基于FDCT與ELM的遙感影像濕地類型分類
——以黃家湖國家濕地公園為例

辛動軍 ，袁 夢 ，陳建安 ，鐘 旭 ，臧藝元 ，胡 平 ，鐘國忠 ，唐 鼐 ，王傳立

（1.中南林業(yè)科技大學，湖南 長沙 410004；2.黃家湖國家濕地公園管理處，湖南 益陽 413000）

濕地是水陸相互作用形成的獨特生態(tài)系統(tǒng)，是生存環(huán)境和自然界生物多樣性的生態(tài)景觀之一，具有穩(wěn)定環(huán)境、物種基因保護及資源利用的功能[1-2]。遙感影像數(shù)據(jù)具有較高的空間分辨率、波譜分辨率、豐富的信息量、較高的定位精度，一直是濕地調(diào)查、研究與保護的重要數(shù)據(jù)源之一[3-4]。遙感分類可通過目視解譯和計算機自動分類完成[5]。目視解譯可充分利用判讀人員的知識和經(jīng)驗，解譯精度一般高于計算機分類，但其解譯精度受限于解譯人員的經(jīng)驗，帶有很大的主觀性。計算機自動分類速度快，能很大程度上降低人的勞動強度，但效果跟算法相關。已有的分類方法有：最小距離分類法和最大似然比分類法[6]。決策樹分類法[7-10]，面向?qū)ο蠓╗11-12]，主成分分析法[13]，神經(jīng)網(wǎng)絡法[14-15]等。

針對不同的濕地類型，基于遙感的濕地常用提取方法包括單波段閾值法，多波段閾值法，常見的濕地信息提取模式識別技術有監(jiān)督分類和非監(jiān)督分類以及以此為基礎提出的各種形式的混合分類法。這些方法大多基于數(shù)理統(tǒng)計理論，此類方法一般要求樣本數(shù)目趨于無窮大時才能獲得良好的分類精度，故在樣本數(shù)量少、特征維度低時效果欠佳。支持向量機的濕地信息自動提取方法雖然在整體上提高了分類精度，但依然存在很多錯分和漏分情況，主要是由于這些分類方法僅基于影像的光譜特征進行分類，而遙感影像本身存在“同物異譜、同譜異物”的現(xiàn)象。到目前為止，除受遙感影像源限制的原因外，基于以上算法的遙感影像數(shù)據(jù)濕地分類精度普遍不高[11-15]。因此要想達到理想的分類精度，還需要考慮其它相關特征及其有效提取、分析方法。本文以黃家湖國家濕地公園為例，利用高分辨率遙感影像數(shù)據(jù)，提出利用快速離散曲波變換和極限學習機相結(jié)合的方法對濕地遙感影像進行分類，旨在探討增強遙感信息提取精度和濕地類型分類準確度的方法。

1 材料與方法

1.1 研究區(qū)概況

研究區(qū)湖南黃家湖國家濕地公園（東經(jīng)112°18′30″～ 112°24′34″， 北 緯 28°40′40″～28°45′10″）位于益陽市北7.5 km處，資水尾閭，南洞庭湖之濱，主要包括益陽市資陽區(qū)境內(nèi)的黃家湖、南門湖、甘溪港河的永興－窯山口段及其周邊區(qū)域與沅江市境內(nèi)的黃家湖。濕地公園東連資江甘溪港河，西與迎豐水庫尾水渠相連，北與沅江三眼塘區(qū)接壤，南到黃家湖管委會的香鋪侖村和劃香侖村。湖南黃家湖國家濕地公園地處雪峰山余脈與洞庭交接前緣地帶，資水中下游以北，屬濱湖丘陵地貌類型，海拔最高為266.3 m，最低為24.9 m，地勢比較平緩，屬第四紀濱湖沖積平原地帶。主要地類有湖泊、河流、草本沼澤、森林沼澤、農(nóng)田、水產(chǎn)養(yǎng)殖場等濕地類型，此外還有道路、民用建筑等非濕地。公園湖泊面積較大，占總面積的43.7%，除湖泊外各類型間交錯分布，較為復雜。

1.2 研究數(shù)據(jù)與方法

1.2.1 快速離散曲波變換

因快速離散曲波變換（Fast discrete curvelet transform）對圖像邊緣的強大提取和辨析能力，F(xiàn)DCT已被廣泛應用于圖像處理之中。在文獻[16]中介紹了 2 種離散曲波變換算法，分別是基于非等價空間快速傅里葉變換的離散曲波變換算法和基于 Wrapping 的快速離散曲波變換算法。其中Wrapping算法是目前最快的離散曲波變換算法，因此本文采用Wrapping算法。

