./基于多元數(shù)據(jù)和不同分類算法的遙感影像信息提取及精度評價——以祁連XX段為例收稿日期：接受日期：收稿日期：接受日期：基金項目：國家自然科學基金〔30770387和40671067和國家創(chuàng)新研究群體科學基金〔No.40721061[ThisprojectwassupportedbyNationNaturalScienceFoundationofChina<No.30770387,No.40671067>;NationalInnovationResearchTeamProject<No.40721061>]作者簡介：別強,男,生于19？？年,在讀碩士。主要從事遙感與GIS應用研究。E-mail：bieq05@**通信作者：E-mail:nanzhr@別強1,趙傳燕2**,馮兆東1〔1.XX大學西部環(huán)境教育部重點實驗室,XX730000；2.XX大學干旱與草地生態(tài)教育部重點實驗室,XXXX730000摘要：本文以祁連XX段典型山地系統(tǒng)為研究區(qū),通過提取研究區(qū)TM影像的主成份、各類植被指數(shù)、基于灰度共生矩陣的影像紋理特征以及研究區(qū)地形特征,應用最優(yōu)波段指數(shù)方法選取最優(yōu)波段,并結(jié)合多種遙感分類算法進行分類研究。結(jié)果表明深度數(shù)據(jù)挖掘和最優(yōu)波段的組合有利于分類精度的提高,通過比較本研究選取決策樹分類方法,該方法在遙感信息提取中有直觀的意義和較高分類精度。關鍵詞：信息提?。患y理提??；決策樹分類；祁連XX段1.引言遙感影像分類的目的是將圖像中每個像元按照某種規(guī)則或算法劃分為不同的類別[1],獲得遙感影像中與實際地物的對應信息,如何把這些信息分類并提取出來,一直是遙感研究的重要課題之一[2]。具有一定規(guī)模的自然區(qū)域,物質(zhì)組成多樣,地物在時空上相互交錯,相互轉(zhuǎn)換形成結(jié)構(gòu)和形式各具特點的復雜混合體,導致同類地物光譜響應的多樣化,使得"同物異譜,異物同譜"現(xiàn)象發(fā)生,基于原始光譜特征分類方法,難以取得較好的效果。眾多研究表明,將遙感數(shù)據(jù)的光譜特征、紋理特征與多元地學輔助數(shù)據(jù)結(jié)合,發(fā)展多維信息復合的方法可以提高土地利用/土地覆蓋分類的精度[3-4]。然而對多元遙感信息認識的不足使遙感數(shù)據(jù)中隱藏著的豐富信息遠遠沒有得到充分的發(fā)掘與利用。本文綜合應用地物光譜特征、空間特征以及知識,通過多元數(shù)據(jù)挖掘,利用最佳指數(shù)公式〔theoptimumindexfactor,OFI選擇出最佳特征子集,根據(jù)不同分類方法的對比,選擇最佳分類方法,并得出研究區(qū)分類結(jié)果。2研究方法2.1數(shù)據(jù)提取2.1.1植被指數(shù)的提取植被指數(shù)已廣泛用來定性和定量評價植被覆蓋及其生長活力。植被指數(shù)有助于增強遙感影像的解譯力,并在專題制圖方面增強了分類能力[5-6]。表1為本研究提取的幾種植被指數(shù)。表1研究中提取的5種植被指數(shù)Table1Thefivekindsofcommonusedvegetationindexes植被指數(shù)特點公式比值植被指數(shù)波段簡單線性組合〔1垂直植被指數(shù)消除土壤影響〔2修正植被指數(shù)消除土壤背景影像〔3歸一化植被指數(shù)〔4轉(zhuǎn)換植被指數(shù)對NDVI修正和發(fā)展〔5上表中：為近紅外波段的反射率,為紅色波段的反射率,a和b為調(diào)節(jié)系數(shù)。2.1.2遙感影像主成份分析遙感影像的主成份變化是對遙感影像的多個波段做中心化和正交化的變換[7],其目的就是把原來各波段中的有用信息集中到數(shù)目盡可能少的新的主成分圖像中,達到信息綜合與增強的目的,并使這些主成分圖像之間互不相關,即各自包含不同的地物信息,同時使得原始圖像的信息量損失最小[8]。2.1.3基于灰度共生矩陣的遙感影像紋理信息提取紋理是遙感影像重要的特征之一,紋理信息的分析在遙感分類識別中呈現(xiàn)了日益重要的作用,本文主要應用比較成熟的基于灰度共生矩陣的紋理提取。它是通過對圖像灰度級之間二階聯(lián)合條件概率密度P<i,j}〔d,θ>的計算來表示紋理。P<i,j|d,θ是表示在給定空間距離d和方向θ時,以灰度級i為始點,出現(xiàn)灰度級j的概率。根據(jù)共生矩陣,Haralick定義了熵<Entropy>、對比度<Contrast>、能量<Energy>、相關<Correlation>、方差<Variance>等幾種用于提取遙感圖像中紋理信息的特征統(tǒng)計量[9-12]?；诨叶裙采仃嚨募y理計算公式見表2。