基于纹理和支持向量机的GF-1图像土地覆被分类研究

方 臣, 吴 龙, 胡 飞, 陈 曦, 刘烨青

(湖北省地质调查院,湖北 武汉 430034)

高分一号卫星(GF-1)于2013年4月26日在酒泉卫星发射中心由长征二号丁运载火箭成功发射,搭载了两台2 m分辨率全色/8 m分辨率多光谱相机、四台16 m分辨率多光谱相机[1]。卫星工程突破了高空间分辨率、多光谱与高时间分辨率结合的光学遥感技术,多载荷图像拼接融合技术,高精度高稳定度姿态控制技术,5—8年寿命高可靠卫星技术,高分辨率数据处理与应用等关键技术,对于推动中国卫星工程水平的提升,提高中国高分辨率数据自给率,具有重大战略意义[2]。

土地是人类长期生存和发展的重要保障,对生态资源环境和人类社会经济有着重要影响,西北地区生态环境比较脆弱,水土流失、荒漠化严重,在该地区开展土地覆被分类研究,为西北地区的社会经济发展和生态环境建设提供有力帮助[3]。

纹理信息是地物特征空间信息在遥感影像中的表现形式[4]。纹理是不同地物宏观结构和微观结构的综合表现,对解决“同物异谱”和“异物同谱”现象起到一定作用,目前利用不同地物的纹理信息进行图像分类已经广泛应用于高分辨率遥感卫星数据中[5]。

支持向量机在1979年由Vapnik首先提出,算法的基本思想是为了寻找分离两种类别的数据集之间的超平面,然后通过机器学习在潜在高维空间中寻找最优分类边界,实现最优分类[6]。SVM最初设计处理的训练数据在输入空间是线性可分的,而实际应用中数据样本往往是非线性分布,这使得基本的线性决策边界很难有较高的分离精度[7]。为此通过引入松弛变量(slack variables)的软边缘法(soft margin method)和核技巧(kernel trick)解决非线性条件下的最优分类问题[8]。相比神经网络在小样本训练上存在过学习和局部极值化问题以及最大似然法对样本空间分布形态的限制,SVM的优势在于可以利用有限的训练样本,通过高维空间变换寻找最优分类面实现最好的分类效果[9]。目前,SVM在许多领域得到广泛应用,在计算机领域应用于文本识别、人脸识别等,在城市方面主要应用于城市道路和桥梁信息提取[10]。

选取新疆喀什地区一处为实验区,采用GF-1数据源,结合纹理信息采用SVM进行土地覆被分类,并与单源SVM法和最大似然法的分类精度进行对比分析。

1 研究区和数据源概况

研究区行政区划上隶属于新疆喀什地区叶城县,主体为山体北东方向延伸,总体地势西高东低,海拔高度在2 500～4 000 m,属暖温带极干旱气候区。研究区内土地覆被类型主要为草地、湖泊、滩涂、冰川、沼泽、裸地、营区用地等类型。

研究区采用的数据为2014年5月采集的GF-1数据,全色波段空间分辨率2 m,多光谱波段空间分辨率8 m。数据预处理主要为大气校正、正射校正、图像融合处理。最终处理成分辨率为2 m、包含4个波段的影像数据。

2 土地覆被分类方法

2.1 纹理信息提取

目前常用的提取纹理信息的方法主要有统计分析法、结构法、模型法和数学变换法[11]。其中统计分析法研究表明占主导地位。本文采用的就是基于统计分析法的灰度共生矩阵(Gray Level Co-occurrence Matrices,GLCM)来提取图像的纹理信息[12]。GLCM是一种通过研究灰度的空间相关特性来描述纹理的方法,对图像上保持某距离的两像素分别具有某灰度的状况进行统计得到,根据共生矩阵得到一些特征量,常用的特征量有ASM 能量(angular second moment)、对比度(contrast)、逆差矩(inverse different moment)、熵(entropy)、自相关(correlation)等[13]。在实际应用中根据研究目的选择对应的纹理特征量才能达到最佳效果。通过研究本文选取了ASM 能量、对比度、熵3个特征量为图像的纹理特征。

2.2 支持向量机分类

支持向量机最开始是研究两类的线性分类问题,其基本思想可以由图1得出,图中实心点和空心点代表两类样本,H为分类线,H1、H2分别为过各类中离分类线最近的样本且平行于分类线的直线,他们之间的距离叫做分类间隔(margin)[14]。而最优分类线就是要求分类线不但能将两类正确分开,而且使分类间隔最大,过两类样本中离分类面最近的样本且平行于最优分类面的超平面上H1,H2上的训练样本就叫做支持向量[15]。

图1 线性可分情况下的最优分类线Fig.1 Optimal classification line under linear separable conditions

