典型遙感影像分類方法適用性分析

摘 "要： 分類技術是從遙感影像數據中提取信息必不可少的步驟，選擇合適的分類器對提高分類精度至關重要，針對特定的研究如何選擇適合的分類算法是一個亟需研究的問題。以北京市中心誠區中某一區域為研究區，應用“高分一號”（GF?1）數據和Landsat 8數據，分別采用最常用且分類精度相對較高的監督分類中的最小距離法、最大似然法、支持向量機法，將研究區分為林地、草地、水體、裸土、建筑物5種類型，并對分類結果進行空間分布、面積、精度三個方面的比對分析。結果表明，分類算法的選擇主要取決于研究區的地物特點，其中最小距離法應用于植被覆蓋面積較大的區域時精度較高，最大似然法適合于分類建筑物較多的區域，支持向量機法對各類地物的分類具有較高的普適性。

關鍵詞： 遙感影像； 分類技術； 最小距離分類； 最大似然分類； 支持向量機； GF?1； Landsat 8

中圖分類號： TN929?34； TP391； P237 " " " " " " " " 文獻標識碼： A " " " " " " " 文章編號： 1004?373X（2024）06?0137?05

Scalability analysis of typical remote sensing image classification method

WU Yingjie1， 2， FENG Yong1， 2， XU Xiaolin1， 2， LIU Siyu1， 2， ZHU Hui1， 2

（1. Key Laboratory for Meteorological Disaster Prevention and Mitigation of Shandong， Jinan 250031， China;

2. Shandong Meteorological Data Center， Jinan 250031， China）

Abstract： The classification is an indispensable step to extract information from remote sensing images. Selecting appropriate classifier is very important to improve the classification accuracy. How to choose suitable classification algorithm for specific research is an urgent problem to be solved. An area in the central of Beijing is selected as the research area， the GF?1 data and Landsat 8 data are applied， and the most commonly used and relatively high classification accuracy supervised classification methods such as minimum distance method， maximum likelihood method， and support vector machine method are applied， resperctively. The research is divided into five categories： forest land， grassland， water body， bare soil and buildings. The comparative analysis for the classification results in terms of spatial distribution， area， and accuracy are conducted. The results show that the selection of the classification algorithm mainly depends on the characteristics of the ground features in the study area， among which the minimum distance classification has a higher accuracy when applied to the area with large vegetation cover， the maximum likelihood classification is suitable for the area with many buildings， and the support vector machine has high universality to all kinds of objects.

Keywords： remote sensing images; classification techniques; minimum distance classification; maximum likelihood classification; support vector machine; GF?1; Landsat 8

0 "引 "言

遙感影像分類是將影像的所有像元根據其性質，按照某種規則或算法來劃分為不同的類別[1]。為有效地從遙感影像數據中提取出有用的信息，分類技術是必不可少的，而且分類的結果是眾多研究的基礎。因此，遙感影像分類技術一直備受關注[2?5]。在過去的研究中已經開發了許多分類方法，常用的分類方法有非監督分類中的K均值、ISODATA和監督分類中的最小距離分類（Minimum Distance Classification， MDC）、最大似然分類（Maximum Likelihood Classification， MLC）、支持向量機（Support Vector Machine， SVM）[6?8]。這些算法創建時間較早，目前已經發展得較為成熟，在各影像處理軟件中均有集成，應用范圍極為廣泛[9?10]。由于監督分類過程中加入了先驗知識，所以其分類結果的精度普遍高于非監督分類。因此，目前在對遙感影像進行分類時多選擇監督分類中的最大似然法、最小距離法和支持向量機三種方法。

遙感影像分類是一個復雜的過程，受到諸多因素的影響，例如所選擇的遙感數據、研究區域的復雜性以及影像處理和分類的方法[11?12]。在實際分類中，并不存在一個單一“正確”的分類形式，需根據研究內容及要求選擇合適的分類器。以往對遙感分類的研究多集中于發展先進的分類方法和技術以提高分類精度[13?14]，但對分類方法適用性的研究較少，而選擇合適的分類器對提高分類精度至關重要。針對特定的研究區域、特定的遙感數據、特定的研究內容，如何選擇適合的分類算法是一個亟需研究的問題。

針對上述問題，本文以北京市中心城區中某一區域為研究區，選擇高分辨率遙感數據的代表數據“高分一號”（GF?1）數據和中分辨率遙感數據的代表數據Landsat 8數據，進行如下研究：

