針對分層分類和多描述符空間的城鎮(zhèn)植被群分類

蔣軒，周堅華

（1.華東師范大學(xué)地理系，上海200062；2.華東師范大學(xué)地理信息科學(xué)教育部重點實驗室，上海200062）

針對分層分類和多描述符空間的城鎮(zhèn)植被群分類

蔣軒1，周堅華2

（1.華東師范大學(xué)地理系，上海200062；2.華東師范大學(xué)地理信息科學(xué)教育部重點實驗室，上海200062）

針對城鎮(zhèn)綠化植被受可用土地限制，具有分布零散、結(jié)構(gòu)復(fù)雜、植被群類型繁多等特點，以及建筑物和其他設(shè)施的陰影遮擋等加劇了植被群分類的困難，經(jīng)典分類方法常常難以適應(yīng)需求的困境，該文提出了以分層分割／分類和多描述符空間分類對城鎮(zhèn)綠化植被群分類的方法，即采用一次采樣，多層分類，利用分類要素間的層次關(guān)系，從粗到精依次分類，以降低分類難度和提高精度。通過對這些圖斑做層之間關(guān)系的邏輯分析，以精度較高的邊界取代較低者，可以得到精度較好的目標(biāo)類圖斑。此種方法可用于改善草地、喬灌木、闊葉植被、針葉植被、落葉植被、常綠植被等植被群之間的可分性。仿真測試表明，該算法對于高分辨遙感圖像城鎮(zhèn)綠化植被群分類具有一定的普適性，劃分植被群的總體精度高于85%，比經(jīng)典單層分類方法提高了5%～10%。

城鎮(zhèn)植被群；分層分類；多描述符空間；植被分類

1 引 言

城鎮(zhèn)綠地是城市生態(tài)系統(tǒng)的重要組成部分，具有顯著的環(huán)境、休閑和審美功能［1－4］。由于生物量、生產(chǎn)力和生態(tài)效益隨植被群類型不同有較大差別［57］，對于許多與城鎮(zhèn)環(huán)境相關(guān)的建模分析（如碳儲量估算［8］、生態(tài)效益評價［9］、園林規(guī)劃［10］、可持續(xù)發(fā)展能力評估［11］等），除了要求提供城鎮(zhèn)植被的分布和數(shù)量，還要求提供植被（群）種類的詳細數(shù)據(jù)。

在我國，遙感技術(shù)從20世紀80年代起已經(jīng)日益廣泛地用于城鎮(zhèn)植被調(diào)查。與野外實地調(diào)查相比，遙感方法在節(jié)省人力物力、實現(xiàn)數(shù)據(jù)空間分布的連續(xù)性和改善同步性等方面具有顯著的優(yōu)勢［12－14］。遙感圖像分辨率的提高又為城鎮(zhèn)綠化植被覆蓋細節(jié)制圖和細分植被類別提供了可能［15－18］。

此外，城鎮(zhèn)綠地由于土地資源的限制和人工美學(xué)等需要，常常表現(xiàn)出植被群類型繁多、分布不規(guī)則、空間結(jié)構(gòu)多樣和局部地塊高密度栽種等特點。同時，與綠化植被相伴的城鎮(zhèn)建筑等也表現(xiàn)出高度破碎和異質(zhì)性，以及對植被形成分隔、遮暗和遮蔽［19］，使得城鎮(zhèn)植被群分類成為一個極具挑戰(zhàn)的任務(wù)，當(dāng)使用常規(guī)“單層”監(jiān)督分類（Single－layer classification，SC）方法分類時，分類精度常常不高。

多尺度分割、多描述符空間分類、面向?qū)ο蠓诸惖刃录夹g(shù)為解決上述困難提供了可能性。一些文獻提出了多尺度系統(tǒng)的理論框架［20］和實用模型［19－22］。此外，基于對象的技術(shù)允許在對象層面分析圖像特征差異，而減少圖像噪聲的影響［22－23］。

