基于多尺度特征融合和支持向量機(jī)的高分辨率遙感影像分類

1、第11卷第1期2007年1月遙感學(xué)報Vol.11,No.1Jan.,2007文章編號:100724619(2007)0120048207基于多尺度特征融合和支持向量機(jī)的高分辨率遙感影像分類黃昕,張良培,李平湘(武漢大學(xué)測繪遙感信息工程國家重點實驗室,湖北武漢430079)摘要:相對傳統(tǒng)的中低分辨率遙感數(shù)據(jù)而言,空間信息更加豐富,地物的尺寸、定,類內(nèi)光譜差異較大,傳統(tǒng)方法往往不能獲得好的結(jié)果。在此背景下,旨在利用不同尺度的空間鄰域特征彌補(bǔ)傳統(tǒng)方法的不足。,并結(jié)合支持向量機(jī)得到,。文中QuickBird和IKONOS影像實驗。關(guān)鍵詞:多尺度;支持向量機(jī);高分辨率中圖分類號:TP751.1文獻(xiàn)標(biāo)識碼

2、:AClassificationofHighSpatialResolutionRemotelySensedImageryBasedUponFusionofMultiscaleFeaturesandSVMHUANGXin,ZHANGLiang2pei,LIPing2xiang(NationalKeyLaboratoryforInformationEngineeringinSurveying,MappingandRemoteSensing,WuhanUniversity,HubeiWuhan430079,China)Abstract:Anewclassificationalgorithmforhi

3、ghspatialresolutionremotelysensedimageryisproposed,whichintegratesneighborhoodinformationofmultiscalesuchas2×2,4×4,8×8and16×16windowsizesaroundthecentralpixel.Inordertocompresstheinformationofthemultiscalespatialfeatures,awaveletcoefficientsfusionalgorithmisemployedtoreducethedim

4、ensionbutretainthespatialinformationatthesametime.Afterthestageofmultiscaleneighborhoodfeatureextraction,agoodtoolofpatternrecognition:SVMisemployedtoprocessthemultiscalefeatures,inthisalgorithm,fourgroupsofspatialfeaturesbasedonfourscalesproducefourclassificationmaps.Andthen,thesemaps,whichrepresen

5、tmultiscaleclassificationresults,arefusedbyascaleselectionparameter.Thefinalfusionmapistheresultofmultiscalefeaturesclassificationandshowsanobviousadaptabilitytoobjectsofdifferentscales.ExperimentsofQuickBirdandIkonosshowthattheproposedclassificationalgorithmofmultiscalefeaturesfusioncanachievebette

6、rresultsandbetteraccuraciesthantheconventionalper2pixelmultispectralmethod.Keywords:multiscale;featurefusion;SVM;highspatialresolution收稿日期:2005211229;修訂日期:2006201206基金項目:國家自然科學(xué)基金(編號:40471088,40523005),國家973計劃資助項目(編號:2006CB701302)。作者簡介:黃昕(1982),男,博士研究生,主要從事高分辨率遙感影像模式識別、神經(jīng)網(wǎng)絡(luò)原理、遙感應(yīng)用等方面的研究。E2mail:huangx

7、in1982420。第1期黃昕等:基于多尺度特征融合和支持向量機(jī)的高分辨率遙感影像分類491引言遙感對地觀測是人類獲取地球空間信息的重要手段,傳感器技術(shù)的發(fā)展使我們可以得到高空間分辨率影像,在軌運行的QuickBird和IKONOS分別可以獲得0161m和1m分辨率的數(shù)據(jù)。這種新型影像為地物觀測提供了更豐富的信息和細(xì)節(jié),地物的尺寸、形狀以及相鄰地物的關(guān)系得到更好的反映,這使其在城市環(huán)境、精準(zhǔn)農(nóng)業(yè)、交通及道路設(shè)施、林業(yè)、軍事等領(lǐng)域中有著廣泛的應(yīng)用前景。隨著影像空間分辨率的提高,地物的光譜分布更具變化,不同地物的光譜相互重疊,增加,地物信息呈現(xiàn)高度細(xì)節(jié)化,究熱點,科研人員也對此進(jìn)行了不懈的探索:1