1） 采用最常用且分類精度相對較高的監督分類中的最小距離法、最大似然法、支持向量機三種方法將研究區分為5種常見的類別：林地、草地、水體、裸地、建筑物；

2） 對各類別分類結果的空間分布特征和面積進行對比分析；

3） 對比分析運用不同數據和不同分類方法分類的精度。

通過研究來說明各分類方法的特點及其適用性，為選擇適合于某一特定研究的遙感影像分類方法提供依據。

1 "研究區

研究區位于北京市中心城區，如圖1所示，經緯度范圍為：39°56'35[″]～40°1'3[″]N，116°13'46[″]～116°19'29[″]E。研究區內地物類型豐富，如：建筑物所占面積較大，較為密集，而且建筑物類型豐富，有低矮的建筑區、高層建筑群、飛機場等；水域類型較為全面，不僅有大片水域，還有城市公園中面積較小的觀景湖，同時還有河流；研究區內的植被既有林地也有草地，且存在一些未開發的裸地。因此，以該研究區為例對分類方法適用性進行研究，其研究結果具有一定的代表性和普適性。

2 "數據與分類方法

2.1 "數 "據

本文選取“高分一號”（GF?1）數據和Landsat 8數據作為分類影像數據，分別代表高分辨遙感數據和中分辨率遙感數據。“高分一號”（GF?1）來源于中國資源衛星應用中心（http：//www.cresda.com/CN/），影像獲取時間為 2015年9月24日，空間分辨率為16 m，包含藍、綠、紅、近紅4個波段。Landsat8數據來源于美國地質調查局 （http：//glovis.usgs.gov/），影像獲取時間為2015年9月23日，空間分辨率為30 m，包含藍邊、藍、綠、紅、近紅、中紅（兩個）等7個波段。同時選擇同年的Google Earth影像作為參考影像，用以選擇驗證樣本來驗證分類結果。所選影像在研究區內均無云，研究區假彩色合成的原始影像如圖2所示。

2.2 "分類方法簡介

2.2.1 "最小距離法

最小距離分類是最簡單的監督分類方法，它是一種含參數的分類器。該算法是利用訓練樣本數據計算出每一類的均值向量[mii=1，2，…]，然后以均值向量作為該類在特征空間中的中心位置， 計算未知向量X到各類中心的距離D，到哪一類中心的距離最小就屬于哪一類。其中距離即為判別函數，最常用的距離是歐幾里得距離。

[D=X-miTX-mi] （1）

2.2.2 "最大似然法

最大似然分類算法是一種用于監督分類的參數分類算法，是1999年由Erdas提出的基于貝葉斯方程計算未知測量向量X，屬于已知類別M中的似然度D的算法[6]。

[D=lnac-12lncovc-12X-McTcov-1cX-Mc]

（2）

式中：[ac]表示類別M中包含向量X的概率；[Mc]和[covc]是M的均值向量和協方差矩陣；未知向量X將隸屬于似然度最高的類別。

最大似然算法的優勢在于其考慮了類別內的方差?協方差，對于正態分布數據，相較于其他分類算法而言表現得更好；但對于非正態分布的數據，結果可能存在較大誤差。

2.2.3 "支持向量機

支持向量機是一種用于分類和回歸的非參數算法。SVM理論最初是1971年由Vapnik和Chervonenkis提出的，1998年被引入了遙感領域。設訓練樣本集為k個樣本的兩類問題，可以用[Xi，yi（i=1，2，…，k）]表示。其中，[X∈RN]，是N維的空間向量；[y∈{-1，1}]，為類別標簽。SVM算法是以兩類別之間的距離最大為原則，尋找最優的分類超平面[15]，從而分離兩個類別。分類超平面可以表示為：

[W??X+b=0] （3）

式中：W為垂直于線性超平面的向量（它決定了超平面的方向）；標量b表示判別超平面與原點的偏移量；[?]為將X映射到高維特征空間的映射函數，用于在高維空間中構造最優分類平面。在從低維映射到高維的時候，常用的核函數包括線性核函數、多項式函數、徑向基函數（RBF）和Sigmoid核函數。

