融合像元形狀和光譜信息的高分遙感圖像分類新方法

楊青山， 張華

(1.武漢大學遙感信息工程學院,武漢 430079； 2.中國礦業大學(徐州)環境與測繪學院,徐州 221116)

?

融合像元形狀和光譜信息的高分遙感圖像分類新方法

楊青山1， 張華2

(1.武漢大學遙感信息工程學院,武漢 430079； 2.中國礦業大學(徐州)環境與測繪學院,徐州 221116)

在高空間分辨率(簡稱“高分”)遙感圖像分類中，由于存在“同譜異物”等現象，僅依靠光譜信息進行分類的誤差較大。為提高圖像分類精度，提出一種融合像元形狀和光譜特征信息的高分多光譜遙感圖像分類新方法。首先利用像元及其鄰域的關系來描述其空間結構，計算并提取像元同質區域(pixel homogeneous regions,PHR)； 然后以所提取的同質區域為基礎，分別計算中心像元的長/寬比(length-width ratio,LW)和面積/周長比(area-perimeter ratio,PAI)這2個像元形狀特征； 最后將歸一化后的像元形狀特征和光譜特征融合，并利用支持向量機分類方法進行分類。以2個區域的QuickBird高分遙感圖像對該算法進行驗證，將實驗結果與僅利用光譜信息分類和僅使用像元形狀指數(pixel shape index,PSI)分類的結果進行比較。結果表明，所提出的方法得到的分類精度最高，該方法能有效地提高高分遙感圖像的分類精度。

像元同質區域(PHR)； 像元形狀指數(PSI)； 閾值； 高空間分辨率遙感圖像

0 引言

傳統的基于像元的遙感數據監督分類算法主要根據地物光譜數據，統計以像元為基本單元的圖像在不同光譜數據組合中的差別，對圖像進行分類。但由于“同譜異物”現象和大量混合像元的存在，基于像元光譜特征的分類方法往往不能達到滿意的分類效果。近年來國內外遙感研究人員提出了很多用于提高遙感圖像分類精度的方法來彌補僅依靠光譜特征進行分類的不足。鄭淑丹等[1]基于分形理論和灰度共生矩陣(gray-level co-occurrence matrix,GLCM)2種方法提取不同的紋理特征，結合光譜信息對遙感圖像進行最大似然監督分類，得到較高的分類精度。李厚強等[2]將紋理特征和歸一化的色度和飽和度輸入反向傳播(back prepagation,BP)神經網絡分類器進行遙感圖像分類，較好地解決了光譜特征相似地物的區分問題。陳秋曉等[3]從圖像分割獲得的影像中提取光譜特征和拓撲特征等信息，使影像易于識別和分類。張錦水等[4]基于支持向量機(support vector machine,SVM)的分類方法，利用復合光譜、紋理和結構信息等多特征數據對IKONOS高空間分辨率(簡稱“高分”)圖像進行分類，取得較高的分類精度。黃昕等[5]提出像元形狀指數(pixel shape index,PSI)，利用像元鄰域的光譜相似性探測其空間形狀特征，在高分遙感圖像分類中具有一定的優勢。Shackelford等[6]提出一種長度-寬度提取算法，用于提取光譜特性相似的一組像元的長度與寬度信息，并得出該算法適合對不同長/寬比對象進行分類的結論。Han等[7]提出的形狀尺寸指數(shape-size index, SSI)則是基于頻譜相似的同質區域中的中心像元及其相鄰像元的特征信息提取的。國內外學者已進行的分類研究表明，從遙感圖像中可以提取大量的形狀、紋理和空間關系等特征信息，用于提高分類精度。

本文提出利用PSI，根據像元及其相鄰像元共同表征的形狀特征來提取影像的形狀特征信息； 再將歸一化后的形狀特征和光譜特征輸入SVM進行高光譜遙感圖像分類； 詳細討論了像元形狀特征的提取方法以及長/寬比(length-width ratio,LW)和面積/周長比(area-perimeter ratio, PAI)以及融合二者的PL(PAI- LW)形狀特征對分類結果的影響； 并將實驗結果與僅利用光譜信息分類和僅使用PSI分類的結果進行比較。實驗證明，在分類算法中融入對像元形狀特征的分析，能夠提高分類精度。