Wrapping 算法的主要流程：1、對森林斑塊遙感影像進行二維快速傅里葉變換，得到二維頻域表示。2、對變換后的頻域表示與窗函數(shù)運算。3、圍繞原點作局部化處理。4、進行二維快速傅里葉逆變換，計算曲波系數(shù)。曲波系數(shù)計算公式如下：

式中：參數(shù)j、l、k分別表示曲波變換的尺度、方向和位移。

1.2.2 極限學習機

極限學習機(Extreme Learning Machine)ELM[17]，是由新加坡南洋理工大學黃廣斌教授提出求解單隱層前饋神經(jīng)網(wǎng)絡的學習算法。相對于傳統(tǒng)的單隱層前饋神經(jīng)網(wǎng)絡，ELM隨機初始化單隱層前饋神經(jīng)網(wǎng)絡的輸入權值和偏置值，通過優(yōu)化訓練誤差和輸出權值范數(shù)，來保證優(yōu)良的泛化性能。其最大的特點是通過求解隱層輸出矩陣的廣義逆，直接計算輸出權值的解析解，比傳統(tǒng)的神經(jīng)網(wǎng)絡速度更快。假設有N個任意的樣本（Xi，ti），其中，

對于一個有L個隱層節(jié)點的單隱層神經(jīng)網(wǎng)絡可以表示為：

其中，g(x)為激活函數(shù)，Wi=[wi,1，wi,2，…，wi,n]T為輸入權重，βi為輸出權重，bi第i個隱層單元的偏置。Wi·Xj表示W(wǎng)i和Xj的內(nèi)積。一旦輸入權重Wi和隱層的偏置bi被隨機確定，隱層的輸出矩陣H就被唯一確定。訓練單隱層神經(jīng)網(wǎng)絡可以轉(zhuǎn)化為求解一個線性系統(tǒng)Hβ=T。并且輸出權重β可以被解析確定。

其中，H?是矩陣的H的廣義逆。

1.2.3 試驗設計與過程

ELM結(jié)構(gòu)為單層前饋神經(jīng)網(wǎng)絡，其輸入為濕地遙感影像的光譜特征、紋理特征、空間特征，輸出為濕地類型，其隱含層神經(jīng)元數(shù)設置為40，學習函數(shù)采用連續(xù)可微的Sigmod函數(shù)[19]。因濕地類型的多樣性和光譜特征的不確定性，采用FDCT方法提取地物遙感影像的紋理特征，首先將遙感影像進行FDCT變換分解，獲得影像的高頻曲波變換系數(shù)和低頻曲波變換系數(shù)，選取高頻部分曲波變換系數(shù)組合作為地物的紋理特征。最后將訓練好的ELM神經(jīng)網(wǎng)絡用于濕地類型自動識別[20-21]。

實驗過程如下：

（1）將樣本圖像和測試圖像采用基于Wrapping的快速離散曲波變換進行處理，從而獲得曲波變換系數(shù)。曲波變換后的結(jié)果如表1所示：

表1 曲波變換結(jié)果Table 1 The result of curvelet transform

從表1可以看出，圖像被劃分為4個尺度層。最內(nèi)層，也就是第一層稱為Coarse尺度層（最粗尺度層），是由低頻系數(shù)組成的一個19×15的矩陣。最外層，也就是第四層稱為Fine尺度層（最細尺度層），是由高頻系數(shù)組成的一個112×92的矩陣；中間的第二層和第三層稱為Detail尺度層，每層系數(shù)被分割為4個大方向，每個大方向又被劃分為4個、8個小方向，每個小方向是由中高頻系數(shù)組成的矩陣。

（2）對曲波變換分解獲得的低頻系數(shù)再進行旋轉(zhuǎn)變換，形成列向量特征參數(shù)。

（3）構(gòu)建ELM神經(jīng)網(wǎng)絡，在本文中隱含層神經(jīng)元數(shù)為5 000，學習函數(shù)采用Sigmod函數(shù)，將2步得到的特征參數(shù)送入ELM神經(jīng)網(wǎng)絡進行學習、訓練和識別。

（4）濕地型分類實驗結(jié)果如表2所示。

表2 分類準確率Table 2 Classification accuracy

從表2可以看出，F(xiàn)DCT+ELM的方法，識別率達到86.7% ，而SVM的方法為76.5%，但是FDCT+ELM的方法的特征維度為3 904，這會增加計算的復雜度。后期工作考慮對曲波特征進一步降維后再訓練，測試精度和時間上的變化。

2 結(jié)果與分析

2.1 分類效果比較

利用FDCT+ELM方法對濕地進行分類可以得到較為滿意的結(jié)果，特征識別率達86.7%，Kappa指數(shù)達0.83。分類結(jié)果如圖2所示：

