面向高分辨率遥感影像分类的分层策略研究

2017-05-18曹磊

四川水泥 2017年5期

关键词：高分辨率分层精度

曹磊

(重庆交通大学土木工程学院重庆 400074)

面向高分辨率遥感影像分类的分层策略研究

曹磊

(重庆交通大学土木工程学院重庆 400074)

近年来，随着高分辨率卫星影像的大量获取，如何提高高分影像的分类精度成为目前遥感应用的难点。为此，本文开展基于易康软件的分层策略研究，利用遥感影像中丰富的光谱信息和空间信息，设计针对性的分层策略，通过易康中提供的分割和分类算法进行信息提取，然后与未使用分层策略的分类方法进行精度评定的对比，得出其在高分辨率影像分类信息提取上分类结果较好且分类精度较高的结果。基于易康软件的分层策略的研究使用，在高分辨率遥感影像分类中具有重要的现实意义。

高分辨率遥感影像；易康软件；分层策略；精度分析

引言

传统的遥感影像分辨率较低，遥感信息的提取与分类主要以人机交互的方式进行，效率低下且精度不高。随着高分辨率遥感影像应用的日益普及，人们针对这些能在较小空间尺度观测地物信息的影像做了很多研究，以便能更好的满足不断增长的高分辨率遥感影像的应用和研究需要，同时获得更为精细的遥感影像信息。中低分辨率的遥感影像虽然光谱信息较为丰富]4[，但是由于分辨率较低，解译时主要以一个个的像元单位进行，大多依靠光谱数据的组合差别来进行分类，很少考虑要素的大小、纹理、形状等特征，分类的效率和精度都不是很高。而易康（eCognition）面向对象的提取方法主要依靠高分辨率遥感影像的广泛应用发展起来的新方法，针对的不再是像元，而是对象，同时能充分利用高分辨率影像中的几何、纹理等特征来进行分类提取，效率快且精度高。

面向对象分类的方法日益成熟，用于分类提取的地物特征也越来越丰富，分割分类的算法更是多种多样，比如易康中有关分割方法有多尺度分割、棋盘分割和四叉树分割等，同样有关分类的算法研究也极为丰富，当然，不同的分类方法或者算法的使用研究肯定会使分类提取信息的精度更高，但是在面向对象分类方法日益成熟的今天，进行有关遥感图像分类中分层的进程策略研究也尤为重要。由于使用分层策略和不使用分层策略得出的分类结果精度不一样，不同的分类策略得出的分类结果评价精度也不一样，所以在分类时就要求我们针对需求的目标地物，使用优化的分层策略，以得到更好的分类结果。

1 分层策略

1.1分层策略的原则

分层从逻辑上将子系统划分成许多集合，而层间关系的形成要遵循一定的规则。通过分层，可以限制子系统间的依赖关系，使系统以更松散的方式耦合，从而更易于维护。子系统的分组标准包含以下几条规则：①可见度，各子系统只能与同一层及其下一层的子系统存在依赖关系。②易变性，最上层和最下层的元素可随着用户需求的改变而改变，中间的模型夹层也可随着上层复杂性的改变而改变。③通用性，一般将抽象的模型元素放置在模型的低层。如果它们不针对于具体的实施，则倾向于将其放置在中间层。分区分层的模式体系大多需要考虑这些方面，用户组织、技能领域、系统分布、保密领域、可变性领域等。

随着科学技术的发展，这种简便易分析的方法被人们广泛应用于各级学科之中，有关遥感影像的分类也不例外。针对影像越来越丰富的信息和越来越复杂的空间特征，将地物总体一层一层的分类开来，基于相同的父特征而又存在不同的子特征，比如将地物分为植被与非植被，植被再分为草地、林地等，父特征会满足相同的植被指数的要求，而子特征又会基于不同的纹理特征或者其他特征，分类的时候直接将复杂的地物根据各种要素的自身特征简单易化了，效率高，精度也高。

1.2分层策略的设计

针对遥感影像而言，地物要素的原始属性特征主要表现在其反射的光谱差异方面，除了可以直接利用地物要素在不同波段的光谱反射率来区分之外，通常还可以利用这些原始特征所衍生出来的其他属性特征来进行分类，这些属性包括全局性的光谱特征统计变量（植被指数NDVI等）和局部区域反映出的空间属性（包括纹理、形状、大小、空间关系等）。

