曹海春

(山西工程職業(yè)學(xué)院，太原 030031)

0 引言

隨著近年來我國(guó)航天技術(shù)、計(jì)算機(jī)技術(shù)的快速發(fā)展，影像的空間分辨率不斷提高，大量衛(wèi)星影像被用于國(guó)土資源調(diào)查、地理國(guó)情監(jiān)測(cè)、國(guó)土規(guī)劃、搶險(xiǎn)救災(zāi)等領(lǐng)域。

隨著影像分辨率的提高，影像上地物目標(biāo)的表達(dá)變得更加豐富，細(xì)節(jié)特征突出，加大了精細(xì)目標(biāo)識(shí)別分類的優(yōu)勢(shì)，但也帶來了相同地物目標(biāo)光譜差異變大，增加了地物不可分性。同時(shí)，不同地物目標(biāo)出現(xiàn)相似性增強(qiáng)，導(dǎo)致不同地物的光譜相似性增大?？臻g分辨率的提高必然導(dǎo)致局部相同地物的信息冗余，增加數(shù)據(jù)處理的計(jì)算量和復(fù)雜程度。較高的空間分辨率增加相鄰地物邊緣微小差別的分辨能力，同時(shí)也可能帶來“海量數(shù)據(jù)災(zāi)難”，導(dǎo)致地物邊界分辨模糊、地物分類精度下降等問題。因此，構(gòu)建適用高空間分辨率的分類器是遙感影像分類的重點(diǎn)。集成學(xué)習(xí)[1]、模糊神經(jīng)網(wǎng)絡(luò)(fuzzy neural network，F(xiàn)NN)[2]、支持向量機(jī)(support vector machine，SVM)[3]、極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)[4]等影像分類算法的提出和應(yīng)用促進(jìn)了高分辨率遙感影像分類的發(fā)展。其中ELM分類器在極快的模型學(xué)習(xí)訓(xùn)練過程中提供良好的泛化性能，有效緩解“海量數(shù)據(jù)災(zāi)難”等影響，且能夠在小樣本、地物分布復(fù)雜多變的高空間分辨率遙感影像上提高影像的分類精度，在高分辨率遙感影像數(shù)據(jù)分類領(lǐng)域應(yīng)用越來越廣泛。此外，高空間分辨率遙感影像上局部地物像元并非無序排列、相互獨(dú)立的光譜特征向量，局部像元往往屬于同一地物，具有相似的特性[5]。將光譜特征與空間特征結(jié)合作為極限學(xué)習(xí)機(jī)的輸入，進(jìn)行快速學(xué)習(xí)產(chǎn)生極限學(xué)習(xí)機(jī)的隱含輸出層，構(gòu)建光譜特征與空間特征結(jié)合的遙感影像分類模型，進(jìn)而提高分類的精度和穩(wěn)定性[6]。楚恒等[7]提出多特征多核極限學(xué)習(xí)機(jī)(multi-kernel extreme learning maching，Multi-kernel ELM)，采用多核ELM分類器從不同多特征樣本數(shù)據(jù)進(jìn)行映射，充分表達(dá)地物的空間特征-光譜信息。王明常等[8]提出利用極限學(xué)習(xí)機(jī)分類器對(duì)影像的光譜特征進(jìn)行分類，驗(yàn)證該分類器在GF-2影像上的可行性。張成坤等[9]提出光譜-空間聯(lián)合特征，構(gòu)建高光譜影像的特征表達(dá)，以提高影像的分類精度，但缺少對(duì)影像紋理特征及典型地物對(duì)應(yīng)的典型指數(shù)的考慮。王傳立等[10]提出利用多核極限學(xué)習(xí)機(jī)進(jìn)行遙感影像林地信息提取，通過將多核理論與多特征結(jié)合實(shí)現(xiàn)林地信息的有效提取。上述方法是將不同類型的影像特征以不同的融合方式引入到極限學(xué)習(xí)機(jī)中，獲得較好的分類結(jié)果，但都缺少對(duì)高分辨率影像局部細(xì)節(jié)信息增加導(dǎo)致邊緣區(qū)影像不可分的研究。

