NWFE結合紋理特征的SVM土地覆被分類方法研究

崔林林，羅 毅，包安明

NWFE結合紋理特征的SVM土地覆被分類方法研究

崔林林1，2，羅 毅1，包安明1

(1.中國科學院新疆生態與地理研究所，烏魯木齊 830011;2.中國科學院研究生院，北京 100049)

為提高土地覆被分類精度，采用非參數權重特征提取(nonparametric weighted feature extraction，NWFE)結合紋理特征的支持向量機(support vector machines，SVM)的分類法，對新疆瑪納斯河流域綠洲區2006年的土地覆被進行分類，并將該方法與主成分分析(principal component analysis，PCA)結合紋理特征的SVM分類、原始波段結合紋理特征的SVM分類進行對比。結果表明，NWFE結合紋理特征的SVM分類結果優于其他2種分類結果，不僅反映了土地覆被分布的整體情況，而且使不同土地覆被類型得到較好的區分，總體分類精度達89.17%。

非參數權重特征提取(NWFE);支持向量機(SVM);土地覆被分類

0 引言

遙感土地覆被分類是指根據遙感圖像中的像元在不同波段的光譜亮度、空間結構特征及其他信息，按照某種規則或算法進行的土地覆被分類［1］。目前，應用遙感圖像進行土地覆被分類已成為國土資源監測、作物監測及氣象災害監測等方面的核心工作［2］，而分類結果的精度直接影響遙感資料在這些領域的應用［3］。不同地物光譜之間的混淆問題是影響遙感圖像分類精度的重要因素之一，這一問題造成地物類別的錯分、誤分現象，導致分類精度降低。因此，如何提高土地覆被分類精度一直是遙感應用研究的難點和熱點之一。

為解決這一問題，近年來國內外學者研究和發展了很多方法，其中最常用的是光譜解混及其改進算法。國內還有學者提出了其他方法解決這一問題，如關澤群等［4］利用地物的集合屬性修正分類，在一定程度上避免了分類中的光譜混淆問題;錢樂祥等［5］運用歸一化光譜混合分析(normalized spectral mixture analysis，NSMA)方法較好地解決了陰影與低反照率地物之間的混淆問題，提高了城市地表組成估計的精度;汪閩等［6］著眼于高分辨率遙感圖像更加突出的光譜混淆現象，設計開發了光譜、形狀相結合的多精度圖像分割算法。但Kuo等［7］提出的“注重局部信息”的非參數權重特征提取(nonparametric weighted feature extraction，NWFE)算法目前還沒有被用于解決覆被分類中的光譜混淆問題。NWFE只用于特征提取，需要和其他分類算法配合使用。Vapnik等人在20世紀90年代提出的基于統計學習理論的支持向量機(support vector machines，SVM)是一種實現結構風險最小化準則的機器學習方法，是一種求解模式識別的有效工具，具有良好的泛化能力和防過度學習能力，已在未知病毒監測［8］、圖像分類［9］、語音識別［10］等諸多領域得到了良好的應用;而主成分變換［11］則是一種理論成熟和應用廣泛的特征提取方法。

本文以新疆瑪納斯河流域綠洲為研究區，利用NWFE結合紋理特征的SVM方法進行土地覆被分類，并選擇主成分特征提取波段和原始圖像作為比較基準，對NWFE特征提取方法和NWFE結合紋理特征的SVM分類法進行評價。

1 分類方法

1.1 NWFE特征提取法

NWFE的主要思想是對每一個樣本賦予不同的權重計算局部均值、定義新的非參數類間和類內離散矩陣以獲得更多的特征，該方法特別強調“局部信息的重要性”［7］。非參數類間離散矩陣定義為

綜上，非參數類內離散矩陣定義為

最優特征由優化的準則確定，即

式中:Sw為非參數類內離散矩陣;Sb為非參數類間離散矩陣。

1.2 SVM 分類法

SVM起源于1960年Vapnik等設計的最優超平面，到1990年結合Kernel學習法演變為非線性識別函數。最優超平面不但要求把類別準確分開，而且還要求分離間隔最大化。假設由兩類別組成的大小為m 的訓練樣本集 A={(xi，yj)|x∈RN，y∈(±1)，i=1，2，…，m}。

對于線性情況，求解最優超平面的問題可以轉換為如下二次規劃問題，最優識別函數為

式中:α為Lagrange算子;h為分類閾值。

線性不可分時，需要引入非負的松弛變量ξi(i=1，2，…，m)和錯分懲罰因子 C，求得的最優識別函數與式(7)相同。而對于非線性的情況，需將原始特征向量通過非線性函數F(x)映射到高維線性特征空間，在該高維線性特征空間中構造最優超平面，并得到最優識別函數

