基于像斑直方圖G統(tǒng)計量的遙感影像分類

李亮， 梁彬， 薛鵬， 應國偉

(四川省第三測繪工程院,成都 610500)

?

基于像斑直方圖G統(tǒng)計量的遙感影像分類

李亮， 梁彬， 薛鵬， 應國偉

(四川省第三測繪工程院,成都 610500)

為了充分利用像斑的光譜特征，提出一種基于像斑直方圖G統(tǒng)計量的影像分類方法。通過多尺度影像分割獲取像斑，選擇合適的訓練樣本像斑； 依據(jù)像斑的光譜屬性，自適應地設定光譜直方圖的灰度級，提取像斑的光譜直方圖； 采用G統(tǒng)計量度量測試像斑與各訓練樣本像斑光譜直方圖間的距離，用來表達像斑光譜特征的異質性； 利用最小距離分類器獲得影像分類結果。遙感影像分類實驗結果表明，該方法能有效提高影像的分類精度。

像斑； 直方圖； G統(tǒng)計量； 最小距離； 影像分類

0 引言

遙感影像分類是以遙感影像為數(shù)據(jù)源，利用分類器將影像中像元劃分為對應地物類別[1]，在土地覆蓋分類[2-3]、土地覆蓋變化檢測[4-5]和專題信息提取[6-7]等領域得到廣泛應用。經(jīng)典的遙感影像分類器有最小距離分類器[8]、貝葉斯分類器[9]、支持向量機分類器[10]和神經(jīng)網(wǎng)絡分類器[11]等。

影像分類方法依據(jù)分類單元可分為基于像元與面向對象2大類[12-14]。影像對象又稱之為像斑，是一系列光譜相似、空間相鄰的像元集合。通?；谙裨姆诸惤Y果椒鹽噪聲較為嚴重，且不能有效利用影像中包含的空間上下文信息； 而面向對象的分類方法則較好地避免椒鹽噪聲，可用特征豐富，已成為影像分類的研究熱點。陳秋曉等[15]提出一種融合對象多特征的影像分類方法，利用對象的光譜、幾何及拓撲特征進行分類； 陳云浩等[16]利用影像對象的特征建立規(guī)則，分層進行分類； 蔡曉斌等[17]將像斑空間關系引入到面向對象的分類方法中，提高了影像分類的精度； 陳杰等[18]提出一種利用粗糙集的面向對象的分類方法，結合像斑的光譜與紋理特征進行分類。盡管面向對象的分類方法在影像分類中取得了較好效果，然而現(xiàn)有研究多采用均值來表達像斑的光譜特征，無法反映像斑內部像元的分布情況，存在一定的局限性。

本文提出一種基于像斑直方圖G統(tǒng)計量的遙感影像分類方法。采用像斑的光譜直方圖來表達像斑的光譜特征，利用測試像斑與各訓練樣本像斑的直方圖距離度量像斑光譜特征之間的異質性，依據(jù)最小距離原則獲取影像分類結果，并通過遙感影像分類實驗對比驗證本文方法的分類精度。

1 基于像斑直方圖G統(tǒng)計量的影像分類

該方法是一種面向對象的影像分類方法。具體算法流程如圖1所示。

圖1 本文算法流程

1.1 影像分割

影像分割是獲取像斑的重要手段。通過影像分割，可將整景影像劃分為若干個互不重疊的連通區(qū)域。區(qū)域內部具有光譜勻質性，相鄰區(qū)域間具有光譜異質性。經(jīng)典的影像分割方法有區(qū)域增長法、邊緣檢測法和分裂合并法等。本文采用面向對象的影像分析軟件eCognition中的多尺度分割模塊來獲取像斑(圖2)。

(a) 原始影像(b) 分割結果 (c) 像斑光譜直方圖

圖2 影像分割及光譜直方圖

Fig.2 Image segmentation and spectral histogram

圖2(a)為原始影像圖，單元格表示像元，數(shù)字表示灰度值； 圖2(b)為影像分割結果，相同背景色填充的單元格屬于同一像斑(共有2個像斑)。

1.2 光譜直方圖

像斑的光譜直方圖是灰度值的函數(shù)，用來描述像斑內部各灰度值出現(xiàn)的頻數(shù)。令灰度值為v(0≤v

像斑的光譜直方圖能夠表達像斑內部像元灰度值的分布情況，可以較好地反映像斑的光譜特征，同時還可以在一定程度上反映像斑的紋理特征。然而，光譜直方圖受灰度L的影響。當L較大時，光譜直方圖能夠充分表達像斑的細節(jié)信息，但數(shù)據(jù)量較大，且存在大量頻數(shù)為0的灰度值； 當L較小時，光譜直方圖數(shù)據(jù)量較小，卻可能會丟失一些重要的細節(jié)信息，導致不同地物間的可區(qū)分性變弱。