1 像元形狀特征

定義相鄰像元之間光譜相似的區域為像元同質區域(pixel homogeneous regions,PHR)，在PHR的基礎上提取2種像元形狀特征指標，進行圖像分類。

1.1 PHR確定

為了提高對空間特征的分類精度，利用中心像元與其8個相鄰像元之間的頻譜相似性計算PHR。

1.1.1 確定邊緣像元

邊緣像元的計算公式為

(1)

式中：edge(i)為估計概率值，表示第i個像元屬于邊緣像元的可能性；N為波段的個數；edged(i)為d波段的edge(i)值。edge(i)值用于判斷d波段中的第i個像元是否是邊緣像元： 當edge(i)=1時，該像元是邊緣像元； 當edge(i)=0時則不是。edge(i)的值用Canny濾波器獲得。

1.1.2 計算光譜相似性

光譜相似性的計算公式為

(2)

式中：PH(i)為第i個像元與其周圍像元的光譜相似性； arg min為使目標函數取最小值時的變量值；Pd(i)和Pd(x)分別為d波段中的中心像元和與其相鄰像元的光譜值；x為與中心像元相鄰的8個像元。edge(i)值越大，該像元在此同質區域中的可能性就越小。

1.1.3 形成中心像元的PHR

給定一個閾值T，若PH(i)

(3)

重復進行光譜相似性計算和像元合并運算，直到沒有新的像元需要合并，最終得到中心像元i的PHR(圖1)。

圖1 像元形狀特征計算示意圖

圖1中紅色像元是中心像元，灰色像元是PHR中除中心像元和邊緣像元之外的所有像元，綠色像元是PHR的邊緣像元。在所求出的PHR中進行指標提取的計算，遍歷圖像的所有像元，計算每1個像元的形狀特征，并進行分類。

1.2 閾值設定

在構造PHR的過程中，用來與PH(i)進行比較的閾值通常都是人工設定的，可能會造成PHR提取結果有較大誤差。因此，本文采用自適應閾值的方法設定閾值。在本質上，圖像的邊緣像元可以表示整個圖像的局部不連續性，并可近似地表示整個圖像的特征，所以可利用PHR的邊緣像元獲得最佳閾值，即

(4)

式中：T(i)為第i個像元的PHR的閾值；Md為波段d中的像元數目；Xd(k)為邊緣像元在d波段中的光譜值。

1.3 像元形狀特征提取

本文在充分考慮相鄰像元的光譜相似性和相同形狀區域內的像元具有相近特征值的情況下，提出了2個像元PHR的形狀特征值，即長/寬比(LW)和面積/周長比(PAI)。

1.3.1 LW

LW的計算公式為

LW=PLength/PWidth,

(5)

式中：PLength為與中心像元所在的PHR具有相同標準二階中心矩的橢圓的長軸長度；PWidth為與中心像元所在的PHR具有相同標準二階中心矩的橢圓的短軸長度(參見圖1)。

1.3.2 PAI

PAI的計算公式為

PAI=PPerimeter/PArea,

(6)

式中：PPerimeter為中心像元所在PHR的邊緣像元個數之和；PArea為中心像元所在PHR內所有像元個數之和。當PHR面積相同時，PAI越大，則區域越復雜。形狀特征提取的優勢在于： ①考慮了邊緣像元； ②自適應閾值用于獲得PHR； ③多邊形的特征在不確定的窗口內。

2 實驗方法與步驟

本文的實驗方法是基于光譜和形狀特征，利用 SVM分類器進行分類： ①獲得1景高分多光譜圖像，用Canny濾波器[8]提取邊緣信息，得到模糊邊緣圖； ②基于Canny濾波器和原始圖像，用所設定的閾值計算每1個像元的PHR； ③基于模糊邊緣圖、自適應閾值、原始圖像以及基于PHR的像元形狀特征，獲得每1個像元的PHR； ④應用SVM分類器[9]對圖像進行基于光譜和形狀特征的分類。SVM分類器的核函數為徑向基函數(radial basis function, RBF)，采用交叉驗證獲取最優參數C和g的值[9]。PL為綜合了PAI和LW的分類結果。

