一種用于電力選線的高分二號影像分類方法

□ 張家賓 熊寶武 劉華清 趙斌濱 王 帥

（1.北京航空航天大學交通科學與工程學院，北京 100191；2.中國電力科學研究院，北京 100192）

0.引言

衛星遙感技術以其宏觀性強、大尺度、周期短、成本較低、能反映動態變化、受地面條件限制少等特點，廣泛應用于國民生產的各個領域[1]，在輔助輸變電工程選線中的應用優勢也已經被廣泛認可[2]，但目前仍然存在著一些問題：（1）利用國外高分辨率遙感（如SPOT5、IKONOS）立體像對生產數字高程模型（DEM）和數字正射影像（DOM），精度可以滿足要求，但成本高，且數據源沒有保障；（2）DEM和DOM產品在輔助電力選線的應用大多數還停留在人工目視識別層次，局限在將衛星影像作為基礎地理信息的底層背景數據，信息利用的自動化程度有待加強。

針對上述問題，本文面向國產主流衛星遙感數據源在電力選線中適用性問題，以亞米級的高分二號數據以及可以提供三線陣數據的資源三號衛星遙感數據這兩類國產遙感代表性數據源為基礎，研究可提高常見電力選線要素分類精度的方法，旨在提高衛星遙感在電網路徑規劃中應用的自動化程度。

1.試驗區及分類比較

本文選擇河北省錦界—府谷一條220KV電力線路中5個區段為試驗區，覆蓋這些區段的高分二號和資源三號影像為試驗數據。按照《GB 50545-2010 110kV～750kV架空輸電線路設計規范》《GB50548-2010 330kV～750kV架空輸電線路勘測規范》《GB50665-20111000KV架空輸電線路設計規范》等輸電線路規范，歸納出包括水域、城鎮及工業用地、交通運輸用地、林地、耕地、草地、裸土7種要素[3]在內的選線關鍵地形要素，對試驗區段高分二號數據分別利用最大似然、支持向量機、神經網絡、最小距離、馬氏距離5種方法進行分類試驗，各試驗區NND（NNDiffusePanSharpening）融合影像分類結果（如圖1所示）。

圖1 5個試驗區NND最大似然、支持向量機、神經網絡、最小距離、馬氏距離分類結果

因為同一個試驗區不同融合影像應用的分類樣本驗證樣本一致，因此分類精度的差別主要取決于分類器的不同。根據5個試驗區的分類結果，其kappa系數和總體分類精度[4]對比折線圖（如圖2和圖3所示）。

圖2 5個試驗區kappa系數折線分布圖

圖3 5個試驗區總體分類精度折線分布圖

由圖2、圖3各折線圖可以看出：

（1）對于5種不同的分類器，支持向量機法具有最高的分類精度和Kappa系數值，其5個試驗區的總體分類精度均超過80%；最大似然法次之，但相差不大，基本保持在5%以內；最小距離法分類精度最差，和支持向量機法差別達到20%以上。

（2）從分類速度來看，雖然支持向量機具有最高的分類精度但是其花費的時間較長，本次5個試驗區，最大似然分類耗時在30分鐘左右，但是支持向量機耗時約7至8個小時，時間效益差距明顯，而且隨著示范區范圍的擴大，這種差距也將會更加明顯。

（3）綜合來看，最大似然方法具有較高的分類精度和分類速度，在兩者兼顧的情況下是最優化的選擇；支持向量機法具有最高的分類精度，但是需要最長的時間，尤其是在跨度達幾十上百千米的電力線路選線中，并不適用；神經網絡和馬氏距離法分類精度居中，其中神經網絡方法經常發生不收斂的情況，隨機性較大，需要反復設置參數，同時速度也較慢；最小距離法分類精度最差，不建議使用。

1.1 不同地物分類精度分析

由上可知，最大似然法和支持向量機法能夠有最好的總體分類精度，同時又保持較好的穩定性，對比分析了NND最大似然和支持向量機兩種分類法對不同地物的分類精度，結果（如圖4、圖5所示）。

圖4 NND融合最大似然生產者精度

圖5 NND融合支持向量機生產者精度

由圖4、圖5可知：

（1）在電力選線各關鍵地形要素中，水域的分類精度最高，基本都可以達到96%以上，但是試驗區5的最大似然分類水域精度均較低，只有75%左右，說明相比于支持向量機，最大似然分類還是存在精度不穩定的情況，遇到某些情況后分類精度得到不保證。

（2）總體來看，最大似然分類結果精度最低的一般為城鎮及工業用地，而支持向量機分類結果精度最低的一般為交通運輸用地，說明兩者對不同要素的敏感程度不同，因此，對于城鎮較少的山區，對于道路的依賴性較強，可以采用最大似然分類方法；對于城鎮居民較多的地區，電力線路需要避開居民區，可以選用支持向量機法進行分類。

（3）除了城鎮及工業用地、交通運輸用地兩種要素外，其他地形要素的生產者精度均能達到80%以上，可以滿足電力選線關鍵地形要素的提取精度要求；而針對分類精度較低的兩者需要研究提高其精度的方法。

2.基于高分二號和資源三號波段融合影像的分類精度

2.1 國產衛星數據波段融合處理

國產高分二號衛星能制作高分辨率正射影像圖，而資源三號衛星數據制作的數字表面模型具有高程數據[5]。作為兩種不同維度的數據源，如果能夠進行數據融合，對高分二號添加一個維度的數據然后再進行分類，則能夠提高相應的精度。

