基于小波变换和SVM的OLI图像分类方法

刘炜

摘 要 以陕西省靖边县2013年 8月份的Landsat 8 OLI图像作为基础数据源，比较最大似然法和本文提出的分类方法识别研究区10种主要地物类型的精度。首先对OLI图像进行像素级融合处理和3层分解的小波滤波；之后对图像进行LBV变换；依据地物间光谱特征和形态特征差异为10种地物类型选择样本、执行SVM监督分类和基于数学形态学开闭运算的分类后处理；选取总体分类精度和Kappa系数两项指标，将所得分类图与对最大似然法分类图比较。结果显示，本文提出的分类方法能够降低OLI图像分类后的椒盐效应，分类图的总体分类精度和Kappa系数分别为：82.75 %、0.773，较最大似然法分类结果分别提高：14.72%和16.42%。基于小波变换的SVM监督分类方法能够较为准确的识别研究区10种主要地物类型，抑制分类后的椒盐效应，适合用于在陕北黄土高原梁峁沟壑区解译OLI图像。

关键词 OLI图像；黄土高原梁峁沟壑区；椒盐效应；小波滤波；LBV变换

中图法分类号： TP753；P237.4 文献标识码： A 文章编号：

Classification of OLI Images based on Wavelet Transform and SVM

LIU Wei

（College of Information Engineering， ，Xizang Minzu University， Xianyang 712082， China）

Abstract：This research aims to seek out the most suitable method for classification of Landsat OLI multispectral remote sensing images acquired in August， 2013， by the comparison study of supervised classification based on maximum likelihood and the method proposed in this paper. There are 10 kinds of land use type in OLI images of Jingbian County. Firstly， OLI images were fused with panchromatic image and then processed by means of 3 levels wavelet filtering. Secondly， LBV transform was applied to OLI images. Thirdly， training samples set for each kind land use type were collected， and then supervised classification based on SVM ， opening-closing operation in mathematical morphology were carried out to get precise information of each kind land use type. Finally， assessing the classification results for method proposed in this paper and maximum likelihood， by overall classification accuracy and Kappa coefficient as evaluation indexes.Results show that： the overall accuracy and Kappa coefficient of classified image using the method proposed in this paper were 82.75% and 0.773， with growth of 14.72% and 16.42% compared with classification image using maximum likelihood. Meanwhile， removal of salt and pepper noise in classified images was more effective using method proposed in this paper. Higher classification accuracy and lower salt and pepper noise were obtained by the method proposed in this paper than maximum likelihood， based on OLI multispectral remote sensing images of Jingbian County in loess hilly and gully region.

Key words： OLI Images； Loess Hilly and Gully Region； Salt and Pepper Noise； Wavelet Filtering； LBV Transform

0 引言

Landsat 8 OLI图像保持了之前Landsat 5 TM、Landsat 7 ETM+图像的基本特征，并去除全色波段图像的近红外光部分（波长680—900 nm），收窄可见光/近红外/短波红外波段的波长范围，以及提升各波段图像的辐射分辨率（12位灰度量化等级）和信噪比（各波段平均提高3倍）。加之具有可以免费获取的特点，使其更适合用于区域尺度的土地覆盖遥感动态监测。

目前，区域尺度及以上的遥感图像常用分类方法主要是基于最大似然法监督分类和目视解译[1-4]。本研究前期对靖边县OLI图像进行了最大似然法分类测试，由于靖边县地处陕北黄土高原峁梁沟壑区与毛乌素沙地东南部的交接过渡地带，下垫面景观格局复杂，空间异质性强烈[5-8]，致使分类图中地物图斑破碎、椒盐效应显著，且图像分类精度较低（总体分类精度和Kappa系数分别为72.13 %、0.664），为此，本文提出基于小波变换的SVM监督分类方法，力图在抑制椒盐效应的同时提高图像分类精度。该方法的特点是在对OLI图像分类前对图像进行3层分解的小波滤波，以滤除图像大图斑内部孤立分布的异类像元、细小碎斑，削弱纹理特征差异；并选用由LBV变换生成的波段作为支持向量机（SVM）分类的有效特征。本研究旨在为提高陕北黄土高原梁峁沟壑区OLI图像的解译精度提供一个新的切入点，研究结果可为在陕北黄土高原梁峁沟壑区开展土地覆盖遥感动态监测提供技术支撑。

