基于條件隨機場的高光譜遙感影像農(nóng)作物精細分類*

余 銘，魏立飛※，尹 峰，李丹丹，黃慶彬

（1.湖北大學資源環(huán)境學院，武漢 430062；2.湖北省國土資源研究院，武漢 430062；3.中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)部農(nóng)業(yè)遙感重點實驗室，北京 100081；4.深圳市地籍測繪大隊，深圳 518000）

0 引言

農(nóng)作物類型識別是農(nóng)業(yè)災情監(jiān)測、農(nóng)作物估產(chǎn)、長勢分析、確定農(nóng)作物類別、面積以及空間分布的重要基礎。同時也是農(nóng)業(yè)生產(chǎn)過程中合理分配資源、精準施肥的重要依據(jù)［1-3］。隨著空間技術(shù)的發(fā)展，通過遙感影像解譯法進行農(nóng)作物類型識別逐漸成為一種主流方式［4-5］。王立輝等［6］基于環(huán)境減災衛(wèi)星數(shù)據(jù)，應用支持向量機（Support Vector Machine，SVM）方法對農(nóng)作物進行分類，精度優(yōu)于傳統(tǒng)的最大似然法分類精度；劉磊等［7］利用決策樹方法基于多光譜數(shù)據(jù)提取了大麥、小麥、油菜和人工林草地的種植信息，總體分類精度達到86.90%；Zhang等［8］、平躍鵬［9］利用MODIS數(shù)據(jù)進行分類，整體準確度均大于90%；B.E.Bhojaraja等［10］基于Hyperion圖像，利用光譜角分類（Spectral Angle Mapper，SAM）算法提取了印度南部卡納塔克邦檳榔種植面積，達到了73.68%的準確度；Peijun Du等［11］提出了一種高級二叉樹支持向量機方法基于AVIRIS數(shù)據(jù)對印度松進行分類，精度高于90%；?tefan Con?iu等［12］利用農(nóng)業(yè)專家知識和機器學習算法基于Landsat數(shù)據(jù)實現(xiàn)了玉米、大豆、棉花、水稻的分類；郭交等［13］將Sentinel-1雷達影像與Sentinel-2光學影像融合對農(nóng)作物進行分類；鄭利娟［14］基于高分一號和六號衛(wèi)星的影像特征，通過挖掘適用于農(nóng)作物分類的特征，研究其對農(nóng)作物分類的精度影響；歐陽玲、毛德華等［15］以Landsat8和多時相GF-1為遙感數(shù)據(jù)源，基于物候信息和光譜特征確定的農(nóng)作物識別關(guān)鍵時期和特征參數(shù)，構(gòu)建面向?qū)ο蟮臎Q策樹分類模型。上述研究均圍繞傳統(tǒng)的多光譜遙感影像展開，但是多光譜遙感影像由于其波段數(shù)少、光譜分辨率較低等原因難以實現(xiàn)農(nóng)作物精細分類。高光譜數(shù)據(jù)除了具有較高的空間分辨率，還有連續(xù)且豐富的光譜波段，波段數(shù)多達幾十甚至上百個，能夠檢測到作物細微差別并鑒別出不同類別的作物，有利于提高農(nóng)作物分類的精度［16］。但是目前運用高光譜數(shù)據(jù)對農(nóng)作物進行精細分類的研究較少。而且常見的農(nóng)作物分布破碎不均勻，現(xiàn)有的高光譜數(shù)據(jù)農(nóng)作物分類方法沒有考慮到相鄰像素之間的相關(guān)性。由于條件隨機場（Conditional Random Field，CRF）能夠結(jié)合空間背景信息而被廣泛地運用于圖像分割、立體視覺和活動分析等領域［17-18］。

本文以由AVIRIS傳感器收集的美國加利福尼亞州南部薩利納斯山谷（Salinas場景）的農(nóng)作物區(qū)域的高光譜數(shù)據(jù)為研究對象，提出了一種基于條件隨機場的高光譜遙感農(nóng)作物精細分類方法，對該數(shù)據(jù)集進行精細分類研究，實驗結(jié)果表明該方法有效地提高了農(nóng)作物精細分類精度，對精準農(nóng)業(yè)的發(fā)展有著重要意義。

1 研究區(qū)域與數(shù)據(jù)

本文實驗數(shù)據(jù)是由AVIRIS傳感器獲取的美國加利福尼亞州南部薩利納斯山谷的高光譜數(shù)據(jù)集，該數(shù)據(jù)集大小為512×217，空間分辨率為3.7 m，電磁波范圍為0.4～2.5 μm，共224個波段，去除108～112、154～167、224等20個受水吸收影響的波段后，用于研究的204個波段共包含蔬菜、裸地、葡萄園等16種地物類型。Salinas場景的編號、類別及各類的樣本數(shù)如表1所示。

表1 Salinas場景的驗證樣本及各類地物樣本數(shù)Fig.1 Validation samples of the Salinas scene and the number of samples in each category

