基于高分辨率遙感影像的居民地分類方法研究

摘 要：隨著我國城鎮化進程的不斷深入，大量鄉村居民地已經轉化為城鎮居民地，為了度量二者實時的轉化情況，該文提出一種基于監督分類機制的居民地分類方法，該方法首先采用邊緣特征及高斯函數量化影像上的局部特征，然后構建5種城鎮及鄉村居民地分類規則，其次創建訓練樣本對各類規則進行學習，最后通過城鎮及鄉村測試樣本驗證該文方法的精度。實驗表明，該文方法可以對高分辨率遙感影像城鎮及鄉村居民地進行初級分類，為“城鎮化”進程提供一個新的衡量指標。

關鍵詞：高分辨率遙感影像；居民地；監督分類；分類規則；訓練樣本

中圖分類號：P237 文獻標志碼：A 文章編號：2095-2945（2024）29-0154-04

Abstract： With the deepening of urbanization in China， a large number of rural residential areas have been transformed into urban residential lands. In order to measure the real-time transformation of the two， this paper proposes a residential land classification method based on supervised classification mechanism. Firstly， the edge feature and Gaussian function are used to quantify the local features on the image， and then five classification rules of urban and rural residents are constructed. Secondly， this paper creates training samples to learn all kinds of rules， and finally verifies the accuracy of this method through urban and rural test samples. The experimental results show that this method can classify urban and rural residential areas in high-resolution remote sensing images， which provides a new measurement index for the process of "urbanization".

Keywords： high-resolution remote sensing images; residential area; supervised classification; classification rules; training samples

我國已從“十五”時期開始推行“城鎮化”[1]，人口、產業不斷向城鎮聚集，城鎮數量和規模得到大幅提升。“城鎮化”過程致使大量鄉村居民地轉化為城鎮居民地，準確詳實地厘清掌握城鎮及鄉村居民地的空間變化信息，才能進一步度量兩者的轉化率，進而為政府部門在評估城鎮、鄉村土地資源及人口遷移發展變化提供重要數據支撐。現有文獻居民地變化提取研究方法，大多將鄉村居民地和城鎮居民地定義為統一整體進行提取，未進行分類提取，研究同一區域不同時期居民地分布情況為主。Li等[2]采用SIFT特征算子檢測居民地變化情況。Tang等[3]通過分析兩期遙感影像的局部特征差異度和相似度提取居民地變化信息，該方法檢測結果比較優良，但算法較為耗時。Unsalan等[4]提出5種居民地特征模型，結合特征模型檢測不同時期高分辨率遙感影像上居民地變化信息。因此，本文提出一種基于監督分類機制的鄉村和城鎮居民地分類方法，首先通過構建居民地分類規則，然后創建居民地樣本對規則進行訓練學習，通過樣本測試驗證了本文方法可以滿足居民地進行初級分類，為“城鎮化”進程提供一個新的衡量指標。

1 定義分類規則

居民地相對于非居民地，其覆蓋區域擁有更高的邊緣特征和高斯函數（Gabor特征）密度[5]，邊緣特征和Gabor特征參考已有文獻[5]進行定義。城鎮區域相較于鄉村區域，城鎮區域的經濟發展水平更高，其人工建（構）筑物分布更為密集，因此城鎮區域和鄉村區域高分辨率影像，所呈現出的邊緣特征及Gabor特征分布情況也是截然不同的，通過構建一定的判別規則可以實現對二者進行分類，本文定義了以下5種分類規則。

1.1 特征總數

基于高分辨遙感影像上邊緣特征及Gabor特征居民地提取原理，是根據影像像素點獲得的特征投票總數來區分居民地。高分辨率遙感影像上，居民地獲得的特征投票數大于非居民地投票數，城鎮居民地和鄉村居民地對比，其內部的人工建（構）筑物更加密集，故其邊緣特征及Gabor特征密度數值更大，獲得的相應特征投票數更高，因此將城鎮和鄉村居民地各自的特征投票總數定義為第一種分類規則，即

rule1=K ，

式中：K為邊緣或Gabor特征總數。

1.2 歸一化指數

如上節所述，特征總數為影像上所有像素點特征投票值總數，所以影像尺寸大小對特征總數影響很大，理論上影像尺寸越大，獲得的特征投票總數就越多，度量標準缺乏統一性。針對不同尺寸的實驗影像，計算其特征投票總數的歸一化指數，上述問題可得到有效避免，假定影像尺寸大小為M×N，第二種分類規則表示為

式中：V（x，y）為像素點（x，y）對應的特征投票總數。

1.3 最大特征值

第二種分類規則能夠較好地對城鎮與鄉村居民地各自特征進行區別，但除了特征投票總數差異，城鎮與鄉村居民地的最大特征投票數值也具有差異性，因此將最大特征值視為第三種分類規則加以區分，定義為

。

1.4 候選居民地歸一指數

文獻[5]利用Ostu閾值分割方法篩選出候選居民地，其原理為保留高投票值影像區域舍棄低投票值影像區域。特征投票值高于分割閾值的像素區內部具有判別城鎮與鄉村居民地的重要信息，與第二種分類規則類似，計算大于分割閾值的像素片區（即候選居民區）歸一化指數，第四種分類規則定義為

