留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类

佃袁勇 杨光 方圣辉

佃袁勇, 杨光, 方圣辉. 傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[J]. 武汉大学学报 ● 信息科学版, 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952
引用本文: 佃袁勇, 杨光, 方圣辉. 傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[J]. 武汉大学学报 ● 信息科学版, 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952
DIAN Yuanyong, YANG Guang, FANG Shenghui. Combining Fourier Spectrum Texture and Spectral Information for Land Cover Classification with High Resolution Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952
Citation: DIAN Yuanyong, YANG Guang, FANG Shenghui. Combining Fourier Spectrum Texture and Spectral Information for Land Cover Classification with High Resolution Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952

傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类

doi: 10.13203/j.whugis20140952
基金项目: 

国家863计划 2012AA12A304

国家863计划 2013AA102401

中央高校基本科研业务费专项基金 2014QC018

地理国情监测国家测绘地理信息局重点实验室开放研究基金 2013NGC05

详细信息
    作者简介:

    佃袁勇, 博士, 主要从事遥感技术在资源环境中的应用研究。dianyuanyong@126.com

  • 中图分类号: TP751;P237

Combining Fourier Spectrum Texture and Spectral Information for Land Cover Classification with High Resolution Remote Sensing Images

Funds: 

The National High Technology Research and Development Program of China (863 Program) 2012AA12A304

The National High Technology Research and Development Program of China (863 Program) 2013AA102401

the Fundamental Research Funds for the Central Universities 2014QC018

the Open Fund of Major Laboratory Program of Geography National Condition Monitoring National Administration of Surveying, Mapping and Geo-information 2013NGC05

More Information
    Author Bio:

    DIAN Yuanyong, PhD, specializes in remote sensing technology on resource environment. E-mail:dianyuanyong@126.com

  • 摘要: 以高空间分辨率遥感影像为研究对象,将纹理特征与影像的光谱特征结合起来,用于地表覆盖类型分类。设计了一种基于傅里叶谱纹理的分类策略,对主成分分析后的第1、2主分量特征影像,利用径向谱(r-spectrum)提取纹理特征,并将纹理与光谱特征结合起来,构建了不同的分类特征用于支持向量机分类模型。以Salinas数据集和QuickBird影像为例,验证该算法。结果表明,纹理与光谱信息的结合可以明显提高高分辨率遥感影像的分类精度;由傅里叶径向谱提取的纹理特征可以很好的应用到高分辨率遥感影像的分类问题中,分类精度高于基于傅里叶总能量谱和灰度共生矩阵的分类精度;利用该算法对PCA变换后的第1和第2分量提取的纹理特征具有一定的互补性,并且结合多特征图像的纹理特征提取优于单特征图像的纹理特征提取。
  • 图  1  Salinas数据集

    Figure  1.  Salinas Dataset

    图  2  九峰地区彩色合成快鸟影像

    Figure  2.  QuickBird Image with Color Composition in Jiufeng Region

    图  3  傅里叶谱纹理与光谱结合的分类算法

    Figure  3.  Classification Algorithm Based on Fourier Spectrum Texture Combined with Spectral Information

    图  4  Salinas数据集分类结果图

    Figure  4.  Classification Maps of Salinas Dataset

    图  5  九峰数据集分类结果图

    Figure  5.  Classification Maps of Jiufeng Dataset

    表  1  Salinas数据集样本分布情况

    Table  1.   Sample Distribution of Salinas Dataset

    编号类别个数编号类别个数
    1椰菜12 0099葡萄地26 203
    2椰菜23 72610玉米地3 278
    3休耕地11 97611莴苣11 068
    4休耕地21 39412莴苣21 927
    5休耕地32 67813莴苣3916
    6残梗地3 95914莴苣41 070
    7芹菜地3 57915葡萄地37 268
    8葡萄地111 27116葡萄地41 807
    下载: 导出CSV

    表  2  九峰数据集样本分布

    Table  2.   Sample Distribution of Jiufeng Dataset

    类别样本数
    编号名称训练测试总数
    1水体41369410
    2针叶林39351390
    3阔叶林48432480
    4混交林46414460
    5耕地38342380
    6裸地12108120
    合计2242 0162 240
    下载: 导出CSV

