融合時間特征的高分辨率遙感影像分類

李亮， 應國偉， 文學虎， 何鑫

(四川省第三測繪工程院，成都　610500)

融合時間特征的高分辨率遙感影像分類

李亮， 應國偉， 文學虎， 何鑫

(四川省第三測繪工程院，成都610500)

摘要：為了充分利用歷史矢量數據，并考慮地物類別的時間關聯，提出了一種融合時間特征的高分辨率遙感影像分類方法。將歷史時期矢量數據與新時期遙感影像相結合，利用二次分割獲取像斑，通過支持向量機(support vector machine，SVM)算法獲取像斑類別及像斑的單時期后驗概率； 依據歷史時期及新時期像斑類別屬性的關聯，獲取定量表達時間特征的地物類別轉移概率； 加權組合像斑的單時期后驗概率與轉移概率，采用迭代方法獲取影像最終分類結果。在QuickBird影像上的實驗表明，該方法能夠有效引入時間特征及先驗知識，提高影像分類的精度。

關鍵詞：矢量數據； 遙感影像分類； 像斑； 支持向量機； 時間特征； 轉移概率

0引言

遙感影像分類是通過地物特征及判別法則確定影像中地物類別屬性的過程[1]，廣泛應用于土地覆蓋分類、信息提取[2-3]、變化監測[4]等領域。隨著傳感器技術的不斷發展，遙感影像的空間分辨率越來越高。面向對象的方法是高分辨率遙感影像分類中一種重要的方法[5-10]，可以有效抑制影像中椒鹽噪聲的影響。對象是指一系列空間上相鄰、光譜相似的像元的集合，又可以稱之為像斑[11]。像斑的可用特征豐富，包括光譜特征[12-13]、紋理特征[14]、幾何特征[15]及空間特征[16]。利用像斑的單一特征進行影像分類的精度有限，融合多特征的影像分類方法可顯著改善影像分類的精度[17]。

從時間上來看，地物類別的變化不是隨機的，而呈現出一定的關聯性。時間特征可以用來表達地物類別的時間關聯。在一定時期內，地物類別的改變相當程度上取決于人類活動。例如，人類對地表土地的利用和改造活動遵循當前的土地政策，在退耕還林時期，耕地轉換為林地的概率較大； 而在城市化建設時期，耕地轉換為居民地的概率就較大。目前，地物的時間特征在變化檢測方面已有不少研究[18-20]，然而在影像分類中應用還較少。在土地利用分類領域，現有影像分類方法僅以地物新時期的特征向量為依據，未能顧及地物歷史時期的土地利用類別，無法充分利用歷史時期土地利用矢量數據，限制了影像分類精度的提高。

本文針對高分辨率遙感影像分類問題，提出一種面向對象的融合時間特征的影像分類方法。以歷史時期土地利用矢量圖為基礎，對新時期遙感影像進行二次分割獲取像斑，利用地物類別轉移概率定量表達地物類別的時間特征。

1本文方法

首先將歷史時期土地利用矢量圖套合在新時期遙感影像上，以矢量圖的邊界為約束對遙感影像進行二次分割獲取像斑； 然后提取像斑的光譜特征及紋理特征，在訓練樣本基礎上，利用支持向量機(support vector machine,SVM)算法對像斑進行初始分類，獲取像斑的單時期后驗概率； 統計像斑在兩個時期的地物類別，計算地物類別轉移概率，將像斑的單時期后驗概率及轉移概率加權組合構建像斑的聯合后驗概率； 依據聯合后驗概率最大原則，對像斑重新進行分類，進而更新地物類別轉移概率，迭代此過程直到算法收斂。方法流程圖如圖1所示。

圖1　分類流程圖

1.1二次分割

二次分割以歷史時期土地利用矢量圖為邊界約束，對新時期遙感影像進行分割。通過柵矢套合將矢量格式的歷史時期土地利用圖疊加到柵格影像上，建立矢量圖中多邊形幾何要素到遙感影像的映射。多邊形要素在新時期遙感影像上會發生局部變化，導致多邊形內部光譜勻質性較低，因此對多邊形內部進行影像分割，獲取光譜勻質性較高的像斑。圖2所示的是矢量多邊形的二次分割示意圖。圖中灰色背景填充的單元格表示像元，單元格中的數字表示像元的灰度值。從圖中可以看出，矢量多邊形A經過二次分割后，內部新增2個多邊形B和C像斑，表示多邊形A在新時期發生了局部變化。