表2基于灰度共生矩陣的紋理計算公式Table2Theequationsoftexturebasedongraylevelco-occurrencematrix紋理紋理簡寫公式角二階Angularsecondmoment,ASM〔6對比度Contrast,CON〔7相關correlation,COR〔8,,,熵entropy,ENT〔9方差variance,VAR〔10U是的平均值平均值Mean,MEA〔112.2遙感影像波段特征和最優(yōu)波段選擇為消除不同屬性數(shù)據(jù)數(shù)值差別很大造成對分類結(jié)果的影響,在進行分類之前歸一化處理,將所有波段的值都拉伸到0-255之間。本文所用線性歸一化方程為：R=<X-MIN>/<MAX-MIN>*255〔12式中：X為圖層象元值,MAX和MIN是圖層中象元值的最大值與最小值。本文應用主成分分析、各種植被指數(shù)提取、基于灰度共生矩陣的遙感影像紋理提取等方法提取了影像盡可能多的信息,然后根據(jù)波段的信息熵和各波段之間的相關系數(shù)確定波段的最優(yōu)組合,為后面的分類做好數(shù)據(jù)準備,在本研究中首先選取信息熵較大的波段,然后利用最佳指數(shù)公式<theoptimumindexfactor,OIF>選擇出參與分類的最佳的分類波段,計算公式為[13-14]：〔13式中,H是第i個波段圖像灰度值的信息熵,其大小是衡量圖像信息豐富程度的一個重要指標；Rij為第i個波段和第j和波段之間的相關系數(shù),不同圖像之間的相關系數(shù)傳遞了圖像之間的信息冗余度的大?。籲為波段數(shù)。OIF的值越大則相應的波段組合越優(yōu)。前面提及的定量選取最優(yōu)波段組合的方法都是純數(shù)學的,沒有充分考慮到地物分布的地學規(guī)律。因此,在選取分類波段的時候不能單純的依賴計算出來的上述參數(shù)值,而是要結(jié)合自身的實踐經(jīng)驗和地學規(guī)律進行綜合判定。2.3分類算法2.3.1非監(jiān)督分類非監(jiān)督分類是指人們實現(xiàn)對分類過程不施加任何的先驗知識,僅憑影像的光譜特征的分布規(guī)律進行盲目的分類。非監(jiān)督分類主要采用的聚類分析的方法,它的目的使得屬于同一類別的像素之間的距離盡可能小而不同類別像素之間的距離盡可能的大[15]。2.3.2最大似然法<MaximumLikelihoodClassifier>最大似然法是常用的分類方法之一,它是逐點計算圖像中每個像元與每一個給定類別的似然度<Likelihood>,然后把該像元歸類到似然度最大的類別中的方法[21]按順序應該為16。對于像元數(shù)據(jù)x,給定類k的似然度Lk被定義為x出現(xiàn)時,其歸屬于k類別的條件概率,其計算公式為:按順序應該為16〔14式中：x為像元觀測數(shù)據(jù),Lk為像元x與k類別的似然度,P<k︱x是像元x歸屬k類的概率,P<k為先驗概率,一般假定每類出現(xiàn)的概率相等,P<k︱x為條件概率密度函數(shù),P<i>為類別i的先驗概率,一般假定相等,P<k︱x是條件概率密度函數(shù)。2.3.3支持向量機分類法支持向量機分類靠一個使得類別之間的距離最大的決策面來進行分類,通常這個決策面叫做最優(yōu)超平面[16]17？。而那些接近超平面的數(shù)據(jù)點稱之為支持向量機,這些向量機是訓練集中起決定性因素的元素。支持向量機分類方法中有不同的內(nèi)積核函數(shù)形成不同的算法,目前研究最多的核函數(shù)主要有四類：17？①線性<linear>K<xi,xj>=xiTxj〔15②多項式<Polynomial>K<xi,xj>=<gxiTxj+r>d,g>0〔16③高斯核函數(shù)〔RBFK<xi,xj>=exp<-g||xi-xj||2>,g>0〔17④Sigmoid函數(shù)〔SigmoidK<xi,xj>>=tanh<gxiTxj+r>〔18以上式中：g是除線性函數(shù)外其他函數(shù)的gamma意義是什么？項,d是多項式函數(shù)中的多項式的次方,r是多項式函數(shù)和sigmoid函數(shù)中bias表示的誤差嗎？項,g、d、r是用戶控制的參數(shù),這些參數(shù)的正確設置會提高支持向量機精度。意義是什么？表示的誤差嗎？2.3.4決策樹分類法決策樹分類的思想是針對各類地物不同的信息特點,將其按照一定的原則進行層層分解[17]？,通過一系列二元決策將每個像素進行歸類直到最后滿足所有的二元分類標準,在每個決策點即節(jié)點處將象元分為兩類,然后在進行下一步分類。在決策分類中可以使用多種多樣的具有決策意義的數(shù)據(jù)。在演算結(jié)果的樹狀圖里,每個內(nèi)部結(jié)點〔InternalNode>代表對某屬性的測試,其下的每個分支<Branch>代表此屬性的一個可能值,或多個可能值的集合。