8、Myint利用小波提取區(qū)域的紋理特征以彌補(bǔ)光譜2特征的不足;Jimenez把光譜特征空間擴(kuò)大到鄰域進(jìn)行分類決策,利用鄰域信息輔助分類;3Christodoulos利用多元化紋理特征增加特征空間的維數(shù)以提高模式的可分性;Kontoes認(rèn)為核空間可能產(chǎn)生低維光譜特征所不具備的新特征,從而提5高高分辨率影像的分類精度;Barnsley對逐像素多光譜的分類結(jié)果進(jìn)行后處理,用像元類別在空間的排列規(guī)則結(jié)合先驗知識進(jìn)行重分類,得到了優(yōu)于光譜分類的結(jié)果?？偨Y(jié)近年來高分辨率遙感影像模式識別的研究進(jìn)展可以發(fā)現(xiàn),這類新型遙感影像的解譯需要借助空間鄰域特征和更合理的決策機(jī)制。本文提出一種鄰域多尺度特征融合算法,提取多

9、尺度下不同鄰域的空間特征,并結(jié)合支持向量機(jī)這一具有核映射能力的模式識別工具進(jìn)行分類,然后根據(jù)不同尺度的特點進(jìn)行決策層融合。實驗證明,該算法相對于傳統(tǒng)的光譜方法具有明顯的優(yōu)勢,同時具備較強(qiáng)的實用性。4像元之間的聯(lián)系更為緊密,這類影像的解譯要考慮以下幾個因素:(1)地物的光譜分布規(guī)律變得不明顯,類內(nèi)(光譜分布)方差增大,類間方差減小,單像素的光譜值在分類中的可信度降低,其模式分類需要借助區(qū)域內(nèi)的上下文信息;(2)高分辨率影像充分揭示了地物的細(xì)節(jié),這為某些特定目標(biāo)的識別帶來便利,但對于某些大面積同質(zhì)性地物而言,分辨率的提高并不意味著解譯精度的提高;(3)現(xiàn)有的高分辨率傳感器所能獲取的光譜波段數(shù)較少,

10、這也限制了傳統(tǒng)光譜方法的應(yīng)用。所以這類影像的理解需,針對問題,并針對空,用小波變換提取并壓縮像;針對問題(2)和(3),本文引入支持向量機(jī)解譯空間特征,并提出多尺度特征融合算法,對不同尺度的地物用不同尺度的空間特征進(jìn)行分類決策。2.1多尺度特征提取本文的多尺度特征提取算法有兩個特點:(1)多窗口設(shè)置用中心像元的一系列不同大小的窗口作為該像元的多尺度度量單位,如圖1所示,不同尺度的信息通過以該像元為中心的2×2,4×4,8×8和16×16鄰域進(jìn)行描述。采取這種多窗口策略是為了模擬人的視覺對不同結(jié)構(gòu)、形狀和尺度的目標(biāo)的識別方式,用一定區(qū)域范圍的背景鄰域來確定

11、像素的性質(zhì)和特征。圖1像元鄰域的多尺度描述Fig.1Multiscaledescriptionofapixelarounditsneighborhood2理論與算法傳統(tǒng)分類方法僅僅對影像的最小單元像元進(jìn)行處理,然而像元層次上的統(tǒng)計分析不可能進(jìn)行相關(guān)的思維和推理活動,也不可能實現(xiàn)較高層次的遙感影像理解和分析,要提高分類精度,必須突破像元層次上的遙感分類體系6(2)空間特征維數(shù)減少先用PCA變換提取多光譜影像的第一主成分,高分辨率影像的光譜波段較少,所以這一步處理損失的光譜信息較少。然后提取第一主成分影像中像元的空間鄰域特征。如果以窗口內(nèi)所有像元的灰度值序列作為特征,則有主次不分的弊端,因為只有當(dāng)

12、前的中心像元是待識別的,而且特征維數(shù)過高反而對分類不利。本文利用。高分辨率遙感影像50遙感學(xué)報第11卷小波變換提取窗口的空間特征,同時降低鄰域特征j的維數(shù)。二維影像f(x,y)在分辨率2下的小波系數(shù)可按下式計算:cm,n=wm,nw(j,h)(j)<l,kk-2m<l-2nfk,lj-1=(j,h)<l,kl,kk-2mj-1l-2nfk,l(1)(j,v)m,n(j,d)l,kk-2m<l-2nfj-1k,lwm,n(j)(j,v)j-1fk-2ml-2nk,l(j,d)式中,cm,n,wm,n,wm,n和wm,n分別表示低頻、水平高頻、垂直高頻和對角高頻子帶的小波系