圖2　二次分割示意圖

1.2融合時間特征的像斑分類方案

令地物類別數目為m，地物類別集合Ω={Ω1,Ω2,…,Ωm}，新時期影像二次分割后的像斑數目為n，像斑在歷史時期土地利用矢量圖中的類別集合為C={C1,C2,…,Cn}，其中Ci表示第i個像斑的地物類別(1≤i≤n)，Ci∈Ω。令新時期遙感影像上像斑的特征向量集合為X={X1,X2,…,Xn}，其中Xi表示第i個像斑的特征向量(1≤i≤n)； 像斑在新時期遙感影像上的類別集合為T={T1,T2,…,Tn},其中Ti表示第i個像斑的地物類別(1≤i≤n)，且Ti∈Ω。本文立足于歷史時期的地物類別C和新時期遙感影像上的特征向量X，尋找新時期遙感影像上的最優分類結果T。利用像斑的單時期后驗概率及轉移概率的加權平均來構建像斑的聯合后驗概率。考慮特征向量為Xi、歷史時期地物類別為Ci的第i個像斑，其在新時期遙感影像上地物類別為Ωk(1≤k≤m)的聯合后驗概率，即

p(Ωk/Xi,Ci)=(1-λ)p(Ωk/Xi)+λp(Ωk/Ci) ,

(1)

式中，p(Ωk/Xi,Ci)為第i個像斑在新時期特征向量為Xi，歷史時期地物類別為Ci的條件下，其新時期地物類別為Ωk的聯合后驗概率；p(Ωk/Xi)為像斑的單時期后驗概率，表示新時期遙感影像上第i個像斑特征向量為Xi時，其地物類別為Ωk的條件概率； p(Ωk/Ci)為地物從類別Ci轉變為Ωk的轉移概率； λ為時間特征的歸一化權重，取值位于區間[0,1]上。λ決定了時間特征對影像分類的貢獻大小。λ值越大，則時間特征對應的權重越大。

式(1)中λ取值為0時，公式轉換為

p(Ωk/Xi,Ci)=p(Ωk/Xi) 。

(2)

式(2)是基于最大后驗概率的傳統影像分類方法的依據。其假設新時期的地物類別僅取決于像斑的特征向量，而與像斑過去的地物類別無關，依據像斑的單時期后驗概率來獲取影像分類結果。

式(1)中的λ取值為1時，公式轉換為

p(Ωk/Xi,Ci)=p(Ωk/Ci) 。

(3)

式(3)表明僅利用時間特征時，像斑在新時期遙感影像上的類別僅由像斑歷史時期的類別決定，而與新時期遙感影像的特征向量無關。

利用式(1)獲取了像斑的聯合后驗概率后，依據聯合后驗概率最大的原則，將像斑判別為聯合后驗概率最大值對應的類別，判別公式為

(4)

1.3像斑分類方案求解

表達像斑聯合后驗概率的式(1)中有兩個待求解的概率： 像斑的單時期后驗概率p(Ωk/Xi)和轉移概率p(Ωk/Ci)。

像斑的單時期后驗概率依據像斑在新時期遙感影像上的特征，度量其屬于某種地物類別的概率。文中采用SVM算法來獲取像斑的單時期后驗概率p(Ωk/Xi)。SVM是一種建立在VC維理論和結構風險最小化原理基礎上的機器學習方法，能夠較好地解決小樣本和高維度的分類問題。基于像斑的影像分類方法中，樣本像斑數目較少，像斑的特征向量維度較高， SVM算法可以較好地克服這些問題。傳統的SVM分類算法不支持后驗概率的輸出，許多學者對其進行了改進，使其能夠有效輸出后驗概率[21]。文中利用libsvm軟件工具包來獲取像斑的類別及單時期后驗概率。svmtrain是該軟件工具包中對訓練樣本進行訓練的函數，將函數中參數b值設置為1，則利用svmpredict函數對測試樣本進行分類時既可輸出類別也可輸出后驗概率。

