高分辨率遥感影像零星植被的自动提取

江维薇

（1.武汉大学 测绘学院，湖北 武汉430079）

高分辨率遥感影像零星植被的自动提取

江维薇1

（1.武汉大学 测绘学院，湖北 武汉430079）

针对零星植被面积较小，分布零散，边界模糊，像元混合严重导致特征相对不足的问题，基于视觉注意理论，提出了零星植被的分类新特征，并结合FART理论提出了自动提取零星植被的方法。分别选取高分辨率真彩色和近红外的零星植被图像数据进行实验，并与易康面向对象方法的结果进行了对比。实验结果证明，该方法对于零星植被的提取精度更高，适用范围更广，特别是对于真彩色影像，具有较大优势。

零星植被；生物视觉；分类特征；视觉注意；模糊自适应共振理论

利用高分辨率遥感影像进行植被覆盖提取是目前遥感影像分类研究的热点之一。随着遥感影像分辨率的提高，一些在中低分辨率下不可见的零星植被在高分辨率遥感影像上可能具有影像特征，能够被观测到，因而零星植被的提取十分必要，且直接影响遥感监测结果的准确性。零星植被通常为单株、小簇或狭长植被，在影像上通常面积较小、分布零散、与其他地物交错、像元混合严重、边界模糊。相对于大面积分布的植被，零星植被由于面积较小，统计特征很难有效提取和利用，空间特征和光谱特征也相对不足，零星植被的特征提取尤为困难。如果没有细致充分地提取分类特征，算法很难得到好的分类结果[1]。通常，植被覆盖提取都是利用原始特征计算各种植被指数作为有效的分类特征[2]，真彩色影像没有红外波段，植被指数无法很好地发挥作用，能够利用的有效植被特征更少。本文基于生物视觉前注意阶段初级视觉特征的感知原理，对原始特征进行加工，提取了零星植被的分类新特征；再结合改进的模糊自适应共振网络，自动采集植被样本完成分类；并通过与易康[3]分类结果的对比证明了该方法的有效性。

1 零星植被生物视觉分类新特征

视觉注意是心理活动对于一定对象的指向和集中。视觉系统对初级视觉特征（如颜色、亮度、方向、尺寸、形状等）的感知发生在视觉注意的前注意阶段，多通道并行自动处理，不受意识控制[4]。本文基于Itti视觉注意模型[5]的前注意阶段初级视觉特征感知机制寻找并提取能够有效区分植被与其他地物的植被分类新特征，分别对真彩色遥感影像和近红外遥感影像进行了讨论。图1a拍摄于2009年10月26日的克里马内，分辨率为0.5 m，图中植被为单株、小簇的零星植被，面积较小，分布零散，与其他地物交错。图1b拍摄于2001年武汉市，含有近红外、红、绿3个波段，分辨率为1.0 m，图中植被为城区零星植被，多成单株、小簇或狭长分布，与房屋、道路等交错，像元混合较严重，边缘较模糊。

图1 实验原图

1.1 真彩色遥感影像的零星植被生物视觉分类特征

Itti基于Stephen 的“Color-Double-Opponent”拮抗色系统[6]，利用金字塔影像模拟感受野的中心—周边竞争机制，提出了拮抗颜色特征，能够将大部分零星植被与其他地物区分开。受拮抗颜色特征图的启发，本文通过计算亮度在HIS空间和YUV空间的显著性差异得到亮度显著性差分特征；通过在HLS空间中计算饱和度和其直方图均衡化之间的显著性差异得到饱和度显著性差分特征。

金字塔计算0～5级，对每级金字塔分别计算各特征对F0和F1，如亮度特征F0=(red+green+blue)/3，F1=

0.229red+0.587green+0.114blue。然后计算中心周边差，中心尺度取c={0,1,2}，s表示周边尺度，取s=c+tem，tem={2,3}：最后对各中心周边差得到的结果进行归一化融合：

