基于单波段影像增强的易混农作物区分方法

王渊，毛亮军，唐文澜，王新生,，陈志杰,

(1．湖北大学资源环境学院，湖北 武汉 430062) (2．农业部遥感应用中心武汉分中心，湖北 武汉 430062)

基于单波段影像增强的易混农作物区分方法

王渊1，毛亮军1，唐文澜2，王新生1,2，陈志杰1,2

(1．湖北大学资源环境学院，湖北 武汉 430062) (2．农业部遥感应用中心武汉分中心，湖北 武汉 430062)

高分一号卫星影像；Landsat 8；ISODATA；影像增强；分类

0 引言

遥感影像分类是将图像中每个像元点或每块区域根据其在不同谱段的光谱特征、空间结构特征或其他信息, 按照某种规则划分为不同的类别[1-2].农业遥感中的非监督分类方法[3]通常基于ISODATA算法，拥有速度快、自主性强等优点，能满足农业遥感监测时效性的需求.但是使用该算法往往无法将易混淆的农作物区分开，如小麦和油菜，因此有人将神经网络算法[4]、面向对象方法[5]和决策树分类技术[6]引入了遥感影像分类，此类算法对于单一地物的提取能达到很高的精度，但仍然无法高精度区分易混农作物，而且在算法时效性上存在不足.本文中分析ISODATA算法的优缺点，利用灰度增强改进影像质量，从而使ISODATA算法能区分易混淆的农作物，在保证时效性的基础上提高分类的精度.

1 ISODATA算法分析

本文中主要采用高分一号卫星影像和Landsat 8影像，其中高分一号卫星影像分辨率是16 m，Landsat 8影像全色波段分辨率是15 m，其余为30 m.3月份是小麦、油菜区分度最高的时候[7]，因此高分影像选用的是2016年3月28日麻城市高分一号卫星影像，而Landsat 8影像选用的是2015年3月6日湖北省钟祥市(小麦、油菜主产区)的Landsat 8影像.

表1 高分一号卫星影像中小麦和油菜的光谱值

本文中以小麦和油菜为例，针对农业遥感解译中易混农作物无法区分的问题进行研究.首先提取高分一号卫星影像中小麦和油菜的光谱信息，见表1.

从表1可以看出，在蓝光波段，小麦和油菜的光谱值差异很小，小麦的均值是603.58，油菜的均值是718.55.但在绿光波段，其标准差却很大，小麦和油菜的标准差分别为83.69和94.42，说明数据比较发散，波动的程度很剧烈，从而导致无法精确区分小麦和油菜，这是农业遥感中易混淆农作物的区分问题.由于农业遥感中非监督分类方法中使用ISODATA算法，因此首先分析ISODATA算法的优缺点.

图1 小麦和油菜的解译标

1.2 ISODATA算法分类效果 图1是根据实地建立的解译标志，小麦和油菜两种作物的解译标志差异明显.利用ISODATA算法进行提取，得到高分一号卫星影像小麦分类效果图(图2)和油菜分类效果图(图3)，相互混淆现象严重，Landsat 8影像分类结果也是如此.该结果后期人工目视解译工作量非常大，增加了解译的难度和时间.

图2 ISODATA算法小麦分类效果

图3 ISODATA算法油菜分类效果

1.3 原因分析 从表1中可以看出，在绿光波段、红光波段，小麦和油菜有一定程度的区分，但在蓝光波段、近红外波段，小麦和油菜相互混淆严重.总体来看，小麦和油菜的光谱值差异小且发散，所以由ISODATA算法根据不同波段分类情况进行综合评价的原理无法精确区分小麦和油菜.

对此有人使用改进的ISODATA算法，即更改设定的阈值大小和迭代次数，然而由于小麦和油菜之间的差异太小，而阈值过大则无法有效区分.阈值若小，计算量会更大，而且同种地物之间也会被分隔开，导致后期人工工作量增加.对于任意影像要找到较适合的阈值和迭代次数则需要大量的实验，无法满足农业遥感监测时效性需求.

因此本文中提出基于单波段影像增强的ISODATA算法.从表1中可以发现在绿光波段，小麦和油菜光谱值没有交叉区域，因此提取绿光波段进行影像增强，将小麦和油菜之间的差异最大程度地放大，阈值和迭代次数的设定不影响小麦和油菜区分，有效发挥ISODATA算法的优势，从而保证解译工作的时效性.

2 影像增强与处理

2.1 影像增强 1) 分析易混农作物所有波段的光谱值信息，利用ERDAS提取两种农作物光谱值没有交叉的波段；2) 利用Matlab进行影像增强，具体的影像增强公式如下.