1.3 G統(tǒng)計量

利用直方圖統(tǒng)計像斑的光譜特征后，像斑的光譜異質性就轉化為測試像斑與各訓練樣本像斑的直方圖距離。直方圖距離用來度量2個直方圖之間的差異，常用的直方圖距離度量方法有KL距離法、直方圖相交法和G統(tǒng)計量法等。G統(tǒng)計量(G statistics)能夠較好地度量2個直方圖之間的距離，且無需對直方圖的分布預先作任何假設，已被廣泛應用于影像分割中相鄰區(qū)域的距離測量[19-20]。

2個像斑光譜直方圖之間的G統(tǒng)計量為

(1)

式中：i為影像的灰度級，i=0,1,…,L-1；f和g分別為2個像斑的光譜直方圖。

將像斑直方圖歸一化，則累計頻數(shù)之和為1，故

(2)

(3)

(4)

將式(2)―(4)帶入式(1)，可將其簡化為

(5)

G統(tǒng)計量的取值范圍為[0,4ln 2]。當2個像斑的光譜直方圖完全相同時，G統(tǒng)計量取最小值0； 當2個像斑的光譜直方圖不相關時，G統(tǒng)計量取最大值4ln 2。G統(tǒng)計量的值越大，則對應像斑間的光譜直方圖距離越大，2個像斑間的相似性越??； 反之，G統(tǒng)計量的值越小，則光譜直方圖的距離越小，對應的相似性越大。

上述為單波段影像中像斑間的G統(tǒng)計量。多光譜遙感影像分類時，影像的各波段都會對應1個G統(tǒng)計量，不同波段對應的G統(tǒng)計量不同。部分地物在單一波段上的可區(qū)分性較差，僅依靠單一波段的G統(tǒng)計量無法實現(xiàn)正確分類，從而導致G統(tǒng)計量判別準則失效。對于多波段遙感影像，則可先單獨計算各波段上的G統(tǒng)計量，再對各波段上G統(tǒng)計量設定權重值，利用各波段G統(tǒng)計量的加權和作為最終的G統(tǒng)計量。確定權重時，地物可區(qū)分性較差的波段設置較小的權重值。

1.4 影像分類

令地物類別的集合為Ω={Ω1,Ω2,…,Ωm}，其中m表示地物類別數(shù)； 選取的訓練樣本像斑個數(shù)為n，對應的類別集合為C={C1,C2,…,Ck,…,Cn}，其中Ck(1≤k≤n)表示第k個訓練樣本像斑的類別。依據(jù)最小距離原理，則待分類像斑的類別T表示為

(6)

式中：G(k)為待分類像斑與第k個訓練樣本像斑的G統(tǒng)計量； arg min為取最小值函數(shù)。

從式(5)可以看出，G統(tǒng)計量與像斑光譜直方圖的灰度級密切相關。G統(tǒng)計量表達的關鍵在于選取光譜直方圖的最優(yōu)灰度級?；叶燃夁^大，光譜直方圖較為稀疏，計算的G統(tǒng)計量偏差較大； 灰度級過小，光譜直方圖過度壓縮，丟失大量細節(jié)信息，計算的G統(tǒng)計量偏差也較大。

不同的像斑對應的最優(yōu)灰度級不同。像斑的光譜特征分布較為集中時，應設定較小的灰度級； 像斑的光譜特征分布較為分散時，則應設定較大的灰度級。為此，本文提出一種自適應的灰度級設定方法。其基本思想是： 對于光譜特征分布集中的像斑，設置灰度級為8； 對于光譜特征分布分散的像斑，設置灰度級為256。由于光譜特征集中的像斑，光譜勻質性較高，對應的標準差較??； 光譜特征分散的像斑，光譜勻質性較低，對應的標準差較大，故采用標準差來衡量像斑內部光譜特征的分布情況。像斑灰度級的自適應設定公式為

(7)

式中：std為像斑的標準差；Thr為閾值，本文設定為13。

2 實驗與分析

實驗數(shù)據(jù)采用2010年獲取的天津地區(qū)IKONOS遙感影像，大小為688像元×641像元，空間分辨率為1 m，包含紅光、綠光和藍光3個波段。該研究區(qū)內共包含道路、湖泊、建筑物、裸地和植被5類地物。

