基于云理论的遥感影像分类方法分析

赵 静，王崇倡，王家海，陈艳玲

(1.辽宁工程技术大学 测绘与地理科学学院,辽宁 阜新 123000；2.国家农业信息化工程技术研究中心,北京 100097；3.河南理工大学 测绘与国土信息工程学院,河南 焦作 454000)

基于云理论的遥感影像分类方法分析

赵 静1,2，王崇倡1，王家海1，陈艳玲3

(1.辽宁工程技术大学 测绘与地理科学学院,辽宁 阜新 123000；2.国家农业信息化工程技术研究中心,北京 100097；3.河南理工大学 测绘与国土信息工程学院,河南 焦作 454000)

采用基于云理论的遥感影像分类方法，该理论兼容模糊性和随机性，通过逆向云发生器生成云模型，进而得出云的数字特征隶属函数，使用X条件云发生器计算隶属度，最后用极大判别法实现分类。通过与传统方法的实验对比分析，基于云理论的遥感影像分类方法有效地改善分类中的不确定性问题，提高分类准确度。

不确定性；云理论；遥感影像分类；云发生器；隶属度

遥感起源于20世纪60年代，到80年代高光谱遥感技术兴起，遥感分类是人们获取信息的一种重要手段[1]。遥感影像分类实质上是从定量数值、地物光谱信息到定性概念、地物类别的一种转换[2]。但是，由于环境自身变化的随机性、传感器本身特性的影响以及地表覆盖的复杂性，这种转换存在着一定的模糊性和随机性，特别当地物细节丰富、空间相关性强而产生相互影响和干扰强的情况下，这种不确定性很明显。模糊性主要体现在图像中各个对象的边界像素的“非此即彼”性，随机性主要体现在模糊像元对于一个对象隶属的不确定性[3]。遥感影像分类是遥感技术中重要的组成部分，是遥感技术中的研究热点。因此，如何克服图像的模糊性与随机性的影响是关系分类成功与否的关键因素。云理论就是以研究定性定量间的不确定性转换为基础的系统处理不确定性问题的一种新理论，包括云模型、虚云、云运算、云变换、不确定性推理等内容，是一种对分类精度和分类速度更大提高的分类方法。云理论能够把自然语言中定性概念的模糊性和随机性有机综合在一起，实现定性语言值和定量数值之间转换[4]，是研究不确定性的重要工具。

1 云理论及其算法

1.1 云的基本概念

云是用语言值描述的某个定性概念与其数值表示之间的不确定性转换模型[5]，或者简单地说云模型是定性定量间转换的不确定性模型[6]。

1.2 云的数字特征

用期望值Ex、熵En、超熵He表示云的数字特征。

期望值Ex是在数域空间最能表达定性概念的点值，反映这个概念的云滴集的云重心[7]，它100%地隶属于这个定性概念。

熵En是定性概念模糊度的度量，反映在论域中可被这个概念接受的数值范围，体现定性概念亦此亦彼性的裕度。熵越大，概念所接受的数值范围也越大，概念越模糊[8]。

超熵He即熵En的熵，反映云滴的离散程度。超熵越大，云滴离散度越大，隶属度的随机性越大，云的“厚度”也越大[8]。

1.3 算法描述

云分类法的算法步骤分为3个阶段：①逆向云发生器生成每类地物的云模型；②利用X条件云计算每个待分像素的隶属度;③用极大判定法则实现分类[9]。

1.3.1 正向云发生器

正向云发生器是用语言值描述的某个概念与其数值表示之间的不确定性转换模型，是从定性到定量的映射[10]，见图1。

图1 正向云发生器

1.3.2 逆向云发生器

逆向云发生器是实现数值和其语言值之间的随时转换的不确定性转换模型，是从定量到定性的映射[11]，见图2。

图2 逆向云发生器

1.3.3 X条件云发生器和Y条件云发生器

在给定论域的数域空间中，当已知云的3个数字特征(Ex，En，He)后，如果还有特定的条件x=x0，那么正向云发生器变为X条件云发生器;如果特定条件不是x=x0，而是CT(x)=CT(x0)，那么正向云发生器称为Y条件云发生器或隶属度条件云发生器[12]，见图3、图4。

