遥感图像林型纹理特征的ICA与SVM分类

遥感图像林型纹理特征的 ICA 与 SVM 分类

2

罗涟玲 1，王修信 1，，农京辉 1，梁宗经 1，汤谷云 1

2

LUO Lianling1, WANG Xiuxin1，, NONG Jinghui1, LIANG Zongjing1, TANG Guyun1

1.广西师范大学 计算机科学与信息工程学院，广西 桂林 1004 2.北京师范大学 地理与遥感科学学院 遥感科学国家重点实验室，北京 100875

1.College of Computer Science and Information Technology, Guangxi Normal University, Guilin, Guangxi 1004, China 2.State key Laboratory of Remote Sensing Science, School of Geography, Beijing Normal University, Beijing 100875, China

LUO Lianling, WANG Xiuxin, NONG Jinghui, et al. Remote sensing forest classification with texture based on ICA and SVM. Computer Engineering and Applications, 2012, 48（13）：227-229. Abstract：Remote sensing texture can be used to correctly classify forest species whose spectrums are similar. How- ever, texture results in increase of the feature vector dimension and computation. Hence, TM forest image is classi- fied with Support Vector Machine（SVM）based on texture of gray level co-occurrence matrix after it is decreasing dimension with Independent Component Analysis（ICA）. Results show that forest species can be classified correctly with the algorithm as its classification accuracy is 85.4% and Kappa coefficient is 0.73, which are greater than those with SVM, BP neural network, maximum likelihood and minimum distance algorithms. The accuracies to classify broadleaf, conifer and bamboo are 78.2%, 80.1% and 84.3%. Errors mainly result from mixed forests and intersec- tion between two forest types. The classification accuracies of broadleaf, conifer are lower than that of bamboo be- cause of easy appearance of broadleaf and conifer mixed forests.

Key words：remote sensing image; forest classification; texture; Independent Component Analysis（ICA）; Support Vector Machine（SVM）

摘 要：遥感图像纹理特征是光谱相近林型准确分类的有效方法，然而其带来分类特征向量维数增加和计算 量增大。因此，对南方山区林地 TM 图像进行成分分析 ICA 降维，通过计算灰度共生矩阵获取纹理特征， 使用 SVM 分类，研究林地类型的快速分类方法。结果表明，ICA 与 SVM 法利用遥感图像纹理特征可较准确地 实现林地类型分类，分类总精度、Kappa 系数分别为 85.4%、0.73，均高于 SVM 法、BP 神经网络法、最大似然法、 最小距离法；其对阔叶林、针叶林、竹林的分类精度依次为 78.2%、80.1%、84.3%，误识率主要是由于混交林而造 成两类林地之间存在交集，易出现的针阔混交林使得阔叶林、针叶林的分类精度低于竹林。 关键词：遥感图像；林地类型分类；纹理特征；成分分析；支持向量机 文章编号：1002-8331（2012）13-0227-03 文献标识码：A

中图分类号：TP79

1 引言

遥感图像林型分类是大面积监测山地林木覆盖 变化的有效方法。阔叶林、针叶林和竹林是我国南 方山地的主要林木种类，由于它们在 TM 等中分辨率

基金项目：国家自然科学基金（No.41061040）。

多光谱遥感图像的光谱特征非常相近，仅仅依赖光 谱特征对林型准确分类较难[1]。纹理特征描述了图 像邻域灰度空间分布特征，为解决该问题提供了有 效途径，主要方法有灰度共生矩阵[2]统计法、结构法、

作者简介：罗涟玲（1966—），实验师，主要研究方向为遥感图像处理；王修信（1963—），博士，教授，主要研究方向为遥感与地理信

息系统。E-mail：*****************.edu.cn 收稿日期：2010-12-29 修回日期：2011-03-16 CNKI 出版日期：2011-07-20 DOI：10.3778/j.issn.1002-8331.2012.13.048 http://www.cnki.net/kcms/detail/11.2127.TP.20110720.1512.019.html 228 2012，48（13） Computer Engineering and Applications 计算机工程与应用

