基于高分辨率遙感影像的居民地分類方法研究

摘 要：隨著我國城鎮(zhèn)化進(jìn)程的不斷深入，大量鄉(xiāng)村居民地已經(jīng)轉(zhuǎn)化為城鎮(zhèn)居民地，為了度量二者實(shí)時(shí)的轉(zhuǎn)化情況，該文提出一種基于監(jiān)督分類機(jī)制的居民地分類方法，該方法首先采用邊緣特征及高斯函數(shù)量化影像上的局部特征，然后構(gòu)建5種城鎮(zhèn)及鄉(xiāng)村居民地分類規(guī)則，其次創(chuàng)建訓(xùn)練樣本對(duì)各類規(guī)則進(jìn)行學(xué)習(xí)，最后通過城鎮(zhèn)及鄉(xiāng)村測試樣本驗(yàn)證該文方法的精度。實(shí)驗(yàn)表明，該文方法可以對(duì)高分辨率遙感影像城鎮(zhèn)及鄉(xiāng)村居民地進(jìn)行初級(jí)分類，為“城鎮(zhèn)化”進(jìn)程提供一個(gè)新的衡量指標(biāo)。

關(guān)鍵詞：高分辨率遙感影像；居民地；監(jiān)督分類；分類規(guī)則；訓(xùn)練樣本

中圖分類號(hào)：P237 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2024）29-0154-04

Abstract： With the deepening of urbanization in China， a large number of rural residential areas have been transformed into urban residential lands. In order to measure the real-time transformation of the two， this paper proposes a residential land classification method based on supervised classification mechanism. Firstly， the edge feature and Gaussian function are used to quantify the local features on the image， and then five classification rules of urban and rural residents are constructed. Secondly， this paper creates training samples to learn all kinds of rules， and finally verifies the accuracy of this method through urban and rural test samples. The experimental results show that this method can classify urban and rural residential areas in high-resolution remote sensing images， which provides a new measurement index for the process of "urbanization".

Keywords： high-resolution remote sensing images; residential area; supervised classification; classification rules; training samples

我國已從“十五”時(shí)期開始推行“城鎮(zhèn)化”[1]，人口、產(chǎn)業(yè)不斷向城鎮(zhèn)聚集，城鎮(zhèn)數(shù)量和規(guī)模得到大幅提升。“城鎮(zhèn)化”過程致使大量鄉(xiāng)村居民地轉(zhuǎn)化為城鎮(zhèn)居民地，準(zhǔn)確詳實(shí)地厘清掌握城鎮(zhèn)及鄉(xiāng)村居民地的空間變化信息，才能進(jìn)一步度量兩者的轉(zhuǎn)化率，進(jìn)而為政府部門在評(píng)估城鎮(zhèn)、鄉(xiāng)村土地資源及人口遷移發(fā)展變化提供重要數(shù)據(jù)支撐?，F(xiàn)有文獻(xiàn)居民地變化提取研究方法，大多將鄉(xiāng)村居民地和城鎮(zhèn)居民地定義為統(tǒng)一整體進(jìn)行提取，未進(jìn)行分類提取，研究同一區(qū)域不同時(shí)期居民地分布情況為主。Li等[2]采用SIFT特征算子檢測居民地變化情況。Tang等[3]通過分析兩期遙感影像的局部特征差異度和相似度提取居民地變化信息，該方法檢測結(jié)果比較優(yōu)良，但算法較為耗時(shí)。Unsalan等[4]提出5種居民地特征模型，結(jié)合特征模型檢測不同時(shí)期高分辨率遙感影像上居民地變化信息。因此，本文提出一種基于監(jiān)督分類機(jī)制的鄉(xiāng)村和城鎮(zhèn)居民地分類方法，首先通過構(gòu)建居民地分類規(guī)則，然后創(chuàng)建居民地樣本對(duì)規(guī)則進(jìn)行訓(xùn)練學(xué)習(xí)，通過樣本測試驗(yàn)證了本文方法可以滿足居民地進(jìn)行初級(jí)分類，為“城鎮(zhèn)化”進(jìn)程提供一個(gè)新的衡量指標(biāo)。

1 定義分類規(guī)則

居民地相對(duì)于非居民地，其覆蓋區(qū)域擁有更高的邊緣特征和高斯函數(shù)（Gabor特征）密度[5]，邊緣特征和Gabor特征參考已有文獻(xiàn)[5]進(jìn)行定義。城鎮(zhèn)區(qū)域相較于鄉(xiāng)村區(qū)域，城鎮(zhèn)區(qū)域的經(jīng)濟(jì)發(fā)展水平更高，其人工建（構(gòu)）筑物分布更為密集，因此城鎮(zhèn)區(qū)域和鄉(xiāng)村區(qū)域高分辨率影像，所呈現(xiàn)出的邊緣特征及Gabor特征分布情況也是截然不同的，通過構(gòu)建一定的判別規(guī)則可以實(shí)現(xiàn)對(duì)二者進(jìn)行分類，本文定義了以下5種分類規(guī)則。

