趙 靜，王崇倡，王家海，陳艷玲

(1.遼寧工程技術(shù)大學(xué) 測繪與地理科學(xué)學(xué)院,遼寧 阜新 123000；2.國家農(nóng)業(yè)信息化工程技術(shù)研究中心,北京 100097；3.河南理工大學(xué) 測繪與國土信息工程學(xué)院,河南 焦作 454000)

基于云理論的遙感影像分類方法分析

趙 靜1,2，王崇倡1，王家海1，陳艷玲3

(1.遼寧工程技術(shù)大學(xué) 測繪與地理科學(xué)學(xué)院,遼寧 阜新 123000；2.國家農(nóng)業(yè)信息化工程技術(shù)研究中心,北京 100097；3.河南理工大學(xué) 測繪與國土信息工程學(xué)院,河南 焦作 454000)

采用基于云理論的遙感影像分類方法，該理論兼容模糊性和隨機(jī)性，通過逆向云發(fā)生器生成云模型，進(jìn)而得出云的數(shù)字特征隸屬函數(shù)，使用X條件云發(fā)生器計(jì)算隸屬度，最后用極大判別法實(shí)現(xiàn)分類。通過與傳統(tǒng)方法的實(shí)驗(yàn)對比分析，基于云理論的遙感影像分類方法有效地改善分類中的不確定性問題，提高分類準(zhǔn)確度。

不確定性；云理論；遙感影像分類；云發(fā)生器；隸屬度

遙感起源于20世紀(jì)60年代，到80年代高光譜遙感技術(shù)興起，遙感分類是人們獲取信息的一種重要手段[1]。遙感影像分類實(shí)質(zhì)上是從定量數(shù)值、地物光譜信息到定性概念、地物類別的一種轉(zhuǎn)換[2]。但是，由于環(huán)境自身變化的隨機(jī)性、傳感器本身特性的影響以及地表覆蓋的復(fù)雜性，這種轉(zhuǎn)換存在著一定的模糊性和隨機(jī)性，特別當(dāng)?shù)匚锛?xì)節(jié)豐富、空間相關(guān)性強(qiáng)而產(chǎn)生相互影響和干擾強(qiáng)的情況下，這種不確定性很明顯。模糊性主要體現(xiàn)在圖像中各個對象的邊界像素的“非此即彼”性，隨機(jī)性主要體現(xiàn)在模糊像元對于一個對象隸屬的不確定性[3]。遙感影像分類是遙感技術(shù)中重要的組成部分，是遙感技術(shù)中的研究熱點(diǎn)。因此，如何克服圖像的模糊性與隨機(jī)性的影響是關(guān)系分類成功與否的關(guān)鍵因素。云理論就是以研究定性定量間的不確定性轉(zhuǎn)換為基礎(chǔ)的系統(tǒng)處理不確定性問題的一種新理論，包括云模型、虛云、云運(yùn)算、云變換、不確定性推理等內(nèi)容，是一種對分類精度和分類速度更大提高的分類方法。云理論能夠把自然語言中定性概念的模糊性和隨機(jī)性有機(jī)綜合在一起，實(shí)現(xiàn)定性語言值和定量數(shù)值之間轉(zhuǎn)換[4]，是研究不確定性的重要工具。

1 云理論及其算法

1.1 云的基本概念

云是用語言值描述的某個定性概念與其數(shù)值表示之間的不確定性轉(zhuǎn)換模型[5]，或者簡單地說云模型是定性定量間轉(zhuǎn)換的不確定性模型[6]。

1.2 云的數(shù)字特征

用期望值Ex、熵En、超熵He表示云的數(shù)字特征。

期望值Ex是在數(shù)域空間最能表達(dá)定性概念的點(diǎn)值，反映這個概念的云滴集的云重心[7]，它100%地隸屬于這個定性概念。

熵En是定性概念模糊度的度量，反映在論域中可被這個概念接受的數(shù)值范圍，體現(xiàn)定性概念亦此亦彼性的裕度。熵越大，概念所接受的數(shù)值范圍也越大，概念越模糊[8]。

