黃惠， 鄭雄偉， 孫根云， 郝艷玲， 張愛竹， 容俊， 馬紅章

(1.中國石油大學(華東)地球科學與技術學院,青島 266580； 2.青島海洋國家實驗室海洋礦產資源評價與探測技術功能實驗室,青島 266071； 3.中國自然資源航空物探遙感中心，北京 100083； 4.中國石油大學(華東)理學院,青島 266580)

0 引言

震后災情快速評估對應急指揮、救援決策具有極其重要的意義[1]。常規(guī)的人工實地勘測方式受人力物力的限制，難以滿足宏觀、快速的檢測需求[2]。高空間分辨率遙感影像蘊含著豐富的空間細節(jié)信息[3]，基于其分類結果來快速識別和提取震害目標，已在震災評估方面得到了廣泛的應用[4-6]。震害影像分類方法中，面向對象分類方法以分割區(qū)域代替像元作為研究對象，避免了粒度過小的問題，同時能夠更加充分地挖掘影像的光譜、紋理、形狀和上下文等信息，在高空間分辨率遙感震害影像分類和目標地物提取中展現(xiàn)了獨特的優(yōu)勢[5]。

面向對象分類中一個關鍵問題是影像分割對象的特征描述。針對高空間分辨率遙感影像紋理特征豐富這一特點，研究者提出了許多空間紋理特征描述方法，如RIU-LBP等[7-8]，在一般的高空間分辨率遙感影像分析中起到了良好的效果。但由于地表遭到嚴重破壞，高空間分辨率震害遙感影像紋理的隨機性和不規(guī)則性更強，不同地物之間往往呈現(xiàn)很高的相似性，傳統(tǒng)的紋理描述方法很難直接應用到高空間分辨率震害遙感影像。分形理論在探索空間結構、描述復雜問題及不規(guī)則現(xiàn)象方面展現(xiàn)了極大的優(yōu)勢[9-11]，已經在遙感影像紋理分析等方面得到了有效應用[12-13]，但將其運用到震害影像的研究中還比較少。本文針對震害地物的特點，利用分形理論對其進行特征描述，探索其在震害遙感影像分析中的應用效果。面向對象分類方法的另一個關鍵問題是分類方法的選取，常用的分類方法有最小距離分類、模糊分類及支持向量機(support vector machine，SVM)等監(jiān)督分類方法，但是實際震害往往覆蓋范圍廣，而且震害場景復雜多樣，訓練樣本的選取不但費時費力，而且選取精度受主觀因素的影響，不能滿足實際的生產要求。自組織特征映射神經網絡(self-organizing map，SOM)具有極強的非線性映射能力，能夠通過自學習的方式從復雜數(shù)據(jù)中提取出一般規(guī)律，且不需要訓練樣本數(shù)據(jù)，在遙感影像地物分類中獲得了廣泛應用[14-16]。但是，SOM只能反映底層數(shù)據(jù)特征，并不能自動決策分類數(shù)目。Ilc等[17]根據(jù)引力原理，在此基礎上對其進行了改進，提出了引力自組織神經網絡(gravitational self-organizing map，gSOM)，從而提高了SOM自動處理的能力。

本文綜合分形紋理和gSOM的優(yōu)勢，采用面向對象的思想，構建了一套高空間分辨率震害影像面向對象分類方法，以期在不建立特征規(guī)則的條件下自動、快速地完成震害影像地物分類。

1 震害影像面向對象分類

1.1 引力自組織神經網絡

gSOM是Ilc等[17]結合SOM和引力算法提出的一種非監(jiān)督神經網絡。gSOM將聚類過程分成2個步驟：

1)SOM訓練得到獲勝神經元。SOM進行訓練時，輸入待分類數(shù)據(jù)的特征向量作為網絡輸入信號，通過網絡中神經元競爭學習得到獲勝神經元，實現(xiàn)對輸入信號的響應，此時為了充分反映數(shù)據(jù)的內部關系，獲勝神經元數(shù)要大于待分類數(shù)據(jù)的類別數(shù)。

2)獲勝神經元被視為活動質量粒子并在鄰近引力下聚類。SOM訓練后，獲勝神經元作為輸入信號的代表，呈現(xiàn)出拓撲有序的特點，因此可根據(jù)獲勝神經元之間已知的鄰接關系，考慮相互之間的引力，最終完成聚類。

