基于ICA面向?qū)ο蟮母匦畔⑻崛?/h1>
2016-10-20 15:47:27歐陽濤劉振華肖北生
江蘇農(nóng)業(yè)科學(xué) 2016年7期 關(guān)鍵詞：信息提取
歐陽濤 劉振華 肖北生
摘要：對高分一號衛(wèi)星影像的波段進行獨立成分分析轉(zhuǎn)換（ICA），分析耕地在轉(zhuǎn)換后影像的波段特征、紋理特征以及空間特征，再使用面向?qū)ο蟮姆椒ㄌ崛「?。相對于主成分轉(zhuǎn)換的面向?qū)ο蠓诸惡蟮木?，?jīng)過獨立成分分析能夠有效消除波段之間的二階甚至是高階相關(guān)，經(jīng)其變換的各分量之間也能保持相互獨立。主成分轉(zhuǎn)換的面向?qū)ο笳w精度為72.50%，κ系數(shù)是0.675 4。獨立成分轉(zhuǎn)換波段的面向?qū)ο筇崛「氐姆椒ㄕw精度達87.01%，κ系數(shù)是0.846 3。提取耕地的制圖者精度平均達89.25%，用戶精度平均達85.09%。說明將預(yù)處理的波段進行獨立成分分析轉(zhuǎn)換，能夠更加有效地提取耕地類型，是一種有效、可行的提取方法。
關(guān)鍵詞：面向?qū)ο蠓椒?；獨立成分分析轉(zhuǎn)換；耕地資源；信息提取
中圖分類號： P237 文獻標志碼： A 文章編號：1002-1302（2016）07-0372-05
耕地資源是人類賴以生存和發(fā)展的物質(zhì)基礎(chǔ)，快速、準確地提取耕地信息對耕地動態(tài)監(jiān)測、耕地保護以及土地資源利用程度分析等具有重要意義。傳統(tǒng)的遙感分類以單個像素為研究對象，僅根據(jù)光譜特征信息進行分類，這樣的分類會導(dǎo)致遙感影像中同物異譜、異物同譜現(xiàn)象普遍存在，使得地物分類的精度降低。隨著遙感衛(wèi)星的迅猛發(fā)展，高空間分辨率影像為高精度地物分類提供了可能。然而高分辨率影像在提高空間分辨率的同時，也增強了耕地的內(nèi)部差異性，使得耕地覆蓋的光譜表現(xiàn)呈現(xiàn)多樣性，加大了耕地準確提取的難度[1]。因此，對原始波段進行某種有效轉(zhuǎn)換，使用轉(zhuǎn)換后影像中的紋理、空間、光譜特征，采取面向?qū)ο蠓椒ㄟM行分類，能更有效地提高提取耕地精度。面向?qū)ο螅╫bject-oriented）是指采用多尺度分割法則，獲得每個影像對象的地物特征（包括光譜特征、幾何結(jié)構(gòu)特征、紋理特征、語義關(guān)系），并以影像對象為信息提取的基本單元而非影像單個像素，實現(xiàn)地物類別的自動提取[2]。鄧勁松等將比值植被指數(shù)RVI和歸一化植被指數(shù)NDVI作為新的波段，融入到SPOT5影像中，在增加有效信息量的同時，利用簡單的決策樹模型提取耕地信息，結(jié)果表明，該方法能夠在快速、準確地提取植被信息的基礎(chǔ)上，進一步區(qū)分旱地和水田，并且去除容易混淆的園地[3]。邵蔚等以陜西省榆林市某區(qū)域作為研究區(qū)，針對QuickBird影像，基于面向?qū)ο蠓诸惖乃枷虢⒘送恋乩梅诸愐?guī)則集，分別在3個分割尺度上獲取耕地、旱地、水澆地[4]。東啟亮等將Landsat TM影像和SPOT5影像進行獨立成分分析和主成分分析，處理后的影像進行濕地提取，提取濕地的整體精度和κ系數(shù)都有一定程度提高[5]。面向?qū)ο笮畔⑻崛》椒ㄓ?個關(guān)鍵問題：第一是如何合理選擇影像分割算法與最佳分割參數(shù)，選擇不同的參數(shù)和算法將會影響信息提取的精度，大多數(shù)試驗選擇參數(shù)時采用重復(fù)試驗方法；第二是對象特征選取和分類規(guī)則的建立[6-9]。本研究引入獨立分量分析方法（ICA），獲取對象特征，建立規(guī)則數(shù)據(jù)庫，提取耕地信息，并對分類后的結(jié)果進行精度檢驗，探討ICA方法對耕地提取精度的影響，旨在解決高分辨率中提取耕地信息的問題。
1 數(shù)據(jù)來源與預(yù)處理