超熵He即熵En的熵，反映云滴的離散程度。超熵越大，云滴離散度越大，隸屬度的隨機(jī)性越大，云的“厚度”也越大[8]。

1.3 算法描述

云分類法的算法步驟分為3個階段：①逆向云發(fā)生器生成每類地物的云模型；②利用X條件云計(jì)算每個待分像素的隸屬度;③用極大判定法則實(shí)現(xiàn)分類[9]。

1.3.1 正向云發(fā)生器

正向云發(fā)生器是用語言值描述的某個概念與其數(shù)值表示之間的不確定性轉(zhuǎn)換模型，是從定性到定量的映射[10]，見圖1。

圖1 正向云發(fā)生器

1.3.2 逆向云發(fā)生器

逆向云發(fā)生器是實(shí)現(xiàn)數(shù)值和其語言值之間的隨時轉(zhuǎn)換的不確定性轉(zhuǎn)換模型，是從定量到定性的映射[11]，見圖2。

圖2 逆向云發(fā)生器

1.3.3 X條件云發(fā)生器和Y條件云發(fā)生器

在給定論域的數(shù)域空間中，當(dāng)已知云的3個數(shù)字特征(Ex，En，He)后，如果還有特定的條件x=x0，那么正向云發(fā)生器變?yōu)閄條件云發(fā)生器;如果特定條件不是x=x0，而是CT(x)=CT(x0)，那么正向云發(fā)生器稱為Y條件云發(fā)生器或隸屬度條件云發(fā)生器[12]，見圖3、圖4。

圖3 X條件云發(fā)生器

圖4 Y條件云發(fā)生器

2 基于云理論的分類方法設(shè)計(jì)

基于云理論的遙感影像分類過程分為4個步驟：①經(jīng)過變換形成訓(xùn)練數(shù)據(jù)集；②通過逆向云發(fā)生器生成每類地物的云模型；③利用X條件云發(fā)生器生成每個影像單元對各類地物的隸屬度；④用隸屬度最大選擇器實(shí)現(xiàn)分類，見圖5。

圖5 算法示意圖

3 實(shí)驗(yàn)數(shù)據(jù)處理與實(shí)驗(yàn)結(jié)果

3.1 總體思路

實(shí)驗(yàn)數(shù)據(jù)選取一幅SPOT多光譜影像進(jìn)行實(shí)驗(yàn)，同時將SPOT影像通過MATLAB軟件轉(zhuǎn)換為單波段圖像。提取SPOT多光譜遙感影像第一主成分作為待分類影像，裁取各類特征地物紋理，作為訓(xùn)練數(shù)據(jù)。按照類別從圖像中找出40個，大小分別為菜地40 m×40 m、居民地35 m×35 m、農(nóng)田50 m×50 m等具有代表性的采樣樣本，通過對3類地物的遙感影像在Matlab中通過一定的程序來實(shí)現(xiàn)云，建立云圖像，實(shí)現(xiàn)基于云理論的遙感影像分類。實(shí)驗(yàn)中使用的遙感影像大小為546 m×513 m，實(shí)驗(yàn)中提取紋理信息時，選用40 m×40 m、35 m×35 m、50 m×50 m的窗口效果很好。

3.2 實(shí)驗(yàn)數(shù)據(jù)處理

由于在本影像中主要的地物為菜地、居民地、農(nóng)田，因此在影像中分別選擇典型的菜地、居民地、農(nóng)田建立感興趣區(qū)即訓(xùn)練樣本，通過Photoshop實(shí)現(xiàn)提取圖像的3類地物各40個40 m×40 m、35 m×35 m、50 m×50 m大小的圖片作為本文要研究的遙感影像分類的訓(xùn)練樣本。圖6～圖8分別為菜地、居民地和農(nóng)田的感興趣區(qū)，即采樣樣本(部分)。

圖6 菜地

圖7 居民地

圖8 農(nóng)田

3.3 云模型的生成

灰度共生矩陣(GLCM)是像素距離和角度的矩陣函數(shù)，它通過計(jì)算圖像中一定距離和一定方向的兩點(diǎn)灰度之間的相關(guān)性，反映圖像在方向、間隔、變化幅度及快慢上的綜合信息。在Matlab下利用灰度共生矩陣來提取紋理特征。本實(shí)驗(yàn)采用相關(guān)(COR)作為實(shí)驗(yàn)的紋理特征，相關(guān)是用來衡量灰度共生矩陣的元素在行的方向或列的方向的相似程度，相關(guān)值大小反映影像中局部灰度相關(guān)性[13]。

在計(jì)算相關(guān)值時使用blkproc函數(shù)。blkproc函數(shù)是對圖像進(jìn)行分塊。它從圖像中取出每個塊，然后傳遞給其他函數(shù)處理，再由自己將處理后的各塊組裝起來形成輸出圖像。

函數(shù)調(diào)用形式:

B=blkproc(A,[mn],f).