最后每個樹葉結(jié)點<LeafNode>對應的是一個目標類別<TargetClass>。？3實例研究3.1研究區(qū)概況研究區(qū)選擇在祁連XX段石羊河流域,位于黃羊河上游,覆蓋范圍為北緯37°5'37"-37°6'30",東經(jīng)102°3'37.2"-102°6',海拔跨度為2016米到4318米,山地植被垂直發(fā)育好。主要地物類型包括水庫,農(nóng)田,河床,水體、低覆蓋草地、高覆蓋草地、XX云杉、高寒草甸、冰川等。圖1和圖2分別為研究區(qū)TM影像5、4、3波段合成圖和DEM。圖2圖2研究區(qū)數(shù)字高程〔DEMFig.2Thedigitalelevationmodelinthestudyarea圖1研究區(qū)TM影像Fig.1TMimagecomposedby5thband,4bandand3thbandinthestudyarea3.2研究區(qū)數(shù)據(jù)處理3.2.1數(shù)據(jù)預處理在該研究中所采用的數(shù)據(jù)為1995年8月的TM影像,其他輔助數(shù)據(jù)為DEM數(shù)據(jù)、15萬地形圖和實地調(diào)查數(shù)據(jù)。首先以15萬地形圖為基準,利用二次多項式和雙線性內(nèi)插對影像進行幾何校正,然后利用5S模型對影像進行了大氣輻射校正。3.2.2數(shù)據(jù)提取根據(jù)表1中的公式,運用ENVIbandmath提取出研究區(qū)中比值植被指數(shù),垂直植被指數(shù),修正植被指數(shù),歸一化植被指數(shù)和轉(zhuǎn)換植被指數(shù)。提取的主成份中第一主成份占信息量的74.10%,第二主成份占信息量的18.4%,第三主成份占6%,前三主成份占了影像98.5%的信息量。對占影像74%信息的第一主成份進行紋理的提取,分別提取了第一主成份的平均值〔mean、方差〔variance、同次性〔homogeneity、對比度〔contrast、異化性〔dissimilarity、熵〔entropy、角二階〔secondmoment、相關性〔correlation。3.2.3最佳波段選擇通過上述運算得到大量數(shù)據(jù),在進行分類之前應根據(jù)波段信息含量最大,波段之間的相關性最小的原則,應用最優(yōu)波段指數(shù)OFI選取最佳分類波段組合。最終根據(jù)OFI的大小和綜合權(quán)衡確定影像第三波段〔TM3和第五波段〔TM5、第二主成分<pc2>、紋理平均值<mean>、歸一化植被指數(shù)<NDVI>、紋理熵<entropy>、紋理同次性<homo>為最優(yōu)波段組合。3.2.4基于多種分類方法的影像分類利用上述最優(yōu)波段組合數(shù)據(jù),根據(jù)非監(jiān)督分類、最大似然法分類、支持向量機分類、決策樹分類對研究區(qū)進行分類。由于前三個分類方法在只要選取好訓練樣區(qū),就可以直接進行分類,而決策樹分類法需要確定節(jié)點的閾值。以下是最優(yōu)波段中兩類地物的頻率分布直方圖〔圖3,根據(jù)頻率直方圖確定的各類地物在各波段的閾值見表3。通過表3建立的決策樹見圖4。非監(jiān)督分類,最大似然法分類,支持向量機分類和決策樹方法分類結(jié)果如下圖5所示。圖3兩類？地物的頻率分布直方圖？Fig.3frequencydistributionhistogramoftwotypicalfeatures表3七類地物各波段的閾值Table3Thethresholdvaluesofsevenobjects波段冰川河床水體低草高草農(nóng)田XX云杉TM340-25050-8030-5050-12025-5020-4515-30TM522-60100-13010-30120-20565-14060-9025-65NDVI55-8070-950-4080-120125-225150-250150-200pc230-25030-6055-7520-5018-4036-4530-50mean40-200100-14015-45120-22050-12065-9015-50homo50-15080-25070-25040-20070-200150-25060-220entropy160-2500-25050-250100-25060-25030-25030-250圖4決策樹分類圖〔b1為研究區(qū)NDVI,b2為研究區(qū)TM5,b4為研究區(qū)灰度共生矩陣平均值,b5為研究區(qū)第二主成份,gt為閾值對嗎？>對嗎？