基于SEaTH算法的蘆山地震無人機低空遙感影像信息對象級分類

王之 劉超 劉秀菊 魯恒 蔡詩響 楊正麗

摘要：在地震這種重大自然災害面前，快速有效地從遙感影像中提取震區土地利用信息，在災情評估及災后重建中發揮著重要作用。選取四川省蘆山地震災區無人機影像為數據源，運用面向對象的影像分析方法，首先研究了多尺度分割中參數的選擇，獲取了研究區最優分割參數；然后考慮了各個“影像對象”的數字化特征值，利用改進的SEaTH算法進行特征值優化處理；最后采用了隸屬度信息提取方法，獲得了蘆山地震災區無人機低空遙感影像分類圖，并進行了分類精度評估，結果表明：研究區影像的分類總精度為87.5%，kappa系數為0.835。

關鍵詞：面向對象；多尺度分割；SEaTH算法；無人機影像

中圖分類號：P315.9；TP751 文獻標識碼：A 文章編號：1000-0666（2018）02-0173-07

0 引言

我國是一個自然災害頻發且種類繁多的國家，如何有效地獲取與監測災情信息、做出科學可行的應急救災措施，是當前研究的重點和難點。以遙感技術為主要手段來獲取多時相、多分辨率、多類型的遙感數據及遙感圖像處理技術一直以來都被應用于各種自然災害防治的各個環節之中（曾濤，2010）。

北京時間2013年4月20日8時2分在四川省雅安市蘆山縣（30.3°N，102.95°E）發生了7.0級地震，震中位于蘆山縣廟坪上，震源深度13km。在地震災區通信、交通被嚴重破壞的情況下，無人機低空遙感技術成為快速獲取震區災情信息的最佳途徑。因此快速準確地處理地震災區遙感影像數據、對影像信息進行分類、提取出震害信息是值得深入研究的問題。本文所選研究區位于蘆山地震災區，該區域為平原地貌，具有建筑用地、林地、道路、耕地、地震臨時安置房等典型的地物類型，分布較為均勻，該區域在高分辨率影像中具有一定的代表性。本文綜合分析獲取的地震災區遙感影像數據，結合地震發生后實際情況及災后應急救災、災害評估及重建的實際需要，利用無人機航拍的蘆山地震震后高空間分辨率遙感影像，以面向對象影像分析技術對影像進行了信息提取，對建筑用地、林地、道路、耕地、地震臨時安置房等準確地進行了分類。

在面向對象的分類過程中，被用于分類的遙感影像特征多種多樣，如光譜特征、紋理特征、形狀特征等。隨著研究的深入，許多特征被進一步引用和演變，成為更有用的信息用以分類。與傳統基于面向像元的分類方法相比，面向對象的分類方法不僅充分利用影像的光譜特征和紋理特征，還將形狀特征和更多的特征運用聯系起來，充分調動起了地物的特性，也提高了分類的準確度和可分性（江華，2014）。但如果使用的特征變量太多，會帶來特征冗余，造成特征“維災難”（鄭云云，2015）。為了解決上述問題，一些分類特征選擇方法被相繼提出，如基于遺傳算法的特征選擇選擇算法（馮莉等，2008）、基于Bayes錯誤率上界最小的特征選擇算法（張振平，2006）、基于蟻群優化的特征選擇算法（葉志偉等，2007）、基于關聯規則的特征選擇方法（何小晨，徐守時，2002）、基于特征知識庫的遙感信息提取研究（高偉，2010）、SEaTH算法（Nussbaum etal，2006）。其中SEaTH算法是目前比較具有代表性的面向對象的特征選擇方法，但是該算法僅從類間距離對特征進行評價，沒有考慮到類內距離的影響。因此本文綜合考慮類間距離與類內距離的綜合影響，并在利用特征進行規財分類之前，優選特征，去除相關性大的特征，降低特征維數。基于此，本文將改進的SEeTH算法運用于分類規則集的自動獲取。

1 原理與方法

1.1 WaTH算法

分離閾值法（SEaTH）是由Nussbaum等（2006）提出的一種基于Jefries一Matudita距離和高斯分布混合模型的分類特征選取與閾值計算方法，本文結合SEaTH算法，運用隸屬度分類的模糊分類規則進行分類。SEaTH算法實施的主要步驟為（王賀等，2013）：