實驗步驟如下：

1)獲取模糊邊緣圖。為了在求取原始圖像的最小變化值和保存邊緣信息時避免人工的干擾，采用中值濾波器，首先用一個3×3鄰域窗口對圖像進行運算； 然后用 Canny算法獲得濾波后圖像中的邊緣信息，得到edge(i)值； 最后用式(1)計算得到模糊邊緣圖。

2)按照前文提到的方法設定一個合適的閾值。

3)獲取像元的PHR。利用獲取的模糊邊緣圖，根據設定的閾值選取像元的PHR。

4)獲得像元的形狀特征集。形狀特征包括長/寬比(LW)和面積/周長比(PAI)。

5)基于SVM分類。將提取的像元形狀特征和多光譜特征均標準化為[0,1]，使所提取的形狀特征和多光譜特征集成1個整體特征(PL)； 然后應用SVM分類器對所集成的圖像進行分類。

3 實驗結果與分析

本文實驗采用遙感圖像和地面參考數據作為分類數據。分類算法是廣泛使用的基于Matlab7.8、由LIBSVM提供的SVM庫。用2個實驗論證本文提出的新方法。將像元形狀特征和光譜特征組合作為分類特征，輸入SVM分類器中進行分類。

3.1 實驗一

3.1.1 研究數據

實驗采用分層隨機抽樣的方法，從地面參考數據中分別抽取各類別樣本數據總數的1%作為訓練樣本數據集，其余數據作為檢驗樣本數據集。原始遙感圖像、地面實況圖像、實驗用樣本及提取的不同形狀特征圖像如圖2所示。

(a) 遙感圖像 (b) 地面實況(c) 訓練樣本

(d) 檢驗樣本(e) PAI (f) LW

圖2 實驗一樣本及形狀特征影像

Fig.2 Samples and shape feature of image for experiment 1

3.1.2 分類結果分析

圖2(e)(f)是提取的2種像元形狀特征，將其與圖像的光譜信息作為分類的特征信息輸入SVM分類器，分別對不同的形狀特征數據進行了分類，結果見圖3。

(a) 光譜分類 (b) PAI分類(c) LW分類

(d) PL分類(e) PSI分類

圖3 實驗一SVM分類結果

Fig.3 Results of SVM classification for experiment 1

通過實驗一可知，陰影、草地和樹木的光譜特性很相似，故僅使用光譜信息很難得到好的分類效果。要想提高分類精度，必須引入其他的分類特征信息。圖3(a)是僅使用光譜信息分類的分類結果； 圖3(b),(c),(d)和(e)分別是加入了PAI,LW,PL和PSI像元形狀特征后的分類結果。從表1可以看出，加入像元形狀特征后的分類精度得到了大幅度的提高，最高的(PL)分類總體精度比僅使用光譜信息分類提高了8.47%。不同的像元形狀特征對各類地物分類精度的提高程度也不同，從各個類的分類精度提高情況來看，雖然單一利用PAI和LW形狀特征對某些地物的分類精度比PSI的低，但是綜合了PAI和LW的PL形狀特征對各個類的分類精度的提高最為明顯，最終的總體分類精度達到了94.66%，Kappa系數達到了0.932 1，均比PSI的分類精度高。說明在分類圖像中存在各種復雜形狀的圖斑，很難用單一的形狀特征加以區分和識別，在實際分類中應采用多種像元形狀特征組合來提高分類的精度。

表1 實驗一的分類精度統計

3.2 實驗二

3.2.1 研究數據

實驗二同樣采用分層隨機抽樣的方法，從地面參考數據中分別抽取了各類別樣本數據總數的1%作為訓練樣本數據集，其余數據作為驗證樣本數據集。實驗二樣本及不同形狀特征圖像如圖4所示。

