不同形態學剖面線遙感影像分類精度比較

蘇志鵠，梁勤歐，朱榴駿

（1.浙江師范大學，浙江金華321004；2.南京大學，南京210000）

不同形態學剖面線遙感影像分類精度比較

蘇志鵠1，梁勤歐1，朱榴駿2

（1.浙江師范大學，浙江金華321004；2.南京大學，南京210000）

針對不同形態學方法和結構元對于形態學剖面線遙感影像分類精度的影響存在較大差異，而國內外在這方面缺乏深入研究的不足，該文選取了武漢市兩個實驗區，構造了32個形態學剖面線，對研究區的QuickBird影像進行了分類。通過總體精度、Kappa系數和剖面線分類結果圖，比較了不同形態學剖面線對于分類結果的影響。結果表明：在結構元形狀相同的情況下，先開運算后閉運算和先閉運算后開運算在分類精度方面明顯優于一般方法和其他兩種形態學方法，能夠比較清晰地提取出小斑塊地物特征；當形態學方法為閉運算和開運算的時候，八邊形結構元對應的結果精度最高；當形態學方法為先開運算后閉運算和先閉運算后開運算時，除了方形結構元，其他結構元得到結果精度都較高。

形態學方法；結構元；形態學剖面線；遙感影像；分類精度

1 引 言

近年來，高分辨率影像因其豐富的空間信息得到了廣泛的應用。高分辨率影像具有高空間分辨率和低光譜分辨率的特點，影像中各類別在光譜空間中表現出類間差異小，類內差異大的特點。因此基于單一光譜信息的分類方法提取難以取得足夠的精度。形態學剖面線（Morphological Profile）能夠提供多尺度的空間信息，有效地改善分類精度。

形態學剖面線最早是在2001年提出并應用于高分影像的分類中，此后國內外學者對于形態學剖面線進行了廣泛的研究，根據理論的成熟程度大致可以分為3個階段：

第1階段的代表人物為Benediktsson，他通過形態學開運算和閉運算獲取地物的多尺度特征，并將多尺度地物進行疊加構造形態學剖面線，最后運用形態學剖面線進行影像分類［1－3］，雖然該方法提高了影像分類的精度，但是影像處理的數據量太大影響了分類效率。因此，Benediktsson對該方法進行了改進，用QuickBird影像的全色波段進行多尺度的形態學重建，構造形態學剖面線［4］，這種方法只使用了影像的一個波段，大大減小了數據量，但是該方法由于只使用了一個波段的信息，影像信息丟失量太大，在一定程度上影響分類精度。之后，Benediktsson對原來的方法做了進一步改進，通過主成分分析提取原影像99%的信息，對選取的主成分進行形態學重建構造形態學剖面線［5－6］，這種方法得到了比較滿意的分類結果。

第2階段的代表人物為Plaza和Bellens。Plaza等在形態學剖面線的基礎上，用新的非監督分類法進行全像素和混合像元目標識別［7－8］；Bellens等經過研究發現在對高分影像進行形態學重建時會出現過度重建的現象，由此提出通過部分重建來構造形態學剖面線［9］；Plaza等運用多通道影像數據來構建形態學剖面線，并用支持向量機來進行影像分類，試驗結果比單通道構造的形態學剖面線的精度要高，但是該方法增加了數據處理的負擔，如何提高效率是今后研究的又一個重點［10－11］。

第3階段的研究比較成熟，主要代表人物為Mura和Licciardi。Mura等根據地物的不同屬性，構造形態學屬性剖面線，結果表明該方法能夠獲取多尺度的地物特征，可以較大程度提高分類精度［12］；Mura等運用獨立成分分析獲取影像主要信息，并將根據地物的屬性進行形態學運算構建形態學剖面線［13－14］；Licciardi等運用非線性主成分分析得到的成分進行形態學重建構造形態學剖面線，與經過線性主成分分析得到的結果比較發現，非線性主成分得到的形態學剖面線在分類中的精度更高［15－16］。

綜上所述，現有研究都是針對某一種形態學剖面線的改進或者提出一些輔助的分類措施，并沒有提出構建形態學剖面線的最佳重建方法和結構元形狀。本文以數學形態學為基礎，分析開運算、閉運算、先開運算后閉運算、先閉運算后開運算4種形態學重建方法以及Square、Octagon、Disk、Diamond 4種結構元形狀對于分類精度的影響，試圖確定構造形態學剖面線的最佳重建方法和結構元形狀，并以武漢市的QuickBird影像為基礎數據進行了分析和驗證。