    表  3  Salinas数据集各方案分类概况

    Table  3.   Classification Results of Salinas Dataset by Different Scenarios

    方案1方案2方案3方案4方案5方案6
    特征数101412181212
    总体精度86.34%
    (46 735/54 129)
    88.23%
    (47 759/54 129)
    86.89%
    (47 032/54 129)
    87.04%
    (47 116/54 129)
    88.15%
    (47 717/54 129)
    88.16%
    (47 724/54 129)
    Kappa系数0.8480.8690.8540.8560.8670.868
    下载: 导出CSV

    表  4  九峰数据集各方案分类概况

    Table  4.   Classification Results of Jiufeng Dataset by Different Scenarios

    方案1方案2方案3方案4方案5方案6
    特征数4861266
    总体精度82.59%
    (1 665/2 016)
    89.88%
    (1 812/2 016)
    84.67%
    (1 707/2 016)
    89.19%
    (1 798/2 016)
    89.63%
    (1 807/2 016)
    88.74%
    (1 789/2016)
    Kappa系数0.7850.8760.8110.8670.8730.862
    下载: 导出CSV

    表  5  方案2分类情况

    Table  5.   Classification Results by Scenario 2

    预测类别参考类别
    水体针叶林阔叶林混交林耕地裸地总数用户精度/%
    水体36900000369100
    针叶林0308020031099.35
    阔叶林00428584049087.34
    混交林043435488048972.39
    耕地0000250525598.04
    裸地00000103103100
    总数3693514324143421082 016-
    生产者精度/%10087.7599.0785.5173.1095.37--
    总体精度:89.88%(1 812/2 016) Kappa系数:0.876
    下载: 导出CSV
  • [1] 万幼川, 宋杨.基于高分辨率遥感影像分类的地图更新方法[J].武汉大学学报·信息科学版, 2005, 30(2):105-109 http://ch.whu.edu.cn/CN/Y2005/V30/I2/105

    Wan Youchuan, Song Yang. Application of Maps Revision Based on Classification of High Resolution Satellite Images[J]. Geomatics and Information Science of Wuhan University, 2005, 30(2):105-109 http://ch.whu.edu.cn/CN/Y2005/V30/I2/105
    [2] Hanta-Kasari M, Parkkinen J, Jaaskelainen T, et al. Generalized Co-occurrence Matrix for Multispectral Texture Analysis[C]. The 13th International Conference on Pattern Recognition, Piscataway, USA, 1996
    [3] Wang Keqi, Bai Xuebing. Classification of Wood Surface Texture Based on Gauss-MRF Model[J]. Journal of Forestry Research, 2006, 17(1): 57-61 doi:  10.1007/s11676-006-0014-4
    [4] Kumaresan R. Spectral Analysis[M]. Boca Raton, USA: CNC Press, 1993:1 143-1 169
    [5] Fanelli A, Leo A, Ferri M. Remote Sensing Images Data Fusion: A Wavelet Transform Approach for Urban Analysis[C]. IEEE/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, Piscataway, USA, 2002
    [6] Mugglestone M A, Renshaw E. Detection of Geological Lineations on Aerial Photographs Using Two-dimensional Spectral Analysis[J]. Computers & Geosciences, 1998, 24(8): 771-784 https://www.researchgate.net/publication/229351297_Detection_of_geological_lineations_on_aerial_photographs_using_two-dimensional_spectral_analysis
    [7] Couteron P. Quantifying Change in Patterned Semi-arid Vegetation by Fourier Analysis of Digitised Aerial Photographs[J]. International Journal of Remote Sensing, 2002, 23(17):3 407-3 425 doi:  10.1080/01431160110107699
    [8] Proisy C, Couteron P, Fromard F. Predicting and Mapping Mangrove Biomass from Canopy Grain Analysis Using Fourier-based Ordination of IKONOS Images[J]. Remote Sensing of Environment, 2007, 109(3):379-392 doi:  10.1016/j.rse.2007.01.009
    [9] Proisy C, Mougin E, Fromard F, et al. On the Influence of Canopy Structure on the Polarimetric Radar Response from Mangrove Forest[J]. International Journal of Remote Sensing, 2002, 23(20):4 197-4 210 doi:  10.1080/01431160110107725
    [10] 于浩, 齐志红, 张晓萍, 等.基于傅里叶变换的梯田纹理特征提取[J].国土资源遥感, 2008, 20(2): 39-41 http://www.cnki.com.cn/Article/CJFDTOTAL-GTYG200802009.htm