1.1 特征總數(shù)

基于高分辨遙感影像上邊緣特征及Gabor特征居民地提取原理，是根據(jù)影像像素點(diǎn)獲得的特征投票總數(shù)來區(qū)分居民地。高分辨率遙感影像上，居民地獲得的特征投票數(shù)大于非居民地投票數(shù)，城鎮(zhèn)居民地和鄉(xiāng)村居民地對(duì)比，其內(nèi)部的人工建（構(gòu)）筑物更加密集，故其邊緣特征及Gabor特征密度數(shù)值更大，獲得的相應(yīng)特征投票數(shù)更高，因此將城鎮(zhèn)和鄉(xiāng)村居民地各自的特征投票總數(shù)定義為第一種分類規(guī)則，即

rule1=K ，

式中：K為邊緣或Gabor特征總數(shù)。

1.2 歸一化指數(shù)

如上節(jié)所述，特征總數(shù)為影像上所有像素點(diǎn)特征投票值總數(shù)，所以影像尺寸大小對(duì)特征總數(shù)影響很大，理論上影像尺寸越大，獲得的特征投票總數(shù)就越多，度量標(biāo)準(zhǔn)缺乏統(tǒng)一性。針對(duì)不同尺寸的實(shí)驗(yàn)影像，計(jì)算其特征投票總數(shù)的歸一化指數(shù)，上述問題可得到有效避免，假定影像尺寸大小為M×N，第二種分類規(guī)則表示為

式中：V（x，y）為像素點(diǎn)（x，y）對(duì)應(yīng)的特征投票總數(shù)。

1.3 最大特征值

第二種分類規(guī)則能夠較好地對(duì)城鎮(zhèn)與鄉(xiāng)村居民地各自特征進(jìn)行區(qū)別，但除了特征投票總數(shù)差異，城鎮(zhèn)與鄉(xiāng)村居民地的最大特征投票數(shù)值也具有差異性，因此將最大特征值視為第三種分類規(guī)則加以區(qū)分，定義為

。

1.4 候選居民地歸一指數(shù)

文獻(xiàn)[5]利用Ostu閾值分割方法篩選出候選居民地，其原理為保留高投票值影像區(qū)域舍棄低投票值影像區(qū)域。特征投票值高于分割閾值的像素區(qū)內(nèi)部具有判別城鎮(zhèn)與鄉(xiāng)村居民地的重要信息，與第二種分類規(guī)則類似，計(jì)算大于分割閾值的像素片區(qū)（即候選居民區(qū)）歸一化指數(shù)，第四種分類規(guī)則定義為

式中：？琢為根據(jù)Ostu方法計(jì)算獲得的分割閾值。

1.5 SVM融合規(guī)則

單獨(dú)使用以上4種分類規(guī)則，可實(shí)現(xiàn)對(duì)城鎮(zhèn)和鄉(xiāng)村居民地定向分類，但由于分類規(guī)則不夠綜合，過于單一，表現(xiàn)為分類精度有限。為將上述4種分類規(guī)則統(tǒng)一納入到居民地分類過程，本文通過引用支持向量機(jī)（SVM）分類器[6]融合上述4種規(guī)則構(gòu)建第五種城鎮(zhèn)和鄉(xiāng)村居民地分類規(guī)則。

2 構(gòu)建居民地樣本庫

基于以上5種分類規(guī)則開展城鎮(zhèn)居民地和鄉(xiāng)村居民地分類，分類方法屬于監(jiān)督分類范疇，故進(jìn)一步采用人工方式構(gòu)建居民地訓(xùn)練樣本對(duì)前4個(gè)單一分類規(guī)則進(jìn)行學(xué)習(xí)，對(duì)各類規(guī)則特征學(xué)習(xí)差異性進(jìn)行數(shù)值量化。

2.1 樣本選擇

高分辨率遙感影像紋理特征，城鎮(zhèn)居民地表現(xiàn)為建筑密集程度高、建筑樣式新穎、道路走向規(guī)則及綠化覆蓋率高等特點(diǎn)，鄉(xiāng)村居民地則表現(xiàn)為空間分布較為零亂，建筑物間距較大，建筑樣式較為單一等特點(diǎn)?；诔擎?zhèn)居民地與鄉(xiāng)村居民地的紋理特征，本文以空間分辨率優(yōu)于1 m的高分影像數(shù)據(jù)做為實(shí)驗(yàn)對(duì)象，并從中分別選擇具有代表性的100個(gè)城鎮(zhèn)居民地訓(xùn)練樣本及100個(gè)鄉(xiāng)村居民地訓(xùn)練樣本，樣本大小為1 400×800，部分訓(xùn)練樣本樣圖如圖1所示。

2.2 樣本學(xué)習(xí)

接下來對(duì)選擇的樣本進(jìn)行學(xué)習(xí)，分別統(tǒng)計(jì)城鎮(zhèn)和鄉(xiāng)村居民地樣本對(duì)應(yīng)第1章節(jié)中的4種分類規(guī)則取值情況，代表樣本取值情況見表1、表2。