分层设计主要考虑的特征有：

①平均值（mean）：由构成一个影像对象的所有像素的图层值计算得到的图层平均值。本次研究主要考虑的是影像的波段均值（Mean Nir、Mean Red等等）。

②标准差（StdDev）：由构成一个影像对象的所有像素的图层值计算的到的标准差。

③归一化植被指数（NDVI）：NDVI=（p（nir）-p（red ））/（p（nir ）+p（red ）），主要用于做植被和非植被的分类。其中p（nir）、p（red）分别代表近红外波段和红波段反射率。

④长度/宽度（Length/Width）：单个像素形状的长度宽度之比，此特征对于提取道路有明显优势。

本次研究针对性设计的分层策略框架结构如图1所示。

图1 分层策略框架体系及分层使用的特征信息

2 实验

2.1数据介绍

本次研究基于配准]1[校正之后的重庆某区县QuickBird多光谱影像和全色影像选取的实验区，分辨率为2.4m和0.6m，包含蓝（Blue）、绿（Green）、红（Red）、近红（Nir）和全色（Pan）5个波段的波段信息，研究区域影像大小为800×799像元，特征信息较为丰富，经ENVI软件预处理之后图像质量较好，无云层覆盖。影像实验区中大致包括水体、植被、建筑物、旱地和道路等地物信息。

2.2技术思路流程

2.3实验分析

基于分层和分割之后的影像，在分类时，未分层提取和分层提取均采用易康软件所提供的最临近法进行分类。使用最临近方法分类时首先要设置选用的特征信息，包括波段均值、标准差及长宽比等特征，建立类描述，然后选择不同地物信息的样本，最后使用分类算法进行分类。未分层提取和分层策略提取分类结果如图3所示。

图2 实验技术思路流程图

图3 原始影像及分类成果对比图

2.4 精度分析

易康针对分类提供了四种精度评价方法，主要包括：分类稳定性（Classification Stability）、最优分类结果概率（Best Classification Result）、基于像素的混淆矩阵（Error Matrix based on TTA Mask）、基于对象样本的混淆矩阵(Error Matrix based on Samples)。前两种主要针对“软分类”，即模糊分类的方式,后两种主要针对“硬分类”，也是我们平时最常用的混淆矩阵，差别在于一个基于TTA Mask以像素为统计对象进行精度评价，另一个是基于分割对象选择的样本进行精度评价。

评价的方法主要有用户精度、生产者精度、总体精度和Kappa系数等，其中总体精度和Kappa系数最能反应整个分类成果的精度，Kappa系数的计算公式具体如下：

设栅格总象元数为n，真实栅格为1的象元数为a1，为0的象元数为a0，模拟栅格为1的象元数为b1，为0的象元数为b0，两个栅格对应象元值相等的象元数为s，Kappa系数为k，则：

分类实验中的精度分析主要使用的是基于对象样本的混淆矩阵方法，这种方法要先选取样本点，一般使用的是人机交互的选取方式，然后借助易康提供的精度分析工具进行精度评定。精度评价的最终结果如表1所示。

表1 未分层提取与分层策略提取的单一类别精度对比和总体精度对比

在单一类别精度对比中，未分层方法的漏分错分方面主要体现在水体和植被这两个要素类上，而使用分层策略方法提取漏分错分方面主要体现在旱地和植被要素类上，总的来说，在错分漏分最大的要素类提取上，使用分层策略的提取精度更高，错分漏分的幅度更小。在Hellen精度和Short精度方面，未使用分层的提取精度最差主要集中在道路要素类上，由图3可明显看出，许多旱地水体等要素被错分为道路，道路的分类结果不理想。在条件Kappa系数方面，使用了分层策略提取的精度基本都优于未使用分层的提取，且都保持在0.6以上。

综合图3和表1可知，在总体精度和Kappa系数方面，未分层提取分类结果较差，使用分层策略进行信息提取分类的方法不管是在总体精度方面还是Kappa系数方面都明显优于未分层提取分类方法。