針對(duì)高空間分辨率影像在分類時(shí)存在的“海量數(shù)據(jù)災(zāi)難”“椒鹽現(xiàn)象”、地物邊緣不可分性增強(qiáng)現(xiàn)象，結(jié)合相鄰像元間存在較強(qiáng)的光譜相似性，利用多特征結(jié)合技術(shù)與邊緣保持濾波(edge-preserving filtering，EPF)技術(shù)，提出邊緣保持濾波的高分辨率多遙感影像多特征聯(lián)合的分類方法。通過植被特征、影像對(duì)比度特征、影像空間特征及影像紋理特征的提取，輔助光譜特征進(jìn)行影像信息的有效表達(dá)。首先，訓(xùn)練多核極限學(xué)習(xí)機(jī)分類器獲得每個(gè)像素的初始分類概率；然后，對(duì)由所有像素初始分類概率組成的分類概率圖進(jìn)行邊緣保持濾波；最后，由濾波后分類概率圖對(duì)應(yīng)值的大小確定像素點(diǎn)的類別。

1 邊緣保持濾波

高空間分辨率遙感影像在數(shù)據(jù)的采集、傳輸過程中，受到大氣中細(xì)小顆粒的影響，通常會(huì)存在一定量的噪聲，導(dǎo)致相同地物的光譜曲線存在一定的波譜差異。對(duì)小樣本訓(xùn)練的極限學(xué)習(xí)分類器提高了高分辨率遙感影像分類結(jié)果的精度。通過有效的空間濾波可以緩解地物“同物異譜”“同譜異物”現(xiàn)象，消除噪聲對(duì)影像分類的影響。雙邊濾波、引導(dǎo)濾波是提取影像邊緣空間約束因子信息，同時(shí)保持邊緣平滑的濾波算法。

1.1 聯(lián)合雙邊濾波

聯(lián)合雙邊濾波器是一種對(duì)影像像素灰度相似性與局部空間距離進(jìn)行綜合表達(dá)的濾波方法，通過引入灰度信息與空域信息，達(dá)到去噪保邊效果?；緮?shù)學(xué)原理可以表示為式(1)、式(2)。

(1)

(2)

式中：i表示影像空間wi的位置；Ii表示影像i像素

(3)

(4)

(5)

由式(4)、式(5)可知，局部區(qū)域影像wi內(nèi)的像素點(diǎn)，對(duì)空間相似的區(qū)域，該濾波器能夠有效地平滑空間值；對(duì)于不同地物的邊界區(qū)域，該區(qū)域像素空間相似性較小，對(duì)應(yīng)的相似性權(quán)重wi,j較小，減少了因不同地物邊界帶來的非噪聲的影響。因而，采用聯(lián)合雙邊濾波器能有效地保留地物的邊界信息同時(shí)去除噪聲信息的干擾。

1.2 引導(dǎo)濾波

影像可以表示為一個(gè)二維的信號(hào)，通過引入一個(gè)線性的引導(dǎo)濾波器，該濾波函數(shù)可以在二維窗口上進(jìn)行輸入與輸出。濾波函數(shù)可以表示為式(6)。

oi=akIi+bk，?i∈wk

(6)

式中：wi為影像空間域k的局部區(qū)域；ak、bk為滿足線性濾波函數(shù)的系數(shù)；Ii為影像像素值；oi為經(jīng)過引導(dǎo)濾波的輸出值。對(duì)線性引導(dǎo)濾波器進(jìn)行求導(dǎo)可以得到：?Oi=ai?Ii，獲得輸入影像的梯度乘以一個(gè)常數(shù)。因此，引導(dǎo)濾波具有保存邊緣的效果。引導(dǎo)濾波系數(shù)ak、bk通過影像輸出值與真實(shí)值p間差距平方和最小為目標(biāo)函數(shù)進(jìn)行求解，即

(7)

(8)

(9)