式中：？琢為根據Ostu方法計算獲得的分割閾值。

1.5 SVM融合規則

單獨使用以上4種分類規則，可實現對城鎮和鄉村居民地定向分類，但由于分類規則不夠綜合，過于單一，表現為分類精度有限。為將上述4種分類規則統一納入到居民地分類過程，本文通過引用支持向量機（SVM）分類器[6]融合上述4種規則構建第五種城鎮和鄉村居民地分類規則。

2 構建居民地樣本庫

基于以上5種分類規則開展城鎮居民地和鄉村居民地分類，分類方法屬于監督分類范疇，故進一步采用人工方式構建居民地訓練樣本對前4個單一分類規則進行學習，對各類規則特征學習差異性進行數值量化。

2.1 樣本選擇

高分辨率遙感影像紋理特征，城鎮居民地表現為建筑密集程度高、建筑樣式新穎、道路走向規則及綠化覆蓋率高等特點，鄉村居民地則表現為空間分布較為零亂，建筑物間距較大，建筑樣式較為單一等特點。基于城鎮居民地與鄉村居民地的紋理特征，本文以空間分辨率優于1 m的高分影像數據做為實驗對象，并從中分別選擇具有代表性的100個城鎮居民地訓練樣本及100個鄉村居民地訓練樣本，樣本大小為1 400×800，部分訓練樣本樣圖如圖1所示。

2.2 樣本學習

接下來對選擇的樣本進行學習，分別統計城鎮和鄉村居民地樣本對應第1章節中的4種分類規則取值情況，代表樣本取值情況見表1、表2。

3 實驗結果及分析

為驗證本文提出的城鎮居民地及鄉村居民地分類方法準確性，選取50幅高分影像作為測試數據進行實驗。為提高實驗效率，首先對測試數據進行分塊處理，按80×80尺寸規格輸出，本文從測試影像數據上共提取了237個城鎮居民地測試樣本和468個鄉村居民地測試樣本，然后以本文第1章節中的4種分類規則為辨別準則進行實驗，實驗樣本如圖2所示。

3.1 判別準則

以基于邊緣特征城鎮居民地分類為例，首先，計算城鎮居民地訓練樣本對應前4類規則的均值rulei及其中誤差？駐i，即

式中：i=1，2，3，4，即對應的規則編號，N為訓練樣本個數，本文選取的訓練樣本個數為100。

然后，計算測試樣本對應的規則取值rule，當滿足下式時，則認為檢測成功，該樣本分類符合實際情況：

。

鄉村居民地分類精度評價，與上述方法類似。

3.2 精度統計

按照上述判別規則，分別統計基于邊緣特征及Gabor特征居民地分類精度情況，此外，本文引入支持向量機（SVM）分類器[6]融合前4種規則進行綜合性分類，結果見表3、表4。

3.3 結果分析

本文提出的居民地監督分類方法具備以下特點：①城鎮居民地和鄉村居民地整體分類精度水平中等偏上，但仍存在一定比例的錯漏分類情況；②第一種規則和第二種規則分類結果精度相同，二者本質上屬于同一類規則；③第四種規則的綜合分類結果精度相對較高；④利用支持向量機（SVM）方法綜合4種規則的分類結果精度達到最高水平，符合實際情況。此外，本文提出的居民地分類方法屬于監督分類方法，選取的測試樣本和訓練樣本具有一定的特殊性，樣本選擇對分類結果精度影響較大，因此算法設計的理論過程仍有優化提升空間。

4 結論

本文提出了一種基于監督分類機制的城鎮居民地及鄉村居民地分類方法，該方法首先定義了5種分類規則，然后構建代表性居民地訓練樣本對各個規則進行分類學習，最后通過測試樣本驗證本文方法分類結果精度。實驗結果表明，本文方法分類精度總體較好，為進一步提高分類精度水平，算法設計的理論過程仍需優化提升，本文提出的居民地分類方法，是對城鎮居民地和鄉村居民地分類工作的積極探索嘗試，具有創新性意義。

參考文獻：

[1] 劉憲法.中國經濟中期發展的基本思路-解讀“中共中央關于制定國民經濟和社會發展第十個五年計劃的建議”[N].開放導報，2000-12-10.

[2] LI W M， LI X M， WU Y H，et al. A novel framework for urban change detection using VHR satellite images[C]//International Conference on Pattern Recognition，2009.

[3] TANG F F， PRINET V. Vomputing Invariants for Structural Change Detection in Urban Areas[C]//Urban Remote sensing Joint Event，2010.

[4] UNSALAN C. Statistical， Structural， Hybrid， and Graph Theoretical Features to Measure Land Development[J].IEEE Geoscience and Remote Sensing Letters， 2009，6（1）：72-76.

[5] 陳洪.高分辨率遙感影像居民地提取方法研究[D]．長沙：中南大學，2013.

[6] 李萌．基于支持向量機的高分遙感影像分類技術研究與應用[D]．北京：中國地質大學（北京），2015.