集成面向?qū)ο笥跋穹治雠cKNN算法的多光譜遙感影像分類探討

陸海霞 何江 劉立

摘? 要：文章分別使用基于像元和基于對(duì)象的KNN分類器算法對(duì)1024*1024像元大小的寧夏中衛(wèi)市地區(qū)15m空間分辨率Landsat8融合影像進(jìn)行分類，比較二者分類效率和準(zhǔn)確率，探討其在影像分類上的不同。研究表明無(wú)論是基于對(duì)象還是基于像元的KNN分類器算總體分類精度都在90%以上。但基于對(duì)象的KNN分類器算法相比基于像元的總體分類精度提高1.9%，Kappa系數(shù)提高0.026。且使用相同的訓(xùn)練樣本進(jìn)行訓(xùn)練和分類，基于對(duì)象的KNN分類器算法僅耗時(shí)0.281秒，而基于像元的KNN分類器算法耗時(shí)53分7.275秒。

關(guān)鍵詞：基于對(duì)象;KNN分類器;影像分類

中圖分類號(hào)：K90 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2019）11-0027-04

Abstract： This paper uses the pixel-based and object-based KNN classifier algorithm to classify the 15m spatial resolution Landsat8 fusion image of Ningxia Zhongwei City with a 1024*1024pixel size， compare the classification efficiency and accuracy， and explore its image classification.The research shows that the overall classification accuracy of both the object-based and pixel-based KNN classifiers is above 90%. However， the object-based KNN classifier algorithm improves the overall classification accuracy by 1.9% and the Kappa coefficient by 0.026. And using the same training samples for training and classification， the object-based KNN classifier algorithm only takes 0.281 seconds， while the pixel-based KNN classifier algorithm takes 53 minutes and 7.275 seconds.

Keywords： object-based; KNN classifier; image classification

引言

機(jī)器學(xué)習(xí)法是一種從海量數(shù)據(jù)中自動(dòng)或半自動(dòng)尋找模式的過(guò)程，一旦模式被發(fā)現(xiàn)，則具有重復(fù)性，不同的解譯人員，將該模式應(yīng)用到其它類似的數(shù)據(jù)上可以得到相同的結(jié)果。大大提高了工作效率的同時(shí)結(jié)果的可信度具有可比性[1]。目前常用的機(jī)器學(xué)習(xí)法有：決策樹、人工神經(jīng)網(wǎng)絡(luò)、KNN、支持向量機(jī)、隨機(jī)森林等。

KNN分類算法是一種典型的非參數(shù)學(xué)習(xí)方法，因其實(shí)現(xiàn)的簡(jiǎn)單性及較高的分類精度[2，3]在許多領(lǐng)域得到廣泛的應(yīng)用，一直是數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)和統(tǒng)計(jì)模式識(shí)別研究中的熱點(diǎn)問(wèn)題[4]。算法考察與待分類樣本最相似的K個(gè)樣本，根據(jù)這K個(gè)樣本的類別屬性來(lái)確定待分類樣本的類別，而最相似的K個(gè)樣本是通過(guò)待分類樣本和訓(xùn)練樣本之間的距離來(lái)確定的[5]。在K近鄰分類器中，K值的選擇很重要，K值選擇如果過(guò)小，不能充分體現(xiàn)待分類樣本的特點(diǎn)，但當(dāng)K值選擇過(guò)大時(shí)，一些和待分類樣本并不相似的樣本也被包含進(jìn)來(lái)，導(dǎo)致分類效果降低[6]。

