劉　冰，吳　超，林　怡

(1.河南省航空物探遙感中心，河南 鄭州 450053；2.河南省電力勘測設計院，河南 鄭州 450007；3.同濟大學 測繪與地理信息學院，上海 200092)

?

混合核特征加權SVM遙感濕地空間分類

劉冰1，吳超2，林怡3

(1.河南省航空物探遙感中心，河南 鄭州 450053；2.河南省電力勘測設計院，河南 鄭州 450007；3.同濟大學 測繪與地理信息學院，上海 200092)

摘要：針對濕地空間信息的復雜性和SVM的分類性能，設計一種基于混合核函數(shù)的特征加權SVM分類模型，綜合利用多種特征信息，避免被弱相關特征所支配，從而提供更佳的映射性能和泛化能力。實驗結果表明，該分類模型兼具良好的外推和內推能力，能夠有效地融合不同信息源特征，得到更完整和準確的分類結果，在總體精度、Kappa 系數(shù)等多項指標上都表現(xiàn)出更高的水平。

關鍵詞：混合核；特征加權；支持向量機；濕地；分類

近年來隨著人口增加和經濟發(fā)展，尤其是土地開發(fā)和城市化建設給濕地資源帶來巨大的壓力，造成濕地資源數(shù)量和類型的日益減少，濕地結構與生態(tài)服務功能的破壞逐漸加劇。濕地的生態(tài)環(huán)境退化和可持續(xù)發(fā)展問題已經成為當前濕地研究的焦點問題。遙感技術具有觀測范圍廣、信息量大、獲取信息快、可比性強等優(yōu)點，近20年來已廣泛應用于濕地資源調查、識別等研究中[1]。而濕地本身具有的類型多樣性、波譜易混性以及邊界不確定性等特點，對傳統(tǒng)的遙感分類方法提出新的要求[2]。

支持向量機(Support Vector Machine，SVM)[3-4]作為一種最新的也是最有效的統(tǒng)計學習方法，近年來在遙感影像分類中得到廣泛的應用，而如何提高SVM的分類性能，也成為當前眾多學者研究的熱點。如馬會敏[5]提出5種特征加權SVM算法，并從理論上證明在一定條件下相對間隔越大，SVM的泛化能力就越好；楊長坤等[6-7]提出一種多目標優(yōu)化人工蜂群算法的遙感圖像自動分類算法(ABC-SVM)，克服傳統(tǒng)組合特征算法的缺陷，加快分類速度。

1基于光譜信息的多特征空間構建

收集研究區(qū)域現(xiàn)有的土地利用、行政區(qū)劃等資料，結合遙感影像解譯標志，選取樣本集。通過對樣本集的光譜特性進行分析，構建多特征空間。

考慮到不同樣本特征對SVM分類中的核函數(shù)計算有不同程度的影響，本文在前人學者研究的基礎上，針對濕地空間信息提取的復雜性和SVM的分類性能，構建多維特征空間，在核函數(shù)和特征加權兩方面改進SVM，有效避免核函數(shù)被弱相關特征所支配，從而提高SVM映射性能和泛化能力。其主要構建流程如圖1所示。

圖1　基于混合核函數(shù)的特征加權SVM分類模型流程

Landsat系列影像的NIR,Red,Green標準假彩色合成，獲得植被和水體特征明顯，圖像層次好、植被顯示紅色，是濕地空間分析方面最常用的波段組合。

多光譜影像的光譜特征不僅是典型地物表現(xiàn)出的亮度值，還包括某些經圖像變換處理后反映出的特征值。如歸一化植被指數(shù)(Normalized Difference Vegetation Index，NDVI)將多波譜數(shù)據(jù)變換成唯一的圖像波段顯示植被分布，是反映土地覆蓋植被狀況使用最廣泛的一種遙感指標。纓帽變換(K-T變換)能消除多光譜圖像的相對光譜響應相關性，對Landsat影像進行纓帽變換后的前3個特征分量為：亮度，綠度，濕度。濕度分量反映土壤的濕度狀況，能有效區(qū)分濕地、水體、裸地[8]。

對多光譜遙感影像進行NDVI指數(shù)的提取和K-T變換，并將NDVI圖、K-T變換后wet分量圖，以及4、3、2波段圖像，重新進行波段組合，可構成如圖2的五維多特征空間layers=[wet,NDVI,B2,B3,B4]，用于分類實驗。

圖2　多特征空間layers

2基于混合核函數(shù)的特征加權SVM分類模型

2.1混合核函數(shù)的構建

核函數(shù)是SVM的核心，它的選取在很大程度上影響著SVM模型的擬合能力和預測精度。為了構建混合核SVM分類模型，先討論相關的核函數(shù)定義、定理和引理。

定義1(核函數(shù))：設φ是由空間X到特征空間F的映射，即φ∶x∈X→φ(x)∈F。對所有的x,z∈X，函數(shù)K滿足

(1)