    Yu Hao, Qi Zhihong, Zhang Xiaoping, et al. Extraction of Terraced Field Texture Features Based on Fourier Transformation[J]. Remote Sensing for Land and Resources, 2008, 20(2): 39-41 http://www.cnki.com.cn/Article/CJFDTOTAL-GTYG200802009.htm
    [11] 王焕平, 刘勇.基于窗口傅里叶变换功率谱分析的盐田地区高分辨率遥感影像分割分类方法探讨[J].遥感技术与应用, 2011, 26(2):233-238 http://www.cnki.com.cn/Article/CJFDTOTAL-YGJS201102016.htm

    Wang Huanping, Liu Yong. The Study on Classification of High Resolution Remote Sensing Image in Saline Area Based on Window Fourier Transform Power Spectrum Analysis[J]. Remote Sensing Technology and Application, 2011, 26(2):233-238 http://www.cnki.com.cn/Article/CJFDTOTAL-YGJS201102016.htm
    [12] Zhang Lefei, Zhang Liangpei, Tao Dacheng. On Combining Multiple Features for Hyperspectral Remote Sensing Image Classification[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(3):879-893 doi:  10.1109/TGRS.2011.2162339
    [13] Tang Xiaoou, Stewart W K. Optical and Sonar Image Classification: Wavelet Packet Transform vs Fourier Transform[J]. Computer Vision and Image Understanding, 2000, 79(1): 25-46 doi:  10.1006/cviu.2000.0843
    [14] Couteron P. Textural Ordination Based on Fourier Spectral Decomposition: A Method to Analyze and Compare Landscape Patterns[J]. Landscape Ecology, 2006, 21(4):555-567 doi:  10.1007/s10980-005-2166-6
    [15] Cortes C, Vapnik V. Support Vector Networks[J]. Machine Learning, 1995, 20(3): 273-297
    [16] Vapnik V. Statistical Learning Theory[M]. New York: Springer Press, 1998: 732-739
    [17] Vapnik V, Levin E. Measuring the VC Dimension of a Learning Machirie[J]. Neural Computation, 1994, 6(5):811-876
    [18] Sontag E. VC Dimension of Neural Networks[M]. New York: Springer Press, 1998
    [19] Stone M. Cross-validatory Choice and Assessment of Statistical Predictions[J]. Journal of Royal Statistical Soc (Series B), 1974, 36(2):111-147 http://www.oalib.com/references/5177921
    [20] Tenenbaum J, Silva V, Langford J. A Global Geometric Framework for Nonlinear Dimensionality Reduction[J]. Science, 2000, 290(5 500):2 319-2 323 doi:  10.1126/science.290.5500.2319
  • [1] 王鹏新, 陈弛, 张悦, 张树誉, 刘峻明.  利用双变量同化与PCA-Copula法的冬小麦单产估测 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1201-1212. doi: 10.13203/j.whugis20220038