轉移概率用來表達地物類別之間相互轉變的概率。轉移概率的獲取包括先驗知識和數據挖掘兩種方法。本文采用數據挖掘的方法來獲取地物類別轉移概率。通過SVM算法獲取像斑在新時期的地物類別，結合歷史時期地物類別，遍歷所有像斑，依據式(5)獲取地物類別轉移概率，即

(5)

所有地物類別的轉移概率組成一個大小為m×m的地物類別鄰接矩陣M，即

(6)

式中p(Ωj/Ωi)表示歷史時期地物類別為Ωi，新時期地物類別為Ωj的轉移概率。矩陣M中每行元素之和為1，且每個元素均不小于0。

從上述分析可以看出，融合時間特征的影像分類方法中，為了計算表達時間特征的地物類別轉移概率，需要已知新時期影像的分類結果，而獲取新時期影像分類結果需要已知地物類別的轉移概率，因此本文采用迭代的方法獲取最終的影像分類結果。算法步驟如下： ①結合歷史時期土地利用矢量圖，對新時期遙感影像進行二次分割獲取像斑； ②提取像斑的光譜及紋理特征，構建特征向量，選取若干樣本像斑，利用SVM算法獲取影像初始分類結果及像斑的單時期后驗概率； ③遍歷像斑，依據像斑在歷史時期和新時期的地物類別屬性，計算地物類別轉移矩陣； ④加權組合像斑的單時期后驗概率及轉移概率構建像斑的聯合后驗概率，依據聯合后驗概率最大原則更新影像分類結果； ⑤重復執行③④兩步，直到地物類別轉移矩陣不再發生改變。

2實驗分析

本次研究的實驗數據是武漢市武昌城區2002年的土地利用矢量圖和2005年的QuickBird多光譜影像(圖3)。土地利用矢量圖采用高斯-克呂格投影，投影中央經線為114°E，共有多邊形幾何要素220個，包含7種地物類別。影像包含藍、綠、紅、近紅外4個波段，大小為3 492×2 818像元，重采樣后影像的空間分辨率為2m。經過預處理后，矢量數據和影像數據均對應地面同一區域。圖3(a)為2002年的土地利用矢量圖，其中不同類別的多邊形要素用不同的顏色填充； (b)為2005年的QuickBird模擬真彩色影像； (c)為將矢量圖套合在遙感影像上的結果，其中紅色線條為多邊形邊界。

(a)2002年矢量圖 (b) 2005年影像 (c) 柵矢套合

圖3實驗數據

Fig.3Dataforexperiment

本文利用eCognition軟件對新時期遙感影像進行二次分割，即以2002年土地利用矢量圖為專題數據層，對2005年遙感影像進行多尺度分割。設置的分割尺度參數為400，形狀因子權重為0.25，緊致度權重為0.85。二次分割后，共獲取像斑323個。圖4是二次分割的示意圖。圖4(a)為二次分割后矢量圖與遙感影像的套合結果，(b)為原始矢量圖的一個矢量多邊形，(c)為該多邊形二次分割后的結果。

(a)柵矢套合 (b) 原始多邊形 (c) 二次分割結果

圖4二次分割示意圖

Fig.4Resultsofsubdivision

從圖4(b)(c)中可以看出，該多邊形2002年的類別屬性為裸地，在2005年影像上這部分裸地一部分開發為居民地，另一部分則尚未開發，長滿青草； 經過二次分割后，多邊形被劃分為3個像斑。

在二次分割的像斑基礎上利用SVM算法進行初始影像分類。SVM算法是一種監督分類方法，需要選取訓練樣本。高分辨率遙感影像中同類地物間的特征差異較大，例如湖泊由于葉綠素和泥沙含量不同，光譜差異較大，因此選擇訓練樣本像斑時要盡可能覆蓋地物類別的所有子類。文中共選取訓練樣本像斑22個，其中江水類別像斑3個、湖泊類別像斑3個、農田類別像斑3個、居民地類別像斑5個、裸地類別像斑2個、道路類別像斑3個、林地類別像斑3個。經過多次嘗試與對比，文中選取多項式核函數，設定多項式次數為3，在不顧及時間特征的條件下(λ=0)，利用SVM獲取初始分類結果(圖5(a))及像斑隸屬于各地物類別的單時期后驗概率。為了進行精度評定，通過目視解譯的方法人工制作了標準分類結果(圖5(b))。

