基于分形特征的高标准农田遥感分类方法研究

陈 震，张耘实，陈建平，安志宏

(1.中国地质大学(北京) 地球科学与资源学院，北京 100083；2.中国国土资源航空物探遥感中心，北京 100083)

0 引 言

20世纪90年代中国在土地整治工作中引入了遥感监测技术，是以提高了土地整治工作的质量和效率[1]。尤其是遥感监测技术在土地利用和土地覆盖监测方面的应用，为土地整治工作做出了积极贡献[2]。遥感监测技术能为土地利用规划工作提供数据来源，同时为土地利用规划的正确实施提供技术支持[3-16]。

高标准农田是指土地平整、集中连片、设施完善、农电配套、土壤肥沃、生态良好、抗灾能力强，与现代农业生产和经营方式相适应的旱涝保收、高产稳产，划定为永久基本农田的耕地。目前全国高标准农田面积已经达到5.8亿亩，高标准农田建后利用过程中出现了“占、毁、调、退、荒”等情况。针对这些情况，开展高标准农田建后利用情况遥感监测势在必行。如何实现对高标准农田建后的遥感实时、精准监测成为亟待解决的问题，迫切需要针对高标准农田建后的遥感影像分类方法进行研究，对国家高标准农田实行适时监测，为高标准农田建成后的实时监管提供高效、精准的决策信息。

根据国土遥感的实际需求设计的高分二号，可以为我国国土土地利用调查提供基础数据。高分二号卫星影像全色波段空间分辨率达到0.81 m，多光谱波段分辨率达到3.24 m[4]。其波段和空间分辨率设置比较适合国内国土遥感监测，这为高标准农田建后利用情况监测提供了实用、可靠的数据来源。

由于监测面积大，人工解译不能满足工作需求，遥感自动监测技术最终的落脚点在于遥感自动分类技术。进行遥感影像自动分类的方法有很多,如常用的监督分类方法、非监督分类方法。在图像自动分割方面，由于高标准农田具有自相似的分形分布特征，因此在本研究中采用基于分形理论的图像分割方法比较贴合实际。在监督分类法中，最大似然法以及BP人工神经元网络、小波变换等方法比较常用[5]。其中的BP人工神经网络方法是由大量结构简单的数据处理单元广泛连接而成的复杂、庞大的网络，用来模拟人脑的工作机制，自1989 年首次用于遥感图像分类以来，陆续得到推广应用[6]。目前具有分析光谱特征功能的BP神经网络遥感影像分类技术是针对高分辨

率影像的比较实用的分类技术[7]。

本文以广东省东莞地区为研究区，选取2017年2 月15 日高分二号遥感数据作为数据源。首先对影像进行人工解译，然后实地验证；选取部分验证样本作为测试样本，利用分形理论分割图像，采用MATALAB 2016a软件自动选取训练样本；最后利用BP神经网络对遥感影像进行自动分类。本文的研究结果证明，分形图像分割结合BP神经网络遥感分类方法精度较高，能较好地满足高标准农田建后利用情况遥感监测的工作需求。

1 研究区概况与数据来源

1.1 研究区概况

广东省东莞市位于中国华南地区，广东省的南端，位于珠江口东岸、东江下游的珠江三角洲。地势东南较高、西北较低。地貌以东南丘陵台地、西北冲积平原为主。东南部多山，尤以东部为最，山体面积庞大，切割强烈，集中成片，起伏较大；西北部是东江下游冲积而成的三角洲平原，是地势平坦、河网纵横的围田区；西南部为滨临珠江口的冲积平原，地势平缓而略低陷，是受海水潮汐影响较大的沙咸田地区。该地区属热带季风气候，雨量充足，光照充分，气候暖和，风景宜人，适宜热带农作物生长。研究区地理位置如图1所示。

1.2 数据来源

本研究选用国产高分二号卫星遥感数据。数据参数为：全色波段，0.45～0.90 μm。多光谱波段，波段1，0.45～0.52 μm；波段 2，0.52～0.59 μm；波段 3，0.63～0.69 μm；波段4，0.77～0.89 μm。空间分辨率：全色，1 m；多光谱，4 m。重访周期(侧摆时)5天。覆盖周期(不侧摆)69天。幅宽为45 km。

