基于高分辨率遥感影像的居民地分类方法研究

摘 要：随着我国城镇化进程的不断深入，大量乡村居民地已经转化为城镇居民地，为了度量二者实时的转化情况，该文提出一种基于监督分类机制的居民地分类方法，该方法首先采用边缘特征及高斯函数量化影像上的局部特征，然后构建5种城镇及乡村居民地分类规则，其次创建训练样本对各类规则进行学习，最后通过城镇及乡村测试样本验证该文方法的精度。实验表明，该文方法可以对高分辨率遥感影像城镇及乡村居民地进行初级分类，为“城镇化”进程提供一个新的衡量指标。

关键词：高分辨率遥感影像；居民地；监督分类；分类规则；训练样本

中图分类号：P237 文献标志码：A 文章编号：2095-2945（2024）29-0154-04

Abstract： With the deepening of urbanization in China， a large number of rural residential areas have been transformed into urban residential lands. In order to measure the real-time transformation of the two， this paper proposes a residential land classification method based on supervised classification mechanism. Firstly， the edge feature and Gaussian function are used to quantify the local features on the image， and then five classification rules of urban and rural residents are constructed. Secondly， this paper creates training samples to learn all kinds of rules， and finally verifies the accuracy of this method through urban and rural test samples. The experimental results show that this method can classify urban and rural residential areas in high-resolution remote sensing images， which provides a new measurement index for the process of "urbanization".

Keywords： high-resolution remote sensing images; residential area; supervised classification; classification rules; training samples

我国已从“十五”时期开始推行“城镇化”[1]，人口、产业不断向城镇聚集，城镇数量和规模得到大幅提升。“城镇化”过程致使大量乡村居民地转化为城镇居民地，准确详实地厘清掌握城镇及乡村居民地的空间变化信息，才能进一步度量两者的转化率，进而为政府部门在评估城镇、乡村土地资源及人口迁移发展变化提供重要数据支撑。现有文献居民地变化提取研究方法，大多将乡村居民地和城镇居民地定义为统一整体进行提取，未进行分类提取，研究同一区域不同时期居民地分布情况为主。Li等[2]采用SIFT特征算子检测居民地变化情况。Tang等[3]通过分析两期遥感影像的局部特征差异度和相似度提取居民地变化信息，该方法检测结果比较优良，但算法较为耗时。Unsalan等[4]提出5种居民地特征模型，结合特征模型检测不同时期高分辨率遥感影像上居民地变化信息。因此，本文提出一种基于监督分类机制的乡村和城镇居民地分类方法，首先通过构建居民地分类规则，然后创建居民地样本对规则进行训练学习，通过样本测试验证了本文方法可以满足居民地进行初级分类，为“城镇化”进程提供一个新的衡量指标。

1 定义分类规则

居民地相对于非居民地，其覆盖区域拥有更高的边缘特征和高斯函数（Gabor特征）密度[5]，边缘特征和Gabor特征参考已有文献[5]进行定义。城镇区域相较于乡村区域，城镇区域的经济发展水平更高，其人工建（构）筑物分布更为密集，因此城镇区域和乡村区域高分辨率影像，所呈现出的边缘特征及Gabor特征分布情况也是截然不同的，通过构建一定的判别规则可以实现对二者进行分类，本文定义了以下5种分类规则。

1.1 特征总数

基于高分辨遥感影像上边缘特征及Gabor特征居民地提取原理，是根据影像像素点获得的特征投票总数来区分居民地。高分辨率遥感影像上，居民地获得的特征投票数大于非居民地投票数，城镇居民地和乡村居民地对比，其内部的人工建（构）筑物更加密集，故其边缘特征及Gabor特征密度数值更大，获得的相应特征投票数更高，因此将城镇和乡村居民地各自的特征投票总数定义为第一种分类规则，即

rule1=K ，

式中：K为边缘或Gabor特征总数。

1.2 归一化指数

如上节所述，特征总数为影像上所有像素点特征投票值总数，所以影像尺寸大小对特征总数影响很大，理论上影像尺寸越大，获得的特征投票总数就越多，度量标准缺乏统一性。针对不同尺寸的实验影像，计算其特征投票总数的归一化指数，上述问题可得到有效避免，假定影像尺寸大小为M×N，第二种分类规则表示为

式中：V（x，y）为像素点（x，y）对应的特征投票总数。

1.3 最大特征值

第二种分类规则能够较好地对城镇与乡村居民地各自特征进行区别，但除了特征投票总数差异，城镇与乡村居民地的最大特征投票数值也具有差异性，因此将最大特征值视为第三种分类规则加以区分，定义为

。

1.4 候选居民地归一指数

文献[5]利用Ostu阈值分割方法筛选出候选居民地，其原理为保留高投票值影像区域舍弃低投票值影像区域。特征投票值高于分割阈值的像素区内部具有判别城镇与乡村居民地的重要信息，与第二种分类规则类似，计算大于分割阈值的像素片区（即候选居民区）归一化指数，第四种分类规则定义为

