜特征主要包括各波段的光譜均值，其公式為

(9)

(2) 形狀特征。形狀特征主要包括密度、長(zhǎng)寬比、面積，其中長(zhǎng)度、寬度、面積與像元數(shù)有關(guān)，密度公式為

(10)

式中：Var(x)和Var(y)為像素點(diǎn)x坐標(biāo)和y坐標(biāo)的方差，n為像素個(gè)數(shù)。

(3) 紋理特征。本文主要采用灰度共生矩陣法對(duì)紋理特征進(jìn)行描述，通過(guò)分析各類紋理值，選取能夠提取出公路的特征值GLCM進(jìn)行規(guī)則集創(chuàng)建。

(4) 自定義特征CCBS。對(duì)公路水毀災(zāi)害發(fā)生后的公路和水體遙感影像波段特征進(jìn)行分析，提出一種亮度與光譜結(jié)合的特征因子CCBS，提高對(duì)公路和水體的區(qū)分能力，如式(11)所示：

CCBS=[Brightness]+B-G×2

(11)

式中：Brightness為亮度，B為藍(lán)波段，G為綠波段。

通過(guò)對(duì)比災(zāi)前、災(zāi)后影像初次分類可以發(fā)現(xiàn)支持向量機(jī)分類方法存在錯(cuò)分或者漏分的情況，道路錯(cuò)分為其他地物的情況尤為明顯，此時(shí)嵌入多閾值分類方法可以進(jìn)一步完善分類結(jié)果。通過(guò)分析支持向量機(jī)與多閾值分類的優(yōu)勢(shì)，本文提出在公路水毀災(zāi)害信息提取中采取基于支持向量機(jī)結(jié)合多閾值分類的分類方法。此方法可以在支持向量機(jī)分類方法的基礎(chǔ)上，充分發(fā)揮多閾值分類的優(yōu)勢(shì)，將支持向量機(jī)分類后的結(jié)果進(jìn)行優(yōu)化，從而提高目標(biāo)分類類別的精度。

1.2.3種子增長(zhǎng)方法提取水體

本文實(shí)驗(yàn)數(shù)據(jù)中缺少近紅外波段，因此常規(guī)水體提取方法并不適用，僅有可見(jiàn)光波段的情況下，可以使用種子增長(zhǎng)法進(jìn)行水體提取。種子生長(zhǎng)法是從一個(gè)像元或者一片像元開(kāi)始，以設(shè)定的生長(zhǎng)規(guī)則來(lái)判斷相鄰像元的聚合或分離，并遍歷整幅影像，從而實(shí)現(xiàn)對(duì)影像所有連通區(qū)域的信息識(shí)別和提取[10]。本文將災(zāi)后影像中100%為水體的區(qū)域作為種子，以此區(qū)域?yàn)橹行南蛲鈹U(kuò)大，為種子對(duì)象創(chuàng)建候選對(duì)象緩沖區(qū)，再使用粗糙度等類間相關(guān)特征增長(zhǎng)水體。具體流程如圖3所示。

圖3 種子增長(zhǎng)法流程

1.2.4水毀路段提取

首先，將實(shí)驗(yàn)影像進(jìn)行地理空間坐標(biāo)配準(zhǔn)，分別提取出水毀災(zāi)害發(fā)生前與水毀災(zāi)害發(fā)生后的公路與水體影像信息，并將受災(zāi)前公路矢量映射至受災(zāi)災(zāi)后水面矢量上，即可得到水毀路段信息。

2 實(shí)驗(yàn)與分析

2.1 最優(yōu)尺度選擇

為了對(duì)實(shí)驗(yàn)區(qū)域遙感影像(如1.1節(jié)所述)進(jìn)行最優(yōu)尺度分割，選取波段權(quán)重、尺度參數(shù)、形狀因子、緊致度因子進(jìn)行實(shí)驗(yàn)，具體實(shí)驗(yàn)過(guò)程和結(jié)果如下：