(1)

式中，c是预先设定的阈值，a、b的值可根据影像灰度值进行调整.

图4 高分一号卫星影像增强前后效果图

对于高分一号卫星影像数据，表1中绿光波段的光谱值统计数据表明，小麦的最大光谱值是742，油菜的最小光谱值是818，光谱值值域没有重叠，因此提取绿光波段.为了彻底区分小麦和油菜，将阈值设定为两者的平均数：(742+818)/2=780.光谱值在780以上的为油菜，780以下的则是小麦，因此阈值c=780，将a设定为10、b设定为5时，可以最大程度地增加小麦和油菜之间的差异(图4).

图5 Landsat 8影像增强前后效果图

对钟祥市Landsat 8影像进行同样的光谱信息分析，见表2.

从表2可以看出，在近红外波段，小麦和油菜的光谱值几乎没有交叉区域，效果优于其他波段。提取近红外波段，由于该波段小麦和油菜的光谱值仍然有重叠，因此通过实验可知c=20 000时两种作物的区分度最大，从而将a设定为2，b设定为10(图5).

通过目视比较，小麦和油菜的差异明显提高，有利于准确区分小麦和油菜.

表2 Landsat 8卫星影像中小麦和油菜的光谱值

2.2 影像处理 本文中提出一种基于单波段影像增强的ISODATA算法，具体步骤如下：

图6 高分一号卫星影像基于单波段影像增强的ISODATA算法的分类结

1) 利用ISODATA算法对增强后的单波段影像进行分类，得到分类结果1；

2) 对原始影像使用非监督分类得到分类结果2；

3) 由于结果1中小麦和油菜被分开，但和其他地物混分；结果2中小麦和油菜不和其他地物混分，但是两种地物之间有混分情况.因此将分类结果1和2进行求交运算，就可以得到更精确的分类结果.

图7 Landsat 8影像基于单波段影像增强的ISODATA算法的分类结果

利用本文中方法得到高分一号卫星影像和Landsat 8影像的分类结果(图6、图7).

由图6、图7可看出，使用基于单波段影像增强的ISODATA算法的分类方法将小麦和油菜几乎完全分离，对比图2、图3中单独使用ISODATA算法的分类结果，该方法分类结果的精度明显提高，且该方法运用的仍是非监督分类方法，依然能够快速得到分类结果，且在时效性和准确性上均有提升.

3 实验结果分析

遥感解译结果精度利用随机点和Kappa系数2种方法验证.

随机点验证即在监测区内利用软件随机生成若干点，逐一判断随机点的属性类别，统计所有的结果构建误差混淆矩阵，从而计算出分类精度.

Kappa系数(K)是遥感分类图和参考数据之间的一致性或精度的量度，这种量度是通过混淆矩阵对角线和行列总数给出的概率一致性来表达的.

(2)

式中，K为混淆矩阵行数，xii是位于第i行第i列的观测点个数，xi+和x+i分别表示第i行和第i列的和，N是所有观测点的总数.

在分类的精度评价中，不同的精度评价方法有不同的划分标准和含义.本研究中直接用Cohen 提出的Kappa系数分类评价标准[10](表3).

表3 Kappa系数分类标准

3.1 高分一号卫星影像

1)对单独使用ISODATA算法分类结果进行验证，选定600个随机点，其中小麦150个，油菜350个，其他地物100个，点数的设定依据麻城市小麦、油菜的面积比，得到混淆矩阵(表4).

表4表明，单独使用ISODATA算法分类，小麦和油菜混杂在一起，无法区分.油菜的精度达到90.86%，小麦只有28%.这是因为油菜都被分到小麦中，从而影响了小麦的分类精度.总体分类精度只有76.33%，分类效果差.

2)对基于单波段影像增强的ISODATA算法分类结果进行验证，同样设定600个随机点，其中小麦150个，油菜350个，其他地物100个，得到混淆矩阵(表5).

表4 高分一号卫星影像单独使用ISODATA算法分类结果精度统计

表5 高分一号卫星影像基于单波段影像增强的ISODATA算法分类结果精度统计

表5表明，使用基于单波段影像增强的ISODATA算法分类，小麦和油菜区分度高，小麦的精度达到90.67%，比单独使用ISODATA算法分类，精度提高62.67%，油菜的精度达到96.29%，比单独使用ISODATA算法分类，精度提高5.43%，总体分类精度达到95.33%，精度提高19%.

3) 将上面2个混淆矩阵(表4、表5)分别代入公式(2)后得到单独使用ISODATA算法分类的K为0.55，精度评价为适中，与原影像具有中等一致性.而本文中基于单波段影像增强的ISODATA算法分类的K为0.92，精度评价为最佳，几乎达到完全一致，因此使用基于单波段影像增强的ISODATA算法分类的方法精度更高.

