基于像素和面向对象的遥感影像分类方法比较_武萌华.pdf

2023 年 2 月第 1 期城市勘测Urban Geotechnical Investigation SurveyingFeb2023No1引文格式:武萌华 基于像素和面向对象的遥感影像分类方法比较 J 城市勘测，2023(1):101104文章编号:16728262(2023)0110104中图分类号:TP7511文献标识码:A基于像素和面向对象的遥感影像分类方法比较武萌华*收稿日期:20220129作者简介:武萌华(1990)，女，硕士，工程师，主要从事遥感影像处理等技术工作。Email:772992824 qqcom(重庆市勘测院，重庆401121)摘要:以 GF2 遥感影像为数据源，利用 ENVI 和 eCognition 软件分别采用最大似然分类、支持向量机分类、ISODATA分类、K 均值分类、最近邻分类、决策树分类 6 种分类算法进行遥感影像分类，并对 6 种分类算法结果进行对比分析。结果表明:最近邻分类法的分类效果最佳，准确性最高。关键词:GF2 遥感影像;分类;对比分析1引言遥感影像分类是遥感领域分析和应用的基础1。遥感图像分类的最终目的是将遥感图像分成多个区域(像素组)。分类有两个关键方面:分类精度和计算效率。近 40 年来，大量的遥感图像分类方法得到了研究，常用的遥感图像分类方法可分为两类:监督分类方法与非监督分类方法。一般来说，非监督分类方法不使用先验知识，只根据数据集本身的特点进行盲目分类，监督分类方法需要预先知道每个训练样本的类别标签，因此在大多数情况下，监督分类方法比非监督分类方法具有更好的分类效果。非监督分类算法包括 K均值聚类算法2(张文君，等，2006)、模糊聚类算法3，4、随机森林理论5、迭代自组织数据分析算法(ISODATA)6 等。监督分类算法包括最大似然、平行六面体、最小距离、神经网络、支持向量机等。传统的分类方法通常依赖每个像素的光谱信息，随着机载和星载传感器所采集的高空间分辨率遥感图像的增加，人们提出了面向对象分类技术，该方法不仅利用场景目标中的光谱信息，还利用其纹理和形状特征。面向对象分类方法的目的就是为了克服基于像素分类方法的相关困难，其通常包括两个独立的步骤:分割和分类。分割即在卫星影像中将不同的地理空间数据划分为同质区域(对象)，Hay 等人(2003)利用面向对象的方法对影像进行分类7，并与传统基于像元的方法相比更有优势，Chen 等人(2012)将面向对象方法与基于像元的方法相比8，得出对象是从它们的空间相关性和主题相似性中分割出来的，因此，该技术有望以高分类精度提取“真实场景”中的对象。本文通过使用监督分类(最大似然分类、支持向量机分类)、非监督分类(K 均值分类、ISODATA 分类)和面向对象分类(最近邻分类、决策树分类)6 种分类方法，对 GF2 数据进行实验分析，探究 6 种分类方法对GF2 数据的适用性。2遥感影像分类方法概述根据分类过程中研究对象的不同可以将遥感影像分类分为三类:像素级分类算法，基于混合像素的分类算法和面向对象的分类算法。本文选择最大似然分类法、SVM 分类法、ISODATA 分类法、K 均值分类法和面向对象分类法对国产卫星的融合影像进行分类研究。2.1监督分类(1)最大似然分类法最大似然法是基于贝叶斯规则(Bayes)的参数化方法9，10，给定像素的特征向量(由 7 个波段的缩放值或拉伸的 DN 值来定义)的取值 x，它会计算条件概率p|x()，然后将像素分配给具有最高似然的类，则像素被正确分配给光谱类。(2)支持向量机分类法支持向量机(SVM)是一种基于统计理论的机器学习方法，它可以在小样本数据集信息有限的情况下找到分类结果的最优解。与其他机器学习方法不同，支持向量机利用核函数的思想将非线性问题转化为线性问题，降低了映射的复杂度11。利用核函数变换和优化方法，将优化问题转化为二次凸函数的极值问题。理论上，支持向量机方法必然会得到全局最优解。2.2非监督分类(1)K 均值分类法聚类是一种无监督的学习技术，它把一个数据集城市勘测2023 年 2 月分成多个聚类。每个集群中的对象具有高度的相似性，而不同集群中的对象则不同12。K 均值聚类方法需要预先确定聚类数量，因为聚类数量控制着聚类分析的粒度。假设 x1，x2，xn()是数据集。算法的目标是将数据集划分为 k 个分类 s=s1，s2，sk()，在以下表达式的值最小化的情况下:minki=1xSixi(1)i是 Si中数据的平均值。(2)ISODATA 分类法迭代自组织数据分析(ISODATA)方法在迭代分类算法过程中引入了一组经验法则。它克服了 K 均值分类的以下几个缺点:K 均值算法通常只适用于已知簇数的分类，而ISODATA 算法则更灵活。如果集群的间隔距离小于用户指定的值，ISODATA 可以合并集群，反之亦然。ISODATA 算法是启发式的，允许“人机”交互。使用中间结果可以获得更好的分类结果。ISODATA 算法包括以下过程:选择初始参数。可以为这些参数分配不同的值，并且可以在迭代过程中修改这些值。然后根据参数将数据点分配给集群。每个簇的距离指数函数值是不同的，将其值对各个簇分别进行计算。按照一定的规则对其各个簇进行类别的划分。进行重复迭代计算。确定出各个簇的所属类别。如果结果收敛，则操作结束。2.3面向对象分类法目前利用 eCognition 软件对高分辨率影像进行面向对象分类还是比较普遍的，分类过程中首先使用分形网络演化算法(FNEA)进行多尺度影像分割，然后提取对象的光谱特征、纹理特征、几何特征等，最后选择合适的分类器进行分类处理，可显著地提高分类的精度。本章选用面向对象中的最近邻分类、决策树分类来对国产卫星融合后的影响进行分类研究。(1)最近邻分类法最近邻分类器是无参数分类方法，无须考虑各个类别样本在特征空间中的分布形式和参数，也无须对样本分布形式和参数进行估计。