混合核特征加權(quán)SVM遙感濕地空間分類

劉　冰，吳　超，林　怡

(1.河南省航空物探遙感中心，河南 鄭州 450053；2.河南省電力勘測設(shè)計(jì)院，河南 鄭州 450007；3.同濟(jì)大學(xué) 測繪與地理信息學(xué)院，上海 200092)

?

混合核特征加權(quán)SVM遙感濕地空間分類

劉冰1，吳超2，林怡3

(1.河南省航空物探遙感中心，河南 鄭州 450053；2.河南省電力勘測設(shè)計(jì)院，河南 鄭州 450007；3.同濟(jì)大學(xué) 測繪與地理信息學(xué)院，上海 200092)

摘要：針對濕地空間信息的復(fù)雜性和SVM的分類性能，設(shè)計(jì)一種基于混合核函數(shù)的特征加權(quán)SVM分類模型，綜合利用多種特征信息，避免被弱相關(guān)特征所支配，從而提供更佳的映射性能和泛化能力。實(shí)驗(yàn)結(jié)果表明，該分類模型兼具良好的外推和內(nèi)推能力，能夠有效地融合不同信息源特征，得到更完整和準(zhǔn)確的分類結(jié)果，在總體精度、Kappa 系數(shù)等多項(xiàng)指標(biāo)上都表現(xiàn)出更高的水平。

關(guān)鍵詞：混合核；特征加權(quán)；支持向量機(jī)；濕地；分類

近年來隨著人口增加和經(jīng)濟(jì)發(fā)展，尤其是土地開發(fā)和城市化建設(shè)給濕地資源帶來巨大的壓力，造成濕地資源數(shù)量和類型的日益減少，濕地結(jié)構(gòu)與生態(tài)服務(wù)功能的破壞逐漸加劇。濕地的生態(tài)環(huán)境退化和可持續(xù)發(fā)展問題已經(jīng)成為當(dāng)前濕地研究的焦點(diǎn)問題。遙感技術(shù)具有觀測范圍廣、信息量大、獲取信息快、可比性強(qiáng)等優(yōu)點(diǎn)，近20年來已廣泛應(yīng)用于濕地資源調(diào)查、識別等研究中[1]。而濕地本身具有的類型多樣性、波譜易混性以及邊界不確定性等特點(diǎn)，對傳統(tǒng)的遙感分類方法提出新的要求[2]。

支持向量機(jī)(Support Vector Machine，SVM)[3-4]作為一種最新的也是最有效的統(tǒng)計(jì)學(xué)習(xí)方法，近年來在遙感影像分類中得到廣泛的應(yīng)用，而如何提高SVM的分類性能，也成為當(dāng)前眾多學(xué)者研究的熱點(diǎn)。如馬會敏[5]提出5種特征加權(quán)SVM算法，并從理論上證明在一定條件下相對間隔越大，SVM的泛化能力就越好；楊長坤等[6-7]提出一種多目標(biāo)優(yōu)化人工蜂群算法的遙感圖像自動分類算法(ABC-SVM)，克服傳統(tǒng)組合特征算法的缺陷，加快分類速度。

1基于光譜信息的多特征空間構(gòu)建

收集研究區(qū)域現(xiàn)有的土地利用、行政區(qū)劃等資料，結(jié)合遙感影像解譯標(biāo)志，選取樣本集。通過對樣本集的光譜特性進(jìn)行分析，構(gòu)建多特征空間。

考慮到不同樣本特征對SVM分類中的核函數(shù)計(jì)算有不同程度的影響，本文在前人學(xué)者研究的基礎(chǔ)上，針對濕地空間信息提取的復(fù)雜性和SVM的分類性能，構(gòu)建多維特征空間，在核函數(shù)和特征加權(quán)兩方面改進(jìn)SVM，有效避免核函數(shù)被弱相關(guān)特征所支配，從而提高SVM映射性能和泛化能力。其主要構(gòu)建流程如圖1所示。

圖1　基于混合核函數(shù)的特征加權(quán)SVM分類模型流程

Landsat系列影像的NIR,Red,Green標(biāo)準(zhǔn)假彩色合成，獲得植被和水體特征明顯，圖像層次好、植被顯示紅色，是濕地空間分析方面最常用的波段組合。

