基于ICA面向对象耕地信息提取.docVIP

基于ICA面向对象耕地信息提取 　　摘要：对高分一号卫星影像的波段进行独立成分分析转换（ICA），分析耕地在转换后影像的波段特征、纹理特征以及空间特征，再使用面向对象的方法提取耕地。相对于主成分转换的面向对象分类后的精度，经过独立成分分析能够有效消除波段之间的二阶甚至是高阶相关，经其变换的各分量之间也能保持相互独立。主成分转换的面向对象整体精度为72.50%，κ系数是0.675 4。独立成分转换波段的面向对象提取耕地的方法整体精度达87.01%，κ系数是0.846 3。提取耕地的制图者精度平均达89.25%，用户精度平均达85.09%。说明将预处理的波段进行独立成分分析转换，能够更加有效地提取耕地类型，是一种有效、可行的提取方法。 　　关键词：面向对象方法；独立成分分析转换；耕地资源；信息提取 　　中图分类号： P237 文献标志码： A 文章编号：1002-1302（2016）07-0372-05 　　耕地资源是人类赖以生存和发展的物质基础，快速、准确地提取耕地信息对耕地动态监测、耕地保护以及土地资源利用程度分析等具有重要意义。传统的遥感分类以单个像素为研究对象，仅根据光谱特征信息进行分类，这样的分类会导致遥感影像中同物异谱、异物同谱现象普遍存在，使得地物分类的精度降低。随着遥感卫星的迅猛发展，高空间分辨率影像为高精度地物分类提供了可能。然而高分辨率影像在提高空间分辨率的同时，也增强了耕地的内部差异性，使得耕地覆盖的光谱表现呈现多样性，加大了耕地准确提取的难度[1]。因此，对原始波段进行某种有效转换，使用转换后影像中的纹理、空间、光谱特征，采取面向对象方法进行分类，能更有效地提高提取耕地精度。面向对象（object-oriented）是指采用多尺度分割法则，获得每个影像对象的地物特征（包括光谱特征、几何结构特征、纹理特征、语义关系），并以影像对象为信息提取的基本单元而非影像单个像素，实现地物类别的自动提取[2]。邓劲松等将比值植被指数RVI和归一化植被指数NDVI作为新的波段，融入到SPOT5影像中，在增加有效信息量的同时，利用简单的决策树模型提取耕地信息，结果表明，该方法能够在快速、准确地提取植被信息的基础上，进一步区分旱地和水田，并且去除容易混淆的园地[3]。邵蔚等以陕西省榆林市某区域作为研究区，针对QuickBird影像，基于面向对象分类的思想建立了土地利用分类规则集，分别在3个分割尺度上获取耕地、旱地、水浇地[4]。东启亮等将Landsat TM影像和SPOT5影像进行独立成分分析和主成分分析，处理后的影像进行湿地提取，提取湿地的整体精度和κ系数都有一定程度提高[5]。面向对象信息提取方法有2个关键问题：第一是如何合理选择影像分割算法与最佳分割参数，选择不同的参数和算法将会影响信息提取的精度，大多数试验选择参数时采用重复试验方法；第二是对象特征选取和分类规则的建立[6-9]。本研究引入独立分量分析方法（ICA），获取对象特征，建立规则数据库，提取耕地信息，并对分类后的结果进行精度检验，探讨ICA方法对耕地提取精度的影响，旨在解决高分辨率中提取耕地信息的问题。 　　1 数据来源与预处理 　　本研究所用的遥感数据为高分一号卫星获取的2013年12月8 m多光谱影像和2 m全色影像数据。多光谱影像包含4个波段：蓝波段-b1（450～520 nm）、绿波段-b2（520～590 nm）、红波段-b3（630～690 nm）、近红外波段-b4（770～890 nm）。全色波段波长450～900 nm。将影像进行辐射定标、大气校正，利用DEM文件和影像的RPC文件进行正射校正以及Gram-Schmidt融合。对融合后的影像进行裁剪，裁剪的研究区域为3.34 km×4.46 km，融合后的空间分辨率为2 m（图1）。 　　2 方法 　　2.1 独立成分转换 　　独立成分分析方法（independent component analysis，ICA）基本思想是用一组独立的基函数来表示一系列随机变量，算法如下：设N个波段的高光谱数据的观测信号为X=（x1，x2，…，xN）T，每个观测信号是m个独立的、非高斯分布的源信号S=（s1，s2，…，sM）T的线性组合，即X=AS，其中A=（αij）N?M为未知的混合矩阵[10]。ICA变换就是在混合矩阵A和独立成分S未知的情况下，根据观测数据X确定分离矩阵W=（w1，w2，…，wM）T，使得变换后的输出S*=A+X=WX是对S的最优估计。基于互信息最小化信息理论，采用负熵度量准 　　则作为判断向量相互独立的标准，其表达式为： 　　2.2 面向对象分类法 　　本研究采用面向对象的特征提取方法，该方法通过一定的分割算法，对遥感影像进行分割，生成任意尺度下内部特征信息类似的