一种高分辨率遥感影像分类的特征指数

刘红彬，晁拴社，王 兴

(重庆邮电大学 通信与信息工程学院，重庆 400065)



一种高分辨率遥感影像分类的特征指数

刘红彬，晁拴社，王 兴

(重庆邮电大学 通信与信息工程学院，重庆 400065)

随着影像分辨率的提高，传统的光谱特征不能有效地描述复杂的高分辨率影像信息，从而影响高分辨率遥感影像的分类。为了弥补传统光谱方法的不足，提出了一种加权对象相关指数(WOCI)，并将其应用到基于支持向量机(SVM)的影像分类中。该指数是通过考虑具有相似性光谱的对象来构建的，可全面地描述影像的上下文结构。结果表明与仅考虑光谱特征和像素空间特征进行分类的方法相比，基于WOCI特征的分类结果有更高的精确性,且分类精度提高了7.16%。

高分辨率遥感影像分类；WOCI；光谱特征；空间特征

高空间分辨率遥感影像[1]一般是指影像空间分辨率达到10 m以内的航天、航空遥感影像。传统的分类方法大多是基于像素的光谱特征，而未考虑像素的空间特征，比如神经网络法[2]、最大似然法[3]及K-means[4]法。表达和利用目标空间上下文及语义信息是高空间分辨率遥感影像分类的一项关键技术[5]。已有文献提出了长宽比算法(LWEA)[6]和像素形状指数(PSI)[7]来进行影像分类，但由于高分辨率影像的像元之间存在较强的异质性，易出现空间不连续和椒盐噪声[8-9]的分类结果，降低了分类精度。

面向对象的方法对影像按照一定的同质性规则进行区域划分，从而得到具有同质性的多个像元集区域，然后通过对像元集合形成的对象进行分析，完成影像分类与目标提取[10-11]。本文提出了一种用于高分辨率遥感影像分类的面向对象的空间特征，即加权对象相关指数(WOCI)。首先采用eCognition 内嵌的分形网络进化多尺度分割算法[12-13]对影像进行分割，然后根据分割后的对象提取WOCI特征，并结合其他特征组成特征空间[14]，最后使用支持向量机(SVM)[15-16]进行分类。

1 加权对象相关指数WOCI

WOCI是加权对象相关指数，其在OCI[11]的基础上增加了权重因子w,并增加了直方图标准差指数，可更全面地描述影像的上下文结构。其是一种对象与对象之间的空间特征，计算流程如图1所示。

图1 WOCI计算流程

该方法弥补了高分辨率遥感图像的光谱信息的不足，可较好地表征地物信息。本文使用多尺度分割法来提取图像对象，然后使用平面几何方法计算每个对象的重心，最后计算每个对象的WOCI特征值。WOCI的计算流程如图1所示。

1.1 对象方向线及其扩展

在分割好的遥感图像对象中，选择其中的之一作为中心对象，并用几何方法计算该对象的重心。对象方向线是较多相隔一定角度的、由中心对象重心朝不同方向发散的线段，其长度各不相同，是由相邻对象间的光谱同质性测度和阈值来确定的。

(1)第k个方向的对象方向线表达式

yk=tan(k×α)×(xk-x0)+y0

(1)

其中，中心对象Ocen的重心为g0(x0,y0);α为相邻方向线之间的夹角;yk是重心g0发散的第k个方向线。

(2)光谱异质性定义如下

(2)

1.2 方向线长度计算

当第k个方向线扩展停止时，方向线和末端对象以及中间的对象相交并产生诸多交叉点，所有的交叉点为[I1,I2,I3,…,In]，每个方向线的远地点为If(xf,yf)。研究已证明了用最大街区距离(City Block Distance)能够更精确地描述空间特征。本文采用最大街区距离来计算方向线的长度，第k个方向线的长度为

Lk=max{|x0-xf|,|y0-yf|}

(3)

其中,Lk为g0到If方向线的距离长度。

1.3 加权对象相关指数WOCI

(4)

(5)

