陳 成,盧 剛,石曉峰
(1.江蘇省測繪工程院,江蘇 南京 210013)
資源三號測繪衛(wèi)星是目前國內(nèi)領(lǐng)先的高分辨率測繪與資源遙感衛(wèi)星,它搭載了1臺地面分辨率2.1 m的高分辨率正視全色相機,1組地面分辨率3.5 m的前后視立體全色相機以及1臺地面分辨率5.8 m的正視多光譜相機[1],可以快速獲取全球高分辨率立體遙感影像以及多光譜遙感影像。
遙感分類是應用高分辨率遙感影像開展資源調(diào)查的主要途徑之一。常見的遙感分類方法普遍依據(jù)數(shù)理統(tǒng)計學理論,其假定遙感數(shù)據(jù)正態(tài)分布且概率密度函數(shù)可知,這在實際中很少滿足[3]。支持向量機(SVM)[4]適于高維特征、小樣本與不確定性問題,應用支持向量機進行遙感影像分類是近年來的研究熱點。Zhu等使用SVM對ASTER影像進行分類,得出滿意的分類結(jié)果[5]。田源將支持向量機和最大似然法分類結(jié)果對比,SVM在樣本數(shù)目很少的情況下表現(xiàn)出出色的學習能力[6]。陳波采用一種結(jié)合紋理的支持向量機遙感分類方法對Landsat7 ETM遙感影像進行紋理特征提取,構(gòu)建了結(jié)合紋理的SVM分類模型[7]。Foody等將SVM算法用于航空多光譜數(shù)據(jù)的分類,并與決策判別(DA)、DT、NN進行對比[8]。譚琨等建立了一個基于支持向量機和多變量分析的高光譜分類器[9]。本文研究了運用支持向量機方法對資源三號測繪衛(wèi)星多光譜數(shù)據(jù)進行分類。
宜興市地處長三角地區(qū),城市化水平較高,用地類型多樣且較破碎。采用傳統(tǒng)陸地資源衛(wèi)星進行分類,對于破碎地物提取效果較差,分類精度不高。資源三號測繪衛(wèi)星全色與多光譜數(shù)據(jù)分辨率較以往有較大提高,可以更加準確地分辨地表細節(jié),且影像動態(tài)范圍由以往的8 bit提高到16 bit,地物光譜信息更加豐富,可以更準確地分辨地物細節(jié)信息。本文選取宜興市區(qū)面積約140 km2多光譜遙感影像數(shù)據(jù)作為典型研究區(qū)。遙感影像數(shù)據(jù)獲取時間為2012年4月,植被處于高速生長期,植物光譜信息較為明顯,適宜于影像分類研究。影像幾何精糾正數(shù)據(jù)源選擇14.25 m分辨率GeoCover全球拼接融合遙感影像與30 m分辨率GDEM高程數(shù)據(jù)。
根據(jù)影像反映的用地信息與典型區(qū)實際情況,將該區(qū)域土地分類分為耕地、林地、水域、居民地及建設(shè)用地、未利用土地5類。
1.2.1 二類分類的SVM
對于二類分類問題,假設(shè)在d維特征空間有包含N個元素的特征向量xiRd(i=1,2,…,N),對應每個向量xi有類別yi{+1,-1}。當?shù)诙悊栴}是線性可分時,SVM嘗試找到一個分類超平面將二類問題分開。這一分類超平面可表示為:
式中,w=(w1,w2,…,wN)表示垂直于超平面的向量;bRd表示偏移量。尋找最優(yōu)超平面可以通過解算下面的最優(yōu)化問題得到:
式中,ai為拉格朗日乘子,當ai非0時,對應的訓練樣本稱為支持向量(SV);K為核函數(shù),用于解決非線性問題的分類;C為懲罰系數(shù),用于控制訓練過程中的誤差[10]。
1.2.2 多類分類的SVM
原始SVM只能處理二類分類問題,在解決多類分類問題時需要將其擴展。一般有2種途徑:一是將多個分類面的參數(shù)求解合并到一個最優(yōu)化問題當中,通過求解該最優(yōu)化問題,一次性地實現(xiàn)多類分類,即“一對多”策略;二是通過某種方式構(gòu)造一系列的二類分類器將它們組合在一起從而實現(xiàn)多類分類,即“一對一”策略。目前,“一對一”策略解算次數(shù)較少,結(jié)構(gòu)簡單、容易訓練且收斂速度快,但二類問題的劃分可能會造成二類分類樣本數(shù)量的不平衡,從而影響最終精度;“一對多”策略所需解算次數(shù)較多,可獲得更高的分類精度,但是當類別數(shù)較大時,可能會產(chǎn)生潛在的精度問題。由于本研究分類類別相對較少,故選用“一對多”策略。
1.3.1 數(shù)據(jù)預處理
首先進行資源三號測繪衛(wèi)星數(shù)據(jù)的幾何精糾正,以該區(qū)域GeoCover全球拼接融合遙感影像與30 m分辨率GDEM高程數(shù)據(jù)為基準,運用二次多項式糾正法,在遙感影像上均勻選取18個控制點,影像糾正算法總RMSE為0.59。圖像重采樣采用最鄰近像元法,保證影像光譜信息的準確真實。隨后,在影像上提取約140 km2典型區(qū)影像。圖1和圖2分別為實驗區(qū)真彩色合成影像和假彩色合成影像,真彩色合成影像色彩真實、地物信息豐富,假彩色合成影像的植被信息較為發(fā)達。
圖1 實驗區(qū)真彩色合成影像圖
圖2 實驗區(qū)假彩色合成影像圖
1.3.2 樣本采集