图1 研究区地理位置图Fig.1 Location of the study area

东莞地区每年3月到11月阴雨天气较多，云层较多、较厚，不便于遥感监测，所以本研究选择2017年2月15日的高分二号遥感影像作为数据源。

2 遥感数据预处理

采用高斯—克吕格投影，3°分带，平面坐标系统采用1980西安坐标系；高程系统采用1985国家高程基准，IUG1975椭球体。

本研究遥感数据预处理总体流程：所有处理都在ENVI5.3软件环境下进行；经过大气校正、正射校正、几何校正、图像增强、融合、坐标变换等预处理工作，消除了大气散射、几何畸变等误差；采用Gram-Schmidt融合方法，坐标系从WGS84坐标系转换成了西安1980坐标系；最后增加了NDVI植被指数、K-Means非监督分类结果两个波段，增加了数据的维度，有利于提高高标准农田建后利用分类的精度。

在图像增强处理中，彩色合成是通过高分二号数据各波段相关性分析将其各波段分组划分，高分二号(多光谱)各波段间相关系数矩阵如表1所示；然后按照划分结果进行波段组合，波段组合方案及OIF值如表2所示。

在对高分二号数据相关性分析的基础上，计算3组波段组合的最佳指数，可知波段1/3/4组合最佳指数最大。选取这3个波段组合作为人工解译信息提取的最佳波段组合，该组合包含最大的信息量。而在高分二号波段3、4、1彩色合成影像上，水体、植被与建筑物的界线明显，为人工解译、提取测试、验证样本提供了方便，进而为遥感自动分类奠定基础。

表1高分二号(多光谱)各波段间相关系数矩阵

Table1MatrixofcorrelationcoefficientsamongmultispectralbandsfromGF-2satelliteimagery

波段波段1波段2波段3波段4波段11.000 0000.950 8180.904 3730.336 042波段20.950 8181.000 0000.966 9290.430 137波段30.904 3730.963 9291.000 0000.408 729波段40.336 0420.430 1370.408 7291.000 000

表2 波段组合方案及OIF值

3 研究方法

本研究首先对高分二号数据进行了大气校正、正射校正、几何校正、图像增强、融合、坐标变换等预处理工作，在此基础上进行人工解译，对疑似图斑进行实地验证，选取部分验证样本作为测试样本，然后利用MATALAB 2016a软件编程实现分形图像分割、自动选取训练样本，结合BP神经网络对遥感影像进行自动分类。根据人工解译工作的经验，正常生长的农作物在遥感影像上一般呈均匀的浅绿色、绿色、深绿色、墨绿色等色调特征，并显示出条带状、斑杂状、片状等形状特征。而杂草在遥感影像上一般呈色调不均匀的绿色、浅绿色，片状且纹理粗糙。树木则呈深绿色或墨绿色色调特征以及斑点状纹理特征。农村房屋一般为规则的长方形，在遥感影像上一般呈边界齐整蓝色或红色的长方形。该地区土壤在遥感影像上一般呈土黄色，色调均匀，线状纹理。水泥道路在遥感影像上一般呈灰白色色调特征和线状特征。沙石堆在遥感影像上一般呈白色、灰白色和灰色色调特征，斑点状纹理，斑点大小不均匀。裸地在遥感影像上一般呈白色色调，耀眼，和相邻地块的反差强烈。

高标准农田监测工作中发现违规情况有“建设占用(占)、调整用途(调)、荒芜(荒)”三种情况。“占、调、荒”三种情况中，“占”和“调”两种情况较难区分，根据“三调”项目新规定，耕作层被破坏的判定为“占”，耕作层没被破坏且不为农田的地块判定为调整用途地块。该地区解译标志和实地验证照片如表3所示。

3.1 基于分形特征的图像分割

图像分形分割法是根据图像的特征(如灰度特征、颜色特征、纹理特征或形状特征等)将图像空间分割成不同的区域。本研究应用的算法优点是充分应用了图像的空间位置、排列信息，分割后的图像是连续的。这类方法有很多种，如区域生长算法、分裂和合并算法、聚类法等。除了以上传统的分割算法外，还有一些基于数学形态学、神经网络、遗传算法、小波分析和变化等的分割方法等。分形理论是在非线性数学领域发展起来的一门数理统计学科，它在图像分割领域中也获得了较好的分类效果[8]。

分形理论进行图像分割的原理是用图像的灰度值分布的分形维数特征进行分割[9]。分形维数直观上与农田的纹理相关联，因此可用分形维数作为区分不同类别农田地物的有效因子。计算图像维度数的常用算法有Keller的盒维数算法、差分盒维数算法、Peleg的ε-毯子算法等[10]。分形维数可以用来描述自然界的自相似性。本研究利用高标准农田自身的分形维数特性，来实现对高标准农田遥感图像的分割。