(1)

可以通过寻求上式的对偶问题来求解最小值,为此可以引入Lagrange函数:

(2)

其中,αi>0为Lagrange系数,下面对w和b求Lagrange函数的极小值[16]。

把上式中分别对w和b求偏微分并令它们等于0,就可以转化成对αi求解最大值:

(3)

(4)

(5)

由此可以构造分化超平面(w*·x)+b*=0,得出分类决策函数[17]:

f(x)=sgn(g(x))

(6)

其中,

2.3 结合纹理信息的SVM分类流程

根据上述方法结合实际数据情况构建了基于纹理的SVM土地覆被分类模型。图2为该模型的基本流程图,具体操作流程主要包括:①对影像进行几何校正、正射校正、大气校正、融合处理等预处理操作。②对融合后的图像进行主成分分析处理,对第一主成分图像采用灰度共生矩阵的方法提取纹理信息,获得ASM 能量、对比度、熵3种特征量。③将纹理特征量和融合后的图像结合,对该图像进行SVM分类,将分类结果与其他两种方法进行对比分析。

3 结果分析

利用ENVI、Matlab及LIBSVM软件提取纹理特征和土地覆被分类工作,通过实验将该区的土地覆被类型划分为水体、滩涂、耕地、裸地、建筑用地、草地6种类型。为了验证结合纹理信息的SVM分类法的效果,又分别采用单源SVM法和最大似然法对图像进行土地覆被分类,将3种方法的分类结果进行对比分析。

图4 分类结果Fig.4 Classification results

图2 结合纹理信息的SVM分类流程Fig.2 Flow diagram of image SVM classification after adding the texture feature

在纹理信息提取中,需要考虑纹理窗口大小和窗口移动布长的影像因素,窗口过小会导致计算结果不准确,窗口过大会导致包含的内容复杂同样也会影响计算结果,通过实验对比分析,本文最终选择5×5的像元窗口,移动步长为(1,1),结果显示提取纹理效果明显而且耗时比较短。图3为提取的ASM 能量、对比度、熵3种纹理特征量图,从图中可以看出ASM能量的图反映的是图像灰度分布均匀程度和纹理粗细度,能量值小则灰度分布均匀,能量值大则凸显纹理。对比度的图反映某个像素值及其领域像素值的亮度的对比情况,对比度大的纹理沟纹深,视觉效果清晰,反之则相反。熵的图是度量图像所具有的信息量,熵值越大则图像的纹理信息越丰富。

将纹理信息与SVM法结合进行土地覆被分类,影响SVM分类性能主要因素包括核函数参数γ的选取,惩罚因子C的设定,核函数的类型的选取对分类精度影响较小。选取的SVM核函数为径向基核函数,利用LIBSVM的网格遍历和交叉验证的方法获取模型参数γ =1.15,C=100,最终分类结果如图4。

从分类结果图中可以看出,结合纹理特征的SVM分类效果最佳,各个类别都能很好的区分出来,混分错分现象比较少;单纯的使用SVM分类的结果中,耕地和草地分类效果不佳,存在错分现象,整体分类的图像斑块较多,出现混分现象。最大似然法的分类结果中,部分水体错划成耕地,同样存在严重的错分混分现象。

图3 原始影像与纹理特征图Fig.3 Original image and images of textural features

通过三种方式的监督分类方法对比,对分类结果进行混淆矩阵计算,统计各分类结果的总体精度和Kappa系数,见表1,通过对比分析,结合纹理的SVM分类法的的总体精度和Kappa系数均高于其他两种方法。结果表明,结合纹理信息,可以更好的利用GF-1高分辨率图像丰富的信息量来提高分类精度,SVM的分类精度高于最大似然法分类精度,也表明了SVM这种基于统计学习理论的分类算法在高分辨率图像分类处理中具有优势。

4 结论

以国产高分一号图像为数据源,利用灰度共生矩阵提取纹理信息,辅以纹理信息利用SVM分类算法对新疆喀什地区进行土地覆被分类,最终得出以下结论:

表1 总体精度和Kappa系数Table 1 The overall accuracy and Kappa coefficient

(1) 利用灰度共生矩阵获取ASM 能量、对比度、熵3种纹理特征量,将这3种特征量结合高分一号图像进行土地覆被分类,结果表明分类精度为93.74%,高于使用纯SVM分类精度89.06%和最大似然法分类精度86.79%。说明纹理信息是高分辨率遥感图像比较重要的特征信息,可以有效的提高土地覆被分类精度。

(2) 高分辨率遥感图像相对于普通的多光谱数据包含更丰富的信息量,从分类精度和Kappa系数可以看出,SVM分类法优于最大似然分类法,说明SVM分类法在处理高分辨率遥感图像具有优势。