張丹璐， 呂京國， 成 喆， 白穎奇

(北京建筑大學 測繪與城市空間信息學院， 北京 100044)

隨著遙感技術的不斷進步，可以獲取的遙感影像的時間分辨率、空間分辨率、光譜分辨率和輻射分辨率也越來越高. 在空間分辨率較高的遙感影像上，地物的光譜特征更加豐富，同類地物內(nèi)的光譜差異增大，不同地物間的光譜差異減少，同物異譜及同譜異物現(xiàn)象更加普遍[1-3]. 因此，高空間分辨率遙感影像分類的要求也越來越高.

對于高空間分辨率的遙感影像的分類，傳統(tǒng)的基于像素的分類方法通常會產(chǎn)生“椒鹽現(xiàn)象”，所以一般采用的是面向對象的遙感影像分類方法. 使用面向對象的遙感影像分類方法進行分類時，除了要考慮影像分割方法、特征提取與特征選擇，分類器的選擇也很重要[4-5]. 針對高分遙感影像，不同分類器的分類結果差異較大. 許多學者也對高分遙感影像的分類方法做了一系列的研究. 趙丹平等[6]面向地理國情普查中的地表覆蓋分類應用，以 3個典型區(qū)域(山區(qū)、平原、城區(qū))的多源高分辨率遙感影像為實驗數(shù)據(jù)，從分類效果、分類精度等方面對比分析支持向量機、決策樹、隨機森林3種分類方法的優(yōu)劣. 刁彥華等[7]以高校地區(qū)高分影像分類為例，研究了基于SVM的高分遙感分類方法，實驗結果表明了SVM方法的有效性. 顧海燕等[8]提出了基于隨機森林的地理要素面向對象自動解譯方法，通過與支持向量機分類的對比實驗證明該方法可以自動進行特征優(yōu)選及分類模型的構建.

本文針對城市地區(qū)高空間分辨率遙感影像，選取了兩種不同數(shù)據(jù)源的高分城區(qū)遙感數(shù)據(jù)，先進行多尺度分割、特征提取和特征選擇，再通過5種分類方法對遙感影像進行分類，并對比分析不同分類方法的分類結果及精度. 本文實驗流程如圖1所示. 研究結果為城區(qū)高分遙感影像的分類提供了一定的參考.

1 研究方法

1.1 特征選擇方法

研究中利用BF+CFS進行特征選擇，選出最優(yōu)的特征子集，用于影像分類. BF+CFS特征選擇方法是以最佳優(yōu)先搜索(Bestfirst，BF)為尋優(yōu)方法、以特征關聯(lián)法(Correlation based Feature Selection，CFS)作為適應度函數(shù)進行最優(yōu)特征子集的選擇[9].

其中，最佳優(yōu)先搜索是一種啟發(fā)式搜索算法，它在廣度優(yōu)先搜索的基礎之上，用啟發(fā)估價函數(shù)對將要被遍歷到的點進行估價，然后選擇代價小的進行遍歷，直到找到目標節(jié)點或者遍歷完所有點.

特征關聯(lián)法是一種基于相關性的特征子集評價方法，計算各子集中每個特征與類特征的關聯(lián)度及特征之間的冗余度，關聯(lián)度越大、冗余度越小，則評價值越高.

1.2 高分遙感影像分類方法

研究中使用以下5種分類方法.

K最近鄰(K-Nearest Neighbor，KNN)分類算法，是用基于特征空間中最近的訓練數(shù)據(jù)對待分類對象進行分類的方法，是一個理論上比較成熟的方法，也是最簡單的機器學習算法之一[10-11].

貝葉斯(Bayes)分類器是一種簡單的概率分類器，它基于貝葉斯定理，具有很強的獨立性[12-13].

支持向量機(Support Vector Machine，SVM)是一種基于統(tǒng)計學習理論的機器學習算法[14-15]. 它通過解算最優(yōu)化問題，在高維特征空間中尋找最優(yōu)分類超平面，從而解決復雜數(shù)據(jù)的分類及回歸問題.

決策樹(Decision Tree，DT)是一類相對比較簡單的分類技術，它的決策依賴于一個由問題和答案構成的樹[16-17].

隨機森林(Random Forest，RF)是一種基于分治法原理的集成學習策略，是若干決策樹集成的分類器，相較于決策樹其更加穩(wěn)健，泛化性能更好[18-21].

