基于高分一号遥感影像的绿地信息提取

李巍 丁晨旸 李萍

摘要对高分一号卫星影像进行大气校正、几何校正、裁剪等，利用Libsvm 4.0在Matlab平台里编程进行交叉验证网格法寻优，最终获得支持向量机分类的最佳惩罚系数为45，不敏感系数为0.31。改进支持向量机分类器绿地分类精度为94.6%，该提取精度能满足高分辨率遥感影像在城市绿地动态监测。

关键词遥感；高分一号影像；城市绿地；支持向量机分类器

中图分类号S127文献标识码A文章编号0517-6611（2017）14-0208-03

AbstractThe atmospheric correction， geometric correction， cutting were conducted on GF1 satellite images. The cross validation grid optimization was made in Matalb platform by Libsvm 4.0. The best penalty coefficient of support vector machine classifier was 45， and sensitivity coefficient was 0.31. The results showed that the classification accuracy was 94.6%， and the extraction accuracy can meet the high resolution remote sensing images in dynamic monitoring of urban green space.

Key wordsRemote sensing；GF1 image；Urban green space；Support vector classifier

近年来，伴随着城市化进程，城市环境与城市发展之间很难平衡，然而城市绿地使城市环境得到很好改善。城市绿地作为城市的自然属性之一[1]，在净化城市空气和城市生态系统环境方面有着重要作用，同时还可为城市居民提供休闲和娱乐场所，陶冶人们情操和改善人们生活质量[2]。城市绿地的规划必须立足于对城市绿地现状的了解，传统的绿地调查采用实地测量与统计相结合的方法，效率低下而且统计结果易受人为影响[3]。随着遥感技术的发展，近年来众多高分辨率遥感卫星的发射为城市绿地信息提取提供了高效的手段，如何充分利用高分辨率遥感影像进行现代城市规划和生态环境评价具有重要意义[4]。笔者以成都市高新区建成区为研究区，以 2014年8月16日的高分一号多光谱影像（分辨率为8 m）为数据源，在高分一号影像上随机选取样本点，通过在Libsvm 4.0在Matlab平台里编程进行交叉验证网格法寻优，获取支持向量机分类时的最佳惩罚系数G和不敏感系数C；分析改进参数支持向量机绿地提取方法精度和实际可行性，以寻找一种快速有效的城市绿地信息提取的新方法。

1研究区概况和数据预处理

1.1研究区概况成都市高新技术产业开发区，简称成都高新区，由南部园区和西部园区组成。成都高新区总面积130 km2，其中高新南区87 km2，高新西区43 km2；共划分为7个街道办事处，其中高新南区5个，高新西区2个。研究区域中心地区位于104°3′ E，30°34′ N，包括建筑物、道路、绿地等景观，具有一定的代表性，有利于支持向量机绿地信息的提取。

1.2数据预处理

1.2.1大气校正。一些系统获得的辐射率受到许多因素变化的影响，而这些因素主要包括地面辐射条件、大气状况、传感器的相应特性等因素，如拍摄时传感器的几何特征对机载传感器收集数据的影响要大于星载传感器收集数据[5]。随着人们对遥感影像定量化研究的不断深入，通过图像辐射校正，使得原始图像亮度值转化成地表地物真实反射率，这样才能符合影像定量分析、地物信息提取等需要[6]。通过快速大气校正，使得高分一号遥感影像中地物辐射能量更加接近地表真实情况。

根据研究的需要和实际情况，在ENVI 5.1大气校正扩展模块中的快速大气校正（Quick atmospheric correction）工具可以提高光譜属性值的精度，还可以消除部分大气影响。

1.2.2几何校正。因为卫星在运动过程中空间姿态不稳定、地面地形起伏等原因，使得遥感卫星影像产生变形[7]，而影像变形会给影像定量分析和影像位置匹配带来困难，所以进行图像几何校正就十分必要，使得用于进行绿地提取的高分一号影像地物更加接近地面真实情况。

采用基于多项式几何精校正，为了保证几何校正的精度，尽量使控制点分布均匀，且覆盖整个研究区域，并使误差控制在1个像元以内。在校正前，在ENVI对待校正高分一号影像和高新區地形图进行坐标统一，以减少由于在校正过程中坐标系多次转换而带来的误差。

1.2.3影像裁剪。以经过校正的影像高分一号多光谱影像为参考影像，根据研究区域行政区划图确定裁剪边界，在ENVI 5.1的Raster Management模块中，用ROI边界对影像进行不规则剪裁。为使裁剪后的影像显示很好效果，将背景的DN值设为0，研究区域影像如图1所示。

2基于高分一号遥感影像的绿地信息提取

2.1支持向量机城市绿地信息提取基于遥感影像支持向量机分类方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性（对特定训练样本的学习精度）和学习能力（无错误地识别任意样本的能力）之间寻求最佳方案，以获得最好的推广能力[8] 。支持向量机将向量映射到一个更高维的空间，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有2个互相平行的超平面[9]。因此，如何应用SVM实现多类别分类是解决实际问题的根本。目前提出的SVM多类分类算法有一对多和一对一2种方法。该研究采用一对一SVM分类方法进行试验分类。

支持向量机算法目前主要有3种核函数：线性内核、多项式内核和径向基核函数[10]。上述3种核函数对绿地提取精度的影响不大。大量试验表明，径向基核函数的提取精度最高，所以该研究采用径向基核函数。Vapnik等[11]研究表明，在给定样本和核函数条件下SVM的性能主要受惩罚系数G、核函数参数和不敏感系数C的影响。其中，C表示对在错误位置样本的惩罚程度。C在特征空间起控制决策边界的形状作用。

利用Libsvm 4.0在Matlab平台里编程进行交叉验证网格法寻优，在影像随机选取300个训练样本点，将其中299个样本点作为训练点，剩余的1个样本点用于测试；重复进行试验，所有的样本点都要参加测试，最终测得最佳惩罚系数为45和不敏感系数为0.31。进行交叉验证网格法寻优，求解参数部分核心代码：

for（double c=c_begin；c{

for（double g=g_begin；g