基于像斑直方图G统计量的遥感影像分类
李亮, 梁彬, 薛鹏, 应国伟
四川省第三测绘工程院,成都 610500

第一作者简介: 李 亮(1987-),男,博士,工程师,主要从事遥感影像智能化解译研究。Email:liliang1987wuda@163.com

摘要

为了充分利用像斑的光谱特征,提出一种基于像斑直方图G统计量的影像分类方法。通过多尺度影像分割获取像斑,选择合适的训练样本像斑; 依据像斑的光谱属性,自适应地设定光谱直方图的灰度级,提取像斑的光谱直方图; 采用G统计量度量测试像斑与各训练样本像斑光谱直方图间的距离,用来表达像斑光谱特征的异质性; 利用最小距离分类器获得影像分类结果。遥感影像分类实验结果表明,该方法能有效提高影像的分类精度。

关键词: 像斑; 直方图; G统计量; 最小距离; 影像分类
文献标志码:A 文章编号:1001-070X(2016)04-0071-06 doi: 10.6046/gtzyyg.2016.04.11
Remote sensing image classification based on G statistics of object histogram
LI Liang, LIANG Bin, XUE Peng, YING Guowei
The Third Academy of Engineering of Surveying and Mapping, Chengdu 610500, China
Abstract

In order to make full use of the spectral feature of the object, this paper proposes a classification method for remote sensing image based on G statistics of the object histogram. Image objects were obtained by multi-resolution image segmentation method. Then training objects were chosen from these objects. The histogram of the object was obtained with the adaptive gray level according to the spectral property. G statistics was used to measure the histogram distance between test object and training object which describes the heterogeneity of two objects. Minimum distance classifier was employed to get the image classification result. The experiment on the remote sensing image shows that the proposed method can improve the accuracy of the classification.

Keyword: object; histogram; G statistics; minimum distance; image classification
0 引言

遥感影像分类是以遥感影像为数据源, 利用分类器将影像中像元划分为对应地物类别[1], 在土地覆盖分类[2, 3]、土地覆盖变化检测[4, 5]和专题信息提取[6, 7]等领域得到广泛应用。经典的遥感影像分类器有最小距离分类器[8]、贝叶斯分类器[9]、支持向量机分类器[10]和神经网络分类器[11]等。

影像分类方法依据分类单元可分为基于像元与面向对象2大类[12, 13, 14]。影像对象又称之为像斑, 是一系列光谱相似、空间相邻的像元集合。通常基于像元的分类结果椒盐噪声较为严重, 且不能有效利用影像中包含的空间上下文信息; 而面向对象的分类方法则较好地避免椒盐噪声, 可用特征丰富, 已成为影像分类的研究热点。陈秋晓等[15]提出一种融合对象多特征的影像分类方法, 利用对象的光谱、几何及拓扑特征进行分类; 陈云浩等[16]利用影像对象的特征建立规则, 分层进行分类; 蔡晓斌等[17]将像斑空间关系引入到面向对象的分类方法中, 提高了影像分类的精度; 陈杰等[18]提出一种利用粗糙集的面向对象的分类方法, 结合像斑的光谱与纹理特征进行分类。尽管面向对象的分类方法在影像分类中取得了较好效果, 然而现有研究多采用均值来表达像斑的光谱特征, 无法反映像斑内部像元的分布情况, 存在一定的局限性。

本文提出一种基于像斑直方图G统计量的遥感影像分类方法。采用像斑的光谱直方图来表达像斑的光谱特征, 利用测试像斑与各训练样本像斑的直方图距离度量像斑光谱特征之间的异质性, 依据最小距离原则获取影像分类结果, 并通过遥感影像分类实验对比验证本文方法的分类精度。

1 基于像斑直方图G统计量的影像分类

该方法是一种面向对象的影像分类方法。具体算法流程如图1所示。

图1 本文算法流程Fig.1 Flow chart of proposed method

1.1 影像分割

影像分割是获取像斑的重要手段。通过影像分割, 可将整景影像划分为若干个互不重叠的连通区域。区域内部具有光谱匀质性, 相邻区域间具有光谱异质性。经典的影像分割方法有区域增长法、边缘检测法和分裂合并法等。本文采用面向对象的影像分析软件eCognition中的多尺度分割模块来获取像斑(图2)。

