王之 劉超 劉秀菊 魯恒 蔡詩響 楊正麗
摘要:在地震這種重大自然災(zāi)害面前,快速有效地從遙感影像中提取震區(qū)土地利用信息,在災(zāi)情評估及災(zāi)后重建中發(fā)揮著重要作用。選取四川省蘆山地震災(zāi)區(qū)無人機(jī)影像為數(shù)據(jù)源,運(yùn)用面向?qū)ο蟮挠跋穹治龇椒ǎ紫妊芯苛硕喑叨确指钪袇?shù)的選擇,獲取了研究區(qū)最優(yōu)分割參數(shù);然后考慮了各個“影像對象”的數(shù)字化特征值,利用改進(jìn)的SEaTH算法進(jìn)行特征值優(yōu)化處理;最后采用了隸屬度信息提取方法,獲得了蘆山地震災(zāi)區(qū)無人機(jī)低空遙感影像分類圖,并進(jìn)行了分類精度評估,結(jié)果表明:研究區(qū)影像的分類總精度為87.5%,kappa系數(shù)為0.835。
關(guān)鍵詞:面向?qū)ο螅欢喑叨确指?;SEaTH算法;無人機(jī)影像
中圖分類號:P315.9;TP751 文獻(xiàn)標(biāo)識碼:A 文章編號:1000-0666(2018)02-0173-07
0 引言
我國是一個自然災(zāi)害頻發(fā)且種類繁多的國家,如何有效地獲取與監(jiān)測災(zāi)情信息、做出科學(xué)可行的應(yīng)急救災(zāi)措施,是當(dāng)前研究的重點(diǎn)和難點(diǎn)。以遙感技術(shù)為主要手段來獲取多時相、多分辨率、多類型的遙感數(shù)據(jù)及遙感圖像處理技術(shù)一直以來都被應(yīng)用于各種自然災(zāi)害防治的各個環(huán)節(jié)之中(曾濤,2010)。
北京時間2013年4月20日8時2分在四川省雅安市蘆山縣(30.3°N,102.95°E)發(fā)生了7.0級地震,震中位于蘆山縣廟坪上,震源深度13km。在地震災(zāi)區(qū)通信、交通被嚴(yán)重破壞的情況下,無人機(jī)低空遙感技術(shù)成為快速獲取震區(qū)災(zāi)情信息的最佳途徑。因此快速準(zhǔn)確地處理地震災(zāi)區(qū)遙感影像數(shù)據(jù)、對影像信息進(jìn)行分類、提取出震害信息是值得深入研究的問題。本文所選研究區(qū)位于蘆山地震災(zāi)區(qū),該區(qū)域?yàn)槠皆孛?,具有建筑用地、林地、道路、耕地、地震臨時安置房等典型的地物類型,分布較為均勻,該區(qū)域在高分辨率影像中具有一定的代表性。本文綜合分析獲取的地震災(zāi)區(qū)遙感影像數(shù)據(jù),結(jié)合地震發(fā)生后實(shí)際情況及災(zāi)后應(yīng)急救災(zāi)、災(zāi)害評估及重建的實(shí)際需要,利用無人機(jī)航拍的蘆山地震震后高空間分辨率遙感影像,以面向?qū)ο笥跋穹治黾夹g(shù)對影像進(jìn)行了信息提取,對建筑用地、林地、道路、耕地、地震臨時安置房等準(zhǔn)確地進(jìn)行了分類。
在面向?qū)ο蟮姆诸愡^程中,被用于分類的遙感影像特征多種多樣,如光譜特征、紋理特征、形狀特征等。隨著研究的深入,許多特征被進(jìn)一步引用和演變,成為更有用的信息用以分類。與傳統(tǒng)基于面向像元的分類方法相比,面向?qū)ο蟮姆诸惙椒ú粌H充分利用影像的光譜特征和紋理特征,還將形狀特征和更多的特征運(yùn)用聯(lián)系起來,充分調(diào)動起了地物的特性,也提高了分類的準(zhǔn)確度和可分性(江華,2014)。但如果使用的特征變量太多,會帶來特征冗余,造成特征“維災(zāi)難”(鄭云云,2015)。為了解決上述問題,一些分類特征選擇方法被相繼提出,如基于遺傳算法的特征選擇選擇算法(馮莉等,2008)、基于Bayes錯誤率上界最小的特征選擇算法(張振平,2006)、基于蟻群優(yōu)化的特征選擇算法(葉志偉等,2007)、基于關(guān)聯(lián)規(guī)則的特征選擇方法(何小晨,徐守時,2002)、基于特征知識庫的遙感信息提取研究(高偉,2010)、SEaTH算法(Nussbaum etal,2006)。其中SEaTH算法是目前比較具有代表性的面向?qū)ο蟮奶卣鬟x擇方法,但是該算法僅從類間距離對特征進(jìn)行評價(jià),沒有考慮到類內(nèi)距離的影響。因此本文綜合考慮類間距離與類內(nèi)距離的綜合影響,并在利用特征進(jìn)行規(guī)財(cái)分類之前,優(yōu)選特征,去除相關(guān)性大的特征,降低特征維數(shù)。基于此,本文將改進(jìn)的SEeTH算法運(yùn)用于分類規(guī)則集的自動獲取。
