WorldView-3卫星影像的遥感分类方法比较
王凌云 李可新 陈 曦 蔡鑫垚
(自然资源部第三地形测量队, 黑龙江 哈尔滨 150006)
［摘 要］ 随着遥感技术的发展,遥感技术也在土地的分类、利用及覆盖中广泛应用。然而,遥感分类方法的优劣直接关系到分类能否成功或符合要求。本文详细分析了监督分类方法、非监督分类方法和卷积神经网络分类方法,并归纳了每种方法的优缺点。最终以WorldView-3卫星影像为例,运用不同的分类方法对遥感影像进行分类,并对处理结果进行分析评价。整体来说,神经网络分类方法在分类效果上要比传统的分类方法处理速度快、精度高。
0 引言
遥感在我国发展的时间较短,但是目前已经被广泛应用于国土、地质、农林、应急、减灾、军事等领域,这足以说明遥感已经和我们的生活息息相关[1-5]。遥感要想发挥其价值,首先需要对遥感影像进行分类,这是遥感应用的重要环节。文献[6]采用基于邻域的多尺度特征提取方法,解决了高光谱遥感图像分类精度低的问题;文献[7]通过把迁移思想和深度神经网络相结合,实现了深度传递迁移学习的遥感影像分类,该方法在样本数较少的情况下,分类精度显著提高;文献[8]提出了一种基于深度学习的遥感影像土地分类模型,通过深度信念网络(deep belief neural networks,DBN)网络模型处理,有效地获取了土地类型;文献[9]通过改进深度可分离卷积模型,对通道和空间进行权重分配,大大提高了网络模型的效率。文献[10]通过搭建卷积神经网络,增加池化层,实现了遥感图像的分类。
当前传统的遥感分类方法有监督分类和非监督分类,但随着深度学习技术的发展,基于深度学习的卷积神经网络技术在遥感分类中的优势越来越突出,通过添加卷积层和池化层,能够提高模型训练效率,并且卷积神经网络具有更强的容错和自主学习能力,因此本文全面分析了监督分类、非监督分类以及卷积神经网络分类方法的分类精度情况,并从中总结不同方法的使用环境和范围。
1 遥感分类方法及原理
1.1 遥感图像分类的概念及原理
遥感图像分类原理可理解为:地物在遥感影像上每个属性均可被当作一个变量,参与分类的这些属性(也称为特征变量)构成了一个n维特征空间。理想情况下,同类地物应具有相同或相似的特征描述,因此他们的像元在n维特征空间中聚集在一起,而不同地物应该具有不同的特征描述,因此不同地物的像元在n维特征空间中呈现分离状态。计算机分类分析特征空间点群的特点,如点群的位置、分布中心、分布规律,从而确定点群的界限,最终完成分类任务。
1.2 监督分类方法
监督分类首先要建立已知的标注样本,通过地物特征的先验知识,建立遥感分类模型,从而实现遥感影像的分类。具体步骤为:①选择特征波段;②选择训练区;③选择或构造训练分类器;④对分类精度进行评价。
1.2.1 最小距离法
最小距离法的原理是通过计算像素向量到每个模板的平均向量的光谱距离,并利用欧式距离对最小距离进行分类,公式为
(1)
其中,d(x,Mi)代表像素点x和第i类中心Mi的距离;n为波段数;k代表某一特征波段;mik为第i中心第k波段的像素值;Mi为第i类样本的均值。
1.2.2 最大似然分类法
最大似然分类法的原理是事先认为需要分类的对象是服从正态分布的,然后对训练样本数据进行统计得到均值和方差,从而得出样本概率密度函数,最后把其作为先验数据,针对特定地物构建分类函数,公式为
D=ln(ac)-[0.5ln(|Cc|)]-
⎣0.5(X-Mc)T(|Cc-1|)(X-Mc)」
(2)
其中,D代表加权距离;ac表示任一像素属于类型c的百分率(c代表特征类型);Cc表示协方差矩阵;T代表转置函数;ln代表对数函数;|Cc|代表行列式;
代表逆矩阵。
1.3 非监督分类方法
非监督分类与监督分类法最大不同在于该方法不用事先建立已知的标注样本,而是通过统计不同地物的光谱数据和空间纹理等的差别进行遥感影像地物的分类,该方法需要保证影像中的同类地物具有相同或者相似的光谱特征信息[11]。具体流程为:①影像分析;②分类器选择;③影像分类;④类别定义/类别合并;⑤分类后处理;⑥结果验证。