式中：|w|為局部區(qū)域影像wi的像素個(gè)數(shù)。引導(dǎo)濾波器與雙邊濾波器相比具有更好的邊緣保持能力。

2 基于邊緣保持濾波的高分辨率遙感影像多特征聯(lián)合分類

2.1 多特征提取

高分辨率遙感影像包含豐富的影像信息，采用常規(guī)的光譜信息進(jìn)行影像分類容易造成地物分類精度較差的問題。通過引入影像的植被指數(shù)、紋理信息、影像對(duì)比度等信息能夠有效提高影像的分類精度。影像的對(duì)比度是光學(xué)影像一種常見的基本特征，反映地物目標(biāo)與背景的差異。利用局部對(duì)比度AC算法提取影像的對(duì)比度特征，考慮了影像感知單元與局部空間區(qū)域的對(duì)比關(guān)系，避免對(duì)比度影像整體偏亮或偏暗現(xiàn)象[11]。遙感影像上普遍包含大量的植被區(qū)域，因此植被區(qū)域提取結(jié)果的好壞直接影響影像整體分類的結(jié)果。利用影像的近紅波段和紅外波段間的關(guān)系通過加減乘除運(yùn)算突出影像上的植被信息、弱化非植被信息，有效地提取植被的覆蓋程度與生長(zhǎng)狀況，較為常用的是歸一化植被指數(shù)[12]。高分辨率遙感影像上地物局部細(xì)節(jié)信息豐富，采用圓形的局部二值模型能夠有效減弱噪聲的影響，提取影像上排列規(guī)則、細(xì)微的地物信息[13]。因此，采用局部對(duì)比度、歸一化植被指數(shù)、局部二值模型等多種特征作為光譜特征的補(bǔ)充，為后續(xù)極限學(xué)習(xí)機(jī)分類的訓(xùn)練提供有效的信息支撐。

2.2 極限學(xué)習(xí)機(jī)初始分類概率圖

為了充分利用影像的光譜特征、紋理特征及成熟的特征指數(shù)等信息，將2.1節(jié)提取的特征進(jìn)行串聯(lián)處理獲取特征向量fn，n為對(duì)應(yīng)像素樣本號(hào)。對(duì)所有的樣本進(jìn)行多特征的提取、排列，構(gòu)成樣本的特征矩陣F，F(xiàn)=[f1，f2，…，fN]，N為隨機(jī)選取的樣本數(shù)量。隨機(jī)抽取m個(gè)樣本，構(gòu)成子特征樣本矩陣F(indexk，：)，將此特征矩陣作為第k分類器的輸入，利用極限學(xué)習(xí)機(jī)對(duì)樣本子類訓(xùn)練，輸入層與隱層間的權(quán)值WK采用式(10)計(jì)算獲取，Bk偏值矢量采用式(11)計(jì)算獲取。

WK=2*R(L，size(indexk，1))-1

(10)

Bk=R(L，1)

(11)

Hk=(G(Wk*F(indexk，：)+Bk))T

(12)

利用式(12)，通過輸入樣本與對(duì)應(yīng)的類別，計(jì)算獲取中間層的權(quán)重矩陣WK，進(jìn)而獲得第k個(gè)弱分類器classifierk對(duì)應(yīng)的分類參數(shù){Wk，Bk，indexk，βk，G}。通過提取影像的多種特征獲取特征向量f，輸入弱分類器classifierk，得到一個(gè)分類向量Sk。

2.3 邊緣保持濾波的高分辨率影像分類

針對(duì)高空間分辨率影像在分類時(shí)存在的“海量數(shù)據(jù)災(zāi)難”“椒鹽現(xiàn)象”、地物邊緣不可分性增強(qiáng)現(xiàn)象，利用高分辨率遙感影像信息豐富、相鄰像素空間影像局部區(qū)域內(nèi)具有較強(qiáng)的相似性，本文提出邊緣保持濾波的高分辨遙感影像多特征融合的分類方法，通過影像多種特征信息的提取降低“海量數(shù)據(jù)災(zāi)難”的影響，結(jié)合邊緣保持濾波算法減弱局部相似影像信息,突出相鄰地物邊界信息。算法流程見圖1。

圖1 邊緣保持濾波的遙感影像多特征聯(lián)合分類流程圖

在高分辨率遙感影像上，影像局部區(qū)域存在大量的相似性地物，僅依靠光譜特征很難區(qū)分不同地物信息，通過對(duì)影像的局部對(duì)比度、歸一化植被指數(shù)、局部二值模型特征的提取可有效補(bǔ)充影像光譜特征信息，充分發(fā)揮多種特征的優(yōu)勢(shì)，更好地體現(xiàn)不同地物的差別。

(13)