(a)初始分類結果 (b) 標準分類結果

圖5初始分類結果和標準分類結果

Fig.5InitialandStandardclassificationresult

對比圖5(a)(b)可以看出，影像初始分類結果中大量的道路被分類器錯分為居民地，部分居民地也被錯誤劃分為裸地。這主要是因為道路、居民地和裸地均有著較強的反射，在遙感影像上對應的灰度值較高，光譜特特相似，因此分類器容易混淆。初始影像分類結果中還將部分湖泊錯誤劃分為林地(圖5(a)中箭頭所指區域)，這是因為部分湖泊中的葉綠素含量較高，導致光譜特征與林地相似，分類器無法正確將兩者區分，導致湖泊誤分為林地。

2.1權重確定實驗

時間特征權重λ不同，則影像分類的結果也不同。為了研究時間特征權重對影像分類精度的影響，文中將λ從0.1逐漸增大到0.9，分別進行影像分類，分類結果如圖6所示。

(a)λ=0.1 (b) λ=0.2 (c) λ=0.3

(d) λ=0.4 (e) λ=0.5 (f) λ=0.6

(g) λ=0.7 (h) λ=0.8 (i) λ=0.9

圖6不同時間特征權重的影像分類圖

Fig.6Imageclassificationmapswithdifferentweightsoftemporalfeature

當時間特征權重為0.1時，初始分類結果中部分誤分為居民地的道路區域(圖6(a)中黑色箭頭所指區域)被正確分類。這些區域2002年的地物類別為道路，在時間上，道路轉變為道路的概率大于道路轉變為居民地的概率，因此融合時間特征后，這些區域在2005年影像上能得到正確分類； 圖中部分居民地被誤分為裸地(圖6(a)中白色箭頭所指區域)，這部分區域在2002年的地物類別為居民地，雖然在時間上，居民地轉變為居民地的概率大于居民地轉變為裸地的概率，然而由于時間特征權重過小，導致居民地無法被正確劃分。時間特征權重增大為0.2時，圖6(a)中被誤分為居民地的道路區域進一步得到正確分類。時間特征權重為0.3時，圖6(b)中被錯誤劃分為居民地的湖泊得到正確判別(圖6(c)中箭頭所指區域)。時間特征權重增大為0.4時，圖6(a)中錯誤劃分為裸地的居民地區域被正確劃分。時間特征權重為0.5和0.6時，影像分類結果相同。圖6(e)中大量的湖泊被誤分為農田(箭頭所指區域)，這是因為時間特征權重較大，像斑的轉移概率與單時期后驗概率結合后，將湖泊誤判為農田。當時間特征權重上升到0.7后，影像分類的結果不再改變。此時圖6(g)中部分居民地被錯誤判別為農田(箭頭所指區域)，這是因為在時間上農田類別具有一定的穩定性，發生改變的概率較小； 當時間特征占主導時，這部分2002年為農田的像斑在新時期仍然被劃分為農田。

為了定量評價不同時間特征權重對影像分類精度的影響，繪制了影像分類精度隨時間特征權重變化的折線圖(圖7)。

從圖7中可以直觀看出，當時間特征權重為0時，此時未考慮像斑的時間特征，影像的總體分類精度為0.90，Kappa系數為0.82； 隨著權重從0增大到0.2，總體分類精度和Kappa系數呈上升趨勢； 時間特征權重為0.2時，總體分類精度和Kappa系數達到最大值，分別為0.94和0.89； 當權重繼續增大時，總體分類精度和Kappa系數開始下降； 權重增大為0.6后，總體分類精度和Kappa系數停止下降； 權重為0.7時，對應的總體分類精度為0.89，Kappa系數為0.81； 此后隨著權重增大到1.0，總體分類精度和Kappa系數均不再發生改變。這表明在影像光譜和紋理特征基礎上，輔以時間特征可以提高影像分類的精度，然而單獨利用時間特征或者賦予時間特征較大的權重，影像分類的精度會降低。不同時期遙感影像對應的最優λ值不同，需要通過多次嘗試，比較分類精度獲取最優的λ值。