支持向量機（SVM）算法對濕地圖片進行特征提取與分類效果如圖3所示：

FDCT+ELM算法在各個地類的識別上具有更高的精度，各個地類區(qū)分明顯，不同地類邊界的幾何形態(tài)較為清晰，SVM分類結(jié)果較為破碎，斑點噪聲較多，尤其在農(nóng)田、冬水田與草本沼澤的分類上破碎化程度較為突出，對永久性河流與永久性淡水湖的區(qū)分也存在混淆，將永久性河流誤判為永久性淡水湖。在對水產(chǎn)養(yǎng)殖場的區(qū)分上，兩者都表現(xiàn)出較滿意的精度。兩種算法在對洪泛平原濕地、永久性湖泊除了有細微的差別外，地類區(qū)分的特征基本一致[22-23]?？傮w而言，DCT+ELM算法表現(xiàn)更好。

2.2 分類精度評價及結(jié)果分析

為證明FDCT+ELM在高分辨率濕地遙感影像分類中的可行性，選取分類精度、錯分誤差、漏分誤差、總體精度和Kappa系數(shù)等因子進行評價。兩種方法的分類精度如表3和表4所示：

圖2 FDCT+ELM方法分類結(jié)果Fig.2 The classif i cation result of FDCT+ELM method

圖3 SVM分類結(jié)果Fig.3 The classif i cation result of SVM method

表3 FDCT+ELM分類精度Table 3 The classification accuracy of FDCT+ELM

表4 SVM分類精度評價Table 4 The classification accuracy of SVM

對比分析表3和表4中分類精度、錯分誤差和漏分誤差數(shù)據(jù)，基于FDCT+ELM的濕地類型分類方法其分類精度達到了86.7%，明顯高于傳統(tǒng)SVM的濕地類型分類方法76.5%的分類精度，前者的Kappa系數(shù)超過0.83，高于傳統(tǒng)SVM分類方法的0.80。

3 結(jié)論與討論

本研究利用高分辨率遙感影像數(shù)據(jù)，對黃家湖國家濕地公園濕地類型進行了研究。主要得出如下結(jié)論：

（1）提出基于FDCT與ELM的濕地類型分類方法，該方法結(jié)合快速離散曲波變換及極限學習機求解單隱層前饋神經(jīng)網(wǎng)絡的學習算法，在提高分類精度和運算速度的同時，具有結(jié)構(gòu)清晰、運算高效等優(yōu)點，在處理多維數(shù)據(jù)時可以根據(jù)需要主動選取分類特征變量，可以有效減少傳統(tǒng)分類方法在處理多光譜遙感數(shù)據(jù)時由于地物和地形過于復雜導致的分類混淆情況。

（2）對基于FDCT與ELM的濕地類型分類方法實驗及精度評價分析表明，其整體精度達86.7%。與經(jīng)典的基于SVM算法分類方法相比，整體分類精度提高了10.2%，Kappa系數(shù)提高0.03，尤其是洪泛平原濕地，草本沼澤，非濕地，稻田、冬水田和森林沼澤的分類精度明顯提高。

黃家湖國家濕地公園在洞庭湖區(qū)域，濕地類型主要包括草本沼澤，稻田、冬水田，非濕地，洪泛平原濕地，森林沼澤，水產(chǎn)養(yǎng)殖場，永久性淡水湖，永久性河流，運河、輸水河等景觀類型。其中植被一般都是成片分布區(qū)域較大，由此，利用快速離散曲波變換和極限學習機相結(jié)合的方法（FDCT+ELM算法）可以較為容易地將這些區(qū)域區(qū)分出來，在草灘和泥灘的過渡帶，以及草灘和明水體的過渡帶也都能比較準確地區(qū)分出濕地植被區(qū)域邊界。實驗表明，與SVM分類算法的濕地分類相比，F(xiàn)DCT+ELM算法使?jié)竦貐^(qū)域各地類類型區(qū)分明顯，不同地類邊界的幾何形態(tài)較為清晰，識別精度更高。當然，除了FDCT+ELM算法上的優(yōu)勢以外，其中研究區(qū)濕地類型70%以上為湖泊河流，相對比較單一，也是獲得較高濕地分類精度的因素之一。而基于SVM分類算法的濕地分類結(jié)果破碎化程度較高，尤其在農(nóng)田、冬水田與草本沼澤的分類上較為突出，斑點噪聲多，對永久性河流與永久性淡水湖的區(qū)分上也存在混淆。

本次實驗中FDCT+ELM方法的特征維度高達3 904維，增加了計算的復雜度。后期工作中可考慮對曲波特征進行降維分析，在不降低分類精度的情況下降低計算的復雜度。針對濕地遙感分類，解譯者之間存在的相互差異對遙感分類結(jié)果的影響還仍然存在，為降低這一影響將是濕地遙感影像自動識別和分類研究有待進一步待解決的關鍵問題之一。

基于FDCT與ELM算法將高分辨率遙感影像濕地分類方法推廣到地物識別、森林類型識別等應用領域，對其進一步研究有著十分重要的意義。

[1]邱煌奧,程朋根,等.多光譜遙感影像濕地水體提取方法綜述[J].江西科學,2016,34(1):61-65.