式中k(xi，xj)=F(xj)·F(xj)被稱為核函數。常見的核函數有線性核函數k(xi，x)=xi·x，多項式核函數 k(xi，x)=(xi·x+1)d，徑向基核函數 k(xi，x)=exp(－‖x－xi‖2/2σ2)和 Sigmoid核函數 k(xi，x)=tanh(αxi·x － b)。

SVM最初是針對兩個類別的分類而提出來的，如何將其推廣到多類別分類仍是目前SVM研究的重要內容之一。目前，SVM解決多類別分類問題主要有兩個方向［12］:①通過構造多個SVM二值分類器，并將它們有機組合起來實現多類分類，這類分類器有“一對一”、“一對多”和“多對多”分類器;②在優化公式中同時考慮所有子分類器的參數優化，通過求解該最優化問題一次性實現多類分類。雖然第二類方法思路簡潔，形式簡單，但是計算復雜程度高、難度大，所以很少使用。第一類方法最常用且性能較優，本文就是使用該類方法中的“一對一”組合的SVM分類器。

2 應用試驗

2.1 試驗區概況和數據源

試驗區瑪納斯河流域位于天山北坡的準噶爾盆地南緣，南起依連哈比爾尕山北坡分水嶺，與和靜縣毗鄰，北接古爾班通古特沙漠，與和布克塞爾縣、福海縣分界，東起塔西河，西至巴音溝河，地理位置處于 E85°01'～86°32'，N43°27'～45°21'之間，總面積約2.29×104km2，地勢南高北低。為干旱半干旱地帶，綠洲內部呈典型大陸性氣候，降雨量集中且年季變化大。綠洲區以旱地為主，主要植被類型為人工植被和天然草場。

采用2005年瑪納斯流域的LUCC數據和2006年7月31日獲取的Landsat 5 TM數據［13］進行方法應用試驗。試驗選所區圖像為695行 ×843列大小。

遙感數據的預處理包括地形糾正和FLASSH大氣校正。利用可變經驗參數算法(variable empirical coefficient algorithm，VECA)［14］進行地形糾正，采用ENVI 4.7軟件中自帶的FLASSH大氣校正模塊完成大氣輻射校正，形成反射率圖像。

2.2 特征提取

祁享年［15］的研究結果表明，SVM在實際應用中表現出的性能取決于特征提取的質量和SVM性能兩個方面，而前者是決定分類效果好壞的關鍵。根據實地調查情況和中國科學院土地資源分類系統，將試驗區土地利用類型分成耕地(C1)、林地(C2)、草地(C3)、水域(C4)、建設用地(C5)和未利用土地(C6)6類。在TM圖像上廣泛選取了748個訓練樣本和360個測試樣本，使訓練樣本和測試樣本具有代表性。對試驗區TM圖像進行NWFE法特征提取和主成分分析(principal component analysis，PCA)，NWFE的結果如表1所示。

從兩個方面比較NWFE特征波段與PCA特征波段組合的可分性:①相同的波段數(NWFE 1—6，PCA 1—6);②方差貢獻率相近時的波段數(NWFE 1—5，PCA 1—3)。可分性的判定標準是Jeffries－Matusita(JM)距離［16］，這個參數的值在 0 ～2.0 之間，當值大于1.9時說明地物之間可分性較好。按相同波段數和相近累積方差貢獻率的波段組合分別計算出JM距離(表2)。

表2 NWFE和PCA特征波段組合的JM距離比較Tab.2 Comparison of the JM distance for NWFE and PCA band combinations

從表2可以看出，無論是相同特征波段數的組合還是相近累積方差貢獻率的特征波段組合，NWFE對應的波段組合的可分性都優于PCA。雖然NWFE和PCA都是對相同的感興趣區提取圖像信息，但是所提取的特征波段中包含的信息則有差別。NWFE算法以各類地區對應的感興趣區為基礎，計算各類地物之間和地物內部各個樣本之間的距離，然后利用類間距離和類內距離的比值作為各類地物間的可分性信息。在這種可分性信息的基礎上求出其對應的特征向量，并進行從大到小排序，則NWFE的第i個新分量就是原始圖像以第i個特征向量的各分量為權重的加權和，它綜合了原始波段的各地物的可分性信息，所以能很好地反映所感興趣地物的原有特征。PCA同樣以相同的感興趣區為基礎，計算感興趣的總的協方差矩陣，然后求出對應的特征值和特征向量，并將特征值和特征向量排序(特征值大小代表方差大小，方差大小代表信息量大小)，接著將原始圖像以各特征向量的每一分量為權重進行加權求和求出各個主成分。其中，第一主成分包含大部分的綜合信息量(方差最大)，其余主成分所含信息量依次迅速減小。