1.2 輸入向量的構建

1.2.1 初始過分割

SOM神經網絡的輸入信號對分類結果起到至關重要的作用。震害影像范圍廣、數(shù)據(jù)量大，局部特征復雜，直接對SOM進行分類訓練，不僅訓練時間較長，而且分類結果可能出現(xiàn)嚴重的碎斑現(xiàn)象。從減少網絡訓練時間和保存震害目標的完整性考慮，本文采用面向對象的思想，首先對影像進行初始分割，得到均質的分割區(qū)域，然后將區(qū)域對象作為處理單元。這樣，一方面可以減少神經網絡輸入的數(shù)據(jù)量，從而大大減少訓練時間； 另一方面還可以綜合考慮區(qū)域對象的紋理和光譜特征，提高分類結果。均值漂移(mean shift，MS)[18]作為一種迭代的非參數(shù)聚類方法，對影像的初始分割具有良好的穩(wěn)健性，在高空間分辨率影像分割中得到了廣泛應用[19-20]。因此，本文首先利用MS方法對震害影像進行初始過分割，參數(shù)的設置根據(jù)文獻[21]的建議，值域帶寬設置為6，最小區(qū)域大小設置為20。

1.2.2 分割區(qū)域分形紋理特征的提取

得到分割區(qū)域之后，需要在此基礎上提取區(qū)域的特征向量作為SOM的輸入信號。在地震以及滑坡、泥石流等次生地質災害發(fā)生后，地表區(qū)域呈現(xiàn)出明顯的不規(guī)則、支離破碎的特征。分形維數(shù)[22](簡稱“分維”)是對非光滑、不規(guī)則、形態(tài)破碎等極其復雜的分形體進行定量刻畫的有效參數(shù)，因此本文通過計算分維數(shù)來定量抽取出震害影像的紋理信息。

本文利用盒子維模型計算震害影像的分維數(shù)。對于一幅灰度圖像M×N，像素點的平面坐標與其對應的灰度值I構成一個灰度曲面。利用一個尺度l將圖像分成l×l×g的盒子，其中g表示按尺度l劃分的盒子總數(shù)目，nl為g中包含像素點的盒子數(shù)目，改變l的大小得到不同的nl，則圖像的分形維數(shù)FD為

(1)

在實驗中，采用9像元×9像元大小的窗口，因此對應l值從9到3，間隔值為1進行變化，得到nl值計算的分形值。然而，利用上述分形維數(shù)計算方法，一幅影像只能得到一個分形維數(shù)值。為了得到每個像元的分形維數(shù)，本文采用滑動窗口，從左到右、從上到下遍歷影像中所有的像元并計算其分形維數(shù)IFD。

影像的分形紋理可通過分數(shù)維加以度量。傳統(tǒng)方法通過計算分割區(qū)域分形維數(shù)的均值或者方差判斷區(qū)域的分形屬性，其缺點在于自然界很多視覺上差別很大的紋理，其分數(shù)維近似相同[23]，僅以分數(shù)維為特征，很難達到良好的分類效果?？紤]到影像的二階統(tǒng)計特征能夠從更精細的角度區(qū)分影像的2種不同的紋理[24]，因此為了增大震害地物的可分性，本文以得到的分形維數(shù)圖像為基礎，統(tǒng)計其在分割區(qū)域的二階統(tǒng)計量作為區(qū)域的紋理特征。其中，二階統(tǒng)計量共計8維特征，具體包括2類： ①描述分割區(qū)域對象反差性的特征，包括對比度(contrast, CON)、相異性(dissimilarity, DIS)和空隙度(lacunarity, L)； ②描述區(qū)域對象的有序性的特征，包括角二階矩(angular second moment, ASM)、熵(entropy, ENT)、同質性(homogeneity, HOM)、偏斜度(skewness, S)和逆差距(inverse difference moment, IDM)。具體如表1所示。

表1 分形紋理特征公式及含義Tab.1 Formulas and meanings of fractal texture features

上述二階紋理統(tǒng)計量較為全面地反映了過分割區(qū)域的全局空間特征，為了進一步反映震害對象的局部特征，本文進一步結合原始影像的光譜特征，構建了全局-局部特征描述子。其中，光譜特征采用原始影像R，G，B每一個波段的均值和方差共6維特征作為過分割區(qū)域的光譜特征向量。

1.3 SOM訓練

SOM神經網絡是一種基于聚類思想的無監(jiān)督分類算法，包括輸入層和競爭層2層結構。在對SOM進行訓練時，輸入層的各神經元通過權向量將外界信息匯集到輸出層的各神經元，其節(jié)點數(shù)與輸入數(shù)據(jù)的維數(shù)相同。競爭層的神經元節(jié)點通過競爭來獲取對輸入數(shù)據(jù)的響應機會，最后僅剩一個輸出最大的神經元成為獲勝神經元，并根據(jù)輸入層樣本特征之間的距離，動態(tài)調整與獲勝神經元有關的各連接權值。

網絡的訓練過程為：

1)初始化。包括初始化p個輸入節(jié)點到q個輸出節(jié)點的權值及設置、初始鄰域的大小等。

2)輸入信號。

(2)

(3)

式中hi,i(x)(t)為t時刻高斯鄰域函數(shù)，隨著時間單調遞減。

5)返回步驟2)。

1.4 引力聚類

(4)