本研究所用的遙感數(shù)據(jù)為高分一號衛(wèi)星獲取的2013年12月8 m多光譜影像和2 m全色影像數(shù)據(jù)。多光譜影像包含4個波段：藍波段-b1（450～520 nm）、綠波段-b2（520～590 nm）、紅波段-b3（630～690 nm）、近紅外波段-b4（770～890 nm）。全色波段波長450～900 nm。將影像進行輻射定標、大氣校正，利用DEM文件和影像的RPC文件進行正射校正以及Gram-Schmidt融合。對融合后的影像進行裁剪，裁剪的研究區(qū)域為3.34 km×4.46 km，融合后的空間分辨率為2 m（圖1）。
2 方法
2.1 獨立成分轉(zhuǎn)換
獨立成分分析方法（independent component analysis，ICA）基本思想是用一組獨立的基函數(shù)來表示一系列隨機變量，算法如下：設(shè)N個波段的高光譜數(shù)據(jù)的觀測信號為X=（x1，x2，…，xN）T，每個觀測信號是m個獨立的、非高斯分布的源信號S=（s1，s2，…，sM）T的線性組合，即X=AS，其中A=（αij）N·M為未知的混合矩陣[10]。ICA變換就是在混合矩陣A和獨立成分S未知的情況下，根據(jù)觀測數(shù)據(jù)X確定分離矩陣W=（w1，w2，…，wM）T，使得變換后的輸出S*=A+X=WX是對S的最優(yōu)估計?；诨バ畔⒆钚』畔⒗碚摚捎秘撿囟攘繙?/p>
則作為判斷向量相互獨立的標準，其表達式為：
2.2 面向?qū)ο蠓诸惙?/p>
本研究采用面向?qū)ο蟮奶卣魈崛》椒?，該方法通過一定的分割算法，對遙感影像進行分割，生成任意尺度下內(nèi)部特征信息類似的影像分割對象，運用模糊邏輯方法獲得每個影像對象的特征信息，以影像對象為特征提取基本單元，在特征空間中進行對象識別，完成地物信息提取[11]。依據(jù)相鄰像元的特征值（光譜、紋理、顏色等），采用合適的算法分割影像，使得分割對象內(nèi)特征呈一致性，對象間特征呈差異性。分割后的碎片稱為“對象”，與現(xiàn)實世界的對象是一一對應(yīng)的，這是選擇分割尺度的重要依據(jù)[12]。本研究采用基于邊界分割算法，不僅運算速度快，而且只需要1個參數(shù)（分割尺度），這種算法依靠抑制弱邊界，可達到多尺度分割的結(jié)果。分割尺度屬于空間范疇概念，是一種無量綱化表達。分割尺度范圍在0～100之間，分割尺度越小，分割數(shù)量對象越多；分割尺度越大，分割數(shù)量對象越少。影像分割時，為了保證將興趣對象不分割到其他對象中，不可避免會將興趣對象分割成多個小對象，所以，采用Full Lambda-Schedule算法[13]合并那些由于分割尺度選擇不當而造成的破碎對象，達到分割影像初始目標的目的，從而提高分割對象的精度。Full Lambda-Schedule算法迭代合并相鄰基于空間和光譜的信息。合并發(fā)生在1對相鄰的地區(qū)，例如合并值小于一個λ閾值。Full Lambda-Schedule算法公式為：
式中：Oi指圖像的區(qū)域i；|Oi|指圖像區(qū)域i的面積；ui是區(qū)域i的平均值；uj是區(qū)域j的平均值；‖ui-uj‖是區(qū)域i和j之間的光譜值的歐幾里德距離；length[（Oi，Oj）]是和的共同部分的邊長。
合并尺度范圍在0～100之間，合并尺度越大，越多的分割對象進行合并，合并尺度越小，越少的分割對象進行合并。根據(jù)具體的地物特征以及地物信息特點來選擇合適的分割尺度、合并尺度進行分割。圖像分割對象后，針對感興趣的地物類型，采集地物類型的光譜特征、空間特征、紋理特征，逐步建立各種規(guī)則，提取遙感影像中的地物信息進行圖像分類。
3 結(jié)果與分析
3.1 ICA轉(zhuǎn)換結(jié)果
利用ICA對遙感圖像進行變換，得到一組相互獨立的成分圖像，在這些成分圖像上，各種相關(guān)信息得到很好的分離。將轉(zhuǎn)換后的波段IC3賦予紅色，IC2賦予綠色，IC1賦予藍色。ICA轉(zhuǎn)換后的研究區(qū)域如圖2所示。各種典型地物均值在轉(zhuǎn)換波段后研究區(qū)域的具體統(tǒng)計值如表1所示，ICA統(tǒng)計曲線如圖3所示。
從表1可知，可以利用各種典型地物在IC波段中的差異來設(shè)定閾值進行分類，例如水體等。但是，有些典型地物在IC波段的均值非常接近，僅僅依靠IC波段的光譜特征仍然無法分類出耕地等其他地物。因此，本研究同時運用IC波段中的紋理特征以及空間特征、NDVI值等影像信息，用面向?qū)ο蟮姆椒ㄟM行分割分類，提取耕地。
3.2 ICA轉(zhuǎn)換波段的面向?qū)ο蠓诸惙ǖ囊?guī)則