利用eCognition軟件的多尺度分割模塊進行影像分割，設定形狀因子為0.3，緊致度為0.9，尺度參數(shù)為50，共獲取494個像斑。原始影像如圖3(a)所示，圖3(b)為影像分割矢量圖疊合在遙感影像上的結果，其中紅色線條表示分割像斑的邊界，圖中A處為裸地，B處為建筑物。

(a) 原始影像 (b) 影像分割圖 (c) 光譜直方示意圖

圖3 實驗數(shù)據(jù)與影像分割結果

Fig.3 Experimental data and image segmentation result

針對監(jiān)督分類方法，訓練樣本的選擇十分重要，要盡可能覆蓋各種地物類別。在圖3(a)中，建筑物與裸地的光譜特征十分相似，都具有較高的反射率，在影像中亮度較高，色調相近。但是從圖3(c)可以看出，雖然2個像斑的光譜均值相近，然而光譜分布卻有著較大差異，建筑物的光譜分布較為集中，裸地的光譜分布較為分散，從而可以有效區(qū)分光譜特征相似的地物類別。

為了衡量分類方法的精度，通過目視解譯制作了標準分類圖(圖4(a))。同時，為了驗證本文方法的有效性，利用光譜均值的最小距離分類方法與本文方法進行了對比，分類結果對比如圖4所示。

(a) 標準分類圖 (b) 光譜均值最小距離分類結果 (c) 本文方法分類結果

圖4 影像分類結果對比

Fig.4 Comparison of image classification results

從圖4中可以看出，利用光譜均值進行最小距離分類，大量的建筑物被誤分為裸地，少量裸地被誤分為建筑物，部分湖泊被錯誤劃分為植被； 而利用本文方法，大部分地物得到正確劃分。

在定性分析的基礎上，對2種分類方法進行了定量評價。分類精度如表1所示。

表1 2種方法的分類精度

Tab.1 Classification accuracy by two methods(%)

地物類別光譜均值最小距離法制圖精度用戶精度本文方法制圖精度用戶精度道路86．080．4100．094．8湖泊63．862．986．080．2建筑物53．861．673．587．4裸地74．682．290．691．3植被98．485．193．688．7

從表1可以看出，與光譜均值最小距離法分類結果相比，本文方法建筑物和裸地的分類精度均有較大提高。其中，建筑物的制圖精度和用戶精度分別提升了19.7%和25.8%，裸地的制圖精度和用戶精度分別提升了16.0%和9.1%。這是因為建筑物像斑與裸地像斑的光譜均值相近，利用光譜均值進行分類時，分類器很難將兩者有效地區(qū)分開來，兩者互相混淆，導致兩者的分類精度均較差； 本文方法利用光譜直方圖表達像斑光譜特征，考慮了像斑內部像元的分布情況，分類器能夠將建筑物與裸地正確劃分，因而改善了兩者的分類精度。總體而言，光譜均值最小距離法的總體分類精度和Kappa系數(shù)分別為79.0%和0.688，而本文方法的總體分類精度和Kappa系數(shù)分別為88.9%和0.837，分類精度得到顯著提高。

為了驗證本文方法中自適應確定像斑直方圖灰度級方法的有效性，分別固定影像的灰度級為8和256，利用本文方法進行影像分類，不同灰度級的分類精度見表2。

表2 不同灰度級的分類精度

從表2可以看出，自適應方法確定灰度級的分類精度最優(yōu)。當灰度級為8時，部分光譜分布分散的像斑光譜直方圖被過度壓縮； 當灰度級為256時，部分光譜分布集中的像斑光譜直方圖過于稀疏，都導致計算的G統(tǒng)計量存在較大偏差，降低了分類的精度。自適應確定灰度級的方法對于不同的像斑設定不同的灰度級，可以獲得最優(yōu)的分類精度。

3 結論

本文利用像斑的光譜直方圖表達像斑的光譜特征，依據(jù)像斑的標準差自適應設定光譜直方圖的灰度級，采用G統(tǒng)計量來度量測試像斑與各訓練樣本像斑的直方圖距離，基于最小距離法獲得了最優(yōu)分類結果。遙感影像分類實驗結果驗證了本文方法的有效性，得出以下結論：

1)光譜直方圖可以反映像斑內光譜特征分布，能夠較好地表達像斑的光譜特征，有效減少同物異譜及同譜異物現(xiàn)象對影像分類的影響。

2)不同地物類別對應光譜直方圖的最優(yōu)灰度級不同。光譜勻質性較高的湖泊和建筑物對應的最優(yōu)灰度級較小，而植被對應的最優(yōu)灰度級較大。

3)G統(tǒng)計量表達了像斑之間的光譜異質性，可以較好地度量直方圖距離，遙感影像分類實驗結果也驗證了G統(tǒng)計量的有效性。

4)未來將研究像斑紋理特征的表達方法，并將其引入到本文的影像分類方法中，以期進一步提高影像的分類精度。

[1] 趙紅蕊,閻廣建,鄧小煉,等.一種簡單加入空間關系的實用圖像分類方法[J].遙感學報,2003,7(5):358-363. Zhao H R,Yan G J,Deng X L,et al.A classification method based on spatial information[J].Journal of Remote Sensing,2003,7(5):358-363.