在面向对象的最近邻分类中，对于影像对象，特征距离最近的样本对象在特征空间中被找出，并将该对象划分为特征距离最近的样本类别。分类是通过隶属度函数进行的，并由隶属度来决定。如果特征空间中影像对象之间的距离最接近某一类样本对象，则该类对象的隶属度最大。当隶属度值小于最小隶属度时，影像对象将不被分类。(2)决策树分类法决策树分类是一种监督分类方法，它利用树形结构进行决策分类。决策树分类包括两个过程:训练学习和决策分类。决策树分类的学习过程是通过自顶向下的递归实现的，对于给定的训练样本集，在每个节点自动选择最合适的决策特征和决策判断条件进行特征值的比较，划分为不同的分支子集。上述过程在每个分支子集中递归地重复，直到某一节点中样本对象100%都属于同一类别。3实验与分析本文采用空间分辨率为 1 m，所搭载的传感器为PMS 的 GF2 遥感影像作为数据源，选取 512512 的像素区域，如图 1 所示，影像中的特征解译为建筑、道路、植被、水体和其他 5 大类。图 1GF2 影像数据3.1实验流程(1)通过目视解译方法提取出 GF2 影像数据的真实分类图，作为影像分类的标准;(2)对 GF2 影像分别进行监督分类(最大似然分类、支持向量机分类)、非监督分类(ISODATA 分类、K均值分类)以及面向对象分类(最近邻分类、决策树分类);(3)利用 ENVI 52 软件计算每种分类图与地表真实分类图的混淆矩阵进行分类后精度评价，计算出每种数据源所对应的融合影像分类后的 Kappa 系数和总体分类精度;(4)最后，分类结果评价与对比分析。3.2分类实验结果与定性评价通过目视解译的方法提取的 GF2 影像数据的真实分类图，如图 2 所示。201第 1 期武萌华.基于像素和面向对象的遥感影像分类方法比较图 2真实地表分类图分类实验结果如图 3 所示:图 36 种分类方法分类结果图通过将 6 种分类结果与地表真实分类图相比较，可以看出最近邻分类法的分类结果与真实地表分类图的结果是最接近的，其他 5 种分类结果错分和漏分现象较严重，由此得出 6 种分类方法中，针对 GF2 影像数据最近邻分类法的分类效果最好，准确性最高。3.3分类结果定量评价与对比分析本文是在 ENVI 52 下通过计算分类后影像图与地面真实分类图的混淆矩阵，分别计算出 GF2 影像用最大似然、SVM、ISODATA、K 均值、最近邻、决策树的分类结果与地面真实分类图的混淆矩阵。表 1 列出了6 种分类方法的分类精度指标数值，图 4 显示 GF2 数据在 6 种分类方法下分类精度比较。表 16 种方法分类精度汇总表分类方法总体分类精度/%Kappa 系数最大似然66170 00546 9SVM79115 10673 8ISODATA56335 80433 2K 均值53834 80408 8最近邻93160 00896 6决策树56783 90452 1图 4GF2 数据在 6 种分类方法下分类精度比较由表 1 和图 4 可以得出，GF2 数据在 6 种分类算法下的总体分类精度和 Kappa 系数按照从大到小的顺序分别为:最近邻SVM最大似然决策树ISODATAK 均值，通过 6 种分类结果对比分析，最近邻分类方法获得较为满意的结果。4结语由于高分辨率影像上地物的细节信息较丰富，存在大量的“异物同谱”和“同物异谱”现象，这样将不利于高分辨率遥感影像信息提取。对于高空间分辨率的遥感影像来说，最佳的分类方法，将使分类结果更可靠。本研究以 GF2 影像作为数据源，分别对 6 种分类方法进行了广泛回顾，并通过实验进行对比分析它们的优势与不足，实验表明，GF2 数据在最近邻分类方法上精度最高，其分类结果与真实分类结果最接近。以上对 GF2 数据的分类实验结论对其他学者有一定的参考价值，但仍存在许多不足的地方。随着遥感技术的广泛应用，大量的遥感影像分类算法被众多研究学者提出和改进，未来将会有更好的分类算法改善遥感影像分类效果，针对一种数据源，应当尝试选择最佳分类结果的算法，使分类结果更准确。参考文献 1Xu G，Liu Q，Chen L，et al emote Sensing for China sSustainable Development:Opportunities and Challenges J Journal of emote Sensing，2016(1):679688 2张文君，顾行发，陈良富等 基于均值标准差的 K 均值初始聚类中心选取算法 J 遥感学报，2006，10(5):715721301城市勘测2023 年 2 月 3Ghosh A，Mishra NS，Ghosh S Fuzzy Clustering Algo-rithms for Unsupervised Change Detection in emote Sens-ing Images J Information Sciences:An International Jour-nal，2011，181(4):699715 4Zechao Li，Jinhui Tang Unsupervised Feature Selection viaNonnegative Spectral Analysis and edundancy Control J IEEE Transactions on Image processing:A Publication of theIEEE Signal Processing Society，2015，24(12):534355 5Peerbhay，Kabir Yunus|Mutanga，Onisimo|Ismail，iy-ad andom Forests Unsupervised Classification:The Detec-tion and Mapping of Solanum Mauritianum Infestations inPlantation Forestry Using Hyperspectral DataJ IEEEjournal of Sel