從表1可知，水體、道路等非耕地IC波段紋理、空間等特征都與耕地有相互的重疊區(qū)域。因此，直接提取耕地將會包含這些非耕地的信息，降低分類精度。應(yīng)先提取非耕地波段以及空間特征等明顯典型地物，用掩膜去除這些地物，在未分類影像中繼續(xù)提取其他地物。如果地物面積較大，且紋理清晰則分割尺度可以稍大，分割數(shù)量越小，合并尺度稍大，合并數(shù)量越多，地物更為集中。每次提取一個地物，建立掩膜，從未分類的影像中依次提取水體、道路、居民點、林地等。
3.2.1 水體的提取規(guī)則 水體主要是以湖泊、水庫等形式來進行呈現(xiàn)，面積較大，紋理分布較均勻，NDVI值明顯較小。經(jīng)過反復(fù)試驗，本研究選擇的提取水體規(guī)則如表2所示。
3.2.2 道路的提取規(guī)則 提取水體后，把提取出來的水體建立掩膜文件，在未分類的影像中繼續(xù)提取其他地物。道路主要橫穿林地、建筑物、農(nóng)田等，空間特征較突出，長度較長。經(jīng)過反復(fù)試驗，選擇的提取道路規(guī)則如表3所示。
3.2.3 居民點的提取規(guī)則 居民點在每個光譜的亮度值幾乎一樣，矩形的長寬比比較突出。經(jīng)過反復(fù)試驗，選擇的提取居民點規(guī)則如表4所示。
3.2.4 林地的提取規(guī)則 林地的NDVI值較大，而且面積較大，光譜特征非常明顯。經(jīng)過反復(fù)試驗，選擇的提取林地規(guī)則如表5所示。
3.2.5 耕地的提取規(guī)則 耕地主要分為旱地、水澆地以及水田。在預(yù)處理后的4個波段中，這3種耕地類別的光譜特征非常接近，所以進行了ICA轉(zhuǎn)換。在IC波段設(shè)置規(guī)則，分類前4個地物類別，在未分類影像中繼續(xù)進行分類。 旱地分布較為零散，分類規(guī)則較多，使用的是經(jīng)過獨立成分轉(zhuǎn)換后的波段，IC1、IC2、IC3、IC4指經(jīng)過獨立成分轉(zhuǎn)換后的4個波段，同理TEXTURE（ICi）指第i個波段的紋理信息。經(jīng)過反復(fù)試驗，選擇的提取旱地規(guī)則如表6所示。
同理，分類旱地之后，提取水澆地。由于研究區(qū)域水澆地面積小，而且分布較為集中，因此使用紋理信息、緊湊度、NDVI 值，建立的規(guī)則多次使用空間特征的緊湊度。經(jīng)過反復(fù)試驗，選擇的提取水澆地規(guī)則如表7所示。
分類水澆地之后，未分類的影像中絕大部分都是水田。水田的紋理較為清晰，主要分布在道路附近。經(jīng)過反復(fù)試驗，選擇的提取水田規(guī)則如表8所示。
3.3 面向?qū)ο蠓诸惙ǖ慕Y(jié)果圖
本研究首先選擇了主成分分析轉(zhuǎn)換波段且使用面向?qū)ο蠓椒ㄟM行分類，經(jīng)過ICA轉(zhuǎn)換后，使用面向?qū)ο蠓椒ǖ贸龇诸悎D。主成分分析轉(zhuǎn)換和ICA轉(zhuǎn)換的面向?qū)ο蠓ǚ诸惤Y(jié)果見圖3、圖4。
對主成分分析轉(zhuǎn)換的面向?qū)ο蠓ǚ诸悎D和ICA轉(zhuǎn)換波段的面向?qū)ο蠓ǚ诸悎D進行精度評價。選取一樣的隨機樣本點作為檢驗樣本，分別評價這2種分類方法的精度，這2種方法的混淆矩陣如表9、表10所示。
由表9、表10可知，經(jīng)過主成分分析轉(zhuǎn)換的面向?qū)ο蠓椒ㄕw精度只有72.50%，κ系數(shù)為0.675 4。ICA轉(zhuǎn)換波段的面向?qū)ο蠓椒ㄌ崛≌w精度達87.01%，κ系數(shù)是0.846 3。將預(yù)處理后波段ICA轉(zhuǎn)換后進行分類，相比于經(jīng)過主成分分析轉(zhuǎn)換的面向?qū)ο蠓椒ǎ鞣N典型地物精度都得到了顯著提高。其中，在旱地、水田、水澆地上，經(jīng)過主成分分析轉(zhuǎn)換的面向?qū)ο蠓椒ǖ闹茍D者精度分別為70.53%、74.80%、7495%，用戶精度分別為76.99%、77.85%、72.32%。ICA方法的制圖者精度分別為90.18%、88.74%、88.83%；用戶精度分別為88.64%、86.66%、79.88%。這說明基于ICA轉(zhuǎn)換波段的面向?qū)ο蠓椒ㄌ崛》椒ㄊ强尚械?，可以有效提取旱地、水田、水澆地等地類的精度?/p>
