面向高分辨率遙感影像分類的分層策略研究

曹 磊

(重慶交通大學土木工程學院 重慶 400074)

面向高分辨率遙感影像分類的分層策略研究

曹 磊

(重慶交通大學土木工程學院 重慶 400074)

近年來，隨著高分辨率衛星影像的大量獲取，如何提高高分影像的分類精度成為目前遙感應用的難點。為此，本文開展基于易康軟件的分層策略研究，利用遙感影像中豐富的光譜信息和空間信息，設計針對性的分層策略，通過易康中提供的分割和分類算法進行信息提取，然后與未使用分層策略的分類方法進行精度評定的對比，得出其在高分辨率影像分類信息提取上分類結果較好且分類精度較高的結果。基于易康軟件的分層策略的研究使用，在高分辨率遙感影像分類中具有重要的現實意義。

高分辨率遙感影像；易康軟件；分層策略；精度分析

引言

傳統的遙感影像分辨率較低，遙感信息的提取與分類主要以人機交互的方式進行，效率低下且精度不高。隨著高分辨率遙感影像應用的日益普及，人們針對這些能在較小空間尺度觀測地物信息的影像做了很多研究，以便能更好的滿足不斷增長的高分辨率遙感影像的應用和研究需要，同時獲得更為精細的遙感影像信息。中低分辨率的遙感影像雖然光譜信息較為豐富]4[，但是由于分辨率較低，解譯時主要以一個個的像元單位進行，大多依靠光譜數據的組合差別來進行分類，很少考慮要素的大小、紋理、形狀等特征，分類的效率和精度都不是很高。而易康（eCognition）面向對象的提取方法主要依靠高分辨率遙感影像的廣泛應用發展起來的新方法，針對的不再是像元，而是對象，同時能充分利用高分辨率影像中的幾何、紋理等特征來進行分類提取，效率快且精度高。

面向對象分類的方法日益成熟，用于分類提取的地物特征也越來越豐富，分割分類的算法更是多種多樣，比如易康中有關分割方法有多尺度分割、棋盤分割和四叉樹分割等，同樣有關分類的算法研究也極為豐富，當然，不同的分類方法或者算法的使用研究肯定會使分類提取信息的精度更高，但是在面向對象分類方法日益成熟的今天，進行有關遙感圖像分類中分層的進程策略研究也尤為重要。由于使用分層策略和不使用分層策略得出的分類結果精度不一樣，不同的分類策略得出的分類結果評價精度也不一樣，所以在分類時就要求我們針對需求的目標地物，使用優化的分層策略，以得到更好的分類結果。

1 分層策略

1.1分層策略的原則

分層從邏輯上將子系統劃分成許多集合，而層間關系的形成要遵循一定的規則。通過分層，可以限制子系統間的依賴關系，使系統以更松散的方式耦合，從而更易于維護。子系統的分組標準包含以下幾條規則：①可見度，各子系統只能與同一層及其下一層的子系統存在依賴關系。②易變性，最上層和最下層的元素可隨著用戶需求的改變而改變，中間的模型夾層也可隨著上層復雜性的改變而改變。③通用性，一般將抽象的模型元素放置在模型的低層。如果它們不針對于具體的實施，則傾向于將其放置在中間層。分區分層的模式體系大多需要考慮這些方面，用戶組織、技能領域、系統分布、保密領域、可變性領域等。

隨著科學技術的發展，這種簡便易分析的方法被人們廣泛應用于各級學科之中，有關遙感影像的分類也不例外。針對影像越來越豐富的信息和越來越復雜的空間特征，將地物總體一層一層的分類開來，基于相同的父特征而又存在不同的子特征，比如將地物分為植被與非植被，植被再分為草地、林地等，父特征會滿足相同的植被指數的要求，而子特征又會基于不同的紋理特征或者其他特征，分類的時候直接將復雜的地物根據各種要素的自身特征簡單易化了，效率高，精度也高。

1.2分層策略的設計

針對遙感影像而言，地物要素的原始屬性特征主要表現在其反射的光譜差異方面，除了可以直接利用地物要素在不同波段的光譜反射率來區分之外，通常還可以利用這些原始特征所衍生出來的其他屬性特征來進行分類，這些屬性包括全局性的光譜特征統計變量（植被指數NDVI等）和局部區域反映出的空間屬性（包括紋理、形狀、大小、空間關系等）。

分層設計主要考慮的特征有：

①平均值（mean）：由構成一個影像對象的所有像素的圖層值計算得到的圖層平均值。本次研究主要考慮的是影像的波段均值（Mean Nir、Mean Red等等）。

②標準差（StdDev）：由構成一個影像對象的所有像素的圖層值計算的到的標準差。

③歸一化植被指數（NDVI）：NDVI=（p（nir）-p（red ））/（p（nir ）+p（red ）），主要用于做植被和非植被的分類。其中p（nir） 、p（red）分別代表近紅外波段和紅波段反射率。

