CN109740631A - 基于对象的obia-svm-cnn遥感影像分类方法 - Google Patents

Abstract

基于对象的OBIA‑SVM‑CNN遥感影像分类方法，本发明涉及遥感影像分类方法。本发明的目的是为了解决现有复杂农田地区遥感分类识别准确率低的问题。过程为：一、基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；二、对RBF‑SVM模型和CNN模型进行训练，得到训练好的RBF‑SVM模型和CNN模型；三、使用训练好的RBF‑SVM模型和CNN模型对一中每个分割后的对象进行分类预测，得到CNN模型预测结果和SVM模型预测结果；四、将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果。本发明用于遥感影像分类领域。

Description

基于对象的OBIA-SVM-CNN遥感影像分类方法

技术领域

本发明涉及遥感影像分类方法。

背景技术

农田时空分布信息的实时监测，对于农田产量的估算、保障国家尺度甚至全球范围内粮食安全具有重要的意义。遥感技术已经发展成为农田监测与分类的主流手段之一，这是因为其具有很多独特的优势，包括宏观性、现势性、可重复性和经济性等。随着现代遥感技术的快速发展，用户现在可以获得大量的高分辨率(high spatial resolution,HSR)遥感影像，这为很多遥感应用(包括农田监测与分类)提供了全新的机会。然而，虽然高分辨率影像具有更加丰富的结构信息和纹理信息，但相比于中尺度或大尺度遥感数据，高分辨率影像光谱波段少，较高的类内变异与较低的类间差异使得高分辨率遥感分类更具有挑战性。高分辨率遥感数据含有丰富的空间内容，然而遥感影像所表达的信息很大程度依赖于数据处理技术方法。传统的基于像元光谱信息的分类技术无法取得理想分类结果，分类结果较为破碎，容易产出大量椒盐噪声。

相比于基于象元分类技术，面向对象分类技术(object-based image analysis,OBIA)能有效降低农田分类专题图的“椒盐噪音”，分类结果更加平滑与接近实际情况，这是因为OBIA基于分割对象(object)实现分类，而非基于传统的象元(pixel)分类；支持向量机(support vector machine，SVM)是一种典型的机器学习算法，在非线性和高维模式识别任务中表现出色。面向对象支持向量机(object-based support vector machine,OSVM)是公认的最为先进面向对象分类方法，但OSVM只能利用对象浅层的光谱统计信息完成对分割对象的分类识别，无法抽取影像高层次信息完成分类，也无法使用高分辨率影像所蕴含的丰富空间背景信息，导致复杂农田地区遥感分类识别准确率低。

基于对象的OBIA-SVM-CNN遥感影像分类方法中对象为分割后的对象为农斑块(农田斑块、大豆斑块或玉米斑块)。

发明内容

本发明的目的是为了解决现有复杂农田地区遥感分类识别准确率低的问题，而提出基于对象的OBIA-SVM-CNN遥感影像分类方法。

基于对象的OBIA-SVM-CNN遥感影像分类方法具体过程为：如图1所示。

步骤一、基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；

步骤二、对RBF-SVM模型和CNN模型进行训练，得到训练好的RBF-SVM模型和CNN模型；

步骤三、使用训练好的RBF-SVM模型和CNN模型对步骤一中每个分割后的对象进行分类预测(比如分割对象是农田斑块还是非农田斑块)，得到CNN模型预测结果和SVM模型预测结果；

步骤四、将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果。

本发明的有益效果为：

本发明基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；本发明对RBF-SVM模型和CNN模型进行训练，得到训练好的RBF-SVM模型和CNN模型；使用训练好的RBF-SVM模型和CNN模型对步骤一中每个分割后的对象进行分类预测，得到CNN模型预测结果和SVM模型预测结果；将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果，进一步提高了复杂对象的遥感分类精度，充分利用了高分辨率影像的空间背景信息。

本发明构建了一种新颖的决策融合规则，充分汲取面向对象SVM与CNN分类模型的优势，建立一种新颖的OBIA-SVM-CNN分类方法，有效提高了高分辨率遥感影像农作物分类精度。本发明方法取得的总体分类精度比OSVM显著提高，提升幅度在3％以上。

附图说明

图1为本发明提出的OBIA-SVM-CNN方法流程图；

图2为UAVSAR影像图；

图3为地面真实数据图；

图4为基于象元的SVM分类图；

图5为基于象元的CNN分类图；

图6为基于对象CNN分类图；

图7为基于对象SVM分类图；

图8为本发明提出的OBIA-SVM-CNN分类图。

具体实施方式

具体实施方式一：本实施方式基于对象的OBIA-SVM-CNN遥感影像分类方法具体过程为：如图1所示。

步骤一、基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；

步骤二、对RBF-SVM模型和CNN模型进行训练，得到训练好的RBF-SVM模型和CNN模型；

步骤三、使用训练好的RBF-SVM模型和CNN模型对步骤一中每个分割后的对象进行分类预测(比如分割对象是农田斑块还是非农田斑块)，得到CNN模型预测结果和SVM模型预测结果；

