摘 要：隨著我國城鎮(zhèn)化進程的不斷深入，大量鄉(xiāng)村居民地已經(jīng)轉(zhuǎn)化為城鎮(zhèn)居民地，為了度量二者實時的轉(zhuǎn)化情況，該文提出一種基于監(jiān)督分類機制的居民地分類方法，該方法首先采用邊緣特征及高斯函數(shù)量化影像上的局部特征，然后構建5種城鎮(zhèn)及鄉(xiāng)村居民地分類規(guī)則，其次創(chuàng)建訓練樣本對各類規(guī)則進行學習，最后通過城鎮(zhèn)及鄉(xiāng)村測試樣本驗證該文方法的精度。實驗表明，該文方法可以對高分辨率遙感影像城鎮(zhèn)及鄉(xiāng)村居民地進行初級分類，為“城鎮(zhèn)化”進程提供一個新的衡量指標。

關鍵詞：高分辨率遙感影像；居民地；監(jiān)督分類；分類規(guī)則；訓練樣本

中圖分類號：P237 文獻標志碼：A 文章編號：2095-2945（2024）29-0154-04

Abstract： With the deepening of urbanization in China， a large number of rural residential areas have been transformed into urban residential lands. In order to measure the real-time transformation of the two， this paper proposes a residential land classification method based on supervised classification mechanism. Firstly， the edge feature and Gaussian function are used to quantify the local features on the image， and then five classification rules of urban and rural residents are constructed. Secondly， this paper creates training samples to learn all kinds of rules， and finally verifies the accuracy of this method through urban and rural test samples. The experimental results show that this method can classify urban and rural residential areas in high-resolution remote sensing images， which provides a new measurement index for the process of "urbanization".

Keywords： high-resolution remote sensing images; residential area; supervised classification; classification rules; training samples

我國已從“十五”時期開始推行“城鎮(zhèn)化”[1]，人口、產(chǎn)業(yè)不斷向城鎮(zhèn)聚集，城鎮(zhèn)數(shù)量和規(guī)模得到大幅提升。“城鎮(zhèn)化”過程致使大量鄉(xiāng)村居民地轉(zhuǎn)化為城鎮(zhèn)居民地，準確詳實地厘清掌握城鎮(zhèn)及鄉(xiāng)村居民地的空間變化信息，才能進一步度量兩者的轉(zhuǎn)化率，進而為政府部門在評估城鎮(zhèn)、鄉(xiāng)村土地資源及人口遷移發(fā)展變化提供重要數(shù)據(jù)支撐。現(xiàn)有文獻居民地變化提取研究方法，大多將鄉(xiāng)村居民地和城鎮(zhèn)居民地定義為統(tǒng)一整體進行提取，未進行分類提取，研究同一區(qū)域不同時期居民地分布情況為主。Li等[2]采用SIFT特征算子檢測居民地變化情況。Tang等[3]通過分析兩期遙感影像的局部特征差異度和相似度提取居民地變化信息，該方法檢測結果比較優(yōu)良，但算法較為耗時。Unsalan等[4]提出5種居民地特征模型，結合特征模型檢測不同時期高分辨率遙感影像上居民地變化信息。因此，本文提出一種基于監(jiān)督分類機制的鄉(xiāng)村和城鎮(zhèn)居民地分類方法，首先通過構建居民地分類規(guī)則，然后創(chuàng)建居民地樣本對規(guī)則進行訓練學習，通過樣本測試驗證了本文方法可以滿足居民地進行初級分類，為“城鎮(zhèn)化”進程提供一個新的衡量指標。

1 定義分類規(guī)則

居民地相對于非居民地，其覆蓋區(qū)域擁有更高的邊緣特征和高斯函數(shù)（Gabor特征）密度[5]，邊緣特征和Gabor特征參考已有文獻[5]進行定義。城鎮(zhèn)區(qū)域相較于鄉(xiāng)村區(qū)域，城鎮(zhèn)區(qū)域的經(jīng)濟發(fā)展水平更高，其人工建（構）筑物分布更為密集，因此城鎮(zhèn)區(qū)域和鄉(xiāng)村區(qū)域高分辨率影像，所呈現(xiàn)出的邊緣特征及Gabor特征分布情況也是截然不同的，通過構建一定的判別規(guī)則可以實現(xiàn)對二者進行分類，本文定義了以下5種分類規(guī)則。