1 原理與方法
1.1 WaTH算法
分離閾值法(SEaTH)是由Nussbaum等(2006)提出的一種基于Jefries一Matudita距離和高斯分布混合模型的分類特征選取與閾值計(jì)算方法,本文結(jié)合SEaTH算法,運(yùn)用隸屬度分類的模糊分類規(guī)則進(jìn)行分類。SEaTH算法實(shí)施的主要步驟為(王賀等,2013):
(1)樣本選擇:從分割后的影像中選取約2.5%具有代表性且空間分布均勻的典型樣本(薄樹奎,丁琳,2010),并從ecagnition Developer軟件中輸出各樣本的待選特征值。
(2)計(jì)算巴氏距離B值:式中:m1和m2表示2個類別的某特征均值,σ1和σ2表示2個類別的標(biāo)準(zhǔn)差。
(3)計(jì)算分離度J值:
J=2(1-e-B)(2)
(4)確定特征閾值:計(jì)算某特征的最佳閾值,把2個類的特征值看作高斯分布,根據(jù)該公式:
P(x)=p(x|C1)p(C1)+p(x|C2)p(C2)(3)當(dāng)p(x|C1)=p(x|C2)時,2種類別之間混分最少,而此時,當(dāng)對應(yīng)的特征值為x1時,類別C1和C2的分離性最好(如圖1所示),x1便可作為特征閾值T,閾值T的計(jì)算公式如(5)、(6)所示:
A=ln(σ1n2)-ln(σ2n1)(4)式中;σ1和σ2表示2個類別的某標(biāo)準(zhǔn)差,n1和n2表示2個類別的數(shù)目。
注:閾值T的計(jì)算公式有兩個,取T介于m1和m2之間作為所要的閾值。
1.2 改進(jìn)的SEaTH算法
面向?qū)ο蟮姆诸惙椒ǔ浞掷昧擞跋竦墓庾V特征、紋理特征、形狀特征和更多的特征,充分調(diào)動起地物的特性,從而提高了分類的準(zhǔn)確度和可分性。由于使用的特征變量太多,造成了過度分類,使得分類混亂。因此在基于隸屬度分類之前,先進(jìn)行特征優(yōu)選,然后進(jìn)行特征去相關(guān)處理,去除相關(guān)性較大的若干特征。改進(jìn)的SEaTH算法實(shí)施的主要步驟為(余曉敏等,2012):
(1)特征去相關(guān):利用分割后的影像中具有代表性且空間分布均勻的典型樣本,根據(jù)樣本對象的特征值求出所有已選特征的自相關(guān)系數(shù)矩陣(吉小軍等,2001)。設(shè)有設(shè)有N個特征,任意特征i,j=1,2…N樣本個數(shù)為K,自相關(guān)系數(shù)矩陣用,表示,那么這N個特征的自相關(guān)系數(shù)矩陣可表示為:
iJ=1,…,N式中:xil表示特征集中第l個樣本第i個特征的值;xi表示第i特征的均值估計(jì),
設(shè)置一個閾值依次遍歷特征值的相關(guān)系數(shù)Yij,當(dāng)某特征對的相關(guān)系數(shù)Yij大于某閾值時,去掉特征對中相關(guān)性強(qiáng)且特征方差較小的特征,由此降低特征矩陣的維度(譚艷麗,張丕狀,2007)。本文經(jīng)過多次實(shí)驗(yàn),設(shè)定相關(guān)系數(shù)Yij的閾值為0.95。
(2)類間距離優(yōu)化特征:利用(1)中優(yōu)選的特征集,計(jì)算所有類別兩兩之間的類間距離J,并按特征值降序排列,取類間距離最大的前10個特征。
(3)特征歸一化處理:由于所選特征的數(shù)量級大小不一,因此對已優(yōu)化特征進(jìn)行歸一化處理,以便下一步篩選,處理后使其大小介于0~1之間,特征歸一化公式為:式中:f為所選特征值,fmax為所選特征最大值,丈孟認(rèn)所選特征最小值。
(4)類內(nèi)距離特征優(yōu)化:依次遍歷C1和C2類中的抽選樣本,并計(jì)算各個樣本與其他同類樣本某一特征值(f1,f2,…,fn)的距離,并累積求和。分別得到C1和C2類的類內(nèi)距離D1和D2。并根據(jù)樣本數(shù)目的不同,分別對C1和C2類賦予權(quán)重,求得C1和C2類的加權(quán)類內(nèi)距離D。