通過目視解譯,結(jié)合1∶10 000地形圖數(shù)據(jù)等輔助數(shù)據(jù),進行訓練樣本和檢驗樣本提取。采集數(shù)量相近的訓練樣本與檢驗樣本,且各類樣本在研究區(qū)均勻分布,如表1所示。對于樣本可分離性進行檢驗,發(fā)現(xiàn)居民地及建設(shè)用地與未利用土地間光譜較為相似,可分離性僅為1.61。分析研究區(qū)地物分布發(fā)現(xiàn),該區(qū)域道路多為水泥路面,光譜較為類似,因此將這2類合并為1類,即居民地與建設(shè)用地。
表1 訓練樣本與檢驗樣本采集表
1.3.3 分類流程
在樣本數(shù)據(jù)準備完成后,將樣本數(shù)據(jù)輸入向量機進行分類,同時應用ENVI軟件內(nèi)置的最大似然法和最小距離法進行分類,并對比分類結(jié)果。
首先應用SVM分類法進行地物分類,如圖3所示。
圖3 實驗區(qū)SVM分類結(jié)果
從圖3可以看出,各類用地基本上均已準確區(qū)分。但仍存在一些問題:首先是建筑物陰影與水體間光譜信息近似,有一些建筑物陰影被錯劃為水體;其次是部分耕地被錯分為林地。應用混淆矩陣法進行精度評價(見表2),總精度為97.76%,Kappa精度為0.968 7。
表2 各土地利用類型分類精度/%
應用2種常見的遙感影像監(jiān)督分類方法——最大似然法與最小距離法進行遙感影像分類,如圖4。
圖4 最大似然法與最小距離法分類結(jié)果
對比2幅分類結(jié)果影像發(fā)現(xiàn),這2種分類方法雖然可以大致反映各類地物的總體分布趨勢,但各有不足。最大似然法對于植被分類較為敏感,可以準確地對耕地與園地進行分類,而對林地識別能力稍差,不能區(qū)分建筑物陰影與水體,對于居民地及建設(shè)用地的分類基本準確;最小距離法對林地分類效果較好,對于水體則效果較差,且將部分植被誤分為建筑用地,導致居民地及建設(shè)用地面積過大。2種分類結(jié)果的精度評價如表3所示。
表3 各分類方法總體精度對比表
本文以江蘇省宜興市140 km2典型區(qū)多光譜遙感影像數(shù)據(jù)作為數(shù)據(jù)源,運用SVM分類法進行分類實驗,同時采用最大似然法和最小距離法進行分類對比。結(jié)果表明,SVM分類法可以有效地進行地物分類,效果優(yōu)于傳統(tǒng)遙感分類方法,可以滿足土地分類應用的需要。其分類總精度為97.76%,Kappa精度為0.968 7;資源三號測繪衛(wèi)星影像適用于遙感地物分類調(diào)查,具有很高的實用價值。
本文僅用資源三號多光譜數(shù)據(jù)進行分類研究,在下一步工作中應考慮引入高分辨率全色影像數(shù)據(jù)、立體像對數(shù)據(jù)進行分類,同時結(jié)合影像增強與融合等方法進行輔助分類,從而提高分類精度,消除誤差。
[1]唐新明,張過,祝小勇,等. 資源三號測繪衛(wèi)星三線陣成像幾何模型構(gòu)建與精度初步驗證[J]. 測繪學報,2012,41(2) :191-198
[2]國家測繪地理信息局衛(wèi)星測繪應用中心. 應用領(lǐng)域展望[EB/OL].http://sasmac.sbsm.gov.cn/article/yyzw/200912/20091200059262.shtml,2009
[3]駱成鳳. 中國土地覆蓋分類與變化監(jiān)測遙感研究[D]. 北京:中國科學院遙感應用研究所,2005
[4]Cortes C, Vapnik V. Support-Vector Networks [J].Machine Learning,1995,20(3):273-297
[5]Zhu G B, Blumberg D G. Classification Using ASTER Data and SVM Algorithms; The Case Study of Beer Sheva, Israel[J].Remote Sensing of Environment, 2002, 80(2): 233-240
[6]田源,塔西甫拉提·特依拜,丁建麗,等.基于支持向量機的土地覆被遙感分類[J].資源科學,2008(8):1 268-1 274
[7]陳波,張友靜,陳亮.結(jié)合紋理的SVM遙感影像分類研究[J].測繪工程,2007(5):23-27
[8]FoodyGM, MathurA. A Relative Evaluation of Multiclass Image Classification by Support Vector Machines[J].IEEE Transactionson Geoscience and Remote Sensing, 2004, 42(6): 1 335-1 343
[9]譚琨,杜培軍,王小美.基于支持向量機和多變量分析的高光譜遙感數(shù)據(jù)分類[J].測繪通報,2009(11):37-40
[10]張睿,馬建文.支持向量機在遙感數(shù)據(jù)分類中的應用新進展[J].地球科學進展,2009(5):555-562