通過上面的分析可知，NWFE強調的是所感興趣的地物之間的可分性信息，而PCA強調的是綜合信息的機械壓縮，在盡可能不丟失信息的情況下用幾個綜合變量描述原有變量。所以對于地物之間光譜相似的問題，利用NWFE算法進行特征提取是一個較好的選擇。但從表2可知，僅僅依靠光譜特征，地物之間的可分性并不足以滿足分類需要。光學遙感圖像的信息特征除光譜信息特征外，還有空間信息特征，紋理特征就是空間信特征的一種。舒寧［17］指出，在遙感圖像專題信息提取中，在原始圖像光譜信息的基礎上加上紋理信息可以使分類的準確性和精度提高;而Baradld等［18］則認為對于遙感圖像來說，角二階矩、均一性、相異性和熵等4種紋理特征提取的效果最好。所以，本文選擇NWFE的第一個特征波段的3像元×3像元窗口生成這4種紋理特征，并與NWFE的前5個特征波段組合一起用于分類。該組合最小的JM距離是1.959 6，各個地物類的可分性較好。為了與其比較，分別用PCA 1—5(與選擇NWFE特征波段相同)、PCA 1—3(與選擇的NWFE特征波段累積方差貢獻率相近)和原始波段TM 1—7與PCA 1的3像元×3像元窗口生成的同樣4種紋理特征組合成特征波段用于SVM分類。

2.3 SVM 分類

利用SVM分類首先要確定核函數，Roli等［19］的研究表明，徑向基核函數(radial basis function，RBF)核的分類精度一般高于多項式核和Sigmoid核，線性核的精度最低。而且，多項式和Sigmoid核函數所需參數比RBF核函數多，所以本文選擇RBF核函數。

Vapnik［20］的研究表明，核函數的類型與 SVM的性能關系不大，核函數的參數和誤差懲罰因子C是影響SVM性能的主要因素;謝承旺［21］也指出，SVM核函數選擇合適的參數對分類器的效果很重要。因此，在使用SVM進行分類或預測時，如何確定合適的參數就顯得非常重要。RBF核函數需要確定2個參數:核參數g和懲罰因子C。通常可采用交叉驗證算法來確定［22］。經驗證明，以指數增長方式(C=2－5，2－3，…，215;g=2－5，2－3，…，215)搜索是快速確定C和g參數的比較好的辦法。本文選擇Libsvm 3.0軟件提供的參數選擇模型Grid.py來確定C和g的取值。NWFE及其紋理特征組合，PCA 1—5、PCA 1—3、原始波段TM1—7及其紋理特征組合的最佳SVM模型參數分別為C=8，g=2;C=128，g=2;C=2，g=8;C=32，g=0.5。

使用上述最佳參數構建的SVM分類器對研究區4種特征波段組合進行分類，其結果如圖1所示。

圖1 分類結果Fig.1 Classifacation images

從圖1可以看出，NWFE 1—5及紋理特征組合的SVM分類效果最好。為了定量評價分類模式的有效性，利用混淆矩陣分別對這4個波段組合的SVM分類結果進行評價(表3)。

表3 SVM分類混淆矩陣Tab.3 Confusion matrix of SVM classification

2.4 試驗結果分析

從分類結果(圖1)可以看出，圖1(d)的分類效果最為理想，而圖1(a)的分類效果不是很理想。圖1(d)與其他3個圖相比地物類多為面狀分布，而其他3個圖中地物分布比較細碎(如圖1(c)中對應的E區域)。通過圖像對比可以發現，圖1(a)，(b)，(c)中地物被誤分的現象較多，但總體上看圖1(c)分類結果要優于圖1(a)，(b)。針對前3張圖，以圖1(c)中A，B，C，D對應區域為例加以討論:①區域A，B中的建設用地被誤分為了草地，這可能由于草地本身就存在于建設用地中的緣故;②區域C中，未利用土地被誤分為了建設用地，這主要的原因可能是兩者的光譜相似性較高;③區域D中誤把耕地分為植被，這或許是因為這個區域靠近水庫，地下水位較高導致地表含水量較多，影響了地物的光譜。當然，除了D區域外其他3個區域在圖1(d)中都得到了很好的區分。從視覺上可知，基于NWFE結合紋理特征組合的SVM分類結果優于其他3種特征波段組合的SVM分類結果。

