軟劃分在遙感圖像分類(lèi)上的應(yīng)用

余慧娟+周堅(jiān)華

摘要：BP神經(jīng)網(wǎng)絡(luò)是遙感圖像分類(lèi)研究應(yīng)用最廣泛的分類(lèi)器之一，它以隸屬度描述實(shí)體對(duì)應(yīng)各類(lèi)別的確定程度。常規(guī)基于BP網(wǎng)絡(luò)的分類(lèi)應(yīng)用中，通常將像元?dú)w屬為最大隸屬度對(duì)應(yīng)的類(lèi)別，即硬劃分，這種方式在混合像元存在時(shí)，容易產(chǎn)生誤判現(xiàn)象。本文提出一種基于鄰域分析的軟劃分算法，參考領(lǐng)域元素的隸屬度情況，判斷中心元素的類(lèi)別。試驗(yàn)表明，該算法可使遙感圖像的分類(lèi)精度平均提高5.10%。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；遙感圖像分類(lèi)；軟劃分

引言：1986年，M cclelland等人提出了一種由多層前饋網(wǎng)絡(luò)與誤差反向傳播學(xué)習(xí)方法（Back P ropagatlon，BP）結(jié)合形成的神經(jīng)網(wǎng)絡(luò)算法，即BP算法。該算法能學(xué)習(xí)并存儲(chǔ)任何類(lèi)型的輸入輸出映射，它對(duì)數(shù)據(jù)的類(lèi)型沒(méi)有特殊的要求，也不需要訓(xùn)練樣本符合一定分布規(guī)律，如正態(tài)分布。這些特性非常適用于離散的多源數(shù)據(jù)。BP網(wǎng)絡(luò)在進(jìn)行圖像分類(lèi)時(shí)，并不將當(dāng)前元素判給確定的類(lèi)別，而是提供其歸屬各類(lèi)的隸屬度。這樣的方式有助于描述像素在地物空間的自然分布狀態(tài)。常規(guī)的硬劃分方法，即直接將像素判給隸屬度最高的類(lèi)別，往往會(huì)存在像元誤判現(xiàn)象。因?yàn)椋袼仡?lèi)型識(shí)別依據(jù)的隸屬度矩陣往往出現(xiàn)：①各類(lèi)隸屬度都很低，意味著此時(shí)隸屬度數(shù)據(jù)不可靠，以此判斷像素類(lèi)別，錯(cuò)判率高。②BP網(wǎng)絡(luò)的訓(xùn)練結(jié)果會(huì)受到訓(xùn)練區(qū)的選擇、訓(xùn)練樣本的數(shù)量和質(zhì)量好壞、特征向量的計(jì)算和設(shè)置參數(shù)等影響，導(dǎo)致一些像素錯(cuò)判。為解決上述問(wèn)題，本文提出了一種基于鄰域分析的軟劃分算法，通過(guò)參考鄰域元素的隸屬度，對(duì)待分類(lèi)圖像的像素解模糊，提高分類(lèi)精度。

1方法

基于BP網(wǎng)絡(luò)的遙感圖像分類(lèi)輸出結(jié)果通常為一個(gè)s×n的隸屬度矩陣U（s為分類(lèi)類(lèi)別數(shù)，n為圖像像元總數(shù)）。u描述了各像元?dú)w屬各個(gè)類(lèi)別的概率，在實(shí)際應(yīng)用時(shí)，為了方便，往往選用硬劃分方式，即將像素判給隸屬度最大的類(lèi)別，這種方式常常出現(xiàn)誤判現(xiàn)象。為解決上述問(wèn)題，本文提出利用像素在地理空間聚集的特性，即分析某個(gè)像素鄰域同類(lèi)元素的分布狀況和隸屬度情況，來(lái)判斷該像素的歸屬類(lèi)別。圖1顯示算法流程。

鄰域分析是基于同類(lèi)地物在地理空間聚集的特性，如果一個(gè)元素為某一類(lèi)的鄰域平均隸屬度更大，則它為該類(lèi)的可能性更大；如果鄰域內(nèi)，某一類(lèi)的確定元素密度較大，那么這個(gè)鄰域的中心元素屬于該類(lèi)的可能性更大。基于上述兩個(gè)理論，對(duì)隸屬度矩陣U做以下解模糊操作：