則稱函數(shù)k(·,·)為核函數(shù)。

(2)

滿足Mercer條件的內積函數(shù)k(xi,xj)稱為核函數(shù)。常用的一些核函數(shù)包括：

1)線性核函數(shù)：K(xi,xj)=(xi·xj)；

2)d階多項式核函數(shù)：K(xi,xj)=[(xi·xj)+1]d；

3)徑向基核函數(shù)：K(xi,xj)=exp(-γ·‖xi-xj‖2)；

4)雙曲正切核函數(shù)：K(xi,xj)=tanh(v(xi·xj)+d),v和d是某些常數(shù)，一般根據(jù)不同分類體系進行確定。

引理1：令K1和K2是在X×X上的核，X?Rn，a∈R+，那么下面的函數(shù)也是核函數(shù)：

1)K(x,z)=K1(x,z)+K2(x,z)；

2)K(x,z)=aK1(x,z)。

多項式核函數(shù)和徑向基核函數(shù)，一個具有很強的外推能力，有全局優(yōu)勢；另一個則具有良好的內推能力，局部性優(yōu)勢明顯。而把兩者結合起來的自定義混合核函數(shù)[9]，則能夠兼顧全局及局部，綜合兩者優(yōu)勢，且通過引理1可以證明該混合函數(shù)滿足核函數(shù)的條件[10]：

(3)

式中,λ∈(0,1)，λ一般在0.50～0.99之間，而且當λ較大時，混合核函數(shù)的性能要優(yōu)良一些。

2.2基于信息增益率的特征重要性加權

在核函數(shù)的計算過程中，不同特征對分類的相關性是影響分類器性能的重要因素。考慮各個特征對分類的不同影響，避免核函數(shù)被一些弱相關或不相關的特征所支配，本研究把特征加權用于SVM分類模型[11]。

權重向量ω是特征加權的關鍵，常用的特征重要性度量方法有：信息增益、信息增益(比)率、Gini指標、對稱不確定性和χ2檢驗等。本文采用基于信息增益(比)率的評價函數(shù)進行特征相關分析[12]。

設T為一個包含t個數(shù)據(jù)樣本的集合，有m個不同的類別Ci，i∈{1,2,3,…m}。一個特征A具有v個不同的值{a1,a2,…,av}，則利用A劃分集合T為{T1,T2,…,Tv}，其中Tj表示T中所有特征A取aj的樣本；Tij為子集Tj中屬于Ci類別的樣本集。根據(jù)A劃分T集合所需要的信息熵為

(4)

特征A的信息熵為

(5)

基于A劃分T集合的信息增益為

(6)

信息增益(比)率函數(shù)為

(7)

上述方法中，樣本集T中使GainRatio(A)最大的特征，類別區(qū)分度最高，對分類的重要性也最大，因此可以使用特征的信息增益率(GainRatio(featurei))來描述它的權重。

3分類實驗與精度評定

3.1分類實驗

實驗數(shù)據(jù)為上海市崇明島最東端的Landsat 5 TM影像，位置大致為121°50′～122°05′E，31°25′～31°38′N，實驗區(qū)面積約254.86 km2。實驗步驟如下：

步驟2：對特征加權后的影像多維屬性集計算混合核函數(shù)。

步驟3：使用上述混合核函數(shù)和特征加權方式，并根據(jù)SVM算法構建最優(yōu)分類決策面。

步驟4：基于最優(yōu)決策超平面，得到影像分類圖。

其中混合核參數(shù)值的選擇通過比較不同組合的分類精度，如表1所示，得出λ取0.9，多項式次數(shù)d取4時的分類效率和精度最好。

表1　λ和d不同參數(shù)值組合的分類精度表

以2005年的TM影像為例，實驗區(qū)原始影像和分類結果如圖3、圖4所示。

圖3　實驗區(qū)標準假彩色合成圖

圖4　基于混合核函數(shù)的特征加權SVM分類結果圖

3.2精度評定

為了驗證上述分類模型的優(yōu)勢，本研究選擇最小距離法、徑向基核函數(shù)SVM分類法和多項式核函數(shù)SVM分類法這3種方法與上節(jié)中的方法進行對比分析。以2005年為例，基于相同的訓練樣本進行分類，并利用相同的檢驗樣本對4種分類方法的結果進行定量分析，依據(jù)混淆矩陣的方法進行精度評定。表2是本文方法的分類混淆矩陣，表3是4種方法的分類精度比較。

綜合分類結果圖和分類精度表，可得出以下結論：

1)3種SVM分類器的精度都遠高于傳統(tǒng)的最小距離分類方法，其中本文構建的基于混合核函數(shù)的特征加權SVM分類模型的總體精度最高，與徑向基核SVM相似，達到93%以上。

