王之 劉超 劉秀菊 魯恒 蔡詩響 楊正麗

摘要：在地震這種重大自然災(zāi)害面前，快速有效地從遙感影像中提取震區(qū)土地利用信息，在災(zāi)情評估及災(zāi)后重建中發(fā)揮著重要作用。選取四川省蘆山地震災(zāi)區(qū)無人機影像為數(shù)據(jù)源，運用面向?qū)ο蟮挠跋穹治龇椒?，首先研究了多尺度分割中參?shù)的選擇，獲取了研究區(qū)最優(yōu)分割參數(shù)；然后考慮了各個“影像對象”的數(shù)字化特征值，利用改進的SEaTH算法進行特征值優(yōu)化處理；最后采用了隸屬度信息提取方法，獲得了蘆山地震災(zāi)區(qū)無人機低空遙感影像分類圖，并進行了分類精度評估，結(jié)果表明：研究區(qū)影像的分類總精度為87.5%，kappa系數(shù)為0.835。

關(guān)鍵詞：面向?qū)ο?；多尺度分割；SEaTH算法；無人機影像

中圖分類號：P315.9；TP751 文獻標識碼：A 文章編號：1000-0666（2018）02-0173-07

0 引言

我國是一個自然災(zāi)害頻發(fā)且種類繁多的國家，如何有效地獲取與監(jiān)測災(zāi)情信息、做出科學可行的應(yīng)急救災(zāi)措施，是當前研究的重點和難點。以遙感技術(shù)為主要手段來獲取多時相、多分辨率、多類型的遙感數(shù)據(jù)及遙感圖像處理技術(shù)一直以來都被應(yīng)用于各種自然災(zāi)害防治的各個環(huán)節(jié)之中（曾濤，2010）。

北京時間2013年4月20日8時2分在四川省雅安市蘆山縣（30.3°N，102.95°E）發(fā)生了7.0級地震，震中位于蘆山縣廟坪上，震源深度13km。在地震災(zāi)區(qū)通信、交通被嚴重破壞的情況下，無人機低空遙感技術(shù)成為快速獲取震區(qū)災(zāi)情信息的最佳途徑。因此快速準確地處理地震災(zāi)區(qū)遙感影像數(shù)據(jù)、對影像信息進行分類、提取出震害信息是值得深入研究的問題。本文所選研究區(qū)位于蘆山地震災(zāi)區(qū)，該區(qū)域為平原地貌，具有建筑用地、林地、道路、耕地、地震臨時安置房等典型的地物類型，分布較為均勻，該區(qū)域在高分辨率影像中具有一定的代表性。本文綜合分析獲取的地震災(zāi)區(qū)遙感影像數(shù)據(jù)，結(jié)合地震發(fā)生后實際情況及災(zāi)后應(yīng)急救災(zāi)、災(zāi)害評估及重建的實際需要，利用無人機航拍的蘆山地震震后高空間分辨率遙感影像，以面向?qū)ο笥跋穹治黾夹g(shù)對影像進行了信息提取，對建筑用地、林地、道路、耕地、地震臨時安置房等準確地進行了分類。

在面向?qū)ο蟮姆诸愡^程中，被用于分類的遙感影像特征多種多樣，如光譜特征、紋理特征、形狀特征等。隨著研究的深入，許多特征被進一步引用和演變，成為更有用的信息用以分類。與傳統(tǒng)基于面向像元的分類方法相比，面向?qū)ο蟮姆诸惙椒ú粌H充分利用影像的光譜特征和紋理特征，還將形狀特征和更多的特征運用聯(lián)系起來，充分調(diào)動起了地物的特性，也提高了分類的準確度和可分性（江華，2014）。但如果使用的特征變量太多，會帶來特征冗余，造成特征“維災(zāi)難”（鄭云云，2015）。為了解決上述問題，一些分類特征選擇方法被相繼提出，如基于遺傳算法的特征選擇選擇算法（馮莉等，2008）、基于Bayes錯誤率上界最小的特征選擇算法（張振平，2006）、基于蟻群優(yōu)化的特征選擇算法（葉志偉等，2007）、基于關(guān)聯(lián)規(guī)則的特征選擇方法（何小晨，徐守時，2002）、基于特征知識庫的遙感信息提取研究（高偉，2010）、SEaTH算法（Nussbaum etal，2006）。其中SEaTH算法是目前比較具有代表性的面向?qū)ο蟮奶卣鬟x擇方法，但是該算法僅從類間距離對特征進行評價，沒有考慮到類內(nèi)距離的影響。因此本文綜合考慮類間距離與類內(nèi)距離的綜合影響，并在利用特征進行規(guī)財分類之前，優(yōu)選特征，去除相關(guān)性大的特征，降低特征維數(shù)?；诖耍疚膶⒏倪M的SEeTH算法運用于分類規(guī)則集的自動獲取。

