一种基于光谱角和光谱距离自动加权融合分类方法

余先川，安卫杰，吕中华，邹 伟

(1.北京师范大学信息科学与技术学院，北京 100875;2.中国地质科学院矿产资源研究所，北京100037)

一种基于光谱角和光谱距离自动加权融合分类方法

余先川1，安卫杰1，吕中华1，邹 伟2

(1.北京师范大学信息科学与技术学院，北京 100875;2.中国地质科学院矿产资源研究所，北京100037)

高分辨率遥感影像分类一直是业内研究的热点之一，考虑到影像地物光谱角和光谱距离在分类中具有较好的互补性，提出了一种基于光谱角和光谱距离自动加权融合的分类方法，对传统多分类器分类的融合策略进行改进，能够在训练阶段根据样本自动地调整好各分类器对各类别进行分类的权重系数，使得融合后的分类结果更加科学和准确。QuickBird影像的分类实验表明，方法的分类精度明显优于单纯的光谱角或距离法，可广泛用于各种高分辨率影像的分类识别。

分类;光谱角;光谱距离;遥感;空间数据;QuickBird

0 引言

遥感影像分类是将遥感影像(彭望琭等，2003)中的每个像元划归到不同类别中去的过程，它主要经历了两个发展阶段(刘仁钊等，2005)：从最原始的目视解译到后来的用计算机进行分类。从分类的层次来看，可将分类方法划分为基于像元的分类和面向对象的分类(曹宝等，2006)。基于像元分类法是遥感影像分析的经典方法，在技术和应用上都已经很成熟，主要包括无监督分类和监督分类(梅安新等，2001)。无监督分类是在没有先验类别知识的情况下，根据图像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理。常用的方法有贝叶斯学习、最大似然度分类和聚类等。监督分类最显著的特点是先进行训练再进行分类。常用的监督分类法有(遥李爽等，2002;李石华等，2005;潘建刚等，2004)：平行六面体法、波谱角、最短距离、最近邻、马氏距离、最大似然法、决策树等。后来又将新的分类方法和模式识别理论不断地引入到遥感影像分类识别的应用中，比如，针对遥感信息的分析具有不确定性、多解性和模糊性，模糊分类日益成为遥感数字图像处理的有效手段，在遥感影像分类识别中得到广泛的应用(Nauck et al，1997;Ho et al，2002);人工神经网络(ANNs)也较早地应用于遥感分类中，其中多层感知器模型应用最为广泛，随着神经网络理论的发展，许多学者分别提出了应用BP网、径向基函数神经网络、Hopfield网等对遥感影像进行监督分类(张宝光，1998;陈玉敏，2002)。随着多分类器结合方法的研究在模式识别领域逐渐兴起，多分类器融合分类思想也逐渐在遥感图像分类领域也得到应用(柏延臣等，2005)。

对于遥感影像，为了提高分类结果的稳定性和可靠性，有不少学者提出将多分类器融合的思想用于遥感分类。这些方法的研究和应用在一定程度上使得分类精度得到提升，但是其中仍存在的一些问题值得进一步研究和改进。比如，在分类器的选择方面，存在盲目地追求分类器的多和全，而缺乏对分类器之间的互补性的考虑。实际上，在多分类融合的分类中，只有互补性好的分类器才能在分类中发挥更大的作用，而那些互补性差的分类器(表现为分类结果完全一致)在分类中所发挥的作用并不大，反而会降低整体分类的效率。另外，在分类结果融合方面所采用的方法过于简单，通常采用的分类结果融合方法是“投票法”和“求均值法”，这些方法缺少对各个分类器贡献大小的考虑且算法的灵活性不足。

1 光谱角分类法概述

光谱角(SAM)，又称波谱角(Jensen，2005)，是以运算影像像元的光谱与样本参考光谱之间的夹角来区分类别。其原理是把像元的光谱(多个波段的像素值)作为矢量投影到N维空间上，维度N为实验时选取的波段数。在N维空间中，各光谱曲线被看作有方向且有长度的矢量，而光谱之间形成的夹角叫光谱角(图1)。光谱角分类法是依据光谱角的大小来进行分类的，而没有考虑光谱矢量的长度(影像的亮度)。因此，光谱角分类法对亮度值的影响并不敏感(王旭红等，2008)。