[2]Amani M, Salehi B, Mahdavi S, et al.Wetland Classification Using Multi-Source and Multi-Temporal Optical Remote Sensing Data in Newfoundland and Labrador, Canada[J].Canadian Journal of Remote Sensing, 2017, (58): 1-14.

[3]Ballanti L, Byrd K, Woo I, et al.Remote Sensing for Wetland Mapping and Historical Change Detection at the Nisqually River Delta[J].Sustainability, 2017, 9(11): 1919.

[4]張樹文,顏鳳芹,于靈雪,等.濕地遙感研究進展[J].地理科學, 2013,33(11):1406-1412.

[5]王卷樂.著鄱陽湖地區(qū)環(huán)境變化遙感監(jiān)測與環(huán)境管理[M].北京:科學出版社,2016.

[6]MacAlister C, Mahaxay M.Mapping wetlands in the Lower Mekong Basin for wetland resource and conservation management using Landsat ETM images and fi eld survey data[J].Journal of Environ.Manage, 2009,90(7):2813-2823.

[7]Huiping Z,Hong J,Qinghua H.Landscape and Water Quality change detection in urban wetland: a post-classification comparison method with IKONOS Data[J].Procedia Environmen talSciences,2011,10:1726-1731.

[8]嚴恩萍,林 輝,莫登奎,等.基于ALOS數(shù)據(jù)的遙感植被分類研究[J].中南林業(yè)科技大學學報,2010,30(11):37-42.

[9]曹洪濤,張拯寧,李 明.基于c4.5決策樹的多特征遙感分類方法[J].測繪工程,2016,25(3):73-76.

[10]楊 冬, 李恩寶,等.利用決策樹模型的濕地提取與分類[J].遼寧工程技術大學學報( 自然科學版),2016,35(5):543-547.

[11]謝 靜,王宗明,等.基于面向?qū)ο蠓椒ê投鄷r相HJ-1影像的遙感分類——以完達山以北三江平原為例[J].濕地科學,2012,10(4):429-438.

[12]朱長明,李均力,等.面向?qū)ο蟮母叻直媛蔬b感影像濕地信息分層提取[J].測繪通報,2014(10): 23-28.

[13]東啟亮,林 輝,孫 華,等.多源遙感數(shù)據(jù)融合方法在濕地分類中的適用性研究[J].中南林業(yè)科技大學學報,2013,33(1):52-57.

[14]王慶光.基于人工神經(jīng)網(wǎng)絡的濕地遙感分類研究[D].北京:中國地質(zhì)大學, 2006.

[15]Bortels L, Chan J C W, Merken R, et al.Long-term monitoring of wetlands along the Western-Greek Bird Migration Route using Landsat and ASTER satellite images: Amvrakikos Gulf (Greece)[J].Journal for Nature Conservation,2011,19(4):215-223.

[16]Mary G J J, Ramachandran A.Quality Improvement in Color Image Compression using New FDCT and FIDCT[J].International Journal of Computer Applications, 2015,123(8):12-17.

[17]G.Huang, Q.Zhu, C.Siew, Extreme learning machine: theory and applications[J].Elsevier Neurocomputing,2006,70(1–3):489–501.

[18]王德嬌,史晉芳,吳 倩,等.一種混合降噪方法在輻射圖像降噪處理中的應用[J].機械設計與制造,2017(1):97-100.

[19]Chen J, Chen H, Wan X, et al.MR-ELM: a MapReduce-based framework for large-scale ELM training in big data era[J].Neural Computing & Applications, 2016, 27(1): 101-110.

[20]Deo R C, Tiwari M K, Adamowski J F, et al.Forecasting effective drought index using a wavelet extreme learning machine (W-ELM) model[J].Stochastic Environmental Research& Risk Assessment, 2017, 31(5): 1211-1240.

[21]王 樂,王 超.影像融合和面向?qū)ο蠹夹g在濕地分類中的應用[J].地理空間信息,2017,15(8):22-29.

[22]Cao J, Chen T, Fan J.Landmark recognition with compact BOW histogram and ensemble ELM[M]. Kluwer Academic Publishers,2016: 2839-2857.

[23]Sinha R, Saxena S, Singh M.Protocols for riverine wetland mapping and classification using remote sensing and GIS[J].Current Science, 2017, 112(7): 1544-1552.