吳軍超， 李利偉， 胡圣武

(1.河南理工大學測繪與國土信息工程學院，焦作 454000； 2.中國科學院遙感與數(shù)字地球研究所數(shù)字地球科學重點實驗室，北京 100094)

基于多分類器集成的GF-1影像圍填海地物識別

吳軍超1,2， 李利偉2， 胡圣武1

(1.河南理工大學測繪與國土信息工程學院，焦作 454000； 2.中國科學院遙感與數(shù)字地球研究所數(shù)字地球科學重點實驗室，北京 100094)

圍填海是人類獲取海洋資源的重要方式。監(jiān)測圍填海的變化是海岸帶管理、海岸帶演變研究中一項非常重要的任務(wù)。然而，圍填海地物復(fù)雜多變，給利用遙感技術(shù)監(jiān)測圍填海帶來困難。為此，通過構(gòu)造識別地物類別的10個特征因子(GF-1的Band1—4波段的均值特征、波段均值的均值、對象面積、對象周長、外接矩形面積、對象面積與外接矩形面積之比和對象周長與對象面積之比)，提出一種識別GF-1影像中圍填海地物的多分類器集成算法； 對特征因子進行集成，構(gòu)建出單個特征分類器模型、光譜特征分類器模型、形態(tài)特征分類器模型和所有特征集成分類器模型4種組合特征分類器模型； 對每種分類器模型進行試驗研究，并對比分析4種集成模型的多分類器圍填海地物識別精度。結(jié)果表明，單個特征分類器模型識別精度最高達到82.03%，光譜特征分類器模型識別精度為63.28%，形態(tài)特征分類器模型識別精度為87.50%，所有特征集成分類器模型識別精度為80.47%。本研究結(jié)果可為監(jiān)測圍填海變化提供較好的解決方案。

圍填海； 遙感； 多分類器集成； 地物識別

0 引言

圍填海是人類獲取海洋資源的重要方式，但是圍填海在給人類帶來經(jīng)濟效益和社會效益的同時，也對近海的生態(tài)環(huán)境產(chǎn)生了很大的負面影響[1]。遙感技術(shù)以其低成本、快速、準確、大范圍對地觀測能力被引入到海域使用情況調(diào)查中，成為海域調(diào)查的有力手段[2-5]。高空間分辨率遙感影像中所反映的地物信息更加詳細和豐富，地物的邊界、形狀、內(nèi)部結(jié)構(gòu)、表面紋理等信息更加清晰； 然而，高空間分辨率影像中過多的地物細節(jié)信息會造成光譜異質(zhì)性的干擾，這給傳統(tǒng)基于像元光譜信息的圍填海地物識別帶來了困難和挑戰(zhàn)[3]； 因此，需要研究合適高空間分辨率遙感影像的地物識別算法。

國內(nèi)外學者對海岸帶和海岸線的變化檢測研究比較深入，取得的理論成果比較豐富。但對圍填海的研究不是很多，有關(guān)圍填海變化區(qū)域地物識別的算法研究還比較少，例如： 張旭凱等[6]提出了一種結(jié)合海岸類型和潮位校正的海岸線遙感提取方法，取得了較高的精度； 劉鵬程[7]對不同類型的海岸線進行特征提取時引入了水平集理論，在各類航空和衛(wèi)星遙感影像中具有一定的魯棒性，對邊緣信息檢測較為靈敏。徐進勇等[8]分析了各種用途的用海類型，提出了填海造地的遙感監(jiān)測流程，并在曹妃甸新區(qū)和灤河口進行了填海造地信息提取試驗，取得了較高的精度； 周小成等[9]利用ASTER影像結(jié)合光譜特征和水產(chǎn)養(yǎng)殖地空間增強的技術(shù)，研究實現(xiàn)了水產(chǎn)養(yǎng)殖信息自動提取。以上研究都是針對單獨1個類別的海域用地類別進行提取，未能系統(tǒng)地形成一套對圍填海地物類別提取與分類的流程。鞠明明等[10-11]和汪閩等[12]提出了圍填海區(qū)域地物分類處理流程，進行了軟件系統(tǒng)設(shè)計并予以實現(xiàn)。他們采用的是級聯(lián)序列構(gòu)造的策略[13]，即后一個特征分類依賴于前一個特征的分類結(jié)果，一旦前一個特征分類出現(xiàn)錯誤，將導(dǎo)致后續(xù)分類在其錯誤基礎(chǔ)上進行，所以這種策略在一定程度上制約了目標地物的識別精度。

