软划分在遥感图像分类上的应用

余慧娟+周坚华

摘要：BP神经网络是遥感图像分类研究应用最广泛的分类器之一，它以隶属度描述实体对应各类别的确定程度。常规基于BP网络的分类应用中，通常将像元归属为最大隶属度对应的类别，即硬划分，这种方式在混合像元存在时，容易产生误判现象。本文提出一种基于邻域分析的软划分算法，参考领域元素的隶属度情况，判断中心元素的类别。试验表明，该算法可使遥感图像的分类精度平均提高5.10%。

关键词：BP神经网络；遥感图像分类；软划分

引言：1986年，M cclelland等人提出了一种由多层前馈网络与误差反向传播学习方法（Back P ropagatlon，BP）结合形成的神经网络算法，即BP算法。该算法能学习并存储任何类型的输入输出映射，它对数据的类型没有特殊的要求，也不需要训练样本符合一定分布规律，如正态分布。这些特性非常适用于离散的多源数据。BP网络在进行图像分类时，并不将当前元素判给确定的类别，而是提供其归属各类的隶属度。这样的方式有助于描述像素在地物空间的自然分布状态。常规的硬划分方法，即直接将像素判给隶属度最高的类别，往往会存在像元误判现象。因为，像素类型识别依据的隶属度矩阵往往出现：①各类隶属度都很低，意味着此时隶属度数据不可靠，以此判断像素类别，错判率高。②BP网络的训练结果会受到训练区的选择、训练样本的数量和质量好坏、特征向量的计算和设置参数等影响，导致一些像素错判。为解决上述问题，本文提出了一种基于邻域分析的软划分算法，通过参考邻域元素的隶属度，对待分类图像的像素解模糊，提高分类精度。

1方法

基于BP网络的遥感图像分类输出结果通常为一个s×n的隶属度矩阵U（s为分类类别数，n为图像像元总数）。u描述了各像元归属各个类别的概率，在实际应用时，为了方便，往往选用硬划分方式，即将像素判给隸属度最大的类别，这种方式常常出现误判现象。为解决上述问题，本文提出利用像素在地理空间聚集的特性，即分析某个像素邻域同类元素的分布状况和隶属度情况，来判断该像素的归属类别。图1显示算法流程。

邻域分析是基于同类地物在地理空间聚集的特性，如果一个元素为某一类的邻域平均隶属度更大，则它为该类的可能性更大；如果邻域内，某一类的确定元素密度较大，那么这个邻域的中心元素属于该类的可能性更大。基于上述两个理论，对隶属度矩阵U做以下解模糊操作：

（1）获取隶属度矩阵。输入特征向量，训练BP网络，然后用训练好的网络对遥感图像分类。输出结果为一个隶属度矩阵U

（2）将试验图像的所有像元分为模糊元素类与确定元素类。指定一个隶属度阀值W1，本文设定W1=0.9，逐个判断矩阵u中的每一个元素，若该元素的最大隶属度p大于w1，则将其判定为p对应的类别，归为确定元素集，反之将其归为模糊元素集。

（3）计算邻域平均隶属度。在试验图像中，逐个计算模糊元素所有类别的邻域平均隶属度，如果平均隶属度的最大值f大于w 2（本文设定为0.5），则将该元素判定为f对应的类别，否则依然为模糊元素。

（4）计算邻域平均密度。在试验图像中逐个膨胀模糊元素，以其中一个元素为例，处理步骤包括：

①膨胀该元素，膨胀结构元素se可随分类情况设定，本文设定为3×3方形se。

②计算膨胀区域内，各个类别确定元素的密度。

③重复步骤①、②，重复次数可随试验区大小，识别地物类型与尺寸的不同而定，本文设定重复3次。

2讨论

下面将比较传统硬划分算法和基于邻域分析的软划分算法的分类精度变化，讨论软划分的意义和使用要点。

2.1分类精度评价

分别利用硬划分算法和软划分算法对遥感图像分类，两种算法均采用同一套训练样本集和测试样本集，使用B P网络将城市下垫面分为高层住宅，低层住宅，多层住宅，厂房，植被，道路，阴影和水体，共8类。本文选用全局精度（OA）和K appa系数作为算法精度的评估指标，图2为使用两种的模式的分类结果图，表1归纳了所有实例的精度评估数据。

图2 a为原图，图2 b为硬划分的分类图，图2 c为软划分的分类图。对比可见，相较于硬划分的分类情况，使用软划分后，图斑噪点有了明显的改善，尤其是红色矩形框标注的区域，原先呈离散状的噪点在解模糊后大都被相邻地物图斑吸收。

2.2分析

分析混淆矩阵，可以看到，硬划分算法的总体精度为83.6%，K appa系数为0.815；软划分算法的总体精度为88 7%，K appa系数为0.86 5，因此，在遥感图像分类上，软划分算法优于常规的硬划分算法。使用软划分算法做遥感图像分类，有助于地物信息的完整提取，用于进一步的研究（如做图，统计地物面积，面向对象分析等）。

总结：本文选取武汉和上海的6个试验区的遥感图像验证基于邻域分析的软划分算法的有效性，并将其与常规硬划分算法比较。试验表明，参考了地物空间聚集特性的软划分算法可使土地覆盖分类精度提高5.1%，Kappa系数可提高0.05。