式(4)为增加的权重w，减少了不稳定且同质性低的方向线。该特征的判别算法为：对不同的地物提取的方向线长度差别较大，其标准差也较大，由式(4)得其WOCI的大小也会相差较多。此特征应用在影像分类中有更明显的优势，例如道路具有狭长的类似长方形的结构，其可能会与房屋产生相同的OCI[11]，但其方向线直方图的分布不同，用标准差可区别出来。实验证明，WOCI特征可较好地表征地物之间的差异，运用WOCI可较好地对高分辨遥感影像进行精确的分类。

2 实验

实验选取的数据为重庆市北环区域的World view-2遥感卫星影像，该影像为1.88 m空间分辨率包含红、绿、蓝3个波段的多光谱影像，图像大小为906×665像素，该图像包括5类：草地、裸地、建筑物、道路和阴影。如图2所示。

图2 原始高分辨率遥感影像

图3 面向对象分割后的图像

首先对原始影像进行多尺度分割，经过多次实验最终选取了scale=40，color=0.8进行分割，分割后的对象为1 058个结果，如图3所示。然后对分割后的影像对象按照上述方法提取WOCI特征。 为了评价不同特征的精确性，本文采用以下提取的特征进行分类对比：长宽比(LWEA)[6]、OCI和WOCI。使用的分类器为支持向量机(SVM)，经过大量实验本文提取的方法中，参数分别设置为α=30，T1=30，T2=50。

3 实验结果与分析

在试验中，将提取的WOCI特征分类结果和LWEA、OCI特征分类结果分别在主观和定量上进行比较。图4、图5和图6分别为LWEA、OCI和WOCI特征分类的结果。在主观评价上，图4分类结果中将部分建筑物分类成了道路，一些建筑物的阴影并未被提取出来且存在部分裸地和建筑物混淆的现象。图5分类结果和图4分类结果相比一些和建筑物混淆的裸地被分离了出来，道路提取更加完整，成功解译了影像中的4种地物，但部分阴影仍未被提取出来，错分现象依然存在。图6中道路提取更加完善，大部分地物阴影细节均被提取出来，且植被和裸地已被完整分离，建筑物和裸地也基本分开。与图4和图5的分类结果相比，图6的分类结果在分类精确性和细节提取上均有了较大的提高。从图6分类结果可看出，增加权重后的WOCI特征能更精确地表征地物之间的差异，减少了地物之间的错分现象。

为更有效地评价本文所提出特征在分类精度上的改善，以下对实验结果进行定量评估。本文采用混淆矩阵、生产者精度(PA)、用户精度(CA)和Kappa系数对3种特征产生的分类精度进行客观的对比评价。图2中的红色标记是在原始影像中随机选取的1 000个测试样本点，各类样本点的数量为：植被309个、裸地261个、道路114个、建筑物为211个、阴影为105个。

图4 LWEA特征分类

图5 OCI特征分类

图6 WOCI特征分类

3种特征分类的评价结果如表1～表3所示，综合评价结果如表4所示。从表3和表4可看出， WOCI特征得到的分类总体精度为94.09%，Kappa系数为0.923 2，其中植被为96.73%、裸地为93.87%、道路为98.18%、建筑物为91.67%、阴影为87.73%。相比LWEA特征和OCI特征的分类结果，这5种地物提取上精度均分别得到了提高且总体精度提高了7.16%，Kappa系数提高了0.092 6。该结果表明，运用面向对象分析方法可有效地利用真实地物的空间特征，如长宽比和形状等参与影像的分类，能更精确地解译影像中的地物类别，尤其对同谱异物的地物类别效果更加明显。WOCI特征能显著区分影像中各类地物，且由于道路具有狭长的长方形特征，尤其对道路的提取产生更高的分类精度。

表1 LWEA特征分类结果精度评价

表2 OCI特征分类结果精度评价

表3 WOCI特征分类结果精度评价

表4 综合评价结果

4 结束语

文中提出了一种改进的空间特征WOCI用于高分辨率遥感影像的分类。实验结果表明了该方法的有效性，其有效地描述了对象之间的空间关系且该特征可有效区分各种地物。与LWEA、OCI特征分类结果相比，基于WOCI特征的分类结果在总体分类精度和Kappa系数上均有显著增加，提高了遥感影像的分类精度。本文方法中所使用的参数均依靠大量的实验来进行人工选取，受到主观因素的影响，以后的工作在自动参数选取和阈值确定上仍需进一步研究。

[1] 韦玉春,汤国安,杨昕,等.遥感数字图像处理教程[M].北京:科学出版社,2007.

