無人機高分辨率遙感影像分類方法研究?

劉啟興 景海濤 董國濤

（1.河南理工大學測繪與國土信息工程學院 焦作 454000）（2.黃河水利委員會黃河水利科學研究院水利部黃土高原水土流失過程與控制重點實驗室 鄭州 450003）

1 引言

高分辨率的無人機遙感影像能夠實時獲得感興趣區域的動態信息，而對無人機獲得的高分辨率遙感影像進行快速準確的處理已成為滿足我國經濟建設、應急救災、環境保護、突發事件處置、地質災害等一系列重大需求的重要技術。無人機高分辨率遙感像影像中大量精細細節的出現和地物光譜特征的復雜化導致了基于光譜統計特征進行分類的傳統方法如極大似然法、最小距離法等分類準確性降低［1］。近些年來，在無人機高分辨率遙感影像分類方面主要有兩個研究方向，一是研究新型分類器和融合多個現有分類器進行圖像分類［2～3］，二是采用面向對象的分類技術進行高分辨率遙感影像分類。但前者還僅僅局限于基于像元層面，無法充分利用高分辨率遙感影像提供的豐富光譜信息、形狀和紋理特征等空間屬性信息。面向對象的分類技術是當今高分辨率遙感影像分類技術研究的熱點，劉偉強、于水等學者提出了基于馬爾可夫模型的圖像分割方法［4～5］、基于分水嶺變化的圖像分割算法以及基于邊緣提取及生長的分割算法［4～5］。這些算法不僅大大提高了高分辨率遙感影像分類的質量和速度，而且還促進了多源GIS數據的利用和融合［6］。宮鵬等學者提出分類精度標準還沒有一個完善的定量評價體系，還存在許多問題有待解決［7～8］。目前混淆矩陣和KAPPA系數被公認為較為合理的遙感圖像分類質量的評價標準［9］。

2 數據源與研究方法

2.1 數據源

本研究采用的數據源是2009年5月無人機遙感平臺Sky-01C在四川漢旺鎮航拍得到的圖像數據，如圖1。系統傳感器為佳能5D Mark II全畫幅單反相機，配備35mm光圈鏡頭，有效像素為2110萬。航拍時，航向重疊度為60%，旁向重疊度為30%，相對高度為700m，航行速度為90km/h，設定相機快門速度為1/2000，曝光時間間隔是3s，影像格式是“JPEG”，分辨率為5616×3744。

圖1 四川漢旺鎮無人機航拍圖

2.2 分類方法

本文在對無人機遙感影像進行預處理的基礎上，使用ENVI軟件進行艦隊分類，選擇平房、道路、瓦房、田地、樹叢、簡易房、被毀房屋作為分類類別，選擇訓練樣本并分別使用以下的分類器進行分類。利用eCognition軟件進行遙感圖像分割，在圖像分割基礎上使用ENVI軟件進行面向對象的最近鄰法的遙感圖像分類。

2.2.1 極大似然分類法

極大似然比分類法，又稱貝葉斯（Bayes）分類，是經常使用的監督分類方法之一，而且被認為是一種穩定性好的分類器。它是通過求出每個像素對于各類別歸屬概率，把該像素分到歸屬概率最大的類別中去的方法。簡要來說，極大似然分類法通過計算樣本的統計值來得到概率密度函數值。對于未知類別像素的歸屬類別應是取得最大的概率密度函數值的類別［10］。從總體上來看，極大似然分類是分類精度相對最高的分類器之一。

2.2.2 最小距離分類

最小距離分類法是監督分類的方法之一。首先利用訓練樣本數據計算出每一類別的均值向量及標準差（均方差）向量，然后以均值向量作為該類在特征空間中的中心位置，計算輸入影像中每個像元到各類中心的距離。在遙感影像分類處理中，應用最廣的距離函數是歐幾里德距離［11］。從數學上來講，歐氏距離代表了特征空間中以各類別中心為原點的區域范圍，直接利用歐幾里德距離能夠相對比較簡單地實現監督分類。