以K均值聚类分析法为例:
该方法首先在初始样本上任意选取K个聚类中心,然后开始统计训练样本数据集中每个样本和聚类中心的距离,并把其中距离最短的聚类中心看作样本类别。具体步骤如下:
1)选择k个初始聚类中心,a1(1)、a2(1)、…、ag(1),计算影像中所有像元到k个聚类中心的距离,并能够准确地将相应的最短距离归集到相应的聚类中心。
2)k次迭代,若
式中i=1,2,…,k,i≠j,利用计算机批量计算所有聚类中心矢量均值,通过计算的数值得到新的聚类中心,然后再进行像元分配,把最短距离归集到新的聚类中心。
(3)
3)由于K聚类分析法对初始阈值的设定要求高,所以需要有经验的人员进行设置。随后判断前两步聚类分析中均值的差值是否超过设定的阈值,如果超过重新执行第二步,直到符合要求。
1.4 卷积神经网络分类方法
卷积神经网络分类方法主要包括卷积层和池化层两个关键层[12-15]。
1.4.1 卷积层
卷积层作为卷积神经网络的核心层,该层在n×n的特征图上用m×m的滤波器以步长为1进行移动,从而对影像进行进一步的特征提取,其卷积操作公式为
(4)
其中,
代表了第l层的第j个特征图;f为卷积层的激活函数;M为特征图的集合;k为卷积核;b是偏置项。
1.4.2 池化层
在神经网络构建的过程中,需要对信息进行优化,并控制模型的冗余,从而消减训练的过度拟合情况,因此在建立卷积层的基础上,引入池化层,通过缩小影像尺寸,实现数据的降维,从而减少数据计算量,提高训练效率。
2 数据选取及预处理
2.1 Wordview-3数据介绍
本研究使用的数据集为Wordview-3影像,获取时间为2020年5月13日,包含全色、多光谱和短波红外(short-wave infrared,SWIR),共17个波段,影像分辨率为3 391 pixel×3 348 pixel,共包含房屋、裸土、树木、其他人工建筑、草地五种类别,分布较为复杂。研究区域及分类模板如图1、图2所示。
图1 研究区域
图2 分类模板
2.2 数据预处理
2.2.1 影像融合
为了使影像的光谱信息完整,先利用影像融合,使多光谱和SWIR分辨率相同,然后进行整合,变为16波段影像。影像融合采用GS(gram-schmidt pan sharpening)方法,GS法改进了主成分分析(principal component analysis,PCA)中信息过分集中的问题,不受波段限制,较好地保持空间纹理信息,尤其能高保真保持光谱特征,因此更适合高空间分辨率影像。得到的多光谱和SWIR融合结果如图3所示。SWIR影像经过融合后,空间分辨率变化显著,多光谱影像经过融合,从裸土部分可以看出,图像纹理更加清晰。
(a)SWIR融合
(b)多光谱融合
图3 不同影像融合后合成图
2.2.2 主成分分析
对于训练一个高效的卷积神经网络,数据的质量至关重要。将原始影像直接输入到卷积神经网络中进行训练容易产生过拟合、维度灾难等问题[16]。因此,遥感影像进行深度学习训练之前应该适当进行主成分分析,减小通道数量,避免波段冗余。
3 遥感地物分类方法比较分析
3.1 监督分类
首先通过不同的波段组合RGB(代表红、绿、蓝三个通道的颜色)影像,进行目视解译,将影像划分为5个类别,分别是树木、房屋、草地、裸土、其他人造建筑,制作分类模板。
用最小距离和最大似然方法,采用分类模板对经过PCA方法处理后的影像进行分类,并对分类结果进行后续处理,得到的结果如图4所示。
(a)最小距离
(b)最大似然
图4 不同监督分类方法对比图
3.2 非监督分类
一般来说,非监督分类要设置为待分类数量的2～3倍,便于保证后续归类后结果的准确性。本数据需要分为5类,因此,非监督分类初步分为15类,然后通过目视解译法,对15个类别进行分类整合,最后得到分类结果。目视解译聚类前后,非监督分类的结果如图5所示。可以看出15类型的分类图细节非常多,地物细小,而经过整合后,基本符合影像地物分布特征。
