方 耀，顏梅春

（1.河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 211100）

主成分等變換及組合分類在半濕潤(rùn)流域的應(yīng)用

方 耀1，顏梅春1

（1.河海大學(xué) 地球科學(xué)與工程學(xué)院，江蘇 南京 211100）

以東灣流域?yàn)檠芯繀^(qū)，首先對(duì)TM影像進(jìn)行主成分分析（PCA），纓帽變換，色調(diào)、亮度、飽和度彩色變換（HIS），并求得歸一化植被指數(shù)、歸一化建筑指數(shù)、歸一化水體指數(shù)、歸一化裸土指數(shù)、歸一化陰影指數(shù)和第四波段灰度共生矩陣紋理特征，構(gòu)造了新的特征影像；然后對(duì)其分別進(jìn)行PCA、獨(dú)立主成分分析（ICA）、最小噪聲分離（MNF）3種變換；再對(duì)變換后的結(jié)果分別進(jìn)行最大似然法、神經(jīng)網(wǎng)絡(luò)以及支持向量機(jī)（SVM）分類，以研究不同變換、不同分類方法的差異。提出了一種新的降低特征相關(guān)性的方法，并確定了最有效的一種分類—變換組合。結(jié)果表明，新特征降維方法的分類精度達(dá)到了93．457%，而單一特征降維方法最高分類精度為91．955%，證明該方法能更有效地提取影像特征。

PCA；ICA；MNF；特征組合；監(jiān)督分類；東灣流域

遙感圖像分類是信息提取的主要手段。由于氣候和人為活動(dòng)的影響，半濕潤(rùn)流域的地表、地物復(fù)雜破碎，分類難度較大；同時(shí)遙感影像本身的空間分辨率以及“同物異譜”、“異物同譜”也會(huì)對(duì)分類結(jié)果造成不同程度的影響，降低分類精度。隨著遙感技術(shù)的發(fā)展，一些新型的分類算法被提出，如專家系統(tǒng)、SVM、神經(jīng)網(wǎng)絡(luò)（NNC）等。影像波段間數(shù)據(jù)有不同程度的相關(guān)性，各特征間也有類似情況。目前，降低特征相關(guān)的方法主要有PCA、MNF、ICA等。葛山運(yùn)[1]提出了一種基于MNF、PCA和ICA的高光譜數(shù)據(jù)特征提取方法，通過(guò)ICA分解類別高度混合的數(shù)據(jù)、PCA的壓縮數(shù)據(jù)和MNF的高度降噪等變換提高了類別高度混合數(shù)據(jù)的分類精度；但這些方法很難較好地適應(yīng)光譜相應(yīng)特性變化和高度混合的地類，將導(dǎo)致重要信息的丟失。李策[2]等通過(guò)對(duì)比研究認(rèn)為最大似然法（MLC）要優(yōu)于SVM分類；而梁亮[3]等通過(guò)基于ICA與SVM算法的高光譜遙感影像分類發(fā)現(xiàn)：ICA變換下，SCM分類要優(yōu)于MLC分類。紀(jì)娜[4]等認(rèn)為基于MNF變換的SVM分類能夠提高分類的精度。因此，如何選擇降維方法來(lái)提取遙感圖像上特定區(qū)域的有效信息，選用何種分類方法以達(dá)到最優(yōu)的分類效果，都是亟待解決的問(wèn)題。

1 研究方法

1.1 特征提取方法

PCA是一種去除波段間的多余信息，將多波段的圖像信息壓縮到比原波段更有效的少數(shù)幾個(gè)轉(zhuǎn)換波段的方法[5]。MNF變換以信噪比最大化為變換準(zhǔn)則[6-7]，將數(shù)據(jù)分解為一系列彼此不相關(guān)的成分，可減少后續(xù)處理的計(jì)算量。MNF變換具有PCA的性質(zhì)，是一種正交變換，變換后得到向量的各元素互不相關(guān)，第一分量集中了大量的信息，隨著波段數(shù)量的增加，影像質(zhì)量逐漸下降，變換后波段按照信噪比從大到小排列，通常用于噪聲去除、特征提取、數(shù)據(jù)降維等。ICA變換是用于數(shù)據(jù)特征提取的線性變換技術(shù)，是基于信號(hào)的高階統(tǒng)計(jì)特性的分析方法，經(jīng)ICA分解出的各信號(hào)分量相互獨(dú)立。