在模式分類中，通常一個分類器不能在所有情況下都穩(wěn)定地達到較高的分類精度，不同的分類器能夠提供待分類模式的互補信息。因此，組合分類器是一種很有效的方法，能夠獲取比任何單一分類器都更好的效果[14]。Du[13]研究了各種特征集成后的地物分類精度，最終得到多特征集成的模型對地物類別分類精度要高于單一分類器的結(jié)論?；谝陨涎芯砍晒紤]到研究區(qū)域以及研究對象的復(fù)雜性，本文依據(jù)集成學習的思想和10種輻射及形態(tài)特征，采用最小距離分類器投票決策的方法進行圍填海地物識別的研究。

1 研究區(qū)域與試驗數(shù)據(jù)

本文選擇廈門港灣地區(qū)(E118.04°～ 118.49°，N24. 42°～ 24. 75°)作為圍填海地物識別的研究區(qū)域。結(jié)合研究目的界定了圍填海的內(nèi)涵，即通過人類在海岸線外進行圍海和填?；顒樱怪付êＳ蚴ズＱ髮傩?，從而對其進行有效利用的方式[3]； 并按照監(jiān)測圍填海的業(yè)務(wù)需求確定圍填海的分類體系，為圍填海的變化監(jiān)測提供有效的數(shù)據(jù)支持和解決方案。

本次研究使用的高空間分辨率遙感數(shù)據(jù)是經(jīng)過幾何配準后的2幅GF-1的2 m空間分辨率的融合影像，GF-1過境的時間分別是2013年11月和2014年11月。在對地物樣本提取的過程中，采用了人工勾畫的最小包含地物類別矢量斑塊數(shù)據(jù)，在此斑塊內(nèi)存在非目標地物部分區(qū)域(如漂浮物斑塊中含有少部分海水區(qū)域)也作為目標地物來對待。本研究假定勾畫的地物斑塊是圍填海區(qū)域經(jīng)過面向?qū)ο蠓指詈蟮膶ο蟀邏K，進而對勾畫的地物斑塊進行識別分類(圖1)。

(a) 2013年 (b) 2014年

圖1 研究區(qū)試驗樣本矢量斑塊數(shù)據(jù)

Fig.1 Vector facets data of test samples in study area

根據(jù)海域使用遙感分類體系標準[15]，結(jié)合對圍填海信息進行監(jiān)測的業(yè)務(wù)需求，本文將研究區(qū)的圍填海劃分為填海造地、構(gòu)筑物、漂浮物和圍割海域等4個類別。

依據(jù)基礎(chǔ)影像，勾畫各地物類別的矢量數(shù)據(jù)，并構(gòu)建它們的類別特征。圍填海地物類別樣本斑塊如圖2所示，綜合分析圍填海地物類別的樣本特征，總結(jié)如表1所示。

(a) 填海造地 (b) 構(gòu)筑物

(c) 漂浮物 (d) 圍割海域

圖2 圍填海地物類別樣本 Fig.2 Samples of coastal reclamation object classes 表1 圍填海地物類別特征

2 技術(shù)路線

本文設(shè)計了一個多分類器集成系統(tǒng)，采用特征最小距離匹配的方式對圍填海地物進行識別。多分類器包括描述地物類別的多種屬性特征，基于投票決策方法實現(xiàn)對圍填海地物的識別。詳細算法流程如圖3所示。

圖3 試驗算法設(shè)計方案

1) 訓(xùn)練和驗證樣本庫構(gòu)建。利用基礎(chǔ)影像集進行人機交互解譯，獲取地物類別樣本，構(gòu)建地物類別樣本庫。類別樣本以地物對象斑塊的形式獲取，能夠完整刻畫地物形態(tài)和輪廓信息。

2) 特征提取。針對地物類別樣本庫中每一個對象進行10個特征的提取，包括： GF-1影像Band1—4波段的均值特征、4個波段均值的均值、對象面積、對象周長、對象外接矩形面積、對象面積與外接矩形面積之比以及對象周長與對象面積之比； 組合10個特征構(gòu)建地物類別樣本特征知識庫。