式中：Wi，j為邊緣保持濾波器輸出權(quán)值。聯(lián)合雙邊濾波器和引導(dǎo)濾波器的輸出權(quán)值如式(7)、式(8)、式(9)所示。

每個(gè)弱分類器以濾波后像素對(duì)應(yīng)的概率值最大的索引j為目標(biāo)類別，如式(14)所示。

label(k)=argmaxj∈[1，2，…，c]{sk(j)}

(14)

然后,將M個(gè)弱分類器的所有分類結(jié)果{lable(k)}k=1，2，…，M進(jìn)行直方圖分類統(tǒng)計(jì){bin(j)}j=1，2，…，M，采取投票表決的方法估算像元屬于的類別，如式(15)所示。

(15)

3 實(shí)驗(yàn)仿真

為了驗(yàn)證本文提出分類方法的可行性，采用2組典型區(qū)域的高分二號(hào)衛(wèi)星影像進(jìn)行實(shí)驗(yàn)。

本文采用的實(shí)驗(yàn)數(shù)據(jù)集為武漢大學(xué)計(jì)算視覺與攝影測(cè)量研究組發(fā)布的高分遙感影像數(shù)據(jù)集(GaoFen image dataset，GID)。該數(shù)據(jù)集收集60多個(gè)不同城市的150幅高質(zhì)量的高分二號(hào)衛(wèi)星影像，覆蓋面積超過50 000 km2。在數(shù)據(jù)內(nèi)部隨機(jī)裁剪1 000像素×1 000像素的影像塊作為訓(xùn)練數(shù)據(jù)集，共選取5塊，其中4塊作為樣本集、1塊作為檢驗(yàn)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。為了進(jìn)一步驗(yàn)證算法的有效性，采用某地區(qū)的2組高分二號(hào)衛(wèi)星進(jìn)行實(shí)驗(yàn)驗(yàn)證。

將本文算法與SVM和Multi-kernel ELM、EPF算法進(jìn)行對(duì)比。通過每類的分類精度、平均分類精度、總體精度、Kappa系數(shù)、耗時(shí)等多個(gè)指標(biāo)進(jìn)行評(píng)價(jià)，通過20次重復(fù)實(shí)驗(yàn)的平均精度作為算法的性能評(píng)價(jià)。

3.1 GID數(shù)據(jù)集測(cè)試

在GID數(shù)據(jù)集上進(jìn)行測(cè)試，實(shí)驗(yàn)結(jié)果如表1所示，其中圖2(a)至圖2(d)為樣本集，圖2(e)為檢驗(yàn)數(shù)據(jù)。

1)在聯(lián)合雙邊濾波器中，σS與σω2個(gè)參數(shù)對(duì)影像的分類精度影響較大。提取多種特征組合的影像濾波參考影像，取σω=0.2。探討參數(shù)σS對(duì)多特征組合影像分類精度的影響。圖3(a)表明分類精度隨著σS值的增加先快速增加后慢慢降低。分類精度在σS=3時(shí)取最大，取該值探討σω對(duì)多特征組合影像分類精度的影響。圖3(b)表明分類精度隨著σω值的增加先增加后趨于穩(wěn)定，當(dāng)σω=0.2時(shí)影像分類精度最大，為93.36%。

圖2 GID數(shù)據(jù)集

表1 GID數(shù)據(jù)不同分類方法分類精度

圖3 雙邊濾波器參數(shù)對(duì)分類精度的影響

2)在引導(dǎo)濾波器中，ω與ε2個(gè)參數(shù)對(duì)分類精度影像較大，采用與聯(lián)合雙邊濾波的分類器相似的分析方法，如圖4所示，ω=3與ε=10-1時(shí)影像分類精度最高，為93.65%。在3.2節(jié)高分二號(hào)影像上進(jìn)行分類時(shí)，采用上述參數(shù)進(jìn)行處理。