本文研究基于分層分類（Hierarchical Classification，HC）和多描述符空間的城鎮(zhèn)植被群類型分類方法。該方法采納了上述多尺度分割的思想，利用分類要素間的分層關(guān)系，從粗到精依次分類。這樣做，一方面可以通過設(shè)計針對層的多特征／多描述符空間，降低分類難度和提高精度；另一方面，某個類別的圖斑有可能出現(xiàn)在多個層的分類結(jié)果中，只是圖斑邊界精度不同。通常較粗層的圖斑具有較高的邊界精度，通過對這些圖斑做層之間關(guān)系的邏輯分析，并以精度較高的邊界取代較低者，可以得到精度較好的目標(biāo)類圖斑，而進一步改善最終分類精度。為了證明本文算法的魯棒性和普適性，對多組實驗圖像以MATLAB做仿真測試，并評估了分類精度。

在下述內(nèi)容中，首先介紹研究區(qū)和測試數(shù)據(jù)集，然后將介紹分層分類和多描述符空間構(gòu)建等主要算法，隨后討論本文主算法與現(xiàn)行相應(yīng)算法的主要區(qū)別、對本文核心算法的精度和普適性評價等內(nèi)容，最后，給出一些重要結(jié)論。

2 數(shù)據(jù)來源與研究區(qū)域

本期實驗均采用高分辨率彩紅外航攝像片，圖像比例尺為1∶8000～1∶15000，空間分辨率高于2m。圖像色彩中的紅、綠、藍色分別代表近紅外（NIR，760nm～900nm）、紅色（R，630nm～690nm）、綠色（G，520nm～600nm）波段。對于多雨南方城市，很難獲得低云量覆蓋的衛(wèi)星圖像，所以這些城市常采用航空攝影來獲取用于城市測繪的圖像。近年來隨著數(shù)碼攝影技術(shù)的發(fā)展和空中攝影成本下降，城鎮(zhèn)航空攝影周期已經(jīng)大幅縮短，研究以彩紅外航片作為信息源的城鎮(zhèn)植被分類方法，符合我國多數(shù)城市的應(yīng)用需求。

實驗區(qū)為上海市建成區(qū)，具體包括：上海烈士陵園、曹楊地區(qū)和敦化路區(qū)域等。

3 方 法

3.1 概 述

使用HC方法時，先根據(jù)以下4個層面逐層分類，再根據(jù)分層繼承關(guān)系以邏輯運算整理分類結(jié)果。這4個層面的類別組合情況為：①亮區(qū)植被（vegeL）－亮背景（backL）－暗背景（backS，包括陰影和水體）－暗區(qū)植被（vegeS，包括treeS和grasS）；②喬灌木（treeG）－草地（grasG）－背景（backG）；③常綠植被（treeE）－落葉植被（treeD）－草地（grasG）－暗區(qū)植被（treeS）－背景（backG）；④針葉植被（treeC）－闊葉植被（treeB）－草地（grasG）－暗區(qū)植被（treeS）－背景（backG）。目前可以劃分的目標(biāo)類為：grasG、treeB、treeC、vegeE、vegeD、backG 5類。尾綴L、S分別表示亮區(qū)和陰影區(qū)；G、E、D、B、C分別表示普通（或混合）、常綠、落葉、闊葉、針葉。成員（members，包括像素和圖斑）整理時考慮各層的分類復(fù)雜度，當(dāng)出現(xiàn)重疊、矛盾等情況時，以復(fù)雜度較低的（通常對應(yīng)于較高的分類精度）成員取代較高者。圖1為該算法的流程圖。

3.2 采 樣

分層分類采用的主要學(xué)習(xí)機模型為決策樹。訓(xùn)練樣本由圖像點采樣（圖2）獲得，并一次性采集圖像上出現(xiàn)的植被群和背景類型，每類樣本數(shù)不少于40個。采樣類別包括：grasL、grasS、backL、backS、treeB、treeC、treeD、treeE、treeS 9類，一幅實驗圖像通常不會包括所有類別，故只對出現(xiàn)的類采樣。在分層分類中，需要根據(jù)當(dāng)前層的劃分類別，對樣本做合并整理。比如層一的劃分類別為：vegeL－vegeS－backL－backS，則將grasL、treeB、treeC、treeD、treeE合并為vegeL，而將grasS、treeS合并為vegeS。

圖1 主算法流程圖（圖中只表示常用和有效的描述符，括號內(nèi)為用于替換的數(shù)學(xué)描述符。只列舉主要、與其他層不重復(fù)的中間成果，如在層三的中間成果中未列出草地邊界等。）