2.2.3 神經網絡分類

BP算法是應用最為廣泛的多級網絡訓練算法。它是非循環多級網絡的訓練算法，它在于利用輸出層的誤差來估計輸出層的直接前導層誤差，再用這個誤差估計更前一層的誤差，直到獲得其他所有各層的誤差估計。這種誤差傳遞是沿著與輸入信號傳送相反的方向逐級向網絡的輸入端傳遞的過程。因此，人們將此算法稱為后向傳播算法，簡稱BP算法［12～13］。

2.2.4 支持向量機分類

支持向量機是一種新的數據分類技術。當兩個類別的光譜均值非常接近時，SVM也可以根據這些非常有限的樣本分開這兩個類別。把SVM應用到多光譜、高光譜或者高空間分辨率的遙感圖像會取得良好的效果，并能提高遙感圖像分類的精度［14］。隨著多類支持向量機分類研究方法的研究，支持向量機的應用范圍變得更加廣泛［15］。

2.2.5 面向對象分類

面向對象分類技術是近年來提出的一種新的分類算法，與以往的傳統分類算法相比最大的不同是：面向對象分類方法不是基于單個的像素，而是基于對象或者更直接一點說就是區域。面向對象區域的形成需要進行圖像分割，這樣就形成了初始較為同質的影像對象，使得影響圖像處理的信噪比得到了顯著的改善，同類地物的光譜變化被減小，不同類型地物之間的差異增大，增加了類別的可分性。而且面向對象的分類技術能很好地提供矢量結果信息，大大地提高了遙感和地理信息系統集成的能力［16］。本文實驗所使用的是最近鄰元法。

2.2.6 高分辨遙感圖像分割

圖像分割是將圖像劃分為若干個有意義的區域的技術。這里所謂的有意義是指所分割的圖像區域與場景的各個目標及背景相一致。高分辨率遙感圖像提供了地物更多的信息，例如光譜、形狀、紋理等。結合越多的特征進行區域分割將會得到越符合人眼視覺效果的分割結果。遙感影像分割結果的好壞直接影響到遙感影像的分析和理解［17］。所以，研究適用于高分辨率遙感圖像的分割算法是高分辨率遙感圖像分類的關鍵步驟，本文實驗所使用的是基于圖像亮度、色度、飽和度的多尺度、多特征圖像分割。

2.3 分類精度分析

在遙感分類后的精度評價中，最常用的是Congalton在1991年提出的混淆矩陣（Confusion Matrix）［9］?；煜仃嚨亩x如下：

式中，mij表示試驗區內應屬于i類的像素被分到 j類中去的像素總數，n為類別。如果混淆中對角線上的元素值越大，則表示分類結果的可靠性越高，如象混淆矩陣中非對角線上的元素值越大，則表示錯誤分類的現象越嚴重。分類精度的主要指標有生產精度、用戶精度、總體精度、漏分誤差、錯分誤差和Kappa系數。

生產精度：指某一類別的正確分類像元數占參考數據中該類別像元總數的比例，被錯誤分類像元數占參考數據該類別的總數則為漏分誤差。生產精度（PA）體現在混淆矩陣中具體為

漏分誤差（OE）則為OE=1-PA。

用戶精度（UA）：指某一類別正確分類像元數占分為該類像元總數的比例，被錯誤分類的像元數占分為該類像元的總數則為錯分誤差（CE）。在混淆矩陣中具體為

錯分誤差（CE）：

總體精度（OA）：指總正確分類像元數占總抽樣像元數的比例，它反映了分類成果總的正確程度。利用混淆矩陣可表示為

由于總分類精度還只利用了混淆矩陣對角線上的元素，而未利用整個混淆矩陣的信息，作為分類誤差的全面衡量尚欠不足，因此許多研究者提出了Kappa系數作為分類精度的另一個指標。Kappa是一種計算分類精度的方法。它是通過把所有地表真實分類中的像元總數乘以混淆矩陣對角線的和，再減去某一類地表真實像元總數與被誤分成該類像元總數之積對所有類別求和的結果，再除以總像元數的平方差減去某一類中地表真實像元總數與該類中被分類像元總數之積對所有類別求和的結果所得到的［9］。Kappa系數可用該式計算：