图3 X条件云发生器

图4 Y条件云发生器

2 基于云理论的分类方法设计

基于云理论的遥感影像分类过程分为4个步骤：①经过变换形成训练数据集；②通过逆向云发生器生成每类地物的云模型；③利用X条件云发生器生成每个影像单元对各类地物的隶属度；④用隶属度最大选择器实现分类，见图5。

图5 算法示意图

3 实验数据处理与实验结果

3.1 总体思路

实验数据选取一幅SPOT多光谱影像进行实验，同时将SPOT影像通过MATLAB软件转换为单波段图像。提取SPOT多光谱遥感影像第一主成分作为待分类影像，裁取各类特征地物纹理，作为训练数据。按照类别从图像中找出40个，大小分别为菜地40 m×40 m、居民地35 m×35 m、农田50 m×50 m等具有代表性的采样样本，通过对3类地物的遥感影像在Matlab中通过一定的程序来实现云，建立云图像，实现基于云理论的遥感影像分类。实验中使用的遥感影像大小为546 m×513 m，实验中提取纹理信息时，选用40 m×40 m、35 m×35 m、50 m×50 m的窗口效果很好。

3.2 实验数据处理

由于在本影像中主要的地物为菜地、居民地、农田，因此在影像中分别选择典型的菜地、居民地、农田建立感兴趣区即训练样本，通过Photoshop实现提取图像的3类地物各40个40 m×40 m、35 m×35 m、50 m×50 m大小的图片作为本文要研究的遥感影像分类的训练样本。图6～图8分别为菜地、居民地和农田的感兴趣区，即采样样本(部分)。

图6 菜地

图7 居民地

图8 农田

3.3 云模型的生成

灰度共生矩阵(GLCM)是像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，反映图像在方向、间隔、变化幅度及快慢上的综合信息。在Matlab下利用灰度共生矩阵来提取纹理特征。本实验采用相关(COR)作为实验的纹理特征，相关是用来衡量灰度共生矩阵的元素在行的方向或列的方向的相似程度，相关值大小反映影像中局部灰度相关性[13]。

在计算相关值时使用blkproc函数。blkproc函数是对图像进行分块。它从图像中取出每个块，然后传递给其他函数处理，再由自己将处理后的各块组装起来形成输出图像。

函数调用形式:

B=blkproc(A,[mn],f).

式中：A为输入图像；B为输出图像；[mn]：图像以m×n为分块单位，对图像进行处理；f为指定对所有块进行处理的函数。

计算出各个类别的相关值后，在Matlab中实现：

输入：第k类地物训练样本数Nk，样本矩阵Xk=[xk1,xk2,…,xkn]；

输出：第k类地物云模型的3个数字特征(Ekx,Ekn,Hke)，算法步骤如下：

3.4 地物隶属度的计算

在计算隶属度时需要计算随机数，使用normrnd函数，Matlab中normrnd函数的功能是生成服从正态分布的随机数。

normrnd函数的调用格式：

C=normrnd(A,B).

式中：A是熵；B是超熵；C=normrnd(A,B)是生成服从正态分布(熵为期望值，超熵为标准差)的随机数。在Matlab下生成隶属度：

输入：待分类地物纹理值x；

输出：xi对第k类地物的隶属度μk。

1) 生成以Enk为期望值、Hek为标准差的正态随机数Enk′=G(Enk,Hek)；

3.5 隶属度最大选择器的构造

根据X条件云发生器计算出像素x0对m个类别的隶属度u01,u02,…,u0m，如果u0i=max(u0l)，则将x0划分到第i类，若u0i=u0j=max(u0l)，(l=1，…，m)，则将x0随机分给i类或j类。u01,u02,…,u0m是具有稳定倾向的随机数，而非固定值。

输入：x0对k个类地物的隶属度μ1,μ2,…,μk；

输出：若μi=max(μl)，则将x0划分到第i类。

部分实现算法如下：

if (CD(i,j)

I2(i,j)=1; %居民地

else if(CD(i,j)

I2(i,j)=.5; %农田

else if(NT(i,j)

I2(i,j)=0; %菜地

3.6 实验结果

原始图像如图9所示，云分类方法初始分类结果如图10所示，将初始分类结果进行中值滤波操作除去分类后产生的黑白相间的亮暗点噪声，云分类方法分类后处理结果如图11所示。

