王 巍，鄭新奇，原智遠(yuǎn)，張路路

(中國(guó)地質(zhì)大學(xué)(北京)信息工程學(xué)院，北京100083)

地物光譜的多樣性和復(fù)雜性，導(dǎo)致傳統(tǒng)分類(lèi)方法得到的分類(lèi)圖像不能達(dá)到應(yīng)用目的，必須進(jìn)行分類(lèi)后處理工作，從而提高遙感影像分類(lèi)的精度。初始分類(lèi)圖像中常見(jiàn)的缺陷是分布于分類(lèi)圖像上的孤立點(diǎn)、孔洞等，即所謂的“椒鹽現(xiàn)象”或“椒鹽噪聲”，不僅影響遙感圖像分類(lèi)精度，而且在柵格轉(zhuǎn)矢量過(guò)程中大幅增加了計(jì)算量。商業(yè)遙感影像處理軟件為用戶(hù)提供了基于低通濾波、基于光譜特征或是基于形態(tài)學(xué)算子的聚類(lèi)處理方法［1］，可以將臨近的、同種類(lèi)型的小塊分區(qū)進(jìn)行聚類(lèi)并合并，但存在聚類(lèi)結(jié)果不理想的情況。國(guó)內(nèi)部分學(xué)者針對(duì)分類(lèi)圖像中的椒鹽噪聲開(kāi)展了相關(guān)研究，主要解決有兩條途徑:一是針對(duì)中、低分辨率影像，多結(jié)合地統(tǒng)計(jì)學(xué)的相關(guān)理論，如武文波等提出基于數(shù)學(xué)形態(tài)學(xué)的遙感影像分類(lèi)后處理方法，并在ENDAS平臺(tái)上進(jìn)行了試驗(yàn)［2］;靳志賓等在k-NN分類(lèi)方法中加入地理權(quán)重，能一定程度減少椒鹽噪聲的產(chǎn)生［3］;姚娜等將地統(tǒng)計(jì)學(xué)理論引入遙感臨域，利用臨近像元所蘊(yùn)含的空間依賴(lài)性來(lái)改善初始分類(lèi)結(jié)果［4］;基于地統(tǒng)計(jì)學(xué)的方法一般都需要訓(xùn)練樣本去構(gòu)建分類(lèi)后處理的模型，因此其效果必然會(huì)受到樣本容量的影響。另外一種解決途徑是采取面向?qū)ο蠓诸?lèi)，如殷亞秋、李家國(guó)等借助易康軟件，通過(guò)面向?qū)ο蠓诸?lèi)的方式進(jìn)行水體信息提取，從而在很大程度上抑制了椒鹽噪聲［5］，但面向?qū)ο蠓椒ǜ噙m用于高分辨率影像，針對(duì)中、低分辨率影像則偏重于像素級(jí)別的處理。

遙感分類(lèi)圖像的本質(zhì)是對(duì)地物信息的一種數(shù)值模擬，各像素間具備空間依賴(lài)性，即對(duì)于圖像某一區(qū)域而言，分散在一定距離內(nèi)的像素點(diǎn)在數(shù)值特征上通常會(huì)呈現(xiàn)空間依賴(lài)性［6］。因此，針對(duì)中分辨率遙感影像，筆者提出一種基于鄰域規(guī)則的遙感分類(lèi)后處理方法，該方法基于地理學(xué)第一定律的思想，借鑒元胞自動(dòng)機(jī)中Moore(摩爾)鄰域這一概念，構(gòu)建由中心像素及其周?chē)噜?個(gè)像素組成的“像素元胞”，嘗試對(duì)“元胞”鄰域制定聚類(lèi)規(guī)則來(lái)實(shí)現(xiàn)對(duì)分類(lèi)圖像的分析和調(diào)整，力求去除分類(lèi)圖像的椒鹽噪聲。

