遥感影像的分类处理

摘要在面向对象的影像分类方法中，首先需要将遥感影像分割成有意义的影像对象集合，进而在影像对象的基础上进行特征提取和分类。本文针对面向对象影像分类思想的关键环节展开讨论和研究，(1)采用基于改进分水岭变换的多尺度分割算法对高分辨率遥感影像进行分割。构建了基于高斯尺度金字塔的多尺度视觉单词，并且通过实验证明其表达能力优于经典的词包表示。最后，在词包表示的基础上，利用概率潜在语义分析方法对同义词和多义词较强的鉴别能力对影像对象进行分析，找出其最可能属于的主题或类别，进而完成影像的分类。近些年来，随着航空航天平台与传感器技术的高速发展，获取的遥感影像的分辨率越来越高。高分辨率遥感影像在各行业部门的应用也越来越广泛，除了传统的国土资源、地质调查和测绘测量等部门，还涉及到城市规划、交通旅游和环境生态等领域，极大地拓展了遥感影像的应用范围。因此，对高分辨率遥感影像的处理分析成为备受关注的领域之一。高分辨率遥感影像包括以下三种形式：高空间分辨率（获取影像的空间分辨率从以前的几十米提高到1至5米，甚至更高）；高光谱分辨率（电磁波谱被不断细分，获取遥感数据的波段数从几十个到数百个）；高时间分辨率（遥感卫星的回访周期不断缩短，在部分区域甚至可以连续观测）。本文所要研究的高分辨率遥感影像均是指“高空间分辨率”影像。相对于中低分辨率的遥感数据，高空间分辨率遥感影像具有更加丰富的空间结构、几何纹理及拓扑关系等信息，对认知地物目标的属性特征更加方便，如光谱、形状、纹理、结构和层次等。另外，高分辨率遥感影像有效减弱了混合像元的影响，并且能够在较小的空间尺度下反映地物特征的细节变化，为实现更高精度的地物识别和分类提供了可能。然而，传统的遥感影像分析方法主要基于“像元”进行，它处于图像工程中的“图像处理”阶段（见图1-1），已然不能满足当今遥感数据发展的需求。基于“像元”的高分辨率遥感影像分类更多地依赖光谱特征，而忽视影像的纹理、形状、上下文和结构等重要的空间特征，因此，分类结果会产生很严重的“椒盐(saltandpepper)现象”，从而影响到分类的精度。虽然国内外的很多研究人员针对以上缺陷提出了很多新的方法，如支持向量机(SupportVectorMachine，SVM)、纹理聚类、分层聚类(HierarchicalClustering)、神经网络(NeuralNetwork,NN)等，但仅依靠光谱特征的基于像元的方法很难取得更好的分类结果。基于“像元”的传统分类方法还有着另一个局限：无法很好的描述和应用地物目标的尺度特征，而多尺度特征正是遥感信息的基本属性之一。由于在不同的空间尺度上，同样的地表空间格局与过程会表现出明显的差异，因此，在单一尺度下对遥感影像进行分析和识别是不全面的。为了得到更好的分类结果，需要充分考虑多尺度特征。针对以上问题，面向对象的处理方法应运而生，并且逐渐成为高空间分辨率遥感影像分析和识别的新途径。所谓“面向对象”，即影像分析的最小单元不再是传统的单个像元，而是由特定像元组成的有意义的同质区域，也即“对象”；因此，在对影像分析和识别的过程中，可以方便地提取影像对象大小、形状、纹理和空间关系等属性特征，而这些特征在基于像元的分析方法中很难获取的。现有研究表明，面向对象的分类对高分辨率遥感影像有着更好的分类效果，不仅有效地克服了“椒盐现象”，而且更加符合人类的视觉习惯。面向对象的分类思想首先要对影像进行初始分割，得到一系列彼此相邻的“影像对象”；然后对各个对象的属性特征进行提取，进而基于这些特征实现对整幅影像的识别和分类。因此，这就带来两方面的问题：首先是影像分割问题，由于高分辨率遥感影像自身的复杂性和多尺度特性，使得普通的分割方法并不能取得理想的效果；其次是特征提取问题，由于常用的特征依然是光谱、纹理等“低层视觉特征”，与影像语义信息之间存在着巨大的“语义鸿沟”，因而它们很难准确的描述遥感影像的内容，更不能利用这些特征来区分不同的对象类别。