分形及 Markov 随机场[3] 等模型法、小波[4] 等变换法。 结构法适用于布料图案或砖花样等纹理基元排列较 规则图像；分形法易出现不同地物分维值非常相近

斯随机变量。

（1）将 TM 图像每个像元按光谱波段展开为列向 量 x。

（2）对 x 进行去均值使其零均值，通过 PCA 进行

白化处理，使白化后信号的分量互不相关且具有单 位方差，以提高运算效率、减少计算量。

（3）对 W 一列向量，初始化随机权向量 w0，归一 化，设置收敛误差 0<ε<<1。

（4）计算：

T T wk + 1 = wk - µ[E{xg(wk x)} - βwk]/[β] E{g′(wk x)} - 其中，g为G的导数，µ 为迭代步长，β = k xg(wTk x)}。

TE{w（5）对 w进行去相关和归一化：

k + 1

T

wk + 1 = wk + 1 - w w /||w åwk + 1 j j ,w k + 1 = w k + 1 k + 1||

j = 1 k

而难以识别；Markov 随机场模型参数较难估计，小波

变换多分辨率分析导致计算量较大；统计法利用像 元间局部相关性描述纹理，较适用于纹理不规则遥 感图像的快速分类。

然而提取纹理特征的遥感图像波段越多、纹理 统计量越多，则分类特征向量的维数就越高、计算量 就越大，同时噪声引入还会降低分类精度。考虑到 遥感图像各波段间具有一定相关性，其纹理特征值 可能相同，可用主成分分析 PCA、成分分析 ICA、 线性判别分析 LDA 等方法进行降维。LDA 从高维特 征空间提取最具判别能力的低维特征，使样本类间 离散度与样本类内离散度的比值最大，但其无法处 理高维数据的小样本问题，当样本数较小时，类间散 布矩阵为奇异矩阵，变换矩阵不能直接求解。PCA 降维根据遥感图像协方差矩阵计算得到互不相关的 各主成分，去除了二阶冗余信息，但仍可能存在高阶 冗余信息，而高阶统计特性常包含图像结构和相位 特征。ICA 利用遥感图像的高阶统计特性，变换后各 分量间不仅互不相关，而且尽可能统计，对遥感 图像进行分解实现降维比 PCA 更有效。

纹理特征识别法有神经网络、支持向量基 SVM

[5]

（6）判断收敛条件 |wk + 1 - wk | < ε ，如不满足就返 回步骤（4），直至收敛，求得 W 的一列。

（7）重复上述求权向量步骤直至求得 W 并正交化。

（8）由 Y=WX 估算所有分量 S。

（9）利用二维空间相干性法对 ICA 光谱波段按信 息量从大到小进行排列[9]，检查排序后各波段的信息 量，将信息量较少主要包含噪声的后面波段去除，而 只保留前面信息量较多的波段，实现降维。

2.2 遥感图像纹理特征 SVM 分类

对 ICA 法降维后得到的波段计算灰度共生矩阵， 采用 n ´ n 窗口、移动步距 r 提取纹理特征值：对比度 (i - j)2 p(ij) ；相 关 [å(i - μ x)( μ y )]/(σ x σ y) ååå j - ， i j i j 其中μx、μy 分别为行、列均值，σx、σy 分别为行、列标准 偏差；能量 å熵 - å逆 å p(ij)2 ；å p(ij)log p(ij) ；

i

j

i

j

2 差矩 å[ p(ij)/(1 + (i - j) )] 。 åi

j

等。神经网络法的网络结构和参数的确定尚无充足 的理论依据，并且存在过学习、易陷入局部极小点等 问题，对经验因素依赖较大。SVM 以统计学习 VC 维 理论和结构风险最小化原理为基础，根据有限训练 样本在模型复杂性（学习精度）和学习能力间寻求最 佳折衷。已有的研究表明其收敛性、训练速度、分类 精度等均优于神经网络

[6-7]