高分二號和資源三號均應用國情普查控制點成果做的控制處理，兩者的配準較好，將資源三號數據制作的DSM作為一個波段和高分二號4個波段DOM進行數據融合，得到一個5波段的遙感影像，其中前4個波段為高分二號原始波段，第5波段為資源三號DSM值。

2.2 分類精度對比

基于上述結論，在監督分類方法中，最大似然和支持向量機的分類方法具有更高的分類精度和更好的穩定性，因此本試驗主要研究融合后的影像對此兩種方法分類精度的提高程度。

本試驗依據前面5個試驗區的高分二號影像和資源三號影像波段采用NND方法融合后的結果，采用與前述分類方法一致的分類樣本和驗證樣本。

融合后影像應用最大似然和支持向量機分類方法，分類精度評價結果（如表1所示）。其中“S-前”代表波段融合前最大似然分類精度，“S-后”代表波段融合后最大似然分類精度。

“S-相對”表示其分類精度提高的相對值；“Z-前”代表波段融合前支持向量機分類精度，“Z-后”代表波段融合后支持向量機分類精度。

表1 高分二號與資源三號波段融合前后對比

為了更清晰地對照，制作5個試驗區融合前后分類精度對比圖進行分析（如圖6所示），其中折線（實線）代表波段融合后分類精度，折線（虛線）代表波段融合前分類精度；柱狀圖代表最大似然（S-絕對）和支持向量機（Z-絕對）的精度提高絕對值。

圖6 5個試驗區融合前后分類精度對比圖

由圖6可知：

（1）高分二號和資源三號進行波段融合后再分類，其分類精度有顯著提高，最大似然法分類精度絕對提高值一般在2%以上，5個試驗區平均提高4.16%；支持向量機法分類精度絕對提高值在1.20%以上，5個試驗區平均提高2.30%。

（2）由于部分試驗區的分類精度已經很高（90%以上），所以只關注分類精度提高絕對值存在局限性，分類精度提高相對值則表現了其提高的分類精度相對大小。由圖6可以看出，最大似然分類波段融合前后精度提高相對值最小為14.23%，支持向量機為15.88%，提高相對值均超過了10%，而兩者的平均提高相對值均超過了20%，說明融合高分二號和資源三號波段再分類的方法對提高分類精度有顯著作用。

（3）最大似然法波段融合后的分類精度雖然有所提高，試驗區1和試驗區3支持向量機法非常接近，但試驗區2、試驗區4和試驗區5差距比較明顯，說明支持向量機法具有更高且更穩定的分類精度。

總體精度的提高離不開各個地物分類精度的提高，高分二號和資源三號進行波段融合前后不同地物分類精度提高情況（如表2和表3所示）。

表2 融合DSM后各地物類型最大似然分類精度提高情況匯總（%）

表3 融合DSM后各地物類型支持向量機法分類精度提高情況匯總（%）

由表3可以看出，基于高分二號和資源三號波段融合后的影像進行支持向量機分類后，幾乎全部提高了水域、城鎮及工業用地、裸地的分類精度，對林地、交通運輸用地、耕地則大部分提高了分類精度，對于草地則效果不顯著，甚至還有所降低，不過總體來說，對其分類精度較差的交通運輸用地提高顯著。

總體來看，融合高分二號和資源三號的波段后再進行分類，最大似然分類和支持向量機分類精度均有所提高，而處理時間則變化不大，具有很好的應用價值。對于原始影像分類精度不高的情況，兩種國產衛星數據聯合應用則能夠帶來非常顯著的作用。支持向量機法雖然具有更高的分類精度，但是其分類速度較差，耗費的時間約是最大似然的10倍，在跨度較大、數據量較大的電力選線中并不推薦適用。

3.結束語

本文基于高分二號融合影像進行監督分類并進行精度評價，結合電力選線關注的地形要素類型，選取了水域、城鎮及工業用地、交通運輸用地、林地、耕地、草地、裸地7種類型進行遙感分類提取試驗。分類樣本和驗證樣本數量足夠并保持獨立。結果顯示，支持向量機分類具有最高的分類精度，但耗時較長；最大似然分類具有較高的分類精度且耗時較短，綜合考慮分類精度和分類速度最優。

本文提出的聯合應用高分二號和資源三號數據的方法—將兩者的波段進行融合形成新的影像，分類試驗結果表明，5個試驗區的最大似然分類精度和支持向量機分類精度均有較大提高，一般在2%以上，最大達到6%；對于原始影像中分類精度較低的城鎮及工業用地、交通運輸用地，也有了較大提高，大多數可以達到70%以上，能夠滿足電力選線中對地物分類要素精度的要求，是一種可以推廣應用的技術方法。

參考文獻：

【1】孫攀,董玉森,陳偉濤,馬嬌,鄒毅,王金鵬,陳華.高分二號衛星影像融合及質量評價[J].國土資源遙感,2016,28(4):108-113.

【2】劉厚健,陳亞明,隋國秀,等.綜合遙感思想在電力工程規劃選址中的應用[C].2014全國工程勘察學術大會論文集，2014.

【3】陳姝,居為民.遙感圖像分類方法及研究進展[J].河北農業科學,2009,13(1):143-146.

【4】徐涵秋.基于SFIM算法的融合影像分類研究[J].武漢大學學報：信息科學版,2004,29（10）：920-923.

【5】熊德峰.高分二號衛星影像融合方法探析[J].測繪與空間地理信息,2016,39(9):102-104,108.