3 實(shí)驗(yàn)結(jié)果及分析

為驗(yàn)證本文提出的城鎮(zhèn)居民地及鄉(xiāng)村居民地分類方法準(zhǔn)確性，選取50幅高分影像作為測試數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。為提高實(shí)驗(yàn)效率，首先對(duì)測試數(shù)據(jù)進(jìn)行分塊處理，按80×80尺寸規(guī)格輸出，本文從測試影像數(shù)據(jù)上共提取了237個(gè)城鎮(zhèn)居民地測試樣本和468個(gè)鄉(xiāng)村居民地測試樣本，然后以本文第1章節(jié)中的4種分類規(guī)則為辨別準(zhǔn)則進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)樣本如圖2所示。

3.1 判別準(zhǔn)則

以基于邊緣特征城鎮(zhèn)居民地分類為例，首先，計(jì)算城鎮(zhèn)居民地訓(xùn)練樣本對(duì)應(yīng)前4類規(guī)則的均值rulei及其中誤差？駐i，即

式中：i=1，2，3，4，即對(duì)應(yīng)的規(guī)則編號(hào)，N為訓(xùn)練樣本個(gè)數(shù)，本文選取的訓(xùn)練樣本個(gè)數(shù)為100。

然后，計(jì)算測試樣本對(duì)應(yīng)的規(guī)則取值rule，當(dāng)滿足下式時(shí)，則認(rèn)為檢測成功，該樣本分類符合實(shí)際情況：

。

鄉(xiāng)村居民地分類精度評(píng)價(jià)，與上述方法類似。

3.2 精度統(tǒng)計(jì)

按照上述判別規(guī)則，分別統(tǒng)計(jì)基于邊緣特征及Gabor特征居民地分類精度情況，此外，本文引入支持向量機(jī)（SVM）分類器[6]融合前4種規(guī)則進(jìn)行綜合性分類，結(jié)果見表3、表4。

3.3 結(jié)果分析

本文提出的居民地監(jiān)督分類方法具備以下特點(diǎn)：①城鎮(zhèn)居民地和鄉(xiāng)村居民地整體分類精度水平中等偏上，但仍存在一定比例的錯(cuò)漏分類情況；②第一種規(guī)則和第二種規(guī)則分類結(jié)果精度相同，二者本質(zhì)上屬于同一類規(guī)則；③第四種規(guī)則的綜合分類結(jié)果精度相對(duì)較高；④利用支持向量機(jī)（SVM）方法綜合4種規(guī)則的分類結(jié)果精度達(dá)到最高水平，符合實(shí)際情況。此外，本文提出的居民地分類方法屬于監(jiān)督分類方法，選取的測試樣本和訓(xùn)練樣本具有一定的特殊性，樣本選擇對(duì)分類結(jié)果精度影響較大，因此算法設(shè)計(jì)的理論過程仍有優(yōu)化提升空間。

4 結(jié)論

本文提出了一種基于監(jiān)督分類機(jī)制的城鎮(zhèn)居民地及鄉(xiāng)村居民地分類方法，該方法首先定義了5種分類規(guī)則，然后構(gòu)建代表性居民地訓(xùn)練樣本對(duì)各個(gè)規(guī)則進(jìn)行分類學(xué)習(xí)，最后通過測試樣本驗(yàn)證本文方法分類結(jié)果精度。實(shí)驗(yàn)結(jié)果表明，本文方法分類精度總體較好，為進(jìn)一步提高分類精度水平，算法設(shè)計(jì)的理論過程仍需優(yōu)化提升，本文提出的居民地分類方法，是對(duì)城鎮(zhèn)居民地和鄉(xiāng)村居民地分類工作的積極探索嘗試，具有創(chuàng)新性意義。

參考文獻(xiàn)：

[1] 劉憲法.中國經(jīng)濟(jì)中期發(fā)展的基本思路-解讀“中共中央關(guān)于制定國民經(jīng)濟(jì)和社會(huì)發(fā)展第十個(gè)五年計(jì)劃的建議”[N].開放導(dǎo)報(bào)，2000-12-10.

[2] LI W M， LI X M， WU Y H，et al. A novel framework for urban change detection using VHR satellite images[C]//International Conference on Pattern Recognition，2009.

[3] TANG F F， PRINET V. Vomputing Invariants for Structural Change Detection in Urban Areas[C]//Urban Remote sensing Joint Event，2010.

[4] UNSALAN C. Statistical， Structural， Hybrid， and Graph Theoretical Features to Measure Land Development[J].IEEE Geoscience and Remote Sensing Letters， 2009，6（1）：72-76.

[5] 陳洪.高分辨率遙感影像居民地提取方法研究[D]．長沙：中南大學(xué)，2013.

[6] 李萌．基于支持向量機(jī)的高分遙感影像分類技術(shù)研究與應(yīng)用[D]．北京：中國地質(zhì)大學(xué)（北京），2015.