步骤四、将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果。

具体实施方式二：本实施方式与具体实施方式一不同的是，所述步骤一中基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；具体过程为：

分割后的对象为农田斑块；

在易康软件支持下，应用多尺度分割算法(multi-resolution segmentation,MRS)将遥感影像分割为光谱和空间信息均质的农田斑块(对象)；

多尺度分割算法包含三个分割控制参数，分别为尺度(scale)、颜色量度(color)和平滑度量度(smoothness)；

通过试错法确定分割控制参数的最优组合值(人为调节尺度、颜色量度及平滑度量度，先确定尺度，在调节颜色量度和平滑度量度)，以使通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合。

其它步骤及参数与具体实施方式一相同。

具体实施方式三：本实施方式与具体实施方式一或二不同的是，所述步骤二中对RBF-SVM模型和CNN模型进行训练，得到训练好的RBF-SVM模型和CNN模型；具体过程为：

选择径向基函数(radial basis function,RBF)作为支持向量机的核函数(RBF-SVM)建立支持向量机模型；

选取M个具有分类标签的训练样本点，根据训练样本点提取影像特征(比如具有分类标签的遥感影像为已知遥感影像中农田斑块和非农田斑块的遥感影像，或分类标签为大都和玉米)作为RBF-SVM模型的输入；

惩罚系数C和核系数γ作为RBF-SVM模型的参数；

所述训练样本点为遥感影像中像元；

M取值为500-1000个；

惩罚系数C的取值为10^-2、10^-1、10^-0、10¹、10²；

核系数γ的取值为10^-2、10^-1、10^-0、10¹、10²；

使用网格搜索(grid search)方法优化惩罚系数C和核系数γ，选取RBF-SVM模型输出分类准确率最高时对应的一组惩罚系数C和核系数γ；

得到训练好的RBF-SVM模型；

设置CNN模型参数，CNN模型参数包括输入窗口尺寸、神经网络层数以及卷积滤波数量；

使用交叉验证方法优化CNN模型参数，选取CNN模型输出分类准确率最高时对应的一组CNN模型参数；

将步骤一分割后的对象作为CNN模型的输入，进行训练，得到训练好的CNN模型。

所述输入窗口尺寸为12×12、16×16、20×20、24×24、28×28、32×32、36×36、40×40、44×44、48×48、52×52、56×56、60×60或64×64；

所述神经网络层数为3-6层；

所述卷积滤波数量为16-64。

其它步骤及参数与具体实施方式一或二相同。

具体实施方式四：本实施方式与具体实施方式一至三之一不同的是，所述根据训练样本点提取影像特征，过程为：

根据训练样本点提取影像特征，特征包括基本波段特征、纹理特征和几何特征；

训练样本的特征用于分类；

基本波段特征为训练样本所有遥感影像波段的平均值和标准差；

使用易康软件计算纹理特征(灰度共生矩阵纹理)为训练样本纹理的平均值、标准差、均质度、不相关度、对比度和熵；

使用易康软件计算几何特征为训练样本图形特征和多边形特征。

其它步骤及参数与具体实施方式一至三之一相同。

具体实施方式五：本实施方式与具体实施方式一至四之一不同的是，所述步骤三中使用训练好的RBF-SVM模型和CNN模型对步骤一中每个分割后的对象进行分类预测(比如分割对象是农田斑块还是非农田斑块)，得到CNN模型预测结果和SVM模型预测结果；具体过程为：

本发明定义了对象中心点(object center point)来确定每一个分割对象的最优卷积位置，以便于抽取代表性特征。

假设分割对象是多边形，一个多边形S包含边界及其内部，x和y轴按几何坐标来设定；x_min、x_max分别表示多边形在x轴的最小和最大值，y_min、y_max分别表示多边形在y轴的最小和最大值，则该分割对象中心点坐标用如下公式计算：

得到的分割对象中心点即为分割对象的卷积点；

将每个分割对象及每个分割对象的卷积点作为训练好的CNN模型的输入，输出CNN模型预测结果；

将步骤一中每一个分割对象输入RBF-SVM模型，输出SVM模型预测结果。

其它步骤及参数与具体实施方式一至四之一相同。

具体实施方式六：本实施方式与具体实施方式一至五之一不同的是，所述CNN模型预测结果的计算过程为：

对于步骤一中每个分割对象来说，CNN模型的预测结果为m维度的向量P＝(p₁,p₂,...,p_x,...,p_m)，

其中，p_x为第x类别的概率；m表示分类数目(比如大豆、玉米就是2类)，x∈(1,2,...,m)；

每类类别的概率表示为：

f(x)＝{p_x|x∈(1,2,...,m)} (3)