，但少见应用于林地类型

纹理分类。

因此，对南方山区林地 TM 遥感图像进行 ICA 降 维，通过计算灰度共生矩阵获取纹理特征，使用 SVM 进行分类，研究林地类型准确分类的快速方法。

考虑 TM 图像波段 1~3 间，5 与 7 间相关性较高， 且存在很多冗余信息，因此光谱特征的提取选取波 段 3、4、5。

遥感归一化植被指数 NDVI=（ρ4－ρ3）（/ ρ4+ρ3），其 中ρ3、ρ4 分别为波段 3、4 的反射率。

将纹理特征、光谱特征、NDVI 构成分类特征，选 取各典型地物样本构成训练样本和测试样本，提取 分类特征向量，并归一化。

使用训练样本分类特征向量对 SVM 进行训练。 SVM 定义内积函数将实际问题空间非线性变换到高

维特征空间，求解最优线性分类面，将两类样本无错 误地分开且间隔最大[10]。对多类问题可分解为两类 问题，每次将其中一类训练样本作为一个类别，其他

2 实验方法

2.1 遥感图像 ICA 法降维

T

随机观测向量 X=（x1，x2，…，xN）是未知分量 T

S=（s1，s2，…，sM）的线性组合 X=AS。构建分离矩阵

W，使 Y=WX 变换后 yi 尽可能统计，成为 si 的估 计。使用 FastICA 通过负熵 J（y）=k[E{G（y）}−E{G（v）}]2 最大化求解未知分量 S[8]，其中常数 k≥0，E{·}为 期望，G（u）=log（cosh（au））/a，1≤a≤2，v~N（0，1）为高 罗涟玲，王修信，农京辉，等：遥感图像林型纹理特征的 ICA 与 SVM 分类 2012，48（13） 229

不属于该类的训练样本作为另外一个类别。SVM 的 最佳惩罚系数 C 和γ可用交叉验证确定，即将样本分 成 n 个子集，每次将 n－1 个子集输入 SVM 训练，然后 检验剩余 1 个子集的分类正确率，通过不断改变 C 和 γ以提高样本分类精度。

最后用测试样本检验 SVM 分类效果和对整幅图 像进行分类。

研 究 区 绝 大 部 分 为 阔 叶 林 、针 叶 林 、竹 林 所 覆 盖，图像中下部有少部分生长农作物的农田夹杂少 量裸地。分类精度最低的阔叶林也达到 78.2%，针叶 林、竹林依次为 80.1%、84.3%，混交林仍是造成误识 率的首要原因，尤其易出现针阔混交林。

利用纹理特征，分别用 ICA 与 SVM 法、SVM 法、 BP 神经网络法、最大似然法、最小距离法对整幅图像 分类的精度见表 2。ICA 与 SVM 法的分类总精度、 Kappa 系数分别为 85.4%、0.73，均高于其他方法，可 较准确地对遥感图像林地类型进行分类。

表 2 不同方法分类精度

分类方法 总精度（/ %） Kappa 系数

ICA+SVM SVM BP 神经网络 最大似然 最

85.4 79.2 75.1 71.2 70.0

0.73 0.68 0. 0.60 0.58

3 实验结果

选取南方山区林地 TM 遥感图像 1~5、7 波段，对 图像进行几何校正、辐射校正、大气校正等预处理。 对 TM 图像进行 ICA 降维，然后将 ICA 光谱波段按信 息量从大到小排列，经检查信息量后取前 3 维计算灰 度共生矩阵，经实验比较后采用 3×3 窗口、移动步距 1、4 个方向（0°、45°、90°、135°）平均值，而获取对比 度、相关、能量、熵、逆差矩等共 15 个纹理特征值。其 与波段 3、4、5 光谱特征以及 NDVI，构成分类特征向量。