式中：？琢为根据Ostu方法计算获得的分割阈值。

1.5 SVM融合规则

单独使用以上4种分类规则，可实现对城镇和乡村居民地定向分类，但由于分类规则不够综合，过于单一，表现为分类精度有限。为将上述4种分类规则统一纳入到居民地分类过程，本文通过引用支持向量机（SVM）分类器[6]融合上述4种规则构建第五种城镇和乡村居民地分类规则。

2 构建居民地样本库

基于以上5种分类规则开展城镇居民地和乡村居民地分类，分类方法属于监督分类范畴，故进一步采用人工方式构建居民地训练样本对前4个单一分类规则进行学习，对各类规则特征学习差异性进行数值量化。

2.1 样本选择

高分辨率遥感影像纹理特征，城镇居民地表现为建筑密集程度高、建筑样式新颖、道路走向规则及绿化覆盖率高等特点，乡村居民地则表现为空间分布较为零乱，建筑物间距较大，建筑样式较为单一等特点。基于城镇居民地与乡村居民地的纹理特征，本文以空间分辨率优于1 m的高分影像数据做为实验对象，并从中分别选择具有代表性的100个城镇居民地训练样本及100个乡村居民地训练样本，样本大小为1 400×800，部分训练样本样图如图1所示。

2.2 样本学习

接下来对选择的样本进行学习，分别统计城镇和乡村居民地样本对应第1章节中的4种分类规则取值情况，代表样本取值情况见表1、表2。

3 实验结果及分析

为验证本文提出的城镇居民地及乡村居民地分类方法准确性，选取50幅高分影像作为测试数据进行实验。为提高实验效率，首先对测试数据进行分块处理，按80×80尺寸规格输出，本文从测试影像数据上共提取了237个城镇居民地测试样本和468个乡村居民地测试样本，然后以本文第1章节中的4种分类规则为辨别准则进行实验，实验样本如图2所示。

3.1 判别准则

以基于边缘特征城镇居民地分类为例，首先，计算城镇居民地训练样本对应前4类规则的均值rulei及其中误差？驻i，即

式中：i=1，2，3，4，即对应的规则编号，N为训练样本个数，本文选取的训练样本个数为100。

然后，计算测试样本对应的规则取值rule，当满足下式时，则认为检测成功，该样本分类符合实际情况：

。

乡村居民地分类精度评价，与上述方法类似。

3.2 精度统计

按照上述判别规则，分别统计基于边缘特征及Gabor特征居民地分类精度情况，此外，本文引入支持向量机（SVM）分类器[6]融合前4种规则进行综合性分类，结果见表3、表4。

3.3 结果分析

本文提出的居民地监督分类方法具备以下特点：①城镇居民地和乡村居民地整体分类精度水平中等偏上，但仍存在一定比例的错漏分类情况；②第一种规则和第二种规则分类结果精度相同，二者本质上属于同一类规则；③第四种规则的综合分类结果精度相对较高；④利用支持向量机（SVM）方法综合4种规则的分类结果精度达到最高水平，符合实际情况。此外，本文提出的居民地分类方法属于监督分类方法，选取的测试样本和训练样本具有一定的特殊性，样本选择对分类结果精度影响较大，因此算法设计的理论过程仍有优化提升空间。

4 结论

本文提出了一种基于监督分类机制的城镇居民地及乡村居民地分类方法，该方法首先定义了5种分类规则，然后构建代表性居民地训练样本对各个规则进行分类学习，最后通过测试样本验证本文方法分类结果精度。实验结果表明，本文方法分类精度总体较好，为进一步提高分类精度水平，算法设计的理论过程仍需优化提升，本文提出的居民地分类方法，是对城镇居民地和乡村居民地分类工作的积极探索尝试，具有创新性意义。

参考文献：

[1] 刘宪法.中国经济中期发展的基本思路-解读“中共中央关于制定国民经济和社会发展第十个五年计划的建议”[N].开放导报，2000-12-10.

[2] LI W M， LI X M， WU Y H，et al. A novel framework for urban change detection using VHR satellite images[C]//International Conference on Pattern Recognition，2009.

[3] TANG F F， PRINET V. Vomputing Invariants for Structural Change Detection in Urban Areas[C]//Urban Remote sensing Joint Event，2010.

[4] UNSALAN C. Statistical， Structural， Hybrid， and Graph Theoretical Features to Measure Land Development[J].IEEE Geoscience and Remote Sensing Letters， 2009，6（1）：72-76.

[5] 陈洪.高分辨率遥感影像居民地提取方法研究[D]．长沙：中南大学，2013.

[6] 李萌．基于支持向量机的高分遥感影像分类技术研究与应用[D]．北京：中国地质大学（北京），2015.