一、理論和方法

1．地理學(xué)第一定律

地理學(xué)第一定律來(lái)自于美籍瑞士地理學(xué)家Waldo Tobler的觀點(diǎn):任何事物都與其他事物相聯(lián)系，但臨近的事物比較遠(yuǎn)的事物聯(lián)系更為緊密［7-8］。地理學(xué)第一定律表明地理事物或?qū)傩栽诳臻g分布上具有相關(guān)性，遙感分類(lèi)圖像是對(duì)現(xiàn)實(shí)世界的數(shù)值模擬。根據(jù)地理學(xué)第一定律，理論上可以對(duì)分類(lèi)圖像采用基于鄰域規(guī)則的聚類(lèi)方式進(jìn)行分類(lèi)后處理，其重點(diǎn)在于規(guī)則的制定。

2．摩爾鄰域

元胞自動(dòng)機(jī)(CA)是一種時(shí)間、空間、狀態(tài)都離散，空間相互作用和時(shí)間因果關(guān)系都為局部的網(wǎng)格動(dòng)力學(xué)模型［9］。摩爾鄰域的概念來(lái)自于元胞自動(dòng)機(jī)。標(biāo)準(zhǔn)CA中，摩爾鄰域由中心元胞周?chē)噜?個(gè)元胞組成。如果說(shuō)標(biāo)準(zhǔn)摩爾鄰域的擴(kuò)展半徑為1，那么擴(kuò)展型摩爾鄰域則以中心元胞開(kāi)始，往外層進(jìn)行擴(kuò)展，例如半徑為2的擴(kuò)展型摩爾鄰域中會(huì)存在5×5的結(jié)構(gòu)，即存在25個(gè)“元胞”(如圖1所示)。將這種結(jié)構(gòu)放到分類(lèi)圖像上，表現(xiàn)為一種3×3或5×5像素大小的一塊區(qū)域，聚類(lèi)規(guī)則便基于圖像的摩爾鄰域這種結(jié)構(gòu)而制定。需要注意的是，以中心像素向外擴(kuò)展過(guò)程中，在圖像的邊緣無(wú)法獲得完整的摩爾鄰域。例如標(biāo)準(zhǔn)摩爾鄰域由中心像素向周?chē)鷶U(kuò)展一次，所獲取的摩爾鄰域可能不足9個(gè)像素，而是僅有4個(gè)或6個(gè)像素。

圖1摩爾鄰域(左)和擴(kuò)展摩爾鄰域(右)

3．聚類(lèi)規(guī)則

由于分類(lèi)圖像的DN值代表地物類(lèi)型，在研究中，對(duì)于分類(lèi)的圖像主要根據(jù)其DN值進(jìn)行處理，可以忽略決定顏色顯示的RGB值。同時(shí)，為了提高運(yùn)算效率，在對(duì)中心像素DN值的檢測(cè)過(guò)程中，檢測(cè)區(qū)域設(shè)置為標(biāo)準(zhǔn)摩爾鄰域。在進(jìn)行分類(lèi)圖像調(diào)整時(shí)，主要遵從以下幾條既定的鄰域規(guī)則。

(1)眾數(shù)規(guī)則

在一個(gè)摩爾鄰域內(nèi)，某一DN值的頻數(shù)較高，則將此DN值設(shè)置為該摩爾鄰域的眾數(shù)。眾數(shù)規(guī)則對(duì)中心像素DN值的影響表現(xiàn)為中心像素DN值傾向于等于該摩爾鄰域的眾數(shù)。

(2)最鄰近規(guī)則

中心像素與其臨近像素DN值相等的可能性高，而與距離較遠(yuǎn)的像素DN值相等的可能性低。最鄰近規(guī)則對(duì)中心像素DN值的影響表現(xiàn)為中心像素DN值傾向于等于與其臨近像素的DN值。

