第 7 期黄冬梅等 : 利用空间抽样理论的遥感影像分类结果精度评价方法 191 考虑空间数据之间的空间相关性, 采用 Moran 指数对传统抽样理论中样本量的确定方法进行优化最后, 对传统抽样理论和空间抽样理论获取的遥感影像分类结果的精度评价结果进行对比和分析 1 研究方法传统抽样的遥感影像分

Size: px

Start display at page:

Download "第 7 期黄冬梅等 : 利用空间抽样理论的遥感影像分类结果精度评价方法 191 考虑空间数据之间的空间相关性, 采用 Moran 指数对传统抽样理论中样本量的确定方法进行优化最后, 对传统抽样理论和空间抽样理论获取的遥感影像分类结果的精度评价结果进行对比和分析 1 研究方法传统抽样的遥感影像分"

人乳周
5 years ago
Views:

1 第 33 卷第 7 期计算机应用与软件 Vol 33 No 年 7 月 ComputerApplicationsandSoftware Jul.2016 利用空间抽样理论的遥感影像分类结果精度评价方法黄冬梅陈珂王振华刘爽 ( 上海海洋大学信息学院上海 ) 摘要遥感影像分类结果的准确性对于遥感信息的应用分析有着重要的影响传统抽样方式下的遥感影像分类结果精度评价方法受样本量及空间布局的影响, 存在效率低和信息冗余等问题利用空间数据的相关性, 将空间抽样理论应用于遥感影像分类结果的精度评价, 通过与传统抽样方法比较, 发现空间抽样方法应用于遥感影像分类结果的精度评价不仅降低了数据冗余, 同时提高了精度评价的检验效率和准确性关键词遥感分类精度评价抽样理论误差矩阵中图分类号 TP751.1 文献标识码 A DOI: /j.isn x ACCURACYASSESSMENTMETHODFORREMOTESENSING IMAGECLASSIFICATION RESULTSBASEDONSPATIALSAMPLING THEORY HuangDongmei ChenKe WangZhenhua LiuShuang (SchoolofInformation,ShanghaiOceanUniversity,Shanghai201306,China) Abstract Theaccuracyofclasificationresultsofremotesensingimageshasanimportantefectontheapplicationandanalysisofremote sensinginformation.theaccuracyasesmentmethodofclasificationresultsofremotesensingimagebasedontraditionalsamplingmodeis afectedbythesamplesizeandspatiallayout,andhastheproblemsofloweficiencyandinformationredundancy,etc.inthispaper,by usingthecorelationofspatialdata,weappliedthespatialsamplingtheorytoaccuracyasesmentoftheclasificationresultsofremote