1 研究区概况、数据源与技术路线

1.1 研究区概况及数据来源

陕西省靖边县（108°17'15'' E—109°20'15'' E，36°58'45'' N—38°03'15'' N） 地处陕北黄土高原峁梁沟壑区与毛乌素沙地东南部的交接过渡地带，总土地面积约4 971 km2。本县地貌分为北部风沙滩区、中部梁峁涧区和南部丘陵沟壑区，分别约占全县面积的1/3。靖边县地势南高北低，海拔介于1 123—1 823 m之间。县域气候为半干旱大陆性季风气候，境内干旱、洪涝、霜冻、风雹、山体滑坡等自然灾害多发，生态环境恶劣，已被列入《京津风沙源治理二期工程规划》。然而，靖边县却富藏石油、天然气、煤炭、岩盐等矿产资源，是我国“西气东输”的重要枢纽。

本研究所用Landsat 8 OLI图像的条带号和行号为127/128-34，成像日期为2013年8月份。实验前对图像的预处理包括大气校正、几何精校正、剪裁及镶嵌处理。辅助图像分类的专题图件有中国陆地生态系统类型空间分布数据（1：10万，1995/2008年）、靖边县ASTER GDEM（V2版）、靖边县行政区划图（1：10万）；统计资料有《陕北黄土高原植物区系地理研究》、《黄土高原植物志》、《陕西省土地利用现状调查数据集》、《中国黄土高原常见植物图鉴》和《2013榆林统计年鉴》等。

1.2 土地利用类型分类系统

依据“GDPJ01-2013地理国情普查内容与指标”中设置的土地利用类型分类标准，和对靖边县实地踏勘结果，本研究建立靖边县土地利用分类系统，具体如表1所示。

表1 靖边县土地利用类型分类系统

Tab.1 Land use classification system of Jingbian County

一级类

First type 耕地

Cultivated Land 林地

Forest Land 草地

Grassland 水域

Waters 未利用土地

Unusabel Land 居民用地

Town，Resi- dential Area 交通用地

Traffic Land

二级类Second type 灌溉浇地

Irrigable Land 灌木林地Shrubbery 沙地Desertification Land 公路

Road

旱耕地 Dry Land 有林地Woodland 荒草地 Waste Grassland

1.3 技术路线分析

技术路线如图1所示， 对OLI多光谱图像进行包括大气校正、几何精校正、剪裁及镶嵌的预处理工作后，将其作为解译底图；把OLI多光谱图像与全色波段图像进行小波融合，提高多光谱图像的空间分辨率至15 m；之后进行3层分解的小波滤波[9]，滤除图像大图斑内部的细小的异类碎斑和细微的纹理特征差异；对多光谱图像进行LBV变换[2]，得到的波段L、B、V作为进一步分类的有效特征；辅助专题件和实地调查资料从靖边县OLI图像上为待识别的10种地类选取训练样本，要求训练样本集的J-M距离和转换离散度均大于1.960；选取支持向量机[10]作为分类器执行监督分类，分类后执行基于形态学开运算、闭运算[11]的后处理；将所得分类图与同位置相近时相的Google earth图像叠加，进行目视检查[12]，选取总体分类精度和Kappa系数两项指标定量评价分类精度；若分类精度评价合格，输出分类图并与最大似然法分类结果比较。若不合格，则重新选择训练样本进行分类。图2（a）-（c）分别是以R（B5）G（B6）B（B4）方式假彩色合成的OLI图像、OLI全色波段图像和进行小波融合后的图像。