13、數(shù),j為小波分解階數(shù),(x)為一維小波函數(shù),<(x)為一維尺度函數(shù)。實驗選用db3小波基,算法步驟為:Step(1)取以像元(x,y)如2×2,4×4,8,Step(2)4個子頻帶,所以,其原則是在保存區(qū)域主要信息的同時,也不忽視細(xì)節(jié)信息和邊緣特征。設(shè)L(i,j),H(i,j),V(i,j)和D(i,j)分別為4個子頻帶中相應(yīng)位置上的小波系數(shù),C(i,j)為系數(shù)選擇的結(jié)果,可按加性融合或極大值融合:Max(L(i,j),H(i,j),V(i,j),D(i,j)最值融合C(i,j)L(i,j)+H(i,j)+V(i,j)+D(i,j)加性融合(2)因為邊緣點的小波系數(shù)較

14、大,所以本文選擇極大值融合。Step(3)定義2×2為根窗口,即2×2為小波變換壓縮的最小限度,分別對4×4,8×8和16×16窗口進(jìn)行離散小波變換,直至根窗口。每階變換產(chǎn)生一個低尺度子帶,如果該窗口還沒有壓縮到根窗口,則按式(2)進(jìn)行系數(shù)選擇并對融合后的子帶繼續(xù)分解。Step(4)遍歷圖像,對每個像元分別計算4個圖2空間鄰域特征的小波壓縮Fig.2Dimensionreductionofspatialfeaturesbasedonwavelet設(shè)訓(xùn)練樣本為(x1,y1),(x2,y2),(xN,yN),其中,xiR,表示輸入模式,yi

15、7;1表示d目標(biāo)輸出。設(shè)最優(yōu)決策面方程:wxi+b=0,則權(quán)值向量w和偏置b須滿足約束:T(3)yi(wxi+b)1-i式中,i為線性不可分條件下的松弛變量,它表示模式對理想線性情況下的偏離程度。根據(jù)決策面在訓(xùn)練數(shù)據(jù)上平均分類誤差最小的準(zhǔn)則,可推導(dǎo)出以下優(yōu)化問題:NT(w,)=ww+C(4)i2i=1式中,C是正則化參數(shù),表示SVM對錯分樣本的懲罰程度,是錯分樣本比例和算法復(fù)雜度之間的平衡。用Lagrange乘子法,最優(yōu)決策面的求解可轉(zhuǎn)化為以下的約束優(yōu)化問題:i-Q()=2i=1TNyyK(x,x)ijijiji=1j=1NN(5)不同尺度的空間特征,得到4個不同尺度的根窗口信息。Step(5

16、)對所有根窗口的小波系數(shù)作線性歸一化,便于輸入分類器。圖2為多尺度特征提取的示例。2.2基于空間特征的SVM分類N式中,ii=1為Lagrange乘子,且(5)式滿足約束條件:yii=1Ni=0,0iC,i=1,2,3,N(6)K(x,xi)為核函數(shù),滿足Mercer定理,常用的核有以下兩種:多項式核:K=(xxi+1)和RBF核:K=2x-xi-。根據(jù)高分辨率影像的特點,22由于類間方差較大,同類地物樣本的光譜特征較分散,并非緊緊圍繞著某些中心,即高分辨率影像的光譜樣本沒有明顯的中心,而對于RBF核來說,其對Tp支持向量機(jī)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,體現(xiàn)了學(xué)習(xí)過程的一致性和結(jié)構(gòu)

17、風(fēng)險最小化原理,其基本原理為:第1期黃昕等:基于多尺度特征融合和支持向量機(jī)的高分辨率遙感影像分類51于遠(yuǎn)離節(jié)點中心的樣本輸出幾乎為零,樣本根據(jù)離中心距離的遠(yuǎn)近有不同的權(quán)重和響應(yīng)值,然而多項式核卻不存在局域性,所以它更適合作為高分辨率影像特征的核函數(shù)。選擇SVM作為空間特征的分類器,是因為它無需特征空間正態(tài)分布的假設(shè),而且核空間的映射更適合多維的空間特征輸入,SVM提供的模型復(fù)雜度與輸入特征維數(shù)無關(guān),這使得輸入特征可以多元化,核函數(shù)將輸入特征映射到高維空間可能產(chǎn)生原始數(shù)據(jù)所不具備的新特征。2.3多尺度特征融合分類圖S2,S4,S8和S16。(2)根據(jù)原始的高分辨率多光譜影像及多尺度分類圖,依據(jù)尺