（1）樣本選擇：從分割后的影像中選取約2.5%具有代表性且空間分布均勻的典型樣本（薄樹奎，丁琳，2010），并從ecagnition Developer軟件中輸出各樣本的待選特征值。

（2）計算巴氏距離B值：式中：m1和m2表示2個類別的某特征均值，σ1和σ2表示2個類別的標準差。

（3）計算分離度J值：

J=2（1-e-B）（2）

（4）確定特征閾值：計算某特征的最佳閾值，把2個類的特征值看作高斯分布，根據該公式：

P（x）=p（x|C1）p（C1）+p（x|C2）p（C2）（3）當p（x|C1）=p（x|C2）時，2種類別之間混分最少，而此時，當對應的特征值為x1時，類別C1和C2的分離性最好（如圖1所示），x1便可作為特征閾值T，閾值T的計算公式如（5）、（6）所示：

A=ln（σ1n2）-ln（σ2n1）（4）式中；σ1和σ2表示2個類別的某標準差，n1和n2表示2個類別的數目。

注：閾值T的計算公式有兩個，取T介于m1和m2之間作為所要的閾值。

1.2 改進的SEaTH算法

面向對象的分類方法充分利用了影像的光譜特征、紋理特征、形狀特征和更多的特征，充分調動起地物的特性，從而提高了分類的準確度和可分性。由于使用的特征變量太多，造成了過度分類，使得分類混亂。因此在基于隸屬度分類之前，先進行特征優選，然后進行特征去相關處理，去除相關性較大的若干特征。改進的SEaTH算法實施的主要步驟為（余曉敏等，2012）：

（1）特征去相關：利用分割后的影像中具有代表性且空間分布均勻的典型樣本，根據樣本對象的特征值求出所有已選特征的自相關系數矩陣（吉小軍等，2001）。設有設有N個特征，任意特征i，j=1，2…N樣本個數為K，自相關系數矩陣用，表示，那么這N個特征的自相關系數矩陣可表示為：

iJ=1，…，N式中：xil表示特征集中第l個樣本第i個特征的值；xi表示第i特征的均值估計，

設置一個閾值依次遍歷特征值的相關系數Yij，當某特征對的相關系數Yij大于某閾值時，去掉特征對中相關性強且特征方差較小的特征，由此降低特征矩陣的維度（譚艷麗，張丕狀，2007）。本文經過多次實驗，設定相關系數Yij的閾值為0.95。

（2）類間距離優化特征：利用（1）中優選的特征集，計算所有類別兩兩之間的類間距離J，并按特征值降序排列，取類間距離最大的前10個特征。

（3）特征歸一化處理：由于所選特征的數量級大小不一，因此對已優化特征進行歸一化處理，以便下一步篩選，處理后使其大小介于0～1之間，特征歸一化公式為：式中：f為所選特征值，fmax為所選特征最大值，丈孟認所選特征最小值。

（4）類內距離特征優化：依次遍歷C1和C2類中的抽選樣本，并計算各個樣本與其他同類樣本某一特征值（f1，f2，…，fn）的距離，并累積求和。分別得到C1和C2類的類內距離D1和D2。并根據樣本數目的不同，分別對C1和C2類賦予權重，求得C1和C2類的加權類內距離D。

D=（k1d1+k2d2）/（k1+k2）（11）式中：k為所選樣本類別數，d為類內距離。

（5）構建分類評價準則Jf：采用類間距離和類內距離的比值作為分類評價準則。Jf值越大，說明特征的分離性越好，反正分離性越差。Jf的公式為：

改進的SEaTH算法很大程度上的降低了特征集矩陣的維度，去除了相關性大的特征，又根據類間距離和類內距離優化了特征，降低了數據處理量，提高了分類效率。

1.3 精度評估

提取地物信息的準確度是我們評判分類精度的首個標準指標。精度評價指標主要分為生產者精度、用戶精度、總體精度和Kapps系數（牛興麗，2008）。

總體精度（overall accuracy）為：

生產者精度（producer's accuracy）為：

用戶精度（user's accuracy）為：

Kappa分析可以用于比較2個分類器的誤差矩陣是否具有顯著差別，產生的評價指標被稱為K統計值，其計算公式為：式中：n為無人機遙感影像總樣本數，k為總的分類類別；

nij為在影像中被分為i類而在參考類別中屬于j類的樣本數目；ni+為被分為i類的樣本數目：ni+=∑nij（j=1，…，k）：n+j為參考類別為j的樣本數目：n+j=∑nij（i=1，…，k）。