3) 最小距離分類器。依據(jù)獲取的地物類別特征庫以及待識別地物的對應(yīng)特征信息，分別利用每一個特征采用最小距離法對每個待識別地物進行分類。

4) 投票決策的多分類器集成。依據(jù)每個特征最小距離分類所對應(yīng)的地物類別，統(tǒng)計出每個地物對應(yīng)地物類別的個數(shù)； 按照投票的策略，地物類別個數(shù)最多的地物類別就是待識別地物的類別。

5) 算法驗證?；?014年GF-1影像獲取的驗證對象斑塊數(shù)據(jù)以及地物類別特征知識庫，組合利用不同特征集合進行算法驗證。

3 試驗與分析

本次試驗利用了2013年GF-1影像獲取的地物類別作為訓(xùn)練樣本，包括7個填海造地斑塊、35個構(gòu)筑物斑塊、9個漂浮物斑塊和77個圍割海域斑塊，共128個圍填海地物斑塊。待識別地物斑塊是在2014年GF-1影像中人工勾畫獲取的128個對象斑塊。

試驗采取單個特征、光譜特征庫、形態(tài)特征庫、所有特征組合的特征庫等4種分類器集成的形式，進行了4組圍填海地物識別試驗，并對比了4組試驗的地物識別精度。

3.1 單個特征地物識別模型

針對上述10個特征分別進行了10個對比試驗，對每個試驗的圍填海地物識別結(jié)果采用總體識別精度和Kappa系數(shù)的形式進行評估(表2)。

表2 單個特征圍填海地物識別精度

選擇具有最高識別精度和最低識別精度的2個單特征，分別構(gòu)建箱式圖和混淆矩陣，采用識別精度最高的對象周長與對象面積之比特征的圍填海地物識別結(jié)果的混淆矩陣如表3所示。

表3 對象周長與對象面積之比特征地物識別混淆矩陣

采用識別精度最低的B3灰度均值特征的圍填海地物識別結(jié)果的混淆矩陣如表4所示，Kappa值僅0.127 0。

表4 B3灰度均值特征地物識別混淆矩陣

3.2 光譜特征模型

光譜特征模型包括B1—4灰度均值和波段均值的均值等5個特征。對圍填海地物目標的識別精度為63.28%，統(tǒng)計圍填海地物識別結(jié)果的混淆矩陣如表5所示。

表5 光譜特征地物識別混淆矩陣

3.3 形態(tài)特征模型

形態(tài)特征模型包括對象面積、對象周長、對象外接矩形面積、對象面積與對象外接矩形面積之比以及對象周長與對象面積之比等5個特征，對圍填海地物的識別精度為87.50%。統(tǒng)計形態(tài)特征組合的圍填海地物識別結(jié)果的混淆矩陣如表6所示。

表6 形態(tài)特征地物識別混淆矩陣

3.4 所有特征融合模型

所有特征包括GF-1影像B1—4的波段均值、4個波段均值的均值、對象面積、對象周長、對象外接矩形面積、對象周長與對象面積之比以及對象面積與對象外接矩形面積之比，共計10個特征，對圍填海地物的識別精度為80.47%。統(tǒng)計所有特征地物識別結(jié)果的混淆矩陣如表7所示。

表7 所有特征地物識別混淆矩陣

從以上試驗結(jié)果可以看出，單個特征對圍填海地物識別的精度各不相同，識別精度最差的為B3灰度均值特征，識別精度為45.31%； 光譜特征相對于形態(tài)特征對圍填海地物的識別精度都不是很好； 單個形態(tài)特征相對光譜特征有更好的識別精度，組合形態(tài)特征的識別精度要比各個形態(tài)特征的識別精度都要高。

其中，造成光譜特征信息的圍填海地物識別精度不高的原因是不同時相遙感影像輻射特征的偏差。用于構(gòu)建特征知識庫的地物類別樣本庫是依據(jù)2013年獲取的GF-1影像建立的，而待識別地物斑塊是根據(jù)2014年獲取的GF-1影像勾畫的，2個時相的GF-1影像沒有經(jīng)過相對輻射校正，影像獲取時的大氣條件不同，造成相同地物在輻射特征信息上有偏差。

4 結(jié)論

通過對圍填海地物識別算法的研究，構(gòu)建了多分類器集成策略模式，對各種策略的地物識別結(jié)果進行了對比分析，發(fā)現(xiàn)形態(tài)特征組合和所有特征組合的圍填海識別精度分別達到了87.50%和80.47%，較好地滿足了基于GF-1影像的圍填海地物的自動識別要求。