18、度選擇因子Ci(x,y),為每個像元選擇最佳決策結(jié)果,其計算式為:(w-1)maxi(n)1,2,jCi(x,y)=ppm=1im(7)式中,(x,y)表示像元的行列號,i表示SVM分類時的鄰域窗口大小2×2,4×4,8×8和16×16,w為窗口i內(nèi)的像元總數(shù),n,j表示以(x,ij,其計算是根S4,8S,p是原始影像的波,imm(m=1,2,p)波段影像中以(x,y)為中心的窗口i內(nèi)像元灰度方差的平方根,是比例調(diào)節(jié)系數(shù),便于尺度選擇因子的比較。(3)遍歷影像的每個像元,逐像元計算其尺度選擇因子Ci(x,y),每個像元得到4個尺度選擇因子C2×

19、2,C4×4,C8×8和C16×16。(4)為每個像元選擇最佳的分類結(jié)果,設(shè)l(x,y)表示像元(x,y)的最后決策類別,其計算式為:l(x,y)=maxCi(x,y)i高分辨率遙感影像中,地物的細(xì)節(jié)充分展現(xiàn),們的差異不僅僅表現(xiàn)在光譜上,形狀、,度的決策層描述。多尺度的統(tǒng)一,單尺度無法表達(dá)豐富的地面信息。所以,本文提出多尺度特征融合算法,旨在對SVM的多尺度分類結(jié)果在決策層進(jìn)行融合,根據(jù)地物的空間鄰域特性,在多尺度條件下尋求其最佳的決策。具體算法為:(1)把不同尺度的根窗口特征分別輸入SVM,根據(jù)實際情況選擇SVM的參數(shù),得到不同尺度下的(8)綜上所述,本文的多尺

20、度融合與分類算法流程如圖3所示。圖3多尺度融合與分類算法流程Fig.3Algorithmflowchartofmultiscaleclassificationandfusion3實驗3.1QuickBird數(shù)據(jù)實驗表1QuickBird實驗精度統(tǒng)計Table1AccuracyestimationofQuickBirdexperiments圖4(b)(c)0.7970.752(d)0.8350.793(e)0.8230.786(f)0.8490.811(g)0.8680.835(h)0.8860.857Overall0.756Kappa0.718實驗采用北京某地QuickBird影像的3個多光譜

21、波段,空間分辨率2144m,大小288×327,如圖4(a)所示,圖4(b)是傳統(tǒng)的單像素極大似然(MLC)分類,圖4(c)是單像素SVM分類,圖4(d)圖4(g)是不同尺度的分類結(jié)果,圖4(h)是多尺度融合的結(jié)果。精度統(tǒng)計采用混淆矩陣的2個統(tǒng)計量:Kappa系數(shù)和Overall精度,結(jié)果見表1。圖4和表1的結(jié)果表明,空間鄰域信息的加入可以改善分類精度,但并非尺度(i)越大分類精度越高,如i=2的結(jié)果就優(yōu)于i=4的結(jié)果,尺度的選擇由影像的分辨率及地物的特征決定。地物的形狀、面積等幾何特征的差異決定了單一尺度很難實現(xiàn)對多元化影像信息的描述,圖4(h)的結(jié)果融合了多尺52遙感學(xué)報第11卷

22、圖4QuickBird數(shù)據(jù)實驗結(jié)果(a)RGB影像;(b)單像元分類圖(MLC);(c)單像元分類圖(SVM);(d)i=2分類圖;(e)i=4分類圖;(f)i=8分類圖;(g)i=16分類圖;(h)多尺度融合結(jié)果Fig.4ExperimentalresultsofQuickBirddata(a)RGBImage;(b)Classificationmapforsinglepixel(MLC);(c)Classificationmapforsinglepixel(SVM);(d)Classificationmapfori=2;(e)Classificationmapfori=4;(f)Class

23、ificationmapfori=8;(g)Classificationmapfori=16;(h)Classificationmapbasedonmultiscalefusion度特征,其結(jié)果在保持對大面積地物分類的均一性的同時(如裸地、水體和房屋),減少了細(xì)節(jié)信息的丟失(如裸地上的樹木、道路)。統(tǒng)計表明多尺度特征融合比逐像元多光譜分類方法在精度上有明顯提高。為了說明多尺度融合的過程,圖5列出了圖4(h)的尺度分布情況。分類均一性的大塊地物,如房屋區(qū),大片裸露地,河流等;尺度i=4的分類集中在邊緣周圍23個像素寬的帶狀區(qū)域,這是由于空間鄰域的引入對大尺度在邊緣處的分類形成窗口(Windows