（1）獲取隸屬度矩陣。輸入特征向量，訓(xùn)練BP網(wǎng)絡(luò)，然后用訓(xùn)練好的網(wǎng)絡(luò)對(duì)遙感圖像分類(lèi)。輸出結(jié)果為一個(gè)隸屬度矩陣U

（2）將試驗(yàn)圖像的所有像元分為模糊元素類(lèi)與確定元素類(lèi)。指定一個(gè)隸屬度閥值W1，本文設(shè)定W1=0.9，逐個(gè)判斷矩陣u中的每一個(gè)元素，若該元素的最大隸屬度p大于w1，則將其判定為p對(duì)應(yīng)的類(lèi)別，歸為確定元素集，反之將其歸為模糊元素集。

（3）計(jì)算鄰域平均隸屬度。在試驗(yàn)圖像中，逐個(gè)計(jì)算模糊元素所有類(lèi)別的鄰域平均隸屬度，如果平均隸屬度的最大值f大于w 2（本文設(shè)定為0.5），則將該元素判定為f對(duì)應(yīng)的類(lèi)別，否則依然為模糊元素。

（4）計(jì)算鄰域平均密度。在試驗(yàn)圖像中逐個(gè)膨脹模糊元素，以其中一個(gè)元素為例，處理步驟包括：

①膨脹該元素，膨脹結(jié)構(gòu)元素se可隨分類(lèi)情況設(shè)定，本文設(shè)定為3×3方形se。

②計(jì)算膨脹區(qū)域內(nèi)，各個(gè)類(lèi)別確定元素的密度。

③重復(fù)步驟①、②，重復(fù)次數(shù)可隨試驗(yàn)區(qū)大小，識(shí)別地物類(lèi)型與尺寸的不同而定，本文設(shè)定重復(fù)3次。

2討論

下面將比較傳統(tǒng)硬劃分算法和基于鄰域分析的軟劃分算法的分類(lèi)精度變化，討論軟劃分的意義和使用要點(diǎn)。

2.1分類(lèi)精度評(píng)價(jià)

分別利用硬劃分算法和軟劃分算法對(duì)遙感圖像分類(lèi)，兩種算法均采用同一套訓(xùn)練樣本集和測(cè)試樣本集，使用B P網(wǎng)絡(luò)將城市下墊面分為高層住宅，低層住宅，多層住宅，廠(chǎng)房，植被，道路，陰影和水體，共8類(lèi)。本文選用全局精度（OA）和K appa系數(shù)作為算法精度的評(píng)估指標(biāo)，圖2為使用兩種的模式的分類(lèi)結(jié)果圖，表1歸納了所有實(shí)例的精度評(píng)估數(shù)據(jù)。

圖2 a為原圖，圖2 b為硬劃分的分類(lèi)圖，圖2 c為軟劃分的分類(lèi)圖。對(duì)比可見(jiàn)，相較于硬劃分的分類(lèi)情況，使用軟劃分后，圖斑噪點(diǎn)有了明顯的改善，尤其是紅色矩形框標(biāo)注的區(qū)域，原先呈離散狀的噪點(diǎn)在解模糊后大都被相鄰地物圖斑吸收。

2.2分析

分析混淆矩陣，可以看到，硬劃分算法的總體精度為83.6%，K appa系數(shù)為0.815；軟劃分算法的總體精度為88 7%，K appa系數(shù)為0.86 5，因此，在遙感圖像分類(lèi)上，軟劃分算法優(yōu)于常規(guī)的硬劃分算法。使用軟劃分算法做遙感圖像分類(lèi)，有助于地物信息的完整提取，用于進(jìn)一步的研究（如做圖，統(tǒng)計(jì)地物面積，面向?qū)ο蠓治龅龋?/p>

總結(jié)：本文選取武漢和上海的6個(gè)試驗(yàn)區(qū)的遙感圖像驗(yàn)證基于鄰域分析的軟劃分算法的有效性，并將其與常規(guī)硬劃分算法比較。試驗(yàn)表明，參考了地物空間聚集特性的軟劃分算法可使土地覆蓋分類(lèi)精度提高5.1%，Kappa系數(shù)可提高0.05。