图1 图像分类技术路线

Fig.1 Technical route of image classification

（a） 多光谱图像 （b） 全色波段图像 （c） 融合后图像

（a） Multi-spectral image （b） Panchromatic image （c） Fusion image

图2 靖边县OLI图像

Fig.2 OLI image of Jingbian County

2 研究方法

2.1 OLI图像小波滤波

靖边县下垫面景观破碎、空间异质性强烈。选取适度的小波分解层次，对靖边县OLI图像进行小波滤波，可以在不损伤图像中地物边界特征的前提下滤除孤立分布的噪声像元和细小碎斑，削弱纹理特征差异，并连接补平较大图斑边缘小的间断和缺损；增强地物图斑的光谱匀质性，从而在一定程度上抑制图像椒盐效应。

本研究选取Coiflet3作为小波母函数，对靖边县OLI图像进行3层小波分解，采用基于小波系数软阈值处理的滤波方法进行滤波处理。图3对比了一处典型研究样区OLI图像在小波滤波前、后的差异，差异细节可见图3（a）、图3（b）。通过目视判读可以发现在图3（b）中，芦河水及其沿岸的灌溉耕地呈条带状连续分布，图斑内部很少混杂有草地、灌木林地及有林地的像元和碎斑；旱耕地、灌木林地、草地和沙地小斑内部细微的纹理特征差异也被削弱，基本呈片状连续分布，各种地类图斑内部的光谱特征较图3（a）更趋向一致，椒盐效应被削弱；并且图像中相邻异类地物图斑之间的光谱特征对比却并未较图3（a）发声明显下降，图斑边界完整，界限清晰。

（a） 小波滤波前图像 （b） 小波滤波后图像

（a） Original image （b） Filtered image

图3 典型样区OLI图像小波滤波

Fig.3 Wavelet filtering results of subarea in OLI image of Jingbian County

2.2 图像LBV变换

遥感图像监督分类，要求输入特征少而精。LBV变换对OLI图像的绿波段、红波段、近红外波段和短波外波段进行线性变换[2]，生成3个物理意义明确、互不相关的特征波段L、B和V，其中波段L反映地物的总辐射水平，用于表征地表辐射强度；波段B反映地物可见光辐射与红外光辐射强弱的对比关系，用于表征水、水分和地表层潮湿程度；波段V反映地物辐射随波段改变而变化的方向及速率，用于表征地表植被密度及其生长状况。

图4 LBV变换图像

Fig.4 LBV transform image of Jingbian County

本文选取这3个波段作为OLI图像分类的有效特征。图4是基于LBV变换的假彩色合成图像，在图4中灌溉耕地呈高亮度绿色、灌木林地呈深红色、有林地呈黄色、草地呈品红色，沙地呈蓝色，无定河水体呈黑色。无定河支流的水流线和公路线消除临近植被光谱的干扰，线状特征明显。放大图4判读可以发现，水体、灌溉耕地、灌木林地、草地、沙地等地类内部像元的光谱特征同质程度高，聚合为斑块，进一步弱化其内部的纹理特征差异，使得斑块整体的色调、形状突出，与相邻的背景地类区别明显。相较于图3（b），显著降低对细小线状地物的解译难度。

2.3 SVM分类与精度评价

通过对OLI图像进行像素级融合、小波滤波和LBV变换等处理工作，提高对研究区10种地类的辨识效果，弱化椒盐效应，有效降低了依据地物间光谱特征和形态特征差异，为各地类快速采集完备训练样本集以及进行分类后处理降低了其对应难度。本研究从LBV变换的图像上为各地类采集训练样本（训练样本集的J-M距离和转换离散度均大于1.960）；之后执行SVM监督分类（SVM内积核为径向基函数，径向基核函数的间隔σ和惩罚因子C分别取100、0.173）；在初始分类后，将分类图与同位置相近时相的Google earth图像叠加，勾绘出分类错误的图斑予以校正；对于初始分类结果中孤立分布的噪声碎斑以及部分大图斑内部的细小孔洞，辅助人工选点并运用多个尺寸的结构元素模板，组合开、闭运算做为一对形态滤波器整饰初始分类结果的二值图像，利用此操作可进一步弱化分类后的椒盐效应。