本文将以高分辨率遥感影像分类为目标，在充分了解现有面向对象的分类方法的基础上，综合考虑高分辨率遥感影像自身的复杂性和多尺度特性，将基于分水岭变换的多尺度分割和多尺度词包表示引入面向对象的分类思想中，建立适合于高分辨率遥感影像的多尺度分类方法。由于本文的研究目标是基于面向对象分类思想对高分辨率遥感影像进行分类，因此研究现状将从面向对象分类的几个关键环节展开论述，一是影像分割，二是尺度问题，三是遥感影像的特征提取与分类。(1)影像分割影像分割是指，基于同质性或异质性准则将一幅影像划分为若干有意义的子区域的过程。最终的分割效果需要同时满足以下三个条件：第一，分割后形成的图像区域中的所有像元点必须满足一定的同质准则，并且不存在不连通的点；第二，两个相邻的区域间的某项特定属性要有明显的差异性；第三，区域的边缘应该相对规整，并保证边缘的定位精度。影像分割效果的优劣将直接影响到后期的分类和识别，对于遥感影像的分析和理解至关重要。近些年来，国内外很多研究人员在影像分割方面做了大量的探索研究。一般情况下，根据分割时选取特征的差异可将分割算法分成三类：基于阈值的分割算法、基于边缘的分割算法以及基于区域的分割算法。基于阈值的分割算法大都通过影像的灰度阈值实现对影像的分割，目前已有的方法主要包括直方图统计法，最大类间方差法、熵方法等，然而这些方法对阈值的选择有很强的依赖性，尤其是对于复杂的遥感影像，往往不能得到较好的效果；基于边缘的分割方法是利用影像中灰度变换较为剧烈的信息实现分割，边缘特征属于遥感影像的重要特征之一，可以通过一系列边缘检测算子提取，如常用的Sobel算子、Laplace算子和Candy算子等；基于区域的分割算法主要包括区域生长法、分水岭变换算法以及马尔科夫随机场算法等。从20世纪60年代末开始，影像分割的相关算法研究已经在计算机视觉领域取得较大的进展，但对遥感影像的分割算法却相对较少，直至20世纪80年代，针对遥感影像特征所提出的分割算法开始不断涌现。Laprade于1988年利用分裂合并的方法对航空影像进行分割，Ryherd和Woodcock在1996年组合光谱和纹理特征进行遥感影像分割。遥感影像分割方法同样受到国内学者的关注，刘永学在2004年提出了一种结合边缘检测以及边缘生长的方法来进行遥感影像的分割，陈忠于2006年利用多尺度分割法与多分类器融合技术来进行高分辨率遥感图像的分类，并达到了很高的精度，陈秋晓等于2006年利用基于局域同质性梯度实现对遥感影像的分割。虽然遥感影像的分割方法被不断地提出和改进，但Neubert等于2006年通过比较现有各种分割算法对高分辨率遥感影像的分割性能，认为当前的技术仍不能有效满足应用的要求。近年来，分水岭算法作为一种经典的基于区域的分割方法，越来越受到国内外研究人员的关注。自Vincent和Soille于1991年将测地理论的集合运算推广到灰度图像，进而提出分水岭算法以来，该方法被广泛应用于图像分割处理。目前，分水岭算法已经被成功应用于遥感领域，并且在对多光谱遥感影像、高光谱遥感影像和高分辨率遥感影像的分割中有着出色的表现。当然，分水岭算法有着自身的缺点，如对噪声高度敏感，容易产生过分割现象。为了克服分水岭的过分割问题，国内外的学者提出很多改进的方法，主要在影像的预处理和后处理上做研究。GaoH等人于2001年借助先验知识，利用限定分割的区域数目的方法对分水岭算法的过分割现象进行改善；KarantzalosK等人于2006年将各向异性扩散滤波和边缘检测的方法引入分水岭算法中，并且取得了不错的效果；O’callaghanRJ等人对初始分割后的影像进行快速区域合并，有效改善了过分割问题。国内的学者也在分水岭的改进方法上做了很多工作，陈忠在2006年提出基于分水岭变换的多尺度遥感影像分割算法，利用非线性滤波和快速区域合并算法优化分割结果；孙颖等于2006年利用标记的分水岭算法对高分辨率遥感影像进行分割，取得较好的效果。(2)尺度问题多尺度特征属于空间数据的基本属性之一，遥感中的尺度问题也是当今国内外的研究热点。