融合时间特征的遥感影像分类

李亮， 周亚光， 梁彬， 徐庆

(1.四川省第三测绘工程院,成都 610500； 2.国家测绘地理信息局重庆测绘院,重庆 400015)

融合时间特征的遥感影像分类

李亮1， 周亚光2， 梁彬1， 徐庆1

(1.四川省第三测绘工程院,成都 610500； 2.国家测绘地理信息局重庆测绘院,重庆 400015)

为了克服基于光谱纹理特征的影像分类法的不足，提出一种融合时间特征的遥感影像分类方法。以历史时期土地利用矢量图为辅助数据，对新时期遥感影像进行带约束的影像分割以获取像斑； 采用迭代统计的方法计算新时期遥感影像的地物类别转移概率； 利用地物类别转移概率表达时间特征，将其融入到像斑的后验概率中，构建顾及时间特征的像斑联合概率； 依据后验概率最大原则获取影像分类结果。采用QuickBird遥感影像进行的实验结果表明： 与基于光谱纹理特征的分类方法相比，所提出的方法能够显著提高影像分类的精度，总体分类精度与kappa系数分别提高了9.8%和17.9%，验证了所提方法的可行性和可靠性。

时间特征； 影像分类； 地物类别转移概率； 迭代； 最大后验概率

0 引言

影像分类是遥感影像的重要应用领域之一，在土地利用分类[1-2]、土地利用变化检测[3]和地图更新[4]中具有十分重要的意义。光谱特征是遥感影像中最直接的特征，在遥感影像分类中已得到广泛应用。受遥感影像中“同物异谱”及“同谱异物”现象的影响，仅利用光谱特征进行影像分类的精度有限[5-6]，融合多种特征的分类方法逐渐发展成为影像分类的研究热点[7]。纹理特征可较好地表达影像中像元灰度的空间分布规律，将其引入到影像分类中[8-9]，可以增大不同地物类别间的差异，从而提高影像分类精度。空间特征可较好地描述地物类别之间的空间邻接关系，融合空间特征进行影像分类，也能够提高影像分类的精度[10-12]。一定时期内，地物类别的改变取决于当前的人类活动，而人类活动又遵循当前的土地政策。地物类别在时间上并不相互独立，而是相互关联的。时间特征可以表达地物类别在时间上的关联，将时间特征引入到多时相遥感影像的联合分类中[13-15]，可取得较好的分类结果； 然而在单时相遥感影像分类中，目前较少考虑时间特征，因而一定程度上限制了影像分类精度的提高。

依据影像分类单元划分，影像分类主要有基于像元法和面向对象法[16-18]。影像对象亦称像斑，是一系列光谱相似、空间相邻像元的集合[19]。基于像元的分类法较难利用像元的空间特征，而面向对象的分类法则可充分利用像斑的光谱、纹理、空间及形状等特征。但现有面向对象的影像分类法尚没有顾及像斑的时间特征，为弥补这一不足，本文提出一种融合时间特征的遥感影像分类方法。

1 融合时间特征的分类方法

本文提出的融合时间特征的遥感影像分类方法，首先将历史时期的土地利用矢量图叠置在新时期遥感影像上，在矢量图的约束下对遥感影像进行分割获取像斑； 选取适当的训练样本，依据单像斑概率最大原则获取初始的影像分类结果； 结合像斑2个时相的地物类别，获取表达时间特征的地物类别转移概率，构建包含地物类别转移概率的像斑联合概率； 在此基础上对初始的分类结果进行修正，迭代此过程，获得最终的影像分类结果。

融合时间特征的遥感影像分类流程见图1。

图1 融合时间特征的遥感影像分类流程图

1.1 矢量图约束的影像分割

将历史时期土地利用矢量图通过栅格-矢量套合叠置到新时期遥感影像上，获得若干像斑。由于新时期遥感影像会发生变化，像斑中局部区域会发生改变，导致像斑内部的匀质性较差； 故以土地利用矢量图为约束，对遥感影像进行分割，即在各像斑内部进行二次分割，以获取光谱匀质性较高的像斑。eCognition软件可以实现专题图约束下的影像分割。本文利用该软件，将历史时期土地利用矢量图作为专题图，对新时期遥感影像进行了影像分割。图2是像斑二次分割的示意图，其中图2(a)为原始像斑A； 图2(b)为新时期影像数据，图中的单元格表示像元，单元格中的数字表示像元的灰度值； 图2(c)表示经过二次分割后的结果，像斑A中新增了像斑B。