式中：A為輸入圖像；B為輸出圖像；[mn]：圖像以m×n為分塊單位，對圖像進(jìn)行處理；f為指定對所有塊進(jìn)行處理的函數(shù)。

計(jì)算出各個類別的相關(guān)值后，在Matlab中實(shí)現(xiàn)：

輸入：第k類地物訓(xùn)練樣本數(shù)Nk，樣本矩陣Xk=[xk1,xk2,…,xkn]；

輸出：第k類地物云模型的3個數(shù)字特征(Ekx,Ekn,Hke)，算法步驟如下：

3.4 地物隸屬度的計(jì)算

在計(jì)算隸屬度時需要計(jì)算隨機(jī)數(shù)，使用normrnd函數(shù)，Matlab中normrnd函數(shù)的功能是生成服從正態(tài)分布的隨機(jī)數(shù)。

normrnd函數(shù)的調(diào)用格式：

C=normrnd(A,B).

式中：A是熵；B是超熵；C=normrnd(A,B)是生成服從正態(tài)分布(熵為期望值，超熵為標(biāo)準(zhǔn)差)的隨機(jī)數(shù)。在Matlab下生成隸屬度：

輸入：待分類地物紋理值x；

輸出：xi對第k類地物的隸屬度μk。

1) 生成以Enk為期望值、Hek為標(biāo)準(zhǔn)差的正態(tài)隨機(jī)數(shù)Enk′=G(Enk,Hek)；

3.5 隸屬度最大選擇器的構(gòu)造

根據(jù)X條件云發(fā)生器計(jì)算出像素x0對m個類別的隸屬度u01,u02,…,u0m，如果u0i=max(u0l)，則將x0劃分到第i類，若u0i=u0j=max(u0l)，(l=1，…，m)，則將x0隨機(jī)分給i類或j類。u01,u02,…,u0m是具有穩(wěn)定傾向的隨機(jī)數(shù)，而非固定值。

輸入：x0對k個類地物的隸屬度μ1,μ2,…,μk；

輸出：若μi=max(μl)，則將x0劃分到第i類。

部分實(shí)現(xiàn)算法如下：

if (CD(i,j)

I2(i,j)=1; %居民地

else if(CD(i,j)

I2(i,j)=.5; %農(nóng)田

else if(NT(i,j)

I2(i,j)=0; %菜地

3.6 實(shí)驗(yàn)結(jié)果

原始圖像如圖9所示，云分類方法初始分類結(jié)果如圖10所示，將初始分類結(jié)果進(jìn)行中值濾波操作除去分類后產(chǎn)生的黑白相間的亮暗點(diǎn)噪聲，云分類方法分類后處理結(jié)果如圖11所示。

圖9 原圖

圖10 云分類方法初始分類

圖11 云分類方法分類后處理

3.7 云理論與傳統(tǒng)分類方法的比較

利用ENVI4.8軟件把原始圖像進(jìn)行最大似然分類法、K均值分類法分類，對云理論分類結(jié)果、最大似然分類法及K均值分類法進(jìn)行精度評定，具體見表1及圖12～圖14所示。

圖12 云理論

圖13 最大似然分類法

圖14 K均值分類法

表1 3類方法精度評定對比

從表1中分析得出，應(yīng)用最大似然分類法與K均值分類法分類精度較低，而云理論分類方法精度高于這兩種分類方法。總體來說，云理論分類方法利用Matlab通過算法能很好地將模糊性(圖像中各個對象的邊界像素的“非此即彼”性)和隨機(jī)性(模糊像元對于一個對象隸屬的不確定性)兩者集成實(shí)現(xiàn)，具有理論簡明、易懂，步驟簡單，容易操作，計(jì)算過程數(shù)據(jù)量小，對設(shè)備要求不高，提高分類精度等優(yōu)點(diǎn)。