(a) 遙感圖像 (b) 地面實況(c) 訓練樣本

(d) 檢驗樣本(e) PAI(f) LW

圖4 實驗二樣本及形狀特征影像

Fig.4 Samples and shape feature images for experiment 2

3.2.2 分類結果分析

圖4(e)(f)是提取的2種像元形狀特征的圖像，將其和圖像的光譜特征信息作為分類的特征信息輸入SVM分類器，分別對不同的形狀特征數據進行了分類，結果如圖5所示。

(a) 光譜分類(b) PAI分類(c) LW分類

(d) PL分類(e) PSI分類

圖5 實驗二 SVM分類結果

Fig.5 Results of SVM classification for experiment 2

從實驗二的分類效果來看，各種加入像元形狀特征后的分類效果要比僅使用光譜特征進行分類的效果好。圖5(a)是僅使用光譜信息的分類結果，圖中水體與陰影、道路與房屋、裸地與房屋及草地與樹的錯分現象比較嚴重，其原因是它們的光譜特性太相似，故僅利用光譜信息來區分是很難達得好的分類效果的，必須加入形狀特征等其他信息。圖5(b),(c),(d)和(e)分別是加入了PAI,LW,PL和PSI像元形狀特征后的分類結果。從表2可以看出，加入像元形狀特征后的分類精度得到了大幅度的提高，其中PL分類的總體分類精度達到了93.47%，在所有特征組合分類精度中最高，比僅利用光譜信息提高了18.61%，對樹木、裸地、道路、陰影、草地、房屋和水體分類精度分別提高了57.69%,50.70%,43.10%,39.65%,6.01%,5.33%和4.19%。PL對各個類的分類精度的提高是所有分類特征中最大的，再次說明了分類圖像中存在各種形狀復雜的圖斑，很難用單一的形狀特征來識別，在實際分類中應該采用多種像元形狀特征組合來提高分類的精度。

表2 實驗二的分類精度統計

4 結論

1)由于地物之間的光譜相似性，傳統的僅利用光譜信息的分類方法不能得到精度滿意的分類結果； 要想提高分類精度，需要更多考慮圖像中地物的結構、形態、分布等空間特征信息的遙感圖像分類技術。

2)引入長/寬比(LW)和面積/周長比(PAI)這2個像元形狀特征，與影像的光譜信息組合作為SVM分類器的輸入數據，可提高遙感圖像的分類精度。2個實驗的結果表明： 所引入的像元形狀特征充分考慮了相鄰像元間關系等形狀和空間位置特征，能大幅度提高遙感圖像的分類精度； 不同像元形狀特征對不同遙感圖像中不同地物的分類精度的提高程度也有所不同。

3)1種像元形狀特征難以適應不同的地物類別，所以在實際分類過程中，應將多種形狀特征組合用于遙感圖像分類，以得到相對滿意的分類結果； 對于多特征組合分類，一般需要進行特征選擇和優化。

4)本文中所涉及的形狀特征有限，還需研究更多的特征，以保證所得結論的普適性和通用性。在特征提取中，對尺度的影響及在像元形狀特征計算中的閾值選擇規則等問題尚須進一步研究。

[1] 鄭淑丹,鄭江華,石明輝,等.基于分形和灰度共生矩陣紋理特征的種植型藥用植物遙感分類[J].遙感學報,2014,18(4):868-886. Zheng S D,Zheng J H,Shi M H,et al.Classification of cultivated Chinese medicinal plants based on fractal theory and gray level co-occurrence matrix textures[J].Journal of Remote Sensing,2014,18(4):868-886.

[2] 李厚強,劉政凱,林峰.基于分形理論的航空圖像分類方法[J].遙感學報,2001,5(5):353-357. Li H Q,Liu Z K,Lin F.Aerial image classification method based on fractal theory[J].Journal of Remote Sensing,2001,5(5):353-357.

[3] 陳秋曉,駱劍承,周成虎,等.基于多特征的遙感影像分類方法[J].遙感學報,2004,8(3):239-245. Chen Q X,Luo J C,Zhou C H,et al.Classification of remotely sensed imagery using multi-features based approach[J].Journal of Remote Sensing,2004,8(3):239-245.

[4] 張錦水,何春陽,潘耀忠,等.基于SVM的多源信息復合的高空間分辨率遙感數據分類研究[J].遙感學報,2006,10(1):49-57. Zhang J S,He C Y,Pan Y Z,et al.The high spatial resolution RS image classification based on SVM method with the multi-source data[J].Journal of Remote Sensing,2006,10(1):49-57.