D=(k1d1+k2d2)/(k1+k2)(11)式中:k為所選樣本類別數(shù),d為類內(nèi)距離。
(5)構(gòu)建分類評價(jià)準(zhǔn)則Jf:采用類間距離和類內(nèi)距離的比值作為分類評價(jià)準(zhǔn)則。Jf值越大,說明特征的分離性越好,反正分離性越差。Jf的公式為:
改進(jìn)的SEaTH算法很大程度上的降低了特征集矩陣的維度,去除了相關(guān)性大的特征,又根據(jù)類間距離和類內(nèi)距離優(yōu)化了特征,降低了數(shù)據(jù)處理量,提高了分類效率。
1.3 精度評估
提取地物信息的準(zhǔn)確度是我們評判分類精度的首個標(biāo)準(zhǔn)指標(biāo)。精度評價(jià)指標(biāo)主要分為生產(chǎn)者精度、用戶精度、總體精度和Kapps系數(shù)(牛興麗,2008)。
總體精度(overall accuracy)為:
生產(chǎn)者精度(producer's accuracy)為:
用戶精度(user's accuracy)為:
Kappa分析可以用于比較2個分類器的誤差矩陣是否具有顯著差別,產(chǎn)生的評價(jià)指標(biāo)被稱為K統(tǒng)計(jì)值,其計(jì)算公式為:式中:n為無人機(jī)遙感影像總樣本數(shù),k為總的分類類別;
nij為在影像中被分為i類而在參考類別中屬于j類的樣本數(shù)目;ni+為被分為i類的樣本數(shù)目:ni+=∑nij(j=1,…,k):n+j為參考類別為j的樣本數(shù)目:n+j=∑nij(i=1,…,k)。
2 實(shí)驗(yàn)結(jié)果與分析
2.1 蘆山地震無人機(jī)低空遙感影像最優(yōu)尺度確定
eCognition軟件支持多個分割方法,針對不同的分割影像,選擇合適的分割方法是有必要的。多尺度分割技術(shù)是eCognition軟件中較為常用的一種分割方法,它在生成影像對象的過程中抽象化了高分辨率影像信息,把高分辨率像元的信息用分割后的影像與多邊形屬性進(jìn)行存儲,盡量減少影像細(xì)節(jié)信息的損失,把影像分割成具有具體意義的影像對象(杜柯磊等,2016;丁曉英,2015)?;谠歼b感影像的情況配置合適的多尺度分割參數(shù)(Scale pa-rameter)、形狀參數(shù)(shape)、緊致度參數(shù)(com-pactness),從而得到地物分割的最小單元(Lu,etal,2011;宋楊等,2012)。
以控制變量法來確定多尺度分割的最佳參數(shù)。將多尺度分割參數(shù)設(shè)為n,從100開始取值,以20為步長,直到取到200,然后選出最合適的分割尺度參數(shù)。形狀參數(shù)先取為0.7,緊致度參數(shù)取為0.3。通過對地類的“破碎度”和“淹沒度”進(jìn)行評估,得到最優(yōu)分割尺度參數(shù)為160;將形狀參數(shù)設(shè)為m,從0.4開始取值,以0.1為步長,直到取到0.7,然后選出最合適的形狀參數(shù)。多尺度分割參數(shù)取為160,緊致度參數(shù)暫取為0.3。通過目視定性評估,得到最優(yōu)形狀參數(shù)為0.6;將形狀參數(shù)設(shè)為q,從0.1開始取值,以0.1為步長,直到取到0.4,然后選出最合適的緊致度參數(shù)。多尺度分割參數(shù)取為160,形狀參數(shù)取為0.6。通過目視定性評估,得到最優(yōu)緊致度參數(shù)為0.3。
由此本文確定出蘆山地震無人機(jī)遙感影像最佳尺度,如表1所示。
不同分割參數(shù)的分割結(jié)果如圖2所示,其中圖2d為最優(yōu)分割參數(shù)分割結(jié)果。
2.2 基于改進(jìn)的SEaTH算法的地物分類
由2.1節(jié)分析可知,實(shí)驗(yàn)組蘆山地震無人機(jī)遙感影像選擇的最優(yōu)分割尺度為:多尺度分割參數(shù)為160、形狀參數(shù)為0.6、緊致度參數(shù)為0.3,分割對象共1494個。從分割后的影像中選取約2.5%具有代表性且空間分布均勻的典型樣本,地物類型分別為:建筑用地(6個)、地震臨時安置房(6個)、耕地(8個)、林地(8個)、道路(5個)、未利用土地(5個)。