(a) 原始图斑 (b) 新时期影像 (c) 二次分割结果

图2 像斑二次分割示意图

Fig.2 Schematic diagram of object re-segmentation

1.2 顾及时间特征的影像分类

土地利用矢量图与遥感影像对应的时相分别为t1和t2，地类数为m，地类集合Ω={Ω1,Ω2,…,Ωm}； 经矢量图约束下的影像分割后的像斑个数为n。令像斑在t1时相类别的集合为υ={υ1,υ2,…,υn}，其中υk(1≤k≤n)为第k个像斑的类别，且υk∈Ω； 像斑在t2时相类别的集合为ω={ω1,ω2,…,ωn}，其中ωk(1≤k≤n)为第k个像斑的类别，且ωk∈Ω； 像斑在t2时相的特征向量集合为X={X1,X2,…,Xn}，其中Xk(1≤k≤n)为第k个像斑对应的特征向量。依据最大后验概率原则，t2时相第k个像斑的地类ωk对应着式(1)的最大值，即

(1)

式中p(ωk|Xk,υk)为像斑的联合概率，表示第k号像斑在t1时相的地类为υk，t2时相特征向量为Xk的条件下，t2时相地类为ωk的条件概率。

依据条件概率公式，可得到

p(ωk,Xk,υk)=p(Xk|υk,ωk)p(υk,ωk) ,

(2)

p(υk,ωk)=p(ωk|υk)p(υk),

(3)

式中：p(Xk|υk,ωk)为第k个像斑在t1时相地类为υk，t2时相地类为ωk的条件下，t2时相特征向量为Xk的条件概率；p(υk,ωk)为第k个像斑在t1时相地类为υk，在t2时相地类为ωk的联合先验概率；p(ωk|υk)为地类从υk转变为ωk的转移概率；p(υk)为t1时相像斑类别为υk的先验概率。

将式(2)(3)代入式(1)，得到

(4)

为了对式(4)进行简化，本文根据像斑类别的客观规律作出以下假设： 像斑在t2时相的特征向量仅与像斑在该时相的地物类别有关，而与该像斑在t1时相的地物类别无关。在该假设条件下，则有

p(Xk|υk，ωk)=p(Xk|ωk)，

(5)

p(Xk，υk)=p(Xk)p(υk)，

(6)

式中p(Xk|ωk)为t2时相在像斑类别为ωk的条件下、特征向量为Xk的条件概率。

将式(5)(6)带入式(4)并进行化简，可得到

(7)

式中p(Xk)为与具体地物类别无关的常量。因此，式(7)右边的最大值也对应着p(Xk|ωk)p(ωk|υk)的最大值。

p(ωk|υk)为地类的时间特征，表示地类从υk转变为ωk的转移概率。当不考虑地类的时间特征时，则认为2个时相的地类互相独立，此时

p(ωk|υk)=p(ωk),

(8)

p(ωk|υk,Xk)=p(ωk|Xk)

(9)

成立。将式(9)(10)带入式(7)，可得

(10)

式(10)即为传统的最大后验概率分类法。式中p(ωk|Xk)为不考虑地物时间关联的单像斑概率，即t2时相在像斑特征向量为Xk的条件下、像斑类别为ωk的条件概率。传统的最大后验概率分类法只是本文方法的特殊情况，此时假定多个时相的地类互相独立。

1.3 影像分类模型求解

式(8)中待求解的参数为条件概率密度p(Xk|ωk)及地物类别转移概率p(ωk|υk)。在遥感影像中选取类别为ωk的若干训练样本像斑，求解出该类像斑对应的均值向量μωk与协方差矩阵qωk，假设其条件概率密度函数服从p维高斯分布，则可依

(11)

求解p(Xk|ωk)。

本文遍历2个时相像斑的地物类别，利用各地物类别的转移比例来代替地物类别的转移概率，即

p(ωk|υk)=s(υk,ωk)/s(υk),

(12)