由于利用光谱特征就可以很容易对水体、裸土、 农田及林地分类，因此纹理分类主要针对不同林地 类型。在 GPS 和高分辨率遥感图像支持下，训练样 本的选取阔叶林 173 个、针叶林 98 个、竹林 155 个，测 试样本各 200 个，提取样本分类特征向量并归一化。 使 用 训 练 样 本 对 SVM 进 行 训 练 ，内 积 函 数 取 K (xixj) = exp(-γ||xi –xj|| )γ > 0 ；用交叉验证法经实验

5-3

确定最佳参数 C = 2γ = 2。对训练好的 SVM 使用 测试样本进行验证和对图像进行分类，结果见图 1 和 表 1。

2

小距离

4 结论

ICA 与 SVM 法利用 TM 遥感图像纹理特征可较 准确地快速实现林地类型分类，分类总精度、Kappa 系数分别为 85.4%、0.73，均高于 SVM 法、BP 神经网 络法、最大似然法、最小距离法。其对阔叶林、针叶 林、竹林的分类精度依次为 78.2%、80.1%、84.3%，误 识率主要是由于混交林而造成两类林地之间存在交 集，使得遥感图像林地类型分类非线性可分；尤其易 出现针阔混交林，使得阔叶林、针叶林的分类精度低 于竹林。

提取遥感图像纹理特征时，带来分类特征向量 维数增加和计算量增大，ICA 降低其维数从而减少计 算量，SVM 以结构风险最小化准则，由有限训练样本 得到决策规则对测试集仍能得到小误差，可处 理分布不规则复杂数据，提高分类精度。BP 神经网 络法的网络结构和参数的选择没有理论依据，对经 验依赖较大，易影响分类精度。最大似然法、最小距 离法都是找出每类的聚类中心，如果两类间存在交 集，则易误识交集样本，降低分类精度。

水体

裸地 针叶林 竹林 阔叶林 农田

图 1 分类图像

表 1 林地类型分类精度 （%）

林地类型 用户精度 生产精度 平均精度

阔叶林 针叶林 79.5 78.4 83.5 76.8 81.7 85.1 78.2 80.1 84.3 参考文献：

[1] Mahtab A，Sridhar V N，Navalgund R R.Impact of sur-

face anisotropy on classification accuracy of selected vegetation classes[J].IEEE Trans Geosci Remote Sens， 2008，46（1）：250-258. 竹林 （下转 239 页）

许继影：矩形件优化排样的混合启发式方法

[2] 贾志欣，殷国富，罗阳.矩形件排样的模拟退火算法求解[J].

四川大学学报：工程科学版，2001（5）：32-34.

2012，48（13） 239

发式算法[J].计算机应用研究，2007，24（8）：119-121.

[7] 陈端兵，黄文奇.求解矩形和圆形填装问题的最大穴度算

法[J].计算机工程与应用，2007，43（4）：1-3.

[8] 蒋兴波，吕肖庆，刘成城.求解矩形件优化排样的自适应模

拟退火遗传算法[J].计算机辅助设计与图形学学报，2008， 20（11）：1425-1431.

[9] 李明，黄平捷，周泽魁.基于小生境遗传算法的矩形件优化

排样[J].湖南大学学报：自然科学版，2009，36（1）：47-49. [10] 陈国良，王熙法，庄镇全，等.遗传算法及其应用[M].北京：

人民邮电出版社，1996.

[11] 曹炬，周济.矩形件优化排样的一种近似算法[J].计算机辅

助设计与图形学报，1995，7（3）：190-195.

[12] 王华昌，陶献伟，李志刚.一种矩形件优化排样综合算法[J].

华中科技大学学报：自然科学版，2003，31（6）：9-12. tems[C]//Proceeding of the 1st International Conference

on Self-Adaptive and Self-Organizing Systems，2007： 281-284.

[2] 李敬花，刘文剑，金天国.基于多 Agent 的多型号生产调度

系统研究[J].计算机集成制造系统，2006，12（4）：573-578. [3] 胡晶晶，曹元大，焦德朝，等.基于多 Agent 的多任务协作时

间调度算法研究[J].计算机集成制造系统，2005，11（3）：

394-398.