真實地物分布與驗證數(shù)據(jù)集如圖1所示，其中圖1（a）為研究區(qū)地物真實分布圖，圖1（b）為驗證數(shù)據(jù)集。

圖1 Salinas數(shù)據(jù)集：（a）真實地物分布圖（b）驗證數(shù)據(jù)集Fig.1 The real object distribution and verification data set of Salinas data

2 分類方法

條件隨機場是一種概率模型，由于能夠結(jié)合空間背景信息而被廣泛地運用于圖像分割、立體視覺和活動分析等領域，但傳統(tǒng)的條件隨機場方法具有超平滑的現(xiàn)象［19］。因此本文提出了一種基于條件隨機場的高光譜遙感農(nóng)作物精細分類方法，該方法將利用SVM分類器獲得的各類別概率定義為條件隨機場的一元勢函數(shù)，將空間平滑項與局部類別標簽項的線性組合定義為二元勢函數(shù)，從而達到在結(jié)合空間上下文信息的同時保留細節(jié)信息的分類效果。

CRF用統(tǒng)一的概率框架模擬隨機變量之間的局部鄰域相互作用，它直接模擬標簽的后驗概率，給出觀察圖像數(shù)據(jù)為吉布斯（Gibbs）分布：

其中y為輸入圖像的觀察數(shù)據(jù)，x是整個圖像的相應類別標簽，Z是分區(qū)函數(shù)，ψc（xc，y）是勢函數(shù)，它根據(jù)圖像中的鄰域系統(tǒng)和派系對隨機變量的空間交互進行局部建模。

作為判別分類框架，如公式（1）所示，CRF直接模擬標簽x的后驗分布，給定觀察值y，相應的吉布斯能為：

分類影像通過貝葉斯最大后驗規(guī)則（MAP）找到使后驗概率P（x|y）最大化的標簽圖像y。所以隨機場的MAP標記xMAP由下式給出：

因此，當后驗概率P（x|y）最大時，能量函數(shù)E（x|y）最小。遙感分類問題可以通過設計合適的勢函數(shù)來描述：

其中ψi（xi，y）和ψij（xi，xj，y）分別定義在點i局部領域Ni上的一元勢函數(shù)和二元勢函數(shù)。

2.1 一元勢函數(shù)

一元勢函數(shù)ψi（xi，y）對標簽和觀察圖像數(shù)據(jù)之間的關(guān)系進行建模，通過光譜特征向量來計算采用特定類別標簽的單個像素成本。因此，可以用能夠給出標簽xi的概率估計的判別式分類器單獨計算每個像元，給出特征向量。它在分類過程中其主導作用，一般為某監(jiān)督分類器的后驗概率。通常被定義為：

其中f是一個特征映射函數(shù)，它將圖像中任意一個像元映射到一個特征向量，fi（y）表示位置i處的特征向量，即光譜特征向量。P［xi=lk|fi（y）］是基于特征向量的像素i取的標簽lk的概率。由于SVM分類器在遙感圖像分類的小訓練集中表現(xiàn)良好，本文選取SVM分類器作為一元勢能。

2.2 二元勢函數(shù)

二元勢函數(shù)通過考慮標記場和觀測場來模擬每個像素與其鄰域之間的空間上下文信息。雖然由于光譜變化和噪聲的影響，均勻影像上的相鄰像素的光譜值可能看起來不相同，但是由于空間相關(guān)性的影響，它們很有可能是相同的類別。二元勢函數(shù)模擬了這種光滑性并且考慮了標簽約束，這有利于分布均勻的區(qū)域中具有相同地物像元的分類以及保留兩個相鄰區(qū)域的邊緣。在本文中二元勢函數(shù)定義如下：

其中g(shù)ij（y）表示與數(shù)據(jù)y有關(guān)的平滑項，ΘL（xi，xj|y）是大小為|L|×|L|的局部類標簽成本項，它表示鄰域內(nèi)的標簽xi和xj之間的成本。參數(shù)θ是控制二元勢函數(shù)中標簽成本項的程度的相互作用系數(shù)。函數(shù)gij（y）模擬相鄰像素i和j之間相互作用，用于衡量相鄰像素之間的差異，定義如下：

其中（i，j）是相鄰像素的空間位置，函數(shù)dist（i，j）是它們的歐幾里德距離。yi和yj是表示像素i和j出現(xiàn)的光譜向量，可以使鄰域內(nèi)相互作用的強度與圖像數(shù)據(jù)相關(guān)并且在相似區(qū)域促進一致性。參數(shù)β為圖像中所有相鄰像素的光譜向量之間的均方差（即，β=（2<||yi-yj||2>）-1，其中<||yi-yj||2>是圖像上的平均值）。