    [2] 陈宇伦, 陈丹妮, 李熙.  利用城市公共摄像头分析夜间灯光变化规律 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1318-1327. doi: 10.13203/j.whugis20220235
    [3] 刘利敏, 余洁, 李小娟, 李平湘, 杨杰.  引入商空间粒度计算的全极化SAR影像分类 . 武汉大学学报 ● 信息科学版, 2018, 43(1): 74-80. doi: 10.13203/j.whugis20150324
    [4] 苟娇娇, 罗明良, 王飞.  影响黄土高原集水面积阈值的地形因子主成分分析 . 武汉大学学报 ● 信息科学版, 2017, 42(5): 704-710. doi: 10.13203/j.whugis20140783
    [5] 殷亚秋, 李家国, 余涛, 鞠颂, 米晓飞, 侯海倩.  结合正则化最小二乘进行高空间分辨率四波段相机云识别 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 190-195. doi: 10.13203/j.whugis20140208
    [6] 詹总谦, 来冰华, 万杰, 李楼.  一种利用纹理特征和朴素贝叶斯分类器检测近景影像植被的方法 . 武汉大学学报 ● 信息科学版, 2013, 38(6): 665-668.
    [7] 田晶, 何遒, 周梦杰.  运用主成分分析识别道路网中的网格模式 . 武汉大学学报 ● 信息科学版, 2013, 38(5): 604-607.
    [8] 周家香, 朱建军, 梅小明, 马慧云.  多维特征自适应MeanShift遥感图像分割方法 . 武汉大学学报 ● 信息科学版, 2012, 37(4): 419-422.
    [9] 陈炳文, 王文伟, 秦前清.  利用主成分背景抑制的红外目标检测 . 武汉大学学报 ● 信息科学版, 2012, 37(8): 925-928.
    [10] 魏小莉, 沈未名.  一种基于马尔科夫随机场模型的彩色纹理图像分割 . 武汉大学学报 ● 信息科学版, 2010, 35(8): 955-958.
    [11] 李祖传, 马建文, 张睿, 李利伟.  利用融合纹理与形态特征进行地震倒塌房屋信息自动提取 . 武汉大学学报 ● 信息科学版, 2010, 35(4): 446-450.
    [12] 李利伟, 马建文, 温奇.  双模态脉冲耦合神经网络高分辨率光学卫星影像分割 . 武汉大学学报 ● 信息科学版, 2008, 33(3): 322-325.
    [13] 孔令罔, 朱元泓, 李琼.  以混合算法建立宽带多光谱色彩表示空间 . 武汉大学学报 ● 信息科学版, 2006, 31(9): 788-791.
    [14] 文汉江, 章传银.  由ERS-2和TOPEX卫星测高数据推算的海面高异常的主成分分析 . 武汉大学学报 ● 信息科学版, 2006, 31(3): 221-223.
    [15] 黄昕, 张良培, 邵振锋, 李平湘.  基于独立分量分析的纹理特征维数减少 . 武汉大学学报 ● 信息科学版, 2006, 31(12): 1055-1058.
    [16] 马洪超, 郭丽艳.  人工神经网络信息融合及其在机场识别中的应用研究 . 武汉大学学报 ● 信息科学版, 2005, 30(8): 682-684.
    [17] 林宗坚, 宣文玲, 王艳.  高分辨率影像定位的一种新方法 . 武汉大学学报 ● 信息科学版, 2004, 29(4): 363-366.
    [18] 郭庆胜, 闫卫阳, 李圣权.  中心城市空间影响范围的近似性划分 . 武汉大学学报 ● 信息科学版, 2003, 28(5): 596-599.
    [19] 黄桂兰, 郑肇葆.  空间灰度相关在影像纹理分类中的应用及分析 . 武汉大学学报 ● 信息科学版, 1995, 20(4): 301-304.
    [20] 郭仁忠, 张克权.  Q型聚类分析中变量相关性的处理方法分析 . 武汉大学学报 ● 信息科学版, 1987, 12(3): 64-78.
  • 加载中
图(5) / 表(5)
计量
  • 文章访问数:  1145
  • HTML全文浏览量:  84
  • PDF下载量:  530
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-10-23
  • 刊出日期:  2017-03-05

傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类

doi: 10.13203/j.whugis20140952
    基金项目:

    国家863计划 2012AA12A304

    国家863计划 2013AA102401

    中央高校基本科研业务费专项基金 2014QC018

    地理国情监测国家测绘地理信息局重点实验室开放研究基金 2013NGC05

    作者简介:

    佃袁勇, 博士, 主要从事遥感技术在资源环境中的应用研究。dianyuanyong@126.com

  • 中图分类号: TP751;P237

摘要: 以高空间分辨率遥感影像为研究对象,将纹理特征与影像的光谱特征结合起来,用于地表覆盖类型分类。设计了一种基于傅里叶谱纹理的分类策略,对主成分分析后的第1、2主分量特征影像,利用径向谱(r-spectrum)提取纹理特征,并将纹理与光谱特征结合起来,构建了不同的分类特征用于支持向量机分类模型。以Salinas数据集和QuickBird影像为例,验证该算法。结果表明,纹理与光谱信息的结合可以明显提高高分辨率遥感影像的分类精度;由傅里叶径向谱提取的纹理特征可以很好的应用到高分辨率遥感影像的分类问题中,分类精度高于基于傅里叶总能量谱和灰度共生矩阵的分类精度;利用该算法对PCA变换后的第1和第2分量提取的纹理特征具有一定的互补性,并且结合多特征图像的纹理特征提取优于单特征图像的纹理特征提取。

English Abstract

佃袁勇, 杨光, 方圣辉. 傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[J]. 武汉大学学报 ● 信息科学版, 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952
引用本文: 佃袁勇, 杨光, 方圣辉. 傅里叶谱纹理和光谱信息结合的高分辨率遥感影像地表覆盖分类[J]. 武汉大学学报 ● 信息科学版, 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952
DIAN Yuanyong, YANG Guang, FANG Shenghui. Combining Fourier Spectrum Texture and Spectral Information for Land Cover Classification with High Resolution Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952
Citation: DIAN Yuanyong, YANG Guang, FANG Shenghui. Combining Fourier Spectrum Texture and Spectral Information for Land Cover Classification with High Resolution Remote Sensing Images[J]. Geomatics and Information Science of Wuhan University, 2017, 42(3): 362-368. doi: 10.13203/j.whugis20140952
  • 卫星遥感对地观测技术的“三高”(高时间分辨率、高空间分辨率、高光谱分辨率) 发展,尤其是高空间分辨率商业卫星的成功发射,使遥感影像信息量更丰富、便于影像解译,极大地推进了遥感技术的应用。高分辨率遥感影像中,地物的几何结构和信息更加明显,空间信息更加丰富,影像地物尺寸、形状、领域地物的关系得到更好的反映[1]

    遥感影像的纹理特征常被应用于分类问题。纹理特征提取方法主要包括:以灰度共生矩阵[2]为代表的统计方法;基于马尔科夫随机场[3]模型的方法;基于自相关函数的方法;基于频域的傅里叶变换的方法[4]、小波变换法[5]等。傅里叶变换是图像变换中应用最为广泛的一种方法,已被广泛应用于遥感影像的纹理信息提取。傅里叶谱分解利用图像二维傅里叶变换技术,对傅里叶功率谱进行量化和分解。该方法多被用来对特定环境下的地物类型做定性分析和比较,Mugglestone和Renshaw利用傅里叶谱分解的方法提取冰川地貌信息[6];Couteron利用该方法描述半干旱地区植被的变化[7];Proisy等利用高分辨率影像估计红树林的生物量信息[8, 9]。基于以上方法的纹理特征提取多基于单特征图像或单张相片[10-12],很少利用多波段或多个变化后的特征提取纹理特征,这样导致多光谱或高光谱的大多数波段的纹理信息没有被充分利用。

    本文基于高空间分辨率遥感影像,采用傅里叶谱分解算法提取纹理特征,并将纹理特征与光谱特征结合起来,用于分类。首先进行主成分分析 (principal components analysis, PCA),利用变换后的第1、2分量分别提取纹理特征,并与光谱特征结合。最后利用支持向量机 (support vector machine, SVM) 分类器进行分类。本文设计了不同的分类方案,并对各方案进行了比较分析。

    • Salinas数据集:该数据集 (图 1) 由机载可见光/红外成像光谱仪 (airborne visible infrared imaging spectrometer, AVIRIS) 在加利福尼亚萨利纳斯山谷获得,共224个波段,去掉噪声影响的波段,保留剩下的204个波段。该影像空间分辨率为3.7 m,大小512像素×217像素,带有地表覆盖类型标记的数据点共54 129个,实验中训练样本个数为标记数据点的10%,数据主要覆盖农业用地,被分为16个类别,包括葡萄园、玉米地、休耕地等 (编号0为背景),具体分布见表 1