文中設定λ=0.2進行影像分類，影像分類的混淆矩陣如表1所示。其中行表示地物的真實類別，列表示地物的檢測類別，表格中數字表示像元數目，單位為個。

表1　影像分類混淆矩陣

從表1中可以看出，除裸地外，其他地物類別的分類精度均較高。裸地的制圖精度僅為0.26，這是因為2005年真實地物類別為裸地的像斑，2002年的地物類別為湖泊，湖泊轉變為農田的概率大于湖泊轉變為裸地的概率，融入時間特征后，這部分像斑被錯誤劃分為農田，嚴重降低了裸地的分類精度。

2.2地物類別轉移矩陣

利用SVM算法獲取的影像初始分類結果較為準確，因此影像分類算法收斂速度較快。當λ=0.2時，經過5次迭代，算法收斂。穩定的地物類別轉移矩陣如表2所示，表中數據為地類間的轉移概率。

表2　地物類別轉移概率矩陣

表2中除了裸地外，對角線元素的數值都較大。這表明地物類別在時間上存在著一定的穩定性，不輕易向其他類別發生轉變。城市中裸地大部分用來進行居民地開發，因此裸地轉變為居民地的概率較大。湖泊轉變為農田的概率較大，為0.385 2，這一方面是受圍湖造田現象的影響，另外一方面是由于部分湖泊中葉綠素含量較高，在新時期遙感影像上可能被錯誤劃分為農田。

3結論

時間特征是遙感影像分析時的重要信息，本文方法實現了像斑時間特征和空間-光譜特征的加權組合，以像斑為單位進行影像分類，為融合時間特征進行影像分類提供了一條有效途徑。本研究在歷史時期土地利用矢量圖基礎上，結合新時期遙感影像，通過SVM及迭代算法分別獲取了像斑的單時期后驗概率及轉移概率，通過加權組合獲取了像斑的聯合后驗概率。

實驗結果表明，該方法能夠充分利用像斑的時間特征，有效提高居民地、道路等存在顯著時間特征地物的分類精度。該方法兼顧了時間特征和非時間特征，適合對同物異譜和同譜異物現象嚴重的高分辨率遙感影像進行影像分類。對于絕大多數地物類別可以得到較好的劃分，但是對于時間特征存在一定隨機性的地類(如裸地)，容易造成誤判。為了進一步提高影像分類的精度，在本文工作的基礎上，還需要針對不同類別地物設定不同的時間特征權重，同時引入像斑的形狀特征。

參考文獻(References)：

[1]趙紅蕊,閻廣建,鄧小煉,等.一種簡單加入空間關系的實用圖像分類方法[J].遙感學報,2003,7(5):358-363.

ZhaoHR,YanGJ,DengXL,etal.Aclassificationmethodbasedonspatialinformation[J].JournalofRemoteSensing,2003,7(5):358-363.

[2]曹凱,江南,呂恒,等.面向對象的SPOT5影像城區水體信息提取研究[J].國土資源遙感,2007,19(2):27-30.doi:10.6046/gtzyyg.2007.02.07.

CaoK,JiangN,LyuH,etal.TheextractionofwaterinformationinurbanareasbasedonSPOT5imageusingobject-orientedmethod[J].RemoteSensingforLandandResources,2007,19(2):27-30.doi:10.6046/gtzyyg.2007.02.07.

[3]孫永軍,童慶禧,秦其明.利用面向對象方法提取濕地信息[J].國土資源遙感,2008,20(1):79-82.doi:10.6046/gtzyyg.2008.01.18.

SunYJ,TongQX,QinQM.Theobject-orientedmethodforwetlandinformationextraction[J].RemoteSensingforLandandResources,2008,20(1):79-82.doi:10.6046/gtzyyg.2008.01.18.

[4]何春陽,陳晉,陳云浩,等.土地利用/覆蓋變化混合動態監測方法研究[J].自然資源學報,2001,16(3):255-262.

