劉祖瑾， 楊 玲， 段琳琳， 龔嬌嬌， 喬賢賢

(河南大學環(huán)境與規(guī)劃學院，河南開封 475004)

近年來，高分辨率遙感影像技術(shù)的空前發(fā)展對快速準確的高分辨率影像分析技術(shù)提出了新的要求，加上地理信息行業(yè)要求的即插即用數(shù)據(jù)更新技術(shù)，兩者共同構(gòu)成了面向?qū)ο蠓治龇椒óa(chǎn)生的市場條件。面向?qū)ο蠓诸惙椒ㄔ谥脖环诸愔幸驯粡V泛運用。其中，面向?qū)ο笞钪匾奶攸c就是分類的最小單元由影像分割得到同質(zhì)影像對象(圖斑)，而不是單個像素。因此，面向?qū)ο蠓诸惙椒苡行Ы鉀Q同物異譜、異物同譜、混合像元等問題，提高分類精度。在面向?qū)ο蠓诸悤r重點是要解決遙感影像分割問題，而規(guī)則分類法是面向?qū)ο蠓诸惙椒ㄖ械囊粋€重點和難點。規(guī)則分類法[1]在高分辨率遙感影像處理與分析中已越來越受到研究者的關(guān)注，通過規(guī)則分類法，可以將植被從影像中提取出來。韋雪花通過對提取的特征屬性進行定性分析，建立了分類規(guī)則集，實現(xiàn)了規(guī)則分類單木冠幅提取，其單木冠幅估測精度為72%[2]；王偉選取最優(yōu)分割尺度和最優(yōu)分類指標進行面向?qū)ο蠓诸愄崛≡囼?，分類總體精度達到93.7%，Kappa系數(shù)為85.8%[3]；樊江川采用基于像元及面向?qū)ο蟮姆椒?，并結(jié)合地物的光譜、紋理及形狀特征進行規(guī)則分類，得到森林參數(shù)，測量單木冠幅精確達到94.31%[4]；張凝等結(jié)合航空影像紋理和光譜特征，利用規(guī)則分類提取單木冠幅精度為90.05%[5]。

上述研究雖是基于規(guī)則分類，其結(jié)果都取得了較好的分類精度，但大部分是直接借助于知識庫或定性分析建立分類規(guī)則集，極少用定量的分析法對大量的特征進行優(yōu)選，使特征存在冗余，從而導(dǎo)致產(chǎn)生類別錯分以及運算時間較長的問題。而且分類特征約簡也是目前亟待解決的主要問題之一。

針對上述特征冗余問題，王婧等基于粗糙集理論進行對象特征的屬性約簡，約簡出最能代表樹種分類的特征參數(shù)，結(jié)果將34個特征約簡為13個，其分類精度達到80.45%[6]；陳杰等在對光譜特征的初步分類結(jié)果基礎(chǔ)上，結(jié)合粗糙集理論約簡的紋理特征進行規(guī)則分類，分類總體精度達到92.07%，Kappa系數(shù)為90.75%[7]。而在上述研究的分類特征約簡過程中，對連續(xù)屬性進行離散化時使用的是粗糙集軟件Rosetta中自帶的離散方法，這些方法存在較大的時間復(fù)雜度和空間復(fù)雜度缺點，容易產(chǎn)生過多的斷點以及陷入局部最優(yōu)等問題。離散化后的數(shù)據(jù)集將會降低系統(tǒng)冗余以及機器學習算法的運行效率，提高分類精度[8]。因而，對數(shù)據(jù)集合中的連續(xù)屬性值進行離散化以及離散化方法的研究都具有重要意義[9]。

為解決由于“同譜異物、異譜同物”而造成的地類難以劃分的現(xiàn)象，遙感影像的地物分類提取不僅需要光譜信息，而且需要紋理等信息作為輔助。己有的研究證明，紋理信息可有效提高地物的分類精度，當遙感影像像元大小在25 m以下時，同時應(yīng)用光譜信息和紋理信息進行植被分類時獲得的精度結(jié)果要明顯高于采用任何一種單一信息分類的結(jié)果。因此，在基于遙感影像的植被提取中，光譜-紋理信息可作為提高分類精度必不可少的要素。

針對上述問題，本研究結(jié)合影像的光譜-紋理及植被的歸一化植被指數(shù)(normalized difference vegetation index，簡稱NDVI)特征，并引入粗糙集理論與廣泛用于數(shù)據(jù)挖掘的FCM(模糊C-均值，F(xiàn)uzzy C-Mean)聚類算法來約簡分類特征，建立植被分類規(guī)則集，以解決特征冗余問題，達到降低錯分率、縮短分類執(zhí)行時間及提高分類精度的目的。