(1) 波段權(quán)重。首先對(duì)影像進(jìn)行主成分分析，實(shí)現(xiàn)各光譜特征增強(qiáng)，然后對(duì)具有代表性地物的DN值進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果如表1所列。表1中主要對(duì)本文實(shí)驗(yàn)中波段的均值、方差、特征值與特征值百分比進(jìn)行分析統(tǒng)計(jì)，其中方差越大波段所占比重越大，表中3個(gè)波段比例大致為1∶1∶1，以此為參考進(jìn)行實(shí)驗(yàn)。

表1 波段光譜信息分析

實(shí)驗(yàn)結(jié)果如圖4a(1)～c(1)所示，僅對(duì)波段權(quán)重進(jìn)行設(shè)置，尺度參數(shù)、形狀因子、緊致度因子設(shè)置保持一致。圖4a(1)中RGB波段權(quán)重為0，0，1；b(1)中RGB波段權(quán)重為1，1，1；c(1)中RGB波段權(quán)重為2，1，1。本次試驗(yàn)中多尺度分割操作受到波段權(quán)重的影響不大，但各分割結(jié)果中也存在細(xì)微的差別；a(1)分割結(jié)果相較于c(1)、b(1)更為細(xì)碎，存在冗余部分；c(1)大多數(shù)植被分割較為細(xì)碎與其他地類分割結(jié)果較為相似，可能會(huì)對(duì)后續(xù)分類造成影響；b(1)相對(duì)分割效果最好。

(2) 尺度參數(shù)。在波段權(quán)重、緊致度因子、形狀因子設(shè)置不變的情況下，使用ESP2模型工具進(jìn)行最優(yōu)尺度參數(shù)分析及選擇，其結(jié)果如圖5所示。當(dāng)ROC值逐漸趨于平穩(wěn)時(shí)，ROC峰值點(diǎn)所對(duì)應(yīng)的分割尺度分別為11，31，39，在這3種分割尺度下，分割結(jié)果能和周圍對(duì)象有較好地區(qū)分。選用11，31，39這3種尺度分別進(jìn)行實(shí)驗(yàn)并對(duì)比實(shí)驗(yàn)結(jié)果，實(shí)驗(yàn)結(jié)果如圖4a(2)～c(2) 所示，a(2)中選擇的分割尺度為11，分割完成后對(duì)象過(guò)于細(xì)碎，存在過(guò)度分割現(xiàn)象，會(huì)對(duì)后續(xù)分類結(jié)果造成一定的影響；c(2)中選擇的分割尺度為39，有大量植被區(qū)域與其他地物分割至同一個(gè)對(duì)象中；b(2)中選擇分割尺度為31時(shí)分割效果良好。

圖4 不同條件下分割對(duì)比

圖5 ESP2模型插件分析結(jié)果

(3)形狀因子設(shè)置。形狀因子選擇時(shí)保證波段權(quán)重、尺度參數(shù)、緊致度因子設(shè)置保持一致。對(duì)形狀因子設(shè)置進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如圖4a(3)～c(3)所示。a(3) 形狀因子占權(quán)重為0.1，對(duì)應(yīng)的顏色權(quán)重占比過(guò)大，分割過(guò)于細(xì)微；c(3)形狀因子占權(quán)重為0.6，顏色因子僅有0.4，植被與其他地物在顏色特征上有較大的區(qū)別，但是不能很好地區(qū)分開(kāi)；b(3)形狀因子占權(quán)重為0.4，顏色因子占比為0.6，既能較好地利用形狀因子分割出道路，也能利用顏色因子分割出植被與其他地物，總體效果較好。

(4) 緊致度因子設(shè)置。緊致度因子與平滑度因子互補(bǔ)并同屬于形狀因子中，用來(lái)表示分割對(duì)象的緊密程度。在波段權(quán)重、形狀因子、尺度參數(shù)設(shè)置不變的情況下，對(duì)緊致度因子數(shù)值調(diào)整，結(jié)果如圖4a(4)～c(4)所示。a(4)緊致度因子占權(quán)重為0.1，水體兩側(cè)山體部分分割較為破碎；c(4)緊致度因子占權(quán)重為0.7，整體過(guò)于平滑；b(4)緊致度因子占權(quán)重為0.5，顯示效果較好。

通過(guò)對(duì)以上4種參數(shù)進(jìn)行實(shí)驗(yàn)對(duì)比，實(shí)現(xiàn)最優(yōu)分割效果，選取4種參數(shù)分別為：三波段權(quán)重取1∶1∶1，尺度參數(shù)取31，形狀因子取0.4，緊致度因子取0.5。