1 原理與方法

1.1 WaTH算法

分離閾值法（SEaTH）是由Nussbaum等（2006）提出的一種基于Jefries一Matudita距離和高斯分布混合模型的分類特征選取與閾值計算方法，本文結(jié)合SEaTH算法，運用隸屬度分類的模糊分類規(guī)則進行分類。SEaTH算法實施的主要步驟為（王賀等，2013）：

（1）樣本選擇：從分割后的影像中選取約2.5%具有代表性且空間分布均勻的典型樣本（薄樹奎，丁琳，2010），并從ecagnition Developer軟件中輸出各樣本的待選特征值。

（2）計算巴氏距離B值：式中：m1和m2表示2個類別的某特征均值，σ1和σ2表示2個類別的標準差。

（3）計算分離度J值：

J=2（1-e-B）（2）

（4）確定特征閾值：計算某特征的最佳閾值，把2個類的特征值看作高斯分布，根據(jù)該公式：

P（x）=p（x|C1）p（C1）+p（x|C2）p（C2）（3）當p（x|C1）=p（x|C2）時，2種類別之間混分最少，而此時，當對應(yīng)的特征值為x1時，類別C1和C2的分離性最好（如圖1所示），x1便可作為特征閾值T，閾值T的計算公式如（5）、（6）所示：

A=ln（σ1n2）-ln（σ2n1）（4）式中；σ1和σ2表示2個類別的某標準差，n1和n2表示2個類別的數(shù)目。

注：閾值T的計算公式有兩個，取T介于m1和m2之間作為所要的閾值。

1.2 改進的SEaTH算法

面向?qū)ο蟮姆诸惙椒ǔ浞掷昧擞跋竦墓庾V特征、紋理特征、形狀特征和更多的特征，充分調(diào)動起地物的特性，從而提高了分類的準確度和可分性。由于使用的特征變量太多，造成了過度分類，使得分類混亂。因此在基于隸屬度分類之前，先進行特征優(yōu)選，然后進行特征去相關(guān)處理，去除相關(guān)性較大的若干特征。改進的SEaTH算法實施的主要步驟為（余曉敏等，2012）：

（1）特征去相關(guān)：利用分割后的影像中具有代表性且空間分布均勻的典型樣本，根據(jù)樣本對象的特征值求出所有已選特征的自相關(guān)系數(shù)矩陣（吉小軍等，2001）。設(shè)有設(shè)有N個特征，任意特征i，j=1，2…N樣本個數(shù)為K，自相關(guān)系數(shù)矩陣用，表示，那么這N個特征的自相關(guān)系數(shù)矩陣可表示為：

iJ=1，…，N式中：xil表示特征集中第l個樣本第i個特征的值；xi表示第i特征的均值估計，

設(shè)置一個閾值依次遍歷特征值的相關(guān)系數(shù)Yij，當某特征對的相關(guān)系數(shù)Yij大于某閾值時，去掉特征對中相關(guān)性強且特征方差較小的特征，由此降低特征矩陣的維度（譚艷麗，張丕狀，2007）。本文經(jīng)過多次實驗，設(shè)定相關(guān)系數(shù)Yij的閾值為0.95。