sensingimage,throughcomparisonitwithtraditionalsamplingmethod,wefoundthattheapplicationofspatialsamplingmethodsinaccuracy asesmentoftheresultsnotonlyreducesthedataredundancy,italsoimprovestheeficiencyandaccuracyofthetestaswel. Keywords Remotesensingclasification Accuracyasesment Samplingtheory Erormatrix 0 引言随着遥感技术的发展, 遥感影像分类作为遥感影像处理及信息处理的重要组成部分在土地利用制图变化监测及专题制 [1] 图等领域有着广泛的应用, 其结果的准确性和可靠性对信息的处理和分析有着重要的影响, 因此, 遥感影像分类结果的精度评价和分析是进行科学决策的前提和重要保障抽样理论作为遥感影像分类结果精度评价过程中的重要环节之一, 已经被国内外学者广泛应用在土地资源监测 [2] 种植面积估算自然灾 [3] 害预测等精度评价的多个领域传统抽样的遥感影像分类结果精度评价方法, 一般采用基于概率理论的抽样方法选取样本, 通过对样本区域进行实地调查和取样, 从而对遥感影像的分类结果进行精度评估和分析 [4], 典型的方法主要有 : 简单随机抽样分层随机抽样系统抽样和整群抽样等传统抽样的遥感影像分类结果精度评价方法受样本量的大小样本点的空间分布的影响, 同时, 空间对象具有空间相关性, 而基于概率论的传统抽样方法在样本的确定及空间布样方面具有随机性, 因此, 传统抽样的精度评价方法不适用遥感数据的精度评价和分析此外, 传统抽样方式下的遥感影像分类结果精度评价方法依靠观察者的主观感觉 [5,6], 精度评价结果缺乏客观性随着遥感技术的发展, 数据的获取快速增长, 基于传统抽样理论的遥感影像分类精度评价方法不适应海量遥感数据处理与应用的需要, 因此需要研究新的遥感影像分类精度评价方法空间抽样理论顾及空间对象之间的相关性和变异性, 因此在地学研究中得到了迅速发展, 已经广泛应用于地理研究资源 [7,8] 评估和农作物监测等各个领域 Matheron [9] 最早提出了 [10] Kriging 方法, 将其应用与地质矿产的研究中 ; 李连发等人考虑了空间数据的相关性, 并利用量化相关性的方法, 提出了空间 [11] 抽样框架, 提高了抽样的效率 ; 王劲峰等人以分层抽样为基础, 并且考虑了空间关联性, 提出三明治空间抽样模型 ; 王振 [12] 华等人将模糊集理论与抽样检验理论相结合, 提出了基于空间数据质量检验的二级抽样模型为了分析传统抽样的遥感影像分类结果精度评价方法的局限性, 本文首先针对遥感影像分类结果的特点, 采用传统抽样的遥感影像精度评价方法对遥感影像的分类结果进行评价然后收稿日期 : 国家自然科学基金项目 ( ); 国家重点基础研究发展计划项目 (2012CB316200); 上海市自然科学基金项目 (13ZR ); 上海高校优秀青年培养项目 (B ); 海洋赤潮灾害立体监测技术与应用国家海洋局重点实验室开放研究基金课题 (MATHAB201307) 黄冬梅, 教授, 主研领域 :WebGIS, 智能信息处理, 辅助决策系统陈珂, 硕士生王振华, 博士刘爽, 博士