4 結(jié)論與討論
獨立成分分析方法（ICA）基于高階統(tǒng)計信息，不但可以去除波段之間的相關(guān)性，而且可以得到各分量之間相互獨立的特性，增強不同地類之間的可分離性，ICA轉(zhuǎn)換波段處理的高分影像變得更加清晰，圖像信息損失少，其對高分影像耕地信息提取的總體精度和κ系數(shù)都大于經(jīng)過主成分分析轉(zhuǎn)換的面向?qū)ο蠓椒ǎ軌蚋呔忍崛「匦畔?、提高分類精度。本研究利用ICA轉(zhuǎn)換波段，提取了紋理信息、光譜信息和空間特征緊湊度，并結(jié)合NDVI值，建立了規(guī)則知識庫，獲取的規(guī)則知識庫比主成分分析轉(zhuǎn)換后獲取的規(guī)則知識庫更優(yōu)，分類結(jié)果更為合理。本研究逐步提取地物類別，仍然會把部分地物信息錯誤地進行分類，例如道路和居民點信息以及水田與旱地的信息較為接近，較容易混淆。此外，需根據(jù)大量的重復(fù)性試驗和花費大量的時間來獲取閾值，因此，后續(xù)研究中應(yīng)選取更為有效、簡便的方法。
參考文獻：
[1]孫家波.基于知識的高分辨率遙感影像耕地自動提取技術(shù)研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2014.
[2]Hay G J，Marceau D J，Dubé P，et al. A multiscale framework for landscape analysis：object-specific analysis and upscaling[J]. Landscape Ecology，2001，16（6）：471-490.
[3]鄧勁松，王 珂，沈掌泉，等. 基于特征波段的SPOT-5衛(wèi)星影像耕地信息自動提取的方法研究[J]. 農(nóng)業(yè)工程學(xué)報，2004，20（6）：145-148.
[4]邵 蔚，張友靜，王玲玲，等. 土地利用分類規(guī)則集的構(gòu)建與應(yīng)用研究[J]. 遙感信息，2012（1）：88-94.
[5]東啟亮，林 輝，孫 華，等. 獨立分量分析與主成分分析方法的濕地遙感分類精度對比——以西洞庭湖濕地為例[J]. 濕地科學(xué)，2014，12（3）：332-339.
[6]別 強，何 磊，趙傳燕. 基于影像融合和面向?qū)ο蠹夹g(shù)的植被信息提取研究[J]. 遙感技術(shù)與應(yīng)用，2014，29（1）：164-171.
[7]朱超洪，劉 勇. 基于影像認知和地學(xué)理解的面向?qū)ο蠓诸愌芯縖J]. 遙感技術(shù)與應(yīng)用，2012，27（4）：536-541.
[8]Dronova I，Gong P，Nicholas E，et al. Landscape analysis of wetland plant functional types：the effects of image segmentation scale，vegetation classes and classification methods[J]. Remote Sensing of Environment，2012，127：357-369.
[9]郭亞鴿，于信芳，江 東，等. 面向?qū)ο蟮纳种脖粓D像識別分類方法[J]. 地球信息科學(xué)學(xué)報，2012，14（4）：514-522.
[10]葛山運. 基于MNF、PCA與ICA結(jié)合的高光譜數(shù)據(jù)特征提取方法[J]. 城市勘測，2013（2）：103-106.
[11]黃慧萍，吳炳方，李苗苗，等. 高分辨率影像城市綠地快速提取技術(shù)與應(yīng)用[J]. 遙感學(xué)報，2004，8（1）：68-74.
[12]王新軍，武紅旗，盛建東，等. 面向?qū)ο蟮母叻直媛视跋窀匦畔⑻崛J]. 新疆農(nóng)業(yè)科學(xué)，2012，49（2）：371-378.
[13]Robinson D J，Redding N J，Crisp D J. Implementation of a fast algorithm for segmenting SAR imagery[R]. Scientific and Technical Report，2002.