2 形態學剖面線

2.1 形態學方法

數學形態學是一門建立在嚴格數學理論基礎上的科學，它是一種應用于圖像處理和模式識別領域的新方法［17］。形態學的基本運算包括膨脹、腐蝕，以及由此引申開來的開運算、閉運算。二維灰度形態學變換方法如下：

假設f（x，y）是這個二維序列的多值信號，選擇的結構元素b（x′，y′）也是二維序列元素，那么它的定義域為Db＝｛（x1，y1），（x2，y2），…，（xm，yn）｝，其中m和n是整數。則f（x，y）關于g（x′，y′）的膨脹和腐蝕可以定義為：

基于式（1）和式（2），形態學開運算（○）和閉運算（·）可以定義為：

進而得到形態開－閉（OC）和閉－開（CO）運算：

2.2 形態學剖面線構建

形態學剖面線的分類精度主要是由結構元的形狀和形態學方法決定的。形態學剖面線構建的基礎是灰度級影像，在灰度級影像當中，形態學剖面線主要是基于開運算和閉運算重建。在多尺度影像處理的眾多方法中，開運算和閉運算重建被證明是比較好的形態學方法，能夠保留影像中地物形狀，并且不會出現間斷點［18－19］，而簡單的形態學閉運算和開運算會不加選擇地把尺寸小于結構元的地物去除［20］。

2.2.1 結構元和形態學方法的選擇

結構元形狀的選擇直接決定了形態學剖面線的分類精度［21－22］。通過對前人研究經驗的總結，結構元形狀的選擇要與灰度圖像DN值的變化特征相似，只有這樣才能最大程度地提高濾波效果，才能比較準確地提取出不同尺寸下的地物特征，構造出比較精確的形態學剖面線。本文選取了Square、Octagon、Disk、Diamond 4種比較有代表性的結構元形狀進行分析和探討，比較不同的結構元形狀構造出的形態學剖面線在影像分類精度方面的差別，試圖確定最佳的結構元形狀。

形態學方法主要有2種：開運算和閉運算。這2種運算方法單獨使用，在精度上會存在一定的局限性。本文在這2種方法的基礎上進行組合，延伸出另外2種運算方法：先開運算后閉運算、先閉運算后開運算。后文將對這4種方法構造的形態學剖面線的精度進行比較分析，試圖確定構建形態學剖面線的最佳方法。

2.2.2 形態學剖面線構建方法

形態學剖面線的優勢在于對原影像通過不斷增大結構元半徑進行不同尺度的信息過濾，獲取不同尺度的地物特征，最后對不同尺度的地物特征進行空間疊加，獲取更加接近實際的地物信息。本文選取了植被覆蓋指數（Normailzed Difference Vegtation Index，NDVI）和第一主成分進行形態學變換，在減少數據量的同時，更加突出了植被和非植被地物在形態學剖面線中的差異。如圖1所示，在對結構元的半徑進行1～5變換的基礎上，把經過某一種重建方法得到的NDVI和PC1疊加到未經形態學變換的PC1上，從而構建具有11維數據的形態學剖面線。而不同形狀的結構元和形態學方法對于地物特征的提取又有不同的特點，所以在構建形態學剖面線時通常需要確定一種比較合理的結構元形狀和對應的形態學方法。

圖1 形態學剖面線影像結構示意圖

總而言之，在構建形態學剖面時既要考慮結構元的形狀，又要考慮影像重建的形態學方法。具體技術流程圖如圖2所示。

圖2 形態學剖面線遙感影像構建流程圖

3 實驗數據和預處理

3.1 實驗數據

本次實驗所使用的數據是武漢市QuickBird影像。共選取了兩個實驗區，實驗區1所在的區域位于武漢大學珞珈山和武漢大學化學與分子科學學院之間（214像元×124像元），如圖3（a）所示。實驗區1主要的土地覆蓋類型有：裸土、草地、房屋（教學樓為主）、水泥地（道路為主）、林地（灌木、喬木）。研究區2所在的區域位于武漢市洪山公園東南部，秀玉紅茶坊、博客食府地段（286像元×312像元），如圖3（b）所示。實驗區2的主要土地覆蓋類型有：草地、林地（灌木、喬木）、房屋（教學樓為主）、水泥地（道路為主）、裸土。

3.2 數據預處理

3.2.1 PC1、NDVI提取及形態學重建

由于原影像的數據量太大，而且波段之間的信息冗余量大，導致形態學運算效率較低，所以本文使用正向主成分分析法，運用協方差矩陣提取原影像的第一主成分（PC1），它的原影像信息保有量為99%。而為了能夠進一步區分不同地物的特征，本文又進一步計算了原影像的NDVI。在提取出了第一主成分和NDVI之后，本文分別采用開運算、閉運算、先開運算后閉運算、先閉運算后開運算4種形態學方法對遙感影像進行重建。