图1 光谱角示意图

在N维空间上，光谱角分类方法是以数学公式的形式来获得估计像元光谱矢量与参考光谱矢量之间的角度，其光谱角的数学表达式为：

式中，X为像元的光谱矢量;Y为参考类别的光谱矢量;α为光谱间的夹角，代表了光谱曲线之间的相似性，α越小代表X与Y越接近。

式(1)也可以等价变形为cos θ形式表示：

此时，用cos α表示X与Y的相似度，cos α的值越大表示光谱X与Y越接近，cos α=1时，X与Y的相似度最高。

2 光谱角和光谱距离算法描述

光谱角和光谱距离分别反应的是光谱特性的两个方面，光谱角分类依据光谱间的夹角大小(光谱角的相似度)来进行类别的划分，对光谱矢量的长度(影像的亮度)并不敏感;而光谱距离则依据光谱矢量之间的距离来判别类别，而忽视了对光谱间的夹角大小的考虑，因此二者的分类结果存在着较好的互补性，基于此，笔者提出了一种基于光谱角和光谱距离自动加权融合的分类方法，它是一种基于像元的监督分类方法。

2.1 分类器的训练

在光谱角和光谱距离分类方法中，分类器训练的关键问题在于调整好每一类别所对应的光谱距离和光谱角的分类权重，从而使分类的准确率达到训练所要求的水平。训练过程就是通过反复迭代修正各类别的光谱距离和光谱角权重的过程。图2为分类器训练过程的示意图。

图2 分类器训练过程示意图

其中，具体的权重调整规则如下。

(1)若最终的分类结果和样本的实际类别一致则不进行权值调整。

(2)若最终分类结果和样本的实际类别不一致，而光谱距离所得的分类结果与样本的实际类别一致，则加大该实际类别的光谱距离的权重系数。

(3)若最终分类结果和样本的实际类别不一致，而按光谱角所得的分类结果与样本的实际类别一致，则加重该实际类别的光谱角的权重。

(4)若最终分类结果、光谱距离所得分类结果、光谱角所得分类结果和样本的实际类别都不一致，则降低所得最终分类类别的光谱角或光谱距离的权重。

2.2 分类决策

计算待识别像元到与每一类的光谱距离相似度和光谱角相似度，根据各类别的权重系数得到该像元与每一类的总体相似度，选择其中相似度最高的类别，将该像元划分为该类。

3 实验分析

采用的实验数据为QuickBird高空间分辨率遥感影像，拍摄于2005年5月31日，空间分辨率为2.44 m，红、绿、蓝3个光谱波段。实验数据大小为700×550像素，对应的实际位置为北京师范大学的校园，图3为原始遥感影像，影像中的主要地物可划分为：树木，草地、假草、硅胶跑道、灰色建筑、白色建筑、阴影等。在原始影像上，为每一类地物选择样本构成分类的训练样本集，并在这同一训练样本集下分别进行了传统的最小距离、光谱角分类和笔者提出的基于光谱角和光谱距离自动加权的融合分类的实验，所得实验结果分别如图4、图5和图6所示。

图3 QuickBird北京师范大学校园原始影像

图4 QuickBird北京师范大学校园最小距离分类结果(KeenEye 2.0)

图5 QuickBird北京师范大学校园光谱角分类结果(KeenEye 2.0)

图6 基于光谱角和光谱距离自动加权融合分类结果(KeenEye 2.0)

随机选择50个样本点进行地面验证，得到3种分类方法分类的精度对比(表1)。

表1 3种分类方法结果对比

从表1实验数据可以看出，基于光谱角和光谱距离自动加权融合分类方法的总体分类精度和Kappa系数均高于传统的两种分类方法。从分类的视觉效果来看，前两种分类方法的分类结果显得比较破碎，出现的“椒盐现象”相对比较严重，而后者的分类结果则相对比较清晰和易于理解，原因在于笔者所提出的方法正是前两种分类方法分类结果的融合，是充分发挥了前两种分类方法的优势所得到的结果，分类的稳定性和抗噪能力得到加强。