（2）類間距離優(yōu)化特征：利用（1）中優(yōu)選的特征集，計算所有類別兩兩之間的類間距離J，并按特征值降序排列，取類間距離最大的前10個特征。

（3）特征歸一化處理：由于所選特征的數(shù)量級大小不一，因此對已優(yōu)化特征進行歸一化處理，以便下一步篩選，處理后使其大小介于0～1之間，特征歸一化公式為：式中：f為所選特征值，fmax為所選特征最大值，丈孟認所選特征最小值。

（4）類內(nèi)距離特征優(yōu)化：依次遍歷C1和C2類中的抽選樣本，并計算各個樣本與其他同類樣本某一特征值（f1，f2，…，fn）的距離，并累積求和。分別得到C1和C2類的類內(nèi)距離D1和D2。并根據(jù)樣本數(shù)目的不同，分別對C1和C2類賦予權(quán)重，求得C1和C2類的加權(quán)類內(nèi)距離D。

D=（k1d1+k2d2）/（k1+k2）（11）式中：k為所選樣本類別數(shù)，d為類內(nèi)距離。

（5）構(gòu)建分類評價準則Jf：采用類間距離和類內(nèi)距離的比值作為分類評價準則。Jf值越大，說明特征的分離性越好，反正分離性越差。Jf的公式為：

改進的SEaTH算法很大程度上的降低了特征集矩陣的維度，去除了相關(guān)性大的特征，又根據(jù)類間距離和類內(nèi)距離優(yōu)化了特征，降低了數(shù)據(jù)處理量，提高了分類效率。

1.3 精度評估

提取地物信息的準確度是我們評判分類精度的首個標準指標。精度評價指標主要分為生產(chǎn)者精度、用戶精度、總體精度和Kapps系數(shù)（牛興麗，2008）。

總體精度（overall accuracy）為：

生產(chǎn)者精度（producer's accuracy）為：

用戶精度（user's accuracy）為：

Kappa分析可以用于比較2個分類器的誤差矩陣是否具有顯著差別，產(chǎn)生的評價指標被稱為K統(tǒng)計值，其計算公式為：式中：n為無人機遙感影像總樣本數(shù)，k為總的分類類別；

nij為在影像中被分為i類而在參考類別中屬于j類的樣本數(shù)目；ni+為被分為i類的樣本數(shù)目：ni+=∑nij（j=1，…，k）：n+j為參考類別為j的樣本數(shù)目：n+j=∑nij（i=1，…，k）。

2 實驗結(jié)果與分析

2.1 蘆山地震無人機低空遙感影像最優(yōu)尺度確定

eCognition軟件支持多個分割方法，針對不同的分割影像，選擇合適的分割方法是有必要的。多尺度分割技術(shù)是eCognition軟件中較為常用的一種分割方法，它在生成影像對象的過程中抽象化了高分辨率影像信息，把高分辨率像元的信息用分割后的影像與多邊形屬性進行存儲，盡量減少影像細節(jié)信息的損失，把影像分割成具有具體意義的影像對象（杜柯磊等，2016；丁曉英，2015）?；谠歼b感影像的情況配置合適的多尺度分割參數(shù)（Scale pa-rameter）、形狀參數(shù)（shape）、緊致度參數(shù)（com-pactness），從而得到地物分割的最小單元（Lu，etal，2011；宋楊等，2012）。

以控制變量法來確定多尺度分割的最佳參數(shù)。將多尺度分割參數(shù)設(shè)為n，從100開始取值，以20為步長，直到取到200，然后選出最合適的分割尺度參數(shù)。形狀參數(shù)先取為0.7，緊致度參數(shù)取為0.3。通過對地類的“破碎度”和“淹沒度”進行評估，得到最優(yōu)分割尺度參數(shù)為160；將形狀參數(shù)設(shè)為m，從0.4開始取值，以0.1為步長，直到取到0.7，然后選出最合適的形狀參數(shù)。多尺度分割參數(shù)取為160，緊致度參數(shù)暫取為0.3。通過目視定性評估，得到最優(yōu)形狀參數(shù)為0.6；將形狀參數(shù)設(shè)為q，從0.1開始取值，以0.1為步長，直到取到0.4，然后選出最合適的緊致度參數(shù)。多尺度分割參數(shù)取為160，形狀參數(shù)取為0.6。通過目視定性評估，得到最優(yōu)緊致度參數(shù)為0.3。