多光譜影像的光譜特征不僅是典型地物表現(xiàn)出的亮度值，還包括某些經(jīng)圖像變換處理后反映出的特征值。如歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)將多波譜數(shù)據(jù)變換成唯一的圖像波段顯示植被分布，是反映土地覆蓋植被狀況使用最廣泛的一種遙感指標(biāo)。纓帽變換(K-T變換)能消除多光譜圖像的相對光譜響應(yīng)相關(guān)性，對Landsat影像進(jìn)行纓帽變換后的前3個特征分量為：亮度，綠度，濕度。濕度分量反映土壤的濕度狀況，能有效區(qū)分濕地、水體、裸地[8]。

對多光譜遙感影像進(jìn)行NDVI指數(shù)的提取和K-T變換，并將NDVI圖、K-T變換后wet分量圖，以及4、3、2波段圖像，重新進(jìn)行波段組合，可構(gòu)成如圖2的五維多特征空間layers=[wet,NDVI,B2,B3,B4]，用于分類實(shí)驗(yàn)。

圖2　多特征空間layers

2基于混合核函數(shù)的特征加權(quán)SVM分類模型

2.1混合核函數(shù)的構(gòu)建

核函數(shù)是SVM的核心，它的選取在很大程度上影響著SVM模型的擬合能力和預(yù)測精度。為了構(gòu)建混合核SVM分類模型，先討論相關(guān)的核函數(shù)定義、定理和引理。

定義1(核函數(shù))：設(shè)φ是由空間X到特征空間F的映射，即φ∶x∈X→φ(x)∈F。對所有的x,z∈X，函數(shù)K滿足

(1)

則稱函數(shù)k(·,·)為核函數(shù)。

(2)

滿足Mercer條件的內(nèi)積函數(shù)k(xi,xj)稱為核函數(shù)。常用的一些核函數(shù)包括：

1)線性核函數(shù)：K(xi,xj)=(xi·xj)；

2)d階多項(xiàng)式核函數(shù)：K(xi,xj)=[(xi·xj)+1]d；

3)徑向基核函數(shù)：K(xi,xj)=exp(-γ·‖xi-xj‖2)；

4)雙曲正切核函數(shù)：K(xi,xj)=tanh(v(xi·xj)+d),v和d是某些常數(shù)，一般根據(jù)不同分類體系進(jìn)行確定。

引理1：令K1和K2是在X×X上的核，X?Rn，a∈R+，那么下面的函數(shù)也是核函數(shù)：

1)K(x,z)=K1(x,z)+K2(x,z)；

2)K(x,z)=aK1(x,z)。

多項(xiàng)式核函數(shù)和徑向基核函數(shù)，一個具有很強(qiáng)的外推能力，有全局優(yōu)勢；另一個則具有良好的內(nèi)推能力，局部性優(yōu)勢明顯。而把兩者結(jié)合起來的自定義混合核函數(shù)[9]，則能夠兼顧全局及局部，綜合兩者優(yōu)勢，且通過引理1可以證明該混合函數(shù)滿足核函數(shù)的條件[10]：

(3)

式中,λ∈(0,1)，λ一般在0.50～0.99之間，而且當(dāng)λ較大時，混合核函數(shù)的性能要優(yōu)良一些。

2.2基于信息增益率的特征重要性加權(quán)

在核函數(shù)的計(jì)算過程中，不同特征對分類的相關(guān)性是影響分類器性能的重要因素。考慮各個特征對分類的不同影響，避免核函數(shù)被一些弱相關(guān)或不相關(guān)的特征所支配，本研究把特征加權(quán)用于SVM分類模型[11]。

權(quán)重向量ω是特征加權(quán)的關(guān)鍵，常用的特征重要性度量方法有：信息增益、信息增益(比)率、Gini指標(biāo)、對稱不確定性和χ2檢驗(yàn)等。本文采用基于信息增益(比)率的評價(jià)函數(shù)進(jìn)行特征相關(guān)分析[12]。

設(shè)T為一個包含t個數(shù)據(jù)樣本的集合，有m個不同的類別Ci，i∈{1,2,3,…m}。一個特征A具有v個不同的值{a1,a2,…,av}，則利用A劃分集合T為{T1,T2,…,Tv}，其中Tj表示T中所有特征A取aj的樣本；Tij為子集Tj中屬于Ci類別的樣本集。根據(jù)A劃分T集合所需要的信息熵為