图2 影像分割及光谱直方图Fig.2 Image segmentation and spectral histogram

图2(a)为原始影像图, 单元格表示像元, 数字表示灰度值; 图2(b)为影像分割结果, 相同背景色填充的单元格属于同一像斑(共有2个像斑)。

1.2 光谱直方图

像斑的光谱直方图是灰度值的函数, 用来描述像斑内部各灰度值出现的频数。令灰度值为v(0≤ v< L), 灰度值对应的函数为h(v), 其中L为灰度级, h(v)为v出现的频数。以v为横坐标, h(v)为纵坐标, 可以绘制出一张二维光谱直方图。图2(c)即为图2(b)中浅色像斑的光谱直方图。

像斑的光谱直方图能够表达像斑内部像元灰度值的分布情况, 可以较好地反映像斑的光谱特征, 同时还可以在一定程度上反映像斑的纹理特征。然而, 光谱直方图受灰度L的影响。当L较大时, 光谱直方图能够充分表达像斑的细节信息, 但数据量较大, 且存在大量频数为0的灰度值; 当L较小时, 光谱直方图数据量较小, 却可能会丢失一些重要的细节信息, 导致不同地物间的可区分性变弱。

1.3 G统计量

利用直方图统计像斑的光谱特征后, 像斑的光谱异质性就转化为测试像斑与各训练样本像斑的直方图距离。直方图距离用来度量2个直方图之间的差异, 常用的直方图距离度量方法有KL距离法、直方图相交法和G统计量法等。G统计量(G statistics)能够较好地度量2个直方图之间的距离, 且无需对直方图的分布预先作任何假设, 已被广泛应用于影像分割中相邻区域的距离测量[19, 20]

2个像斑光谱直方图之间的G统计量为

G=2 i=0L-1filnfi+i=0L-1gilngi+[i=0L-1(fi+gi)]ln[i=0L-1(fi+gi)]-(i=0L-1fi)ln(i=0L-1fi)-, (1)

式中: i为影像的灰度级, i=0, 1, …, L-1; fg分别为2个像斑的光谱直方图。

将像斑直方图归一化, 则累计频数之和为1, 故

( i=0L-1gi)ln( i=0L-1gi)=1× ln 1=0 , (2)

( i=0L-1fi)ln( i=0L-1fi)=1× ln 1=0 , (3)

[ i=0L-1(fi+gi)]ln[ i=0L-1(fi+gi)]=2ln 2 。 (4)

将式(2)―(4)带入式(1), 可将其简化为

G=2 i=0L-1filnfi+i=0L-1gilngi+2ln2-i=0L-1(fi+gi)ln(fi+gi)。 (5)

G统计量的取值范围为[0, 4ln 2]。当2个像斑的光谱直方图完全相同时, G统计量取最小值0; 当2个像斑的光谱直方图不相关时, G统计量取最大值4ln 2。G统计量的值越大, 则对应像斑间的光谱直方图距离越大, 2个像斑间的相似性越小; 反之, G统计量的值越小, 则光谱直方图的距离越小, 对应的相似性越大。

上述为单波段影像中像斑间的G统计量。多光谱遥感影像分类时, 影像的各波段都会对应1个G统计量, 不同波段对应的G统计量不同。部分地物在单一波段上的可区分性较差, 仅依靠单一波段的G统计量无法实现正确分类, 从而导致G统计量判别准则失效。对于多波段遥感影像, 则可先单独计算各波段上的G统计量, 再对各波段上G统计量设定权重值, 利用各波段G统计量的加权和作为最终的G统计量。确定权重时, 地物可区分性较差的波段设置较小的权重值。

1.4 影像分类

令地物类别的集合为Ω ={Ω 1, Ω 2, …, Ω m}, 其中m表示地物类别数; 选取的训练样本像斑个数为n, 对应的类别集合为C={C1, C2, …, Ck, …, Cn}, 其中Ck(1≤ kn)表示第k个训练样本像斑的类别。依据最小距离原理, 则待分类像斑的类别T表示为

T=arg minCkCG(k) , (6)

式中: G(k)为待分类像斑与第k个训练样本像斑的G统计量; arg min为取最小值函数。

从式(5)可以看出, G统计量与像斑光谱直方图的灰度级密切相关。G统计量表达的关键在于选取光谱直方图的最优灰度级。灰度级过大, 光谱直方图较为稀疏, 计算的G统计量偏差较大; 灰度级过小, 光谱直方图过度压缩, 丢失大量细节信息, 计算的G统计量偏差也较大。