2 第 7 期黄冬梅等 : 利用空间抽样理论的遥感影像分类结果精度评价方法 191 考虑空间数据之间的空间相关性, 采用 Moran 指数对传统抽样理论中样本量的确定方法进行优化最后, 对传统抽样理论和空间抽样理论获取的遥感影像分类结果的精度评价结果进行对比和分析 1 研究方法传统抽样的遥感影像分类结果的精度评价方法 [13], 一般是基于概率论选取样本, 通过对样本区域进行实地的调查和取样, 从而对遥感影像的分类结果进行精度评估和分析但是, 传统抽样理论是基于抽样随机性的统计推断, 忽略了空间对象之间的空间相关性, 因此在样本量的确定方面具有很大的局限性 Moran 指数是一种度量空间对象之间相关程度的重要参数, 在空间自相关分析中得到了广泛的应用因此, 本文首先采用简单随机抽样方法系统抽样方法传统分层抽样方法进行样本量的确定与空间布样, 随后采用 Moran 指数对传统的样本量确定方法进行优化, 并结合高分辨率的遥感影像对遥感分类结果进行精度评价, 最后, 对传统抽样方法精度评价与空间抽样方法精度评价结果进行对比分析, 以期得到更合适的遥感影像分类结果的精度评价方法本文的数据处理基本流程如图 1 所示图 1 遥感影像分类结果评定流程图 1.1 传统抽样方法样本量的确定和样本的空间布样对遥感影像分类精度评价结果具有重要的影响, 传统抽样理论主要基于概率论的方法确定样本量, 当样本总体较大时, 可以通过控制不合格品率样本估值与真值之间的最大相对误差方法确定抽样所需的样本量 [12] : μ 2 1- α(1-p 0) 2 r 2 p 0 n= 1+ 1 μ 2 1- α(1-p 0) 2 N( -1 r 2 p 0 ) (1) 其中,n 为抽样样本量,α 为置信水平,μ 1- α 为标准正态分布在 2 置信水平 1- α 2 的临界值,p 0 为接收质量限的质量水平,r 为不合格品率样本估值和真值之间可允许的最大相对误差传统抽样方法主要有简单随机抽样方法系统抽样方法分层抽样方法简单随机抽样方法是指从一个单元总数为 N 中逐个抽取单元并且无放回, 每次都在所有尚未进入样本的单元中等概率地随机抽取, 直到 n 个单元被抽中系统抽样方法是指对研究总体按一定的顺序排列, 每隔一定的间隔抽取一个单元的抽样方法分层抽样方法是按照等比分层抽样在各层中随机抽取样本的抽样方法由于空间对象之间存在空间相关性, 因此空间事物在分布上呈现空间结构性但传统抽样方法基于概率理论, 在对空间对象进行调查时, 忽略了样本的空间分布, 从而导致样本的冗余和不足空间抽样方法考虑了调查对象的空间结构性, 因此可以合理地选取具有代表性的样本, 减少样本冗余, 降低检验成本 1.2 空间抽样方法空间自相关是空间地理数据的重要性质, 空间中邻近的地理数据信息通常比相离较远的地理数据信息具有较高的相似性空间自相关性分析是空间抽样的前提,Moran si 是一种通用的空间自相关测量方法, 在各个领域的空间自相关分析中广 [14] 泛使用 Moran si 的公式为 : i=1 n n I= σ 2 n W ij (x i -x - )(y ij -y - ) i=1 n W ij i=1 n n W ij S ij = (2) σ 2 n W ij i=1 n 其中,x i 为单元 i 的属性值,n 为单元的总数,W ij 为 i 和 j 之间位置的接近性,S ij 为单元 i 和 j 之间属性的相似性, 它是根据各点的属性值和所研究的单元的所有属性值均值之间的差异来定义,σ 2 为总体的方差抽样方法选择的样本只有在空间自相关显著的前提下, 才有空间自相关性在计算出空间自相关的量化指标 Moran si 后, 需要检验空间自相关显著性, 检验步骤为 : 1) 在随机假设条件下, 计算 Moran si 的期望值和方差 ; 2) 计算出标准化 Z 值 ; Z = 1-E(I) (3) 槡 V(I ) 其中,E(I) 表示 Moran si 的期望,V(I) 表示 Moran si 的方差 3) 比较 Z 值显著性水平的临界值, 若 Z 值大于显著性水平的临界值时, 样本单元的空间自相关性显著, 反之, 不显著 4) 在样本单元的空间自相关性显著的前提下, 计算空间抽样方法的样本量在传统抽样中, 样本量通常由总体方差均值方差期望等数据计算而得, 其中由总体方差 σ 2 与均值方差 v 之比确定样本量的方法比较常见, 即 : n clasic = σ2 v (4) 在空间抽样理论中, 均值估计方法需要根据空间抽样对象的相关程度而调整因此, 均值方差为 : v= 1 n [σ2 -C(X,Y)]= 1 n (σ2 -R) (5) 其中,n 为空间抽样的样本量,X Y 为研究区域中的随机变量, C(X,Y) 为变量 X Y 的协方差, 总体相关系数 r = R σ 2, 令 R = C(X,Y), 在本文传统抽样方法中, 由于充分考虑样本的置信水平 α 质量水平 p 0 可允许的最大相对误差 r 等影响样本量的相关因素, 使样本量 n 具有较高的实用性与可靠性, 因此, 在空间