3.2.2 形態學剖面線遙感影像分類

支持向量機是建立在統計學習理論的VC維理論和結構風險最小原理基礎之上的，根據特定訓練樣本的學習精度和無錯誤地識別任意樣本的能力之間尋找最佳的結合點的方法。它能夠將N維空間中的數據點通過尋找分類最佳平面，將數據點進行分類，在多維數據的分類中具有較大的優勢。本文所構建的形態學剖面線屬于多維數據的范疇，選擇支持向量機分類器進行形態學剖面線的地物分類具有較好的效果。具體的參數設置為：核心函數類型為Polynomial，核心多項式的等級為2，分類概率閾值為0.01，分級處理等級為0，補償參數為100。分類結果如圖4～圖6所示。

圖3 實驗區和感興趣區

圖4 實驗區1形態學剖面線分類結果

圖5 實驗區2形態學剖面線分類結果

圖6 實驗區QuickBird影像分類結果

4 結果與分析

4.1 形態學方法及其精度分析

形態學重建方法主要有開運算重建、閉運算重建、先閉運算后開運算重建和先開運算后閉運算重建4種。一個實驗區的結果具有一定的偶然性，本文選取了兩個實驗區進行比較研究，選取總體精度和Kappa系數這兩個指標對4種方法構建的形態學剖面線的分類精度進行評價，結果如表1、表2所示。

表1和表2為通過混淆矩陣計算出來的不同方法和結構元構建的形態學剖面線的分類精度結果。從表1和表2可以看出，4種方法獲得的形態學剖面線分類的總體精度較高，除了開運算有一個結果的精度低于0.81外，其他3種方法得到的結果精度均在0.81以上，有個別精度甚至高于0.92。并且對應的Kappa系數值也較高，均在0.74以上，個別值在0.9以上。實驗區1QuickBird影像直接分類的總體精度和Kappa系數分別為0.799、0.729，實驗區2分別為0.83、0.75。閉運算重建和開運算重建方法在精度方面跟直接分類方法比較接近，有時甚至略低于直接分類的精度，而先閉運算后開運算重建和先開運算后閉運算重建這兩種方法在精度方面比閉運算和開運算，以及直接分類方法有很大的優勢。如表1所示，除八邊形結構元外，在結構元形狀相同的情況下，先閉運算后開運算和先開運算后閉運算兩種形態學重建方法得到的剖面線總體精度和Kappa系數要明顯高于其他兩種方法，說明這兩種方法能夠更加準確地提取地物的幾何特征。

將圖4和圖6進行對比，在實驗區1中，形態學4種重建方法獲得的形態學剖面線能夠比較完整地提取出地物特征，而且提取出的地物邊界比較清晰，相鄰地物之間錯分漏分比較少，地物基本呈塊狀分布。而非形態學方法得到的分類結果中（圖6（a）），地物的邊界較模糊，鄰近地物之間錯分漏分比較多，部分地物呈片狀分布，如實驗區1中的林地主要是呈片狀分布。相比較實驗區1，在實驗區2中如圖5和圖6所示，4種形態學重建方法也能夠比較準確地提取出地物特征，但是在有破碎林地覆蓋的道路提取中，4種方法得到的結果均不是很理想，如何去除周圍地物的影響需要進一步進行探討。非形態學方法得到的分類結果總體精度低于形態學方法得到的結果，并且在地物幾何特征的提取中明顯弱于形態學方法，地物之間的邊界比較模糊，地物分布比較破碎。在4種形態學方法的比較中，同樣也是先開運算后閉運算和先閉運算后開運算這兩種形態學方法優于其他兩種方法。

表1 實驗區1中不同形態學剖面線的分類精度結果

表2 實驗區2中不同形態學剖面線分類精度結果

4.2 結構元形狀與精度分析

本文在構建形態學剖面線時選取了4種結構元：菱形結構元、圓盤形結構元、八邊形結構元、方形結構元。同樣也是結合兩個實驗區，對不同結構元構建的形態學剖面線分類精度進行比較分析，選取的評價指標為總體精度和Kappa系數。