HeCY,ChenJ,ChenYH,etal.Landuse/coverchangedetectionbasedonhybridmethod[J].JournalofNaturalResources,2001,16(3):255-262.

[5]鄧媛媛,巫兆聰,易俐娜,等.面向對象的高分辨率影像農用地分類[J].國土資源遙感,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24.

DengYY,WuZC,YiLN,etal.Researchonobject-orientedclassificationofagriculturallandbasedonhighresolutionimages[J].RemoteSensingforLandandResources,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24.

[6]王琰,舒寧,龔龑,等.基于類別光譜變化規律的土地利用變化檢測[J].國土資源遙感,2012,24(3):92-96.doi:10.6046/gtzyyg.2012.03.17.

WangY,ShuN,GongY,etal.Landusechangedetectionbasedonclassspectralchangerule[J].RemoteSensingforLandandResources,2012,24(3):92-96.doi:10.6046/gtzyyg.2012.03.17.

[7]吳波,朱勤東,高海燕,等.面向對象影像分類中基于最大化互信息的特征選擇[J].國土資源遙感,2009,21(3):30-34.doi:10.6046/gtzyyg.2009.03.06.

WuB,ZhuQD,GaoHY,etal.Featureselectionbasedonmaximalmutualinformationcriterioninobject-orientedclassification[J].RemoteSensingforLandandResources,2009,21(3):30-34.doi:10.6046/gtzyyg.2009.03.06.

[8]BlaschkeT,HayGJ.Object-orientedimageanalysisandscale-space:Theoryandmethodsformodelingandevaluatingmultiscalelandscapestructures[J].InternationalArchivesofPhotogrammetryandRemoteSensing,2001,34(4/W5):22-29.

[9]WalterV.Object-basedclassificationofremotesensingdataforchangedetection[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2004,58(3/4):225-238.

[10]白穆,劉慧平,喬瑜,等.高分辨率遙感圖像分類方法在LUCC中的研究進展[J].國土資源遙感,2010,22(1):19-23.doi:10.6046/gtzyyg.2010.01.03.

BaiM,LiuHP,QiaoY,etal.NewprogressintheclassificationofhighspatialresolutionsatelliteimagesforLUCC[J].RemoteSensingforLandandResources,2010,22(1):19-23.doi:10.6046/gtzyyg.2010.01.03.

[11]TangYQ,ZhangLP,HuangX.Object-orientedchangedetectionbasedontheKolmogorov-Smirnovtestusinghigh-resolutionmultispectralimagery[J].InternationalJournalofRemoteSensing,2011,32(20):5719-5740.

[12]BenzUC,HofmannP,WillhauckG,etal.Multi-resolution,object-orientedfuzzyanalysisofremotesensingdataforGIS-readyinformation[J].ISPRSJournalofPhotogrammetryandRemoteSensing,2004,58(3/4):239-258.

[13]張倩,黃昕,張良培.多尺度同質區域提取的高分辨率遙感影像分類研究[J].武漢大學學報:信息科學版,2011,36(1):117-121.

ZhangQ,HuangX,ZhangLP.MultiscaleimagesegmentationandclassificationwithsupervisedECHOofhighspatialresolutionremotelysensedimagery[J].GeomaticsandInformationScienceofWuhanUniversity,2011,36(1):117-121.

[14]ZhaoYD,ZhangLP,LiPX,etal.Classificationofhighspatialresolutionimageryusingimprovedgaussianmarkovrandom-field-basedtexturefeatures[J].IEEETransactionsonGeoscienceandRemoteSensing,2007,45(5):1458-1468.

[15]萬幼川,黃俊.幾何和圖論特征對高分辨率遙感影像土地利用分類的影響[J].武漢大學學報:信息科學版,2009,34(7):794-798.

WanYC,HuangJ.Influenceofgeometricandgraphtheoreticalmeasuresonlandclassificationusinghigh-resolutionremotesensingimages[J].GeomaticsandInformationScienceofWuhanUniversity,2009,34(7):794-798.

[16]喬程,沈占鋒,吳寧,等.空間鄰接支持下的遙感影像分類[J].遙感學報,2011,15(1):88-99.