圖2 圖像點采樣示意圖（上海烈士陵園）

3.3 各層的描述符組合

由于單個波譜分量對遙感圖像的類型和獲取時環(huán)境條件的變化比較敏感，分割閾值通常不確定。而使用一些具有組合、歸一化、相對值以及平滑化性質(zhì)的描述符，如歸一化植被數(shù)（Normalized Difference Vegtation Index，NDVI）等，情況通常會有較大改善。因此本文研究中采用NDVI、NDSV、土壤調(diào)整植被指數(shù)（Soil Adjusted Vegetation Index，SAVI）等波譜描述符以及邊緣密度、細節(jié)密度等紋理描述符（表1），并將它們組合構(gòu)成多描述符空間。以層一為例，其描述符組合為NDVI－V。對于一些難以辨識的植被群類型，通常以具有較鮮明圖像特征的代表性植物種表征，如以水杉（粉紅色光滑樹冠）、雪松（暗粉紅色粗糙樹冠）、龍柏（紫紅色粗糙樹冠）等代表針葉植被群（treeC），可以通過S和細節(jié)密度等區(qū)分treeC和treeB等。

表1 城鎮(zhèn)植被群分類常用描述符

3.4 分層分類和重新歸類

多層分類的關(guān)鍵技術(shù)包括：①確定分層；②描述符設(shè)計和測試；③確定各層面特征描述符組合方案；④對中間成果做邏輯判斷和重新歸類；⑤精度分析和類別替代。

重新歸類是利用層面成員之間的繼承關(guān)系對分層分類結(jié)果做整理。由于各層之間相互獨立，重新歸類可以用多重中間成果互相補償。如草地類，當(dāng)空禿較多時經(jīng)常導(dǎo)致提取不足，可以將HC結(jié)果中不同層的草地類互相補償，獲得草地“總和”grasGsum。但grasGsum并非簡單地對所有層中的草地類做邏輯或；而是針對重疊成員，以較粗類別層（分類精度較高）取代較細類別層數(shù)據(jù)。此外，由于亮暗區(qū)相同植被群類型通常相鄰，可以通過圖斑的鄰近關(guān)系分析做圖斑修復(fù)／補償（圖3（d））。

重新歸類還可以綜合修正各尺度層的分類中間成果。層間邏輯分析過程中，類別歸屬出現(xiàn)多選或歧義時，以精度較高者替代較低者。圖3（e）、圖3（f）是分別使用不同替換方法所得出的結(jié)果。通常，第一層backG提取精度較高，可以用它替代其他層的背景類。圖4（c）給出這種替代的實例。

3.5 分類成員整理

通過數(shù)學(xué)形態(tài)學(xué)的一些基本運算，可以將離散破碎的類別成員整理為類別圖斑。比如可以通過閉合“粘合”距離小于閾值的同類成員，通過開啟去除圖斑之間的搭接和圖斑邊界上的毛刺等。在該實驗中，使用了多種尺寸不同的結(jié)構(gòu)元素SE，以適應(yīng)不同圖像分辨率和不同破碎程度成員的整理。SE的尺寸可以根據(jù)樹冠尺寸自適應(yīng)決定。通常SE尺寸越大，整理后的圖斑邊界越光滑也越粗略，圖3（e）是使用3×3的SE將圖3（d）進行開啟閉合操作轉(zhuǎn)化所得，而SE的形狀對整理結(jié)果影響不大。與使用不同尺寸的SE整理類似，在使用滑動窗口統(tǒng)計值類的描述符時，采用不同尺寸的滑窗，分類結(jié)果有時會有較大差別。

若圖像對角線長為Sa，s為SE尺寸，則s＝a× Sa，a為經(jīng)驗系數(shù)，常用默認值為0.01。增大a，對在冬季圖像上提取落葉植被樹冠和提取空禿草地輪廓有利，但也可能提取過多的陰影或背景。而減小a，有助于分離粘連的樹冠等。上述多尺寸SE形態(tài)學(xué)整理和多尺寸滑窗描述符計算也體現(xiàn)了多分割思想，是與分層分類原理相似的另一種多分割。

