基于GF—2高分辨率影像面向?qū)ο蟮缆诽崛∵m用性分析

張立軍　張晨陽

摘 要：運(yùn)用GF-2號全色影像和多光譜影像，研究分析城鎮(zhèn)小區(qū)和鄉(xiāng)村道路，面向?qū)ο蠓诸愄崛〗Y(jié)果存在很大偏差。該文提出通過SVM輔助紋理特征分類提取道路特征，并與面向?qū)ο髮?shí)驗(yàn)結(jié)果進(jìn)行對比。結(jié)果表明，SVM輔助紋理分類提取能夠有效克服面向?qū)ο蟮缆诽崛〉娜秉c(diǎn)，精度提高10%，結(jié)果與實(shí)際基本相符。

關(guān)鍵詞：GF-2 紋理特征 SVM 道路提取

中圖分類號：TP751 文獻(xiàn)標(biāo)識碼：A 文章編號：1674-098X（2017）06（c）-0074-03

Abstract：Using panchromatic images and multi-spectral images of GF-2 ， we analyze the characteristic of roads in Urban Microcell and rural. There is a big deviation in the result of object-oriented classification. In this paper， we propose a SVM assisted texture feature classification to extract road features， and compare with the results of the above experiments. The results show that this method can effectively overcome the shortcomings of object-oriented road extraction， and the experimental results are accord with the actual.

Key Words：GF-2； Texture feature； SVM； Road extraction

2014年8月19日，“高分二號”（GF-2）衛(wèi)星的成功發(fā)射是我國遙感事業(yè)的“里程碑”，實(shí)現(xiàn)了亞米級空間分辨率、多光譜綜合光學(xué)遙感數(shù)據(jù)獲取，對于推動我國衛(wèi)星工程水平提升，提高我國高分辨率對地觀測數(shù)據(jù)自給率具有重要意義[1，2]。

道路在國民經(jīng)濟(jì)建設(shè)和國防建設(shè)中發(fā)揮著重要的作用，是非常重要的基礎(chǔ)地理信息，也是地理數(shù)據(jù)庫的重要組成部分。該文通過結(jié)合道路的一些實(shí)際特征（長寬比、弧度），對比研究基于面向?qū)ο蟮缆诽崛?，結(jié)合上述方法在道路幾何形狀不規(guī)則、光譜特征接近的情況，提出結(jié)合道路紋理信息并輔助SVM分類的方法，利用GF-2號高分辨率影像數(shù)據(jù)進(jìn)行提取。

1 研究方法

原始影像如圖1所示，A、B段道路呈現(xiàn)一定較好的幾何規(guī)則和輻射特征，拓?fù)涮卣鬏^為明顯；C段道路幾何特征不確定，長寬比、道路的弧度等多種因素都不確定?；诿嫦?qū)ο笠?guī)則的道路提取存在一定的不足，該文提出SVM輔助紋理影像進(jìn)行道路的提取，能夠較好地克服上述方法的明顯缺點(diǎn)：道路幾何特征不穩(wěn)定，影像分割效果較差；影像輻射度的差異導(dǎo)致的錯分、漏分現(xiàn)象。

1.1 紋理特征的提取

在遙感影像中，紋理信息表現(xiàn)為圖像灰度在空間上的變化和重復(fù)，或圖像中反復(fù)出現(xiàn)的局部模式及其排列規(guī)則。1973年Haralick首先提出灰度共生矩陣，灰度共生矩陣是圖像灰度變化的二階統(tǒng)計度量，是描述紋理結(jié)構(gòu)性質(zhì)特征的基本函數(shù)。均值、對比度、能量、熵、同質(zhì)度等是灰度共生矩陣的統(tǒng)計指標(biāo)[3]。

1.2 SVM紋理道路提取

支持向量機(jī)SVM分類器是建立在統(tǒng)計學(xué)習(xí)理論上的一種新的學(xué)習(xí)方法，該方法基本思路是找到一個最優(yōu)分割線，使得分類間隔最大從而能夠盡可能多地將數(shù)據(jù)點(diǎn)正確分開。具體思路是將紋理特征圖像作為一個波段與原始遙感數(shù)據(jù)組合成一幅5波段圖像，然后再對該包含了多時相信息的圖像進(jìn)行SVM分類提取。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 數(shù)據(jù)源

GF-2相機(jī)系統(tǒng)由2臺相同的1 m全色/4 m多光譜相機(jī)組成，采用2臺相機(jī)拼接實(shí)現(xiàn)45 km幅寬要求，相機(jī)光學(xué)系統(tǒng)中采用了同軸三反式光學(xué)形式，配置了1個全色譜段和4個多光譜譜段。

2.2 基于面向?qū)ο蟮缆诽崛?/p>

該文對影像分割不斷嘗試選用合適分割尺度：以道路為對象，基于光譜特征、NDVI、緊密度和矩形度分別進(jìn)行了道路同植被、道路同河流、道路同建筑的區(qū)分試驗(yàn)，建立相應(yīng)的規(guī)則進(jìn)行提取，結(jié)果如圖2所示。

2.3 基于紋理特征輔助的道路提取

基于灰度共生矩陣進(jìn)行影像紋理特征的計算，在ENVI 5.0的支持下，利用Co-occurrence Measure進(jìn)行紋理提取，得到8個紋理特征值。這8個特征值都作為一個波段與GF-2四個波段進(jìn)行組合，如果將8個紋理特征值都代進(jìn)去，勢必會造成數(shù)據(jù)的冗余，有些特征值可能并不能較好地反映道路紋理特征，上述紋理特征值曲線見圖3。該文將差異性紋理特征圖像作為一個波段與原始遙感數(shù)據(jù)組合成一幅5波段圖像，然后再對該包含多時相信息的圖像進(jìn)行SVM分類提取。

最后通過實(shí)驗(yàn)尺度的選擇選取5×5窗口的差異性紋理特征（如圖4所示）與GF-2多光譜波段組合進(jìn)行SVM分類道路提取，實(shí)驗(yàn)結(jié)果如圖5所示。

2.4 結(jié)果分析

從原始圖像可以看出圖中的C部分道路在長寬比、輻射反射率不一致，道路幾何規(guī)則不突出，導(dǎo)致分割效果不理想，最后提取精度效果一般。在SVM中加入紋理特征可以明顯改善遙感影像道路的分類精度。以上三種方法分類精度分別見表1。

3 結(jié)語

該文利用GF-2遙感影像數(shù)據(jù)，選取道路紋理特征較好的差異性紋理圖像與原始影像4個波段組合，利用SVM輔助紋理分類來提取道路，提取效果較好，精度有了顯著的提高。有效克服了在道路的幾何特征、輻射度不一致的情況下，面向?qū)ο蠓椒ㄌ崛〉缆反嬖诘娜毕?。繼續(xù)改進(jìn)和優(yōu)化道路紋理特征值測度函數(shù)，使道路紋理較好地表現(xiàn)出來，是該文需要繼續(xù)深入研究的方向。

參考文獻(xiàn)

[1] 徐慶鶴，范立佳，高洪濤，等.遙感衛(wèi)星平臺與載荷一體化構(gòu)型[J].航天返回與遙感，2014，35（4）：9-16.

[2] 潘騰.高分二號衛(wèi)星的技術(shù)特點(diǎn)[J].中國航天，2015（1）：7-13.

[3] 潘騰，關(guān)暉，賀瑋.“高分二號”衛(wèi)星遙感技術(shù)[J].航天返回與遙感，2015，36（4）：16-24.endprint