Kappa 系数是在综合了用户精度和总体精度两个参数上提出的一个最终指标,Kappa 系数越高说明分类结果精度越高 n r x i - r (x i+ x +i ) i=1 i=1 K = n 2 - r (x i+ x +i ) i=1 (7) 式中 K 是 Kappa 系数,r 是误差矩阵的行数,x i 是行列 ( 主对角线 ) 上的像元的数量,x i+ 和 x +i 分别是第 i

3 192 计算机应用与软件 2016 年抽样方法中, 令 n = n clasic, 由式 (4) 式 (5) 可知, 样本量 n 为 [15] : n = σ2 -R =n(1-r ) (6) v 1.3 遥感影像分类结果精度评价模型 (1) 基于误差矩阵的遥感影像分类结果精度评价模型误差矩阵用于遥感影像分类结果和真实土地类型信息的比较, 参考指标有用户精度总体精度 Kappa 系数等用户精度为每类像元被正确分类的精度, 由该类土地类型中正确分类的像元数与该类土地类型总像元数之比获得 ; 总体精度为总体像元被正确分类的精度, 由各类土地类型中被正确分类的像元总和与总像元数之比获得 Kappa 系数是在综合了用户精度和总体精度两个参数上提出的一个最终指标,Kappa 系数越高说明分类结果精度越高 n r x i - r (x i+ x +i ) i=1 i=1 K = n 2 - r (x i+ x +i ) i=1 (7) 式中 K 是 Kappa 系数,r 是误差矩阵的行数,x i 是行列 ( 主对角线 ) 上的像元的数量,x i+ 和 x +i 分别是第 i 行的和与第 i 列的和, n 是样本点总数 (2) 基于误差矩阵的精度评价算法基于误差矩阵的精度评价算法如下 : INPUT: 样本点总数 n, 误差矩阵的行数 r; OUTPUT: 误差矩阵的 Kappa 系数 K 1 初始化 : 令误差矩阵的行数 i=1, 对应 x 1+ 和 x +1 分别是第 1 行的和与第 1 列的和 2 for(i=1;i<=r;i++){ 利用式 (7) 计算出主对角线上值的和 } 3 for(i=1;i<=r;i++){ 利用式 (7) 计算出 x i+ x +i 的和 } 4 输出误差矩阵的 Kappa 系数 K 算法分析 : 在该算法中,1 在样本点为 n, 误差矩阵行数为 r 情况下, 求遥感影像分类结果的 Kappa 系数的时间复杂度为 O(r);2 由分析可知, 基于误差矩阵的精度评价算法的时间复杂度与误差矩阵的行列数有关, 与样本点的总数无关, 当样本量 n 足够大时, 基于误差矩阵的遥感影像分类结果精度评价方法具有较明显优势 2 结果分析与讨论 2.1 实验区域与数据为了研究传统抽样理论与空间抽样理论对遥感影像分类结果精度评价的效果, 本研究将 Landsat 8 中截取的上海某地区像元的 30m 分辨率遥感数据用于遥感影像的分类, 投影类型为 TransverseMercator, 坐标系统为 WGS 84, 如图 2(a); 同时, 采用同一地区分辨率为 3m 的高分辨率遥感数据用于分类结果的精度评价, 如图 2(b) 选取该区域主要有两个原因: 第一, 该区域土地利用类型丰富, 研究结果有较好的代表性 ; 第二, 区域位置方便实地考察, 便于求得较为准确的土地信息图 2 Landsat 8 低分辨率遥感影像及高分辨率遥感影像在获取遥感影像的过程中, 由于受遥感平台位置运动状态地形起伏地球表面曲率以及大气折射等因素的影响, 产生影像行列不均匀像元大小与地面大小对应不准确地物形状不规则变化等畸变因此, 本研究在 ENVI4.7 软件的支持下, 对 30m 分辨率与 3m 分辨率的遥感影像进行几何纠正和配准等影像处理, 采用极大似然遥感影像分类算法, 对 30m 分辨率的 Landsat 8 遥感影像进行遥感影像分类处理, 将研究区域的土地利用类型分为土地建筑水域和道路 4 种土地利用类型, 如图 3 所示图 3 Landsat 8 低分辨率遥感影像分类结果极大似然遥感影像分类算法是经常使用的分类方法之一, 它是通过求出每个像元对于各类别归属概率, 把该像元分到归属概率最大的类别中去的方法极大似然遥感影像分类算法在多类别分类时, 常采用统计学方法建立起一个判别函数集, 然后根据这个判别函数集计算各待分像元的归属概率这里, 归属概率是指 : 对于待分像元 x, 它从属于分类类别 k 的概率设从类别 k 中观测到 x 的条件概率为 P(x k), 则归属概率 L k 可表示为如下形式的判别函数 : L k =P(k x)=p(k) P(x k)/ P(i) P(x i)(8) 式中,x 为待分像元,P(k) 为类别 k 的先验概率 2.2 结果分析与讨论为了对遥感影像的分类结果进行精度评价, 本文首先根据传统样本量的确定方法获得实验所需的样本总数, 然后分别采用简单随机抽样系统抽样及传统分层抽样方法对样本点进行空间布样, 最后以 3m 高分辨率遥感影像作为参考影像, 采用基于误差矩阵的遥感影像精度评价方法对遥感影像的分类结果进行精度评价与分析讨论 (1) 样本量的确定与空间布样本文对遥感影像分类结果进行精度评价的过程中, 首先根据影像的像元总数, 确定精度评估所需的样本量, 其中样本总量