其也存在一些不足：KNN是種惰性的學(xué)習(xí)方法，它緩存所有訓(xùn)練樣本，直到待分類數(shù)據(jù)需要分類時(shí)才建立分類，它存放所有的訓(xùn)練樣本，直到測(cè)試樣本需要分類時(shí)才建立分類，當(dāng)訓(xùn)練集規(guī)模較大或維度較高時(shí)，會(huì)導(dǎo)致分類效率低下[7，8]。傳統(tǒng)基于像元的分類方法是以像元為單位來(lái)進(jìn)行影像處理，當(dāng)影像區(qū)域較大時(shí)，將嚴(yán)重影響分類效率。而基于對(duì)象的影像分析是以對(duì)象為基元而不是像元進(jìn)行影像分類，除了能充分利用地物的光譜、紋理、形狀、大小和上下文等信息的優(yōu)點(diǎn)之外，它能大大減少影像處理的數(shù)a寧夏中衛(wèi)市地區(qū)的Landsat8融合數(shù)據(jù)為數(shù)據(jù)源，使用KNN分類器分別執(zhí)行基于像元和基于對(duì)象的分類，比較在使用相同的訓(xùn)練樣本、驗(yàn)證樣本和特征數(shù)據(jù)集的情況下影像的分類特點(diǎn)，探討集成基于對(duì)象影像分析與KNN算法的多光譜遙感影像分類的優(yōu)勢(shì)。

1 研究區(qū)概況和數(shù)據(jù)準(zhǔn)備

1.1 研究區(qū)概況

研究區(qū)位于寧夏中衛(wèi)市西部，屬半干旱氣候，具有典型的大陸性季風(fēng)氣候和沙漠氣候的特點(diǎn)，干旱少雨。研究區(qū)的經(jīng)緯度范圍為105°12′E～105°22′E，37°27′N～35°35′N。研究區(qū)的南部為黃河，水源豐富，因此，該區(qū)域雖然降雨量少，但灌溉農(nóng)業(yè)發(fā)展，分布著大片的水稻田和水澆地[9]。研究區(qū)土地覆被類型豐富，主要土地覆被類型有水稻田、水澆地、水域用地、居民地、裸巖地和日光溫室等。

1.2 數(shù)據(jù)準(zhǔn)備及預(yù)處理

本次研究的數(shù)據(jù)源是寧夏中衛(wèi)市2013年6月18日的Landsat8數(shù)據(jù)。Landsat8衛(wèi)星攜帶了兩個(gè)傳感器：陸地成像儀（OLI）和熱紅外傳感器（TIRS）。OLI陸地成像儀包括9個(gè)波段，分別是多光譜波段（海岸波段、藍(lán)波段、綠波段、紅波段、近紅外波段、短波紅外波段1和2，30m），全色波段（15m）和卷云波段（30m）。TIRS包括兩個(gè)熱紅外波段，空間分辨率為100m。本次研究所用的波段為OLI傳感器上的多光譜波段以及全色波段數(shù)據(jù)。

數(shù)據(jù)預(yù)處理包括幾個(gè)方面：（1）輻射定標(biāo)與大氣校正：在遙感圖像處理平臺(tái)（ENVI5.3）中對(duì)其進(jìn)行輻射定標(biāo)和Flaash大氣校正獲得地表反射率數(shù)據(jù)，消除由于傳感器本身產(chǎn)生的誤差和大氣輻射影響等非地物變化引起的圖像輻射值改變。（2）影像融合：將經(jīng)過(guò)Flaash大氣校正的多光譜數(shù)據(jù)與全色輻射定標(biāo)得到的表觀反射率數(shù)據(jù)進(jìn)行融合，得到空間分辨率為15米的多光譜融合數(shù)據(jù)，所用的方法為Gram-Schmidit算法。（3）研究區(qū)裁剪：在空間分辨率為15m的多光譜融合影像上裁剪得到1024*1024像元的子區(qū)。