猜你喜歡
基于信號處理技術(shù)的正念腦電信息提取方法現(xiàn)代電子技術(shù)(2017年17期)2017-09-08 06:28:37 建筑電氣設(shè)計中BIM技術(shù)的應(yīng)用研究科學(xué)與財富(2017年19期)2017-07-19 13:07:59 短時記憶影響人的學(xué)習(xí)中國科技博覽(2017年11期)2017-05-25 17:44:28 基于Clang的AST提取結(jié)構(gòu)體數(shù)據(jù)庫插件的實現(xiàn)電腦知識與技術(shù)(2017年6期)2017-04-26 07:27:49 改正通告檢查中若干問題的分析研究航海(2017年1期)2017-02-16 21:26:59 改正通告檢查中若干問題的分析研究航海(2017年1期)2017-02-16 20:06:02 改正通告檢查中若干問題的分析研究航海(2017年1期)2017-02-16 17:23:40 改正通告檢查中若干問題的分析研究航海(2017年1期)2017-02-16 17:16:03 享游景區(qū)服務(wù)系統(tǒng)的開發(fā)和研究電腦知識與技術(shù)(2016年14期)2016-06-30 19:24:46 Excel函數(shù)在學(xué)生日常管理中的應(yīng)用電腦知識與技術(shù)(2016年2期)2016-03-22 13:48:54
歐陽濤 劉振華 肖北生
摘要：對高分一號衛(wèi)星影像的波段進行獨立成分分析轉(zhuǎn)換（ICA），分析耕地在轉(zhuǎn)換后影像的波段特征、紋理特征以及空間特征，再使用面向?qū)ο蟮姆椒ㄌ崛「?。相對于主成分轉(zhuǎn)換的面向?qū)ο蠓诸惡蟮木?，?jīng)過獨立成分分析能夠有效消除波段之間的二階甚至是高階相關(guān)，經(jīng)其變換的各分量之間也能保持相互獨立。主成分轉(zhuǎn)換的面向?qū)ο笳w精度為72.50%，κ系數(shù)是0.675 4。獨立成分轉(zhuǎn)換波段的面向?qū)ο筇崛「氐姆椒ㄕw精度達87.01%，κ系數(shù)是0.846 3。提取耕地的制圖者精度平均達89.25%，用戶精度平均達85.09%。說明將預(yù)處理的波段進行獨立成分分析轉(zhuǎn)換，能夠更加有效地提取耕地類型，是一種有效、可行的提取方法。
關(guān)鍵詞：面向?qū)ο蠓椒?；獨立成分分析轉(zhuǎn)換；耕地資源；信息提取
中圖分類號： P237 文獻標志碼： A 文章編號：1002-1302（2016）07-0372-05
耕地資源是人類賴以生存和發(fā)展的物質(zhì)基礎(chǔ)，快速、準確地提取耕地信息對耕地動態(tài)監(jiān)測、耕地保護以及土地資源利用程度分析等具有重要意義。傳統(tǒng)的遙感分類以單個像素為研究對象，僅根據(jù)光譜特征信息進行分類，這樣的分類會導(dǎo)致遙感影像中同物異譜、異物同譜現(xiàn)象普遍存在，使得地物分類的精度降低。隨著遙感衛(wèi)星的迅猛發(fā)展，高空間分辨率影像為高精度地物分類提供了可能。然而高分辨率影像在提高空間分辨率的同時，也增強了耕地的內(nèi)部差異性，使得耕地覆蓋的光譜表現(xiàn)呈現(xiàn)多樣性，加大了耕地準確提取的難度[1]。因此，對原始波段進行某種有效轉(zhuǎn)換，使用轉(zhuǎn)換后影像中的紋理、空間、光譜特征，采取面向?qū)ο蠓椒ㄟM行分類，能更有效地提高提取耕地精度。面向?qū)ο螅╫bject-oriented）是指采用多尺度分割法則，獲得每個影像對象的地物特征（包括光譜特征、幾何結(jié)構(gòu)特征、紋理特征、語義關(guān)系），并以影像對象為信息提取的基本單元而非影像單個像素，實現(xiàn)地物類別的自動提取[2]。鄧勁松等將比值植被指數(shù)RVI和歸一化植被指數(shù)NDVI作為新的波段，融入到SPOT5影像中，在增加有效信息量的同時，利用簡單的決策樹模型提取耕地信息，結(jié)果表明，該方法能夠在快速、準確地提取植被信息的基礎(chǔ)上，進一步區(qū)分旱地和水田，并且去除容易混淆的園地[3]。邵蔚等以陜西省榆林市某區(qū)域作為研究區(qū)，針對QuickBird影像，基于面向?qū)ο蠓诸惖乃枷虢⒘送恋乩梅诸愐?guī)則集，分別在3個分割尺度上獲取耕地、旱地、水澆地[4]。東啟亮等將Landsat TM影像和SPOT5影像進行獨立成分分析和主成分分析，處理后的影像進行濕地提取，提取濕地的整體精度和κ系數(shù)都有一定程度提高[5]。面向?qū)ο笮畔⑻崛》椒ㄓ?個關(guān)鍵問題：第一是如何合理選擇影像分割算法與最佳分割參數(shù)，選擇不同的參數(shù)和算法將會影響信息提取的精度，大多數(shù)試驗選擇參數(shù)時采用重復(fù)試驗方法；第二是對象特征選取和分類規(guī)則的建立[6-9]。本研究引入獨立分量分析方法（ICA），獲取對象特征，建立規(guī)則數(shù)據(jù)庫，提取耕地信息，并對分類后的結(jié)果進行精度檢驗，探討ICA方法對耕地提取精度的影響，旨在解決高分辨率中提取耕地信息的問題。