從表3中各分類結果混淆矩陣的對比分析可知，NWFE 1—5及紋理特征的SVM分類結果中各地物類別精度都比較均衡且較高(都大于70%);而其他3個組合的SVM分類結果的分類精度起伏較大，且最低精度都小于70%，特別是PC 1—3及紋理特征組合的SVM分類結果精度最小的只有58.33%，不能滿足應用要求。TM原始波段及紋理特征組合的SVM分類精度對C1，C2，C3，C4的分類精度都大于等于NWFE 1—5及紋理特征的SVM分類結果精度，但對C5，C6的分類精度相對較低，雖然滿足應用需求，但總體效果比NWFE 1—5及紋理特征的SVM分類效果差。從總體精度來看，NWFE 1—5及紋理特征組合的SVM分類結果的總體分類精度與原始波段TM 1—7及紋理特征組合的SVM分類總體精度相當，而比PC 1—3及紋理特征組合和PC 1—5及紋理特征組合的SVM分類總體精度分別提高提高了9.17%和2.50%。這也說明基于NWFE與紋理特征相結合的SVM分類不但降低了分類波段的維數，而且取得了很好的分類效果。

試驗區中由于水庫的存在使得地下水位較高，再加上氣溫高蒸發量大使得表土積鹽嚴重，所以地表作物和植被長勢受到影響，而地表含水量較多又進一步影響了地物的光譜曲線。同時由于圖像空間分辨率為30 m，在地類交界處的像元中可能包含多種類別，分類是逐像元進行，其混合像元造成誤分。SVM通過引入RBF核函數進行非線性變換將樣本非線性地映射到一個更高維的空間，通過提取地物類別的非線性特征增強了它們之間的線性可分性，而NWFE又提供了注重局部信息的特征提取方法。通過本次試驗可以看出，NWFE結合紋理特征的SVM分類是一種有效的土地覆被分類方法。

3 結論

1)非參數權重特征提取(NWFE)算法對本次研究的試驗區是一種很好的特征提取方法，與主成分分析(PCA)相比，能夠有效地提高地物類別之間的可分性并壓縮數據量。

2)在遙感圖像分類中，充分利用其紋理特征輔助光譜信息進行分類能夠增大地物之間的可分性(實驗中，加入紋理信息后地物之間的可分性從JM距離最小為1.568 6提高到JM距離最小為1.959 6)。

3)NWFE結合紋理特征的SVM分類方法用于土地覆被分類是可行的，并且有較高的分類精度(高達89.17%)，這與TM原始波段結合紋理特征的SVM分類精度持平。

4)NWFE方法與SVM分類方法仍然存在一些問題，有待一步研究。NWFE方法雖然能提高地物之間的可分性，但由其原理可知該方法提取的各特征波段之間仍然存在相關性，這使得各波段之間的可分性信息重合，由此可知該方法在增強地物可分性上還受到一定限制。如何解決這一問題，將是今后NWFE方法研究的一個重要方向。隨著屬性數據特征的增多，SVM核函數參數的確定需要耗費較多時間。如何改進核函數參數的求解方法也將是今后SVM方法的一個研究方向。

［1］ 王 靜.土地資源遙感監測與評價方法［M］.北京:科學出版社，2006:60 －61.

［2］ 喻小倩，劉 娜，李 紅，等.基于線性光譜混合分解和最大似然分類相結合的土地覆被分類——以紅寺堡灌區為例［J］.國土資源遙感，2010(1):96 －100.

［3］ 孫秀邦，范 偉，嚴 平，等.遙感影像土地覆被分類研究進展［J］.中國農學通報，2007，23(9):607 －610.

［4］ 關澤群，劉繼琳，崔衛紅.利用地物的幾何屬性改進影像分類效果［J］.國土資源遙感，2001(1):31 －35.

［5］ 錢樂祥，崔海山.運用歸一化光譜混合模型分析城市地表組成［J］.國土資源遙感，2006(2):64 －68.

［6］ 汪 閩，萬其明，張大騫，等.光譜、形狀特征結合的多精度圖像分割算法與應用［J］.地球信息科學學報，2010(2):2261－2268.