Fig.4Thedecisiontree<b1:NDVI;b2:5thbandofTMimage;b4:meanvalueofgraylevelco-occurrencematrix;b5:the2thprincipalcomponent;gt:thethresholdvalue>3.2.5分類精度評價各種分類方法中各地物類型的精度、總體精度和kappa系數(shù)見表4。圖5四種分類方法分類結(jié)果圖Fig.5Theclassificationoflanduseandlandcoveragebythefourmethodsinthestudyarea表4分類精度比較Table4Thecomparisonofclassificationaccuracybetweenthefourmethods精度〔%非監(jiān)督分類最大似然法分類支持向量機分類決策樹分類水體67.8985.693.995.23農(nóng)田67.0152.6884.6188.65低草地30.9589.8295.4893.39高草地1890.2486.3796.84冰川72.295.3692.195.12XX云衫69.7891.4096.490.82河床79.1674.6581.8478.25Total73.20384.2390.4094.5032kappa0.58930.710.870.9122有表4可以看出支持向量機分類方法和決策樹分類方法取得了比較好的分類效果,分類精度大于90%,kappa系數(shù)在0.8以上。在各地物分類中水體、農(nóng)田、冰川、XX云杉等分類精度比較高,這是因為這幾類地物的光譜信息、NDVI、紋理特征與其他地物類型差別比較大。而河床的分類精度最低,主要是因為在干旱地區(qū)河床和低覆蓋草地容易混淆。在該試驗中決策樹分類方法取得了最好的分類效果,總體分類精度為94.50%,kappa系數(shù)為0.9122.5結(jié)論〔1通過主成份分析,植被指數(shù)提取、紋理特征提取等數(shù)據(jù)挖掘大大擴展了遙感分類的數(shù)據(jù)。主成份分析使影像信息集中在幾個獨立的主成份上；植被指數(shù)主要反映了植被的信息,是區(qū)別植被和非植被以及不同植被的重要指標；影像的紋理特征經(jīng)常反映地物在空間的分布關系。通過多元數(shù)據(jù)挖掘,發(fā)展多維信息復合的方法可以提高地物分類的精度?！?通過最優(yōu)波段指數(shù)選擇分類波段時既考慮了波段所含的信息量同時也考慮了個波段之間的相關性,選擇的最優(yōu)波段是相互獨立而且信息量較大的波段,這樣既提高了分類精度又避免了信息冗余?！?在決策樹分類中綜合合理的選擇分類標準是十分關鍵的,通過地物在各波段的閾值來分類可以獲得很好的分類效果。在本研究中分類精度大小依此為決策樹分類>支持向量機分類>最大似然法分類>非監(jiān)督分類。參考文獻ZhaoYS.Theprincipleandmethodofremotesensingapplication[M].Beijing:Sciencepress,2003.[趙英時.遙感應用分析原理與方法[M].北京:科學出版社,2003.DengSB,WuHG,JiangT.StudyontheGIS-aidedremotesensingclassificationmethodsofforestlandcoverbasedupondatemining[J].ScienceofSurveyingandMapping,2008,33<3>:121-123.[鄧書斌,武紅敢,江濤.GIS輔助下的基于數(shù)據(jù)挖掘的林型遙感分類方法研究[J].測繪科學,2008,33<3>:121-123.]SameissuesintheforefrontofRemotesensingscienceandtechnology,JournalofRemoteSensing,2009,13<1>:13-23.[宮鵬.遙感科學與技術(shù)中的一些前沿問題.遙感學報2009,13〔1：13-23.]ChenSP.Geo-AnalysisUsingRemoteSensing[M].Beijing:SurveyingandMappingPress,1990.[陳述彭.遙感地學分析[M].北京：測繪出版社,1990.]DuZitao,ZhanYulin,WangChangyao.StudyonVegetation-coverChangesBasedonNDVISerialImages.RemoteSensingTechnologyandApplication,2008,23<1>:47-51.[杜子濤,占XX,王長耀.基于NDVI序列影像的植被覆蓋變化研究.遙感技術(shù)與應用.2008,23<1>:47-51]WANGZhengXing,LIUChuang,HUETEAlfredo.FromAVHRR-NDVItoMODIS-EVI:Advancesinvegetationindexresearch.ActaEcologicaSinica,2003.5[王正興,劉闖,HUETEAlfredo.