式中：s(υk)为t1时相地类为υk的像斑总面积；s(υk,ωk)为t1时相地类为υk，t2时相地类为ωk的像斑总面积。所有地类的类别转移概率可以构成1个m×m的地类转移矩阵，即

(13)

式中：m为地类数；Ωi和Ωj分别为第i和j种地类； 各元素均介于0与1之间，且各行之和为1；p(Ωj|Ωi)为地类从Ωi转变为Ωj的转移概率。

利用本文方法进行影像分类时，需要获取表达时间特征的地物类别转移概率，获取方法有迭代法[13-14]和先验知识法[15]2种。迭代法采用迭代统计的方法挖掘影像信息，获取地物类别转移概率； 先验知识法则利用历史时期的土地利用数据，获取地物类别转移概率。先验知识法需要大量的历史辅助数据，且地物类别转移概率反映的是历史时期的地物时间特征，与当前时期地物的时间特征会存在一定差异。为此，本文采用迭代法来获取地物类别转移概率。在影像初始分类的基础上，获取初始的地物类别转移概率； 融合时间特征更新分类结果，统计各像斑地物类别，更新地物类别转移概率，迭代此过程获取最终的地物类别转移概率。具体的影像分类步骤为： ①将历史时期土地利用矢量图作为约束，对新时期遥感影像进行分割，以获取像斑； ②选取若干训练样本像斑，不考虑时间特征，利用式(11)计算对应的单像斑概率，依据最大后验概率准则，获取新时期影像的初始分类结果； ③遍历历史时期土地利用矢量图与新时期遥感影像的分类结果，计算地物类别转移概率，构建像斑的联合概率，获取融合时间特征的影像分类结果； ④重复执行步骤③，直到连续2次影像的分类结果不变或者变化的像斑在一定数目内，此时的影像分类结果即为最终的影像分类结果。

迭代算法中，影像初始分类结果十分重要。准确度较差的影像初始分类结果会导致地物类别转移概率偏差较大，甚至求解出错误的地物类别转移概率，从而降低最终的影像分类精度。因此，本文采用传统的最大后验概率法进行分类，以尽可能获取较为准确的影像初始分类结果。

2 结果与分析

实验数据为武汉市武昌城区的2002年土地利用矢量图(图3(a))与2005年QuickBird高分辨率遥感影像(图3(b))。土地利用矢量图采用高斯-克吕格投影，投影中央经线为E114°，包含像斑220个，地物类别总数为7类(道路、耕地、湖泊、江河、居民地、林地和裸地)。遥感影像包含蓝、绿、红、近红外4个波段，空间分辨率为2.4 m。预处理后土地利用矢量图与遥感影像对应地面为同一区域。图中左上角为长江，右下角为东湖。为了对影像分类结果进行精度评定，本文通过目视解译的方法制作了一幅标准影像分类图(图3(c))。

(a) 2002年土地利用矢量图 (b) 2005年QuickBird影像 (c) 2005年标准影像分类图(地表真实情况)

图3 实验数据

Fig.3 Data for experiment

自2002年以来，武昌城区大量湖泊转变为裸地与居民地，较多像斑内部发生了变化。本文利用eCognition软件，以2002年土地利用矢量图为约束，设置尺度参数为400，形状因子为0.20，紧致度为0.85，对2005年QuickBird遥感影像进行二次分割，获得含342个像斑的二次分割图(图4(a))； 图4(b)为像斑二次分割的局部示意图，图中像斑在2002年矢量图中的地物类别为裸地，而在2005年像斑中部分区域被建设成居民地，产生了2个新的像斑。

(a) 2005年影像分割图 (b) 像斑二次分割局部示意图(套合图像均为2005年遥感影像)