1.1 特征總數(shù)

基于高分辨遙感影像上邊緣特征及Gabor特征居民地提取原理，是根據(jù)影像像素點獲得的特征投票總數(shù)來區(qū)分居民地。高分辨率遙感影像上，居民地獲得的特征投票數(shù)大于非居民地投票數(shù)，城鎮(zhèn)居民地和鄉(xiāng)村居民地對比，其內(nèi)部的人工建（構）筑物更加密集，故其邊緣特征及Gabor特征密度數(shù)值更大，獲得的相應特征投票數(shù)更高，因此將城鎮(zhèn)和鄉(xiāng)村居民地各自的特征投票總數(shù)定義為第一種分類規(guī)則，即

rule1=K ，

式中：K為邊緣或Gabor特征總數(shù)。

1.2 歸一化指數(shù)

如上節(jié)所述，特征總數(shù)為影像上所有像素點特征投票值總數(shù)，所以影像尺寸大小對特征總數(shù)影響很大，理論上影像尺寸越大，獲得的特征投票總數(shù)就越多，度量標準缺乏統(tǒng)一性。針對不同尺寸的實驗影像，計算其特征投票總數(shù)的歸一化指數(shù)，上述問題可得到有效避免，假定影像尺寸大小為M×N，第二種分類規(guī)則表示為

式中：V（x，y）為像素點（x，y）對應的特征投票總數(shù)。

1.3 最大特征值

第二種分類規(guī)則能夠較好地對城鎮(zhèn)與鄉(xiāng)村居民地各自特征進行區(qū)別，但除了特征投票總數(shù)差異，城鎮(zhèn)與鄉(xiāng)村居民地的最大特征投票數(shù)值也具有差異性，因此將最大特征值視為第三種分類規(guī)則加以區(qū)分，定義為

。

1.4 候選居民地歸一指數(shù)

文獻[5]利用Ostu閾值分割方法篩選出候選居民地，其原理為保留高投票值影像區(qū)域舍棄低投票值影像區(qū)域。特征投票值高于分割閾值的像素區(qū)內(nèi)部具有判別城鎮(zhèn)與鄉(xiāng)村居民地的重要信息，與第二種分類規(guī)則類似，計算大于分割閾值的像素片區(qū)（即候選居民區(qū)）歸一化指數(shù)，第四種分類規(guī)則定義為

式中：？琢為根據(jù)Ostu方法計算獲得的分割閾值。

1.5 SVM融合規(guī)則

單獨使用以上4種分類規(guī)則，可實現(xiàn)對城鎮(zhèn)和鄉(xiāng)村居民地定向分類，但由于分類規(guī)則不夠綜合，過于單一，表現(xiàn)為分類精度有限。為將上述4種分類規(guī)則統(tǒng)一納入到居民地分類過程，本文通過引用支持向量機（SVM）分類器[6]融合上述4種規(guī)則構建第五種城鎮(zhèn)和鄉(xiāng)村居民地分類規(guī)則。

2 構建居民地樣本庫

基于以上5種分類規(guī)則開展城鎮(zhèn)居民地和鄉(xiāng)村居民地分類，分類方法屬于監(jiān)督分類范疇，故進一步采用人工方式構建居民地訓練樣本對前4個單一分類規(guī)則進行學習，對各類規(guī)則特征學習差異性進行數(shù)值量化。

2.1 樣本選擇

高分辨率遙感影像紋理特征，城鎮(zhèn)居民地表現(xiàn)為建筑密集程度高、建筑樣式新穎、道路走向規(guī)則及綠化覆蓋率高等特點，鄉(xiāng)村居民地則表現(xiàn)為空間分布較為零亂，建筑物間距較大，建筑樣式較為單一等特點?；诔擎?zhèn)居民地與鄉(xiāng)村居民地的紋理特征，本文以空間分辨率優(yōu)于1 m的高分影像數(shù)據(jù)做為實驗對象，并從中分別選擇具有代表性的100個城鎮(zhèn)居民地訓練樣本及100個鄉(xiāng)村居民地訓練樣本，樣本大小為1 400×800，部分訓練樣本樣圖如圖1所示。