(3)像素權(quán)重規(guī)則

研究中對(duì)分類(lèi)圖像的所有像素采用循環(huán)遍歷的方式進(jìn)行處理。在循環(huán)過(guò)程中，一部分像素已經(jīng)經(jīng)過(guò)分析處理，而另一部分像素則還未進(jìn)行分析處理。因此，像素權(quán)重規(guī)則在這里主要指進(jìn)行規(guī)則聚類(lèi)時(shí)，經(jīng)過(guò)分析處理的像素對(duì)中心像素的影響程度要高于未經(jīng)過(guò)分析處理的像素。在摩爾鄰域內(nèi)，此規(guī)則體現(xiàn)出兩個(gè)方面的含義:一是前一像素DN值權(quán)重高于后一像素;二是上一行像素DN值權(quán)重高于下一行像素。像素權(quán)重規(guī)則對(duì)中心像素DN值的影響表現(xiàn)為中心像素DN值傾向于等于與其臨近的已經(jīng)過(guò)分析處理的像素DN值。

(4)規(guī)則的差異性

前面提到過(guò)，圖像邊緣無(wú)法獲取完整摩爾鄰域。因此，在對(duì)分類(lèi)圖像進(jìn)行循環(huán)遍歷時(shí)，根據(jù)像素在圖像上的不同部位，上述規(guī)則需要做一定程度的修改。規(guī)則的差異性主要有3類(lèi):一是在圖像的4個(gè)角點(diǎn)處，此時(shí)摩爾鄰域僅有4個(gè)像素;二是在圖像邊緣處，此時(shí)摩爾鄰域有6個(gè)像素;三是循環(huán)至圖像的內(nèi)部，才能出現(xiàn)完整摩爾鄰域，即9個(gè)像素。3種摩爾鄰域情況如圖2所示，圖中黑色部分表示中心像素，灰色部分表示摩爾鄰域。

圖2 圖像上不同位置的摩爾鄰域示意圖

二、數(shù)據(jù)與試驗(yàn)

1．?dāng)?shù)據(jù)簡(jiǎn)介

試驗(yàn)數(shù)據(jù)為一景成像于2013年10月的北京地區(qū)Landsat8中分辨率遙感影像，在ENVI5．1平臺(tái)下對(duì)Landsat8影像進(jìn)行數(shù)據(jù)預(yù)處理，過(guò)程包括輻射標(biāo)定和大氣校正;經(jīng)過(guò)預(yù)處理的影像數(shù)據(jù)占用較大的硬盤(pán)空間，處理時(shí)間較長(zhǎng)，需要進(jìn)行試驗(yàn)區(qū)的挑選和影像裁剪。通過(guò)瀏覽北京市影像發(fā)現(xiàn)，密云地區(qū)地類(lèi)種類(lèi)較全，包含了植被、水體、土壤以及不透水面4類(lèi)主要地類(lèi)，適用于本次試驗(yàn)。通過(guò)矩形框?qū)?jīng)過(guò)預(yù)處理的Landsat8影像進(jìn)行裁剪，矩形裁剪框的范圍是北緯40°30'14″至40°19'46″，東經(jīng)116°40'50″至116°59'27″。研究區(qū)在北京市的地理位置如圖3所示。

圖3 研究區(qū)在北京市的地理位置

2．分類(lèi)圖像的獲取

城市遙感中，許多學(xué)者借助一種“軟”分類(lèi)的思想，提出一種V-I-S分類(lèi)模型用于城市景觀的分析［10-11］。V-I-S指的是植被(vegetation)、不透水面(impervious surface)以及土壤(soil)。通過(guò)對(duì)試驗(yàn)區(qū)影像解譯可以發(fā)現(xiàn)，水體在影像中占有一定的比例。因此，研究中對(duì)V-I-S模型進(jìn)行了擴(kuò)展，添加水體類(lèi)型，構(gòu)建V-I-S-W分類(lèi)模型，并在ENVI平臺(tái)中進(jìn)行監(jiān)督分類(lèi)，分類(lèi)方法選擇最大似然法。獲取的分類(lèi)圖像包含4類(lèi)地物信息:植被、土壤、水體和不透水面。

借助ENVI平臺(tái)實(shí)現(xiàn)初始分類(lèi)圖像的獲取，主要步驟如下:

(1)訓(xùn)練樣本的選擇

使用ENVI提供的ROI工具進(jìn)行訓(xùn)練樣本的選取。表1提供的數(shù)據(jù)表明，樣本可區(qū)分度均在1．80以上，滿足軟件計(jì)算要求。

表1 訓(xùn)練樣本的可區(qū)分度

(2)基于最大似然法的分類(lèi)

使用ENVI中Maximum Likelihood工具進(jìn)行最大似然法分類(lèi)，設(shè)定保存路徑和文件名，其他參數(shù)采取默認(rèn)設(shè)置。運(yùn)行工具后，軟件自動(dòng)進(jìn)行計(jì)算，并將初始分類(lèi)圖像保存到設(shè)置路徑中。

3．規(guī)則的實(shí)現(xiàn)及應(yīng)用

本文在IDL平臺(tái)下實(shí)現(xiàn)文中提出的聚類(lèi)規(guī)則。選擇IDL的原因，是因?yàn)镮DL不僅提供了功能強(qiáng)大圖像處理函數(shù)庫(kù)，而且與ENVI軟件高度集成，使其功能得到進(jìn)一步加強(qiáng)。通過(guò)IDL實(shí)現(xiàn)的程序包含下列功能:

(1)分類(lèi)數(shù)據(jù)的輸入和輸出

ENVI標(biāo)準(zhǔn)格式的分類(lèi)圖像，其DN值、地物類(lèi)型及顯示顏色三者間的關(guān)聯(lián)信息都寫(xiě)在圖像的頭文件中，而分析處理重點(diǎn)是僅包含DN值的二維圖像(矩陣)，可以在IDL批處理模式中，調(diào)用ENVI內(nèi)置函數(shù)進(jìn)行相關(guān)數(shù)據(jù)的讀取操作;寫(xiě)出數(shù)據(jù)時(shí)，ENVI和IDL也提供了多種寫(xiě)出方式，可以將數(shù)據(jù)文件和頭文件分開(kāi)輸出到本地儲(chǔ)存，也可以通過(guò)ENVI函數(shù)將數(shù)據(jù)文件和頭文件一并寫(xiě)入本地存儲(chǔ)。表2中列舉了IDL代碼中用到的數(shù)據(jù)讀寫(xiě)函數(shù)及其功能。

表2 IDL批處理模式下用到的數(shù)據(jù)讀寫(xiě)函數(shù)

(2)眾數(shù)的求取

分類(lèi)圖像DN值的數(shù)值類(lèi)型為長(zhǎng)整形。IDL提供的Histogram()函數(shù)來(lái)實(shí)現(xiàn)直方圖統(tǒng)計(jì)的功能，根據(jù)直方圖就可以計(jì)算數(shù)組的眾數(shù)。

在IDL編譯器中，求取眾數(shù)的實(shí)現(xiàn)方式如下面代碼所示:

FUNCTION CAL_MODE，data

ht=HISTOGRAM(data，OMIN=omin)

in=WHERE(ht NE 0)

maxv=MAX(ht［in］，index)

RETURN，omin+WHERE(ht EQ maxv)

END

(3)構(gòu)建摩爾鄰域

對(duì)IDL二維數(shù)組中元素的訪問(wèn)方式除了行列序號(hào)外，借助IDL數(shù)組的位置索引機(jī)制也是一種非常便利的訪問(wèn)手段。IDL中規(guī)定:索引從0開(kāi)始計(jì)數(shù)，由數(shù)組左上角至右下角，按列逐漸遞增，因此二維數(shù)組最后一位元素的索引為二維數(shù)組元素個(gè)數(shù)減1。構(gòu)建摩爾鄰域時(shí)，借助索引機(jī)制，可以方便地獲取摩爾鄰域內(nèi)像素的位置和DN值信息。

