基于ENVI的高分辨率遥感图像土地利用分类方法研究-王胜男

应用研究数字技术与应用105土地利用很大程度上决定着人类的生产和生活,同时人类活动也改变着土地利用类型的分布和属性。随着海洋资源的进一步开发,沿海地区作为开发海洋基地的作用愈显重要。因此,科学地进行土地利用分类,有助于考察岛陆土地利用状况,满足调查研究以及制图的需要,也有利于合理制定沿海地区的经济建设,可持续地开发和使用海洋资源[1]。遥感技术是一种信息时代的产物和工具,具有周期动态性、信息量丰富、获取效率高等优势。随着遥感技术的日益成熟,图像质量如空间分辨率和光谱分辨率得到很大提高。高分辨率遥感影像有着传统的遥感影像不存在的特点,如空间分辨率高、时间分辨率高、信息量大、所包含的地物的几何和纹理信息更加明显、能提取地物三维信息等特点[2]。针对高分辨率遥感图像所具有的特性,本文采用监督分类法及面向对象分类法对研究区土地利用情况进行监测及分类分析。1数据准备与处理1.1实验数据概况及实验数据的处理实验数据选取在山东省威海市部分沿海地区,本文采用的数据源为高分一号(GF1)遥感影像,空间分辨率为2m,已完成辐射校正和几何粗校正基本处理。图1是经过2%线性拉伸后的图像。1.2遥感图像分类地物在多光谱图像上的亮度体现了地物的光谱特征,不同地物在同一波段上的亮度值不同,同时在各个波段图像上亮度的呈现规律也不相同。因此,可以通过亮度特征的提取,对特征空间的划分,达到区分不同地物的目的,进而得到图像分类的结果。遥感图像分类就是利用计算机对遥感影像中各类地物的光谱信息和空间信息进行分析、识别,选取特征,将图像中每个像元按照某种规则或算法划分为不同类别,最后得到遥感影像与实际地物的对应信息,从而实现的遥感影像分类。ENVI中基于光谱分类的方法有非监督分类和监督分类。1.2.1非监督分类非监督分类,又称聚类分析,它无需训练样本,是计算机以图像的统计特征为根据进行的自动分类。ENVI软件执行非监督分类时,人为控制地将地物类数定义为多于目标类数的值,分类之后通过参照原始影像进行目视解译将部分类别进行删除或合并,最终得到分类结果,常用循环集群法和K-均值聚类法。由于非监督分类存在不能确定类别属性的特点,监督分类法应用更加广泛。1.2.2监督分类监督分类,又称训练分类法,利用已知样本的像元特征去识别未知类别的像元所属类别。ENVI分类中,分析者首先选取图像每种地物的训练区,计算机计算每种训练区的统计信息,进行像元和训练样本的对比分析,按照多种不同规则将其归类到最相似的训练样本中。目前常用的监督分类法有平行六面体、马氏距离、最小距离和最大似然。同时基于统计模式识别技术的分类法如支持向量机和模糊分类应用也较多。基于ENVI的高分辨率遥感图像土地利用分类方法研究*王胜男汪西原(宁夏大学宁夏银川750021)摘要:本文针对传统的分类方法仅使用光谱信息特征提取高分辨率遥感影像地物信息时存在的各种缺陷。利用联合影像中光谱、纹理、几何特性等多特征的面向对象分类法,对山东省威海市部分沿海地区土地利用进行分类研究。并且与传统的监督分类法对比分析,验证了面向对象分类法对高分辨率遥感影像分类的适用性及高精准性。关键词:高分辨率遥感影像分类监督分类法面向对象分类法中图分类号:TP751文献标识码:A文章编号:1007-9416(2016)10-0105-02收稿日期:2016-09-09*国家自然科学基金项目(41561087):多源遥感影像的分层特征信息提取与宁夏生态环境地物目标分类识别。作者简介:王胜男(1990—),女,汉族,河南商丘人,宁夏大学研究生,现从事遥感图像处理研究;汪西原(1964—),女,汉族,陕西西安人,教授/硕士研究生导师,主研领域:信号处理与检测技术,现代通信理论与系统。图1研究区预处理后影像图2-1最小距离分类处理后结果图2-2最大似然分类处理后结果图2-3支持向量机分类处理后结果应用研究数字技术与应用106针对实验区特点和原始数据图像的土地利用实际情况,把GF1遥感图像中定义为6种土地利用类别:沙滩、裸地/道路、林地、耕地、居民地、水体。文中用到:最小距离,最大似然,支持向量机监督分类器对研究区进行土地利用分类。为了最终的结果精度评价,文中所有分类器采用统一样本。表1为训练样本的可分离度计算。可分离度的值大于1.8时说明各类样本可分离性较好。