本研究的主要思路：首先，提取特征參數(shù)，計算影像的紋理特征和光譜特征，用于區(qū)分植被和非植被，再將提取的不同地物的光譜特征和紋理特征及類別構(gòu)成決策表；然后，利用模糊C-均值(fuzzy C-mean，簡稱FCM)算法對決策表進行離散化，運用粗糙集理論對離散化后的決策表進行特征約簡，其結(jié)果精度以支持向量機(support vector machine，簡稱SVM)分類器進行評估檢驗，實現(xiàn)規(guī)則分類提取時特征向量的優(yōu)選；最后，完成植被規(guī)則分類。采用FCM算法與粗糙集理論對無人機遙感影像進行林木分類提取的主要技術(shù)路線如圖1所示。

1 提取光譜-紋理特征參數(shù)

1.1 計算影像紋理特征

對于所獲取的無人機影像數(shù)據(jù)，計算其多光譜影像對應(yīng)的紅(red，簡稱R)、綠(green，簡稱G)、藍(blue，簡稱B)3個波段內(nèi)的均值(Mean)、方差(Variance)、信息熵(Entropy)、二階矩(Second Moment)、對比度(Contrast)、均一性(Homogeneity)、相關(guān)性(Correlation)及相異性(Dissimilarity)8個紋理因子，這些紋理因子對于影像中植被與非植被的區(qū)分具有重大影響。通過計算，可以得到24個紋理特征圖層。

1.2 提取不同地物的光譜-紋理特征

1.2.1 網(wǎng)格法采樣 選取ArcGIS中漁網(wǎng)法設(shè)置80×80的網(wǎng)格，采用人工選取的方式均勻采樣，根據(jù)實地考察結(jié)果以及分析影像中研究區(qū)覆蓋范圍內(nèi)包含的地類，將地物劃分為林木、裸地、草地、道路以及其他五大類。在研究區(qū)覆蓋范圍內(nèi)，盡可能均勻地選擇每個不同類別的樣點，其中林木樣點322個，裸地樣點107個，草地樣點253個，道路樣點275個，其他樣點183個，共選取1 140個樣點，樣點分布如圖2所示。

1.2.2 提取光譜-紋理特征值向量 在確定了地物樣點后，將24個紋理特征圖層導(dǎo)入ArcGIS中，利用ArcGIS中的Sample功能提取不同地物各個樣點的光譜及紋理特征值。提取的3個光譜特征向量分別用x1、x2、x3表示， 紋理特征分別用y1、y2、…、y24表示，分類類別用classes表示。表1列出了部分樣點的光譜和紋理特征值。由于上述樣本特征的取值范圍不同，其特征之間沒有可比性，為此筆者對特征向量作歸一化處理，歸一化公式如下：

(1)

式中：xmax和xmin分別為特征值的最大值和最小值，將特征數(shù)據(jù)歸一化到0～1。

2 分類特征優(yōu)選

隨著計算機技術(shù)和網(wǎng)絡(luò)信息技術(shù)的迅速發(fā)展，使各類數(shù)據(jù)集呈現(xiàn)爆炸式的增長，從大數(shù)據(jù)中去除冗余，以及準確獲取其內(nèi)在的相似關(guān)系，成為當今研究的熱點之一[10]。由波蘭數(shù)學家Pawlak于1982年提出的粗糙集理論是一種解決不完整性和不確定性問題的新型數(shù)學工具[11]，并已被成功應(yīng)用于數(shù)據(jù)挖掘、特征選擇、模式識別等領(lǐng)域[12-13]，其基本思想是在維持決策表分類和決策能力不變的情況下，通過知識約簡導(dǎo)出問題的決策或分類規(guī)則。

2.1 分類特征的FCM算法離散化

由于粗糙集理論要求樣本數(shù)據(jù)的屬性值為離散型，而決策表中數(shù)據(jù)的屬性值是連續(xù)型的，因此需要對決策表進行離散化處理[14]。粗糙集離散化算法主要有Equal Frequency、Scale Entropy/MDL Scale、Na?ve Scale、Semi Na?ve Scale和FCM等[15]。其中，F(xiàn)CM算法是依據(jù)對象之間的相似程度，將對象聚合成有限的幾個類別，是一種廣泛適用于數(shù)據(jù)挖掘的方法。目前，已經(jīng)有在粗糙集約簡中引用FCM離散方法的報道，并取得了較好的效果[16-17]。

聚類算法FCM最初是由Dumm提出的[18]，但其發(fā)展和推廣是由Bezdek等完成的[19]。FCM模糊聚類算法是一種迭代優(yōu)化算法[20]，可以描述為最小化指標函數(shù)。

設(shè)集合X={xi,i=1,2,…,N|xi∈Rn}是特征空間Rn上的1個有限數(shù)據(jù)集，F(xiàn)CM算法的目標函數(shù)如下[21]：

(2)