1 數(shù)據(jù)來源與預(yù)處理
本研究所用的遙感數(shù)據(jù)為高分一號衛(wèi)星獲取的2013年12月8 m多光譜影像和2 m全色影像數(shù)據(jù)。多光譜影像包含4個波段：藍波段-b1（450～520 nm）、綠波段-b2（520～590 nm）、紅波段-b3（630～690 nm）、近紅外波段-b4（770～890 nm）。全色波段波長450～900 nm。將影像進行輻射定標、大氣校正，利用DEM文件和影像的RPC文件進行正射校正以及Gram-Schmidt融合。對融合后的影像進行裁剪，裁剪的研究區(qū)域為3.34 km×4.46 km，融合后的空間分辨率為2 m（圖1）。
2 方法
2.1 獨立成分轉(zhuǎn)換
獨立成分分析方法（independent component analysis，ICA）基本思想是用一組獨立的基函數(shù)來表示一系列隨機變量，算法如下：設(shè)N個波段的高光譜數(shù)據(jù)的觀測信號為X=（x1，x2，…，xN）T，每個觀測信號是m個獨立的、非高斯分布的源信號S=（s1，s2，…，sM）T的線性組合，即X=AS，其中A=（αij）N·M為未知的混合矩陣[10]。ICA變換就是在混合矩陣A和獨立成分S未知的情況下，根據(jù)觀測數(shù)據(jù)X確定分離矩陣W=（w1，w2，…，wM）T，使得變換后的輸出S*=A+X=WX是對S的最優(yōu)估計?；诨バ畔⒆钚』畔⒗碚摚捎秘撿囟攘繙?/p>
則作為判斷向量相互獨立的標準，其表達式為：
2.2 面向?qū)ο蠓诸惙?/p>
本研究采用面向?qū)ο蟮奶卣魈崛》椒?，該方法通過一定的分割算法，對遙感影像進行分割，生成任意尺度下內(nèi)部特征信息類似的影像分割對象，運用模糊邏輯方法獲得每個影像對象的特征信息，以影像對象為特征提取基本單元，在特征空間中進行對象識別，完成地物信息提取[11]。依據(jù)相鄰像元的特征值（光譜、紋理、顏色等），采用合適的算法分割影像，使得分割對象內(nèi)特征呈一致性，對象間特征呈差異性。分割后的碎片稱為“對象”，與現(xiàn)實世界的對象是一一對應(yīng)的，這是選擇分割尺度的重要依據(jù)[12]。本研究采用基于邊界分割算法，不僅運算速度快，而且只需要1個參數(shù)（分割尺度），這種算法依靠抑制弱邊界，可達到多尺度分割的結(jié)果。分割尺度屬于空間范疇概念，是一種無量綱化表達。分割尺度范圍在0～100之間，分割尺度越小，分割數(shù)量對象越多；分割尺度越大，分割數(shù)量對象越少。影像分割時，為了保證將興趣對象不分割到其他對象中，不可避免會將興趣對象分割成多個小對象，所以，采用Full Lambda-Schedule算法[13]合并那些由于分割尺度選擇不當而造成的破碎對象，達到分割影像初始目標的目的，從而提高分割對象的精度。Full Lambda-Schedule算法迭代合并相鄰基于空間和光譜的信息。合并發(fā)生在1對相鄰的地區(qū)，例如合并值小于一個λ閾值。Full Lambda-Schedule算法公式為：
式中：Oi指圖像的區(qū)域i；|Oi|指圖像區(qū)域i的面積；ui是區(qū)域i的平均值；uj是區(qū)域j的平均值；‖ui-uj‖是區(qū)域i和j之間的光譜值的歐幾里德距離；length[（Oi，Oj）]是和的共同部分的邊長。
合并尺度范圍在0～100之間，合并尺度越大，越多的分割對象進行合并，合并尺度越小，越少的分割對象進行合并。根據(jù)具體的地物特征以及地物信息特點來選擇合適的分割尺度、合并尺度進行分割。圖像分割對象后，針對感興趣的地物類型，采集地物類型的光譜特征、空間特征、紋理特征，逐步建立各種規(guī)則，提取遙感影像中的地物信息進行圖像分類。
3 結(jié)果與分析
3.1 ICA轉(zhuǎn)換結(jié)果
利用ICA對遙感圖像進行變換，得到一組相互獨立的成分圖像，在這些成分圖像上，各種相關(guān)信息得到很好的分離。將轉(zhuǎn)換后的波段IC3賦予紅色，IC2賦予綠色，IC1賦予藍色。ICA轉(zhuǎn)換后的研究區(qū)域如圖2所示。各種典型地物均值在轉(zhuǎn)換波段后研究區(qū)域的具體統(tǒng)計值如表1所示，ICA統(tǒng)計曲線如圖3所示。
從表1可知，可以利用各種典型地物在IC波段中的差異來設(shè)定閾值進行分類，例如水體等。但是，有些典型地物在IC波段的均值非常接近，僅僅依靠IC波段的光譜特征仍然無法分類出耕地等其他地物。因此，本研究同時運用IC波段中的紋理特征以及空間特征、NDVI值等影像信息，用面向?qū)ο蟮姆椒ㄟM行分割分類，提取耕地。