不同的像斑对应的最优灰度级不同。像斑的光谱特征分布较为集中时, 应设定较小的灰度级; 像斑的光谱特征分布较为分散时, 则应设定较大的灰度级。为此, 本文提出一种自适应的灰度级设定方法。其基本思想是: 对于光谱特征分布集中的像斑, 设置灰度级为8; 对于光谱特征分布分散的像斑, 设置灰度级为256。由于光谱特征集中的像斑, 光谱匀质性较高, 对应的标准差较小; 光谱特征分散的像斑, 光谱匀质性较低, 对应的标准差较大, 故采用标准差来衡量像斑内部光谱特征的分布情况。像斑灰度级的自适应设定公式为

L= 8, std< Thr256, stdThr, (7)

式中: std为像斑的标准差; Thr为阈值, 本文设定为13。

2 实验与分析

实验数据采用2010年获取的天津地区IKONOS遥感影像, 大小为688像元× 641像元, 空间分辨率为1 m, 包含红光、绿光和蓝光3个波段。该研究区内共包含道路、湖泊、建筑物、裸地和植被5类地物。

利用eCognition软件的多尺度分割模块进行影像分割, 设定形状因子为0.3, 紧致度为0.9, 尺度参数为50, 共获取494个像斑。原始影像如图3(a)所示, 图3(b)为影像分割矢量图叠合在遥感影像上的结果, 其中红色线条表示分割像斑的边界, 图中A处为裸地, B处为建筑物。

图3 实验数据与影像分割结果Fig.3 Experimental data and image segmentation result

针对监督分类方法, 训练样本的选择十分重要, 要尽可能覆盖各种地物类别。在图3(a)中, 建筑物与裸地的光谱特征十分相似, 都具有较高的反射率, 在影像中亮度较高, 色调相近。但是从图3(c)可以看出, 虽然2个像斑的光谱均值相近, 然而光谱分布却有着较大差异, 建筑物的光谱分布较为集中, 裸地的光谱分布较为分散, 从而可以有效区分光谱特征相似的地物类别。

为了衡量分类方法的精度, 通过目视解译制作了标准分类图(图4(a))。同时, 为了验证本文方法的有效性, 利用光谱均值的最小距离分类方法与本文方法进行了对比, 分类结果对比如图4所示。

图4 影像分类结果对比Fig.4 Comparison of image classification results

图4中可以看出, 利用光谱均值进行最小距离分类, 大量的建筑物被误分为裸地, 少量裸地被误分为建筑物, 部分湖泊被错误划分为植被; 而利用本文方法, 大部分地物得到正确划分。

在定性分析的基础上, 对2种分类方法进行了定量评价。分类精度如表1所示。

表1 2种方法的分类精度 Tab.1 Classification accuracy by two methods(%)

表1可以看出, 与光谱均值最小距离法分类结果相比, 本文方法建筑物和裸地的分类精度均有较大提高。其中, 建筑物的制图精度和用户精度分别提升了19.7%和25.8%, 裸地的制图精度和用户精度分别提升了16.0%和9.1%。这是因为建筑物像斑与裸地像斑的光谱均值相近, 利用光谱均值进行分类时, 分类器很难将两者有效地区分开来, 两者互相混淆, 导致两者的分类精度均较差; 本文方法利用光谱直方图表达像斑光谱特征, 考虑了像斑内部像元的分布情况, 分类器能够将建筑物与裸地正确划分, 因而改善了两者的分类精度。总体而言, 光谱均值最小距离法的总体分类精度和Kappa系数分别为79.0%和0.688, 而本文方法的总体分类精度和Kappa系数分别为88.9%和0.837, 分类精度得到显著提高。

为了验证本文方法中自适应确定像斑直方图灰度级方法的有效性, 分别固定影像的灰度级为8和256, 利用本文方法进行影像分类, 不同灰度级的分类精度见表2

表2 不同灰度级的分类精度 Tab.2 Classification accuracy of different gray levels

表2可以看出, 自适应方法确定灰度级的分类精度最优。当灰度级为8时, 部分光谱分布分散的像斑光谱直方图被过度压缩; 当灰度级为256时, 部分光谱分布集中的像斑光谱直方图过于稀疏, 都导致计算的G统计量存在较大偏差, 降低了分类的精度。自适应确定灰度级的方法对于不同的像斑设定不同的灰度级, 可以获得最优的分类精度。