[2] Qiang P T,Cheng L B.A remote sensing Image classification method based on evidence theory and neuralnetworks[C].Jinan:International Conference on Neura1Networks & Signal Processzhg,2004.

[3] Richards J A,Jia X.Using suitable neighbors to augment the training set in hyperspectral maximum likelihood classification[J].IEEE Geoscience & Remote Sensing Letters,2008,5(4):774-777.

[4] Zheng J, Cui Z, Liu A, et al. A K-means remote sensing image slassification method based on adaBoost[C].Hangzhou:International Conference on Computing, Networking and Communications (ICNC), IEEE, 2008.

[5] 杨耘,隋立春.条件随机场建模的大尺度空间上下文的高分辨率遥感图像分类[J].测绘通报,2014(8):21-24.

[6] Shackelford A K, Davis C H. A hierarchical fuzzy classification approach for high-resolution multispectral data over urban areas[J]. IEEE Transactions on Geoscience & Remote Sensing,2003,41(9):1920-1932.

[7] Zhang L,Huang X,Huang B,et al.A pixel shape index coupled with spectral information for classification of high spatial resolution remotely sensed imagery[J].IEEE Transactions on Geoscience & Remote Sensing,2006, 44(10):2950-2961.

[8] Zhu C,Yang S,Zhao Q,et al.Robust semi-supervised Kernel-FCM algorithm incorporating local spatial information for remote sensing image classification[J].Journal of the Indian Society of Remote Sensing,2014,42(1):35-49.

[9] Huang X, Zhang L.An adaptive mean-shift analysis approach for object extraction and classification from urban hyperspectral imagery[J].IEEE Transactions on Geoscience & Remote Sensing,2008,46(12):4173-4185.

[10] 肖鹏峰,冯学智.高分辨率遥感图像分割与信息提取[M].北京:科学出版社,2012.

[11] Zhang P, Lv Z, Shi W. Object-based spatial feature for classification of very high resolution remote sensing images[J].IEEE Geoscience & Remote Sensing Letters,2013,10(6):1572-1576.

[12] Drăgut L,Csillik O,Eisank C,et al.Automated parameterisation for multi-scale image segmentation on multiple layers[J].ISPRS Journal of Photogrammetry and Remote Sensing,2014,88(100):119-127.

[13] 王露,刘庆元.高分辨率遥感影像多尺度分割中最优尺度选取方法综述[J].测绘与空间地理信息, 2015(3):166-169.

[14] Xia J,Du P,He X,et al.Hyperspectral remote sensing image classification based on rotation forest[J].IEEE Geoscience & Remote Sensing Letters,2014,11(1):239-243.

[15] Song M, Civco D.Road extraction using SVM and image segmentation[J].Photogrammetric Engineering & Remote Sensing,2004,70(12):1365-1372.

[16] Bruzzone L,Chi M,Marconcini M.A novel transductive SVM for semisupervised classification of remote-sensing images[J].Proceedings of SPIE-The International Society for Optical Engineering,2006,44(11):3363-3373.

A New Feature Index for classification of High Resolution Remote Sensing Images

LIU Hongbin，CHAO Shuanshe，WANG Xing

(School of Communication & Information Engineering , Chongqing University of Posts and Telecommunications,Chongqing 400065, China)

With the improvement of image resolution,the traditional spectral characteristics can’t effectively describe the information of image with high resolution and affect the classification of high-resolution remote sensing images.In order to make up for the inadequacy of traditional spectral method,it presents a novel spatial feature called weighted object correlative index (WOCI) and applys this index to image classification based on support vector machine (SVM).The index is created by the objects with similar spectrum and can fully describe the context structure of image.The experimental results show that the feature extracted in this paper has higher accuracy than those approaches that only consider spectral features or pixelwise spatial features and the classification accuracy improves 7.16%.

classification of very high resolution image; weighted object correlative index; spectral feature; spatial feature

2016- 01- 26

重庆市2013博士后科研基金资助项目(RC201336)

刘红彬(1993-)，男，硕士研究生。研究方向：遥感影像的融合和分类。

10.16180/j.cnki.issn1007-7820.2016.11.022

TP751.1

A

1007-7820(2016)11-074-04