④長度/寬度（Length/Width）：單個像素形狀的長度寬度之比，此特征對于提取道路有明顯優勢。

本次研究針對性設計的分層策略框架結構如圖1所示。

圖1 分層策略框架體系及分層使用的特征信息

2 實驗

2.1數據介紹

本次研究基于配準]1[校正之后的重慶某區縣QuickBird多光譜影像和全色影像選取的實驗區，分辨率為2.4m和0.6m，包含藍（Blue）、綠（Green）、紅（Red）、近紅（Nir）和全色（Pan）5個波段的波段信息，研究區域影像大小為800×799像元，特征信息較為豐富，經ENVI軟件預處理之后圖像質量較好，無云層覆蓋。影像實驗區中大致包括水體、植被、建筑物、旱地和道路等地物信息。

2.2技術思路流程

2.3實驗分析

基于分層和分割之后的影像，在分類時，未分層提取和分層提取均采用易康軟件所提供的最臨近法進行分類。使用最臨近方法分類時首先要設置選用的特征信息，包括波段均值、標準差及長寬比等特征，建立類描述，然后選擇不同地物信息的樣本，最后使用分類算法進行分類。未分層提取和分層策略提取分類結果如圖3所示。

圖2 實驗技術思路流程圖

圖3 原始影像及分類成果對比圖

2.4 精度分析

易康針對分類提供了四種精度評價方法，主要包括：分類穩定性（Classification Stability）、最優分類結果概率（Best Classification Result）、基于像素的混淆矩陣（Error Matrix based on TTA Mask）、基于對象樣本的混淆矩陣(Error Matrix based on Samples)。前兩種主要針對“軟分類”，即模糊分類的方式,后兩種主要針對“硬分類”，也是我們平時最常用的混淆矩陣，差別在于一個基于TTA Mask以像素為統計對象進行精度評價，另一個是基于分割對象選擇的樣本進行精度評價。

評價的方法主要有用戶精度、生產者精度、總體精度和Kappa系數等，其中總體精度和Kappa系數最能反應整個分類成果的精度，Kappa系數的計算公式具體如下：

設柵格總象元數為n，真實柵格為1的象元數為a1，為0的象元數為a0，模擬柵格為1的象元數為b1，為0的象元數為b0，兩個柵格對應象元值相等的象元數為s，Kappa系數為k，則：

分類實驗中的精度分析主要使用的是基于對象樣本的混淆矩陣方法，這種方法要先選取樣本點，一般使用的是人機交互的選取方式，然后借助易康提供的精度分析工具進行精度評定。精度評價的最終結果如表1所示。

表1 未分層提取與分層策略提取的單一類別精度對比和總體精度對比

在單一類別精度對比中，未分層方法的漏分錯分方面主要體現在水體和植被這兩個要素類上，而使用分層策略方法提取漏分錯分方面主要體現在旱地和植被要素類上，總的來說，在錯分漏分最大的要素類提取上，使用分層策略的提取精度更高，錯分漏分的幅度更小。在Hellen精度和Short精度方面，未使用分層的提取精度最差主要集中在道路要素類上，由圖3可明顯看出，許多旱地水體等要素被錯分為道路，道路的分類結果不理想。在條件Kappa系數方面，使用了分層策略提取的精度基本都優于未使用分層的提取，且都保持在0.6以上。

綜合圖3和表1可知，在總體精度和Kappa系數方面，未分層提取分類結果較差，使用分層策略進行信息提取分類的方法不管是在總體精度方面還是Kappa系數方面都明顯優于未分層提取分類方法。

3結論

本文提出的分層策略依據不同地物的光譜特征和空間特征，在分類過程中使用分層體系優化提取，通過未分層提取與分層策略提取的分類結果對比和精度評價對比，得出以下結論：

（1）基于高分辨率遙感圖像的地類信息概況和光譜信息、空間信息等，針對性的提出了適宜提取的分層策略，優化了分類體系結構。

（2）使用分層策略提取分類結果明顯優于未分層提取分類，且總體精度和Kappa系數相對較高。

在趨向于自動化的遙感分類解譯中，使用分層策略進行信息提取分類會得到較高精度的分類結果，而且有關最優分層策略的研究，不僅能快速滿足用戶的需求，同時也能得到更高的精度成果。在高分辨率遙感廣泛發展的信息化時代，基于易康的分層策略的研究勢必將在遙感分類解譯中發揮重要的作用。

[1] 鄧文斌著.遙感圖像處理方法.-北京：科學出版社，2010 (地理信息系統理論與應用叢書).

[2] 任毅.面向地理國情監測的道路和水系信息提取分析[D].重慶交通大學,2014.6.

[3] 王文宇,李博等.基于eCognition高分辨率遙感圖像的自動識別分類技術.北京建筑工程學院學報,2006,12.22(4).

[4] 杜鳳蘭，田慶久，夏學齊等.面向對象的地物分類法分析與評價[J]，2004,19(1)： 20-23.

[5] 黃亮，左小清，張曉曉等.面向對象的道路信息識別提取分析[J].昆明理工大學學報：理工版,2010(6)：6-10.

G322

B

1007-6344（2017）05-0324-02