在eCognition軟件里提取了各種地物類型的樣本,并選取影像對象的常用特征共計(jì)71個,其中光譜信息方面:亮度(brightness),層1(layer1),層2(layer 2),層1(layer 3),混合差異值(max diff),層1標(biāo)準(zhǔn)差(sdt layer 1),層2標(biāo)準(zhǔn)差(sdt layer 2),層3標(biāo)準(zhǔn)差(sdt layer 3):形狀信息方面:區(qū)域(Area Pxl),邊界長度(Borderlength),長度(length pxl),長/深度(length/thickness),長寬比(length/width),的像素點(diǎn)數(shù)目(Number of pixel),圖像邊界的真實(shí)邊界(Rel.border to image Border),厚度(volume pxl),寬度(width pxl),非對稱性(Asymmetry),邊界指數(shù)(Border index)緊致度(Compactness),密度(Density),橢圓擬合度(Eliptic Fit),主方向(Main direction),最大封閉橢圓半徑(Radius oflargest enclosed elipse),最小封閉橢圓半徑(Radi-us of smallest enclosed elipse),矩形擬合度(Rec-tangular Fit),圓度(Roundness),形狀指數(shù)(Shape index):紋理信息方面:灰度共生矩陣均質(zhì)度(GLCM Homogeneity),灰度共生矩陣對比度(GLCM Contrast),灰度共生矩陣不相似度(GLCMDissimilarity),灰度共生矩陣熵(GLCM Entropy),灰度共生矩陣值(GLCM mean),灰度共生矩陣標(biāo)準(zhǔn)差(GLCM stdDev),灰度差分矢量對比度(GLDV Contrast),灰度差分矢量嫡(GLDV Entro-py),灰度差分矢量值(GLDV mean)等(王文宇,李博,2006)。
對特征進(jìn)行輸出,共有71個原始特征。通過特征相關(guān)系數(shù)矩陣閾值判定,對原特征矩陣進(jìn)行優(yōu)化,得到一個10維的特征子集:1、2、3波段均值,亮度,形狀指數(shù),長寬比,1、2、3波段GLCM均值、混合差異值。利用類間距離和類內(nèi)距離進(jìn)行優(yōu)化,得到一個5維的特征子集:3波段均值,形狀指數(shù),亮度,長寬比,2波段GLCM均值。原始無人機(jī)遙感影像以及最終得分類結(jié)果如圖3所示。
2.3 實(shí)驗(yàn)精度評估
根據(jù)1.3節(jié)所述原理,首先繪制與實(shí)驗(yàn)影像面積相同的20×20規(guī)則網(wǎng)格,然后在每個網(wǎng)格中隨機(jī)生成10個隨機(jī)點(diǎn),最后通過目視解譯獲得每個隨機(jī)驗(yàn)證點(diǎn)的土地利用類型。得到了共計(jì)有48個有效驗(yàn)證點(diǎn)。經(jīng)過計(jì)算可得,本文方法分類的總體精度為87.5%,Kappa系數(shù)為0.835。具體結(jié)果如表2所示。
3 結(jié)論
本文研究了一種基于改進(jìn)SEaTH算法的蘆山地震無人機(jī)遙感影像信息分類制圖方法,取得了較為滿意的分類結(jié)果。地震后獲取的高分辨率遙感影像紋理、光譜特征豐富,改進(jìn)的SEaTH算法在傳統(tǒng)SEaTH算法的基礎(chǔ)上引入了特征之間去相關(guān)處理,并綜合考慮了類內(nèi)距離與類間距離的共同影響,還構(gòu)建了以類間距離為主、類內(nèi)距離為輔的新的特征篩選指標(biāo),較大地提高了震區(qū)土地利用信息的分類效率和精度。為抗震救災(zāi)全面準(zhǔn)確地掌握、評估災(zāi)情,進(jìn)而為采取有效的救災(zāi)措施和災(zāi)后重建提供了可靠的空間數(shù)據(jù)支撐。還需進(jìn)一步研究更好的特征優(yōu)選去相關(guān)方法,還可研究地類信息提取順序?qū)Ψ诸惥鹊挠绊憽?/p>
參考文獻(xiàn):
薄樹奎,丁琳.2010.訓(xùn)練樣本數(shù)目選擇對面向?qū)ο笥跋穹诸惙椒ň鹊挠绊慬J].中國圖象圖形學(xué)報(bào),15(7):1106-1111.