(5)

SOM中獲勝神經元在引力下聚類得到了初始聚類結果。經過分析可知，由于地物波譜輻射的復雜性和干擾因素的多樣性，震害影像具有不規(guī)則和紊亂性的特征，很難獲取先驗知識，而gSOM不需要任何的先驗知識，能夠自適應的決定分類的數(shù)目，這給接下來的震害評估帶來了極大的方便。并且如果達到預定的分類數(shù)，用戶也可以利用gSOM聚類完成。

1.5 一致性函數(shù)聚類集成

gSOM算法中無監(jiān)督訓練過程以及引力下聚類中粒子自適應選擇過程使得該算法產生的結果隨機性比較強，每次聚類的結果對同種地物有不同的細節(jié)反映，集成學習則通過某種組合方式將不同的分類結果組合起來，獲取單個分類算法更好的分類結果[25-27]。一致性函數(shù)[28]能夠聚類集體中的多個聚類結果以最小代價進行結合(或稱為集成)，以生成一個統(tǒng)一的聚類結果[29]。本文采用Strehl等[30]的聚類集成方法，包括聚類集成劃分方法(cluster-based similarity partitioning algorithm，CSPA)、元啟發(fā)式方法(meta-clustering algorithm，MCLA)和圖形劃分方法(hypergraph partition algorithm，HGPA)。基于gSOM獲得的多種聚類結果，利用CSPA，MCLA和HGPA聚類集成，選擇合并代價最小的結果作為最后的分類結果，進一步目視識別震害目標。分類總體流程圖如圖1所示。

圖1 高空間分辨率震害影像分類流程Fig.1 General flowchart of the high resolutionseismic image classification

2 實驗方法與分析

2.1 實驗數(shù)據(jù)

本文實驗中采用的數(shù)據(jù)是四川省汶川縣震后的彩色航空影像的2個研究區(qū)域(T1和T2)，影像大小分別為400像元×400像元和510像元×404像元，空間分辨率均為1 m，合成波段為R，G，B，如圖2(a)和(d)所示。其中，T1影像中震害區(qū)域為倒塌的居民地，部分房屋倒塌、破損極其嚴重、沒有規(guī)整的幾何外形； 較為完好的房屋與完全倒塌、部分倒塌的房屋分布集中； T2影像中震害區(qū)域為倒塌的居民地，圖中右上角為泥石流，場景也極其復雜。實驗中，采用MS算法對2種典型震害影像進行初始分割，分割結果如圖2(b)中所示?；贛S分割結果，提取區(qū)域的光譜和分形紋理特征，利用gSOM分類器進行非監(jiān)督聚類，通過一致性函數(shù)聚類集成，得到最終的分類結果。為了驗證本文所提出的算法在高分震害遙感影像分類中的有效性，本文進行了與面向對象算法的對比實驗。面向對象的對比試驗采用SVM算法，核函數(shù)選用徑向基函數(shù)(radial basis function，RBF)，核函數(shù)中的Gamma系數(shù)設置為0.015，其他參數(shù)選擇默認參數(shù)。實驗中采用與本文算法相同的MS初始分割結果，然后根據(jù)MS過分割結果，選取感興趣區(qū)域(region of interest，ROI)作為訓練數(shù)據(jù)(如圖2(c)和(f)所示)，進行面向對象的分類，最后選擇較好的分類結果進行對比。在精度評價中，根據(jù)不同專家人工目視判讀綜合得到的分類地面參考數(shù)據(jù)，以總體精度和Kappa系數(shù)作為評價指標，定量評價分類精度。

(a) T1原始影像 (b) T1分割結果 (c) T1中ROI

(d) T2原始影像 (e) T2分割結果 (f) T2中ROI

圖2 T1，T2原始影像、MS分割影像以及對應的ROI

Fig.2SeismicimagesT1andT2,MSsegmentationresultsandthecorrespondingROI

2.2 定性評價

應用本文所建立的高空間分辨率震害遙感影像分類模型，2種算法得到的震害影像分類結果如圖3所示。

(a) T1本文算法分類 (b) T1 SVM算法分類 (c) T1參考數(shù)據(jù)

(d) T2本文算法分類 (e) T2 SVM算法分類 (f) T2參考數(shù)據(jù)

圖3 T1和T2影像分類結果對比

Fig.3ComparisonoftheclassificationresultsofT1andT2

從圖3中可以看出，雖然本文算法沒有使用訓練樣本，但其分類效果仍優(yōu)于或者相似于經典的SVM算法結果。整體上，本文算法對倒塌房屋、滑坡和泥石流3種場景與其環(huán)境背景均區(qū)分明顯，且震害目標具有整體性，邊界光滑； SVM效果與本文算法類似，但是部分區(qū)域存在一定的錯分現(xiàn)象，部分震害目標破碎，小斑塊較多，震害地物整體感相對較弱。