图9 原图

图10 云分类方法初始分类

图11 云分类方法分类后处理

3.7 云理论与传统分类方法的比较

利用ENVI4.8软件把原始图像进行最大似然分类法、K均值分类法分类，对云理论分类结果、最大似然分类法及K均值分类法进行精度评定，具体见表1及图12～图14所示。

图12 云理论

图13 最大似然分类法

图14 K均值分类法

表1 3类方法精度评定对比

从表1中分析得出，应用最大似然分类法与K均值分类法分类精度较低，而云理论分类方法精度高于这两种分类方法。总体来说，云理论分类方法利用Matlab通过算法能很好地将模糊性(图像中各个对象的边界像素的“非此即彼”性)和随机性(模糊像元对于一个对象隶属的不确定性)两者集成实现，具有理论简明、易懂，步骤简单，容易操作，计算过程数据量小，对设备要求不高，提高分类精度等优点。

4 结束语

根据对传统的分类方法与云理论分类法分类结果的比较，云理论分类算法比传统的分类算法精度高，适应能力强，错分、漏分现象少。本文考虑了遥感影像分类过程中的不确定性，基于云理论的分类结果证明，基于云的分类方法很有发展前景，此方法分类精度高、分类效果更好、分类速度更快。明确了遥感图像分类问题是一个兼有模糊性和随机性的不确定性问题。

[1]林超,杨敏华.基于球结构支持向量机的QuickBird影像分类分析[J].测绘工程，2011,20(3):46-49.

[2]高燕，周成虎，苏奋振.基于OLI影像多参数设置的SVM分类研究[J].测绘工程,2014，23(6):1-5.

[3]陈可蕴,陈志扬.基于云理论的遥感图像土地利用分割分类方法研究[J].理论研究,2010(5):21-25.

[4]谢道文,施式亮.基于云模型的煤炭企业物资供应商综合评价[J].计算机工程与应用,2013(6):1-7.

[5]王洪利,冯玉强.基于云模型具有语言评价信息的多属性群决策研究[J].控制与决策,2005,20(6):679-682.

[6]邸凯昌,李德毅,李德仁.云理论及其在空间数据发掘和知识发现中的应用[J].中国图像图形学报,1999,4(11):930-935.

[7]李万臣,葛秘蕾,井志强.基于云理论的图像分割新方法[J].应用科技,2010,37(3):45-48.

[8]刘林.基于云理论的空间数据挖掘技术研究[D].西安:西安电子科技大学,2008:17-18.

[9]李万臣,郭逢丽,刘海亮.基于云模型的高光谱遥感图像的分类研究[J].仪器仪表用户，2011(1):1-5.

[10]吴立新,王勇.正态分布随机数云模型发生器[J].计算机系统应用，2011,20(10):113-119.

[11]刘桂花,宋承祥,刘弘.云发生器的软件实现[J].计算机应用研究，2007(01):46-48.

[12]LI DEYI，DI KAICHANG，LI DEREN，et al.Mining association rules with linguistic cloud models[J].Journal of Software，2000，11(2):143-158.

[13]宋铁群.基于MATLAB的遥感影像纹理特征分析[J].测绘与空间地理信息，2009,32(2):71-74.

[责任编辑：张德福]

Remote sensing image classification method based on cloud theory

ZHAO Jing1,2，WANG Chong-chang1，WANG Jia-hai1，CHEN Yan-ling3

(1.School of Geomatics，Liaoning Technical University，Fuxin 123000, China;2.National Engineering Research Center For Information Technology in Agriculture,Beijing 100097, China;3.School of Surveying and Landing Information Engineering，Henan Polytechnic University，Jiaozuo 454000, China)

The remote sensing image classification method based on cloud theory is compatible with fuzziness and randomness. Through the reverse cloud generator generating a cloud model，which digital characteristics has a cloud of subordinate function，the membership degree is calcalated usingXcondition cloud generator and the classification is realized by using maximum judging rules.By comparison with the traditional methods，the remote sensing image classification method based on cloud theory can improve the classification of uncertainty in the problem，which can improve the classification accuracy.

uncertainty;cloud theory;remote sensing image classification;cloud generator;degree of membership

2013-09-10；补充更新日期：2014-09-18

赵 静(1989-)，女，硕士研究生.

TP753

：A

：1006-7949(2014)12-0021-04