不同高分辨率影像的多尺度叠加分类研究
2021-07-27石芳华
石芳华
摘 要：随着传感器技术的不断发展，高分辨率遥感影像数据的获取也越来越方便。但在遥感影像分类中，并不是空间分辨越高，分类精度就越高。以SPOT5 HRG影像和高分一号影像为数据源，进行多尺度分类实验。首先，采用立方卷积法对两种影像进行尺度扩展，利用变异函数计算影像中各地类的最优尺度;其次，采用最大似然法对其进行多尺度分类;最后，利用混淆矩阵、总体分类精度和Kappa系数对其分类精度进行评价。结果表明，研究多尺度分类方法可以提高遥感影像的分类精度。
关键词：多尺度 最优尺度 高分辨率影像 遥感分类
中图分类号：P237 文献标识码：A文章编号：1672-3791（2021）03（a）-0087-03
Multi scale overlay classification of different high resolution images
SHI Fanghua
（Hubei University of technology， Wuhan， Hubei Province， 430064 China）
Abstract： Abstract： With the development of sensor technology， the acquisition of high-resolution remote sensing image data is more and more convenient. But in the classification of remote sensing images， the higher the spatial resolution is， the higher the classification accuracy is. The multi-scale classification experiments were carried out with SPOT5 HRG image and High Resolution NO. 1 image as data sources. Firstly， the cubic convolution method is used to expand the scale of two kinds of images， and the optimal scale of different classes in the image is calculated by using the variation function. Secondly， the maximum likelihood method is used to classify them in multi-scale. Finally， the classification accuracy is evaluated by using confusion matrix， overall classification accuracy and kappa coefficient. The results show that the multi-scale classification method can improve the classification accuracy of remote sensing images.
Key words： multi scale; optimal scale; high resolution image; remote sensing classification
更高空間分辨率遥感影像数据的获取，随着传感器技术的不断发展也成为可能。人们常常以为采用空间分辨率高的遥感影像，能提高土地覆盖分类的分类精度。其实不然，即使是高空间分辨率影像也很难反映真实客观的地学特征现象。一般来说，遥感信息都存在尺度效应[1]。因此，在研究特定的目标时，需找到一个合适分辨率的遥感信息，反映研究目标的空间分布结构特性。
目前为止，最佳分辨率（最优尺度）的选择方法都是基于统计学理论。Woodcock和Strahler提出了一种用遥感图像的平均局部方差来确定最优分辨率的方法，当局部方差值达到最大时，对应的空间分辨率被称为最优的空间分辨率。Atkinson等通过计算不同空间分辨率影像的变异函数来确定最优分辨率，变异函数值达到最大时，对应的空间分辨率即为最优空间分辨率[2]。
1 基本原理
1.1 最优尺度选择方法
该文主要采用变异函数法对地物类型进行最优尺度选择。近年来，地统计学方法在研究遥感信息的尺度效应问题时应用最为广泛[3]。在地统计学中，半方差是对变量空间变异（空间依赖性）的一个度量，它通过计算变量的变异函数得到不同的变异函数，从而揭示不同变量的空间变异特征。在遥感数据中，支集和空间分辨率是相对应的。因为变量的空间分异是随支集的大小而变化的，因此，可以通过研究变异函数的结构来确定合适的空间分辨率[4]。