(4)

特征A的信息熵為

(5)

基于A劃分T集合的信息增益為

(6)

信息增益(比)率函數(shù)為

(7)

上述方法中，樣本集T中使GainRatio(A)最大的特征，類別區(qū)分度最高，對分類的重要性也最大，因此可以使用特征的信息增益率(GainRatio(featurei))來描述它的權(quán)重。

3分類實(shí)驗(yàn)與精度評定

3.1分類實(shí)驗(yàn)

實(shí)驗(yàn)數(shù)據(jù)為上海市崇明島最東端的Landsat 5 TM影像，位置大致為121°50′～122°05′E，31°25′～31°38′N，實(shí)驗(yàn)區(qū)面積約254.86 km2。實(shí)驗(yàn)步驟如下：

步驟2：對特征加權(quán)后的影像多維屬性集計(jì)算混合核函數(shù)。

步驟3：使用上述混合核函數(shù)和特征加權(quán)方式，并根據(jù)SVM算法構(gòu)建最優(yōu)分類決策面。

步驟4：基于最優(yōu)決策超平面，得到影像分類圖。

其中混合核參數(shù)值的選擇通過比較不同組合的分類精度，如表1所示，得出λ取0.9，多項(xiàng)式次數(shù)d取4時的分類效率和精度最好。

表1　λ和d不同參數(shù)值組合的分類精度表

以2005年的TM影像為例，實(shí)驗(yàn)區(qū)原始影像和分類結(jié)果如圖3、圖4所示。

圖3　實(shí)驗(yàn)區(qū)標(biāo)準(zhǔn)假彩色合成圖

圖4　基于混合核函數(shù)的特征加權(quán)SVM分類結(jié)果圖

3.2精度評定

為了驗(yàn)證上述分類模型的優(yōu)勢，本研究選擇最小距離法、徑向基核函數(shù)SVM分類法和多項(xiàng)式核函數(shù)SVM分類法這3種方法與上節(jié)中的方法進(jìn)行對比分析。以2005年為例，基于相同的訓(xùn)練樣本進(jìn)行分類，并利用相同的檢驗(yàn)樣本對4種分類方法的結(jié)果進(jìn)行定量分析，依據(jù)混淆矩陣的方法進(jìn)行精度評定。表2是本文方法的分類混淆矩陣，表3是4種方法的分類精度比較。

綜合分類結(jié)果圖和分類精度表，可得出以下結(jié)論：

1)3種SVM分類器的精度都遠(yuǎn)高于傳統(tǒng)的最小距離分類方法，其中本文構(gòu)建的基于混合核函數(shù)的特征加權(quán)SVM分類模型的總體精度最高，與徑向基核SVM相似，達(dá)到93%以上。

表2　基于混合核函數(shù)的特征加權(quán)SVM分類模型的混淆矩陣

表3　不同方法的分類精度

2)本研究的分類方法加入特征重要性加權(quán)的思想，充分利用優(yōu)勢特征，從水域等地物類別的使用者精度可以顯現(xiàn)出來。

3)除了能夠準(zhǔn)確地識別水域、綠地這種類別內(nèi)純度比較高的地物類型外，本研究的方法對建筑用地這種小斑塊地物的識別也非常有優(yōu)勢，如圖5所示，本研究的方法綜合徑向基核函數(shù)和多項(xiàng)式核函數(shù)的優(yōu)勢，在局部表現(xiàn)能力上較之單獨(dú)使用這兩種核函數(shù)更勝一籌。

圖5　3種SVM分類器局部分類效果比較

4結(jié)束語

本文結(jié)合實(shí)地調(diào)查數(shù)據(jù)，設(shè)置解譯標(biāo)志，構(gòu)建多特征空間，針對濕地空間信息提取的復(fù)雜性和SVM的分類性能，提出一種基于混合核函數(shù)的特征加權(quán)SVM分類模型，并與傳統(tǒng)最小距離分類、徑向基核函數(shù)SVM分類和多項(xiàng)式核函數(shù)SVM分類結(jié)果比較，分析評定結(jié)果得到以下結(jié)論：