第 7 期黄冬梅等 : 利用空间抽样理论的遥感影像分类结果精度评价方法 193 为 40000 像元, 在置信水平为 90%, 质量水平为 0.02, 最大允许相对误差为 0.

道路层的样本量分别为 1313 465 315 557, 样本点采用等比分层抽样方法在各层中随机抽取, 如图 6 所示利用类型对遥感影像的分类结果进行精度评价和分析, 结果如表 1- 表 3 所示表 1 简单随机抽样方法的遥感影像分类结果精度评价土地 1081 73 13 97 1264 建筑 49 537 31 11 628 水域 5 4 282 12 303 道路 65 21 11

4 第 7 期黄冬梅等 : 利用空间抽样理论的遥感影像分类结果精度评价方法 193 为像元, 在置信水平为 90%, 质量水平为 0.02, 最大允许相对误差为 0.1 时, 可以获取样本量为 2650 像元, 分别采用简单随机抽样, 系统抽样及分层抽样对样本点进行空间布样在简单随机抽样中样本点按照简单随机抽样模型, 随机分布在分类图上, 如图 4 所示 ; 在系统抽样中, 采用等间隔的系统抽样方法获取样本, 如图 5 所示 ; 在分层抽样中, 各层样本量的采用比例分配, 每层的样本量与层的大小成比例, 由此, 获取的土地层建筑层水域层道路层的样本量分别为 , 样本点采用等比分层抽样方法在各层中随机抽取, 如图 6 所示利用类型对遥感影像的分类结果进行精度评价和分析, 结果如表 1- 表 3 所示表 1 简单随机抽样方法的遥感影像分类结果精度评价土地建筑水域道路总和用户精度 86% 85.51% 93.07% 79.68% 总体精度 85.21% Kappa 系数 78.14% 由表 1 看出, 简单随机抽样获取的遥感影像的分类结果的分类总体精度为 85.21%,Kappa 系数为 78.14%, 其中在土地建筑水域道路四种土地类型的精度评价中, 水域的分类精度较高, 道路的分类精度较低, 在道路的误分中, 划分为土地的居多, 占误分总量的 67.01% 图 4 随机抽样样本点的空间分布图 5 系统抽样样本点的空间分布表 2 系统抽样方法的遥感影像分类结果精度评价土地建筑水域道路总和用户精度 84.4% 82.5% 91.1% 86.3% 总体精度 85.09% Kappa 系数 76.95% 由表 2 看出, 系统抽样方法获取的遥感影像的分类结果的总体精度为 85.09%,Kappa 系数为 76.95%, 在各类的分类精度评价中, 水域的分类精度相对较高, 而建筑的分类精度较低, 其中, 划分为土地的居多, 占误分总量的 75.28% 表 3 传统分层抽样方法的遥感影像分类结果精度评价土地建筑水域道路总和用户精度 89% 85.38% 94.29% 76.66% 总体精度 86.26% Kappa 系数 79.25% 图 6 传统分层抽样中各层样本点的空间分布 (2) 分类结果精度评价与分析基于误差矩阵对抽样结果进行精度评价的方法是目前比较常见的遥感影像分类结果精度评价方法实验将简单随机抽样系统抽样分层抽样三种传统的抽样方法分别与基于误差矩阵的精度评价方法相结合, 采用高分辨率遥感影像的真实土地由表 3 看出, 分层抽样方法对遥感影像分类结果的精度评价的总体精度为 86.26%,Kappa 系数为 79.25% 其中水域的分类精度较高, 道路的分类精度较低, 由于低分辨率的遥感影像的空间分辨率较低, 容易产生混合像元, 导致土地类型的边缘不清晰, 从而影响遥感影像的分类 ; 同时, 由于土地道路建筑的光谱特征相近, 低分辨率遥感影像所选择的波段不能很好地区别土地道路建筑三种土地类型, 造成混分误分现象, 从而导致在分类结果中, 道路误分为土地的居多, 占误分总量的