如表1和表2所示，在形態學重建方法一致的情況下，用4種結構元構建的形態學剖面線的總體精度和對應的Kappa系數值均較高。在實驗區1和實驗區2中，總體精度大部分都在0.82以上，有部分高值甚至達到0.92以上。對應的Kappa系數值也都保持在0.75以上，最高的也達到0.9。當形態學方法為閉運算重建時，結構元形狀為八邊形和菱形的形態學剖面線具有較高的分類精度，而當形態學方法為開運算重建時，結構元形狀為八邊形和圓盤形的形態學剖面線分類精度更高一些。而當形態學方法為先開運算后閉運算和先閉運算后開運算這兩種時，除了方形結構元外，其他3種結構元構建的形態學剖面線均有較高的分類精度，在這3種結構元中菱形結構元的精度又高于其他兩種方法，對應的Kappa系數也存在同樣的規律。

如圖4～圖6所示，在實驗區1和實驗區2中，4種結構元構造的形態學剖面線能夠比較完整地提取出地物特征，并且提取出的地物輪廓比較清晰，相鄰地物之間較少出現錯分漏分的現象。而非形態學方法得到的分類結果，部分地物的輪廓不完整，錯分漏分現象相比形態學方法得到的結果要多，鄰近地物之間的區分不明顯。當形態學重建方法相同時，八邊形結構元（octagon）構造的形態學剖面線提取出的地物輪廓邊界更加清晰，但是在小斑塊地物的提取中精度不高，易出現漏分錯分現象。而其他結構元形狀構造的形態學剖面線的精度均高于非形態學分類結果。

5 結束語

本文通過多種形態學方法和結構元形狀構建了不同形態學剖面線，并結合支持向量機分類器對其進行分類，運用混淆矩陣的方法對不同形態學剖面線分類結果進行定量分析，并結合分類結果圖進行定性分析，得出以下結論：

（1）不同形態學方法和結構元形狀構建的形態學剖面線分類精度較高?？傮w精度大都在0.8以上，有部分精度甚至達到0.91以上。

（2）先開運算后閉運算和先閉運算后開運算兩種形態學方法分類結果精度較高。先開運算后閉運算和先閉運算后開運算兩種形態學方法得到的分類結果總體精度要明顯高于普通方法和其他兩種形態學方法，并且適用于小斑塊地物特征的提取，提取出的地物輪廓比較清晰，相鄰地物之間較少出現錯分漏分的現象。

（3）當形態學方法相同的情況下，八邊形結構元（octagon）構造的形態學剖面線提取出的地物輪廓邊界更加清晰，但是在小斑塊地物的提取中精度不高，易出現漏分錯分現象。而其他結構元形狀構造的形態學剖面線的精度均高于非形態學分類結果。

（4）菱形結構元構建剖面線得到的分類結果較好。當形態學方法為閉運算重建時，結構元形狀為八邊形和菱形的形態學剖面線具有較高的分類精度，而當形態學方法為開運算重建時，結構元形狀為八邊形和圓盤形的形態學剖面線分類精度更高一些。當形態學方法為先開運算后閉運算和先閉運算后開運算這兩種時，除了方形結構元外，其他3種結構元構建的形態學剖面線均有較高的分類精度，在這3種結構元中菱形的精度又高于其他兩種方法。

參考文獻：

［1］ BENEDIKTSSON J A，ARNASONT K，PESARESI M.The use of morphological profiles in classification of data from urban areas［J］.IEEE Press，2001，17（11）：30－34.

［2］ TUIA D，PACIFICI F，KANEVSKI M，et al.Classification of very high spatial resolution imagery using mathematical morphology and support vector machines［J］.IEEE Trans.Geosci.Remote Sens，2009，47（11）：3866－3879.

［3］ TAN K，DU P J.Hyperspectral remote sensing image classification based on radial basis function neural network［J］.Spectroscopy and Spectral Analysis，2008（28）：2009－2013.

［4］ BENEDIKTSSON J A，PESARESI M，ARNASON M.Classification and feature extraction for remote sensing images from urban areas based on morphological transformations［J］.IEEE Geoscience and Remoting Sensing Letters，2003，41（9）：1940－1949.

［5］ BENEDIKTSSON J A，PALMASON J A，JOHANNES R，et al.Classification of hyperspectral data from urban areas based on extended morphological profiles［J］.IEEE Geosci.Remoting Sensing Letters，2005，43（3）：480－490.

［6］ MURA M D，BENEDIKTSSON J A，WASKE B，et al.Morphological attribute filters for the analysis of very high resolution images［J］.IEEE IGARSS，Cape Town，South Africa，2009（3）：97－100.

［7］ PLAZA A，MARTíNEZ P，PéREZ R，PLAZA J.A new method for target detection in hyperspectral imagery based on extended morphological profiles［J］.IEEE Press，2003.

［8］ CONGALTON R G，GREEN K.Assessing the accuracy of remotely sensed data：Principles and practices［M］.Boca Raton，FL：CRCPress，2008.