分类后对原始分类图像进行聚类、过滤、去除后处理工作,并采用总体分类精度、Kappa系数评定分类精度,发现支持向量机分类精度最高。图2-1至图2-3为3种方法分类处理后结果图像。1.3面向对象分类研究鉴于高分辨率影像的光谱信息并不特别丰富,且有光谱相互影响及“同物异谱,同谱异物”的现象,面向对象分类法应运而生。面向对象是一种智能化的自动影像分析法,它的分析单元不是单个像素,而是整个目标对象[3]。特征的定义和分类均是基于目标进行的。经过研究实验表明,此分类法更适用中高分辨率,多光谱和全色影像。面向对象分类流程图如图3所示。1.3.1多尺度影象分割面向对象多尺度分割时,选取的尺度会影响生成对象的大小、数量及信息提取的精度。高尺度分割时,生成较少的图斑,图斑的面积较大;反之亦然。文中采用FeatureExtraction对影像进行基于样本的分割,使用边缘的分割法,采用影像临近像素的纹理、颜色等信息检测图像边缘,同时选定最合适的参数值,分割阈值为60.0,合并参数值为85.0。1.3.2基于样本的图像分类经过分割与合并后,进行样本的选择以及样本属性的设置。本文选取光谱、形状与纹理特征,色彩空间和波段比值等特征用于之后的监督分类。使用最近邻分类器,它需选择训练区样本,能更好的处理多维特征空间的联系。面向对象分类结果及样本选取如图4所示。2分类精度评价遥感图像进行分类后,常用混淆矩阵对分类结果精度进行评价。根据混淆矩阵能够计算出总体精度和Kappa系数。Kappa系数避免了混淆矩阵中像元类别的微小变动导致其百分比变化的缺点,能够评价整个分类图的精度。Kappa分析的评价指标为K统计[4],公式为:riiiririiiiixxNxxxNK1211)()((公式1)式中:N是用于精度评价的像元总数;r是误差矩阵中的总列数;iix是误差矩阵中第正确分类的数目;ix和ix是第i行与第i列像元总数。表2为各分类方法分类精度对比。3结语本文利用ENVI软件采用监督分类和面向对象分类等单分类器对研究区的GF1影像进行了土地利用分类。从分类结果及精度评价指标得出:最小距离,最大似然分类器在分类过程中出现居民地与裸地、水体与裸地、沙滩与居民地的误分现象;支持向量机分类器存在裸地与水体的误分现象;基于面向对象的分类精度最好,错分误分现象最小。针对传统的基于像素统计特征分类方法存在的种种不足,面向对象的分类方法充分利用影像地物的光谱、几何、结构和高分辨率遥感影像丰富的空间信息,使高分辨率遥感影像自动识别与提取的精度得到极大提高。因而,面向对象分类法值得进一步推广和研究。参考文献[1]付佳,黄海军,杨曦光.基于ENVI的唐山湾三岛土地利用遥感分类方法的比较分析[J].海洋科学,2014,38(1):20-26.[2]黄海军,程新文,李柏鹏等.基于ENVI的高分辨率遥感图像应用实验研究[J].地理空间信息,2007,5(3):41-43.[3]孙晓霞,张继贤,刘正军.利用面向对象的分类方法从IKONOS全色影像中提取河流和道路[J].测绘科学,2006,31(1):62-63.[4]段新成.基于BP人工神经网络的土地利用分类遥感研究[D].北京:中国地质大学,2008:49-50.[5]徐灵,侯小风.基于区域生长的遥感影像河流提取[J].测绘与空间地理信息,2015,38(3):198-200.[6]闫琰,董秀兰,李燕.基于ENVI的遥感图像监督分类方法比较研究[J].北京测绘,2011,3(3):14-16.图3面向对象分类流程图4面向对象分类结果地物类型Ⅰ地物类型Ⅱ可分离度林地耕地1.80327790居民地裸地1.83774115沙滩居民地1.89694907沙滩裸地1.99621405林地居民地1.99750987水体林地1.99851834耕地居民地1.99887214水体裸地1.99970958林地裸地1.99988746水体居民地1.99995271沙滩耕地1.99997519耕地裸地1.99998381水体耕地1.99999990沙滩水体2.00000000表1训练样本的可分离程度计算分类方法总体精度（%）Kappa系数最小距离分类器89.5064%0.8620最大似然分类器89.5064%0.8623支持向量机分类器93.9236%0.9188面向对象分类器99.9438%0.9945表2各分类方法分类精度比较