孙玉鑫 周立鹏 皮原征

(广东省国土资源测绘院，广东 广州 510500）

0.引言

在基础测绘领域，高分辨率航空影像以其可靠性高、作业效率高的特点，常被用来生产4D产品，其生产工艺及数据处理方法趋于成熟稳定。微软UltraCam Eagle航摄仪获取的航空影像，较常规航摄仪获取的航空影像多了一个近红外波段（670nm~940nm），大大提高了对地物信息的获取能力，但充分利用带有该波段航空影像进行地物分类的文献较少。

为充分利用资源，以满足基础调查、专项调查、专题监测等需求为目标，我们深入研究各类自然资源要素的分类体系，进一步拓展多源遥感影像的应用范围，建立起多源遥感影像数据源与自然资源调查监测对象之间的映射关系[1，2]。在对高空间分辨率的遥感影像进行分类时，传统的基于像素的分类方法易产生“椒盐现象”，为避免这个现象，我们考虑采用面向对象的遥感影像分类方法。采用面向对象的遥感影像分类方法进行分类时，除了要考虑影像分割算法、特征提取与特征选择，分类算法的选择也很重要。针对高分遥感影像，不同分类算法的分类结果差异较大。本实验目的是探索高分辨率航空影像数据中可见光与近红外波段相结合在地物分类中的优势，充分利用近红外区域电磁波对不同地物的辐射特征，采用不同的面向对象遥感影像分类提取方法对高分辨率航空影像数据进行地物分类，并将人工的分类结果作为参考标准，对不同方法的分类结果进行定量评价[3]，以探索建立多元遥感影像数据源与自然资源调查监测对象之间的映射关系的可行性。

本实验以某“高分辨率影像获取”项目成果为实验对象进行，影像数据由焦距为92mm的UCE航摄仪拍摄获得，地面分辨率优于0.2米，包含3个可见光通道和1个近红外通道。实验中使用的数据格式为无压缩TIFF。截取其大小为2000×2000像素的影像进行不同地物分类方法的测试，测试区域分布的地物类型十分多样，影像上部有河流穿过，河岸边分布有常绿阔叶林和草地。影像主体部分位于郊区，建筑物主要由零散村镇中的低层居民房构成；影像中的交通道路类型包括一条省道、普通柏油马路以及水泥路面。影像中段东部有面积广阔的耕地，由表面有作物覆盖与表面无作物覆盖两种耕地类型混合而成，因此在分类中依次划分到植被类和裸露土地类中。地物包括林地、草地、耕地、裸地、道路、水体、建筑物以及其他地物等，适合开展高分辨率航空影像地物分类实验[4]。

1.研究方法

1.1 多尺度分割

多尺度分割方法，是指依据选定的光谱特征和空间关系类别，将具有相同光谱特征和相近空间关系的像元划分为同一像素集。在满足像元平均异质性最小、对象内部像元之间同质性最大的前提条件下，再通过合并相邻像素或小的分割对象来实现影像的分割[5]。

通过分割形成的影像对象，也就是像素集，将在面向对象的分类方法中承载更多附加信息，包括光谱、形状和层次等。光谱特征和空间关系的选择与提取极大地影响着分类器的设计和性能。通过对特征空间进行合理的特征选择，再将经过优选的特征空间作为分类特征[5]。

1.2 高分影像分类方法

实验中用到了以下三种分类算法：

K最近邻(K-Nearest Neighbor,KNN)分类算法，是用基于特征空间中最近的训练数据对待分类对象进行分类的方法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一[5]。K最近邻分类方法依据待分类数据与训练区元素在N维空间的欧几里得距离来对影像进行分类，N由分类时目标物属性数目来确定。相对传统的最邻近方法，K最近邻法产生更小的敏感异常和噪声数据集，从而得到更准确的分类结果，它自己会确定像素最可能属于哪一类。

PCA算法（Principal Component Analysis），即主成分分析，它是最常用的降维方法之一，通过正交变换，将一组可能存在相关性的变量数据转换为一组线性不相关的变量，转换后的变量被称为主成分。它会比较在主成分空间的每个分割对象和样本，将得分最高的归为这一类。

支持向量机(Support Vector Machine，SVM)是一种基于统计学习理论的机器学习算法。它通过解算最优化问题，在高维特征空间中寻找最优分类超平面，从而解决复杂数据的分类及回归问题。支持向量机属于一般化线性分类器，这种分类器的特点是它们能够同时最小化经验误差与最大化几何边缘区，因此支持向量机也被称为最大边缘区分类器。

高空间分辨率遥感图像上拥有更为丰富的地物几何结构、细节纹理等方面的信息。针对现有的遥感影像分类理论、技术与软件现状，综合分析高分辨率影像数据地物类型特点与景观分布结构，实验将从基本的图像分割方法出发，借助面向对象的遥感影像分类程序，利用不同的分类算法对高分影像进行地物分类。实验的具体技术流程（如图1所示）：