24、ize)效應(yīng),產(chǎn)生帶狀邊緣,這一影響在圖4(g)的16×16窗口分類中得到明顯的反映,河岸的邊緣擴(kuò)大,河流變窄,所以在尺度選擇后,這一區(qū)域的最佳尺度不可能很大,i=4的結(jié)果對該區(qū)域有最好的適應(yīng)性。3.2Ikonos數(shù)據(jù)實驗為了進(jìn)一步驗證算法的有效性,本文用北京某地的Ikonos全色波段進(jìn)行實驗,影像空間分辨率為1m,大小434×377,實驗結(jié)果如圖6所示。實驗的精度統(tǒng)計見表2,融合過程如圖7所示。圖5融合過程Fig.5Visualizationoffusionprocess表2Ikonos實驗精度統(tǒng)計Table2AccuracyestimationofIkonosexper

25、iments圖6OverallKappa(b)0.6270.523(c)0.6670.573(d)0.7150.634(e)0.7880.723(f)0.8160.755(g)0.8250.766圖5中不同顏色表示融合結(jié)果的多尺度分布,可觀察到:尺度最小(i=2)的分類集中在影像的邊緣;尺度最大(i=16)的多為影像的內(nèi)部點,是具有第1期黃昕等:基于多尺度特征融合和支持向量機(jī)的高分辨率遙感影像分類53圖6IKONOS數(shù)據(jù)實驗結(jié)果(a)IKONOS全色波段;(b)單像元最小距離分類;(c)i=2分類圖;(d)i=4分類圖;(e)i=8分類圖;(f)i=16分類圖;(g)多尺度融合結(jié)果Fig.6E

26、xperimentalresultsofIKONOSdata(a)IKONOSPanchannel;(b)Classificationmapforsinglepixel;(c)Classificationmapfori=2;(d)Classificationmapfori=4;(e)Classificationmapfori=8;(f)Classificationmapfori=16;(g)Classificationmapbasedonmultiscalefusion果可知,空間鄰域介入分類器增強(qiáng)了決策過程中相鄰像元的相關(guān)性,和逐像元分類相比,本文的算法考慮了多尺度的鄰域知識,提高了分類器對

27、不同尺度地物的適應(yīng)性,減弱了逐像元分類的椒鹽效應(yīng)。4結(jié)論與展望本文針對傳統(tǒng)的逐像素光譜分類方法的不足,提出多尺度特征融合算法,旨在提高高分辨率遙感影像解譯的精度。該算法用不同的鄰域窗口提取影像的圖7融合過程Fig.7Visualizationoffusionprocess多尺度信息,用小波變換壓縮鄰域信息,以減少空間特征的維數(shù),并通過小波系數(shù)的融合保留了區(qū)域的細(xì)節(jié)信息,然后把多尺度空間特征逐一輸入支持向量機(jī),得到不同尺度的分類圖,最后根據(jù)尺度選擇因子對分類結(jié)果進(jìn)行決策層融合。實驗表明,該算法能有效利用高分辨率影像的鄰域信息提高分類精度。本算法有待完善的問題是:(1)尺度在空間的變化是連續(xù)的,其

28、離散化的等級相隔越大,多尺度特結(jié)果與QuickBird實驗相似,多尺度融合的結(jié)果比單像元多光譜分類方法在精度上有明顯提高,多尺度融合算法顧及到了不同尺度地物的特性,融合結(jié)果(圖6(g)在保持大面積地物分類均一性的同時,減少了小尺度地物細(xì)節(jié)信息的丟失。從分類結(jié)54遙感學(xué)報第11卷征對不同地物的描述能力就越差,下一步可研究基于連續(xù)尺度的空間特征提取;(2)影像的空間特征提取往往是基于單波段,特征擴(kuò)展到多波段通常維數(shù)較高,如何提取多波段影像的空間特征也是值得研究的。參考文獻(xiàn)(References)1MyintSW,LamNSN,TylorJ.AnEvaluationofFourDifferentWaveletDecompositionProceduresforSpatialFeatureDi