本文提出的多特征集成的圍填海地物識別算法仍存在一些不足，其原因主要表現(xiàn)在3個方面： ①試驗區(qū)采用的2014年和2013年獲取的GF-1影像沒有經(jīng)過相對輻射校正消除輻射偏差； ②人工勾畫對象斑塊代價較高，需要將識別算法研究成果與面向?qū)ο蟮姆诸愃惴ㄏ嘟Y(jié)合，提高GF-1影像在圍填海管理中的應(yīng)用效率； ③不同形態(tài)特征在本文中體現(xiàn)出不同的性能，對最終地物類別投票時，沒有對組合特征投票的權(quán)重按照對應(yīng)特征識別能力進行賦權(quán)。在分析以上3個制約識別精度因素的基礎(chǔ)上，探索高精度的圍填海識別算法，并將其應(yīng)用在更加精細的圍填海地物識別中，是今后研究的重點。

志謝： 感謝項目合作成員方梁建斌在遙感影像圍填海地物人工判讀中的幫助，感謝項目組成員梁曉莉、羅丹在人工判讀數(shù)據(jù)整理中的努力工作。

[1] 張霞,莊智,張旭凱,等.秦皇島市海岸線遙感提取及變化監(jiān)測[J].遙感技術(shù)與應(yīng)用,2014,29(4):625-630. Zhang X,Zhuang Z,Zhang X K,et al.Coastline extraction and change monitoring by remote sensing technology in Qinhuangdao City[J].Remote Sensing Technology and Application,2014,29(4):625-630.

[2] 粟云召,與君寶,韓廣軒,等.基于遙感的黃河三角洲海岸線變化研究[J].研究報告,2012,36(4):99-106. Li Y Z,Yu J B,Han G X,et al.Coastline change detection of the Yellow River Delta by satellite remote sensing[J].Marine Sciences,2012,36(4):99-106.

[3] 高志強,劉向陽,寧吉才,等.基于遙感的近30a中國海岸線和圍填海面積變化及成因分析[J].農(nóng)業(yè)工程學報,2014,30(12):140-147. Gao Z Q,Liu X Y,Ning J C,et al.Analysis on changes in coastline and reclamation area and its causes based on 30-year satellite data in China[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(12):140-147.

[4] Alesheikh A A,Ghorbanali A,Nouri N.Coastline change detection using remote sensing[J].Technology Journal of Environmental Science & Technology,2007,4(1):61-66.

[5] 李秀梅,袁承志,李月洋.渤海灣海岸帶遙感監(jiān)測及時空變化[J].國土資源遙感,2013,25(2):156-163.doi:10.6046/gtzyyg.2013.02.26. Li X M,Yuan C Z,Li Y Y.Remote sensing monitoring and spatial-temporal variation of Bohai Bay coastal zone[J].Remote Sensing for Land and Resources,2013,25(2):156-163.doi:10.6046/gtzyyg.2013.02.26.

[6] 張旭凱,張霞,楊邦會,等.結(jié)合海岸類型和潮位校正的海岸線遙感提取[J].國土資源遙感,2013,25(4):91-97.doi:10.6046/gtzyyg.2013.04.15. Zhang X K,Zhang X,Yang B H,et al.Coastline extraction using remote sensing based on coastal type and tidal correction[J].Remote Sensing for Land and Resources,2013,25(4):91-97.doi:10.6046/gtzyyg.2013.04.15.

[7] 劉鵬程.基于水平集理論的海岸線輪廓特征提取[J].國土資源遙感,2015,27(2):75-79.doi:10.6046/gtzyyg.2015.02.12. Liu P C.Feature extraction of coastline contour based on level set theory[J].Remote Sensing for Land and Resources,2015,27(2):75-79.doi:10.6046/gtzyyg.2015.02.12.

[8] 徐進勇,張增祥,趙曉麗,等.圍填海遙感監(jiān)測方法研究[J].測繪通報,2014(5):60-62,75. Xu J Y,Zhang Z X,Zhao X L,et al.Remote sensing monitoring method of land reclamation[J].Bulletin of Surveying and Mapping,2014(5):60-62,75.