[2] Aguilar M A,Saldaa M M,Aguilar F J.GeoEye-1 and WorldView-2 pan-sharpened imagery for object-based classification in urban environments[J].International Journal of Remote Sensing,2013,34(7):2583-2606.

[3] 楊耘,徐麗,顏佩麗.條件隨機場框架下基于隨機森林的城市土地利用/覆蓋遙感分類[J].國土資源遙感,2014,26(4):51-55.doi:10.6046/gtzyyg.2014.04.09. Yang Y,Xu L,Yan P L.Urban land use/cover classification of remote sensing using random forests under the framework of conditional random fields[J].Remote Sensing for Land and Resources,2014,26(4):51-55.doi:10.6046/gtzyyg.2014.04.09.

[4] Doxani G,Karantzalos K,Tsakiri-Strati M. Monitoring urban changes based on scale-space filtering and object-oriented classification[J].International Journal of Applied Earth Observation and Geoinformation,2012,15:38-48.

[5] 李莎,倪維平,嚴衛(wèi)東,等.基于選權迭代估計與非監(jiān)督分類的多光譜圖像變化檢測[J].國土資源遙感,2014,26(4):34-40.doi:10.6046/gtzyyg.2014.04.06. Li S,Ni W P,Yan W D,et al.Change detection of multi-spectral images based on iterative estimation with weight selection and unsupervised classification[J].Remote Sensing for Land and Resources,2014,26(4):34-40.doi:10.6046/gtzyyg.2014.04.06.

[6] 孫永軍,童慶禧,秦其明.利用面向對象方法提取濕地信息[J].國土資源遙感,2008,20(1):79-82.doi:10.6046/gtzyyg.2008.01.18. Sun Y J,Tong Q X,Qin Q M.The object-oriented method for wetland information extraction[J].Remote Sensing for Land and Resources,2008,20(1):79-82.doi:10.6046/gtzyyg.2008.01.18.

[7] 周林滔,楊國范,趙福強,等.EMD與分形相結合的遙感影像水體信息提取方法[J].國土資源遙感,2014,26(4):41-45.doi:10.6046/gtzyyg.2014.04.07. Zhou L T,Yang G F,Zhao F Q,et al.Water information extraction from remote sensing image using EMD and fraction method[J].Remote Sensing for Land and Resources,2014,26(4):41-45.doi:10.6046/gtzyyg.2014.04.07.

[8] 周前祥,敬忠良.高光譜遙感圖像聯(lián)合加權隨機分類器的設計與應用[J].測繪學報,2004,33(3):254-257. Zhou Q X,Jing Z L.Weighted combination random classifier of high spectral remote sensing image:Design and application[J].Acta Geodaetica et Cartographica Sinica,2004,33(3):254-257.

[9] 駱劍承,王欽敏,馬江洪,等.遙感圖像最大似然分類方法的EM改進算法[J].測繪學報,2002,31(3):234-239. Luo J C,Wang Q M,Ma J H,et al.The EM-based maximum likelihood classifier for remotely sensed data[J].Acta Geodaetica et Cartographica Sinica,2002,31(3):234-239.

[10]Maulik U,Chakraborty D.A self-trained ensemble with semisupervised SVM:An application to pixel classification of remote sensing imagery[J].Pattern Recognition,2011,44(3):615-623.

[11]張友水,馮學智,阮仁宗,等.Kohonen神經(jīng)網(wǎng)絡在遙感影像分類中的應用研究[J].遙感學報,2004,8(2):178-184. Zhang Y S,Feng X Z,Ruan R Z,et al.Application of Kohonen network in RS image classification[J].Journal of Remote Sensing,2004,8(2):178-184.

[12]Tansey K,Chambers I,Anstee A,et al.Object-oriented classification of very high resolution airborne imagery for the extraction of hedgerows and field margin cover in agricultural areas[J].Applied Geography,2009,29(2):145-157.