4 結(jié)束語

根據(jù)對傳統(tǒng)的分類方法與云理論分類法分類結(jié)果的比較，云理論分類算法比傳統(tǒng)的分類算法精度高，適應(yīng)能力強(qiáng)，錯分、漏分現(xiàn)象少。本文考慮了遙感影像分類過程中的不確定性，基于云理論的分類結(jié)果證明，基于云的分類方法很有發(fā)展前景，此方法分類精度高、分類效果更好、分類速度更快。明確了遙感圖像分類問題是一個兼有模糊性和隨機(jī)性的不確定性問題。

[1]林超,楊敏華.基于球結(jié)構(gòu)支持向量機(jī)的QuickBird影像分類分析[J].測繪工程，2011,20(3):46-49.

[2]高燕，周成虎，蘇奮振.基于OLI影像多參數(shù)設(shè)置的SVM分類研究[J].測繪工程,2014，23(6):1-5.

[3]陳可蘊(yùn),陳志揚(yáng).基于云理論的遙感圖像土地利用分割分類方法研究[J].理論研究,2010(5):21-25.

[4]謝道文,施式亮.基于云模型的煤炭企業(yè)物資供應(yīng)商綜合評價[J].計(jì)算機(jī)工程與應(yīng)用,2013(6):1-7.

[5]王洪利,馮玉強(qiáng).基于云模型具有語言評價信息的多屬性群決策研究[J].控制與決策,2005,20(6):679-682.

[6]邸凱昌,李德毅,李德仁.云理論及其在空間數(shù)據(jù)發(fā)掘和知識發(fā)現(xiàn)中的應(yīng)用[J].中國圖像圖形學(xué)報,1999,4(11):930-935.

[7]李萬臣,葛秘蕾,井志強(qiáng).基于云理論的圖像分割新方法[J].應(yīng)用科技,2010,37(3):45-48.

[8]劉林.基于云理論的空間數(shù)據(jù)挖掘技術(shù)研究[D].西安:西安電子科技大學(xué),2008:17-18.

[9]李萬臣,郭逢麗,劉海亮.基于云模型的高光譜遙感圖像的分類研究[J].儀器儀表用戶，2011(1):1-5.

[10]吳立新,王勇.正態(tài)分布隨機(jī)數(shù)云模型發(fā)生器[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2011,20(10):113-119.

[11]劉桂花,宋承祥,劉弘.云發(fā)生器的軟件實(shí)現(xiàn)[J].計(jì)算機(jī)應(yīng)用研究，2007(01):46-48.

[12]LI DEYI，DI KAICHANG，LI DEREN，et al.Mining association rules with linguistic cloud models[J].Journal of Software，2000，11(2):143-158.

[13]宋鐵群.基于MATLAB的遙感影像紋理特征分析[J].測繪與空間地理信息，2009,32(2):71-74.

[責(zé)任編輯：張德福]

Remote sensing image classification method based on cloud theory

ZHAO Jing1,2，WANG Chong-chang1，WANG Jia-hai1，CHEN Yan-ling3

(1.School of Geomatics，Liaoning Technical University，F(xiàn)uxin 123000, China;2.National Engineering Research Center For Information Technology in Agriculture,Beijing 100097, China;3.School of Surveying and Landing Information Engineering，Henan Polytechnic University，Jiaozuo 454000, China)

The remote sensing image classification method based on cloud theory is compatible with fuzziness and randomness. Through the reverse cloud generator generating a cloud model，which digital characteristics has a cloud of subordinate function，the membership degree is calcalated usingXcondition cloud generator and the classification is realized by using maximum judging rules.By comparison with the traditional methods，the remote sensing image classification method based on cloud theory can improve the classification of uncertainty in the problem，which can improve the classification accuracy.

uncertainty;cloud theory;remote sensing image classification;cloud generator;degree of membership

2013-09-10；補(bǔ)充更新日期：2014-09-18

趙 靜(1989-)，女，碩士研究生.

TP753

：A

：1006-7949(2014)12-0021-04