表1 部分樣點地物光譜及紋理特征值

式中：c為聚類的類數(shù)，且2≤c≤N；m為模糊加權(quán)指數(shù)，且 1

使目標函數(shù)J最小的迭代優(yōu)化算法如下：

步驟1：確定參數(shù)，包括聚類數(shù)c、模糊加權(quán)指數(shù)m、迭代終止閾值ε以及初始化聚類中心矩陣V。

步驟2：按下式，用當前聚類中心計算隸屬度函數(shù)：

(3)

步驟3：按下式，用當前隸屬度函數(shù)更新各類聚類中心：

(4)

步驟4：如果‖V(n+1)-V(n)‖<ε，

(5)

則算法終止，否則n=n+1，轉(zhuǎn)到步驟3。

因此，本研究引入FCM算法對原始數(shù)據(jù)集進行聚類離散化，根據(jù)聚類結(jié)果中的模糊隸屬度矩陣確定的相似關(guān)系，得到離散化后的決策表(表2)。

2.2 特征約簡

特征約簡的目的主要是在保持分類能力不變的前提下，約去多余的屬性，最大限度地降低系統(tǒng)冗余[16]。目前，特征約簡的計算方法有多種，如動態(tài)約簡法[22]、Genetic算法[23]以及Johnson’s算法[24]等，本研究選擇Johnson算法對條件屬性進行約簡。得到最小條件屬性集為{R、G、R_variance、Rhomogeneity、R_contrast、G_homogeneity、G_variance、B_variance、B_homogeneity、B_second_moment}，即R和G波段的光譜，R分量的方差、均一性和對比度，G分量的均一性、方差以及B分量的方差、 均一性和二階矩。經(jīng)過粗糙集特征約簡處理后，去除其中的冗余條件屬性，決策表中的條件屬性從27個精簡為10個。

表2 部分離散化決策表

2.3 SVM評估測試

為了驗證最小條件屬性約簡結(jié)果，本研究基于Matlab平臺用Libsvm線性核函數(shù)進行評估驗證。運用約簡的最小條件屬性集對測試樣本集進行評估檢驗，由表3可知，利用粗糙集理論規(guī)則約簡后的結(jié)果評估識別正確率為89.29%，比無規(guī)則約簡結(jié)果提高9.89百分點。

表3 評估檢驗結(jié)果

從測試結(jié)果可以看出，通過FCM算法離散化和粗糙集特征約簡，使得分類準確率有較大程度的提高，采用粗糙集和FCM算法相結(jié)合的方法進行特征約簡具有一定的優(yōu)越性。

3 規(guī)則分類

3.1 影像分割

遙感影像多尺度分割技術(shù)中的難點問題是最優(yōu)分割尺度的選擇。最優(yōu)尺度的確定直接影響到后續(xù)圖像的信息提取與分析，因此確定最優(yōu)的分割尺度對地物提取是至關(guān)重要的。以eCognition Developer遙感軟件為試驗平臺，進行無人機影像林木提取研究。具體方法如下：將加權(quán)均值方差、加權(quán)均值方差變化率和最大面積相結(jié)合，即將加權(quán)均值法以及均值方差變化率確定的最優(yōu)尺度對應(yīng)到最大面積曲線階梯平臺中，結(jié)合加權(quán)均值確定的最優(yōu)分割尺度與最大面積法確定的最優(yōu)尺度范圍，確定最終分割尺度區(qū)間。每個平臺都對應(yīng)某種地物相應(yīng)的分割尺度范圍。

通過此方法最后得出遙感影像最優(yōu)分割尺度為44，即當分割尺度為44時，研究區(qū)域整體分割效果最好，而且林木分割邊緣較完整。 利用上述方法選取影像最優(yōu)分割尺度，可有效避免人為確定分割尺度的主觀性和低效性，提高工作效率。由圖3可以看出，當分割尺度為30 時，對象分割過于破碎，不利于分類，如圖3-a中紅色標注部分是將1個樹冠分割成5個對象，而綠色標注部分為正確分割的樹冠；當分割尺度為70時，分割不完整，出現(xiàn)1個對象包含多種地物或同種地物被分割成1個對象的現(xiàn)象，如圖3-c中紅色標注部分將5個樹冠分割成1個對象，綠色標注部分是1個分割對象包含了2種地物；分割尺度為44的結(jié)果相對兼顧了研究區(qū)各種地物的局部細節(jié)以及空間分布特征，分割效果較好，如圖3-b中紅色和綠色標注部分，都被分割成相互獨立的個體，極個別區(qū)域存在2個樹冠被分割成1個對象的現(xiàn)象，如藍色標注部分。3種分割尺度相比較可知，分割尺度為44時分割效果最好。