      表 1  Salinas数据集样本分布情况

      Table 1.  Sample Distribution of Salinas Dataset

      编号类别个数编号类别个数
      1椰菜12 0099葡萄地26 203
      2椰菜23 72610玉米地3 278
      3休耕地11 97611莴苣11 068
      4休耕地21 39412莴苣21 927
      5休耕地32 67813莴苣3916
      6残梗地3 95914莴苣41 070
      7芹菜地3 57915葡萄地37 268
      8葡萄地111 27116葡萄地41 807

      图  1  Salinas数据集

      Figure 1.  Salinas Dataset

      九峰高分辨率数据集:该数据集由QuickBird卫星成像,成像区域为武汉市九峰森林公园。该影像分辨率为2.44 m,具有4个多光谱通道,实验区影像大小800像素×800像素,如图 2。根据地面调查,研究区主要覆盖6类地物,包括水体、针叶林、阔叶林、混交林、耕地以及裸地。训练和测试样本列如表 2所示。

      表 2  九峰数据集样本分布

      Table 2.  Sample Distribution of Jiufeng Dataset

      类别样本数
      编号名称训练测试总数
      1水体41369410
      2针叶林39351390
      3阔叶林48432480
      4混交林46414460
      5耕地38342380
      6裸地12108120
      合计2242 0162 240

      图  2  九峰地区彩色合成快鸟影像

      Figure 2.  QuickBird Image with Color Composition in Jiufeng Region

    • 本文采用傅里叶谱分解的方法进行纹理信息提取。傅里叶变换的作用是实现空间域到频率域的转换,由于图像是二维的离散数据,故对于n行、n列的图像,二维离散傅里叶变换公式为:

      (1)

      式中,f(j, k) 为数字图像,j、k为空间域中的横纵坐标;p、q为频率变量,|p|≤pmax,|q|≤qmax, pmax=qmax=n/2(奈奎斯特频率),本文p、q取离散整数值。

      F(p, q) 的实部与虚部分别为apqbpb:

      (2)

      (3)

      式中,为均值修正后的空间域的观测值。这里忽略相位信息 (因为相位信息在纹理信息识别方面被认为是一个有争议的问题[13])。

      则傅里叶变换的功率谱表示为:

      (4)

      傅里叶谱纹理含有大量的信息,而且包含很多成分。不过仅利用总能量谱一个特征作为纹理特征可能是不充分的,若把每个采样谱都作为纹理特征又会造成信息的冗余,实际上,它可以被分解和量化,作为新的纹理特征。

      Ipq=(apq2)+apq2/n2。本文中把p、q由笛卡尔坐标系转到极坐标系中,令, θ=sin (p/q),对于每一个半径r的取值范围 (如0<r≤1、1<r≤2, …) 内的所有方向θ来求Ipq,即I(I=Ipq) 的平均值,就是得到了所谓的径向谱 (r-spectra),计算公式如下:

      (5)

      式中,k为半径r范围内采样谱的个数;σ2为方差。本文每一个r的取值范围为(t的范围是[1, n/2],且t为整数),利用单特征图像提取的径向谱纹理特征数目固定为n/2。实际上,也可以对每一个角度 (θ) 范围,求该范围内的所有半径长度对应的平均谱值,称作周向谱 (angle-spectrum),本文采用径向谱,径向谱精炼了功率谱的信息量,而且反应了粗糙和细腻的地表纹理特征[14]

      径向谱提取了一定窗口内的整体信息,而在分类问题中,为了使每一个像素得到准确的分类结果,本文通过移动窗口来弥补这种缺陷。具体过程如下:选取固定窗口尺寸,从第一个窗口开始提取纹理特征,然后逐像素移动窗口,逐个窗口提取纹理特征,对于被多个窗口覆盖的像素,最终的纹理特征由覆盖窗口的径向谱向量的平均值来确定。