1.2 分類方法

基于遙感影像的信息自動(dòng)提取方法大致可分為監(jiān)督分類、非監(jiān)督分類、決策樹分類、面向?qū)ο筇卣魈崛　⒒诳臻g分析方法的信息提取5類。其中監(jiān)督分類方法是一種常用的遙感影像信息提取方法，本文采用監(jiān)督分類中MLC、NNC、SVM進(jìn)行實(shí)驗(yàn)。

MLC是基于統(tǒng)計(jì)理論的參數(shù)分類器，現(xiàn)已成為應(yīng)用最為廣泛的分類器[8]。其建立在貝葉斯準(zhǔn)則基礎(chǔ)上，且分類錯(cuò)誤概率最小，是風(fēng)險(xiǎn)最小的決策分析。NNC是近年發(fā)展起來(lái)的一種具有人工智能的分類方法。它用計(jì)算機(jī)模擬人的結(jié)構(gòu)，用許多小的處理單元模擬生物的神經(jīng)元，以算法實(shí)現(xiàn)人腦的識(shí)別、記憶、思考過(guò)程，進(jìn)而應(yīng)用于圖像分類[9]。反向傳播（BP）網(wǎng)絡(luò)作為人工神經(jīng)網(wǎng)絡(luò)技術(shù)在遙感圖像分類處理中的主要應(yīng)用，通常將要分類的地物對(duì)象的條件集合或特征組合作為BP網(wǎng)絡(luò)的輸入模式，并給出期望輸出模式（預(yù)測(cè)類型）。SVM在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)，并能推廣應(yīng)用到函數(shù)擬合等其他機(jī)器學(xué)習(xí)問(wèn)題中，基本原理見文獻(xiàn)[10]。

2 實(shí)驗(yàn)研究

2.1 研究區(qū)概況

本文以伊洛河流域上游的東灣流域?yàn)檠芯繀^(qū)，伊洛河包括伊河、洛河兩條河流，伊河是洛河的第一大支流。伊河面積占洛河的1/3，遠(yuǎn)超過(guò)其他支流，自成一個(gè)流域和水系，因此常把伊河和洛河兩條河流合稱為伊洛河。東灣屬于伊河河源地區(qū)，為半濕潤(rùn)區(qū)，屬于大陸性氣候；地類高度混合，部分農(nóng)田位于山溝內(nèi)部，不易與植被區(qū)分，未種耕地與裸土極易混淆。選用有較高光譜分辨率和適宜空間分辨率的TM影像為數(shù)據(jù)源，成像時(shí)間為2011年8月。此外，采用2003年分辨率為30 m的DEM數(shù)據(jù)來(lái)消除地形地貌噪聲。

2.2 實(shí)驗(yàn)方法

對(duì)原始的TM遙感影像進(jìn)行幾何校正、去云及陰影處理、大氣校正等預(yù)處理，再進(jìn)行以下變換或波段運(yùn)算得到各特征：①PCA變換，取前3個(gè)主成分；②纓帽變換（TC），取前3個(gè)分量：明度、綠度、黃度；③HIS變換得到色調(diào)、亮度、飽和度；④第四波段灰度共生矩陣紋理特征，得到能量、對(duì)比度、熵、均勻性、均值、方差、非相似度、相關(guān)性等8個(gè)分量特征；⑤ 歸一化植被指數(shù)（NDVI）、歸一化建筑指數(shù)（NDBI）[11]、歸一化裸土指數(shù)（BI）[12]、 歸一化水體指數(shù)（NDWI）[13]、歸一化陰影指數(shù)（NDUI）[14]，具體見表1。

表1 各波段來(lái)源

將上述22個(gè)波段進(jìn)行合成得到新的特征影像，再對(duì)新的特征圖像分別進(jìn)行PCA、ICA、MNF變換。由于各變換前10個(gè)波段的特征值累計(jì)百分比分別達(dá)到99．99%（PCA）、99．99%（ICA）、88．72%（MNF），故本次實(shí)驗(yàn)選用變換后的前10個(gè)波段作為實(shí)驗(yàn)數(shù)據(jù)。