2 原理、方法和步驟

2.1 影像分割-多分辨率分割算法

在基于對(duì)象影像分析法中，多分辨率分割算法可有效融入影像的光譜、紋理、形狀等特征信息，使同質(zhì)像元構(gòu)成大小不同的分割對(duì)象，是一種基于區(qū)域增長(zhǎng)的分割算法，使得內(nèi)部的一致性以及相鄰分割對(duì)象間的異質(zhì)性均達(dá)到最大[10]。

eCognitionDeveloper軟件中多分辨率分割算法的主要參數(shù)包括尺度因子（Scale）、形狀因子（Shape）、緊湊度因子（Compactness）。可通過(guò)組合3個(gè)不同值的參數(shù)可以確定影像的分割結(jié)果。尺度因子決定單個(gè)對(duì)象內(nèi)允許的最大異質(zhì)性。其中，尺度因子決定影像對(duì)象的平均大小，理論上，尺度因子越大，影像對(duì)象越大，尺度因子越小，影像對(duì)象越小。

形狀參數(shù)和光譜參數(shù)是形狀因子的兩個(gè)構(gòu)成指標(biāo)，二者參數(shù)和為1，此消彼長(zhǎng)，共同決定形狀因子的大小，進(jìn)而在一定程度上影響著所形成的分割多邊形的的形狀。光滑度和緊湊度的參數(shù)之和為1，是緊湊度因子的兩個(gè)構(gòu)成元素，二者在緊湊度因子中各自所占的權(quán)重比組合可改變緊湊度因子，進(jìn)而影響可改善分割多邊形的形狀，起到優(yōu)化分割結(jié)果的作用。

2.2 KNN分類算法原理

2.3 精度評(píng)價(jià)原理

本文使用eCognition9.0軟件提供的Error Matrix based on Samples精度評(píng)價(jià)方法進(jìn)行分類精度評(píng)價(jià)。精度評(píng)價(jià)的結(jié)果包括三個(gè)部分，分別是混淆矩陣、單一類別的精度評(píng)價(jià)結(jié)果和總體類別的精度評(píng)價(jià)結(jié)果。

2.4 研究步驟

本次研究包括五個(gè)基本步驟：（1）數(shù)據(jù)預(yù)處理。包括

FLAASH大氣校正、影像融合和裁剪等步驟。（2）影像分割。基于對(duì)象KNN分類算法進(jìn)行分類時(shí)，使用ENVI軟件中基于邊緣檢測(cè)的分水嶺分割算法進(jìn)行分割。而用基于像元的KNN分類器算法進(jìn)行分類時(shí)，使用棋盤格分割算法，把分割尺度設(shè)為1，將影像分割成單個(gè)像元。（3）訓(xùn)練樣本和驗(yàn)證樣本的選擇。將在ENVI中得到的分割結(jié)果導(dǎo)入到Arcgis10.2中進(jìn)行樣本的選擇。在選擇樣本的時(shí)候，通過(guò)在屬性表中添加兩個(gè)文本字段用來(lái)標(biāo)記不同土地覆被類型的訓(xùn)練樣本和驗(yàn)證樣本。（4）基于KNN分類器進(jìn)行分類。將預(yù)處理后的研究區(qū)影像數(shù)據(jù)以及在ENVI中分割并在Arcgis10.2.中標(biāo)記了訓(xùn)練樣本和驗(yàn)證樣本的矢量數(shù)據(jù)作為專題數(shù)據(jù)加載到eCognition9.0中，完全依據(jù)矢量專題數(shù)據(jù)對(duì)影像進(jìn)行分割。創(chuàng)建兩個(gè)圖層，一層中導(dǎo)入訓(xùn)練樣本（L1）進(jìn)行基于KNN分類器的影像分類，另一層導(dǎo)入驗(yàn)證樣本（L2）用于精度評(píng)價(jià)。本步驟共執(zhí)行兩次，第一次是基于對(duì)象的KNN分類器分類，第二次是基于像元（即將影像分割成單個(gè)像元）的KNN分類器分類。（5）精度評(píng)價(jià)。使用混淆矩陣、生產(chǎn)者精度、用戶精度、Hellden精度和Short精度以及條件Kappa系數(shù)對(duì)每一類土地覆被類型進(jìn)行精度評(píng)價(jià)，并用總體精度和Kappa系數(shù)評(píng)價(jià)總體的分類精度。