由此本文確定出蘆山地震無人機遙感影像最佳尺度，如表1所示。

不同分割參數(shù)的分割結(jié)果如圖2所示，其中圖2d為最優(yōu)分割參數(shù)分割結(jié)果。

2.2 基于改進的SEaTH算法的地物分類

由2.1節(jié)分析可知，實驗組蘆山地震無人機遙感影像選擇的最優(yōu)分割尺度為：多尺度分割參數(shù)為160、形狀參數(shù)為0.6、緊致度參數(shù)為0.3，分割對象共1494個。從分割后的影像中選取約2.5%具有代表性且空間分布均勻的典型樣本，地物類型分別為：建筑用地（6個）、地震臨時安置房（6個）、耕地（8個）、林地（8個）、道路（5個）、未利用土地（5個）。

在eCognition軟件里提取了各種地物類型的樣本，并選取影像對象的常用特征共計71個，其中光譜信息方面：亮度（brightness），層1（layer1），層2（layer 2），層1（layer 3），混合差異值（max diff），層1標準差（sdt layer 1），層2標準差（sdt layer 2），層3標準差（sdt layer 3）：形狀信息方面：區(qū)域（Area Pxl），邊界長度（Borderlength），長度（length pxl），長/深度（length/thickness），長寬比（length/width），的像素點數(shù)目（Number of pixel），圖像邊界的真實邊界（Rel.border to image Border），厚度（volume pxl），寬度（width pxl），非對稱性（Asymmetry），邊界指數(shù)（Border index）緊致度（Compactness），密度（Density），橢圓擬合度（Eliptic Fit），主方向（Main direction），最大封閉橢圓半徑（Radius oflargest enclosed elipse），最小封閉橢圓半徑（Radi-us of smallest enclosed elipse），矩形擬合度（Rec-tangular Fit），圓度（Roundness），形狀指數(shù)（Shape index）：紋理信息方面：灰度共生矩陣均質(zhì)度（GLCM Homogeneity），灰度共生矩陣對比度（GLCM Contrast），灰度共生矩陣不相似度（GLCMDissimilarity），灰度共生矩陣熵（GLCM Entropy），灰度共生矩陣值（GLCM mean），灰度共生矩陣標準差（GLCM stdDev），灰度差分矢量對比度（GLDV Contrast），灰度差分矢量嫡（GLDV Entro-py），灰度差分矢量值（GLDV mean）等（王文宇，李博，2006）。

對特征進行輸出，共有71個原始特征。通過特征相關(guān)系數(shù)矩陣閾值判定，對原特征矩陣進行優(yōu)化，得到一個10維的特征子集：1、2、3波段均值，亮度，形狀指數(shù)，長寬比，1、2、3波段GLCM均值、混合差異值。利用類間距離和類內(nèi)距離進行優(yōu)化，得到一個5維的特征子集：3波段均值，形狀指數(shù)，亮度，長寬比，2波段GLCM均值。原始無人機遙感影像以及最終得分類結(jié)果如圖3所示。

2.3 實驗精度評估

根據(jù)1.3節(jié)所述原理，首先繪制與實驗影像面積相同的20×20規(guī)則網(wǎng)格，然后在每個網(wǎng)格中隨機生成10個隨機點，最后通過目視解譯獲得每個隨機驗證點的土地利用類型。得到了共計有48個有效驗證點。經(jīng)過計算可得，本文方法分類的總體精度為87.5%，Kappa系數(shù)為0.835。具體結(jié)果如表2所示。