国外学者开始尺度的问题的研究可以追溯至上世纪80年代初期，近年来，国内的专家学者也开展了此领域的研究，由李小文院士主持的973项目“地球表面时空多变要素的定量遥感理论及应用”中指出，“在像元尺度上，以研究尺度效应和尺度转换理论为核心，检验与反演目标参数有关的基本物理概念、定理、定律的适用性”被列为待解决的关键问题之一，由此可见，尺度问题在遥感影像分析中的有着不可忽视的重要作用。遥感中的尺度问题得到广泛的关注，主要体现在以下三个方面：尺度选择、尺度效应和尺度转换。其中，尺度选择是指针对特定应用选择最佳分析尺度，以保证研究目标的属性特征被最优描述；尺度效应是指研究空间尺度的变化对分类精度的影响；尺度转换指将某一尺度上的信息和知识拓展到其它尺度上，或称为跨尺度信息转换。Woodcock和Strahler于1987年分析了影像中局部地物方差随分辨率降低的变化，提出平均局部方差选择最佳空间尺度。Chen等在2004年指出空间尺度对分类误差的影响更加明显地体现在地物的空间分布上。Wang等在2001年设计了变异函数的块金方差(NuggetVariance)和基台方差(SillVariance)的比值指标，将该比值稳定时对应的空间尺度作为最佳尺度。黄慧萍在2003年针对从单一尺度进行影像特征提取的不合理性，提出了多尺度遥感影像分析方法，并研究了面向对象影像分析中的最优尺度选择问题。明冬萍等于2008年提出了基于可变窗口与可变分辨率的改进局部方差方法用于选择最佳空间尺度。韩鹏等于2010年提出了一种基于信息熵的尺度选择的方法，该方法以信息熵为评价类别可分性的标准，最优尺度由最小平均熵确定。然而，我们研究的空间尺度又包含两层含义：一是影像的空间分辨率，二是对影像分析时所研究的地表空间范围。上述的两层含义在基于像元的分类思想和面向对象的分类思想中得到了很好的体现。在基于像元的影像分类中，“尺度”即指影像的空间分辨率。随着遥感影像分辨率的不断提高，影像的分类精度并没有随之提高，这是由地物目标的“多尺度”特性决定的，任何地物目标在不同的尺度上都会有着不同的特征表现。因此，基于像元的分类方法存在着“最优尺度选择”和“多尺度特征提取”等问题。在面向对象的分类方法中，“尺度”除了拥有在基于像元分类方法中的概念外，还被拓展为“面积尺度”的概念。影像对象的“面积”随分割尺度的变化而变化，并且表现出在该尺度下的特征信息，这样就可以根据研究目标的特点得到最优的分割结果，进而得到更高的分类精度，这就是“高分辨率遥感影像的多尺度分类”思想。(3)遥感影像的特征提取与分类随着遥感影像空间分辨率的不断提高，面向对象的分类方法得到越来越广泛的应用。面向对象的分类方法首先要对遥感影像进行初始分割，得到一个个属性各异的同质区域，这些同质区域也被称为“对象”；进而从这些影像对象中提取多种特征，如光谱、形状、纹理、结构和空间关系等，最后引入分类算法以完成最终的影像分类。面向对象的遥感影像分类方法是通过描述遥感影像中对象的信息来替代像元层的特征，从较高层次对遥感影像进行分类，以减少传统的基于像元层次分类方法的语义信息损失，使分类结果具有更丰富的语义信息。图1-2简单描述了基于面向对象思想的分类流程：面向对象的分类方法的本质就是将图像中的对象作为处理的基本单元，利用分类器来分析对象的特征，进而判别它们对应的类别。Blaschke等人于2001年首先提出了基于对象的遥感影像分类方法，认为基于多尺度分割形成的同质区域（即影像对象）不仅很好的利用光谱特征，还引入其它不同的特征，同时该方法能进一步融入领域知识和专家经验，使得分割后的对象比像元具有更丰富的语义信息，从而提高遥感影像分析的智能化水平。Giada等人在2003年通过自动提取遥感图像中的同质区域来完成基于对象的分类。eCognition软件通过整合多尺度的分割和基于对象的分类，成为首个投入商业应用的基于对象的遥感分析软件（现改名为DefiniensProf