3 结论

本文利用像斑的光谱直方图表达像斑的光谱特征, 依据像斑的标准差自适应设定光谱直方图的灰度级, 采用G统计量来度量测试像斑与各训练样本像斑的直方图距离, 基于最小距离法获得了最优分类结果。遥感影像分类实验结果验证了本文方法的有效性, 得出以下结论:

1)光谱直方图可以反映像斑内光谱特征分布, 能够较好地表达像斑的光谱特征, 有效减少同物异谱及同谱异物现象对影像分类的影响。

2)不同地物类别对应光谱直方图的最优灰度级不同。光谱匀质性较高的湖泊和建筑物对应的最优灰度级较小, 而植被对应的最优灰度级较大。

3)G统计量表达了像斑之间的光谱异质性, 可以较好地度量直方图距离, 遥感影像分类实验结果也验证了G统计量的有效性。

4)未来将研究像斑纹理特征的表达方法, 并将其引入到本文的影像分类方法中, 以期进一步提高影像的分类精度。

The authors have declared that no competing interests exist.

参考文献
[1] 赵红蕊, 阎广建, 邓小炼, . 一种简单加入空间关系的实用图像分类方法[J]. 遥感学报, 2003, 7(5): 358-363.
Zhao H R, Yan G J, Deng X L, et al. A classification method based on spatial information[J]. Journal of Remote Sensing, 2003, 7(5): 358-363. [本文引用:1]
[2] Aguilar M A, Saldaña M M, Aguilar F J. GeoEye-1 and WorldView-2 pan-sharpened imagery for object-based classification in urban environments[J]. International Journal of Remote Sensing, 2013, 34(7): 2583-2606. [本文引用:1]
[3] 杨耘, 徐丽, 颜佩丽. 条件随机场框架下基于随机森林的城市土地利用/覆盖遥感分类[J]. 国土资源遥感, 2014, 26(4): 51-55. doi: DOI: 106046/gtzyyg. 2014. 04. 09.
Yang Y, Xu L, Yan P L. Urban land use/cover classification of remote sensing using rand om forests under the framework of conditional rand om fields[J]. Remote Sensing for Land and Resources, 2014, 26(4): 51-55. doi: DOI:10.6046/gtzyyg.2014.04.09. [本文引用:1]
[4] Doxani G, Karantzalos K, Tsakiri-Strati M. Monitoring urban
changes based on scale-space filtering and object-oriented classification[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 15: 38-48. [本文引用:1]
[5] 李莎, 倪维平, 严卫东, . 基于选权迭代估计与非监督分类的多光谱图像变化检测[J]. 国土资源遥感, 2014, 26(4): 34-40. doi: DOI: 106046/gtzyyg. 2014. 04. 06.
Li S, Ni W P, Yan W D, et al. Change detection of multi-spectral images based on iterative estimation with weight selection and unsupervised classification[J]. Remote Sensing for Land and Resources, 2014, 26(4): 34-40. doi: DOI:10.6046/gtzyyg.2014.04.06. [本文引用:1]
[6] 孙永军, 童庆禧, 秦其明. 利用面向对象方法提取湿地信息[J]. 国土资源遥感, 2008, 20(1): 79-82. doi: DOI: 106046/gtzyyg. 2008. 01. 18.
Sun Y J, Tong Q X, Qin Q M. The object-oriented method for wetland information extraction[J]. Remote Sensing for Land and Resources, 2008, 20(1): 79-82. doi: DOI:10.6046/gtzyyg.2008.01.18. [本文引用:1]
[7] 周林滔, 杨国范, 赵福强, . EMD与分形相结合的遥感影像水体信息提取方法[J]. 国土资源遥感, 2014, 26(4): 41-45. doi: DOI: 106046/gtzyyg. 2014. 04. 07.
Zhou L T, Yang G F, Zhao F Q, et al. Water information extraction from remote sensing image using EMD and fraction method[J]. Remote Sensing for Land and Resources, 2014, 26(4): 41-45. doi: DOI:10.6046/gtzyyg.2014.04.07. [本文引用:1]
[8] 周前祥, 敬忠良. 高光谱遥感图像联合加权随机分类器的设计与应用[J]. 测绘学报, 2004, 33(3): 254-257.
Zhou Q X, Jing Z L. Weighted combination rand om classifier of high spectral remote sensing image: Design and application[J]. Acta Geodaetica et Cartographica Sinica, 2004, 33(3): 254-257. [本文引用:1]
[9] 骆剑承, 王钦敏, 马江洪, . 遥感图像最大似然分类方法的EM改进算法[J]. 测绘学报, 2002, 31(3): 234-239.