图4 QuickBird遥感影像二次分割图

Fig.4 Resegmentation diagram of the object in QuickBird image

2.1 影像分类实验

为了验证本方法的有效性，以2005年标准影像分类图(图3(c))为地表真实情况，对比了本方法与不考虑时间特征的单像斑概率法，如图5所示。

(a) 单像斑概率法 (b) 本文方法

图5 2种影像分类法对比

Fig.5 Comparison between two methods for image classification

从图5可以看出，利用单像斑概率法进行影像分类时，部分居民地被错分为裸地(黑色矩形框内)，部分裸地被错分为耕地(黑色椭圆形框内)，部分耕地被错分为林地(黑色圆形框内)，且大量的道路被误分为居民地(图5(a))； 而用本文方法进行影像分类时，部分被单像斑概率法误分为裸地的居民地被正确划分为居民地，且大量的道路被正确划分出来(黑色箭头指向区域) (图5(b))。这是因为道路、居民地和裸地3者的光谱纹理特征相似，均具有较高的灰度值，且纹理特征简单，因此传统的分类器很难将3者正确区分； 而引入时间特征后，道路随时间发生变化的概率较小，且居民地转变为裸地的概率较小，因此分类器能将3者正确区分开来。图5(a)中黑色矩形框内2002年的地物类别为居民地，对于时间特征而言，居民地转变为居民地的概率大于居民地转变为裸地的概率，因此引入时间特征后，图5(b)中这部分区域能被正确划分为居民地； 图5(a)中黑色椭圆形框内2002年的地物类别为湖泊，对于时间特征而言，湖泊转变为裸地的概率大于湖泊转变为耕地的概率，因此引入时间特征后，图5(b)中这部分区域能被正确划分为裸地； 图5(a)中黑色圆形框内2002年的地物类别为耕地，对于时间特征而言，耕地转变为耕地的概率大于耕地转变为林地的概率，因此引入时间特征后，图5(b)中这部分区域能被正确划分为耕地。

为了进一步定量比较2种方法的分类精度，本文分别统计了2种分类结果的混淆矩阵(表1和表2)，其中行表示像元的地面真实类别(图3(c))，列表示用分类算法检测的像元类别，单元格中的数字表示像元个数。例如，表1中“耕地”行与“林地”列对应单元格中的数字为11 324，这表示地面真实类别为耕地、算法检测类别为林地的像元个数为11 324。

表1 单像斑概率法分类精度

表2 本文方法分类精度

从表1和表2中可以看出，本文方法的总体分类精度及Kappa系数分别为96.1%和0.929，而单像斑概率法的总体分类精度及Kappa系数分别为86.3%和0.750，本文方法的分类精度较优。利用本文方法融合时间特征后，分类精度改善最明显的是道路和裸地。单像斑概率法中较多道路被错分为居民地，道路制图精度仅为35.1%； 而本文方法中，制图精度提升到了100.0%。单像斑概率法中较多裸地被错分为居民地，制图精度仅为65.4%； 而本文方法中，制图精度提升到了95.9%。

2.2 时间特征分析

本文方法通过3次迭代后，影像分类结果不再发生改变，算法得到收敛。收敛的地物类别转移矩阵如表3所示。表3示出2002―2005年间地物类别之间的转移概率，其中行与列均表示地物类别，单元格中的数字表达转移概率。例如，表中“耕地”行与“居民地”列对应单元格中的数字为0.05，这表明耕地向居民地的转移概率为0.05。

表3 地物类别转移矩阵

从表3可以看出，除了裸地，矩阵对角线上的元素均较大，这表明地物类别在时间上具有一定的稳定性，不会轻易向其他地物类别转变。城市中的裸地是一种过渡的地物类型，受人为影响较大，在时间上的稳定性也较差，通常用来建设居民地。表3中，裸地向居民地转变的概率为1，这是因为实验数据的时间跨度为3 a，时间跨度较大，城市中裸地已经全部建设成为居民地； 湖泊向裸地转变的概率为0.3，而耕地向裸地转变的概率为0，这表明随着国家对耕地的严格控制，占用耕地建设居民地的现象得到一定程度缓解，而大量湖泊却被填平为裸地用来建设居民地，因此需要加强对湖泊的保护。

3 结论

时间特征是多时相遥感影像中的隐藏信息，在影像分析时十分重要。本文提出的融合时间特征的影像分类方法，以历史时期土地利用矢量图为辅助数据，构建表达时间特征的地物类别转移概率，将地物类别转移概率融合到最大后验概率法中，提高了影像分类的精度。得出的结论如下：