2 實驗結果與分析

2.1 蘆山地震無人機低空遙感影像最優尺度確定

eCognition軟件支持多個分割方法，針對不同的分割影像，選擇合適的分割方法是有必要的。多尺度分割技術是eCognition軟件中較為常用的一種分割方法，它在生成影像對象的過程中抽象化了高分辨率影像信息，把高分辨率像元的信息用分割后的影像與多邊形屬性進行存儲，盡量減少影像細節信息的損失，把影像分割成具有具體意義的影像對象（杜柯磊等，2016；丁曉英，2015）。基于原始遙感影像的情況配置合適的多尺度分割參數（Scale pa-rameter）、形狀參數（shape）、緊致度參數（com-pactness），從而得到地物分割的最小單元（Lu，etal，2011；宋楊等，2012）。

以控制變量法來確定多尺度分割的最佳參數。將多尺度分割參數設為n，從100開始取值，以20為步長，直到取到200，然后選出最合適的分割尺度參數。形狀參數先取為0.7，緊致度參數取為0.3。通過對地類的“破碎度”和“淹沒度”進行評估，得到最優分割尺度參數為160；將形狀參數設為m，從0.4開始取值，以0.1為步長，直到取到0.7，然后選出最合適的形狀參數。多尺度分割參數取為160，緊致度參數暫取為0.3。通過目視定性評估，得到最優形狀參數為0.6；將形狀參數設為q，從0.1開始取值，以0.1為步長，直到取到0.4，然后選出最合適的緊致度參數。多尺度分割參數取為160，形狀參數取為0.6。通過目視定性評估，得到最優緊致度參數為0.3。

由此本文確定出蘆山地震無人機遙感影像最佳尺度，如表1所示。

不同分割參數的分割結果如圖2所示，其中圖2d為最優分割參數分割結果。

2.2 基于改進的SEaTH算法的地物分類

由2.1節分析可知，實驗組蘆山地震無人機遙感影像選擇的最優分割尺度為：多尺度分割參數為160、形狀參數為0.6、緊致度參數為0.3，分割對象共1494個。從分割后的影像中選取約2.5%具有代表性且空間分布均勻的典型樣本，地物類型分別為：建筑用地（6個）、地震臨時安置房（6個）、耕地（8個）、林地（8個）、道路（5個）、未利用土地（5個）。

在eCognition軟件里提取了各種地物類型的樣本，并選取影像對象的常用特征共計71個，其中光譜信息方面：亮度（brightness），層1（layer1），層2（layer 2），層1（layer 3），混合差異值（max diff），層1標準差（sdt layer 1），層2標準差（sdt layer 2），層3標準差（sdt layer 3）：形狀信息方面：區域（Area Pxl），邊界長度（Borderlength），長度（length pxl），長/深度（length/thickness），長寬比（length/width），的像素點數目（Number of pixel），圖像邊界的真實邊界（Rel.border to image Border），厚度（volume pxl），寬度（width pxl），非對稱性（Asymmetry），邊界指數（Border index）緊致度（Compactness），密度（Density），橢圓擬合度（Eliptic Fit），主方向（Main direction），最大封閉橢圓半徑（Radius oflargest enclosed elipse），最小封閉橢圓半徑（Radi-us of smallest enclosed elipse），矩形擬合度（Rec-tangular Fit），圓度（Roundness），形狀指數（Shape index）：紋理信息方面：灰度共生矩陣均質度（GLCM Homogeneity），灰度共生矩陣對比度（GLCM Contrast），灰度共生矩陣不相似度（GLCMDissimilarity），灰度共生矩陣熵（GLCM Entropy），灰度共生矩陣值（GLCM mean），灰度共生矩陣標準差（GLCM stdDev），灰度差分矢量對比度（GLDV Contrast），灰度差分矢量嫡（GLDV Entro-py），灰度差分矢量值（GLDV mean）等（王文宇，李博，2006）。

對特征進行輸出，共有71個原始特征。通過特征相關系數矩陣閾值判定，對原特征矩陣進行優化，得到一個10維的特征子集：1、2、3波段均值，亮度，形狀指數，長寬比，1、2、3波段GLCM均值、混合差異值。利用類間距離和類內距離進行優化，得到一個5維的特征子集：3波段均值，形狀指數，亮度，長寬比，2波段GLCM均值。原始無人機遙感影像以及最終得分類結果如圖3所示。