4 结论

笔者提出的一种基于光谱角和光谱距离自动加权融合的分类方法，考虑到分类器之间的互补性，对传统多分类器分类的融合策略进行了改进，并且能在训练阶段根据样本分类属性自动调整各分类器对各类别进行分类的光谱角和光谱距离的权重系数，使融合后分类结果更加科学和准确。实验表明，该方法能够在分类中较好的发挥光谱角和光谱距离两者的优势，使分类的精度得到提高。

柏延臣，王劲峰.2005.结合多分类器的遥感数据专题分类方法研究［J］.遥感学报，9(5)：555-563.

曹宝，秦其明.2006.面向对象方法在SPOT 5遥感图像分类中的应用［J］.地理与地理信息科学，22(2)：46-49.

陈玉敏.2002.基于神经网络的遥感影像分类研究［J］.测绘信息与工程，27(3)：6-8.

李石华，王金亮，毕艳，等.2005.遥感图像分类方法研究综述［J］.国土资源遥感，(2)：1-6.

刘仁钊，廖文峰.2005.遥感图像分类应用研究综述［J］.地理空间信息，3(5)：11-13.

梅安新，彭望禄，秦其明，等.2001.遥感导论［M］.北京：高等教育出版社.

潘建刚，赵文吉，宫辉力.2004.遥感图像分类方法的研究［J］.首都师范大学学报：自然科学版，25(3)：86-91.

彭望琭，余先川，周涛，等.2003.遥感与影像解译［M］.4版.北京：电子工业出版社.

王旭红，贾百俊，郭建明，等.2008.基于SAM遥感影像的分类技术研究［J］.西北大学学报：自然科学版，38(4)：668-672.

遥李爽，丁圣彦，许叔明.2002.感影像分类方法比较研究［J］.河南大学学报：自然科学版，32(2)：70-73.

张宝光.1998.人工神经网络在遥感数字图像分类处理中的应用［J］.国土资源遥感，(1)：21-27.

NAUCK D，KRUSE R.1997.A Neuro-Fuzzy Method to Learn Fuzzy Classification Rules from Data［J］.Fuzzy Sets and Systems，89(3)：277-288.

JENSEN J R.2005.Introductory Digital Image Processing：A Remote Sensing Perspective，NY：Springer-Verlag.

HO SHIN-YING，LIU CHIA-CHENG，LIU SOUNDY.2002.Design of an Optimal Nearest Neighbor Classifier Using an Intelligent Genetic Algorithm ［J］.Pattern Recognition Letters，23(13)：1495-1503.

Automatic weighting fusion classification method based on spectral angle and spectral distance

YU Xian-chuan1，AN Wei-jie1，LV Zhong-hua1，ZOU Wei2

(1.College of Information Science and Technology，Beijing Normal University，Beijing 100875，China;2.Institute of Mineral Resources，Chinese Academy of Geological Sciences，Beijing 100037，China)

High resolution remote sensing image classification was one of the vital research points in the remote sensing field.Considering the high complementary of spectral angle and spectral distance in the classification，a new method called automatic weighting fusion classification based on spectral angel and spectral distance was proposed.It was an improvement of the strategy to merge the results of different classifiers based on automatic weighting fusion for different classifiers，which promoted the classification accuracy.The experimental results of QuickBird images showed that the classification accuracy of this method obviously exceeded both spectral angel classification and spectral distance classification，and this method could be widely used to classify and recognize various high spatial resolution remote sensing images.

Classification;Spectral angle;Spectral distance;Remote sensing;Spatial data;QuickBird

TP392

A

1674-3636(2012)01-0033-04

2012-01-05;编辑：陆李萍

国家高科技研究发展计划(2007AA12Z156);国家自然科学基金(40672195、41072245);北京市自然科学基金(4102029)

余先川(1967— )，男，博士，博士生导师，主要从事遥感影像与地质信息处理与分析，E-mail：yuxianchuan@163.com

10.3969/j.issn.1674-3636.2012.01.33