1)融合时间特征能够提高影像的分类精度。道路、裸地、居民地等光谱纹理特征相似的地物，引入时间特征后能得到有效划分，从而提高影像的分类精度。

2)除裸地外，各类地物在时间上较为稳定，较少向其他地物转变。城市中的裸地是一种过渡状态，在时间上的稳定性较差，容易转变为居民地。

为了进一步提高本文方法的理论严密性，围绕本文的研究工作，今后还需针对文中的假设前提作出详细的验证，以确保假设条件的合理性与正确性。

[1] 白穆,刘慧平,乔瑜,等.高分辨率遥感图像分类方法在LUCC中的研究进展[J].国土资源遥感,2010,22(1):19-23.doi:10.6046/gtzyyg.2010.01.03. Bai M,Liu H P,Qiao Y,et al.New progress in the classification of high spatial resolution satellite images for LUCC[J].Remote Sensing for Land and Resources,2010,22(1):19-23.doi:10.6046/gtzyyg.2010.01.03.

[2] 杨耘,徐丽,颜佩丽.条件随机场框架下基于随机森林的城市土地利用/覆盖遥感分类[J].国土资源遥感,2014,26(4):51-55.doi:10.6046/gtzyyg.2014.04.09. Yang Y,Xu L,Yan P L.Urban land use/cover classification of remote sensing using random forests under the framework of conditional random fields[J].Remote Sensing for Land and Resources,2014,26(4):51-55.doi:10.6046/gtzyyg.2014.04.09.

[3] 杨胜,李敏,彭振国,等.一种新的多波段遥感影像变化检测方法[J].中国图像图形学报,2009,14(4):572-578. Yang S,Li M,Peng Z G,et al.A novel multi-band remote sensing image change detection algorithm[J].Journal of Image and Graphics,2009,14(4):572-578.

[4] 万幼川,宋杨.基于高分辨率遥感影像分类的地图更新方法[J].武汉大学学报:信息科学版,2005,30(2):105-109. Wang Y C,Song Y.Application of maps revision based on classification of high resolution satellite images[J].Geomatics and Information Science of Wuhan University,2005,30(2):105-109.

[5] 徐涵秋.基于SFIM算法的融合影像分类研究[J].武汉大学学报:信息科学版,2004,29(10):920-923. Xu H Q.Classification of fused imagery base on the SFIM algorithm[J].Geomatics and Information Science of Wuhan University,2004,29(10):920-923.

[6] 崔炳德.支持向量机分类器遥感图像分类研究[J].计算机工程与应用,2011,47(27):189-191. Cui B D.Remote sensing image classification based on SVM classifier[J].Computer Engineering and Applications,2011,47(27):189-191.

[7] 陈秋晓,骆剑承,周成虎,等.基于多特征的遥感影像分类方法[J].遥感学报,2004,8(3):239-245. Chen Q X,Luo J C,Zhou C H,et al.Classification of remotely sensed imagery using multi-features based approach[J].Journal of Remote Sensing,2004,8(3):239-245.

[8] Zhao Y D,Zhang L P,Li P X,et al.Classification of high spatial resolution imagery using improved Gaussian Markov random-field-based texture features[J].IEEE Transactions on Geoscience and Remote Sensing,2007,45(4):1458-1468.

[9] 张楼香,阮仁宗,夏双.洪泽湖湿地纹理特征参数分析[J].国土资源遥感,2015,27(1):75-80.doi:10.6046/gtzyyg.2015.01.12. Zhang L X,Ruan R Z,Xia S.Parameter analysis of image texture of wetland in the Hongze lake[J].Remote Sensing for Land and Resources,2015,27(1):75-80.doi:10.6046/gtzyyg.2015.01.12.

[10]谭熊,余旭初,张鹏强,等.基于MKSVM和MRF的高光谱影像分类方法[J].国土资源遥感,2015,27(3):42-46.doi:10.6046/gtzyyg.2015.03.08. Tan X,Yu X C,Zhang P Q,et al.Hyperspectral images classification based on MKSVM and MRF[J].Remote Sensing for Land and Resources,2015,27(3):42-46.doi:10.6046/gtzyyg.2015.03.08.

[11]乔程,沈占锋,吴宁,等.空间邻接支持下的遥感影像分类[J].遥感学报,2011,15(1):88-99. Qiao C,Shen Z F,Wu N,et al.Remote sensing image classification method supported by spatial adjacency[J].Journal of Remote Sensing,2011,15(1):88-99.