[4] 吕赐兴，朱云龙，尹朝万，等.基于多 Agent 的敏捷生产调度

中 的 协 商 策 略 [J]. 计 算 机 集 成 制 造 系 统 ，2006，12（4）： 579-584.

[5] 李琳，江志斌.虚拟生产系统的自适应动态调度机理及算 法[J].计算机集成制造系统，2006，12（9）：1448-1452. [6] 包振强，李长仪，周鑫.基于知识的动态调度决策机制研究[J].

中国机械工程，2006，17（13）：1366-1370.

[7] Smith R G.The contract net protocol：high-level commu-

nication and control in a distributed problem solver[J]. IEEE Transactions on Computers，1980，29（2）：1104-1113.

2009，47（6）：1707-1718. [6] Anirban M，Ujjwal M.Unsupervised pixel classification

in satellite imagery using multiobjective fuzzy cluster- ing combined with SVM classifier[J].IEEE Trans Geos- ci Remote Sens，2009，47（4）：1132-1138.

[7] Munoz J，Bovolo F，Gomez L，et al.Semisupervised

one-class support vector machines for classification of remote sensing data[J].IEEE Trans Geosci Remote Sens， 2010，48（8）：3188-3197.

[8] Hyvarinen A.Fast and robust fixed-point algorithms for

independent component analysis[J].IEEE Trans Neural Netw，1999，10（3）：626-634. [9] Hyvarinen A，Oja E.Independent component analysis[J].

Neural Netw，2000，13（4/5）：411-430.

[10] Cristianini N，Shawe-taylor J.支持向量机导论[M].北京：

电子工业出版社，2004. [3] Jakobs S.On genetic algorithms for the packing of poly-

gons[J].European Journal of Operational Research，1996，

88（1）：161-165.

[4] Hopper E，Turton B.An empirical investigation of meta-

heuristic and heuristic algorithms for a 2D packing prob- lem[J].European Journal of Operational Research，2001， 128（1）：34-57. [5] Cui Y，Lu Y.Heuristic

algorithm for a cutting stock

problem in the steel bridge construction[J].Computers and Operations Research，2009，36（2）：612-622. [6] 刘景发，黄文奇.求解带有预放置矩形块的布局问题的启

（上接 226 页）

度模型，可形成对交货期敏感的实时调度体系。通 过 Agent 之间的招投标方式，调度方案的形成过程顺 畅、自然，虚拟货币机制的设计又使得不同作业具有 不同的调度优先级，很好地解决了实时性要求和优 化要求之间的矛盾；模型引入急件插入机制可很好 地应对紧急加工任务对生产系统的冲击。将模型应 用于普通制造型企业，可实现对生产任务的实时快 速处理，提高生产管理效率。另一方面，模型尚存在 提升空间，例如模型中作业 Agent 与作业 Agent 之间、 机器 Agent 与机器 Agent 之间的互动未被考虑，它是 模型进一步提升的发展方向；模型还必须在功能上 有所扩展，以适应不同调度类型等。

参考文献：

[1] Weyns D，Boucke N，Holvoet T，et al.DynCNET：A pro- tocol for dynamic task assignment in multiagent sys-

（上接 229 页）

[2] Baraldi A，Durieux L，Simonetti D，et al.Automatic spec-

tral rule-based preliminary classification of radiometrically calibrated imagery[J].IEEE Trans Geosci Remote Sens， 2010，48（3）：1326-13.

[3] Zhao Y，Zhang L，Li P，et al.Classification of high spa-

tial resolution imagery Using Improved Gaussian Mar- kov random-field-based texture features[J].IEEE Trans Geosci Remote Sens，2007，45（5）：1458-1468.

[4] Meher S K，Shankar B U，Ghosh A.Wavelet-feature-based

classifier for multispectral remote sensing images[J]. IEEE Trans Geosci Remote Sens，2007，45（6）：1881-1886. [5] Ghoggali N，Melgani F，Bazi Y.A multiobjective genetic

SVM approach for classification problems with limited training samples[J].IEEE Trans Geosci Remote Sens，