局部類標簽成本項ΘL（xi，xj|y）通過觀察到的圖像數(shù)據(jù)來模擬不同鄰域類別標簽xi和xj之間的空間關(guān)系，并且被定義為：

其中P［xj|fi（y）］是特征向量fi（y）的標簽概率。局部類別標簽成本項考慮了相鄰像素的當前類別標簽xi以衡量相鄰元素i和j處標簽之間的相互關(guān)系，當特征空間中的類存在較強的重疊時，它會通過鄰域空間標簽信息來改變像元的標簽。因此，與當前專題標簽相關(guān)的局部類別標簽成本項通過專題類標簽的概率分布的估計形式來考慮光譜信息，以在考慮空間上下文信息的同時進行適當?shù)钠交?/p>

3 實驗結(jié)果與分析

3.1 訓練樣本選擇

本文分別選取5%、10%的訓練樣本進行CRF分類模型訓練，如圖2所示。

圖2 訓練樣本的選取Fig.2 Selection of training samples

3.2 分類結(jié)果與分析

分別利用最小距離法、SVM、CRF方法對研究區(qū)主要農(nóng)作物，即蔬菜、裸地、葡萄園等16類地物進行分類，并對比分析分類結(jié)果。分類結(jié)果與精度評價分別如圖3、表2所示。

圖3 Salinas數(shù)據(jù)分類效果對比圖：（a）（b）（c）當訓練樣本為5%時，最小距離法、SVM、CRF分類效果圖；（d）（e）（f）當訓練樣本為10%時，最小距離法、SVM、CRF分類效果圖Fig.3 Salinas data classification effect comparison：Minimun distance（a），SVM（b），CRF（c） classification effect map when the training sample is 5%；Minimun distance（d），SVM（e），CRF（f） classification effect map when the training sample is 10%

表2 Salinas數(shù)據(jù)不同算法精度對比Table 2 Accuracy comparison of different algorithms of Salinas data

圖3為Salinas數(shù)據(jù)在訓練樣本分別為5%、10%時的分類效果對比圖。從圖中可以看出最小距離法分類結(jié)果“椒鹽”噪聲明顯，分類混淆現(xiàn)象嚴重，尤其是圖（a）、（d）右下角的背景全部被錯分為C2、C3、C5和C9類。圖（b）、（e）為SVM算法分類結(jié)果，圖中分類混淆現(xiàn)象有所改善，但“椒鹽”噪聲依然嚴重：如左上角的C2類與C15類等。圖（c）、（f）為CRF算法的分類效果圖，在綜合考慮了空間背景信息和光譜信息后，噪聲與分類混淆現(xiàn)象得到了優(yōu)化，對農(nóng)作物精細分類的效果較前兩種方法有較大的改善。

從表2可知，在訓練樣本為5%、10%時，最小距離法分類結(jié)果的總體精度分別達到74.95%、75.70%，Kappa系數(shù)分別為0.7223、0.7308，但是個別地物精度較低，如在訓練樣本為5%時，C8、C10、C15、C16的分類精度分別為60.87%、15.24%、44.32%、52.30%。訓練樣本為10%時，C8、C10、C15、C16的分類精度分別為60.05%、28.31%、46.20%、52.95%；SVM算法分類結(jié)果的總體精度分別為88.86%、90.18%，Kappa系數(shù)分別為0.8874、0.8894，其中C15類地物精度僅為49.69%與51.97%；CRF方法分類結(jié)果的總體精度分別達到了90.74%、91.49%，Kappa系數(shù)分別為0.8954、0.9041，與前兩種方法相比分別提高了16%和2%，在前兩種方法中分類效果較差的C15在該方法中精度分別達到了72.32%與74.11%，除此之外所有類別的精度均在94%以上，分類效果較好。

4 結(jié)論與討論

針對傳統(tǒng)分類方法存在的局限，本文提出一種基于條件隨機場的高光譜遙感影像農(nóng)作物精細分類方法，對美國加利福尼亞州南部薩利納斯山谷的蔬菜、裸地、葡萄園等16種地物進行分類，通過對條件隨機場模型中的一元勢函數(shù)使用SVM分類器對局部領域和有限的訓練樣本獲得概率估計，在二元勢函數(shù)中使用空間平滑項和局部類別標簽成本項來平滑局部鄰域空間以及考慮空間上下文信息，從而達到較好的農(nóng)作物精細分類效果。實驗表明，與傳統(tǒng)的最小距離法和SVM方法相比，該方法的精度分別提高16%和2%，除C15類精度為74.11%外，各類地物的精度達到94%以上，在農(nóng)作物精細分類應用中具有較大優(yōu)勢，能滿足實際生產(chǎn)需要。

隨著空間技術(shù)的不斷發(fā)展，新型的高光譜遙感影像的空間分辨率也越來越高，這使得高光譜遙感影像包含了更多的細節(jié)信息，由此也會造成同一地物內(nèi)部的光譜變化與異質(zhì)性。因此在未來的研究工作中，將重點展開空間特征與光譜特征信息互補研究，進一步提升分類精度。