[12]赵红蕊,阎广建,邓小炼,等.一种简单加入空间关系的实用图像分类方法[J].遥感学报,2003,7(5):358-363. Zhao H R,Yan G J,Deng X L,et al.A classification method based on spatial information[J].Journal of Remote Sensing,2003,7(5):358-363.

[13]Bruzzone L,Serpico S B.An iterative technique for the detection of land-cover transitions in multitemporal remote-sensing images[J].IEEE Transactions on Geoscience and Remote Sensing,1997,35(4):858-867.

[14]Demir B,Bovolo F,Bruzzone L.Detection of land-cover transitions in multitemporal remote sensing images with active-learning-based compound classification[J].IEEE Transactions on Geoscience and Remote Sensing,2012,50(5):1930-1941.

[15]李雪,舒宁,王琰,等.利用土地利用状态转移分析的变化检测[J].武汉大学学报:信息科学版,2011,36(8):952-955. Li X,Shu N,Wang Y,et al.Change detection based on land-use status transition analysis[J].Geomatics and Information Science of Wuhan University,2011,36(8):952-955.

[16]邓媛媛,巫兆聪,易俐娜,等.面向对象的高分辨率影像农用地分类[J].国土资源遥感,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24. Deng Y Y,Wu Z C,Yi L N,et al.Research on object-oriented classification of agricultural land based on high resolution images[J].Remote Sensing for Land and Resources,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24.

[17]陈云浩,冯通,史培军,等.基于面向对象和规则的遥感影像分类研究[J].武汉大学学报:信息科学版,2006,31(4):316-320. Chen Y H,Feng T,Shi P J,et al.Classification of remot sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.

[18]Byun Y G,Han Y K,Chae T B.A multispectral image segmentation approach for object-based image classification of high resolution satellite imagery[J].KSCE Journal of Civil Engineering,2013,17(2):486-497.

[19]Tang Y Q,Zhang L P,Huang X.Object-oriented change detection based on the Kolmogorov-Smirnov test using high-resolution multispectral imagery[J].International Journal of Remote Sensing,2011,32(20):5719-5740.

(责任编辑： 邢宇)

Remote sensing image classification based on fusion of temporal features

LI Liang1， ZHOU Yaguang2， LIANG Bin1， XU Qing1

(1.TheThirdAcademyofEngineeringofSurveyingandMapping，Chengdu610500，China； 2.ChongqingInstituteofSurveyingandMapping，NASG，Chongqing400015，China)

In order to overcome the shortcomings of the traditional image classification based on spectral and texture, the authors propose an image classification method considering temporal features in this paper. Land use vector map in historical period was used as auxiliary data. The objects were extracted by image segmentation under the constraint of land use vector map. The land cover transition probability which represents temporal feature was calculated by iterative statistic method. The joint probability of object based on temporal feature was built after integrating the land cover transition probability into the traditional maximum posteriori probability. The image classification map was obtained by the maximum posteriori probability theory. The experimental results based on the QuickBird image show that the proposed method can improve the accuracy of the image classification result. Compared with things of the traditional classifier using spectral and texture features, the overall classification accuracy and kappa coefficient of the proposed method are increased by 9.8% and 17.9% respectively.

temporal feature； image classification； land cover transition probability； iterative； maximum posteriori probability

10.6046/gtzyyg.2017.01.06

李亮,周亚光,梁彬,等.融合时间特征的遥感影像分类[J].国土资源遥感,2017,29(1)：36-42.(Li L,Zhou Y G，Liang B,et al.Remote sensing image classification based on fusion of temporal features[J].Remote Sensing for Land and Resources,2017,29(1)：36-42.)

2015-09-25；

2015-12-11

测绘地理信息公益性行业科研专项项目“卫星遥感与地面传感网一体化的湖泊流域地理国情监测关键技术研究”(编号： 201512026)、四川省地理国情监测工程技术研究中心项目“基于时序遥感影像的土地利用变化检测方法研究”(编号： GC201506)及四川省测绘地理信息局科技计划项目“基于Web的四川省地理国情监测数据成果展示方法与实现”(编号： J2014ZC16)共同资助。

李亮(1987-),男,博士,工程师,主要从事遥感影像的智能化解译研究。Email： liliang1987wuda@163.com。

TP 751.1

A

1001-070X(2017)01-0036-07