2.3 實驗精度評估

根據1.3節所述原理，首先繪制與實驗影像面積相同的20×20規則網格，然后在每個網格中隨機生成10個隨機點，最后通過目視解譯獲得每個隨機驗證點的土地利用類型。得到了共計有48個有效驗證點。經過計算可得，本文方法分類的總體精度為87.5%，Kappa系數為0.835。具體結果如表2所示。

3 結論

本文研究了一種基于改進SEaTH算法的蘆山地震無人機遙感影像信息分類制圖方法，取得了較為滿意的分類結果。地震后獲取的高分辨率遙感影像紋理、光譜特征豐富，改進的SEaTH算法在傳統SEaTH算法的基礎上引入了特征之間去相關處理，并綜合考慮了類內距離與類間距離的共同影響，還構建了以類間距離為主、類內距離為輔的新的特征篩選指標，較大地提高了震區土地利用信息的分類效率和精度。為抗震救災全面準確地掌握、評估災情，進而為采取有效的救災措施和災后重建提供了可靠的空間數據支撐。還需進一步研究更好的特征優選去相關方法，還可研究地類信息提取順序對分類精度的影響。

參考文獻：

薄樹奎，丁琳.2010.訓練樣本數目選擇對面向對象影像分類方法精度的影響[J].中國圖象圖形學報，15（7）：1106-1111.

丁曉英.2005.eCogoition在土地利用項目中的應用[J].測繪與空間地理信息，28（6）：116-117.

杜珂磊，唐斌，李佳.2016.基于eCognition的玉樹結古鎮災情動態監測研究[J].測繪與空間地理信息，39（2）：31-35.

馮莉，李滿春，李飛雪，2008.基于遺傳算法的遙感圖像紋理特征選 擇[J].南京大學學報（自然科學），44（3）：310-319.

高偉.2010.基于特征知識庫的遙感信息提取技術研究[D].武漢：中國地質大學（武漢）.

何小晨，徐守時.2002.基于關聯規則的特征選擇方法[J].紅外與激光工程，31（6）：504-507.

吉小軍，李世中，李霆，2001.相關分析在特征選擇中的應用[J].測試技術學報，15（1）：15-18.

江華.2014.基于eCognition面向對象技術的高分辨率遙感影像土地利用分類——以福州瑯岐島為例[J].海峽科學，（8）：12-17.

牛興麗.2008.面向城市應用的高分辨率圖像分類[D].青島：山東科技大學.

宋楊，李長輝，林鴻.2012.面向對象的ecognition遙感影像分類識別技術應用[J].地理空間信息，10（2）：64-66.

譚艷麗 張丕狀.2007.基于自適應閾值的小波圖像去噪法研究[J].電腦知識與技術，2（12）：212-213.

王賀，陳勁松，余曉敏.2013.面向對象分類特征優化選取方法及其應用.遙感學報，17（4）：816-829.

王文宇，李博.2006.基于eCogniton的高分辨率遙感圖像的自動識別分類技術[J].北京建筑工程學院學報，22（4）：26-29.

葉志偉，鄭肇葆，萬幼川，等.2007.基于蟻群優化的特征選擇新方法.武漢大學學報（信息科學版），32（12）：1127-1130.

余曉敏，湛飛并，廖明生，等.2012.利用改進SEaTH算法的面向對象分類特征選擇方法[J].武漢大學學報（信息科學版），37（8）：921-924.

曾濤.2010.汶川地震重災區多源影像處理及震害信息提取方法研究[D].成都：成都理工大學，1-3.

張振平，2006.基于Bayes錯誤率上界最小的特征選擇算法的研究[D].上海：同濟大學.

鄭云云.2015.高分辨率影像對象變化檢測關鍵技術研究[D].重慶：重慶大學，47-50.

LU P，Stumpf A，Kerle N，et al.2011.Object-oriented Change Detectionfor Landslide RapidMapping[J].IEEE Geoscience and RemoteSensing Letters，8（4）：701-705：

Nussbaum S，Niemeyet I，Canty M J.2006.SEaTH-a new tool forauto-mated feature extraction in the context of object-based image analy-sis[C]//Proceedings of the 1st International Conference on Object-basedImage Analysis.Austria：Salzburg University.