2.3 "影像分類

根據研究區地物特點將研究區分為5類常見的類別：林地、草地、水體、裸地、建筑物，全面均勻地在研究區的“高分一號”（GF?1）數據上選取具有代表性的訓練樣本，勾選樣本均為純凈像元，經檢驗樣本在Landsat 8數據上也均為純凈像元。對訓練樣本進行波譜可分離度檢驗，分離度均在1.8以上，都屬于合格樣本。利用選取的訓練樣本，采用最小距離法、最大似然法、以RBF為核函數的支持向量機法和以Sigmoid為核函數的支持向量機法等方法對研究區內的“高分一號”（GF?1）和Landsat 8數據的全部像元進行分類。

3 "結 "果

3.1 "分類結果

兩類數據5類地物4種分類方法的8個分類結果如圖3所示，對分類結果中各地物類別面積的統計結果如圖4所示。將分類結果與原始影像對比分析可知，最小距離法的分類結果中水體面積偏大，建筑物面積偏小，這是由于將建筑物陰影錯分為水體所致。最大似然法的分類結果中建筑物和草地面積較大，水體和林地的面積偏小，存在部分林地錯分為建筑物的情況以及水體漏分的情況，其中河流分類效果較差。采用不同核函數的支持向量機的分類方法的分類結果類似，僅在水體和林地分類結果中存在微小的區別。相比于另外兩種分類方法，支持向量機法分類結果的各地物面積均處于較均勻的水平；但存在將建筑物陰影錯分為水體的現象，且以Sigmoid為核函數的方法要比以RBF為核函數的方法現象更為嚴重。綜上，各分類方法結果不同的根本原因是分類算法的不同。

同種分類算法不同遙感影像的分類結果也存在區別，由于Landsat 8影像的分辨率較低，所以其分類結果相對較為粗糙。GF?1數據分類結果中建筑物和草地的面積均偏低，裸地面積均偏高；Landsat 8影像最大似然法的分類結果中草地面積較大，裸地面積則偏小；采用支持向量機分類時，Landsat 8影像的分類結果要比GF?1影像的分類結果更好，河流可以得到較好的區分，裸地的分類結果也較為準確，但依舊存在將建筑物陰影錯分為水體的現象。不同影像的分類結果不同，這與數據的空間和波譜分辨率有著密不可分的關系，同時也和研究區的地物特點相關。因此，對研究區進行分類時要依據研究目的，結合研究區特點選擇合適分辨率的影像。

3.2 "精度評價

通過目視解譯Google Earth參考影像選擇檢驗樣本。利用混淆矩陣對分類結果進行精度評定，所有分類結果均使用相同的檢驗樣本進行精度評定，結果見表1、表2。表中：Prod.Acc為制圖精度；UserAcc為用戶精度。

表中最大似然分類的結果精度最高，應用GF?1分類的總體精度為89.15%，應用Landsat 8分類的總體精度為98.42%，分類效果整體較好，僅裸地用戶精度和水體的制圖精度相對其他分類結果的精度而言較低，以及存在少部分裸地誤分的現象，導致裸地分類結果中面積過大，而水體則存在漏分現象，致使分類結果中面積過小。

最小距離分類結果精度最低，應用GF?1數據進行分類時的總體精度僅為66.78%，這是由于過多建筑物的陰影被錯分為水體所導致的。應用支持向量機的兩種核函數（RBF、Sig）的分類結果均處于中等水平，其中應用核函數RBF要比應用Sig函數的分類精度高。采用支持向量機分類存在的主要問題是裸地的錯分現象嚴重，使得最終分類總體精度降低，同時也存在林地錯分致使其面積過大的現象，但其對水體的分類相較于其他兩種方法而言精度較高，用戶精度均在80%以上，制圖精度均在95%以上，但存在建筑物陰影錯分為水體的現象。

對比GF?1數據和Landsat 8數據分類結果的精度可得知，Landsat 8數據分類結果的精度要整體高于GF?1數據的分類結果，這可能是Landsat 8數據波段信息更為豐富的原因。最小距離法分類結果中應用Landsat 8數據進行分類時水體分類精度有明顯提高，且建筑物陰影錯分為水體的現象有顯著的改善，但是裸地和林地的制圖精度有所降低。最大似然分類結果中Landsat 8數據分類結果的精度均大于GF?1數據的分類結果。支持向量機的分類結果中應用RBF為核函數的支持向量機分類時，Landsat 8數據分類結果中建筑物的用戶精度和裸地的制圖精度有微小的降低，其余精度均有所提高；而應用Sigmoid為核函數的支持向量機分類時，Landsat 8數據分類結果的精度均大于GF?1數據的分類結果。