2.2 樣本學習

接下來對選擇的樣本進行學習，分別統(tǒng)計城鎮(zhèn)和鄉(xiāng)村居民地樣本對應第1章節(jié)中的4種分類規(guī)則取值情況，代表樣本取值情況見表1、表2。

3 實驗結果及分析

為驗證本文提出的城鎮(zhèn)居民地及鄉(xiāng)村居民地分類方法準確性，選取50幅高分影像作為測試數(shù)據(jù)進行實驗。為提高實驗效率，首先對測試數(shù)據(jù)進行分塊處理，按80×80尺寸規(guī)格輸出，本文從測試影像數(shù)據(jù)上共提取了237個城鎮(zhèn)居民地測試樣本和468個鄉(xiāng)村居民地測試樣本，然后以本文第1章節(jié)中的4種分類規(guī)則為辨別準則進行實驗，實驗樣本如圖2所示。

3.1 判別準則

以基于邊緣特征城鎮(zhèn)居民地分類為例，首先，計算城鎮(zhèn)居民地訓練樣本對應前4類規(guī)則的均值rulei及其中誤差？駐i，即

式中：i=1，2，3，4，即對應的規(guī)則編號，N為訓練樣本個數(shù)，本文選取的訓練樣本個數(shù)為100。

然后，計算測試樣本對應的規(guī)則取值rule，當滿足下式時，則認為檢測成功，該樣本分類符合實際情況：

。

鄉(xiāng)村居民地分類精度評價，與上述方法類似。

3.2 精度統(tǒng)計

按照上述判別規(guī)則，分別統(tǒng)計基于邊緣特征及Gabor特征居民地分類精度情況，此外，本文引入支持向量機（SVM）分類器[6]融合前4種規(guī)則進行綜合性分類，結果見表3、表4。

3.3 結果分析

本文提出的居民地監(jiān)督分類方法具備以下特點：①城鎮(zhèn)居民地和鄉(xiāng)村居民地整體分類精度水平中等偏上，但仍存在一定比例的錯漏分類情況；②第一種規(guī)則和第二種規(guī)則分類結果精度相同，二者本質(zhì)上屬于同一類規(guī)則；③第四種規(guī)則的綜合分類結果精度相對較高；④利用支持向量機（SVM）方法綜合4種規(guī)則的分類結果精度達到最高水平，符合實際情況。此外，本文提出的居民地分類方法屬于監(jiān)督分類方法，選取的測試樣本和訓練樣本具有一定的特殊性，樣本選擇對分類結果精度影響較大，因此算法設計的理論過程仍有優(yōu)化提升空間。

4 結論

本文提出了一種基于監(jiān)督分類機制的城鎮(zhèn)居民地及鄉(xiāng)村居民地分類方法，該方法首先定義了5種分類規(guī)則，然后構建代表性居民地訓練樣本對各個規(guī)則進行分類學習，最后通過測試樣本驗證本文方法分類結果精度。實驗結果表明，本文方法分類精度總體較好，為進一步提高分類精度水平，算法設計的理論過程仍需優(yōu)化提升，本文提出的居民地分類方法，是對城鎮(zhèn)居民地和鄉(xiāng)村居民地分類工作的積極探索嘗試，具有創(chuàng)新性意義。

參考文獻：

[1] 劉憲法.中國經(jīng)濟中期發(fā)展的基本思路-解讀“中共中央關于制定國民經(jīng)濟和社會發(fā)展第十個五年計劃的建議”[N].開放導報，2000-12-10.

[2] LI W M， LI X M， WU Y H，et al. A novel framework for urban change detection using VHR satellite images[C]//International Conference on Pattern Recognition，2009.

[3] TANG F F， PRINET V. Vomputing Invariants for Structural Change Detection in Urban Areas[C]//Urban Remote sensing Joint Event，2010.

[4] UNSALAN C. Statistical， Structural， Hybrid， and Graph Theoretical Features to Measure Land Development[J].IEEE Geoscience and Remote Sensing Letters， 2009，6（1）：72-76.

[5] 陳洪.高分辨率遙感影像居民地提取方法研究[D]．長沙：中南大學，2013.

[6] 李萌．基于支持向量機的高分遙感影像分類技術研究與應用[D]．北京：中國地質(zhì)大學（北京），2015.