3.2 ICA轉(zhuǎn)換波段的面向?qū)ο蠓诸惙ǖ囊?guī)則
從表1可知，水體、道路等非耕地IC波段紋理、空間等特征都與耕地有相互的重疊區(qū)域。因此，直接提取耕地將會包含這些非耕地的信息，降低分類精度。應(yīng)先提取非耕地波段以及空間特征等明顯典型地物，用掩膜去除這些地物，在未分類影像中繼續(xù)提取其他地物。如果地物面積較大，且紋理清晰則分割尺度可以稍大，分割數(shù)量越小，合并尺度稍大，合并數(shù)量越多，地物更為集中。每次提取一個地物，建立掩膜，從未分類的影像中依次提取水體、道路、居民點、林地等。
3.2.1 水體的提取規(guī)則 水體主要是以湖泊、水庫等形式來進行呈現(xiàn)，面積較大，紋理分布較均勻，NDVI值明顯較小。經(jīng)過反復(fù)試驗，本研究選擇的提取水體規(guī)則如表2所示。
3.2.2 道路的提取規(guī)則 提取水體后，把提取出來的水體建立掩膜文件，在未分類的影像中繼續(xù)提取其他地物。道路主要橫穿林地、建筑物、農(nóng)田等，空間特征較突出，長度較長。經(jīng)過反復(fù)試驗，選擇的提取道路規(guī)則如表3所示。
3.2.3 居民點的提取規(guī)則 居民點在每個光譜的亮度值幾乎一樣，矩形的長寬比比較突出。經(jīng)過反復(fù)試驗，選擇的提取居民點規(guī)則如表4所示。
3.2.4 林地的提取規(guī)則 林地的NDVI值較大，而且面積較大，光譜特征非常明顯。經(jīng)過反復(fù)試驗，選擇的提取林地規(guī)則如表5所示。
3.2.5 耕地的提取規(guī)則 耕地主要分為旱地、水澆地以及水田。在預(yù)處理后的4個波段中，這3種耕地類別的光譜特征非常接近，所以進行了ICA轉(zhuǎn)換。在IC波段設(shè)置規(guī)則，分類前4個地物類別，在未分類影像中繼續(xù)進行分類。 旱地分布較為零散，分類規(guī)則較多，使用的是經(jīng)過獨立成分轉(zhuǎn)換后的波段，IC1、IC2、IC3、IC4指經(jīng)過獨立成分轉(zhuǎn)換后的4個波段，同理TEXTURE（ICi）指第i個波段的紋理信息。經(jīng)過反復(fù)試驗，選擇的提取旱地規(guī)則如表6所示。
同理，分類旱地之后，提取水澆地。由于研究區(qū)域水澆地面積小，而且分布較為集中，因此使用紋理信息、緊湊度、NDVI 值，建立的規(guī)則多次使用空間特征的緊湊度。經(jīng)過反復(fù)試驗，選擇的提取水澆地規(guī)則如表7所示。
分類水澆地之后，未分類的影像中絕大部分都是水田。水田的紋理較為清晰，主要分布在道路附近。經(jīng)過反復(fù)試驗，選擇的提取水田規(guī)則如表8所示。
3.3 面向?qū)ο蠓诸惙ǖ慕Y(jié)果圖
本研究首先選擇了主成分分析轉(zhuǎn)換波段且使用面向?qū)ο蠓椒ㄟM行分類，經(jīng)過ICA轉(zhuǎn)換后，使用面向?qū)ο蠓椒ǖ贸龇诸悎D。主成分分析轉(zhuǎn)換和ICA轉(zhuǎn)換的面向?qū)ο蠓ǚ诸惤Y(jié)果見圖3、圖4。
對主成分分析轉(zhuǎn)換的面向?qū)ο蠓ǚ诸悎D和ICA轉(zhuǎn)換波段的面向?qū)ο蠓ǚ诸悎D進行精度評價。選取一樣的隨機樣本點作為檢驗樣本，分別評價這2種分類方法的精度，這2種方法的混淆矩陣如表9、表10所示。
由表9、表10可知，經(jīng)過主成分分析轉(zhuǎn)換的面向?qū)ο蠓椒ㄕw精度只有72.50%，κ系數(shù)為0.675 4。ICA轉(zhuǎn)換波段的面向?qū)ο蠓椒ㄌ崛≌w精度達87.01%，κ系數(shù)是0.846 3。將預(yù)處理后波段ICA轉(zhuǎn)換后進行分類，相比于經(jīng)過主成分分析轉(zhuǎn)換的面向?qū)ο蠓椒ǎ鞣N典型地物精度都得到了顯著提高。其中，在旱地、水田、水澆地上，經(jīng)過主成分分析轉(zhuǎn)換的面向?qū)ο蠓椒ǖ闹茍D者精度分別為70.53%、74.80%、7495%，用戶精度分別為76.99%、77.85%、72.32%。ICA方法的制圖者精度分別為90.18%、88.74%、88.83%；用戶精度分別為88.64%、86.66%、79.88%。這說明基于ICA轉(zhuǎn)換波段的面向?qū)ο蠓椒ㄌ崛》椒ㄊ强尚械?，可以有效提取旱地、水田、水澆地等地類的精度?/p>
4 結(jié)論與討論