2.2 多閾值結(jié)合支持向量機(jī)分類

本文基于eCognition平臺(tái)的支持向量機(jī)(SVM) 分類功能進(jìn)行影像中公路、水體、植被與其他地物的初次分類處理，基于支持向量機(jī)分類基礎(chǔ)上，選用光譜特征、上下文特征、形狀特征、紋理特征和自定義特征指數(shù)作為多閾值分類的分類屬性進(jìn)行多閾值分類操作。

由于實(shí)驗(yàn)區(qū)內(nèi)影像僅存在可見(jiàn)光波段，無(wú)法利用其他波段對(duì)水體進(jìn)行提取，因此本次實(shí)驗(yàn)定義CCBS特征協(xié)助區(qū)分水體與公路。通過(guò)對(duì)災(zāi)前高分遙感影像的分析，目視選取出地物類別，經(jīng)過(guò)多次試驗(yàn)，生成合適的自定義光譜曲線的DN值，如圖6所示。相較于其他波段來(lái)說(shuō)，CCBS最顯著的特點(diǎn)就是對(duì)于公路與水體處CCBS有“一正一負(fù)”的DN值特征，更易于用來(lái)區(qū)分公路與水體，本文創(chuàng)建的主要規(guī)則集如表2所列。

圖6 不同特征下各類地物光譜曲線

表2 閾值分類規(guī)則集

為對(duì)比各分類方法效果，分別選取決策樹(shù)分類、隨機(jī)森林分類、閾值分類、支持向量機(jī)分類、支持向量機(jī)結(jié)合多閾值分類(本文方法)共5種分類方法進(jìn)行實(shí)驗(yàn)，結(jié)果如圖7所示。從圖7(a)和(b)中可以發(fā)現(xiàn)，由于實(shí)驗(yàn)區(qū)影像中存在大量裸地，光譜信息相較于公路較為接近，因此單獨(dú)使用決策樹(shù)分類、隨機(jī)森林分類方法對(duì)公路和水體信息的提取較為困難；圖7(c)為單獨(dú)采用閾值分類方法時(shí)的分類結(jié)果，可以發(fā)現(xiàn)道路輪廓提取并不完整，且同時(shí)存在大量錯(cuò)分現(xiàn)象，錯(cuò)分現(xiàn)象多出現(xiàn)于道路鄰接對(duì)象中；圖7(d)為單獨(dú)使用支持向量機(jī)時(shí)的分類結(jié)果，雖然道路提取有較好的效果，道路鄰接處的對(duì)象被很好地區(qū)分開(kāi)，但是在公路與其他類別的區(qū)分中仍存在錯(cuò)分現(xiàn)象；圖7(e)為采用支持向量機(jī)結(jié)合多閾值分類方法(本文方法)的分類結(jié)果，結(jié)果表明，本方法能夠較好地提取道路和水體信息，分類效果較好。

圖7 各實(shí)驗(yàn)方法分類結(jié)果

進(jìn)一步通過(guò)總體分類精度、Kappa系數(shù)2個(gè)指標(biāo)對(duì)各分類方法進(jìn)行定量評(píng)價(jià)。總體分類精度是正確分類的類別像元數(shù)與總的類別個(gè)數(shù)的比值；Kappa系數(shù)基于混淆矩陣計(jì)算，可以用來(lái)衡量分類的效果。本文采用總體分類精度、Kappa系數(shù)對(duì)支持向量機(jī)結(jié)合多閾值分類結(jié)果進(jìn)行評(píng)定。如表3所列，將本文提出方法的結(jié)果與實(shí)際分類結(jié)果進(jìn)行計(jì)算，生成混淆矩陣[19]。

表3 災(zāi)前影像支持向量機(jī)結(jié)合多閾值分類結(jié)果混淆矩陣

在混淆矩陣的基礎(chǔ)上計(jì)算得出5種方法災(zāi)前、災(zāi)后影像相應(yīng)總體分類精度與Kappa系數(shù)，如表4所列。

表4 災(zāi)前、災(zāi)后精度和Kappa系數(shù)