混合核特征加權(quán)SVM分類模型不僅兼具良好的外推和內(nèi)推能力，并能有效避免被弱相關(guān)或不相關(guān)特征所支配，無論從整體還是局部都展現(xiàn)較高的分類精度；吸收模式識別理論和數(shù)據(jù)挖掘技術(shù)的精華，可以為分類后變化檢測處理的準(zhǔn)確度及自動化程度提供良好基礎(chǔ)。

本文的實(shí)驗(yàn)數(shù)據(jù)及對比方法還比較局限，如何針對多源遙感數(shù)據(jù)，改進(jìn)分類模型，同時與模式識別領(lǐng)域的多種分類方法進(jìn)行結(jié)合和分析，是下一步需要深入研究的重點(diǎn)。

參考文獻(xiàn)：

[1]解佳寧,王煒,周超.遙感技術(shù)在濕地資源監(jiān)測中的應(yīng)用[J].科技創(chuàng)新導(dǎo)報(bào),2010(27):121-122.

[2]劉冰,林怡.基于決策樹方法的ETM+影像濕地信息提取[J].測繪工程,2013,22(1):63-66.

[3]趙星濤，白瑞杰，王強(qiáng)，等.高光譜影像特征子集選擇方法[J].測繪科學(xué)，2015,40(8)：22-27.

[4]HUANG X，ZHANG L.An SVM ensemble approach combining spectral，structural，and semantic features for the classification of high-resolution remotely sensed imagery[J].Geoscience and Remote Sensing，IEEE Transactions on，2013，51(1)：257-272.

[5]馬會敏.幾種特征加權(quán)支持向量機(jī)方法的比較研究[D].保定：河北大學(xué),2010.

[6]楊長坤，王崇倡，張鼎凱，等.基于SVM的高分一號衛(wèi)星影像分類[J].測繪與空間地理信息，2015,38(9)：142-144.

[7]郭軍，馬金鳳，王愛學(xué).基于SVM算法和GLCM的側(cè)掃聲納影像分類研究[J].測繪與空間地理信息，2015,38(3)：60-63.

[8]孫步偉,趙萍,程雷,等.基于復(fù)合變換的濕地信息提取的決策樹方法研究.以安慶沿江湖濕地為例[J].安徽師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,32(3):271-276.

[9]SMITS G F,JORDAAN E M.Improved SVM regression using mixtures of kernels[C].Proceedings of the International Joint Conference on Neural Networks，2002,3：2785-2790.

[10] 黃瑜青.基于混合核函數(shù)的SVM在文本自動分類的應(yīng)用[J].計(jì)算機(jī)光盤軟件與應(yīng)用,2012(2):147-148.

[11] HAN Jiawei,KAMBER M.Data Mining：Concepts and Techniques[M].Second Edition.Beijing：China Machine Press，2006：296-300.

[12] 汪廷華,田盛豐,黃厚寬.特征加權(quán)支持向量機(jī)[J].電子與信息學(xué)報(bào),2009,31(3)：514-518.

[責(zé)任編輯：張德福]

Feature weighted-mixed kernel SVM for remote sensing wetland classification

LIU Bing1,WU Chao2，LIN Yi3

(1.Henan Aero Geophysical Survey and Remote Sensing Center，Zhengzhou 450053,China;2.Henan Electric Power Suevey&Design Institute，Zhengzhou 450007,China；3.School of Surveying and Geo-informatics,Tongji University,Shanghai 200092,China)

Abstract：In view of complexity of wetland information extraction and classification performance of the SVM classifier，this paper proposes a feature weighted-mixed kernel SVM classifier，which can utilize many kinds of feature information and avoid being dominated by weak correlation characteristics. Then better mapping performance and generalization ability can be realized.The experimental results show the classification model with good ability of extrapolation and push can effectively integrate different information source characteristics，which also achieve more complete and accurate classification results，with a higher classification accuracy on the index such as overall accuracy and Kappa coefficient.

Key words：mixed kernel；feature weighted；support vector machine (SVM)；wetland；classification

DOI:10.19349/j.cnki.issn1006-7949.2016.07.003

收稿日期：2015-05-29；修回日期：2015-09-25

作者簡介：劉冰(1988-)，女，碩士.

中圖分類號：P237

文獻(xiàn)標(biāo)識碼：A

文章編號：1006-7949(2016)07-0013-05