［7］ Kuo B C，Landgrebe D A.Improved Statistics Estimation and Feature Extraction for Hyperspectral Data Classification［D］.Ph D Thesis and School of Electrical and Computer Engineering，Purdue University，West Lafayette，IN，Tech Rep TR － ECE，2001:1 －6.

［8］ 王 碩，周激流，彭 博.基于API序列分析和支持向量機的未知病毒檢測［J］.計算機應用，2010，27(8):1942 －1943.

［9］ 祁亨年，楊建剛，方露明.基于多類支持向量機的遙感圖像分類及其半監督式改進策略［J］.復旦學報:自然科學版，2004，43(5):781－784.

［10］朱志宇，張 冰，劉維亭.基于模糊支持向量機的語音識別方法［J］.計算機工程，2006，32(2):180 －182.

［11］ Tadjudin S，Landgrebe D A.Classification of High Dimensional Data with Limited Training Samples［D］.Purdue University，West Lafayette，IN，TR －EE 98 －8，April，1998:35 －82.

［12］唐發明，王仲東，陳綿云.支持向量機多分類分類算法研究［J］.控制與決策，2005，20(7):746 －749，754.

［13］中國科學院計算機網絡信息中心國際科學數據服務平臺［DB/OL］.［2011 －05 －31］.http://datamirror.csdb.cn.

［14］ Gao Y N，Zhang W C.Variable Empirical Coefficient Algorithm for Removal of Topographic Effects on Remotely Sensed Data from Rugged Terrain［C］//IGARSS’2007，IEEE，2007:4733 －4736.

［15］祁享年.支持向量機及其應用研究綜述［J］.計算機工程，2004，30(10):6 －9.

［16］ Richards J A，Jia X P.Remote Sensing Digital Image Analysis:An Introduction，4th ed.［M］.Berlin，Germany:Springer－ Verlag，2006.

［17］舒 寧.衛星遙感影像紋理分析與分形分維方法［J］.武漢測繪科技大學學報，1998，23(4):370 －373.

［18］ Barald A，Parminggian F.An Investigation on the Texture Characteristics Associated with Gray Level Co－occurrence Matrix Statistical Parameters［J］.IEEE Trans on Geosciences and Remote Sensing，1995，32(2):293 －303.

［19］ Roli F，Fumera G.Support Vector Machines for Remote Sensing Image Classification［C］//Proc of SPIE，2001:160 －166.

［20］ Vapnik V N.The Nature of Statistical Learning Theory［M］.New York:Springer，2000.

［21］謝承旺.不同種類支持向量機算法的比較研究［J］.小型微型計算機系統，2008，29(1):106 －109.

［22］ Keerthi S S，Lin C I.Asymptotic Behaviors of Support Vector Machines with Gaussian Kernel［J］.Neural Computation，2003，15(7):1667－1689.

Land Cover Classification with SVM Based on NWFE and Texture Features

CUI Lin － lin1，2，LUO Yi1，BAO An － ming1
(1.Xinjiang Institute of Ecology and Geography，Chinese Academy of Sciences，Urumqi 830011，China;2.Graduate School，Chinese Academy of Sciences，Beijing 100049，China)

Land cover classification based on remote sensing image is of significant importance to agriculture，forestry and environment monitoring.Algorithm of remote sensing information retrieval is always an important research topic in this field.This paper made an effort to combine the Nonparametric Weighted Feature Extraction(NWFE)and texture features with the Support Vector Machines(SVM)so as to achieve a higher classification precision.The combined approach was applied to land cover classification of the Manasi River oasis in Xinjiang in 2006，and was compared with approaches of SVM based on Principal Component Analysis(PCA)and texture features and based on original bands and texture features.The results show that the method of SVM combined with NWFE and texture features can capture not only the distribution of land cover but also the difference among land cover types.An overall classification accuracy of 89.17%is obtained，which is better than those of two other classification results.

nonparametric weighted feature extraction(NWFE);support vector machines(SVM);land cover classification

TP 751.1;TP 274;S 127

A

1001－070X(2012)01－0036－07

10.6046/gtzyyg.2012.01.07

2011－05－31;

2011－07－11

崔林林(1984－)，男，在讀碩士生，主要從事遙感制圖方法與應用方面的研究。E－mail:cuilinlin2010@hotmail.com

羅 毅(1966－)，男，博士，研究員，博士生導師，主要從事作物生長模型及水文模型研究。E－mail:luoyi.cas@gmail.com。

(責任編輯:李 瑜)