[5] 黃昕,張良培,李平湘.融合形狀和光譜的高空間分辨率遙感影像分類[J].遙感學報,2007,11(2):193-200. Huang X,Zhang L P,Li P X.Classification of high spatial resolution remotely sensed imagery based on the fusion of spectral and shape features[J].Journal of Remote Sensing,2007,11(2):193-200.

[6] Shackelford A K,Davis C H.A hierarchical fuzzy classification approach for high-resolution multispectral data over urban areas[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(9):1920-1932.

[7] Han Y,Kim H,Choi J,et al.A shape-size index extraction for classification of high resolution multispectral satellite images[J].International Journal of Remote Sensing,2012,33(6):1682-1700.

[8] 薛麗霞,李濤,王佐成.一種自適應的Canny邊緣檢測算法[J].計算機應用研究,2010,27(9):3588-3590. Xue L X,Li T,Wang Z C.Adaptive Canny edge detection algorithm[J].Application Research of Computers,2010,27(9):3588-3590.

[9] 付紀剛.基于支持向量機的邊緣檢測算法研究[D].西安:西安科技大學,2011. Fu J G.Research of Edge Detection Based on Support Vector Machine[D].Xi’an:Xi’an University of Science and Technology,2011.

[10]張華.遙感數據可靠性分類方法研究[D].徐州:中國礦業大學,2012. Zhang H.Study on Reliable Classification Methods Based on Remotely Sensed Image[D].Xuzhou:China University of Mining and Technology,2012.

[11]Chang C C,Lin C J.LIBSVM:A library for support vector machines[EB/OL].2001.http://www.csie.ntu.edu.tw/～cjlin/libsvm/.

[12]Huang X,Zhang L P,Li P X.Classification and extraction of spatial features in urban areas using high-resolution multispectral imagery[J].IEEE Geoscience and Remote Sensing Letters,2007,4(2):260-264.

[13]Zhang L P,Huang X,Huang B,et al.A pixel shape index coupled with spectral information for classification of high spatial resolution remotely sensed imagery[J].IEEE Transactions on Geoscience and Remote Sensing,2006,44(10):2950-2961.

(責任編輯： 劉心季)

A new method for classification of high spatial resolution remotely sensed imagery based on fusion of shape and spectral information of pixels

YANG Qingshan1， ZHANG Hua2

(1.SchoolofRemoteSensingandInformationEngineering，WuhanUniversity，Wuhan430079，China； 2.SchoolofEnvironmentScienceandSpatialInformatics，ChinaUniversityofMiningandTechnology(Xuzhou)，Xuzhou221116，China)

In the classification of high spatial resolution remotely sensed imagery，due to the presence of the same object with different spectra, the dependence only on spectral information for classification is not enough. To improve the accuracy of classification, the authors proposed a novel spatial features extraction method for classification of the HSRMI. Firstly, neighborhood pixels’ spatial relationship was described and used to calculate and extract the pixel homogeneous regions (PHR). Then, based on the extracted PHR, the pixels’ shape index features, including length-width ratio(LW) and area-perimeter ratio(PAI), were extracted. Lastly, the pixel shape index features were normalized and combined with the spectral information to perform classification by using SVM classification method. Two different areas’ QuickBird images were used to test the performance of proposed method. The experimental results show that the proposed method has the highest performance compared with pixel shape index(PSI)and spectral information, and can improve the classification accuracy of high spatial resolution remotely sensed imagery.

pixel homogeneous regions(PHR)；pixel shape index(PSI)；threshold；high spatial resolution remotely sensed imagery

10.6046/gtzyyg.2016.04.10

楊青山,張華.融合像元形狀和光譜信息的高分遙感圖像分類新方法[J].國土資源遙感,2016,28(4)：64-70.(Yang Q S,Zhang H.A new method for classification of high spatial resolution remotely sensed imagery based on fusion of shape and spectral information of pixels[J].Remote Sensing for Land and Resources,2016,28(4)：64-70.)

2016-01-13；

2016-02-18

TP 751.1

A

1001-070X(2016)04-0064-07

楊青山(1993-),男,碩士研究生,主要研究方向為GIS和遙感圖像處理與特征提取。Email： wilm_yang@foxmail.com。

張華(1979-)，男,博士,副教授,主要從事遙感數據不確定性、空間分析及GIS算法與應用系統開發等方面的研究。Email: zhhua_79@163.com。