图5（a）、（b）分别是OLI图像采用本文方法和最大然法的分类结果。判读图5（a）可以发现，在图5（a）中旱耕地、灌溉耕地、灌木林地、草地内部没有孤立分布的异类碎斑或像元，相对于图5（b），图像分类后的椒盐效应得到有效抑制；进一步与Google earth图像叠加分析可以发现，各地类的边界位置基本准确，在地类边界区错分、漏分地类的现象较图5（b）明显减少。本研究从两个分类图中各随机抽取670个点，逐点判读其类别归属，然后选取总体分类精度和Kappa系数这2项指标评价分类精度，结果显示图5（a）、（b）的总体分类精度和Kappa系数分别为82.75 %、0.773，72.13 %、0.664。采用本文方法比最大似然法使总体分类精度和Kappa系数分别提高14.72%和16.42%。

（a） 本文方法分类结果 （b） 最大似然法分类结果

（a） Classification image using method proposed in this paper

（b） Classification image using maximum likelihood

图5 图像分类结果对比

Fig.5 Comparison of classification results

3 结束语

对靖边县OLI图像直接进行最大似然法分类，分类图中椒盐效应突出，且分类精度偏低。为此，本文提出基于小波变换的SVM监督分类方法，该方法对OLI图像依次进行像素级融合、小波滤波、LBV变换和基于数学形态学开闭运算操作，有效提高了地物可分性，降低为10种地类采集完备训练样本集和SVM分类过程的复杂性，较好的消除图像分类后的椒盐效应。所得的分类图较最大似然法使总体分类精度和Kappa系数分别提高14.72%和16.42。在下一步工作中，本研究将在陕北黄土高原峁梁沟壑区其它地域进行测试，以期对本方法做出进一步改进，提高其适用性，使之更好地服务于在该区开展土地覆盖遥感动态监测工作。

参考文献

[1] 刘纪远，匡文慧，张增祥，等. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报，2014，69（1）： 3-14.

[2] 曾志远. 卫星遥感图像计算机分类与地学应用研究[M]. 北京：科学出版社，2004.

[3] 刘晓燕，刘昌明，杨胜天，等. 基于遥感的黄土高原林草植被变化对河川径流的影响分析[J]. 地理学报，2014，69（11）： 1595-1603.

[4] 马彩虹，任志远，李小燕. 黄土台塬区土地利用转移流及空间集聚特征分析[J]. 地理学报， 2013 ， 68 （2）： 257-267.

[5] 杨强，王涛. 榆林地区土地利用/覆盖时空变化及其对生态脆弱性的影响[J]. 南京林业大学学报：自然科学版，2015，39（2）：79-83.

[6] 韦振锋，任志远，张 翀，等. 1999-2010年陕甘宁黄土高原区荒漠化空间特征[J]. 中国沙漠， 2014 ， 34（5）： 1230-1236.

[7] 张艳芳，朱 妮. 基于CASA模型的榆林碳源/汇平衡与生态盈余研究[J]. 中国农业科学，2014，46（24）： 5163-5172.

[8] 宋富强，康慕谊，郑壮丽，等. 陕北黄土高原地区土地利用/覆被分类及验证[J]. 农业工程学报，2011，27（3） ： 316-324.

[9] 孙延奎. 小波变换与图像、图形处理技术[M]. 北京：清华大学出版社.，2012.

[10] 杜培军，谭 琨，夏俊士. 高光谱遥感影像分类与支持向量机应用研究[M]. 北京：科学出版社.，2012.

[11] 傅肃性. 遥感专题分析与地学图谱[M]. 北京：科学出版社，2002.

[12] 贺 书，曾 洁. 基于RS和GIS的石漠化演变趋势研究[J]. 智能计算机与应用，2013，6（3） ： 75-77.