3 結(jié)論

本文研究了一種基于改進SEaTH算法的蘆山地震無人機遙感影像信息分類制圖方法，取得了較為滿意的分類結(jié)果。地震后獲取的高分辨率遙感影像紋理、光譜特征豐富，改進的SEaTH算法在傳統(tǒng)SEaTH算法的基礎(chǔ)上引入了特征之間去相關(guān)處理，并綜合考慮了類內(nèi)距離與類間距離的共同影響，還構(gòu)建了以類間距離為主、類內(nèi)距離為輔的新的特征篩選指標，較大地提高了震區(qū)土地利用信息的分類效率和精度。為抗震救災(zāi)全面準確地掌握、評估災(zāi)情，進而為采取有效的救災(zāi)措施和災(zāi)后重建提供了可靠的空間數(shù)據(jù)支撐。還需進一步研究更好的特征優(yōu)選去相關(guān)方法，還可研究地類信息提取順序?qū)Ψ诸惥鹊挠绊憽?/p>

參考文獻：

薄樹奎，丁琳.2010.訓練樣本數(shù)目選擇對面向?qū)ο笥跋穹诸惙椒ň鹊挠绊慬J].中國圖象圖形學報，15（7）：1106-1111.

丁曉英.2005.eCogoition在土地利用項目中的應(yīng)用[J].測繪與空間地理信息，28（6）：116-117.

杜珂磊，唐斌，李佳.2016.基于eCognition的玉樹結(jié)古鎮(zhèn)災(zāi)情動態(tài)監(jiān)測研究[J].測繪與空間地理信息，39（2）：31-35.

馮莉，李滿春，李飛雪，2008.基于遺傳算法的遙感圖像紋理特征選 擇[J].南京大學學報（自然科學），44（3）：310-319.

高偉.2010.基于特征知識庫的遙感信息提取技術(shù)研究[D].武漢：中國地質(zhì)大學（武漢）.

何小晨，徐守時.2002.基于關(guān)聯(lián)規(guī)則的特征選擇方法[J].紅外與激光工程，31（6）：504-507.

吉小軍，李世中，李霆，2001.相關(guān)分析在特征選擇中的應(yīng)用[J].測試技術(shù)學報，15（1）：15-18.

江華.2014.基于eCognition面向?qū)ο蠹夹g(shù)的高分辨率遙感影像土地利用分類——以福州瑯岐島為例[J].海峽科學，（8）：12-17.

牛興麗.2008.面向城市應(yīng)用的高分辨率圖像分類[D].青島：山東科技大學.

宋楊，李長輝，林鴻.2012.面向?qū)ο蟮膃cognition遙感影像分類識別技術(shù)應(yīng)用[J].地理空間信息，10（2）：64-66.

譚艷麗 張丕狀.2007.基于自適應(yīng)閾值的小波圖像去噪法研究[J].電腦知識與技術(shù)，2（12）：212-213.

王賀，陳勁松，余曉敏.2013.面向?qū)ο蠓诸愄卣鲀?yōu)化選取方法及其應(yīng)用.遙感學報，17（4）：816-829.

王文宇，李博.2006.基于eCogniton的高分辨率遙感圖像的自動識別分類技術(shù)[J].北京建筑工程學院學報，22（4）：26-29.

葉志偉，鄭肇葆，萬幼川，等.2007.基于蟻群優(yōu)化的特征選擇新方法.武漢大學學報（信息科學版），32（12）：1127-1130.

余曉敏，湛飛并，廖明生，等.2012.利用改進SEaTH算法的面向?qū)ο蠓诸愄卣鬟x擇方法[J].武漢大學學報（信息科學版），37（8）：921-924.

曾濤.2010.汶川地震重災(zāi)區(qū)多源影像處理及震害信息提取方法研究[D].成都：成都理工大學，1-3.

張振平，2006.基于Bayes錯誤率上界最小的特征選擇算法的研究[D].上海：同濟大學.

鄭云云.2015.高分辨率影像對象變化檢測關(guān)鍵技術(shù)研究[D].重慶：重慶大學，47-50.

LU P，Stumpf A，Kerle N，et al.2011.Object-oriented Change Detectionfor Landslide RapidMapping[J].IEEE Geoscience and RemoteSensing Letters，8（4）：701-705：

Nussbaum S，Niemeyet I，Canty M J.2006.SEaTH-a new tool forauto-mated feature extraction in the context of object-based image analy-sis[C]//Proceedings of the 1st International Conference on Object-basedImage Analysis.Austria：Salzburg University.