4 分 析

4.1 HC與SC

HC分層分類方法源于多尺度分割思想?！俺叨取痹诒疚耐ǔＶ笀D像特征／描述符值域的粗略程度。比如劃分vegeG與backG，可以用常量0.11（一個經(jīng)驗值）將NDVI分為左、右兩個粗尺度區(qū)間，NDVI＞0.11為vegeG類，另一側(cè)為backG類。但如果要區(qū)分treeC和treeB類，則需用兩個細得多的NDVI尺度區(qū)間。根據(jù)實驗0.11＞NDVI＞0.15和NDVI≥0.15分別對應(yīng)這兩個類別。紋理和形狀特征使用時也存在尺度選擇問題。

HC方法允許在各層面使用各自的描述符組合方案（圖1），各層面只針對尺度相同的地物分類，分類數(shù)相對較少，分類難度下降。以圖3（a）為例，第一層劃分類別中，各類別成員的均質(zhì)度較高，提示分類精度較高?？梢越忉尀樵谳^粗尺度層，由于圖像特征／描述符的分割閾值容限通常較大，即閾值可以在一個較大的范圍里波動而不產(chǎn)生分類錯誤；同時較粗尺度層的分類數(shù)也相對較小，這兩個原因使得較粗尺度層具有較高的分類精度。而在第二層中，由于尺度變細，類別增多，背景類劃分錯誤增多，結(jié)果中出現(xiàn)了較多噪點，如圖3（b）所示。使用HC時，可以將較粗尺度層的類別成員替換其他層的相關(guān)成員，而改善最終分類精度。

如圖3所示，圖3（a）為層一劃分類別：backL－vegeL－backS－vegeS；圖3（b）為層二劃分類別：treeC－treeB－backL－backS－vegeS；圖3（c）為以層一backL、backS、vegeS替換層二的對應(yīng)成員，該操作減少了層二的噪點；圖3（d）為對圖3（c）的缺損圖斑做補償，分別膨脹treeC和treeB的圖斑，再和vegeS求邏輯與，以補償前兩類由陰影引起的圖斑缺損。由圖3可見，補償后樹冠圖斑的完整性大為改善。圖3（e）為以3×3菱形SE做形態(tài)學(xué)開啟和閉合獲得的樹冠圖斑。圖3（f）對圖3（e）的結(jié)果做類別置換，即以層二的較粗類別替代具有繼承關(guān)系的成員。由圖3可見，置換后樹冠圖斑的完整性進一步改善。

下面比較HC與傳統(tǒng)SC方法的分類精度。表2為5幅實驗圖像SC和HC分類全局精度（Overall accuracy，OA）對照表。由表可見，HC的OA平均值為90.74，最高為94.07%；相比SC的值分別為82.59%和85.24%。HC比SC平均高約5%～10%。分析還表明，由于HC各層面只針對尺度相同的地物分類，分類難度降低；且各層之間相關(guān)的類別成員可以相互修正補償，因此最終分類精度較SC分類方法有明顯提高。圖4（e）和圖4（f）給出了一個使用HC和SC的對比實例。

圖3 分層分類和重新歸類實例（敦化路區(qū)域）

表2 單層和多層分類精度對比

圖4 重新歸類實例及單層分類實例

其中，圖4（a）為圖4（b）、圖4（c）的原圖像；圖4（b）為初始分類圖；圖4（c）為對圖4（b）做HC修正后圖，修正包括：用canny算子檢測邊緣提取grasG，與圖4b中g(shù)rasG成員做邏輯與，以精度較高的backG替換圖4（b）中的backG，采用圖3（d）的方法補償缺損圖斑；圖4（d）為圖4（e）、圖4（f）的原圖像；圖4（e）為傳統(tǒng)SC分類；圖4（f）為HC分類。對比圖4（e）和圖4（f）可見，后者類別成員的均質(zhì)度改善，提示精度有較大提高。

4.2 主算法分類精度評估

為檢測本文多（層）分類方法的分類精度，將樣本分為訓(xùn)練集和測試集，兩個集的樣本完全不重疊。訓(xùn)練集每類樣本不少于40個，測試集每類不少于30個。分類步驟與上文所述方法一樣，并以混淆矩陣評估分類精度（表3、表4）。由表3、表4可見，使用多（層）分類的生產(chǎn)者精度平均高于90%，最低不小于85%，各類別的誤差分布比較均衡。兩個實例的平均全局精度為92.32%，平均Kappa系數(shù)為0.8982。初步證明HC算法的分類精度較高且比較穩(wěn)定。