由图2可见，亮度显著性差分特征和饱和度显著性差分特征对植被和其他地物区分明显，且与生物视觉拮抗颜色特征互为补充，如图中红线所圈的屋顶等非植被区域在拮抗颜色特征图和亮度显著性差分特征图中与植被混淆，而在饱和度显著性差分特征图中得以区分，蓝线所圈的非植被区域在拮抗颜色特征图中无法区分而在亮度显著性差分特征和饱和度显著性差分特征图中被区分。

图2 特征图对比

1.2 近红外遥感影像的零星植被生物视觉分类特征

Itti拮抗颜色特征的提取对于红、绿、蓝3个波段的依赖性较高，对于一些缺乏蓝波段的近红外影像使用受到限制。基于此，本文对Itti注意模型中计算拮抗色提取颜色特征的方法进行了改进，通过计算每两个波段间的差值来计算各波段组合的显著性差异，从而提取到能有效区分植被的生物视觉新光谱特征。

金字塔影像的计算，中心周边尺度的选择同§1.1，对每级金字塔分别计算各特征对F0和F1，这里二者对应不同波段组合，如F0=NIR，F1=R；然后根据式（1）计算各特征对应的中心周边差；最后利用式（2）对各特征分别进行归一化融合，得到3个生物视觉新光谱特征（图3）。由图3可见，新光谱特征能够较明显地区分植被与其他地物。

本文基于生物视觉提取的新光谱特征，通过任两 个波段之间的组合，拓展了原始拮抗颜色特征的计算，使生物视觉光谱特征计算能很好地适用于近红外影像，且与植被指数相比，更加充分地利用了各波段光谱信息。通过不同尺度间的中心—周边操作，将植被的邻域信息考虑在内，利用视觉注意提取的显著性光谱特征更大化地挖掘了图像信息。

图3 生物视觉新光谱特征

2 模糊自适应共振理论原理

模糊自适应共振理论（FART）具有人类视觉的某些特性，可以处理模糊信息，能实时自学习、自动将注意集中到已学习过的样本、自动确定样本类别数等。本文实验主要利用了一种改进的FART算法[7]。FART在处理样本数较大的分类问题时，连接权向量的各个分量在经过一定数量的输入样本训练后，其值就不再发生变化或只有极微小的变化，出现“饱和”现象，改进算法将原来权向量的修正算法变为WJ

t+1=WJ

t+β (I-WJt)，当I≤WJ

t时，WJ总是朝着值减小的方向变化，因此最终WJt+1能逼近I。当I≥WJ

t时，WJ总是朝着值增大的方向变化，因此最终WJt+1也能逼近I。两个矢量相似性测度的计算可看作一种模糊隶属度的计算，因此用隶属度函数代替原来的相似性测度。具体选取高斯隶属度函数作为计算样本与模式类相似程度的测度公式。

式中，||·||为欧式范数；σJ为高斯隶属度函数的宽度。

用式（3）计算输入样本与模式类的相似度具有很好的逼近性能，可大大提高分类能力和对环境的适应性。

3 基于生物视觉分类新特征和FART的植被提取

本文植被提取基本流程如图4所示。第一部分为自动采集样本训练网络的过程。首先计算植被的生物视觉特征，由于本文提出的新特征具有较高的植被分离能力，对其进行简单的阈值分割可得到植被粗样本；再输入到FART网络进行分类，仅保留分到像素数最多的一个类别即为植被，剔除其他类别，并更新网络，更新后的网络仅记忆了植被类的特征。第二部分是利用只有植被类记忆的FART网络对原始图像进行分类，提取植被。

图4 本文方法流程图

4 实验与结果分析

4.1 实验一

以真彩色遥感影像图1a为例。参数设置如下：亮度显著性差分特征图阈值为0.97，提取植被粗样本。第一部分FART网络警戒线参数ρ=0.73，高斯隶属度函数的宽度σj=0.28，学习率参数β=1；第二部分FART警戒线参数ρ=0.86，类别数为1。