5 194 计算机应用与软件 2016 年 55.38% 由表 1- 表 3 看出, 三种传统抽样精度评价中, 系统抽样的总体精度与 Kappa 系数值相对略低, 而传统分层抽样方法得到的总体精度与 Kappa 系数值相对略高这是由于在系统抽样中, 样本点等间隔规律分布, 对于总体有周期性变化的样本点, 评价结果易产生偏差, 而土地类型的分布在空间上具有相关性, 采用系统抽样选择的样本点易产生周期性规律, 从而导致精度评价结果较低而在分层抽样中, 各层样本量的确定是按比例分配, 而简单随机抽样与系统抽样方法未考虑各层样本量情况, 样本点的分布有可能集中在某一层上, 从而导致总体精度略低 2.3 空间抽样方法精度评价空间自相关性是空间抽样研究的前提和基础, 对采用传统抽样方法获得的 2650 个样本单元进行空间自相关显著性分析由式 (4) 求得 Moran si 指数为 , 标准化 Z 值为 ,Z 值远大于显著水平 99% 时的临界值 2.58, 因此, 土地利用类型之间的自相关程度非常显著考虑空间要素之间的相关性, 采用空间自相关系数 0.21 作为空间抽样中确定其样本量的条件, 空间分层抽样的总样本量 n 为 : n =n(1-r ) =2103 (9) 在空间分层抽样中, 各层样本量的确定采用比例分配, 因此, 土地层建筑层水域层道路层的样本量分别为 , 样本点按照空间分层抽样模型, 等比随机分布在分类图上, 如图 7 所示由表 4 看出, 采用 Moran si 指数的空间抽样方法获取的遥感影像分类结果的总体精度为 86.25%,Kappa 系数为 79.51%, 与传统的分层抽样方法获取的结果基本一致但是由于空间抽样方法针对空间事物特有的空间结构, 通过空间相关性分析, 解决了样本量的冗余问题, 样本量比传统的方法减少了 20% 因此可以在保证精度的前提下, 提高精度评价的检验效率 3 结语本文针对遥感影像分类结果的特点, 采用 Moran 指数对传统抽样理论中样本量的确定方法进行优化, 并且利用空间抽样模型和传统抽样模型 ( 简单抽样系统抽样和分层抽样 ) 对遥感影像分类结果进行精度评价与对比分析, 研究结果表明 : (1) 与传统抽样的遥感影像分类结果的精度评价方法相比, 由于考虑了空间要素之间的相关性, 空间分层抽样方法的遥感分类结果精度评价方法不仅可以有效地降低样本量, 而且可以合理地选取样本点, 减少样本冗余, 因此, 可以应用于遥感影像分类结果的精度评价 (2) 由于低分辨率遥感影像的空间分辨率较低, 造成土地类型的边缘不清晰, 容易产生混合像元, 导致遥感影像的分类结果之间存在误差 ; 同时, 由于土地道路建筑的光谱特征相近, 低分辨率遥感影像所选择的波段不能很好地区别土地道路建筑三种土地类型, 从而导致了遥感影像分类结果的混分误分现象 (3) 不同的抽样方法对遥感影像分类结果的对比分析显示不同的抽样方法对遥感影像分类结果的精度评价具有不同的影响但是, 考虑到样本量及精度检验效率问题时, 空间分层抽样的精度评价方法优于传统的精度评价方法, 因此, 可以在遥感影像分类结果精度评价中广泛的应用参考文献图 7 空间分层抽样中各层样本点的空间分布采用 3m 高分辨率遥感影像对 30m 低分辨率遥感影像分类结果进行精度评价和分析, 结果如表 4 所示表 4 空间抽样方法的遥感影像分类结果精度评价土地建筑水域道路总和用户精度 86.08% 86.45% 86.40% 86.43% 总体精度 86.25% Kappa 系数 79.51% [1] 张霞, 庄智, 张旭凯, 等. 秦皇岛市海岸线遥感提取及变化监测 [J]. 遥感技术与应用,2014,29(4): [2] 朱榴骏, 肖鹏峰, 冯学智, 等. 基于直方变差图的土地覆盖数据集多尺度精度评价 [J]. 遥感学报,2013,17(6): [3] 杨永可, 肖鹏峰, 冯学智, 等. 大尺度土地覆盖数据集在中国及周边区域的精度评价 [J]. 遥感学报,2014,18(2): [4] DihkanM,GunerogluN.Remotesensingofteaplantationusingan SVMclasifierandpatern baseaccuracyasesment[j].international JournalofRemoteSensing,2013,34(23): [5] 杨彬, 李旭东, 晏磊, 等. 航空遥感图像拼接算法及其精度评价 [J]. 计算机工程,2014,40(3): [6] ChenLG,LiYK,YangXY,etal.Accuracyasesmentoflanduse/ coverclasificationfromdiferentseasonsbasedonremotesensingim agery:acasestudyoflianyungangcity,china[j].journalofchina UniversityofMiningandTechnology,2013,42(5): [7] 姜成晟, 王劲峰, 曹志冬. 地理空间抽样理论研究综述 [J]. 地理学报,2009,64(3): [8] 张焕雪, 李强子, 文宁, 等. 农作物种植面积遥感抽样调查的误差影响因素分析 [J]. 农业工程学报,2014,30(13): [9] MatheronG.TheTheoryofRegionalizedVariablesandItsApplications [D].Fontainbleau:EcoledeMines,1971. [10]LiLF,WangJF,LiuJY.Optimizationofdecision makingforspatial samplinginremotesensingsurveyofland[j].scienceinchina(se riesd),2004(10): ( 下转第 242 页 )