2 實驗過程與結果分析

2.1 實驗數(shù)據(jù)

實驗選取了兩種不同數(shù)據(jù)源、不同分辨率的城區(qū)高空間分辨率遙感影像進行了實驗.

數(shù)據(jù)一為城市地區(qū)WorldView- 2高空間分辨率多光譜遙感影像，影像包含紅、綠、藍、近紅外四個波段. 影像成像時間為2013年9月21日，它的地面分辨率為1.8 m. 影像區(qū)域為北京市西城區(qū).

數(shù)據(jù)二是城市地區(qū)資源三號高空間分辨率多光譜影像，影像包含紅、綠、藍、近紅外四個波段. 影像成像時間為2015年7月24日，地面分辨率為5.8 m. 影像區(qū)域為寧夏回族自治區(qū)銀川市.

由于篇幅限制，下面的實驗過程只介紹數(shù)據(jù)一中WorldView- 2遙感影像數(shù)據(jù)的具體實驗情況.

2.2 實驗過程

2.2.1 影像分割

在實驗中，使用eCognition軟件、采用多尺度分割的分割方式對遙感影像進行分割. 由于分割尺度對分割結果影響最大，主要對分割尺度的選取進行多次實驗并對比分割結果. 對于其他參數(shù)，根據(jù)實驗篩選，將光譜因子的權重設置為0.9，形狀因子的權重0.1，平滑度因子和緊致度因子權重分別為0.5，各波段權重都為1. 對于分割尺度，分別設置了不同的分割尺度進行反復實驗，經(jīng)過對比篩選，選取120作為后續(xù)實驗的分割尺度.

2.2.2 樣本選擇

針對所選城市地區(qū)影像地物分布特點，將影像劃分為5類地物，分別是建筑物、道路、水體、植被和裸地. 從中選取了各類地物的分類樣本.

2.2.3 特征提取

實驗中利用eCognition軟件計算分割后的影像對象的光譜、形狀、紋理等特征，根據(jù)知識經(jīng)驗提取了54個特征，包括光譜均值、亮度、標準差、周長、面積、形狀指數(shù)、對比度、歸一化植被指數(shù)(NDVI)等，見表1，構成初始特征空間. 這56個特征提供了對地物的廣泛理解.

2.2.4 特征選擇

經(jīng)過BF+CFS特征選擇之后，得到16個特征，作為最優(yōu)特征子集，用于分類.

這16個特征分別為：GLCM相關(quick 8/11)、緊致度、GLCM熵、GLCM角二階矩、藍波段光譜均值、紅波段光譜均值、近紅波段光譜均值、藍波段標準差、GLCM標準差(quick 8/11)、GLDV相異性、長度、最大化差異度量、GLCM標準差、密度、NDVI、NDWI.

2.2.5 分類器參數(shù)設置

K最近鄰：經(jīng)過多次實驗，將k值設置為2.

貝葉斯：此分類器無參數(shù)設置.

支持向量機：經(jīng)過多次實驗，將懲罰系數(shù)C設置為2，核函數(shù)類型設置為線性的.

決策樹：實驗中采用的是CART算法，經(jīng)過多次實驗，將深度設置為0，最小樣本數(shù)設置為3，交叉驗證數(shù)設置為3，最大類別數(shù)設置為16.

隨機森林：經(jīng)過多次實驗，將深度設置為0，最小樣本數(shù)設置為3，最大類別數(shù)設置為16，森林中樹的最大數(shù)設置為50，訓練誤差設置為0.01.

2.2.6 分類

分別使用K最近鄰、貝葉斯、支持向量機、決策樹、隨機森林等5種分類器對影像進行分類，分類結果如圖2所示，分類精度見表2，分類所用時長見表3.

2.3 實驗分析

2.3.1 分類結果分析

從目視結果來看，5種方法都得到了較好的分類結果. 其中，隨機森林的分類效果最好，決策樹和貝葉斯分類結果次之，K最鄰近和支持向量機的分類結果相對較差.

從精度評價結果來看，除了支持向量機之外的4種方法都取得了較好的分類精度，而支持向量機的分類精度則相對較差. 其中，隨機森林的分類精度最高，達到了98%，而貝葉斯分類和決策樹分類的精度次之，也都在90%以上；K最鄰近和支持向量機的分類精度較差，都在90%以下.