[9] 周小成,汪小欽,向天梁,等.基于ASTER影像的近海水產(chǎn)養(yǎng)殖信息自動提取方法[J].濕地科學,2006,4(1):64-68. Zhou X C,Wang X Q,Xiang T L,et al.Method of automatic extracting seaside aquaculture land based on ASTER remote sensing image[J].Wetland Science,2006,4(1):64-68.

[10]鞠明明.基于面向?qū)ο髨D像分析的圍填海工程遙感信息提取技術(shù)研究[D].南京:南京師范大學,2013. Ju M M.Remote-Sensing-Based Information Extraction of Reclamation Project Using Object-Oriented Image Analysis Technique[D].Nanjing:Nanjing Normal University,2013.

[11]鞠明明,汪閩,張東,等.基于面向?qū)ο髨D像分析技術(shù)的圍填海用海工程遙感監(jiān)測[J].海洋通報,2013,32(6):678-684. Ju M M,Wang M,Zhang D,et al.Study on the remote-sensing-based monitoring of reclamation project area by using the object-oriented image analysis technique[J].Marine Science Bulletin,2013,32(6):678-684.

[12]汪閩,萬其明,張大騫,等.光譜、形狀特征結(jié)合的多精度圖像分割算法與應(yīng)用[J].地球信息科學學報,2010,12(2):261-268. Wang M,Wan Q M,Zhang D Q,et al.Multi-resolution remotely sensed image segmentation in combination with spectral and shape features[J].Journal of Geo-Information Science,2010,12(2):261-268.

[13]Du P J,Xia J S,Zhang W,et al.Multiple classifier system for remote sensing image classification:A review[J].Sensors,2012,12(4):4764-4792.

[14]Briem G J,Benediktsson J A,Sveinsson J R.Multiple classifiers applied to multisource remote sensing data[J].IEEE Transactions on Geoscience and Remote Sensing,2002,40(10):2291-2299.

[15]國家海洋局.HY/T123-2009海域使用分類[S].北京:中國標準出版社,2009. State Oceanic Administration Peoples Republic Of China.HY/ T123-2009 Sea Area Use Classification[S].Beijing:China Standards Publishing House,2009.

(責任編輯： 李瑜)

Identification of coastal reclamation from GF-1 imagery using ensemble classification strategy

WU Junchao1,2， LI Liwei2， HU Shengwu1

(1.SchoolofSurveyingandLandInformationEngineering,HenanPolytechnicUniversity,Jiaozuo454000,China； 2.KeyLaboratoryofDigitalEarthSciences,InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences，Beijing100094，China)

The coastal reclamation is an important way for people to access marine resources. Monitoring the coastal reclamation changes is an important task in coastal zone management and coastal zone evolution study. However, the coastal reclamation feature is complex, and it is difficult for remote sensing techniques to efficiently monitor reclamation. In this paper, the authors propose an ensemble classification algorithm for identifying four categories of reclamation using GF-1 imagery. The ensemble classification is constructed based on minimum distance algorithm and 10 features from manually extracted image objects. The 10 features include four mean features of each object in the four bands of GF-1 imagery respectively, mean value of the four mean features, object size, object perimeter, external rectangular area, ratio of object area, external rectangular area, ratio of object perimeter and object area. The proposed method was extensively tested by using two GF-1 images from 2013 and 2014. The results show that the highest accuracy of single feature model is up to 82.03%, and the accuracy of spectral features based ensemble model and that of the spatial features based ensemble model are 63.28% and 87.50% respectively, and the accuracy of full feature based ensemble model is 80.47%. This study provides a useful solution for monitoring the coastal reclamation.

coastal reclamation； remote sensing； ensemble classification； object identification

10.6046/gtzyyg.2017.01.22

吳軍超，李利偉，胡圣武.基于多分類器集成的GF-1影像圍填海地物識別[J].國土資源遙感,2017,29(1):143-148.(Wu J C,Li L W,Hu S W.Identification of coastal reclamation from GF-1 imagery using ensemble classification strategy[J].Remote Sensing for Land and Resources,2017,29(1):143-148.)

2015-07-09；

2015-08-10

國家海洋局項目“基于衛(wèi)星遙感的圍填海信息自動變化檢測技術(shù)與系統(tǒng)開發(fā)”(編號： Y4H0970034)資助。

吳軍超 (1987-)，男，碩士研究生，研究方向為光學遙感圖像信息提取。Email: wujunchao.hpu@163.com。

TP 79

A

1001-070X(2017)01-0143-06