表3高标准农田建后利用情况监测遥感解译标志

Table3Remotesensinginterpretationsignsabouthighstandardfarmland

本研究图像分形分割采用Peleg的ε-毯子方法，在此方法中，采用Richardson定律来估计分形维数[12]：

M(ε)=Kεd-D

(1)

式中：ε=1，2，3，…，为尺度因子；M(ε)是当尺度为ε时的度量特征值；K是分形系数；D是分形维数；d是拓扑维数。

对于二维灰度图像，M(ε)的取值就是图像的表面积测度A(ε)：

A(ε)=Kε2-D

(2)

如果把遥感图像的灰度值看成高程值，那么遥感图像就是由灰度值形成的山丘，这个曲面的上、下两个ε构成厚度为2ε的“毯子”。对于取值不同的ε，可以用“毯子”的体积除以2ε获得“毯子”的表面积，即图像的表面积A(ε)。

具体算法如下：(1)在需处理的遥感影像中，截取多个M×M尺寸的窗口作为处理单元，从图像左上角起始点开始，按照“ε-毯子”法依次计算处理各个窗口几何中心像素的分形特征，从而将图像灰度空间映射转换到分形特征K空间；(2)用自适应门限二值化K空间。找出分形特征K空间中最大值maxK，并选取合适的系数a(0

3.2 BP神经网络方法

图2 计算分形特征K的流程图Fig.2 The flow chart for K calculation

20世纪80年代中期，David等分别开发了误差反向传播算法(BP神经网络算法)，系统地解决了多层神经网络隐含层变更连接权的学习问题，并给出了数学上的完整推导。以这种误差反向传播算法进行误差校正的多层前馈网络被称为BP神经网络[8]。BP神经网络不需要事先确定输入输出之间映射关系的数学方程式，它把线性方程组的权值通过对样本的训练进行调整，从而学习分类规则，在给定输入值时得到最接近期望值的输出结果。具有隐藏层的神经网络结构如图3所示。

图3 具有隐藏层的神经网络Fig.3 Neural network with hidden layers

图3中相应的数学公式如下所示：

(3)

(4)

(5)

(6)

式中：xi为各个变量；Wij为神经元的权值；ai为输入向量的各个分量；bi为偏置量；hw,b(x)为输出层变量。

图4 东莞地区高标准农田的BP神经网络分类效果图Fig.4 BP neural network classification of the high-standard farmland in Dongguan

基本BP神经网络算法包括训练样本信息的前向传播以及误差的反向传播两个过程。算法中信号经过分量运算后正向传播时，输入信号通过了隐含层并对输出节点产生作用，经过非线性变换，生成输出信号(向量)，输出信号(向量)与期望向量做交叉熵，交叉熵值(Loss)转入误差的网络反向传播过程。BP神经网络的误差反传是将交叉熵值通过隐含层向前面的输入层逐层反传，在反传过程中调整各神经元的权值。误差反馈过程中通

过调整输入节点与隐层节点的联接强度(权值)和隐层节点与输出节点的联接强度(权值)以及相应阈值，使误差沿一定的梯度下降，经过反复对训练样本的学习训练，网络各层神经元的权值大小趋于稳定，如果没有出现过拟合现象，训练即可停止。这样得到的神经网络中各权值已经确定，非线性方程组模型已经形成，它能对相似的样本自行处理并输出交叉熵最小的非线性转换后的分类信息。

3.3 分形图像分割与BP神经网络的关系

根据图像像元的DN值，通过分形理论把图像矩阵分成不同维度的区域，实现对图像的分割，然后在不同的分割区域中选取32×32像元尺寸大小的矩阵作为训练样本，再把训练样本输入BP神经网络进行训练，得出训练模型用于对待测的样本进行识别，最后得到分类效果图。本研究在实地验证的图斑中截取32×32像元尺寸大小的矩阵作为BP神经网络的测试样本，这样做对保障精度评价的准确性具有较好的作用。

4 结果与分析

在对图像进行了分形分割后，再利用BP神经网络对遥感图像自动分类，并结合人工解译和实地验证，获得了适合东莞地区高标准农田的遥感影像自动分类方法。

分形理论考虑了自然界的自相似特点，所以基于分形特征的图像分割算法也是一种比较接近自然，且较为实用的图像分割方法。本研究中分形维数特征已成为农田分类的一个重要特征。采用“ε-毯子”法(MATLAB2016a软件编程实现)来获取高标准农田图像的分形维数，维度为5，分别对应农田、水体、调整用途、占用、荒芜这5类地物。