植被指數(shù)研究進展:從AVHRR-NDV到MODIS-EVI.生態(tài)學報.2003.5]HaralickRM.StatisticalandStructuralApproachestoTexture[J].ProceedingoftheIEEE,1979,67:786-804.DaiLvda,JiangXiaoguang,TangLinli.ProcessingandanalysisofremotesensingimageApplication[M][戴呂達,姜小光,唐伶俐.遙感圖像應用處理與分析[M].清華大學出版社.2004]LIULongfei,CHENYunhao,LIJing.TextureAnalysisMethodsUsedInRemoteSensingImages.RemoteSensingTechnologyandApplication,2003,6:441-447.[劉龍飛,陳云浩,李京等.遙感影像紋理分析方法綜述與展望.遙感技術(shù)與應用,2003,6:441-447.LawsKL.TexturedImageSegmentation[D].LosAngelesUniversityofSouthernCalifornia,1980.LiW,HeDC.ANewStatisticalApproachfortextureanalysis[J].PhotogrammetricEngineeringandRemoteSensing,1990,61-66.WUJun,ZHAOZhongming.ScaleCo-occurrenceMatrixforTextureAnalysisUsingWaveletTransform.JournalofRemoteSensing,2001.5：100-103.[吳均,趙忠明.利用基于小波的尺度共生矩陣進行紋理分析[J],遙感學報.2001.5：100-103.]SUHong-jun,DUPei-jun,SHENGYehua.Studyonbandselectionalgorithmsofhyperspectralimagedata.ApplicationResearchofComputers,2008,25<4>:1093-1096.[蘇紅軍,杜培軍,盛業(yè)華.高光譜影像波段選擇算法研究.計算機應用研究.2008,25<4>:1093-1096.]CHACVEZPS,BERLINGL,SOWERSLB.StatisticalmethodforselectingLandsatMSSratios.JournalofAppliedPhotographicEngineering,1982,1<8>:23-30.TangGuoan,ZhangYoushui,LiuYongmei.Remotesensordigitalimageprocessing[M].Beijing:SciencePress,2005.[湯國安,張有順,劉永梅等.遙感數(shù)字圖象處理.北京：科學出版社,2005.]ZHANGJinshui,HEChunyang,PANYaozhong.ThehighspatialresolutionRSimageclassificationbasedonSVMmethodwiththemulti-sourcedata.JournalofRemoteSensing,2006.1：49-57[張錦水,何春陽,潘耀忠等.基于SVM的多源信息復合的高空間分辨率遙感數(shù)據(jù)分類研究.遙感學報.2006.1：49-57]XIANGTian-liang,WANGXiao-qin,ZHOUXiao-cheng.LandUse/LandCoverMonitoringBasedonMulti-layerTechniquesUsingASTERData[J].RemoteSensingTechnologyandApplication,2006,21<6>:527~531.[向天梁,汪小欽,周小成等.基于分層分析的ASTER影像土地利用/覆蓋遙感監(jiān)測研究[J].遙感技術(shù)與應用,2006,21<6>:527~531]RSinformationextractionandaccuracyevaluationbasedonmulti-elementsdataanddifferentclassifymethod–acasestudyoftheeasternsectionofQilianMountainsBIEQiang1,ZHAOChuan-Yan2,FengZhaodong1<1.NationalLaboratoryofWesternChina’sEnvironmentalSystem,LanzhouUniversity,Lanzhou730000,China;2. KeyLaboratoryofAridandGr