另外，對于HC，采用不同的窗口和SE尺度、不同的補償和置換方法、不同的描述符組合，以及不同的邏輯整理方法，得到的目標(biāo)類別可能不同。為了減少人工干預(yù)，增加算法的科學(xué)性和普適性，上述部分尺度參數(shù)采用自適應(yīng)方法調(diào)整。

表3 圖4（a）分類混淆矩陣

表4 圖4（d）分類混淆矩陣

5 結(jié)束語

本文以城鎮(zhèn)植被分類為例提出和實踐了多（層）分類。它分為“分層多描述符空間的多（層）分類”以及“邏輯分析和重新歸類”兩個主要部分。分層多（層）分類通過將植被和背景類別分層分類，降低各層的分類數(shù)，以及在各層面只針對尺度相同的地物分類，而使分類難度大幅下降。通過在各層面使用各自的描述符組合方案，適應(yīng)當(dāng)前層面分類對象的特點，來改善各層分類的不確定性，以及通過提高粗尺度層的分類精度，并以這種高精度的中間成果修正和補償其他尺度層的中間成果，而最終提高目標(biāo)類別精度。與傳統(tǒng)單層分類相比，多層分類的精度約可以提高5%～10%。精度評估結(jié)果顯示，多（層）分類的總體精度在85%以上。

［1］ MORANCHO A B.A hedonic valuation of urban green areas［J］.Landscape and Urban Planning，2003，66（1）：35－41.

［2］ AWAL M A，OHTA T，KAZUHO M，et al.Comparing the carbon sequestration capacity of temperate deciduous forests between urban and rural landscapes in central Japan［J］.Urban Forestry ＆Urban Greening，2010，9（3）：261－270.

［3］ 王慶日.城市綠地的價值及其評估研究［D］.浙江：浙江大學(xué)博士學(xué)位論文，2003.

［4］ 陳春末.GIS技術(shù)支持下的城市綠地效益評價研究——以上海市為例［D］.上海：華東師范大學(xué)碩士學(xué)位論文，2006.

［5］ 李娜.川西亞高山森林植被生物量及碳儲量遙感估算研究［D］.四川：四川農(nóng)業(yè)大學(xué)碩士學(xué)位論文，2008.

［6］ 肖興威.中國森林生物量與生產(chǎn)力的研究［D］.黑龍江：東北林業(yè)大學(xué)博士學(xué)位論文，2005.

［7］ 周敏.大山村林農(nóng)復(fù)合系統(tǒng)生態(tài)學(xué)基礎(chǔ)及綜合效益評價［D］.安徽：安徽農(nóng)業(yè)大學(xué)碩士學(xué)位論文，2009.

［8］ 邢艷秋.基于RS和GIS東北天然林區(qū)域森林生物量及碳貯量估測研究［D］.黑龍江：東北林業(yè)大學(xué)博士學(xué)位論文，2005.

［9］ 馮莉莉.昆明植物園東園綠地部分生態(tài)效益研究［D］.云南：西南林學(xué)院碩士研究生學(xué)位論文，2009.

［10］ 高峰.竹類植物在風(fēng)景園林建設(shè)中的綜合利用研究——以云南祿豐“恐龍湖生態(tài)竹園”規(guī)劃為例［D］.云南：西南林學(xué)院碩士研究生學(xué)位論文，2006.

［11］ 曹長軍.樂山市城市生態(tài)環(huán)境可持續(xù)發(fā)展能力評價分析［D］.重慶：西南大學(xué)碩士學(xué)位論文，2007.

［12］ 程之牧，孫建中，姜志祥.上海城市遙感應(yīng)用研究［J］.國土資源遙感，1996，27（1）：1－8.

［13］ 劉建貴，張兵，鄭蘭芬，等.成像光譜數(shù)據(jù)在城市遙感中的應(yīng)用研究［J］.遙感學(xué)報，2008，4（3）：224－227.