图5 实验结果对比及精度评定

通过对实验原图零星植被进行随机采样（图5d）来统计零星植被提取结果的误分和漏分情况，漏分率是对采样像素的漏分数量与总体采样数量的比值，误分率是结果中误分的像素数量与提取到的植被像素总数的比值。根据计算，FART提取结果中（图5a），零星植被漏分率为12.29%，误分率为38.36%，总体精度为74.68%；改进的FART提取结果中（图5b），零星植被漏分率为4.83%，误分率为9.18%，总体精度为93.00%；易康提取结果中（图5c），零星植被漏分率为3.28%，误分率为21.66%，总体精度为87.53%。改进后的FART网络分类精度大幅提高，说明改进算法的有效性。从与易康的对比可知，对于图1a，本文漏分率与易康相当，误分率远低于易康，整体提取精度明显优于易康。

4.2 实验二

以近红外遥感影像图1b为例，参数设置如下：近红外波段和红波段组合的生物视觉新光谱特征阈值为0.6，提取植被粗样本。第一部分FART网络学习率参数β=1，高斯隶属度函数的宽度σj=0.28，警戒线参数ρ=0.15；第二部分警戒线参数ρ=0.31，类别数为1。

图6 近红外影像零星植被提取实验

通过对实验图像进行零星植被随机采样（图6c）来统计零星植被提取结果的误分和漏分情况，本文方法提取结果中（图6a），零星植被漏分率为2.06%，误分率为0.13%，总体精度为98.91%；易康提取结果中（图 6b），零星植被漏分率为4.00%，误分率为0.05%，总体精度为97.98%。由此可见，对于图1b，本文方法除了少量的误分像素，对于零星植被的提取更加完整，总体精度高于易康。

5 结 语

本文基于生物视觉注意理论，针对高分辨率遥感影像提出了零星植被的分类新特征，并结合FART理论，提出了一种样本自动采集的零星植被分类方法，提高了分类的自动化程度。从与易康软件面向对象提取方法的对比实验可知，本文方法对于零星植被的提取更加完整，精度更高，适用范围更广，在缺乏近红外波段的情况下，依然能够有效提取零星植被。

[1] Landgrebe D A. Multispectral Land Sensing： Where from, Where to? [J]. IEEE Transactions on Geoscience and Remote Sensing,2005,43(3)：414-421

[2] 张海霞,卞正富.遥感影像植被信息提取方法研究及思考[J].地理空间信息,2007,5(6)：65-67

[3] 宋杨,李长辉,林鸿.面向对象的eCognition遥感影像分类识别技术应用[J].地理空间信息,2012,10(2)：64-66

[4] Treisman A M,Gelade G. A Feature Integration Theory of Attention[J].Cognitive Psychology,1980,12(1)：97-136

[5] Itti L, Koch C, Niebur E.A Model of Saliency-based Visual Attention for Rapid Scene Analysis[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1998,20(11)：1 254-1 259

[6] Engel S, ZHANG X M, Wandell B. Colour Turning in Human Visual Cortex Measured with Functional Magnetic Resonance Imaging[J].Nature,1997,388(6)：68-71

[7] 刘宇红,刘桥,任强.基于改进的模糊ART的语音信号端点检测与切分[J].系统工程与电子技术,2004,26(8)：1 151-1 154

[8] 阳春花,赵礼剑,胡吉林.高分遥感在隧道地表环境监测中的应用[J].地理空间信息,2015,13(4)：32-34

[9] 洪亮,汪洋,陈翠婵,等.地表覆盖和地理国情要素成果质检的探讨[J].地理空间信息,2015,13(3)：6-8

P237

：B

：1672-4623（2016）11-0006-03

10.3969/j.issn.1672-4623.2016.11.003

江维薇，博士研究生，主要从事遥感图像处理与应用研究。

2015-08-28。

项目来源：精密工程与工业测量国家测绘地理信息局重点实验室开放基金资助项目（PF2012-11）；中部城市圈协调用地决策的信息支撑技术研究资助项目（201411001）。