PCA變換有對(duì)遙感圖像噪聲考慮不足的缺陷；MNF在變換的同時(shí)考慮了遙感數(shù)據(jù)質(zhì)量評(píng)估參數(shù)——信噪比，從而比PCA變換具有更好的降維去噪能力；ICA變換不僅能消除多變量數(shù)據(jù)間的二階相關(guān)信息，而且能消除數(shù)據(jù)間的高階相關(guān)，比PCA變換更能消除數(shù)據(jù)間的相關(guān)性。本文提出的特征降維方法包括3個(gè)相互聯(lián)系的階段：第一階段，利用MNF變換對(duì)遙感圖像進(jìn)行處理，得到一系列按信噪比從大到小排列的彼此不相關(guān)的MNF成分，選擇前10個(gè)MNF分量作為下一階段處理的輸入數(shù)據(jù)；第二階段，分別利用PCA變換和ICA變換對(duì)以上10個(gè)MNF分量進(jìn)行處理，得到10個(gè)PCA分量和10個(gè)ICA分量；第三階段，對(duì)得到的10個(gè)PCA分量和ICA分量進(jìn)行重新組合（PCA前5個(gè)分量和ICA后5個(gè)分量），進(jìn)而得到含有10個(gè)分量的新特征影像。對(duì)新的特征影像分別進(jìn)行MLC、NNC、SVM分類，并與PCA、ICA、MNF單獨(dú)分類結(jié)果進(jìn)行對(duì)比研究，具體流程見圖1。

圖1 實(shí)驗(yàn)流程圖

通過(guò)對(duì)影像的研究，將研究區(qū)分為水體、建筑、植被、耕地、裸土和其他6類。從預(yù)處理后的TM影像中選取以下分類樣本：水體、建筑、植被、耕地、裸土和其他，其訓(xùn)練樣本數(shù)分別為384、398、601、307、144和363；驗(yàn)證樣本數(shù)分別為424、254、272、218、65和265。分別用MLC、NNC、SVM方法對(duì)各變換得到的前10個(gè)波段進(jìn)行分類，并運(yùn)用形態(tài)學(xué)算子，以類別集群的方法，使用3×3的變換核對(duì)分類圖像進(jìn)行侵蝕操作，去除“椒鹽”。經(jīng)過(guò)類別集群處理后的圖像更為平滑，組合的總體精度和Kappa系數(shù)都有所提高，說(shuō)明類別集群算法可改善分類結(jié)果，使其更接近真實(shí)地物，最后得到分類結(jié)果見圖2。

圖2 分類影像圖（分類+變換）

2.3 結(jié)果與精度驗(yàn)證

運(yùn)用上述方法進(jìn)行分類后，利用混淆矩陣和分類精度指標(biāo)對(duì)其進(jìn)行評(píng)價(jià)，得到特征降維與分類12種組合的總體精度與Kappa系數(shù)（表2）。其中，分類效果最好的SVM-MNF+PCA+ICA組合的混淆矩陣見表3。

表2 分類總體精度和Kappa系數(shù)

表3 MNF+PCA+ICA的SVM分類混淆矩陣

3 結(jié) 語(yǔ)

1）本文提出的方法總體精度和Kappa系數(shù)都要優(yōu)于PCA、ICA、MNF單獨(dú)分類的結(jié)果。無(wú)論是新方法、PCA變換、ICA變換還是MNF變換，從總體精度和Kappa系數(shù)角度考慮，SVM分類效果最好，其次是MLC，NNC分類效果最差。

2）3種單獨(dú)的特征降維方法比較：對(duì)于MLC，MNF變換的分類結(jié)果要優(yōu)于ICA變換和PCA變換；對(duì)于NNC，MNF變換的分類結(jié)果要優(yōu)于ICA變換，而二者都明顯優(yōu)于PCA變換；對(duì)于SVM，PCA變換的分類結(jié)果要優(yōu)于MNF變換， ICA變換的分類結(jié)果最差，但其分類總體精度也達(dá)到了91．274 8%，Kappa系數(shù)達(dá)到了0．895 7，說(shuō)明無(wú)論針對(duì)何種變換方法，SVM分類的結(jié)果都比較理想。