表1 提取的特征表Tab.1 The table of extracted feature

表2 不同分類器的分類結果精度對比
Tab.2 Comparison of classification accuracy of different classifiers

類別KNNBayesSVMDTRF生產(chǎn)精度/%用戶精度/%生產(chǎn)精度/%用戶精度/%生產(chǎn)精度/%用戶精度/%生產(chǎn)精度/%用戶精度/%生產(chǎn)精度/%用戶精度/%建筑物85.4585.4581.8110077.2777.9889.110096.3699.07道路87.1090.0010088.5787.1084.3890.3296.5510093.94水體80.0096.9710095.2472.5096.6797.590.710097.56植被93.4487.6998.3693.7593.4483.8296.7293.6598.36100裸地76.9258.8210010038.4631.2510059.110092.85總體精度/%86.2796.0879.6092.9498.04Kappa系數(shù)0.80800.94580.710.90340.9727

表3 不同分類器的分類所用時長對比Tab.3 Comparison of the length of time used for classification of different classifiers

從分類時間上來看，5種分類器的訓練分類器時間和分類時間都相差不多，訓練分類器時間都在30 s左右，而分類時間都在150 s左右. 其中，貝葉斯分類所用時間最短，而隨機森林所用時間最長，最短時間和最長時間相差不超過5 s.

現(xiàn)針對每一種分類方法得到的分類結果進行具體分析，如下：

K最近鄰：從上述分類結果圖可以看出，KNN分類方法有部分建筑物被錯分為水體，道路和建筑物也有一定的錯分，植被的分類結果最好. 從分類精度表來看，KNN的分類精度相比于其他方法而言，精度不高.

貝葉斯分類：從圖表可以看出貝葉斯分類的分類結果無論從目視效果方面還是分類精度、分類時間上來看，結果都相對較好. 就分類過程而言，此分類方法不需要調(diào)試參數(shù)，分類過程比較簡單. 因此，這一方法分類不僅比較簡單，分類精度和效果也較好，比較適合實際的遙感分類生產(chǎn)應用.

支持向量機：就結果而言，支持向量機的分類結果最差. 從分類結果圖來看，各地物錯分比較嚴重，尤其是較多建筑物被錯分為水體、道路和裸地，導致建筑物在分類結果中占的比例小了很多，不符合城區(qū)遙感影像的地物分布特點. 此外，由于城市地區(qū)建筑物較多，且建筑物較高，因此高分遙感影像中建筑物形成的陰影較多，導致遙感影像中的建筑物的陰影容易被錯分為水體、道路等地物. 所以此分類方法不太適用于城市地區(qū)的遙感影像分類.

決策樹：從圖表的結果來看，決策樹分類中水體、裸地和建筑物也有部分錯分，其中裸地的錯分程度較高，而道路和植被的分類結果較好. 此方法和隨機森林類似，要設置的參數(shù)較多，但相比隨機森林而言，分類結果的各方面都不如隨機森林.

隨機森林：從結果來看，隨機森林分類這一方法對高分遙感影像的分類結果最為準確. 不僅各類地物的分類結果都比較準確，錯分、漏分少，而且分類精度高. 但這一分類器分類時需要設置的參數(shù)較多，選取合適的參數(shù)需要經(jīng)過多次實驗對比，相對而言分類過程工作量多一些，因此對于實際生產(chǎn)應用的適用性不高.

2.3.2 特征數(shù)對分類結果的影響

為了研究特征數(shù)量對不同分類器的分類結果的影響程度，研究中做了補充實驗. 實驗中選取了56個特征，按照特征的重要性進行排序，使用前6，11，16，21，26，31，36，41，46，51個特征分別進行分類，得到不同分類器的分類結果精度變化如圖3所示.

隨著特征數(shù)的增加，5種分類器的總體分類精度都呈現(xiàn)先升高后降低，最后趨于平衡的趨勢，并且分類特征數(shù)越多，分類所用時間越長. 其中，特征數(shù)為16，即特征選擇選出來的特征數(shù)時，各分類器的分類精度最高. 相對而言，隨機森林和K最鄰近對于特征數(shù)量變化而導致的分類精度的變化不明顯，而支持向量機受分類特征數(shù)量變化的影響較大，說明這一分類方法對特征數(shù)要求較高.

2.3.3 數(shù)據(jù)源對分類結果的影響

針對不同數(shù)據(jù)源的高分遙感城市地區(qū)影像，其各自的多種分類器分類結果精度見表4.