4 "結 "論

本文以北京市中心城區中某一區域為研究區，應用“高分一號”（GF?1）數據和Landsat 8數據，采用最小距離法、最大似然法、以RBF為核函數的支持向量機法和以Sigmoid為核函數的支持向量機法等方法將研究區分為林地、草地、水體、裸地、建筑物5類，并對分類結果進行了空間分布、面積、精度三個方面的對比分析，得出如下結論：

1） 最小距離法的分類精度最低，存在較為嚴重的將建筑物陰影錯分為水體和建筑物錯分為裸地的現象，林地和草地的分類精度相對其他類別而言精度較高。因此，若研究區內植被覆蓋面積較大時，可以采用最小距離法進行分類。

2） 應用最大似然法進行分類所得到的分類結果精度最高，這與研究區內建筑物面積較大有關。建筑物的像元較為雜亂，像素值整體呈正態分布，采用最大似然法進行分類的結果較好；而水體像素值比較集中，不適合應用最大似然法進行分類。

3） 支持向量機分類的結果中各類別的分類精度較為均勻，不存在某一類別精度過高或過低的現象，說明該方法更具有普適性。采用不同核函數進行分類時結果精度的變化不大，而以RBF為核函數的分類精度相對較高。

4） 不同分辨率影像分類結果精度不同，運用Landsat 8影像進行分類的分類結果精度大于運用GF?1影像的分類結果。由此說明，并非空間分辨率越高則分類精度越高，需要根據具體的研究內容選擇合適的影像數據。各分類算法對不同影像的分類結果精度排名一致，這說明影像數據對分類算法的選擇影響較小，主要影響分類算法選擇的是研究區的地物特征。

注：本文通訊作者為馮勇。

參考文獻

[1] 鄭瀟柔.面向遙感影像分類的半監督學習及其時效評估研究[D].深圳：中國科學院大學，2022.

[2] 胡杰，張瑩，謝仕義.國產遙感影像分類技術應用研究進展綜述[J].計算機工程與應用，2021，57（3）：1?13.

[3] 高劍，孫輝，潘之騰，等.基于分類回歸樹方法的遙感信息快速提取研究[J].現代電子技術，2023，46（11）：33?37.

[4] 陳磊，周詢，陳明葉.一種多級再分類技術耕地提取方法[J].遙感信息，2017，32（4）：120?125.

[5] 隋瑜，徐泮林，谷彥斐.基于遙感數據的土地資源分類方法比較研究[J].測繪與空間地理信息，2021，44（2）：107?110.

[6] 李小玉，蒲智，李全勝.基于最大似然分類算法的土地利用變化特征分析[J].計算機與數字工程，2022，50（6）：1153?1157.

[7] 孫文瑞，姜慧芳，左曉慶，等.Landsat8影像分類多分類器對比分析[J].地理空間信息，2022，20（1）：101?104.

[8] 張峰，趙忠國，李剛，等.基于不同分類器的農用地分類提取[J].新疆農業科學，2019，56（8）：1560?1568.

[9] 李楠，王雪林.基于ENVI的遙感圖像分類方法研究[J].科技創新與生產力，2020（5）：63?65.

[10] 童威.基于ENVI的遙感影像監督分類方法的研究[J].科技創新與應用，2019（23）：6?9.

[11] 周珂，楊永清，張儼娜，等.光學遙感影像土地利用分類方法綜述[J].科學技術與工程，2021，21（32）：13603?13613.

[12] 賈玉潔，劉云根，楊思林，等.面向Sentinel?2A影像的大理市土地利用分類方法適用性研究[J].浙江農林大學學報，2022，39（6）：1350?1358.

[13] CHENG X， SUN Y， ZHANG W， et al. Application of deep learning in multitemporal remote sensing image classification [J]. Remote sensing， 2023， 15（15）： 104.

[14] 楊星，宋玲玲，王時繪.基于改進的ResNeXt網絡結構的遙感圖像分類[J].計算機科學，2023，50（z1）：282?287.

[15] 萬意，李長春，趙旭輝，等.基于SVM的光學遙感影像分類與評價[J].測繪地理信息，2018，43（6）：74?77.