3）最優(yōu)的分類—變換組合是基于MNF+PCA+ICA變換的SVM分類，其總體精度達(dá)到93．457 9%，Kappa系數(shù)達(dá)到0．920 0；而效果最差的分類—變換組合是基于PCA變換的NNC分類，其總體精度為75．127 5% ，Kappa系數(shù)為0．700 8。

實(shí)驗(yàn)證明，新的特征降維方法能更有效地提取影像特征，對(duì)于提高影像分類的精度，使分類結(jié)果更接近真實(shí)地表，具有一定指導(dǎo)意義。

[1] 葛山運(yùn)．基于MNF、PCA與ICA結(jié)合的高光譜數(shù)據(jù)特征提取方法[J]．城市勘測(cè),2013(2):103-106

[2] 李策,何秉宇,王慧．沙漠化遙感分類方法對(duì)比分析:以新疆塔河下游為例[J]．新疆環(huán)境保護(hù),2012,34(4):10-15

[3] 梁亮,楊敏華,李英芳．基于ICA與SVM算法的高光譜遙感影像分類[J]．光譜學(xué)與光譜分析,2010,30(10):2 724-2 728

[4] 紀(jì)娜,李銳,李靜．MNF和SVM在遙感影像計(jì)算機(jī)分類中的應(yīng)用[J]．水土保持通報(bào),2009,29(6):153-158

[5] ZHANG C Y, GUO S, GUAN Y N, et al． The Approaches of Cover Classification of the Wuda Coal Fire Area[J]．Journal of Remote Sensing,2011,15(1):149-154

[6] Nielsen A A． Kernel Maximum Autocorrelation Factor and Minimum Noise Fraction Transformations[J]． IEEE Trans Image Process,2011,20(3):612-624

[7] 李海濤,顧海燕,張兵,等．基于MNF和SVM的高光譜遙感影像分類研究[J]．遙感信息,2007,22(5):12-15,25

[8] CHEN C X, HU C M． Effect of Different Radiation Correction Methods of Landsat TM Data on Land-cover Remote Sensing Classification[J]．Journal of Remote Sensing,2013,17(6):320-326

[9] 潘遠(yuǎn),楊景輝,武文波．粗糙集約簡(jiǎn)的神經(jīng)網(wǎng)絡(luò)遙感分類應(yīng)用[J]．遙感信息,2012,27(4):86-90

[10] ZHANG F F, LI W Z, LU L Y, et al． Technologies of Extracting Land Utilization Information Based on SVM Method with Mutiwindow Texture[J]．Journal of Remote Sensing,2012,16(1):67-72

[11] 陳志強(qiáng),陳健飛．基于NDBI指數(shù)法的城鎮(zhèn)用地影像識(shí)別分析與制圖[J]．地球信息科學(xué),2006,8(2):137-140

[12] Rikimaru A． ITTO Workshop on Utilization of Remote Sensing in Site Assessment and Planning for Rehabilitations of Logged-over Forest [C]//Landsat TM Data Processing Guide for Forest Canopy Density Mapping and Monitoring Model, Bangkok,1996:1-8

[13] 徐涵秋．利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J]．遙感學(xué)報(bào),2005,9(5):589-595

[14] 周堅(jiān)華,周一凡,郭曉華,等．城鎮(zhèn)陰影區(qū)植物分布信息提取與亮度修復(fù)的方法[J]．華東師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2011(6):1-9

P237

B

1672-4623（2017）01-0019-03

10.3969/j.issn.1672-4623.2017.01.006

方耀，碩士研究生，主要研究方向?yàn)檫b感與地理信息系統(tǒng)應(yīng)用。

2015-12-07。

項(xiàng)目來(lái)源：國(guó)家自然科學(xué)基金資助項(xiàng)目（41130639）；中央高?；究蒲袠I(yè)務(wù)專項(xiàng)資助項(xiàng)目（2009B11714）。