基于概率距离的高分辨率遥感...结果的优化方法及其应用研究_王志成.pdf

第 46 卷 第 6 期2023 年 6 月测绘与空间地理信息GEOMATICS SPATIAL INFOMATION TECHNOLOGYVol 46，No 6Jun，2023收稿日期:20220408基金项目:国家自然科学基金项目(41876107);中国科学院海洋大科学研究中心重点部署项目(COMS2019J02);中国科学院前沿科学重点研究计划(ZDBSLY7010);中国科学院海洋生态与环境科学重点实验室开放基金(KLMEES202005)资助作者简介:王志成(1995)，男，山东平度人，环境科学专业博士研究生，主要研究方向为遥感应用。基于概率距离的高分辨率遥感影像分割结果的优化方法及其应用研究王志成1，2，高志强1，王德1，宁吉才1，尚伟涛1(1 山东省海岸带环境过程重点实验室 中国科学院烟台海岸带研究所，山东 烟台 264003;2 中国科学院大学，北京 100049)摘要:不同于传统的通过选择合适的尺度参数来优化分割结果的方法，本文从统计学的角度，提出了一种基于概率距离的高分辨率遥感影像分割结果优化方法，并以 Jeffries Matusita 距离为例，介绍了利用该方法优化分割结果的流程。该方法通过为影像中的地物构建最优影像对象达到优化分割结果的目的。使用无人机影像对本文提出的优化方法进行了测试，测试结果表明，本文所提出的分割结果优化方法具有较好的效果，优化后的分类精度得到明显提高。关键词:高分辨率遥感影像;影像分割;概率距离;Jeffries Matusita 距离;优化中图分类号:P237文献标识码:A文章编号:16725867(2023)06001204esearch on Optimization Method of High esolution emoteSensing Image Segmentation esults Based on ProbabilityDistance and Its ApplicationWANG Zhicheng1，2，GAO Zhiqiang1，WANG De1，NING Jicai1，SHANG Weitao1(1 Shandong Key Laboratory of Coastal Environmental Processes，Yantai Institute of Coastal Zone esearch，ChineseAcademy of Sciences，Yantai 264003，China;2 University of Chinese Academy of Sciences，Beijing 100049，China)Abstract:Different from the traditional method of optimizing segmentation results by selecting appropriate scale parameters，this paperproposes a method of optimizing segmentation results of highresolution remote sensing images based on probability distance from theperspective of statistics The process of optimizing segmentation results using this method is illustrated by taking Jeffries Matusita dis-tance as an example This method optimizes the segmentation results by constructing the optimal image object for the ground object inthe image The optimization method proposed in this paper is tested using UAV images The test results show that the segmentation re-sult optimization method proposed in this article has good results，and the optimized classification accuracy has been significantly im-provedKey words:highresolution remote sensing image;image segmentation;probability distance;Jeffries Matusita distance;optimization0引言近年来，面向对象的分类方法成为高分辨率遥感影像分类的主要方法，面向对象的分类方法可以充分地利用高分辨率遥感影像中的纹理、位置、形状等信息1，从而实现较高的分类精度。面向对象的分类方法首先需要对影像进行分割，将其分割为一系列的影像对象。影像分割的结果影响着后续分类的结果，因此需要对影像分割的结果进行优化。胡文亮等使用影像对象内部标准差和莫兰指数来构建目标函数，通过目标函数对最优尺度参数进行选择，以达到优化分割结果的目的2;唐羊洋等使用灰度标准差、与邻域对象的差分绝对值来表征对象内部的同质性以及对象间的异质性，利用二者构建目标函数，选择最优尺度参数，实现分割结果的优化3;于欢等提出利用矢量距离法最优尺度参数，实现分割结果的优化4;Dragut 等开发了 ESP 工具，该工具计算影像对象层的局部方差的改变率，通过改变率这一指标来选取最优尺度参数以实现优化的目的5。当前对分割结果的优化，主要通过选择最优尺度参数的方法进行，而最优尺度参数的选择则通过构造目标函数进行。