      本文提出先对高光谱/多光谱影像进行主成分分析,由于PCA的前两主分量含有大量的信息量,故利用PCA的第1、2主分量,作为纹理提取的对象。最终将光谱特征与纹理特征串联起来作为分类器的输入。本文尝试不同大小的窗口,发现采用了逐像素移动窗口的方法后对不同窗口分类精度的影响不大,而且选用较小的窗口在计算效率和精度上都有一定优势,最终选择4×4的窗口,算法流程如图 3

      图  3  傅里叶谱纹理与光谱结合的分类算法

      Figure 3.  Classification Algorithm Based on Fourier Spectrum Texture Combined with Spectral Information

    • 本文采用基于距离测度的方法自动对光谱特征和纹理特征赋予权重,并作为分类器的输入。

      1) 将光谱特征与纹理特征串联,归一化处理。

      2) 分别利用各个特征的值,统计各类别的均值和方差,计算每两个类别的标准化距离,标准化距离计算公式如下:

      (6)

      式中,dnorm为标准化距离;ηi、ηj分别为类别i和类别j的均值;σiσj为类别i和类别j的标准差。

      3) 计算每个特征所有类别间的标准化距离之和,并对光谱特征和纹理特征的总体按比例分配权重因子,具体过程如下:

      设参与分类的特征表达为X=[x(1)1, x(1)2, …, x(1)m, x(2)1, x(2)2, …, x(2)n],m、n分别表示光谱特征和纹理特征的个数,令w1w2分别为光谱特征和纹理特征的权重因子,可由以下计算得到:

      (7)

      (8)

      其中,

      (9)

      式中,dijk为第k个特征在类别i、j间的标准化距离,见式 (6)。

      4) 更新参与分类的特征,特征表达为:

    • SVM[15]是一种建立在结构风险最小化原则 (structrural risk minimization, SRM)[16]和VC维 (vapnik-chervonenkis dimension)[15, 17, 18]理论基础上的学习机,它在解决小样本、非线性和高维模式识别问题中有较大优势。

      本文分类算法均采用SVM分类器,选用径向基核函数,利用k折交叉验证[19]的方法确定分类器参数 (k取5)。实验中固定径向基核函数中的伽马系数g的值为0.01,对惩罚因子C进行估计,估计范围1到100,步长取1,即在C从1到100变化过程中,对于每一个C值,将训练集平均分成5份,每一份轮流作为测试样本,其余作为训练样本,得到5次的平均分类精度 (交叉验证精度),在参数变化过程中,选择最高精度对应的参数C为分类器的参数。

    • 为比较傅里叶谱分解方法提取的纹理特征与其他方法的差异,本文设计了不同输入特征用于分类。具体实验方案如下:

      方案1   光谱特征;

      方案2   光谱+PCA1、2径向谱;

      方案3   光谱+PCA1、2总能量谱 (所有频率下的采样谱的和,不对其进行分解);

      方案4   光谱+PCA1、2 GLCM (gray-level co-occurrence matrix) 各4个统计特征,包括角二阶矩、对比度、逆差矩、熵 (具体的计算过程参见文献[2]);

      方案5   光谱+PCA1径向谱;

      方案6   光谱+PCA2径向谱。

    • Salinas数据集:表 3比较了该数据集各方案的分类结果,图 4为对应方案所有采样点的分类结果图。需要说明的是,该数据集为高光谱影像,通常在分类前进行降维,本文采用流形学习中的等距特征映射 (isometric mapping, ISOMAP)[20]算法提取10个特征,作为光谱特征。

      表 3  Salinas数据集各方案分类概况

      Table 3.  Classification Results of Salinas Dataset by Different Scenarios

      方案1方案2方案3方案4方案5方案6
      特征数101412181212
      总体精度86.34%
      (46 735/54 129)
      88.23%
      (47 759/54 129)
      86.89%
      (47 032/54 129)
      87.04%
      (47 116/54 129)
      88.15%
      (47 717/54 129)
      88.16%
      (47 724/54 129)
      Kappa系数0.8480.8690.8540.8560.8670.868