3 結(jié)果分析

分別使用基于像元的KNN分類器算法和基于對(duì)象的KNN分類器算法對(duì)影像進(jìn)行分類，分類時(shí)使用相同的訓(xùn)練樣本和特征數(shù)據(jù)集，所得到的分類結(jié)果如圖1所示。從圖中可以看出，基于像元的方法的分類結(jié)果“椒鹽現(xiàn)象”特別明顯，而基于對(duì)象的分類結(jié)果有效的避免了“椒鹽現(xiàn)象”，分類結(jié)果更為完整。

使用相同的驗(yàn)證樣本對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)，得到基于像元的KNN分類器算法的總體精度為91.7%，Kappa系數(shù)為0.895，而基于對(duì)象的KNN分類器算法的總體精度為93.6%，Kappa系數(shù)為0.921，相比基于像元的分類算法總體精度和Kappa系數(shù)都有所提高，說(shuō)明影像的分類的總體分類精度相比于基于像元的分類算法有所改善。

從混淆矩陣中可以看出，基于像元的KNN分類器算法，幾乎各個(gè)土地覆被類型之間都有相互混淆的像元，類別之間的可分性比較差。而基于對(duì)象的KNN分類算法，除了個(gè)別土地覆被類型（不透水表面和裸地，水澆地和日光溫室）之間出現(xiàn)部分混淆之外，大多數(shù)地物的之間都沒有出現(xiàn)混淆現(xiàn)象，說(shuō)明各個(gè)土地覆被類型的分類精度都有所提高。

對(duì)比各個(gè)土地覆被類型在基于像元的KNN分類器算法和基于對(duì)象的KNN分類器算法的生產(chǎn)者精度、用戶精度、Hellden精度、Short精度以及條件Kappa系數(shù)（表1-2）。可以發(fā)現(xiàn)除裸地的各個(gè)精度指標(biāo)有所降低之外，其他土地覆被類型的各項(xiàng)指標(biāo)值都有所提高，說(shuō)明相比基于像元的KNN分類算法有所提高。

從分類的效率來(lái)說(shuō)，基于對(duì)象的KNN分類器算法的效率遠(yuǎn)遠(yuǎn)大于基于像元的KNN分類器算法。據(jù)統(tǒng)計(jì)，本次研究中基于對(duì)象的KNN分類算法整個(gè)分類過(guò)程耗時(shí)僅為0.218秒，而基于像元的KNN分類器算法耗時(shí)53分7.275秒，基于對(duì)象的KNN分類器算法大大減少了計(jì)算開銷。使用KNN分類器算法進(jìn)行分類時(shí)，K值的設(shè)定對(duì)分類結(jié)果的影響較大，需要通過(guò)反復(fù)試驗(yàn)選擇合適的K值，才能得到較優(yōu)的分類結(jié)果。另外，特征參數(shù)組合的選擇對(duì)分類結(jié)果的影響也比較關(guān)鍵，并非特征參數(shù)選擇的越多得到的分類結(jié)果就越好，因此，選擇一個(gè)有效的方法來(lái)獲取最優(yōu)的特征參數(shù)組合，可以有效的優(yōu)化分類結(jié)果的精度。

綜合上述分析結(jié)果，不論是基于像元還是基于對(duì)象的KNN分類器算法所得的分類結(jié)果的精度都比較高，但可以看出集成基于對(duì)象影像分析的KNN分類器算法相比基于像元的KNN分類器算法而言具有很大的優(yōu)勢(shì)，不僅有效的避免了“椒鹽現(xiàn)象”，更能滿足制圖的需要，同時(shí)提高了分類的效率和準(zhǔn)確率，對(duì)于大數(shù)據(jù)量的影像分類處理優(yōu)勢(shì)尤為明顯。