丁曉英.2005.eCogoition在土地利用項(xiàng)目中的應(yīng)用[J].測繪與空間地理信息,28(6):116-117.
杜珂磊,唐斌,李佳.2016.基于eCognition的玉樹結(jié)古鎮(zhèn)災(zāi)情動態(tài)監(jiān)測研究[J].測繪與空間地理信息,39(2):31-35.
馮莉,李滿春,李飛雪,2008.基于遺傳算法的遙感圖像紋理特征選 擇[J].南京大學(xué)學(xué)報(bào)(自然科學(xué)),44(3):310-319.
高偉.2010.基于特征知識庫的遙感信息提取技術(shù)研究[D].武漢:中國地質(zhì)大學(xué)(武漢).
何小晨,徐守時.2002.基于關(guān)聯(lián)規(guī)則的特征選擇方法[J].紅外與激光工程,31(6):504-507.
吉小軍,李世中,李霆,2001.相關(guān)分析在特征選擇中的應(yīng)用[J].測試技術(shù)學(xué)報(bào),15(1):15-18.
江華.2014.基于eCognition面向?qū)ο蠹夹g(shù)的高分辨率遙感影像土地利用分類——以福州瑯岐島為例[J].海峽科學(xué),(8):12-17.
牛興麗.2008.面向城市應(yīng)用的高分辨率圖像分類[D].青島:山東科技大學(xué).
宋楊,李長輝,林鴻.2012.面向?qū)ο蟮膃cognition遙感影像分類識別技術(shù)應(yīng)用[J].地理空間信息,10(2):64-66.
譚艷麗 張丕狀.2007.基于自適應(yīng)閾值的小波圖像去噪法研究[J].電腦知識與技術(shù),2(12):212-213.
王賀,陳勁松,余曉敏.2013.面向?qū)ο蠓诸愄卣鲀?yōu)化選取方法及其應(yīng)用.遙感學(xué)報(bào),17(4):816-829.
王文宇,李博.2006.基于eCogniton的高分辨率遙感圖像的自動識別分類技術(shù)[J].北京建筑工程學(xué)院學(xué)報(bào),22(4):26-29.
葉志偉,鄭肇葆,萬幼川,等.2007.基于蟻群優(yōu)化的特征選擇新方法.武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),32(12):1127-1130.
余曉敏,湛飛并,廖明生,等.2012.利用改進(jìn)SEaTH算法的面向?qū)ο蠓诸愄卣鬟x擇方法[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),37(8):921-924.
曾濤.2010.汶川地震重災(zāi)區(qū)多源影像處理及震害信息提取方法研究[D].成都:成都理工大學(xué),1-3.
張振平,2006.基于Bayes錯誤率上界最小的特征選擇算法的研究[D].上海:同濟(jì)大學(xué).
鄭云云.2015.高分辨率影像對象變化檢測關(guān)鍵技術(shù)研究[D].重慶:重慶大學(xué),47-50.
LU P,Stumpf A,Kerle N,et al.2011.Object-oriented Change Detectionfor Landslide RapidMapping[J].IEEE Geoscience and RemoteSensing Letters,8(4):701-705:
Nussbaum S,Niemeyet I,Canty M J.2006.SEaTH-a new tool forauto-mated feature extraction in the context of object-based image analy-sis[C]//Proceedings of the 1st International Conference on Object-basedImage Analysis.Austria:Salzburg University.