6 242 计算机应用与软件 2016 年为了保证 MQX 的高实时性, 避免这种情况的发生, 在申请内存块时, 在遍历空闲链表的循环中, 在每查找完一个空闲块之后就开中断查看是否有高优先级的任务需要切换使用内存池控制信息结构体中的成员变量 POOL_ALLOC_PTR 保存当前查找位置, 切换回来之后将 POOL_ALLOC_PTR 里面的值重新加载回去继续执行从高优先级任务切换回低优先级任务时恢复遍历位置时重新从空闲链表头开始在释放内存块时操作类似, 使用内存池控制信息结构体中的成员变量 POOL_FREE_PTR 来存储当前遍历位置, 通过上述方法保证了 MQX 的高实时性 3 测试结果与分析在嵌入式系统当中, 大部分内存申请都是小块内存的申请, 所以对于小块内存更具有实时性可靠性的要求大块内存的分配释放时间取决于空闲链表的长度, 相比于固定内存管理较长, 但是其内存利用率较高, 而且在嵌入式系统中大块内存的申请较少, 因此可以满足系统的需求实验针对小块内存的管理策略, 将改进的固定大小内存分管理算法与 MQX 原有固定大小内存管理算法进行比较, 应用于苏州大学飞思卡尔嵌入式中心设计的 SD FSL K60 C 评估板进行小块内存申请对比试验该评估板以飞思卡尔公司基于 ARM Cortex M4 内核的 32 位微控制器 K60 [11] 作为主控芯片, CPU 运行主频高达 100MHz, 拥有 512KB 的 Flash 和 128KB 的 RAM 根据改进前后内存管理算进行了 400 次测试, 每次测试分别进行完全相同的 N 次 (N <1000) 内存申请及对应释放操作操作顺序随机, 每次申请的内存块大小是 64B 128B 256B 512B 和 1KB 中随机一种图 5(a) 是改进后内存管理算法的时间消耗, 图 5(b) 是 MQX 原内存管理算法的时间消耗从图 5 可以看出改进后内存管理算法的内存块申请和释放所消耗时间保持平稳, 保持常数级变化, 相比于原有的内存管理算法并没有过多的增加图 5 算法改进前后申请和释放 N 次内存的时间消耗对比表 1 是测试过程中统计每种类型的内存块申请次数和失败次数, 得到各种类型的内存块申请命中率进行对比 MQX 原有内存管理算法改进后内存管理算法表 1 算法改进前后内存申请命中率对比内存申请命中率 64B 128B 256B 512B 1KB 99.6% 35.6% 33.3% 26.4% 29.1% 99.9% 70.4% 65.5% 52.6% 43.5% 内存申请的快速性与分配时间呈负相关, 可靠性与内存申请命中率是正相关的由表 1 中的数据可以看出, 在可用内存完全一致的情况下, 相比 MQX 原有的固定大小内存管理算法, 改进后的算法在内存块分配及释放的时间上与 MQX 原有内存管理算法并没有显著的增加在保证了内存申请和释放实时性的同时, 使得内存申请命中率得到了很大的提高, 提高了内存分配的可靠性 4 结语本文对 MQX 固定大小内存管理机制进行分析在其基础之上提出一种基于哈希索引表和最先匹配策略相结合的自适应内存管理算法, 并以 ARM Cortex M4 内核的 32 位微控制器 K60 为硬件平台, 对改进后的算法进行验证实验表明, 改进算法在保证原有内存分配算法的高效性的同时, 提高了内存块申请的命中率因此, 改进后的算法在小块内存申请较为频繁的嵌入式系统中可以得到更好的应用参考文献 [1] FreescaleMQXreal timeoperatingsystem user sguiderev.3[eb/ OL].htp://cache.freescale.com/files/32bit/doc/user_guide/MQX UG.pdf. [2] 石晶, 王宜怀, 苏勇, 等. 