式中，p_x∈[0,1]并且

CNN模型预测结果class(C)^CNN为：

class(C)^CNN＝arg max({f(x)＝p_x|x∈(1,2,...,m)}) (4)

其它步骤及参数与具体实施方式一至五之一相同。

具体实施方式七：本实施方式与具体实施方式一至六之一不同的是，所述RBF-SVM模型预测结果的计算过程为：

对于步骤一中每个分割对象来说，RBF-SVM模型的预测结果为m′维度的向量P＝(p₁,p₂,...,p_x′,...,p_m′)，

其中，p_x′为第x′类别的概率；m′表示分类数目，x′∈(1,2,...,m′)；

每类类别的概率表示为：

f(x′)＝{p_x′|x′∈(1,2,...,m′)} (5)

式中，p_x′∈[0,1]并且

RBF-SVM模型模型预测结果class(C)^RBF-SVM为：

class(C)^RBF-SVM＝arg max({f(x′)＝p_x′|x′∈(1,2,...,m′)}) (6)。

其它步骤及参数与具体实施方式一至六之一相同。

具体实施方式八：本实施方式与具体实施方式一至七之一不同的是，所述步骤四中将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果；具体过程为：

对于某一分割对象而言，SVM分类模型只能利用对象内光谱统计信息，因而只能识别一些光谱差异明显的对象。然而，对于具有相似光谱的对象，SVM很难奏效，因为其只能抽取浅层信息且不能应用空间背景信息。对比之下，CNN模型可以抽取影像高层次信息，并且能将空间背景信息纳入分类，在复杂地物识别方面相比于SVM有一定优势。但CNN模型使用固定大小的输入窗口来抽取对象信息，对某一分割对象而言会有两种情况：(1)如果输入窗口包含了其它农作物类型，则该目标对象的分类概率会很低；(2)如果输入窗口只覆盖了均质区域，则分类概率会较高。考虑到SVM与CNN分类模型的互补性，本发明提出的决策融合规则建立在两种模型预测结果之上。值得指出的是，规定如果CNN对目标类别的支持度大于或等于一个预先定义的阈值α，则优先采纳CNN的预测结果作为最终输出结果；否则信任SVM的预测结果，因为在这种情况下CNN的预测可能含有较大噪音；

假设步骤一中分割对象为N个对象，对于某一分割对象O_i建立一种决策融合规则来确定该分割对象的类别，表达式为：

式中，i＝1,2，...，N；α为阈值；

得到最终分类结果(基于对象的OBIA-SVM-CNN遥感影像分类结果)。

其它步骤及参数与具体实施方式一至七之一相同。

具体实施方式九：本实施方式与具体实施方式一至八之一不同的是，所述阈值α确定过程为：

确定初始阈值(例如0.95)，以步长0.01调节初始阈值，选取CNN模型输出分类准确率最高时对应的阈值α。

其它步骤及参数与具体实施方式一至八之一相同。

采用以下实施例验证本发明的有益效果：

实施例一：

本实施例具体是按照以下步骤制备的：

一实验数据

本实验选用的数据为全极化UAVSAR数据，包括HH、HV以及VV三个极化波段。该数据空间分辨率为5米。试验区选择美国加州中部一块农田区域，验证本发明的有效性。该区域含农田类别共9种，包括杏树、苜蓿草、水稻、冬小麦、休耕地、干豆、西红柿、向日葵以及玉米。利用分层随机采样方法，共采集训练样本8383个用于模型训练，验证样本4192个用于分类精度评价。

二模型及参数设置

1影像分割参数

利用试错法确定多尺度分割算法三个参数，即尺度、颜色量度及平滑度量度分别为25、0.8和0.3.

2模型结构参数

基于网格搜索方法，确定RBF-SVM的两个参数惩罚系数以及核系数分别为100和0.1；对于CNN模型，使用交叉验证方法确定深层学习网络层数为4层，输入窗口尺寸为48×48，每层滤波数量为64个，滤波尺寸为3×3。

3决策融合参数

使用交叉验证方法确定融合SVM与CNN的最优阈值α为0.99。

三分类实验结果

1遥感影像分类图

本实验遥感影像分类图如图2、图3、图4、图5、图6、图7、图8所示。

2遥感影像分类精度

本实验遥感影像分类精度如表1所示。

表1 UAVSAR遥感影像分类精度

本发明还可有其它多种实施例，在不背离本发明精神及其实质的情况下，本领域技术人员当可根据本发明作出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。

Claims (9)