下面以圖像的內(nèi)部的摩爾鄰域?yàn)槔f(shuō)明(如圖4所示)。首先為摩爾鄰域進(jìn)行編碼，序號(hào)從1—8，9號(hào)位是中心像素，用編碼表示以中心像素向外進(jìn)行摩爾擴(kuò)展時(shí)可獲取的像素位置信息;然后根據(jù)圖像矩陣的行列號(hào)設(shè)定轉(zhuǎn)換規(guī)則，將位置編碼映射到圖像矩陣像素的位置索引上;最后通過(guò)位置索引信息便可以獲取摩爾鄰域內(nèi)所有像素的DN值。通過(guò)這種映射方式，只需獲取位置編碼、索引或DN值三者其中之一，就能查詢(xún)其他兩者的信息。

圖4 摩爾鄰域構(gòu)建及映射關(guān)系

(4)情景推導(dǎo)

程序載入分類(lèi)圖像后，通過(guò)對(duì)圖像所有像素循環(huán)遍歷的方式來(lái)調(diào)整圖像，根據(jù)既定的規(guī)則逐一進(jìn)行處理，每次僅調(diào)整一個(gè)像素，筆者將這一過(guò)程命名為情景推導(dǎo)。表3是通過(guò)偽代碼形式展示情景推導(dǎo)過(guò)程，其書(shū)寫(xiě)方式基于IDL語(yǔ)法規(guī)則，因篇幅原因，更加復(fù)雜的推導(dǎo)過(guò)程以Rule_Set替代。部分推導(dǎo)過(guò)程中，需要將待檢測(cè)中心像素周?chē)南袼刈鳛樾碌闹行南袼剡M(jìn)行規(guī)則判別，這一過(guò)程類(lèi)似于函數(shù)遞歸調(diào)用，因此以RECURSION替代。另外，IDL中沒(méi)有In運(yùn)算符，查詢(xún)功能在IDL代碼中可以通過(guò)Where()函數(shù)實(shí)現(xiàn);而or在IDL中是位運(yùn)算符，實(shí)現(xiàn)條件選擇功能可以通過(guò)if-else組合來(lái)完成。

表3 情景推導(dǎo)過(guò)程

三、試驗(yàn)結(jié)果

為了對(duì)比分析，研究中對(duì)初始分類(lèi)圖像應(yīng)用ENVI軟件的Clump Classes工具進(jìn)行了聚類(lèi)處理，形態(tài)學(xué)算子大小設(shè)置為3×3，與摩爾鄰域大小相同。圖5顯示了影像不同區(qū)域上原始圖像、初始分類(lèi)圖、Clump Classes工具處理結(jié)果以及本研究提出方法處理結(jié)果的對(duì)比，初始分類(lèi)圖像經(jīng)過(guò)基于鄰域規(guī)則的聚類(lèi)處理后，椒鹽噪聲的抑制效果較為顯著，且視覺(jué)上較Clump Classes工具的處理結(jié)果而言更加接近于原始影像呈現(xiàn)的狀態(tài)。

分類(lèi)精度方面，因缺少地表真實(shí)信息，在統(tǒng)計(jì)分類(lèi)精度時(shí)采用人工解譯獲取地表真實(shí)ROI的方式，將ROI作為地表真實(shí)信息。用于精度驗(yàn)證的ROI數(shù)量分別是:植被668像素、土壤653像素、水體666像素以及不透水面693像素。所有操作均基于ENVI平臺(tái)，精度統(tǒng)計(jì)結(jié)果見(jiàn)表4。通過(guò)結(jié)果可以看出，本次試驗(yàn)中，基于鄰域規(guī)則的聚類(lèi)方法處理的分類(lèi)圖像精度最高，達(dá)到95．63%，Kappa系數(shù)為0．941 8。

表4 分類(lèi)精度統(tǒng)計(jì)

圖5 部分區(qū)域影像及分類(lèi)結(jié)果對(duì)比

四、結(jié)束語(yǔ)