4 結(jié)論和討論

綜合上述研究結(jié)果，可以得出以下結(jié)論：

（1）KNN分類器算法是一個(gè)分類精度較高的分類器算法，無(wú)論是基于對(duì)象還是基于像元進(jìn)行分類，都能取得較高的分類精度。在本次研究中其總體分類精度都達(dá)到了0.9以上，Kappa系數(shù)都在0.85以上。

（2）相比基于像元的KNN分類器算法，基于對(duì)象的

KNN分類器算法具有較大的優(yōu)勢(shì)。基于對(duì)象的KNN分類器算法不僅有效的避免了分類的“椒鹽現(xiàn)象”，同時(shí)還一定程度上提高了分類精度，并且大大提供了分類的效率。

（3）基于像元的KNN分類器算法，訓(xùn)練樣本的選擇以及K值的設(shè)定對(duì)分類精度影響特別明顯。因此選擇合適的訓(xùn)練樣本和設(shè)定有效的K值是KNN分類器算法的關(guān)鍵所在。

（4）分類特征數(shù)據(jù)集的選擇對(duì)KNN分類器算法的分

類精度也比較關(guān)鍵，并非選擇的特征越多得到的分類結(jié)果就越好。因此，需要尋找一個(gè)有效的方法找到最優(yōu)的特征組合，才能使最終的分類結(jié)果更加精確。

KNN分類器算法雖然具有較高的分類精度，但對(duì)于大區(qū)域影像數(shù)據(jù)的計(jì)算消耗仍然很大，分類效率較低，需要進(jìn)一步改進(jìn)算法來(lái)提高的分類效率。另外，如何選擇訓(xùn)練樣本和設(shè)定K值以及選擇最優(yōu)的特征參數(shù)組合，目前尚未有比較通用的方法，需要進(jìn)一步進(jìn)行研究。

參考文獻(xiàn)：

[1]張著英，黃玉龍，王翰虎.一個(gè)高效的KNN分類算法[J].計(jì)算機(jī)科學(xué)，2008，35（3）：170-172.

[2]WITTEN I H， FRANK E. Data Mining： Practical machine learning tools and techniques[M].? Morgan Kaufmann， 2005.

[3]WU X， KUMAR V， QUINLAN J R， et al. Top 10 algorithms in data mining[J]. Knowledge and Information Systems， 2008，14（1）：1-37.

[4]冷明偉，陳曉云，譚國(guó)律.基于小樣本集弱學(xué)習(xí)規(guī)則的KNN分類算法倡[J].計(jì)算機(jī)應(yīng)用研究，2011，28（3）.

[5]朱彪.基于KNN的地基可見光云圖分類方法研究[D].成都信息工程學(xué)院，2012.

[6]閆晨.KNN文本分類研究[D].秦皇島：燕山大學(xué)，2010.

[7]丁應(yīng)逵.訓(xùn)練樣本分布不均的KNN分類改進(jìn)算法[J].價(jià)值工程，2014，33（2）：180-182.

[8]熊忠陽(yáng)，楊營(yíng)輝，張玉芳.基于密度的kNN分類器訓(xùn)練樣本裁剪方法的改進(jìn)[J].計(jì)算機(jī)應(yīng)用，2010，30（3）：799-801.

[9]孫宇翼.基于對(duì)象影像分析的多源遙感影像濕地信息提取方法及其尺度效應(yīng)研究[D].蘭州大學(xué)，2016.

[10]王露，劉慶元.高分辨率遙感影像多尺度分割中最優(yōu)尺度選取方法綜述[J].測(cè)繪與空間地理信息，2015（3）：166-169.

[11]余鷹，苗奪謙，劉財(cái)輝，等.基于變精度粗糙集的KNN分類改進(jìn)算法[J].模式識(shí)別與人工智能，2012，25（4）：617-623.