進一步分析兩者的差異，可以得出：

1)從T1分類結果可以看出，2種方法在保留地物的完整性方面均取得了較好的效果。但是SVM的分類結果中遺漏了部分完整房屋(如圖3(b)中橢圓中地物所示)，將其錯分為倒塌房屋，說明SVM算法對于此類復雜地物分類問題具有一定的局限性。本文算法對影像整體與局部信息進行了綜合考量，而且憑借分形對于復雜地物良好的空間描述能力，能夠準確提取出不同背景下的不同大小的完整房屋(如圖3(a)黃色橢圓和紅色橢圓中地物所示)，分類結果更加接近于參考數(shù)據(jù)。

2)在T2場景中，本文算法與SVM均能將泥石流準確提取，但是SVM提取的地物細碎，局部地物分類有錯分現(xiàn)象(如圖3(e)黃色橢圓中地物所示)。相較于SVM算法，本文算法利用一致函數(shù)集成了不同gSOM分類結果的優(yōu)勢，提高了相鄰地物之間的相關性，對于復雜邊界的區(qū)分有著很好的抗噪性(如圖3(d)黃色橢圓中地物所示)，還能將被倒塌房屋掩埋、不連續(xù)的小路作為一個整體區(qū)分出來(如圖3(d)長方形中地物所示)，在居民區(qū)的倒塌房屋等區(qū)域的邊界也更加平滑準確。

2.3 定量評價

利用前述ROI樣本分別制作2幅影像的混淆矩陣，對本文提出的高空間分辨率震害影像分類方法的有效性進行評價和比較。T1影像分類精度評價如表2—3所示，T2影像分類精度評價如表4—5所示。

表2 SVM方法對T1影像的混淆矩陣和精度評價Tab.2 Confusion matrix and accuracy assessment of T1 using SVM

表3 本文算法對T1影像的混淆矩陣和精度評價Tab.3 Confusion matrix and accuracy assessment of T1 using the proposed algorithm

表4 SVM方法對T2影像的混淆矩陣和精度評價Tab.4 Confusion matrix and accuracy assessment of T2 using SVM

表5 本文算法對T2影像的混淆矩陣和精度評價Tab.5 Confusion matrix and accuracy assessment of T2 using the proposed algorithm

總體來說，由于分形二階統(tǒng)計量對于局部特征量的有效度量，本文建立的分類模型在T1倒塌建筑物場景下的分類精度比經典的SVM分類精度提高了4.7%，Kappa系數(shù)提高了0.07； 在T2泥石流、倒塌房屋場景的分類中，分類精度提高了13.68%，Kappa系數(shù)提高了0.20。從表2和表3中看出，由于完整房屋和倒塌房屋具有相似的光譜特征，SVM方法中完整房屋和倒塌房屋區(qū)域混分很嚴重，分類精度很低, 而本文算法利用分形紋理特征和對相鄰地物的相關性的把握，對于光譜極其相似的地類有著較強的區(qū)分能力。從表4和表5中看出，完整房屋和草地在空間上的分布較為分散，SVM的方法很容易將其漏分或錯分，而本文算法則利用一致函數(shù)，消除了分類結果噪聲現(xiàn)象。相對于SVM，本文提出的算法具備明顯的優(yōu)勢。

3 結論

本文針對震害目標自動識別的問題，構建了利用分形紋理特征結合gSOM方法對高空間分辨率震害影像進行面向對象分類的方法，以汶川縣震后不同場景的航空彩色影像為測試數(shù)據(jù)，驗證了該方法的有效性及應用潛力。主要結論如下：

1)選擇分形紋理的二階統(tǒng)計量作為影像的紋理描述方法，同時結合局部光譜特征，能夠有效描述震害目標，在保持大面積地物分類均一性的同時，還能減少小型地物細節(jié)信息的丟失。

2)gSOM的應用能夠解決震害場景復雜和訓練樣本難以選取的問題，而且自適應的學習能力大大減少復雜震害地物，特別是倒塌房屋與完整房屋的錯分現(xiàn)象。

3)一致函數(shù)的集成可以將不同分類結果的優(yōu)勢相結合，增強了決策過程中不同分類結果的相關性。

與面向對象的SVM分類算法相比，本文算法的分類精度有了明顯提高。同時，本文以MS初始分割產生的地理對象作為神經網絡分類的基本單元，大大減少了神經網絡的訓練時間，提高了gSOM分類效率，展示了其在大范圍災害影像中的應用潛力。當然，本文算法尚存在不足，如gSOM算法得到分類結果之后，直接進行一致函數(shù)集成，并沒有對結果進行篩選。下一步研究中，擬考慮先對分類結果進行篩選，在得到好的分類結果之后再進行集成。