      图  4  Salinas数据集分类结果图

      Figure 4.  Classification Maps of Salinas Dataset

      表 3可以看出,加入纹理的分类结果 (方案2~方案6) 优于仅利用光谱的分类结果 (方案1);本文采用的径向谱纹理 (方案2) 分类精度最高,高于总能量谱纹理 (方案3) 和GLCM纹理 (方案4),结合PCA1、2主分量提取的径向谱纹理 (方案2) 的分类精度略高于基于单一分量提取纹理的分类精度。由图 4仍可以看出,方案2在最相似的类别8和类别15之间 (如中间和左上相邻的两片较大的区域) 的分类效果优于其他方案。

      表 4统计了九峰数据集各方案的分类结果,具体的分类情况如表 5

      表 4  九峰数据集各方案分类概况

      Table 4.  Classification Results of Jiufeng Dataset by Different Scenarios

      方案1方案2方案3方案4方案5方案6
      特征数4861266
      总体精度82.59%
      (1 665/2 016)
      89.88%
      (1 812/2 016)
      84.67%
      (1 707/2 016)
      89.19%
      (1 798/2 016)
      89.63%
      (1 807/2 016)
      88.74%
      (1 789/2016)
      Kappa系数0.7850.8760.8110.8670.8730.862

      表 5  方案2分类情况

      Table 5.  Classification Results by Scenario 2

      预测类别参考类别
      水体针叶林阔叶林混交林耕地裸地总数用户精度/%
      水体36900000369100
      针叶林0308020031099.35
      阔叶林00428584049087.34
      混交林043435488048972.39
      耕地0000250525598.04
      裸地00000103103100
      总数3693514324143421082 016-
      生产者精度/%10087.7599.0785.5173.1095.37--
      总体精度:89.88%(1 812/2 016) Kappa系数:0.876

      表 4同样可以看出,加入纹理特征的分类 (方案2~方案6) 精度和Kappa系数明显高于仅利用光谱信息的分类 (方案1);结合径向谱纹理 (方案2) 的分类精度高于总能量谱纹理 (方案3) 和GLCM纹理 (方案4) 的分类精度,虽然方案4的分类精度接近方案2,但参与分类的特征数较多;结合PCA前两主分量提取纹理特征的分类结果 (方案2) 优于基于单一分量提取纹理特征的分类结果 (方案5、方案6)。由图 5(a)~5(f)反映了各方案的分类结果细节。图 5(b)(方案2) 显示了较好的分类效果,但耕地和林地之间有少量错分;此外,由图 5(e)5(f)的比较可以看出该纹理提取方法对PCA的前两分量提取的纹理特征具有一定的互补性,主要体现在裸地、耕地以及林地。

      图  5  九峰数据集分类结果图

      Figure 5.  Classification Maps of Jiufeng Dataset

      由以上实验结果及对比分析,可以得到以下结论:

      (1) 纹理信息与光谱信息的结合可以明显提高高分辨率影像的分类精度;

      (2) 径向谱纹理特征优于总能量谱特征和GLCM纹理特征;

      (3) 利用多特征图像提取的纹理特征优于单特征图像提取的纹理特征,且利用该算法对PCA前两分量提取的纹理特征具有一定的互补性;

      (4) 采用逐像素移动窗口的方法和自适应特征加权的方法基本弥补了基于窗口的纹理提取方法的缺陷;

      (5) 基于SVM分类模型,将傅里叶径向谱纹理特征与光谱特征结合,在针对以农、林为主体的高分辨率遥感影像的分类问题中具有很大的潜力。

    • 本文以Salinas数据集和武汉九峰地区QuickBird影像为研究对象,采用SVM分类模型将傅里叶谱分解算法与光谱信息结合并应用到高分辨率遥感影像的地表覆盖分类中。研究中采用逐像素移动窗口的策略避免窗口化纹理提取的缺陷;采用自适应特征加权的方法解决光谱特征和纹理特征的差异问题。利用本文的算法和策略,针对高光谱和多光谱遥感影像,采用多种方案做分类实验,对几种方案做了比较,其中径向谱纹理与光谱信息结合的分类结果显示出较高精度和良好效果。此外,本文考虑了光谱特征和纹理特征,并没有加入其他特征如形状特征、植被指数、DEM等。结合多特征的分类问题值得进一步研究。

参考文献 (20)

目录

    /

    返回文章
    返回