表4 不同傳感器遙感數(shù)據(jù)的分類精度對比Tab.4 Comparison of classification accuracy of remote sensing data of different sensors %

由實驗結果可以發(fā)現(xiàn)，不同數(shù)據(jù)源的遙感影像對各分類器的分類結果的影響差別不大. 其原因可能在于以下兩方面：一方面從空間分辨率來說，高分遙感影像的共性在于純像元所占比例很大，降低了混合像元對分類結果的影響，多是一個像元對應一個單一類別(即像元純度高)；另外一方面從傳感器的成像特點來說，分類器的分類過程與成像差異性的關系不大，都是光學影像的通用影像特征，與成像方式、軌道高度、回訪周期、掃描寬度等無關，即對傳感器之間的差異性不敏感，因而不同數(shù)據(jù)源的高分影像對實驗結果的影響也不大.

3 討論

3.1 遙感影像分類結果精度

高分遙感數(shù)據(jù)的整個分類過程的每一個步驟都影響著分類結果的精度，包括影像分割、樣本選擇、特征選擇、分類器選擇等，實驗表明高分遙感影像的分類精度受分類特征和分類器的影響較大. 其中，光譜特征、形狀特征和紋理特征都能較好地表達高分遙感數(shù)據(jù)的特點，可以用于區(qū)分城市地區(qū)典型地物的類型. 而不同分類器對分類結果的影響最大，所以在分類過程中分類器的選擇至關重要.

3.2 不同分類器的性能

實驗結果表明，K最鄰近和支持向量機對于高分城區(qū)遙感數(shù)據(jù)的分類性能較差，可能是受樣本選擇和特征選擇的影響，導致分類結果較差，也說明這兩種分類器穩(wěn)定性不高. 而在分類精度較高的3個分類器中，與貝葉斯、決策樹相比，隨機森林一方面不易于陷入過擬合，減少了特征冗余對于分類精度的干擾，另一方面，多棵樹的投票機制，增加了分類的穩(wěn)定性，分類魯棒性較高，使得其分類精度也相對較高且較穩(wěn)定. 此外，貝葉斯分類器算法過程較簡單，但使用時相對隨機森林而言更易受特征數(shù)影響、不夠穩(wěn)定，決策樹的分類性能在結果上表現(xiàn)不如隨機森林.

3.3 特征在分類中的重要性

高分遙感影像中，光譜特征、紋理特征、形狀特征等都屬于分類特征，可以作為分類的判斷依據(jù)和標準進行分類. 但研究表明，并不是特征信息越多越好，過多的特征信息會造成“維數(shù)災難”. 分類精度會隨著特征維數(shù)的增加先增加后減小，而特征冗余度會隨著特征維數(shù)增加而增加. 對于特征選擇問題的研究，可以有效提高遙感分類精度和效率. 高分遙感圖像分辨率高，所以特征信息較多，導致它的特征空間維數(shù)也高，冗余度也高，進行分類時運算時間長. 在相同訓練樣本和分類器的條件下，高分遙感影像的分類精度會隨著特征維數(shù)的增大而呈現(xiàn)先增后減的趨勢，分類器的泛化能力也會隨之變?nèi)? 此外，能夠用于分類的特征很多，不僅有不同波段的光譜值，還可以進行形狀指數(shù)、紋理特征、植被指數(shù)等派生特征的計算. 因此，在特征信息豐富的情況下，選擇哪些特征就變得非常重要.

4 結論

本文通過K最近鄰、貝葉斯、支持向量機、決策樹、隨機森林等5種不同分類器實現(xiàn)了對不同數(shù)據(jù)源的高分遙感城市地區(qū)影像的分類. 實驗結果表明，貝葉斯、決策樹和隨機森林分類對城區(qū)高分影像的分類精度較高，而K最近鄰和支持向量機在分類實驗中表現(xiàn)相對較差. 其中，K最鄰近和支持向量機易受樣本選擇和特征選擇的影響，分類結果較差；決策樹分類性能不如隨機森林分類；隨機森林分類方法的分類結果最準確，但參數(shù)的選擇設置較復雜，對于實際生產(chǎn)應用的適用性不高；而貝葉斯分類操作簡單、分類精度也較高，更適用于城區(qū)高分遙感數(shù)據(jù)的生產(chǎn)應用. 研究結果為城區(qū)高分遙感影像的分類提供了一定的參考，但對于具體分類任務，還需根據(jù)實際分析選擇合適的分類器，充分發(fā)揮分類器的優(yōu)勢.