1.基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述方法具体过程为：

步骤一、基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；

步骤二、对RBF-SVM模型和CNN模型进行训练，得到训练好的RBF-SVM模型和CNN模型；

步骤三、使用训练好的RBF-SVM模型和CNN模型对步骤一中每个分割后的对象进行分类预测，得到CNN模型预测结果和SVM模型预测结果；

步骤四、将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果。

2.根据权利要求1所述基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述步骤一中基于多尺度分割算法对遥感影像进行分割，直至通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合；具体过程为：

分割后的对象为农田斑块；

应用多尺度分割算法将遥感影像分割为光谱和空间信息均质的农田斑块；

多尺度分割算法包含三个分割控制参数，分别为尺度、颜色量度和平滑度量度；

通过试错法确定分割控制参数的最优组合值，以使通过目视检查所有分割后的对象与遥感影像上农田斑块边界吻合。

3.根据权利要求1或2所述基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述步骤二中对RBF-SVM模型和CNN模型进行训练，得到训练好的RBF-SVM模型和CNN模型；具体过程为：

选取M个具有分类标签的训练样本点，根据训练样本点提取影像特征作为RBF-SVM模型的输入；

惩罚系数C和核系数γ作为RBF-SVM模型的参数；

所述训练样本点为遥感影像中像元；

使用网格搜索方法优化惩罚系数C和核系数γ，选取RBF-SVM模型输出分类准确率最高时对应的一组惩罚系数C和核系数γ；

得到训练好的RBF-SVM模型；

设置CNN模型参数，CNN模型参数包括输入窗口尺寸、神经网络层数以及卷积滤波数量；

使用交叉验证方法优化CNN模型参数，选取CNN模型输出分类准确率最高时对应的一组CNN模型参数；

将步骤一分割后的对象作为CNN模型的输入，进行训练，得到训练好的CNN模型。

4.根据权利要求3所述基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述根据训练样本点提取影像特征，具体为：

根据训练样本点提取影像特征，特征包括基本波段特征、纹理特征和几何特征；

基本波段特征为训练样本所有波段的平均值和标准差；

纹理特征为训练样本纹理的平均值、标准差、均质度、不相关度、对比度和熵；

几何特征为训练样本图形特征和多边形特征。

5.根据权利要求4所述基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述步骤三中使用训练好的RBF-SVM模型和CNN模型对步骤一中每个分割后的对象进行分类预测，得到CNN模型预测结果和SVM模型预测结果；具体过程为：

假设分割对象是多边形，一个多边形S包含边界及其内部，x和y轴按几何坐标来设定；x_min、x_max分别表示多边形在x轴的最小和最大值，y_min、y_max分别表示多边形在y轴的最小和最大值，则该分割对象中心点坐标用如下公式计算：

得到的分割对象中心点即为分割对象的卷积点；

将每个分割对象及每个分割对象的卷积点作为训练好的CNN模型的输入，输出CNN模型预测结果；

将步骤一中每一个分割对象输入RBF-SVM模型，输出SVM模型预测结果。

6.根据权利要求5所述基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述CNN模型预测结果的计算过程为：

对于步骤一中每个分割对象来说，CNN模型的预测结果为m维度的向量P＝(p₁,p₂,...,p_x,...,p_m)，

其中，p_x为第x类别的概率；m表示分类数目，x∈(1,2,...,m)；

每类类别的概率表示为：

f(x)＝{p_x|x∈(1,2,...,m)} (3)

式中，p_x∈[0,1]并且

CNN模型预测结果class(C)^CNN为：

class(C)^CNN＝argmax({f(x)＝p_x|x∈(1,2,...,m)}) (4)。

7.根据权利要求5所述基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述RBF-SVM模型预测结果的计算过程为：

对于步骤一中每个分割对象来说，RBF-SVM模型的预测结果为m′维度的向量P＝(p₁,p₂,...,p_x′,...,p_m′)，

其中，p_x′为第x′类别的概率；m′表示分类数目，x′∈(1,2,...,m′)；

每类类别的概率表示为：

f(x′)＝{p_x′|x′∈(1,2,...,m′)} (5)

式中，p_x′∈[0,1]并且

RBF-SVM模型模型预测结果class(C)^RBF-SVM为：

class(C)^RBF-SVM＝argmax({f(x′)＝p_x′|x′∈(1,2,...,m′)}) (6)。

8.根据权利要求6或7所述基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述步骤四中将CNN模型预测结果和SVM模型预测结果进行决策融合，得到最终分类结果；具体过程为：

假设步骤一中分割对象为N个对象，对于某一分割对象O_i建立一种决策融合规则来确定该分割对象的类别，表达式为：

式中，i＝1,2，...，N；α为阈值；

得到最终分类结果。

9.根据权利要求8所述基于对象的OBIA-SVM-CNN遥感影像分类方法，其特征在于：所述阈值α确定过程为：

确定初始阈值，以步长0.01调节初始阈值，选取CNN模型输出分类准确率最高时对应的阈值α。