由統(tǒng)計(jì)結(jié)果可知，采用支持向量機(jī)結(jié)合多閾值分類方法對(duì)遙感影像進(jìn)行道路的提取，種子增長(zhǎng)方法對(duì)水體進(jìn)行提取，總體精度與Kappa 系數(shù)相較于其他方法有明顯優(yōu)勢(shì)。

2.3 局部水毀路段提取結(jié)果

通過(guò)種子增長(zhǎng)法對(duì)災(zāi)后水體提取，減少支離破碎的水體信息，水毀路段提取結(jié)果如圖8所示，提取出的災(zāi)后水體矢量較為完整，圖中不存在破碎圖斑。

圖8 種子增長(zhǎng)算法災(zāi)后水體提取結(jié)果

通過(guò)對(duì)災(zāi)前公路和災(zāi)后水體進(jìn)行疊加分析，提取結(jié)果如圖9所示，圖9中表示公路已經(jīng)發(fā)生水淹的路段信息，能夠得出公路已經(jīng)被水沖毀的區(qū)域信息情況。

圖9 水毀路段示意

2.4 大面積水毀路段提取結(jié)果

為進(jìn)一步驗(yàn)證本文方法對(duì)更大范圍水毀公路的檢測(cè)能力，選取同區(qū)域另一段受損里程更長(zhǎng)的路段進(jìn)行實(shí)驗(yàn)(影像面積擴(kuò)大約10倍)。首先，通過(guò)波段光譜信息分析與ESP2插件分別計(jì)算波段權(quán)重與尺度參數(shù)，再根據(jù)影像特征選取形狀因子與緊致度因子，4個(gè)參數(shù)取值分別為：三波段權(quán)重取1∶1∶1，尺度參數(shù)取56，形狀因子取0.5，緊致度因子取0.5。然后，采用支持向量機(jī)結(jié)合多閾值分類方法提取的道路信息，利用種子增長(zhǎng)方法提取災(zāi)后水體信息。從提取結(jié)果可知，在大范圍影像中，水體、植被、公路、其他類別中特征與小范圍實(shí)驗(yàn)中各類別特征具有一致性。以道路信息與水體信息為基準(zhǔn)，檢測(cè)公路水毀信息，最終提取效果如圖10所示。

圖10 大面積水毀路段示意

對(duì)提取精度進(jìn)行評(píng)定，混淆矩陣如表5所列。從混淆矩陣可知，災(zāi)前影像總體分類精度與Kappa系數(shù)分別為0.90，0.81，災(zāi)后影像種子增長(zhǎng)方法提取信息總體分類精度與Kappa系數(shù)分別為0.86，0.81，與小范圍實(shí)驗(yàn)相比基本保持一致，同樣優(yōu)于文中用作對(duì)比的其他方法，說(shuō)明本文方法具有一定普適性，可以較好地適應(yīng)“V”形高山峽谷水毀災(zāi)害易發(fā)區(qū)。最終得到公路水毀部分的長(zhǎng)度、面積信息如表6所列。

表5 災(zāi)前大面積水毀路段分類結(jié)果混淆矩陣

表6 公路水毀信息

3 結(jié) 語(yǔ)

本文對(duì)金沙江白格堰塞湖泄流潰壩影響下的迪慶自治州德欽縣拖頂鄉(xiāng)S226縣道水毀路段進(jìn)行分析，首先采用最優(yōu)分割尺度對(duì)高分辨率遙感影像進(jìn)行分割，然后通過(guò)支持向量機(jī)結(jié)合多閾值方法與種子增長(zhǎng)法對(duì)公路與水體進(jìn)行提取，最后將公路與水體的高精度提取結(jié)果通過(guò)疊加分析，快速提取出災(zāi)后公路水毀信息。實(shí)驗(yàn)結(jié)果表明：本文提出的支持向量機(jī)結(jié)合多閾值分類方法能夠很好地對(duì)高原山區(qū)地區(qū)進(jìn)行水毀公路信息提取，實(shí)驗(yàn)成果可以為后續(xù)開(kāi)展應(yīng)急救援和災(zāi)后重建工作提供數(shù)據(jù)基礎(chǔ)。