面向对象的遥感影像单类分类

薄树奎　荆永菊

摘 要： 在遥感影像中只提取其中的一个特定类别，称为单类分类。结合面向对象分析方法，采用单类分类器提取影像中的兴趣类别。首先，探讨了面向对象遥感影像数据的分布特征和分割参数选择问题；然后，基于分割产生的影像对象，利用单类支持向量机方法，提取遥感影像中的特定类别信息。实验结果与基于像素的单类分类方法进行比较，表明结合面向对象的单类分类方法具有更高的分类精度。

关键词： 单类分类； 面向对象技术； 遥感影像； 支持向量机

中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2016）07?0048?03

Abstract： One?class classification is to extract a specific class in remote sensing image. In combination with the object?oriented analysis method， the one?class classifier is used to extract the interest class from the remote sensing image. The distribution characteristics of object?oriented remote sensing image data and segmentation parameter selection are discussed. And then， on the basis of image object generated from segmentation， the method of one?class support vector machine is used to extract the specific classification information in remote sensing image. The result of object?oriented one?class classification method is compared with the experimental result， it shows that the object?oriented one?class classification method has higher classification accuracy.

Keywords： one?class classification； object?oriented technology； remote sensing image； support vector machine

0 引 言

单类信息提取是遥感影像分类中的一种特殊情况，旨在提取影像中的某个特定的类别，例如植被、水田、水体、岩矿提取等[1?4]，都是单类信息提取问题。提取遥感影像中的特定类别信息，既可以采用传统的多类分类器，也可以使用单类分类器。采用传统的多类分类方法，需要采集影像中的所有地物类别样本对分类器进行训练；而使用单类分类方法，只需采集兴趣类别样本对分类器进行训练，分类结果也是提取单个的兴趣类别，即正类信息。单类分类是遥感影像信息提取的新方法，研究者提出的分类器主要有支持向量相关的方法、最大熵方法等[5?7]。典型的基于支持向量的方法是单类支持向量机（One?Class Support?Vector Machine，OCSVM）[5]。OCSVM方法适合高维空间数据处理，但是在实际应用中需要设置较多的自由参数，而且分类结果对参数敏感。另一个基于支持向量的方法是 Transductive SVM（TSVM）方法[6]，该方法的特点是除了兴趣类别样本外，还要利用未标记样本对分类器进行训练。支持向量相关的方法还有SVDD方法（Support Vector Data Description，SVDD）[8?9]，其主要思想是利用包含正类样本的尽可能小的超球进行判别，SVDD和OCSVM方法类似，具有小样本训练的优势，其主要问题也是分类结果对参数设置敏感。近几年提出的单类分类方法还有PUL（Positive And Unlabeled Learning）算法[10]和MAXENT方法[7]，两种方法用于提取高分辨率遥感影像中的单类信息，实验表明分类精度高于OCSVM方法。

在遥感影像分析中，面向对象思想是首先将影像分割成匀质区域即对象，然后以这些匀质区域为单元进行遥感影像的处理与分析[11?12]。与以往基于单个像素的方法相比，由于图像区域的生成过程中不仅考虑像素的光谱信息，还结合了邻近像素的空间信息，因此，面向对象方法具有其独特的优势。此外，遥感影像分割产生的图像对象具有更加丰富的属性信息，包含光谱、大小、形状以及纹理等属性，在遥感影像分析中增加了分类的依据。本文研究基于影像对象的遥感影像单类分类，利用面向对象分析方法的优势，仅依靠兴趣类别训练样本，进行遥感影像单类信息提取。

1 面向对象的遥感影像分析

1.1 数据分析

面向对象的遥感影像分析中，以分割后产生的影像对象为处理单元，影像对象的光谱特征值是其中所有像素的均值。因此，在影像分割后实际上生成了另外一个数据集，该数据集中的数据元素是若干像素的光谱特征值平均后的均值总体。一般情况下，新的数据集中的数据元素比分割前小得多，而且标准差也发生变化。

所以，从理论分析来看，面向对象的遥感影像分类中，分割后数据集的期望值不变，而类内方差为分割前的[1m]倍；因此，影像数据中各个类别之间的类间距离不变，类内方差大大减小，增加了类别可分性。在单类分类中，由于只选取兴趣类别训练样本，没有其他类别作为比较，需要设定相应的阈值参数，类间可分性的增加，降低了分类阈值参数选择的难度，从而提高了分类精度。

1.2 分割尺度选择

面向对象分类方法中影像分割的粗细程度也称为分割尺度，不同的分割尺度反映了分割后影像对象的面积大小，大尺度值生成的影像对象大，小尺度则对应较小的影像对象。一般情况下，影像分割采用统一的尺度，而事实上，在一定的遥感影像中，每个类别都有其最佳的尺度值。在实际应用中，不同的分割方法具有不同的参数设置情况，这些参数就决定了分割的尺度，最佳尺度的选择是个复杂的问题，这里暂不深入研究。本文根据兴趣类别的训练样区，采用启发式方法确定图像分割尺度，尺度的选择独立于具体的分割方法。首先将原图像进行多尺度分割，在从小到大的多尺度分割过程中，当分割结果将兴趣类别的每个训练样区都分割成一个图像对象时，即每个训练样区包含在单一的图像对象中，而邻近的非兴趣类别划分在不同的图像对象中，此时的分割尺度作为最终分割结果。