通過(guò)試驗(yàn)結(jié)果可以看出，應(yīng)用基于鄰域規(guī)則的聚類(lèi)方法對(duì)初始分類(lèi)圖像進(jìn)行分類(lèi)后處理，可以在很大程度上抑制椒鹽噪聲，提高分類(lèi)精度，滿足了實(shí)際應(yīng)用的需求。同時(shí)，使用地表真實(shí)ROI的精度驗(yàn)證結(jié)果表明，基于鄰域規(guī)則的聚類(lèi)結(jié)果較之ENVI軟件提供的Clump Classes工具的處理結(jié)果而言精度要更高，形態(tài)上更加接近于影像所呈現(xiàn)的狀態(tài);但是在地塊邊緣處理上，Clump Classes工具給出的結(jié)果更加平滑，能更好消除地塊的鋸齒狀邊緣。條件所限，兩者都缺乏真實(shí)地物信息的檢驗(yàn)，因而結(jié)果還有待進(jìn)一步驗(yàn)證。

基于鄰域規(guī)則的聚類(lèi)方法關(guān)鍵點(diǎn)在于對(duì)規(guī)則的制定，規(guī)則越合理、推導(dǎo)越深入、復(fù)雜度越高，處理的結(jié)果應(yīng)該更加精確;如果加入對(duì)地塊邊緣的處理規(guī)則，也能在一定程度上消除鋸齒狀邊緣。在本研究中，規(guī)則設(shè)計(jì)是建立在對(duì)圖像所有像素進(jìn)行循環(huán)遍歷處理的基礎(chǔ)之上，隨著規(guī)則復(fù)雜度的提高、計(jì)算量的增大，處理效率必然會(huì)受到影響。因此，如何設(shè)計(jì)行之有效、效率更高、適用性更強(qiáng)的規(guī)則將是未來(lái)的研究重點(diǎn)。

［1］ 鄧書(shū)斌．ENVI遙感影像處理方法［M］．北京:科學(xué)出版社，2011．

［2］ 武文波，楊貴軍，陳步尚．基于數(shù)學(xué)形態(tài)學(xué)遙感影像分類(lèi)后優(yōu)化處理［J］．遼寧工程技術(shù)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2003，22(2):172-175．

［3］ 靳志賓，蒲英霞，陳剛，等．基于地理加權(quán)的k-NN高分辨率遙感影像分類(lèi)算法改進(jìn)［J］．遙感技術(shù)與應(yīng)用，2013(1):97-102．

［4］ 姚娜，林宗堅(jiān)，張錦雄，等．遙感影像分類(lèi)后處理的地統(tǒng)計(jì)方法［J］．武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2013，38(1):15-18．

［5］ 殷亞秋，李家國(guó)，余濤，等．基于高分辨率遙感影像的面向?qū)ο笏w提取方法研究［J］．測(cè)繪通報(bào)，2015(1):81-85．

［6］ 張錦雄，GOODCHILD M F．野外空間采樣的漸進(jìn)式策略［J］．武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2008，33(5):441-445．

［7］ TOBLER W．On the First Law of Geography:A Reply［J］．Annals of the Association of American Geographers，2011，94(2):304-310．

［8］ 孫俊，潘玉君，和瑞芳，等．地理學(xué)第一定律之爭(zhēng)及其對(duì)地理學(xué)理論建設(shè)的啟示［J］．地理研究，2012(10):1749-1763．

［9］ 黎夏，葉嘉安，劉小平，等．地理模擬系統(tǒng):元胞自動(dòng)機(jī)與多智能體［M］．北京:科學(xué)出版社，2007．

［10］ SETIAWANA H，MATHIEU R，et al．Assessing the Applicability of the V-I-SModel to Map Urban Land Use in the Developing World:Case Study of Yogyakarta，Indonesia［J］．Computers，Environment and Urban Systems，2006，30(4):503-522．

［11］ WENG Qihao，LU Dengsheng．Landscape as a Continuum:an Examination of the Urban Landscape Structures and Dynamics of Indianapolis City，1991—2000，by Using Satellite Images［J］．International Journal of Remote Sensing，2009，30(10):2547-2577．