［9］ BELLENS R，FONTE L M，GAUTAMA S，et al.Potential problems with using reconstruction in morphological profiles for classification of remote sensing images from urban areas［J］.IEEE Press，2007，2698－2701.

［10］ PLAZA J，BARRA C.Multi－channel morphological profiles for classification of hyperspectral images using support vector machines［J］.Sensors（Basel），2009，9（1）：196－218.

［11］ PALMASON J A，BENEDIKTSSON J A，SVEINSSON J R，et al.Fusion of morphological and spectral information for classification of hyperspectral urban remote sensing data，”in Proc［J］.IGARSS，2006：2506－2509.

［12］ MURA M D，BENEDIKTSSON J A，WASKE B，et al.Morphological attribute profiles for the analysis of very high resolution images［J］.IEEE Geoscience and Remote Sensing Letters，2010，48（10）：3747－3761.

［13］ MURA M D，VILLA A，BENEDIKTSSON J A，et al.Classification of hyperspectral images by using extended morphological attribute profiles and independent component analysis［J］.IEEE Geoscience and Remote Sensing Letters，2011，8（3）：542－546.

［14］ PALMASON J A，SVEINSSON J R，CHANUSSOT J.Fusion of morphological and spectral information for classification of hyperspectral urban remote sensing data［J］.IGARSS，2007：2507－2510.

［15］ LICCIARDI G，MARPU P R，CHANUSSOT J，et al.Linear versus nonlinear PCA for the classification of hyperspectral data based on the extended morphological profiles［J］.IEEE Geosci.Remote Sensing Letters，2012：447－451.

［16］ VINCENT L.Morphological grayscale reconstruction in image analysis：Applications and efficient algorithms［J］.IEEE Trans.Image Process.1993：176－201.

［17］ 謝軍，王典軍.小波變換在遙測數據處理中的應用［J］.飛行器測控學報，2007，26（3）：68－72.

［18］ URBACH E R，WILKINSON M H F.Shape－only granulometries and grey－scale shape filters［J］.ISMM，2002：305－314.

［19］ KUO B C，LANDGREBE D A.Improved statistics estimation and feature extraction for hyperspectral data classification［R］.Technical Report，TR－ECE 01－6，School of Electrical and Computer Engineering，Purdue University，2001.

［20］ 翟輝琴.基于數學形態學的遙感影像水域提取方法［J］.測繪科學，2006，31（1）：22－24.

［21］ 陶超，譚毅華，蔡華杰，等.面向對象的高分辨率遙感影像城區建筑物分級提取方法［J］.測繪學報，2010，39（1）：39－45.

［22］ 余鵬，張震龍，侯至群.基于高斯馬爾可夫隨機場混合模型的紋理圖像分割［J］.測繪學報，2006，35（3）：224－228.

Comparison of Classification Accuracy of Remote Sensing Imagery Base on Different Morphological Profiles

SU Zhi－hu1，LIANG Qin－ou1，ZHU Liu－jun2

（1.Zhejiang Normal University，Jinhua321004；2.Nanjing University，Nanjing210000）

Different morphological methods and structuring elements have great influence on classification accuracy of remote sensing images.There is no further research about this in domestic and abroad.Here we choose two research areas from Wuhan，using four kinds of morphological methods which are opening operator，closing operator，opening－closing operator and closing－opening operator and four structuring elements which are diamond，disk，octagon，and square to construct 32 morphological profiles.The QuickBird image classification experiment was carried out in two study areas.The effect of different morphological profiles on classification results based on overall accuracy and Kappa coefficient was compared.The results show that，the opening－closing operator and closing－opening operator have great advantages over ordinary method and other two morphological methods on classification accuracy and they can clearly extract small plaque features；when the structuring element is octagon，the features of small patches are easily to be left out and the original points will be easily replaced by others；when the morphological methods are closing operator and opening operator，the classification accuracy of octagon is the highest；when the morphological methods are closing－opening operator and opening－closing operator，the classification accuracy of all the structuring elements is good except for square element，and the accuracy of diamond element is the highest among these four elements.

morphological method；structuring element；morphological profile；remote sensing image；classification accuracy

10.3969／j.issn.1000－3177.2015.02.006

TP75

A

1000－3177（2015）138－0036－07

2014－03－06

2014－04－09

國家自然科學基金項目（70773089）。

蘇志鵠（1990～），男，碩士研究生，研究方向為遙感應用。

E－mail：suzhihu001＠163.com

梁勤歐（1968～），男，教授，研究方向為地理信息系統與遙感應用。

E－mail：qoliang＠sina.com