（1）
式中：Z（X）表示一个定义在二维空间中x位置的随机函数，h为空间间隔或步长。
1.2 基于多尺度的遥感影像分类方法
多尺度分类就是将各地类最优尺度所对应的影像合成一幅影像，再对其进行分类[5]。例如，SPOT5 HRG影像的各地类的最优尺度分别在22.5 m、25 m、20 m和10 m，将25 m、22.5 m和20 m都重采样至最大尺度10 m，再将4幅影像进行叠加成1副影像。此时，叠加后的SPOT5 HRG影像就有16个波段，不仅包含原始尺度的信息，还包含其他尺度的信息。
2 数据结果处理与分析
实验区数据选用的是覆盖同区域的SPOT5 HRG影像和高分一号影像两种数据。
结合实验区的实际情况，将实验区地物类型分为居民地、道路、耕地、林地、灌丛、草地、水体和河漫滩8类。另外，高分辨率遥感影像分类中存在的阴影问题比较严重，为了保证分类结果的准确性和合理性，将阴影列为一类参与分类。所以，地物类型一共为9类。
2.1 SPOT5 HRG影像和高分一号影像的最优尺度选择
通过计算SPOT5 HRG影像和高分一号影像各地类在各尺度上的变异函数，然后进行各地类的最优尺度选择[5]。结果发现：一是地类不同，最优尺度也不相同：水体的最优尺度都很大，在25 m和30 m左右;耕地、草地、道路和灌丛的最优尺度在22.5 m和22 m左右。二是绝大部分地类的最优尺度不在原始尺度，而是在更大的尺度上。除河漫滩和阴影的最优尺度是在原始尺度上，其他地类的最优尺度都是在比原始尺度更大的尺度上[6]。
2.2 基于多尺度的SPOT5 HRG影像和高分一号影像分类结果比较
2.2.1 SPOT5 HRG影像单尺度与多尺度分类
对融合前后的原始多光谱影像数据和多尺度叠加影像数据进行最大似然法分类，分类结果如图1所示。
基于SPOT5 HRG影像，原始影像总体分类精度为57.21%，多尺度叠加的影像的总体分类精度为70.05%，多尺度叠加的影像分类结果的总体分类精度比原始多光谱影像的总体分类精度高12.84%，多尺度叠加的影像分类结果的Kappa系数比原始多光谱影像的Kappa系数高0.130 6。
2.2.2 高分一号影像单尺度與多尺度分类
对融合前前后的原始多光谱影像数据和多尺度叠加影像数据进行最大似然法分类，分类结果如图2所示。
基于高分一号影像，见表1和表2所示，原始影像总体分类精度为62.05%，多尺度叠加的影像的总体分类精度为76.81%，比原始多光谱影像的总体分类精度高14.76%，多尺度叠加的影像分类结果的Kappa系数比原始多光谱影像的Kappa系数高0.141 9。
由图1和图2可以看出，无论是SPOT5 HRG影像还是高分一号影像，其原始多光谱影像的最大似然法分类结果椒盐现象较严重，小碎块也比较多，错分现象明显，尤其是道路。多尺度叠加影像的分类结果相比其原始多光谱影像的分类结果，椒盐现象得到明显的改善，小碎块相对较少，错分现象也相对较少。
由此可见，多尺度叠加影像的分类精度相比其原始多光谱影像的分类精度都得到一定程度的提高。因此，基于最优尺度的多尺度叠加影像分类可以提高遥感影像的分类精度。
3 结语
随着遥感技术的发展和应用的扩展，高分辨率遥感影像的获取成为可能。但并不是遥感影像的空间分辨率越高，遥感影像的分类精度越高。该文通过计算各地物类型的最优尺度，并在此基础上进行多尺度分类。结果表明，基于多尺度的分类方法，可以提高高分辨率遥感影像的分类精度，这对以后高分辨率遥感影像的分类，具有一定的借鉴意义。该文仅是分析了不同地物类型的最优尺度有所不同，实际上，同一种地物类型也可能因空间布局的不同导致同一个地物类型的最优尺度出现不同。在以后的研究中，在最优尺度的选择上，不仅需要分析不同地物类型的最优尺度，同时也应该分析同一种地物类型间的不同，以便提高遥感影像分类的精度。
参考文献
[1] 马永建.基于CNN的高分辨率遥感影像典型农作物分类方法研究[D].石河子大学，2020.
[2] 王雅慧.高分辨率多光谱遥感影像森林类型分类深度U-net优化方法[J].林业科学研究，2020，33（1）：11-18.
[3] 王志盼.单类分类框架下的高分辨率遥感影像建筑物变化检测算法[J].武汉大学学报：信息科学版，2020，45（10）：1610-1618.
[4] 董胜光.顾及阴影补偿的高分辨率遥感影像对象级稀疏表示分类[D].湖南师范大学，2019.
[5] 楚恒，蔡衡，单德明.高分辨率遥感影像的多特征多核ELM分类方法[J].计算机工程与科学，2019，41（10）：1816-1822.
[6] 黄磊.基于模糊聚类的高分辨率遥感影像分类算法研究[D].重庆邮电大学，2019.