目标函数的构造通常需要引入权重因子，具有经验性。此外，选择完最优尺度参数之后，认为最优尺度参数下的分割结果为影像分割的优化结果，但最优尺度参数下的分割结果具有不确定性，有可能是大多数地物分割结果的优化，也可能并非大多数地物。为了解决上述问题，本文从统计学的角度出发，提出了基于概率距离的高分辨率遥感影像分割结果优化方法，以概率距离中的 Jeffries Matusita 距离(后文称 JM 距离)为例，介绍了本文所提出的高分辨率遥感影像分割结果的优化方法，随后使用无人机遥感影像对本文所提出的方法进行了测试，测试结果表明，本文所提出的分割结果优化方法具有较好的效果。1高分辨率遥感影像分割结果优化方法1 1概率距离 JM 距离2 个随机变量之间的概率距离被用来表征二者的接近程度6，概率距离越小，二者越接近。概率距离主要有互信息、KL 散度、JS 距离、JM 距离等7。使用多尺度分割算法对影像分割完毕后，本文使用 JM 距离对高分辨率影像分割结果进行优化。通过计算影像对象与相邻影像对象之间的 JM 距离来判断影像对象是否为最优分割结果。若 2 个影像对象之间的 JM 距离小于 1 0，说明二者应合并，此时影像对象并非最优;介于 1 0 和 1 8 之间，二者或许应该合并，影像对象或许为最优;若大于 1 8，此时若与所有相邻影像对象之间的 JM 距离均大于 1 8，影像对象与所有相邻影像对象均不应该合并，说明影像对象为最优分割结果8。2 个影像对象之间的 JM 距离的计算公式如式(1)、式(2)9:JM12=2 (1 eB)(1)B=18(m1 m2)T1+221(m1 m2)+12ln1+2()21*2(2)式中，m1与 m2为影像对象 1 和影像对象 2 的均值向量;1和2为影像对象 1 和影像对象 2 的协方差矩阵。当 2 个影像对象之间 JM 距离介于 1 01 8 之间时，无法确定二者是否该合并，因此，本文重新规定:当 2 个影像对象之间的 JM 距离介于 0 0T 之间时，二者应该合并;当 JM 距离大于 T 时，二者不应合并。T 为自定义阈值。1 2高分辨率遥感影像分割结果的优化方法本文所提出的分割结果优化方法的流程如图 1 所示。图 1本文优化方法的流程图Fig 1Flow chart of optimization method in this paper在第一步中，首先需要从小到大设置一系列的尺度参数对影像进行多尺度分割，将影像分割为一系列的影像对象层，即图 1 中的 Level1、Level2、Leveln。在第二步中，需要在 Level1中确定待优化的影像对象，并找到其相邻影像对象;此外，需要在 Level2Leveln中找到待优化影像对象的父影像对象，以及父影像对象的相邻影像对象。如图 1 所示，Level_1 中箭头所指的影像对象为待优化的影像对象，Level2Leveln中箭头所指的影像对象为 Level1中待优化影像对象的父影像对象，Level1Leveln中箭头所指的影像对象为待优化影像对象和父影像对象的相邻影像对象。第三步，在 Level1中，计算待优化影像对象与相邻影像对象之间的 JM 距离，同理，在 Level2至 Leveln中，计算待优化影像对象的父对象与相邻影像对象之间的 JM 距离。由于待优化影像对象及其父对象的相邻影像对象的数目不止一个，因此在每一层计算的 JM 距离也会有多个，此时在每一层取最小的 JM 距离，每一层所取得的最小的 JM 距离如下:JMListmin=JM1min，JM2min，JMnmin(3)31第 6 期王志成等:基于概率距离的高分辨率遥感影像分割结果的优化方法及其应用研究式中，JMjmin为在 Levelj中取得的最小 JM 距离。第四步，在 JMListmin中，找到第一个大于阈值 T 的值，假设该值为 JMkmin，此时，Levelk中的父影像对象即为Level1中待优化影像对象的最优分割结果。重复第二步至第四步便可实现对高分辨率影像分割结果的优化。1 3优化结果的精度评价对分割结果优化完毕后，采用 P 方法对优化结果进行评价，P 方法将本文优化结果与参考优化结果进行对比，通过计算3 个指数进行评价，3 个指数分别为 pre-cision 指数、recall 指数以及 F 指数。3 个指数均介于0 01 0 之间，越接近于 1，表明优化效果越好。precision指数的计算公式如下10:precision=ni=1Si imaxni=1Si(4)式中，n 为优化后的影像对象层中最优分割结果的数量;Si为第 i 个最优分割结果;imax为与最优分割结果 Si重叠面积最大参考优化结果;|为影像对象的面积。recall 指数的计算公式如下10:recall=mi=1i Simaxmi=1i(5)式中，m 为参考优化结果中最优分割结果的数量;i为参考优化结果中第 i 个最优分割结果;Simax为本文优化结果中与参考优化结果重叠面积最大的最优分割结果;|为影像对象的面积。F 指数的计算公式如下10:F=2precisionrecallprecision+recall(6)F 指数为 precision 指数和 recall 指数的联合指数。1 4分类比较采用本文提出的优化方法对分割结果优化完毕后，采用支持向量机分类器分别对优化完毕后的分割结果以及未进行优化的分割结果进行分类，并将二者的分割结果进行比较。2实验数据与结果分析2 1实验数据本文选取了无人机遥感数据作为实验数据，数据从OpenAerialMap 网站(https:/openaerialmap org/)下载获得，成像时间为 2020 年 1 月 17 日，空间分辨率为 0 7 m，数据有红、绿、蓝 3 个波段，覆盖范围为 49 814149 815 5 W，24 145 624 146 4 S，像元数为 1 3331 938，数据中的土地利用类型有建设用地、林地、草地、裸地。在应用算法进行优化分割结果之前，首先需要