3.2 分類規(guī)則集的建立

多尺度分割遙感影像后，具有高度復(fù)雜和差異的地物需要利用多種提取知識進行識別提取[25]。首先，建立層次結(jié)構(gòu)體系[26]。通過層次間的傳遞，使得層次之間具有繼承關(guān)系，組成復(fù)雜的規(guī)則知識網(wǎng)絡(luò)結(jié)構(gòu)，實現(xiàn)不同地物的高效和準確分類[27]。根據(jù)對不同地物的知識分析和特征挖掘，將研究區(qū)地物按VI′規(guī)則分為植被與非植被，再將植被細分為草地和林木，將非植被分為裸地、道路和其他。其次，建立分類規(guī)則集。利用提取影像中不同地物的光譜和紋理特征值，結(jié)合“2.2節(jié)”中約簡的特征組合，建立分類規(guī)則集(圖4)。

4 分類結(jié)果及分析

本試驗采用無人機遙感影像，無人機型號為AVIAN -PUAS，是彈射型固定翼無人機，無人機搭載的相機型號是SONYILCE-7R，焦距為35.626 8 mm，采集影像時相對航高為280 m，影像航向重疊度為81%，旁向重疊度為43%，影像地面分辨率為0.05 m。數(shù)據(jù)影像拍攝于2014年10月4日，天氣晴朗。試驗采用的影像經(jīng)過預(yù)處理，使用eCognition Developer遙感軟件與Matlab作為試驗平臺對預(yù)處理后的無人機影像進行植被分類提取分析。

4.1 結(jié)果與分析

由“3.2”節(jié)中構(gòu)建的分類規(guī)則集獲得分類結(jié)果，圖5-b中，綠色區(qū)域為林木，深綠色區(qū)域為草地，黃色區(qū)域為裸地，灰色區(qū)域為道路，紅色區(qū)域為其他。采用基于樣本的評價方法對本研究方法的分類結(jié)果進行精度評價，計算分類結(jié)果的混淆矩陣如表4所示。其中，用戶精度(user’s accuracy，簡稱UA)是描述地物對象被正確地分到對應(yīng)地類中的比率；生產(chǎn)者精度(producer’s accuracy，簡稱PA)是描述某類分類中，其中確實屬于該地類的對象數(shù)占總數(shù)的比例；分類精度(accuracy)是表示分類結(jié)果總體準確性的指標；Kappa系數(shù)是描述整幅影像的分類精度。一般情況下，認為Kappa系數(shù)可以更準確地描述全局的分類精度。

表4 本研究方法分類結(jié)果精度評價

總體上看，規(guī)則分類取得了較好的分類效果。與原始圖像相比，可以看出圖中有一部分草地區(qū)域被分類成林木區(qū)域，降低了其總體分類精度；道路類別存在極個別的錯分和漏分現(xiàn)象，情況不太嚴重；裸地和其他2個類別存在較嚴重的錯分現(xiàn)象，較大程度地影響了分類精度。

表4為規(guī)則分類模型方法對無人機數(shù)據(jù)集分類結(jié)果的混淆矩陣，每行的數(shù)值代表此類別樣本被正確或錯誤分類的樣本數(shù)。由表4可以看出，分類總體精度為91.94%，Kappa系數(shù)為84.20%，分類精度較好，能夠滿足林業(yè)需求。林木的用戶精度為92.53%，雖然植被與非植被的光譜特征相似，但是加入多尺度紋理特征和VI′(一般用VI′來計算獲得RGB影像的植被指數(shù))后，使其與另外2種地物得到了較好的區(qū)分。草地雖然與部分林木光譜特征相似，且存在一定的混合分布，但通過紋理特征得到了較好的區(qū)分，用戶精度為 93.16%。

4.2 與其他方法比較分析

將本研究方法與文獻[6]、[2]中的方法進行林木提取結(jié)果比較，選取3種分類方法的分類精度和Kappa系數(shù)對比，由表5可知，本研究分類方法的總體分類精度和Kappa系數(shù)優(yōu)于其他2種方法，是由于本研究采用基于FCM聚類算法的粗糙集理論進行特征約簡，消除了特征冗余，并優(yōu)選出合適的、分類精度更高的分類特征，降低了錯分率。

表5 3種方法比較分析結(jié)果

5 結(jié)論

本研究結(jié)合無人機影像的光譜特征和紋理特征，利用FCM聚類算法與粗糙集理論進行特征約簡，減少了特征冗余，實現(xiàn)了林木提取特征向量的優(yōu)選，完成了林木規(guī)則分類提取，并將其結(jié)果與其他分類方法進行比較。最后，比較和分析了3種不同分類方法的分類效果和分類精度，結(jié)果表明，本方法的分類效果較好，解決了降低錯分率和有效降低混合像元等問題，并很好地表達了影像上真實林木特征信息。遙感分類規(guī)則能清晰地描述地物分類中的復(fù)雜關(guān)系，能夠改善分類效果。同時，本方法也存在一些問題，其分類規(guī)則集不具有通用性。