[13]鄧媛媛,巫兆聰,易俐娜,等.面向對象的高分辨率影像農用地分類[J].國土資源遙感,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24. Deng Y Y,Wu Z C,Yi L N,et al.Research on object-oriented classification of agricultural land based on high resolution images[J].Remote Sensing for Land and Resources,2010,22(4):117-121.doi:10.6046/gtzyyg.2010.04.24.

[14]王琰,舒寧,龔龑,等.基于類別光譜變化規(guī)律的土地利用變化檢測[J].國土資源遙感,2012,24(3):92-96.doi:10.6046/gtzyyg.2012.03.17. Wang Y,Shu N,Gong Y,et al.Land use change detection based on class spectral change rule[J].Remote Sensing for Land and Resources,2012,24(3):92-96.doi:10.6046/gtzyyg.2012.03.17.

[15]陳秋曉,駱劍承,周成虎,等.基于多特征的遙感影像分類方法[J].遙感學報,2004,8(3):239-245. Chen Q X,Luo J C,Zhou C H,et al.Classification of remotely sensed imagery using multi-features based approach[J].Journal of Remote Sensing,2004,8(3):239-245.

[16]陳云浩,馮通,史培軍,等.基于面向對象和規(guī)則的遙感影像分類研究[J].武漢大學學報:信息科學版,2006,31(4):316-320. Chen Y H,Feng T,Shi P J,et al.Classification of remote sensing image based on object oriented and class rules[J].Geomatics and Information Science of Wuhan University,2006,31(4):316-320.

[17]蔡曉斌,陳曉玲,王濤,等.基于圖斑空間關系的遙感專家分類方法研究[J].武漢大學學報:信息科學版,2006,31(4):321-324. Cai X B,Chen X L,Wang T,et al.Remote sensing expert classification method based on patch spatial relationship[J].Geomatics and Information Science of Wuhan University,2006,31(4):321-324.

[18]陳杰,鄧敏,肖鵬峰,等.粗糙集高分辨率遙感影像面向對象分類[J].遙感學報,2010,14(6):1139-1155. Chen J,Deng M,Xiao P F,et al.Rough set theory based object-oriented classification of high resolution remotely sensed imagery[J].Journal of Remote Sensing,2010,14(6):1139-1155.

[19]Ojala T,Pietik?inen M.Unsupervised texture segmentation using feature distributions[J].Pattern Recognition,1999,32(3):477-486.

[20]Wang A P,Wang S G,Lucieer A.Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions[J].International Journal of Remote Sensing,2010,31(6):1471-1483.

LI Liang， LIANG Bin， XUE Peng， YING Guowei

(TheThirdAcademyofEngineeringofSurveyingandMapping，Chengdu610500，China)

(責任編輯： 陳理)

Remote sensing image classification based on G statistics of object histogram

In order to make full use of the spectral feature of the object, this paper proposes a classification method for remote sensing image based on G statistics of the object histogram. Image objects were obtained by multi-resolution image segmentation method. Then training objects were chosen from these objects. The histogram of the object was obtained with the adaptive gray level according to the spectral property. G statistics was used to measure the histogram distance between test object and training object which describes the heterogeneity of two objects. Minimum distance classifier was employed to get the image classification result. The experiment on the remote sensing image shows that the proposed method can improve the accuracy of the classification.

object； histogram； G statistics； minimum distance； image classification

10.6046/gtzyyg.2016.04.11

李亮,梁彬,薛鵬,等.基于像斑直方圖G統(tǒng)計量的遙感影像分類[J].國土資源遙感,2016,28(4)：71-76.(Li L,Liang B,Xue P,et al.Remote sensing image classification based on G statistics of object histogram[J].Remote Sensing for Land and Resources,2016,28(4)：71-76.)

2015-05-05；

2015-06-03

測繪地理信息公益性行業(yè)科研專項 “衛(wèi)星遙感與地面?zhèn)鞲芯W(wǎng)一體化的湖泊流域地理國情監(jiān)測關鍵技術研究”(編號: 201512026)、四川省地理國情監(jiān)測工程技術研究中心資助項目“基于時序遙感影像的土地利用變化檢測方法研究”(編號： GC201506)、“川南經(jīng)濟區(qū)交通網(wǎng)絡綜合研究——以瀘州市為例”(編號： GC201509)和數(shù)字制圖與國土信息應用工程國家測繪地理信息局重點實驗室開放基金資助項目“基于遙感影像的矢量圖更新關鍵技術研究”(編號： DM2016SC04)共同資助。

TP 751.1

A

1001-070X(2016)04-0071-06

李亮(1987-),男,博士,工程師,主要從事遙感影像智能化解譯研究。Email： liliang1987wuda@163.com。