2 实验结果

实验数据如图1（a）所示，影像中包括四个类别：不透水面、草地、林地和水体。分别对这四个地物类别进行单类分类并对结果进行精度评价。单类分类的精度评价指标有生产者精度、用户精度、总体精度和Kappa系数。生产者精度指某一类别的正确分类数占参考数据中该类别像素总数的比例，而用户精度指某一类别正确分类数占分为该类像素总数的比例。总体精度和Kappa反映的是结果中正类和负类的综合评价指标。首先以区域合并方法做影像分割，产生匀质的图像斑块，分割结果如图1（b）所示。

以OCSVM作为单类分类器，采用基于影像对象和基于像素两种方法，提取兴趣类别，并做比较分析。OCSVM方法中选择RBF核函数，并通过10折交叉验证获得各种参数。在实验中，通过目视解译为每个类别选择训练样本和测试样本。

实验影像中各地物类别提取的实验结果如图2所示，对应的分类精度估计见表1。表1中面向对象方法的单类分类精度明显高于基于像素的方法，包括每个类别的各项评价指标，面向对象方法都能获得了较高的精度。从实验结果中可以看出，基于像素的单类分类结果包含较多细小的斑点，有正类的也有负类的，而采用面向对象方法的分类结果比较平滑均匀，这正是面向对象方法的优势，将邻近区域合并成为匀质的斑块再分类的结果，更符合人的视觉习惯。

另一实验数据为图3所示的高分辨率SPOT5影像，通过目视解译其中包括不透水面、植被、裸地和水体四个类别，分别基于像素和影像对象对其进行各个单类的提取。训练样本和测试样本都采用目视解译选择，并对分类结果进行评价。SPOT5影像中的各地物类别提取的实验结果如图4所示，对应的分类精度估计见表2，可以看出，在高分辨率遥感影像单类分类中，面向对象方法的分类精度高于基于像素的方法。

3 结 语

本文研究了面向对象的遥感影像单类分类问题。单类分类是遥感应用中的一个重要方面，采用的单类分类器是一种特殊的分类器，在学习过程中只需要兴趣类别的训练样本。单类分类器一般都需要设置阈值判断未知样本的类别归属，因此，对于类间可分性小的数据集具有一定的局限性。面向对象方法在分割阶段结合了影像的空间信息和光谱信息，增加了分类依据。另一方面，面向对象方法对原影像数据集进行优化，减小了类内方差，增加了类间可分性，使得单类分类器分类精度提高。

参考文献

[1] TOOKE T R， COOPS N C， GOODWIN N R， et al. Extracting urban vegetation characteristics using spectral mixture analysis and decision tree classifications [J]. Remote sensing of environment， 2009， 113（2）： 398?407.

[2] 张友水，原立峰，姚永慧.多时相MODIS影像水田信息提取研究[J].遥感学报，2007，11（2）：282?288.

[3] 徐涵秋.利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J].遥感学报，2005，9（5）：589?595.

[4] 闫柏琨，王润生，甘甫平，等.热红外遥感岩矿信息提取研究进展[J].地球科学进展，2005，20（10）：1116?1126.

[5] SCHOLKOPF B， PLATT J C， SHAWE?TAYLOR J， et al. Estimating the support of a high?dimensional distribution [J]. Neural computation， 2001， 13（7）：1443?1471.

[6] BRUZZONE L， CHI M， MARCONCINI M. A novel transductive SVM for semisupervised classification of remote?sensing images [J]. IEEE transactions on geoscience and remote sensing， 2006， 44（11）： 3363?3373.

[7] LI W K， GUO Q H. A maximum entropy approach to one?class classification of remote sensing imagery [J]. International journal of remote sensing， 2010， 31（8）： 2227?2235.

[8] MUNOZ?MARI J， BRUZZONE L， CAMPS?VAILS G. A support vector domain description approach to supervised classification of remote sensing images [J]. IEEE transactions on geoscience and remote sensing， 2007， 45（8）： 2683?2692.

[9] SANCHEZ?HERNANDEZ C， BOYD D S， FOODY G M. One?class classification for mapping a specific land?cover class： SVDD classification of fenland [J]. IEEE transactions on geo?science and remote sensing， 2007， 45（4）： 1061?1073.

[10] LI W K， GUO Q H， ELKAN C. A positive and unlabeled learning algorithm for one?class classification of remote?sen?sing data [J]. IEEE transactions on geoscience and remote sensing， 2011， 49（2）： 717?725.

[11] BENZ U C， HOFMANN P， WILLHAUCK G， et al. Multi?resolution， object?oriented fuzzy analysis of remote sensing data for GIS?ready information [J]. ISPRS journal of photogrammetry and remote sensing， 2004， 58（3/4）： 239?258.

[12] 何少林，徐京华，张帅毅.面向对象的多尺度无人机影像土地利用信息提取[J].国土资源遥感，2013，25（2）：107?112.