QiaoC,ShenZF,WuN,etal.Remotesensingimageclassificationmethodsupportedbyspatialadjacency[J].JournalofRemoteSensing,2011,15(1):88-99.

[17]蔡銀橋,毛政元.基于多特征對象的高分辨率遙感影像分類方法及其應用[J].國土資源遙感,2007,19(1):77-81.doi:10.6046/gtzyyg.2007.01.17.

CaiYQ,MaoZY.Amethodforclassificationofhighresolutionremotelysensedimagesbasedonmulti-featureobjectsanditsapplication[J].RemoteSensingforLandandResources,2007,19(1):77-81.doi:10.6046/gtzyyg.2007.01.17.

[18]李雪,舒寧,王琰,等.利用土地利用狀態轉移分析的變化檢測[J].武漢大學學報:信息科學版,2011,36(8):952-955.

LiX,ShuN,WangY,etal.Changedetectionbasedonland-usestatustransitionanalysis[J].GeomaticsandInformationScienceofWuhanUniversity,2011,36(8):952-955.

[19]BruzzoneL,SerpicoSB.Aniterativetechniqueforthedetectionofland-covertransitionsinmultitemporalremote-sensingimages[J].IEEETransactionsonGeoscienceandRemoteSensing,1997,35(4):858-867.

[20]BontempsS,BogaertP,TiteuxN,etal.Anobject-basedchangedetectionmethodaccountingfortemporaldependencesintimeserieswithmediumtocoarsespatialresolution[J].RemoteSensingofEnvironment,2008,112(6):3181-3191.

[21]吳波,張良培,李平湘.基于支撐向量機概率輸出的高光譜影像混合像元分解[J].武漢大學學報:信息科學版,2006,31(1):51-54.

WuB,ZhangLP,LiPX.Unmixingofhyperspectralimagerybasedonprobabilisticoutputsofsupportvectormachines[J].GeomaticsandInformationScienceofWuhanUniversity,2006,31(1):51-54.

Classificationofhighspatialresolutionremotelysensedimages

(責任編輯： 李瑜)

bytemporalfeaturefusion

LILiang，YINGGuowei，WENXuehu，HEXin

(The Third Academy of Engineering of Surveying and Mapping, Chengdu 610500, China)

Abstract:In order to make full use of the vector data in the historical period and the temporal relationship of the feature classes, the authors propose a classification method based on temporal feature fusion for high spatial resolution remotely sensed imagery in the paper. Image objects are generated using subdivision based on the vector data in the historical period and the remotely sensed imagery in the present period. SVM algorithm is adopted to get the initial class and posterior probability with a single period of the object. Class transition probabilities for description of temporal feature are calculated according to the class of the image objects in the historical and present periods. The iterative method is employed to get the final classification results after weighted combination of the posterior probability with a single period and the transition probability of the image objects. The experiment on QuickBird imagery shows the proposed method can exploit the temporal feature effectively and improve the accuracy of the image classification.

Keywords:vector data; image classification; object; SVM; temporal feature; transition probability

doi:10.6046/gtzyyg.2016.02.15

收稿日期：2014-10-21；

修訂日期：2015-03-02

基金項目：測繪地理信息公益性行業科研專項“衛星遙感與地面傳感網一體化的湖泊流域地理國情監測關鍵技術研究”(編號： 201512026)、四川省地理國情監測工程技術研究中心資助項目“基于時序遙感影像的土地利用變化檢測方法研究”(編號： GC201506)及四川省測繪地理信息局科技計劃項目“基于Web的四川省地理國情監測數據成果展示方法與實現” (編號： J2014ZC16) 共同資助。

中圖法分類號：TP 79

文獻標志碼：A

文章編號：1001-070X(2016)02-0091-08

第一作者簡介：李亮(1987-)，男，博士，主要從事遙感影像的智能化解譯研究。Email： liliang1987wuda@163.com。

引用格式： 李亮,應國偉,文學虎,等.融合時間特征的高分辨率遙感影像分類[J].國土資源遙感,2016,28(2):91-98.(Li L,Ying G W,Wen X H,et al.Classification of high spatial resolution remotely sensed images by temporal feature fusion[J].Remote Sensing for Land and Resources,2016,28(2):91-98.)