Luo J C, Wang Q M, Ma J H, et al. The EM-based maximum likelihood classifier for remotely sensed data[J]. Acta Geodaetica et Cartographica Sinica, 2002, 31(3): 234-239. [本文引用:1]
[10] Maulik U, Chakraborty D. A self-trained ensemble with semisupervised SVM: An application to pixel classification of remote sensing imagery[J]. Pattern Recognition, 2011, 44(3): 615-623. [本文引用:1]
[11] 张友水, 冯学智, 阮仁宗, . Kohonen神经网络在遥感影像分类中的应用研究[J]. 遥感学报, 2004, 8(2): 178-184.
Zhang Y S, Feng X Z, Ruan R Z, et al. Application of Kohonen network in RS image classification[J]. Journal of Remote Sensing, 2004, 8(2): 178-184. [本文引用:1]
[12] Tansey K, Chambers I, Anstee A, et al. Object-oriented classification of very high resolution airborne imagery for the extraction of hedgerows and field margin cover in agricultural areas[J]. Applied Geography, 2009, 29(2): 145-157. [本文引用:1]
[13] 邓媛媛, 巫兆聪, 易俐娜, . 面向对象的高分辨率影像农用地分类[J]. 国土资源遥感, 2010, 22(4): 117-121. doi: DOI: 106046/gtzyyg. 201004. 24.
Deng Y Y, Wu Z C, Yi L N, et al. Research on object-oriented classification of agricultural land based on high resolution images[J]. Remote Sensing for Land and Resources, 2010, 22(4): 117-121. doi: DOI:10.6046/gtzyyg.2010.04.24. [本文引用:1]
[14] 王琰, 舒宁, 龚龑, . 基于类别光谱变化规律的土地利用变化检测[J]. 国土资源遥感, 2012, 24(3): 92-96. doi: DOI: 106046/gtzyyg. 2012. 03. 17.
Wang Y, Shu N, Gong Y, et al. Land use change detection based on class spectral change rule[J]. Remote Sensing for Land and Resources, 2012, 24(3): 92-96. doi: DOI:10.6046/gtzyyg.2012.03.17. [本文引用:1]
[15] 陈秋晓, 骆剑承, 周成虎, . 基于多特征的遥感影像分类方法[J]. 遥感学报, 2004, 8(3): 239-245.
Chen Q X, Luo J C, Zhou C H, et al. Classification of remotely sensed imagery using multi-features based approach[J]. Journal of Remote Sensing, 2004, 8(3): 239-245. [本文引用:1]
[16] 陈云浩, 冯通, 史培军, . 基于面向对象和规则的遥感影像分类研究[J]. 武汉大学学报: 信息科学版, 2006, 31(4): 316-320.
Chen Y H, Feng T, Shi P J, et al. Classification of remote sensing image based on object oriented and class rules[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 316-320. [本文引用:1]
[17] 蔡晓斌, 陈晓玲, 王涛, . 基于图斑空间关系的遥感专家分类方法研究[J]. 武汉大学学报: 信息科学版, 2006, 31(4): 321-324.
Cai X B, Chen X L, Wang T, et al. Remote sensing expert classification method based on patch spatial relationship[J]. Geomatics and Information Science of Wuhan University, 2006, 31(4): 321-324. [本文引用:1]
[18] 陈杰, 邓敏, 肖鹏峰, . 粗糙集高分辨率遥感影像面向对象分类[J]. 遥感学报, 2010, 14(6): 1139-1155.
Chen J, Deng M, Xiao P F, et al. Rough set theory based object-oriented classification of high resolution remotely sensed imagery[J]. Journal of Remote Sensing, 2010, 14(6): 1139-1155. [本文引用:1]
[19] Ojala T, Pietikäinen M. Unsupervised texture segmentation using feature distributions[J]. Pattern Recognition, 1999, 32(3): 477-486. [本文引用:1]
[20] Wang A P, Wang S G, Lucieer A. Segmentation of multispectral high-resolution satellite imagery based on integrated feature distributions[J]. International Journal of Remote Sensing, 2010, 31(6): 1471-1483. [本文引用:1]