表2　基于混合核函數(shù)的特征加權SVM分類模型的混淆矩陣

表3　不同方法的分類精度

2)本研究的分類方法加入特征重要性加權的思想，充分利用優(yōu)勢特征，從水域等地物類別的使用者精度可以顯現(xiàn)出來。

3)除了能夠準確地識別水域、綠地這種類別內純度比較高的地物類型外，本研究的方法對建筑用地這種小斑塊地物的識別也非常有優(yōu)勢，如圖5所示，本研究的方法綜合徑向基核函數(shù)和多項式核函數(shù)的優(yōu)勢，在局部表現(xiàn)能力上較之單獨使用這兩種核函數(shù)更勝一籌。

圖5　3種SVM分類器局部分類效果比較

4結束語

本文結合實地調查數(shù)據(jù)，設置解譯標志，構建多特征空間，針對濕地空間信息提取的復雜性和SVM的分類性能，提出一種基于混合核函數(shù)的特征加權SVM分類模型，并與傳統(tǒng)最小距離分類、徑向基核函數(shù)SVM分類和多項式核函數(shù)SVM分類結果比較，分析評定結果得到以下結論：

混合核特征加權SVM分類模型不僅兼具良好的外推和內推能力，并能有效避免被弱相關或不相關特征所支配，無論從整體還是局部都展現(xiàn)較高的分類精度；吸收模式識別理論和數(shù)據(jù)挖掘技術的精華，可以為分類后變化檢測處理的準確度及自動化程度提供良好基礎。

本文的實驗數(shù)據(jù)及對比方法還比較局限，如何針對多源遙感數(shù)據(jù)，改進分類模型，同時與模式識別領域的多種分類方法進行結合和分析，是下一步需要深入研究的重點。

參考文獻：

[1]解佳寧,王煒,周超.遙感技術在濕地資源監(jiān)測中的應用[J].科技創(chuàng)新導報,2010(27):121-122.

[2]劉冰,林怡.基于決策樹方法的ETM+影像濕地信息提取[J].測繪工程,2013,22(1):63-66.

[3]趙星濤，白瑞杰，王強，等.高光譜影像特征子集選擇方法[J].測繪科學，2015,40(8)：22-27.

[4]HUANG X，ZHANG L.An SVM ensemble approach combining spectral，structural，and semantic features for the classification of high-resolution remotely sensed imagery[J].Geoscience and Remote Sensing，IEEE Transactions on，2013，51(1)：257-272.

[5]馬會敏.幾種特征加權支持向量機方法的比較研究[D].保定：河北大學,2010.

[6]楊長坤，王崇倡，張鼎凱，等.基于SVM的高分一號衛(wèi)星影像分類[J].測繪與空間地理信息，2015,38(9)：142-144.

[7]郭軍，馬金鳳，王愛學.基于SVM算法和GLCM的側掃聲納影像分類研究[J].測繪與空間地理信息，2015,38(3)：60-63.

[8]孫步偉,趙萍,程雷,等.基于復合變換的濕地信息提取的決策樹方法研究.以安慶沿江湖濕地為例[J].安徽師范大學學報(自然科學版),2009,32(3):271-276.

[9]SMITS G F,JORDAAN E M.Improved SVM regression using mixtures of kernels[C].Proceedings of the International Joint Conference on Neural Networks，2002,3：2785-2790.

[10] 黃瑜青.基于混合核函數(shù)的SVM在文本自動分類的應用[J].計算機光盤軟件與應用,2012(2):147-148.

[11] HAN Jiawei,KAMBER M.Data Mining：Concepts and Techniques[M].Second Edition.Beijing：China Machine Press，2006：296-300.

[12] 汪廷華,田盛豐,黃厚寬.特征加權支持向量機[J].電子與信息學報,2009,31(3)：514-518.

[責任編輯：張德福]

Feature weighted-mixed kernel SVM for remote sensing wetland classification

LIU Bing1,WU Chao2，LIN Yi3

(1.Henan Aero Geophysical Survey and Remote Sensing Center，Zhengzhou 450053,China;2.Henan Electric Power Suevey&Design Institute，Zhengzhou 450007,China；3.School of Surveying and Geo-informatics,Tongji University,Shanghai 200092,China)

Abstract：In view of complexity of wetland information extraction and classification performance of the SVM classifier，this paper proposes a feature weighted-mixed kernel SVM classifier，which can utilize many kinds of feature information and avoid being dominated by weak correlation characteristics. Then better mapping performance and generalization ability can be realized.The experimental results show the classification model with good ability of extrapolation and push can effectively integrate different information source characteristics，which also achieve more complete and accurate classification results，with a higher classification accuracy on the index such as overall accuracy and Kappa coefficient.

Key words：mixed kernel；feature weighted；support vector machine (SVM)；wetland；classification

DOI:10.19349/j.cnki.issn1006-7949.2016.07.003

收稿日期：2015-05-29；修回日期：2015-09-25

作者簡介：劉冰(1988-)，女，碩士.

中圖分類號：P237

文獻標識碼：A

文章編號：1006-7949(2016)07-0013-05