圖4 引導(dǎo)濾波器參數(shù)對(duì)分類精度的影響

3)采用相同的樣本數(shù)據(jù)對(duì)比SVM算法、Multi-kernel ELM算法、EPF算法及本文方法進(jìn)行實(shí)驗(yàn)，其中SVM算法組合影像的光譜特征與紋理特征，Multi-kernel ELM是基于光譜特征、紋理特征、空間特征等多種特征結(jié)合的多核ELM分類器進(jìn)行分類，EPF采用雙邊濾波與光譜特征結(jié)合的方式進(jìn)行分類。從分類結(jié)果精度可以看出，本文提出的邊緣保持濾波的多特征聯(lián)合的分類方法分類結(jié)果明顯優(yōu)于SVM算法、ELM算法、EPF算法，分類精度最高為93.65%。文中采用多種特征聯(lián)合的方式，避免對(duì)海量遙感數(shù)據(jù)進(jìn)行分類處理，提高算法的整體效率，減少分類過程的復(fù)雜計(jì)算，所以整體耗時(shí)較少。

3.2 高分二號(hào)數(shù)據(jù)測(cè)試

利用高分二號(hào)數(shù)據(jù)集樣本數(shù)據(jù)訓(xùn)練獲取聯(lián)合雙邊濾波器、引導(dǎo)濾波器中對(duì)分類結(jié)果影像較大的參數(shù)。充分利用高分辨遙感影像的多種特征，采用極限學(xué)習(xí)機(jī)對(duì)樣本子類訓(xùn)練，獲得多個(gè)弱分類器，對(duì)每個(gè)弱分類器計(jì)算的概率影像進(jìn)行邊緣保持濾波處理以減少“椒鹽噪聲”的影像。本文方法的高分二號(hào)影像的分類結(jié)果見圖5(b)、圖5(d)，各類地物的分類精度見表2。

圖5 分類結(jié)果圖

表2 高分二號(hào)數(shù)據(jù)不同分類方法分類精度

從目視效果上看，本文方法獲取的分類結(jié)果避免“椒鹽噪聲”的影像，地物提取相對(duì)比較完整；影像上的道路基本提取出來，且道路邊界比較清晰；但也存在部分裸地錯(cuò)分成了建筑物與道路的現(xiàn)象，但整體分類結(jié)果具有高度的空間一致性，能很好地區(qū)分各類地物的差異，分類效果較好，既能保證相鄰地物類別的一致性，也能夠清晰地保留不同地物的邊界信息，能夠準(zhǔn)確、可靠地反映不同地物的實(shí)際分布情況。

表2為不同方法對(duì)高分二號(hào)2組數(shù)據(jù)的分類精度。通過表2可知，由于Multi-kernel ELM算法充分利用光譜特征、紋理特征、空間特征等多種特征并結(jié)合了多核ELM進(jìn)行分類，分類精度相比SVM算法有了較大的提高；本文提出的分類方法取得較為理想的分類結(jié)果，并且在分類時(shí)間上較SVM與Multi-kernel ELM方法有明顯優(yōu)勢(shì)。從分類精度可以看出，本文方法分類效果優(yōu)于其他方法，實(shí)現(xiàn)了大多數(shù)地物的準(zhǔn)確劃分。通過多種影像特征的聯(lián)合，既能充分利用影像的多種特征信息，也能降低極限學(xué)習(xí)機(jī)的計(jì)算復(fù)雜度，節(jié)省了大量時(shí)間成本，同時(shí)獲得了良好的分類結(jié)果。

4 結(jié)束語

本文提出邊緣保持濾波的高分辨率遙感影像多特征聯(lián)合的分類方法，聯(lián)合影像的光譜特征、紋理特征、植被指數(shù)特征、對(duì)比度特征有效補(bǔ)充影像光譜特征信息，充分發(fā)揮多種特征的優(yōu)勢(shì)，更好地體現(xiàn)不同地物的差別，降低運(yùn)算量。對(duì)聯(lián)合特征采用極限學(xué)習(xí)機(jī)分類器獲得多個(gè)弱分類器的初始分類概率圖，并利用多特征聯(lián)合影像構(gòu)建邊緣保持濾波器，處理預(yù)分類器獲得初始概率影像，通過投票表決的方法確定每個(gè)像素的類別。該方法能有效解決高分辨率影像在分類時(shí)存在的“海量數(shù)據(jù)災(zāi)難”“椒鹽現(xiàn)象”、地物邊緣不可分性增強(qiáng)現(xiàn)象，分類結(jié)果能夠突出地物邊界、真實(shí)可靠地反映地物分布的實(shí)際情況。