(a)处理后
(b)处理前
图5 非监督分类归类对比图
3.3 卷积神经网络分类
训练步长0.7,迭代次数100次,每次5 000步,最终得到Wordview-3影像的分类结果,如图6所示,可以看到分类效果较好,各类别边界清晰,噪点较少。
(a)卷积神经网络分类结果
(b)地面实况
图6 卷积神经网络分类精度结果比对(局部)
综合图4～图7的分类结果图像可以看出,卷积神经网络对遥感影像的地表覆盖物分类效果较好,精度较高。表1为不同监督分类方法的分类精度。
表1 不同监督分类方法分类精度
4 结束语
本文采用Wordview-3影像,包含全色、多光谱和SWIR,共17个波段,影像分辨率为3 391 pixel×3 348 pixel,影像中涵盖了房屋、裸土、树木、其他人工建筑、草地五种类别,分布较为复杂。通过利用不同方法处理相同的一幅影像可以更好地分析各种方法的精度和优缺点。综合监督分类、非监督分类以及卷积神经网络的处理结果可知,卷积神经网络对遥感影像的地表覆盖物分类效果较好,精度比其他两种方法都高;而非监督分类方法相对监督分类效果较差,特别是对房屋的识别,精度低于0.5。在监督分类方法中,最小距离法仅比最大似然法高出0.03。
参考文献
[1] 孙炳靖.基于改进DenseNet的遥感图像分类算法研究[D].哈尔滨:哈尔滨理工大学, 2022.
[2] 丁娅萍, 陈仲新.基于最小距离法的 RADARSAT-2 遥感数据旱地作物识别[J].中国农业资源与区划, 2014,35(6):79-84.
[3] 黄海新.高光谱遥感图像分类算法的研究[J].电子与通信技术,2022(2): 140-142.
[4] 王佳鑫.基于多维度特征遥感图像分类方法的研究[J].光电子激光,2022,33(08):808-809.
[5] 罗信.遥感影像中辫状河道提取的CART决策树分类方法研究[J].计算机时代,2022(8):6-8.
[6] 张新颜,王国勇.基于多尺度特征的高光谱遥感图像分类方法[J].激光杂志,2022,43(10):97.
[7] 林禹,赵泉华,李玉. 一种基于深度传递迁移学习的遥感影像分类方法[J].地球信息科学学报,2022,24(3):495-496.
[8] 张凯,于航.基于深度学习的遥感图像土地分类研究[J].计算机时代,2022(9): 108-109.
[9] 张振超.基于卷积神经网络模型的遥感影像场景分类研究[D].赣州:江西理工大学, 2022.
[10] 黄玉芬.基于卷积神经网络的遥感图像分类算法[J].辽宁科技学院学报,2022,24(3):15-17.
[11] 余铭,魏立飞,尹峰,等.基于条件随机场的高光谱遥感影像农作物精细分类[J].中国农业信息,2018,30(03):1-9.
[12] 刘有耀.基于迁移学习的遥感图像场景分类[J].光电子·激光,2022,33(7):710-711.
[13] 何婧媛.卷积神经网络和特征融合遥感图像场景分类[J].电子设计工程,2022,30(16):61-62.
[14] 龚希.用于高分辨遥感影像场景分类的迁移学习混合专家分类模型[J].光学学报,2021,41(23):1-4.
[15] 张慧丽.高光谱遥感影像分类方法的对比研究[D].北京:中国地质大学(北京),2019.
[16] 张日升,朱桂斌,张燕琴.基于卷积神经网络的卫星遥感图像区域识别[J].信息技术, 2017(11): 83-86.
引文格式: 王凌云,李可新,陈曦,等.WorldView-3卫星影像的遥感分类方法比较[J].北京测绘,2023,37(5):643-648.
作者简介：王凌云(1994—),女,黑龙江鸡西人,大学本科,助理工程师,从事数据挖掘与分析等方面的工作。
E-mail:1056633130@qq.com
转自：“测绘学术资讯”微信公众号
如有侵权，请联系本站删除！
