成都理工大学-任淯-9-城市园林植被高光谱数据的分类优化分析

1、 注册号：主题：9. 遥感数据处理与信息获取 城市园林植被高光谱数据的分类优化分析任淯 1，戴晓爱 1,2 *，刘雨 1，郭守恒 1，杨晓霞 1,2 ，田亚铭 1 1. 成都理工大学地球科学学院，四川 成都 610059;2. 成都理工大学地学空间信息技术国土资源部重点实验室，四川 成都 610059， renyu_摘要：本文针对城市园林植被种类繁多、纹理具有相似性、样本数据小造成的分类精度 较低的问题,采用不同特征维数和降维方法(主成分分析（PCA）、最小噪声分离（MNF）、 独立成分分析（ICA）)与支持向量机（Support Vector Machine, SVM）结合

2、对其高光谱数据进行分类研究，得出分类精度最高的组合方法，并总结 SVM 分类精度随特征维数 的变化规律。研究结果表明：MNF-SVM 能够有效的解决城市园林植被样本不足的问题， 提高了 SVM 分类精度。其中 ICA-SVM、PCA-SVM、MNF-SVM 方法的分类精度均随特征维数 的增大而波动上升，达到峰值后在一定范围波动下降。 关键词: 城市园林植被，SVM，降维，特征维数，高光谱遥感 1 绪论 随着城市化进程的加快，环境问题频发，城市植被以其消纳阻隔污染物质，调节气 候等作用，愈加受到关注。遥感技术能够获取大范围、高精度的城市园林植被影像，大 大节约人力物力，成为城市园林植被研究中极佳

3、的数据获取手段。国内外众多学者运用 遥感手段进行了城市植被的相关研究1-3。 利用高光谱数据可以大幅度的提高地物的分类精度。园林植物具有种类繁多，样本 数据小的特点，故在高光谱分类时选用能够较好处理小样本高维度数据的 SVM 分类方法 4-6。 本文采用不同特征维数和降维方法与 SVM 进行结合，以得到最佳的城市园林植被的 分类方法，并总结 SVM 分类精度随特征维数的变化规律。2 数据及研究方法 2.1 实验数据 本实验光谱影像由挪威 NEO 机载地面两用 HySpex 成像光谱仪采集，包含有 108 个 波段，光谱范围 400-1000nm，空间像素 1600 个。该仪器能够同时获取地物的

4、影像和光 谱，其光谱能够详尽准确的表达场景目标的特征。 2.2 分类模型构架 由于城市园林植被种类繁杂，小图斑居多，常规分类方法并不能得到理想的分类效 果，故本文为进一步提高其分类精度，将不同降维方法与特征维数同 SVM 进行结合研究， 找出使得分类精度最高的分类模型，并得出分类精度随特征维数的变化规律。整体框架 如图 1 所示。HySpex城市地物数据 数据预处理样本选取特征维数选择 510152025303540PCAMNFICA核函数选取 参数优化分类实验精度对比采用验证图像进行结论的初步验证 图 1 研究方案用 PCA 、 MNF 、ICA三种方法对数据进行降维处理， 并分别提取前 n

5、 个 （n=5,10,15,20,25,30,35,40）主成分形成主成分影像，三种降维方法各形成 8 幅影像， 共形成 24 幅主成分影像。构建分类器，将这 24 幅图像分别进行 SVM 分类实验，采用分类精度与 Kappa 系数 进行精度评价，找出使分类精度最大的组合方法，总结分类精度随特征维数的变化规律。 最佳分类组合方法与 分类方法随特征维数变化规律 分类器构建降维方法选择 最后验证上述所得最佳分类方法，并总结分类精度随特征维数的变化规律，分析讨 论最终得出城市园林植被最佳分类模型。 3 结果与分析 3.1 分类结果与精度对比 如表 1 所示，对比三种分类方法的分类精度，总体上可以看出