式（6）中，n為分類矩陣行列數，mij為混淆矩陣中第i行第 j列的元素值，mi+和m+j分別表示分類混淆矩陣的行總和及列總和，N為總觀察值，也就是混合矩陣中所有元素的和。因為Kappa系數全面地利用了混淆矩陣的信息，可作為分類精度評價的綜合指標［9］。

3 結果與討論

3.1 分類結果圖

圖2、圖3、圖4、圖5分別是極大似然分類，最小距離分類，神經網絡分類，支持向量機分類分類成果圖。圖6為基于多特征的多尺度、多特征圖像分割后的成果圖。圖7為最近鄰元法分類成果圖。

從以上分類成果圖上可以明顯看出基于像元的傳統遙感影像分類結果中，一部分建筑物與道路的像元光譜特征相似，存在較嚴重的混分現象，并且整個分類效果受點噪聲的影響較大。而面向對象最近鄰分類很好地提取出形狀特征信息，避免了同譜異物現象，基于像元的傳統遙感影像分類成果中出現的建筑物與道路混分現象和椒鹽噪聲基本消除。

圖2 極大似然分類法分類結果

圖3 最小距離分類法分類結果

圖4 神經網絡分類法分類結果

圖5 支持向量機分類法分類結果

圖6 支持向量機分類法分類結果

圖7 面向對象的最近鄰元法分類結果

3.2 分類結果評價

通過下面各個分類方法的混淆矩陣、分類精度以及Kappa系數等定量說明來比較各個分類方法。

表1 極大似然分類法分類輸出混淆矩陣

表2 最小距離分類法分類輸出混淆矩陣

表3 神經網絡分類法分類輸出混淆矩陣

表4 支持向量機分類法分類輸出混淆矩陣

表5 最近鄰元分類法分類輸出混淆矩陣

表6 各分類方法分類效果比較表

從上面的精度評價中可以看出：

在基于像元光譜的傳統分類方法中，神經網絡分類與支持向量機分類等新型分類器與極大似然分類和最小距離分類相比，混分現象相對較少。分類精度和Kappa系數也分別達到了80%和0.7以上。

面向對象的最近鄰分類相比基于像元的分類方法能很好地改善分類精度，總體分類精度達到了94%以上。各地物類型提取精度有很大提高，Kappa系數達到0.92以上。

4 結語

本文介紹了基于像元光譜的傳統遙感分類方法和面向對象的遙感分類方法。通過混淆矩陣和Kappa系數評價了兩者在高分辨率遙感圖像進行分類的性能。得出以下結論：

傳統的分類方法結果的好壞取決于所選取訓練樣本的質量和樣本數量，特征因子較單一無法有效地解決遙感圖像中同譜異物和椒鹽噪聲等問題，這造成分類精度的降低和大量數據冗余。

其中新型分類器如極大似然分類和神經網絡分類在針對一些特定的地物類別、樣本具有良好的統計性并滿足正態分布的情況下也可取得較好的分類效果。

面向對象的分類方法利用高分辨率遙感影像的紋理等信息進行圖像分割，形成了初始較為同質的影像對象，是在對圖像進行獲得對象特征基礎上擴展特征空間進行分類，這種方法能夠較好地利用影像的結構和紋理等特征信息，使分類精度和信噪比得到顯著改善。

所以，面向對象的遙感影像分類方法相比于傳統的基于像元的影響分類方法具有明顯的優勢。

本文也存在一些不足之處，如何在不同的尺度和區域選取合適的分類方法，在圖像分割過程中的閾值選擇不能滿足所有地物類型，從而影響最后的分類精度而且在分類精度評價方面還需要更加完善合理評價體系，這些問題的解決都需要開展更多的研究和驗證工作。