［14］ ZHANG J X，HUANG G M，LIU J P.SAR remote sensing monitoring of the Yushu earthquake disaster situation and the information service system［J］.Journal of Remote Sensing，2010，14（5）：1038－1050.

［15］ ARDILA J P，TOLPEKIN V A，BIJKER W，et al.Context－sensitive extraction of tree crown objects in urban areas using VHR satellite images［J］.International Journal of Applied Earth Observation and Geoinformation，2012，15（10）：57－69.

［16］ 張友靜，高云霄，黃浩，等.基于SVM決策支持樹的城市植被類型遙感分類研究［J］.遙感學(xué)報，2006，10（2）：191－196.

［17］ WULDER M A，HALL R J，COOPS N C，et al.High spatial resolution remotely sensed data for ecosystem characterization［J］.Biocience，2004（54）：511－521.

［18］ WHITE J C，HAY G J，CASTILLA G.Towards automated classification of forest inventory polygons on high spatial resolution satellite imagery［J］.Forestry Chronicle，2008，84（2）：221－230.

［19］ 周堅華，周一凡，穆望舒.城鎮(zhèn)綠地樹種識別的數(shù)學(xué)描述符［J］.遙感學(xué)報，2011，15（3）：524－538.

［20］ BENVENISTE A，NIKOUKHAH R，WILLSKY A S.Multi scale system theory［C］.Proc.29thIEEE.Conf.on Decision and Control，IEEE：Honolulu，1990：2484－2487.

［21］ BENVENISTE A，NIKOUKHAH R，WILLSKY A S.Multi scale system theory［J］.IEEE Trans.Fundamental Theory and Applications，1994，14（l）：2－14.

［22］ WILLSKY A S.Multiresolution markov models for signal and image processing［C］.Proc.of the IEEE，2002，90（8）：1396－1458.

［23］ 黃慧萍.面向?qū)ο笥跋穹治鲋械某叨葐栴}研究［D］.北京：中國科學(xué)院遙感應(yīng)用研究所博士學(xué)位論文，2003.

Classification of Urban Vegetation Population Through Hierarchical Classification in Multi－descriptor Space

JIANG Xuan1，ZHOU Jian－h(huán)ua2
（1.Department of Geography，East China Normal University，Shanghai 200062；2.Key Lab of Geographical Information Science，Ministry of Education，East China Normal University，Shanghai 200062）

Constrained by limited urban land resources and the needs in artificial aesthetics，urban landscape vegetation is often characterized by scattered distribution，complex structure，various species and the shaded scene resulting in the severe challenges to the classification of vegetation population from remotely sensed imagery.To solve this problem，this paper presents an algorithm to classify vegetation populations such as the lawn，trees，broadleaf，conifers，deciduous and evergreen plants by using hierarchical classification（HC）in multi－descriptor space，that is，conducting multi－layer classifications in accordance with the hierarchical relationship of the classes and using different combinations of mathematical descriptors for the classifications.For example，the two classes of with and with no vegetation cover will firstly be separated.This will be followed by the classification between grass and trees（and／or shrubs）from the previous vegetation－covered class.After this the separation between broadleaf and conifers plants or between deciduous and evergreen plants from the above tree／shrub classes can be reached.By using the inheritance relationship between these classes in different layers，the accuracy of classification can further be improved because the boundary of a patch of a class in a certain layer can be replaced with a more accurate one of the same class in another layer.The whole algorithm was tested by MATLAB simulation.It is revealed that the overall accuracy（OA）is about 85%by using HC and has 5%to 10%better than that by using conventional single－layer classification.

city vegetation population；hierarchical classification；multi－descriptor space；vegetation classification

10.3969／j.issn.1000－3177.2015.02.007

TP391.6

A

1000－3177（2015）138－0043－07

2014－03－06

2014－04－21

國家理科基地科研訓(xùn)練及科研能力提高項目（J1310028）；國家自然科學(xué)基金項目（41071275）。

蔣軒（1992～），女，本科生，研究方向為地理信息系統(tǒng)。

E－mail：1543494718＠qq.com

周堅華（1956～），男，副教授，研究方向為遙感圖像分析和城市遙感。

E－mail：jhzhou＠geo.ecnu.edu.cn