图1 实验技术流程图

通过选择合适的参数，对高分影像样本进行多尺度分割，将具有相同光谱特征和相近空间关系的像元分割提取出来，合并为像素集。通过人工对样本数据进行解译分类，统计分类结果，得到标准分类成果。通过对像素集进行样本选取和样本定义，得到样本库，分别使用KNN、PCA和SVM三种分类方法得到监督分类结果，与人工标准分类结果进行比对，得到精度评定结果，并进行统计分析。

2.实验与结果

影像被分为林地、草地、耕地、裸地、水体、房屋、道路、其他等8个类别，三个分类器共得到三个分类结果。为了能够定性与定量地对实验结果进行评价，对实验数据进行人工分类，并将此结果（如图2（b)所示）作为分类的参考标准来评估实验中使用的不同分类方法的分类效果。此次实验所使用的数据（如图2(a)所示），而基于面向对象思想的不同分类算法处理的目视效果图展示（如图2(c)~(e)所示）（Masked类为掩膜区域超出影像范围的无意义部分，不参与精度评定）。

图2 实验数据及分类效果图

对手动分类结果与不同分类算法的分类结果分别计算混淆矩阵，并计算分类精度和Kappa系数，将其作为定量分析中评估不同分类算法分类效果的评价指标。分类精度计算结果（如表1所示）：

表1 不同分类器的分类结果精度对比

3.实验分析

从目视效果看，三种方法都得到了较好的分类结果，基本上都能够较好地反映影像地物的大致分布，且三者在分类结果的表现上存在一定的相似性，即它们都能够将耕地、草地、林地等植被覆盖区域进行较好的识别，但在植被覆盖区域内部，如林地与耕地、草地与耕地之间的区分仍然存在一定的错误分类现象。此外，支持向量机与K最近邻法分类结果中存在少量错误归类的现象，如将水体错分为房屋、将道路与房屋错分为裸土等等，而在主成分分析法的分类结果中，不同类别之间的错分现象更为严重，地物分类效果较差。

从精度评价结果来看，SVM和KNN取得了较好的分类精度，而PCA的分类精度则相对较差。其中，SVM的分类精度最高，达到了89.56%，Kappa系数也最高，为0.8378。而KNN分类的精度次之，达到了81.31%，Kappa系数为0.7031。PCA分类精度最差，仅为58.73%，Kappa系数为0.4667。

值得注意的是，将植被细分为林地、草地和耕地的分类方法，拖累了三种分类器的表现，将上述三类地物合并为植被综合类时，三种分类器的整体精度有所提升。

对三种分类器得到的分类结果分析如下：

（1）就结果而言，支持向量机的分类结果精度最好，地物错分较少，结果可靠性高。对于类似实验区域而言，这是较好的分类方法，能够基本将拥有丰富地物几何结构与细节纹理的高空间分辨率遥感图像进行有效地分类，并取得相对较好的分类结果；

（2）从上表中可以看到，K最近邻法中裸地类别与主成分分析法中草地类别的错分比例都出现了异常的高值，说明这两种方法的分类结果分别在裸地与草地类别上出现的错分现象尤其严重。而支持向量机法在各个地物类别的错分比例分布上表现得相对均衡，与K最近邻法、主成分分析法相比，分类效果相对较好；

（3）从三种算法分类结果中植被综合（林地、草地与耕地的综合）与水体的错分比例结果中发现，三种方法错分比例均相对较低，这说明具有可见光与近红外的高分辨率航空影像数据在提取植被区域与水体区域具有明显的优势。

4.结束语

高分样本数据的整个分类过程中，每一个步骤都影响着其分类结果的精度，包括影像分割、样本选择、特征选择、分类算法选择等。实验表明，高分航空影像的分类精度受分类特征维度和分类算法的选择影响较大。其中，光谱特征、形状特征和纹理特征都能较好地表达高分遥感数据的特点，可以用于区分城郊地区典型地物的类型。而不同分类算法对分类结果的影响最大，所以在分类过程中分类算法的选择至关重要。

高分辨率航空影像数据中可见光与近红外波段协同进行地物分类时，能够充分展现出近红外区域的电磁波对地表植被覆盖区域的高反射特点以及对水体区域的高吸收特征，使得在植被与水系的识别中具备较大的优势，但植被种类细分时仍然存在较大的误差。近红外波段图像在植被与水体提取方面精度较高，具有较大的应用价值。

本次实验实现了面向对象图像分类，探索了基于面向对象思想的高分辨率航空影像数据的三种监督分类方法，并将支持向量机法（SVM）、K最近邻法（KNN）、主成分分析法（PCA）三种不同分类算法的分类结果分别与人工分类结果进行对比，进而对各个算法的分类效果进行了定性与定量的评价。其中支持向量机法的整体分类效果最佳，且支持向量机法和K最近邻法在植被和水体提取方面效果相近，且都优于主成分分析法。本实验的结果对城郊高分影像的分类有一定的参考价值，但对于具体的分类任务，还需根据实际情况选择合适的分类算法，以充分发挥分类算法的决定性优势。