6、 MNF-SVM 的整体分类 效果最优，ICA-SVM 分类效果较差。除特征维数为 5 的情况，随着特征维数的增加，三 者的分类精度排序为 MNF-SVMPCA-SVMICA-SVM。 在三种方法分别达到各自的最高分类精度时，可以看出 MNF-SVM 的分类精度和 Kappa 系数值最高，分类效果最好。 出现该分类结果的原因：MNF 变换是基于图像质量的线性变换，其变换结果按照信 噪比的大小进行排序，因此它能够很好的保留有用的信息而舍弃掉噪声信号，因此与 SVM 结合后能够得到最佳的分类结果。而 ICA 最早是基源分离问题所提出的方法，其独 立分量的顺序具有不确定性，取前 n 个波段的做法，可

7、能会对信息量有较大的损失，因 此其分类精度最低。不进行任何降维处理直接进行 SVM 分类的分类精度为 87.5490% ， Kappa 系数为 0.8619。降维后再进行 SVM 分类的结果要优于直接进行 SVM 的分类结果， 进行降维处理可以对分类结果有一定程度的优化。 如图 2 所示为未进行降维处理的 SVM 的分类结果图与三种分类方法均达到分类精度 最高时的分类图。可以看出 MNF-SVM 在特征维数为 30 时的分类结果图错分现象较少， 分类效果得到了明显的改善，能够较为真实的反映原始数据的分类信息。 表 1 分类精度与 Kappa 系数ICAPCAMNF特征分类精度Kappa分类精度

8、Kappa分类精度Kappa维数51015202530354071.9608%83.6275%86.7647%88.9216%87.7451%88.8235%89.4118%89.1176%0.68880.81830.85320.87710.86400.87600.88250.879389.7059%89.3137%90.7843%90.0980%89.8039%89.9020%90.1961%89.7059%0.88590.88140.89780.89010.88690.88800.89120.885889.4119%90.7843%91.5676%90.6863%91.3725%91.76

9、47%91.1765%91.5685%0.88260.89780.90650.89670.90430.90870.90220.9065 PCA15-SVM 分类结果MNF30-SVM 分类结果ICA35-SVM 分类结果仅进行 SVM 分类结果 图 3.四种分类方法的分类结果对比图原始影像ICA35-SVMPCA15-SVMMNF30-SVMSVM(a)(b)图 4 四种分类方法的细节对比3 结语 为了提高城市园林植被的分类精度，本文以 HySpex 城市园林植被影像数据为例， 探究将不同降维方法与SVM 结合，在不同特征维数下进行分类精度试验，得出最佳的分 类方法，并得出分类精度随特征维数的

10、变化规律，通过试验得出以下结论： (1)SVM 能够有效的解决由城市园林植被小样本数据导致的分类精度偏低的问题，是 一种适宜城市园林植被等样本数据量少，样本种类繁多的数据分类方法。 (2)降维在一定程度上能够提高 SVM 的分类精度，而 MNF 与 SVM 的结合能够最大程 度的提高分类精度，改良分类效果。 (3)特征维数的选择对于分类精度也有着至关重要的作用，而分类精度随特征维数 变化也存在一定的规律分类精度均随特征维数的增大而波动上升，达到最大值后在 一定范围波动下降。 参考文献:1 Santos, T. and S. Freire, Testing the Contribution of

11、 WorldView-2 Improved SpectralResolution for Extracting Vegetation Cover in Urban Environments. Canadian Journal ofRemote Sensing, 2015: 106.2 Adams, M.P. and P.L. Smith, A systematic approach to model the influence of the type anddensity of vegetation cover on urban heat using remote sensing. Lands

12、cape & Urban Planning,2014. 132: 47-54.3 张友静, 高云霄,黄浩等. 基于SVM 决策支持树的城市植被类型遥感分类研究. 遥感 学报, 2006. 10(2): 191-196.4 王修信, 吴昊, 卢小春等. 利用混合像元分解结合 SVM 提取城市绿地. 计算机工程 与应用, 2009. 45(33): 216-217.5 Cao, X., Chen J, Imura H, et al. A SVM-based method to extract urban areas fromDMSP-OLS and SPOT VGT data. Remote Sensing of Environment, 2009. 113(10)