3.2 Landsat 8影像

1) 对单独使用ISODATA算法分类的结果进行验证，小麦和油菜2种作物都设定250个随机点，其他地物设定100个点，得到混淆矩阵(表6).

表5表明，单独使用ISODATA算法分类时，由于小麦和油菜的混杂，所以只能保证小麦和油菜其中一种的精度，另外一种地物的精度偏低，在本文中选择统一保证小麦的精度.小麦的精度为93.60%，油菜的精度为86.80%，总体分类精度是89.83%.

2) 对基于单波段影像增强的ISODATA算法分类结果进行验证，小麦和油菜2种作物都设定250个随机点，得到混淆矩阵(表7).

表6 Landsat 8影像单独使用ISODATA算法分类结果精度统计

表7 Landsat 8影像基于单波段影像增强的ISODATA算法分类结果精度统计

从表7可以很明显地看出小麦和油菜的分类精度都相当高，小麦达到94.00%，油菜达到98.00%，总体的分类精度达到95.83%.

3) 同样计算Kappa系数，得到单独使用ISODATA算法分类的K为0.836 9；本文中基于单波段影像增强的ISODATA算法分类的K为0.930 0，精度评价均为最佳，与原影像几乎完全匹配，分类精度更高.

4 结论与结语

1) 在不使用人工目视解译的情况下，利用本文中基于单波段影像增强的ISODATA算法分类，可大幅度提高小麦和油菜的初始分类精度，减少后期的人工工作量，为农业遥感解译节省了时间.

2) 本文中基于单波段影像增强的ISODATA算法，依然基于ISODATA算法，最大程度地使用计算机操作，从而降低人工目视解译的工作量，提高解译工作效率.

3) 实验表明，本文中基于单波段影像增强的ISODATA算法，适用于易混农作物光谱值在某个波段没有重叠的情况.对于光谱值有重叠的情况，精度会降低，因此还需要进一步完善.此外，高分一号卫星影像分辨率高于Landsat 8影像，但分类精度没有Landsat 8影像高，其影响因素较多，有待深入研究.

4) 高分一号卫星影像是我国独有的影像数据源，相比过去常规使用的Landsat 8影像，空间分辨率有很大提高，但也给农作物解译带来更多的挑战.我们的分类方法和手段没有随着影像分辨率提高得到很大改善，因此寻求更有效的面向对象分类方法是研究的目标之一.

[1] 赵英时.遥感应用分析原理与方法[M].北京：科学出版社,2003.

[2] 邢素丽,张广录.我国农业遥感的应用现状与展望[J].农业工程学报,2003(6):174-178.

[3] 权文婷,王钊.冬小麦种植面积遥感提取方法研究[J].国土资源遥感,2013,25(4):8-15.

[4] 王任华,霍宏涛,游先祥，等.人工神经网络在遥感图像森林植被分类中的应用[J].北京林业大学学报,2003,25(4):1-5.

[5] 王启田,林祥国,王志军,等.利用面向对象分类方法提取冬小麦种植面积的研究[J].测绘科学,2008,33(2):143-146.

[6] 申文明,王文杰,罗海江,等.基于决策树分类技术的遥感影像分类方法研究[J].遥感技术与应用,2011,22(3):333-338.

[7] 杨博,刘义.农业遥感影像目视解译技术要点[J].现代化农业,2008(4):37-39.

[8] 杨小明,罗云.ISODATA算法的实现与分析[J].采矿技术,2006(2):66-68.

[9] 曾江源.ISODATA算法的原理与实现[J].科技广场,2009(7):126-127.

[10] 许文宁,王鹏新,韩萍, 等.Kappa系数在干旱预测模型精度评价中的应用——以关中平原的干旱预测为例[J].自然灾害学报,2011(6):81-86.

(责任编辑 郭定和)

The method of distinguishing mixed crop based on enhancement of single band image

WANG Yuan1, MAO Liangjun1, TANG Wenlan2, WANG Xinsheng1,2, CHEN Zhijie1,2

(1.Faculty of Resources and Environmental Science, Hubei University, Wuhan 430062,China) (2. Wuhan Branch, Remote Sensing Application Center, Ministry of Agriculture, Wuhan 430062, China)

GF-1;Landsat 8;ISODATA;enhancement image;classification

2016-05-05

王渊(1991-)，男，硕士生；王新生，通信作者，教授,E-mail:wxz818@hubu.edu.cn

1000-2375(2017)01-0050-06

P237

A

10.3969/j.issn.1000-2375.2017.01.010