利用上述方法对东莞地区的农田进行分类，结果如图4所示。首先，对东莞地区遥感影像(图4(a))进行分形处理，识别出农田、水体、调整用途、占用、荒芜这5类地物的分布情况(图4(b)—(f))，为下一步的BP神经网络训练和测试样本的选取提供基本信息，这样样本的选取就具有了很大的针对性。截取32×32像元尺寸的标准图像矩阵作为样本矩阵，分割出的农田、水体以及荒芜与周边的地物区别明显。占用和调整用途由于情况复杂，类型较多。总的来看，分类效果明显。

把所有地物类型的分类效果图叠加就形成总分类图，如图4(g)所示。最后提取所有类型的矢量边界如图4(h)所示，这样就大大提高了人工解译的效率。

表4 BP神经网络分类方法的混淆矩阵

由于综合考虑了图像的分形特征，并结合了人工解译和实地验证，使输入BP神经网络的训练样本以及测试样本的总体质量得到提高。该分类方法的总体精度为80.112 2%，Kappa系数为0.761 1，混淆矩阵如表4所示。

综上所述，分形图像分割结合BP神经网络遥感分类方法的精度较高，能较好地满足研究区高标准农田建后利用情况遥感监测的工作需求。

5 结 论

本文采用分形图像分割结合BP神经网络的遥感图像自动分类方法，对广东东莞高标准农田建后利用情况进行分类识别，评价结果的总体精度为 80.112 2%，Kappa 系数为0.761 1，总体精度较高，较好地满足了研究区高标准农田建后利用情况遥感监测的需求。该方法充分考虑高标准农田地物的自相似分形特征以及光谱特征，能充分反映高标准农田的关键信息，是一种比较适合于农田遥感监测的自动分类方法。本文的成果能以点带面在全国推广，为全国高标准农田建后利用情况的实时监管提供高效、精准的决策信息，为国家耕地保护、粮食安全提供技术支撑。

参考文献：

[1] 孙丹峰，杨冀红，刘顺喜. 高分辨率遥感卫星影像在土地利用分类及其变化监测的应用研究[J]. 农业工程学报，2002，18(2)：160-164.

[2] 郭文娟,张佳华. 利用ASTER遥感资料提取南京城郊土地利用信息的研究[J].农业工程学报，2005，21(9)：62-66.

[3] 张超，李智晓，李鹏山，等. 基于高分辨率遥感影像分类的城镇土地利用规划监测[J]. 农业机械学报，2015, 46(11)：323-328.

[4] 陈凯，罗兆楠，王小松，等. 特高压工程施工利用高分二号遥感影像进行水土保持远程监测研究[J].地理信息世界，2016，23(3)：108-113.

[5] 吴洪涛,刘晶东. 几种基于高分辨率遥感影像分类技术的分析与探讨[J]. 测绘与空间地理信息，2008，31(2)：47-51.

[6] 石丽. 基于BP 神经网络改进算法的遥感图像分类试验[J]. 科技信息，2014 (13)：74-75.

[7] 陈启浩,刘志敏,刘修国，等. 面向基元的高空间分辨率矿区遥感影像土地利用分类[J].地球科学，2010，35(3)：453-458.

[8] 王华.基于分形理论的路面裂缝检测技术的研究[D].哈尔滨：哈尔滨工业大学,2004.

[9] 陈永强，陆安生，胡汉平.基于分形的图像分析方法综述[J].计算机工程与设计, 2005(7):1781-1783.

[10] KELLER J M,CHEN S,CROWNOVER R M. Texture description and segmentation through fractal geometry[J]. Graphical Models and Image Processing,1989,45:150-166.

[11] 闻新，张兴旺，朱亚萍，等.智能故障诊断技术：MATLAB应用[M].北京: 北京航空航天大学出版社，2015:9.

[12] 张坤华,王敬儒,张启衡.基于分形特征的图像边缘检测方法[J].光电工程,2001(6)：52-55.

[13] 肖锦成，欧维新，符海月. 基于BP神经网络与ETM+遥感数据的盐城滨海自然湿地覆被分类[J]. 生态学报，2013,33(23)：7496-7504.

[14] 陈启浩,刘志敏,刘修国. 面向基元的高空间分辨率矿区遥感影像土地利用分类[J].地球科学,2010,35(3):453-458.

[15] 纪仰慧，李国春，关宏强. 土地利用覆盖遥感分类研究综述[J].农业网络信息，2005(8):36-38.

[16] 费鲜芸, 高祥伟. 土地利用/土地覆盖遥感分类研究综述[J]. 山东农业大学学报，2002,33(3):391-394.