獨立成分分析方法（ICA）基于高階統(tǒng)計信息，不但可以去除波段之間的相關(guān)性，而且可以得到各分量之間相互獨立的特性，增強不同地類之間的可分離性，ICA轉(zhuǎn)換波段處理的高分影像變得更加清晰，圖像信息損失少，其對高分影像耕地信息提取的總體精度和κ系數(shù)都大于經(jīng)過主成分分析轉(zhuǎn)換的面向?qū)ο蠓椒ǎ軌蚋呔忍崛「匦畔?、提高分類精度。本研究利用ICA轉(zhuǎn)換波段，提取了紋理信息、光譜信息和空間特征緊湊度，并結(jié)合NDVI值，建立了規(guī)則知識庫，獲取的規(guī)則知識庫比主成分分析轉(zhuǎn)換后獲取的規(guī)則知識庫更優(yōu)，分類結(jié)果更為合理。本研究逐步提取地物類別，仍然會把部分地物信息錯誤地進行分類，例如道路和居民點信息以及水田與旱地的信息較為接近，較容易混淆。此外，需根據(jù)大量的重復(fù)性試驗和花費大量的時間來獲取閾值，因此，后續(xù)研究中應(yīng)選取更為有效、簡便的方法。
參考文獻：
[1]孫家波.基于知識的高分辨率遙感影像耕地自動提取技術(shù)研究[D]. 北京：中國農(nóng)業(yè)大學(xué)，2014.
[2]Hay G J，Marceau D J，Dubé P，et al. A multiscale framework for landscape analysis：object-specific analysis and upscaling[J]. Landscape Ecology，2001，16（6）：471-490.
[3]鄧勁松，王 珂，沈掌泉，等. 基于特征波段的SPOT-5衛(wèi)星影像耕地信息自動提取的方法研究[J]. 農(nóng)業(yè)工程學(xué)報，2004，20（6）：145-148.
[4]邵 蔚，張友靜，王玲玲，等. 土地利用分類規(guī)則集的構(gòu)建與應(yīng)用研究[J]. 遙感信息，2012（1）：88-94.
[5]東啟亮，林 輝，孫 華，等. 獨立分量分析與主成分分析方法的濕地遙感分類精度對比——以西洞庭湖濕地為例[J]. 濕地科學(xué)，2014，12（3）：332-339.
[6]別 強，何 磊，趙傳燕. 基于影像融合和面向?qū)ο蠹夹g(shù)的植被信息提取研究[J]. 遙感技術(shù)與應(yīng)用，2014，29（1）：164-171.
[7]朱超洪，劉 勇. 基于影像認知和地學(xué)理解的面向?qū)ο蠓诸愌芯縖J]. 遙感技術(shù)與應(yīng)用，2012，27（4）：536-541.
[8]Dronova I，Gong P，Nicholas E，et al. Landscape analysis of wetland plant functional types：the effects of image segmentation scale，vegetation classes and classification methods[J]. Remote Sensing of Environment，2012，127：357-369.
[9]郭亞鴿，于信芳，江 東，等. 面向?qū)ο蟮纳种脖粓D像識別分類方法[J]. 地球信息科學(xué)學(xué)報，2012，14（4）：514-522.
[10]葛山運. 基于MNF、PCA與ICA結(jié)合的高光譜數(shù)據(jù)特征提取方法[J]. 城市勘測，2013（2）：103-106.
[11]黃慧萍，吳炳方，李苗苗，等. 高分辨率影像城市綠地快速提取技術(shù)與應(yīng)用[J]. 遙感學(xué)報，2004，8（1）：68-74.
[12]王新軍，武紅旗，盛建東，等. 面向?qū)ο蟮母叻直媛视跋窀匦畔⑻崛J]. 新疆農(nóng)業(yè)科學(xué)，2012，49（2）：371-378.
[13]Robinson D J，Redding N J，Crisp D J. Implementation of a fast algorithm for segmenting SAR imagery[R]. Scientific and Technical Report，2002.
猜你喜歡
現(xiàn)代電子技術(shù)(2017年17期)2017-09-08 06:28:37
科學(xué)與財富(2017年19期)2017-07-19 13:07:59
中國科技博覽(2017年11期)2017-05-25 17:44:28
電腦知識與技術(shù)(2017年6期)2017-04-26 07:27:49
航海(2017年1期)2017-02-16 21:26:59
航海(2017年1期)2017-02-16 20:06:02
航海(2017年1期)2017-02-16 17:23:40
航海(2017年1期)2017-02-16 17:16:03
電腦知識與技術(shù)(2016年14期)2016-06-30 19:24:46
電腦知識與技術(shù)(2016年2期)2016-03-22 13:48:54