基于 ARM Cortex M4 的 MQX 中断机制分析与中断程序框架设计 [J]. 计算机科学,2013,40(6): [3]DominguezA,UdayakumaranSBarua.Heapdataalocationtoscratch padmemoryinembeddedsystems[j].journalofembeddedcompu ting,2005,1(4): [4]Risco Martin,JoseL,DavidAtienza,etal.Aparalelevolutionaryalgo rithmtooptimizedynamicmemorymanagersinembeddedsystems[j]. ParalelComputing,2010,36(10): [5] 王振江, 武成岗, 张兆庆. 提高堆数据局部性的动态池分配技术 [J]. 计算机学报,2011,34(4): [6] 孙晓辉, 王劲林, 陈晓. 实时系统中的动态内存分配算法 [J]. 计算机工程,2008,34(8): [7] 王丽杰, 熊光泽, 罗蕾. 嵌入式 RTOS 安全保护机制的研究与实现 [J]. 电子科技大学学报,2006,34(5): [8] 朱沿旭, 尹俊文. 一种减少碎片的伙伴算法的改进 [J]. 计算机工程与科学,2008,28(A2): [9] CormenTH,LeisersonCERivest,etal.Introductiontoalgorithms [M].Cambridge:MITpres,2001. [10] 常铁原, 孙学儒.TBS 算法在 μc/os Ⅱ 内存管理中的应用 [J]. 计算机应用与软件,2012,29(9): [11] Freescale.K60Sub FamilyReferenceManualRev.6[EB/OL].ht tp://cache.freescale.com/files/32bit/doc/ref_manual/k60p144m 100SF2V2RM.pdf. ( 上接第 194 页 ) [11] WangJF,ZhuangDF,LiLF.Spatialsamplingdesignformonitoring theareaofcultivatedland.internationaljournalofremotesensing [J].2002,13(2): [12] 王振华. 空间数据质量抽样检验与控制的理论方法和应用 [D]. 上海 : 同济大学,2011. [13] 刘旭拢, 何春阳, 潘耀忠, 等. 遥感图像分类精度的点群样本检验与评估 [J]. 遥感学报,2006,10(3): [14] 陶吉兴, 傅伟军, 姜培坤, 等. 基于 Moran si 和地统计学的浙江森林土壤有机碳空间分布研究 [J]. 南京林业大学学报 : 自然科学版,2014,38(5): [15] 孙皓晗. 空间分层抽样在森林覆盖监测中的应用研究 [D]. 江苏 : 南京林业大学,2013.

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位

自然科学版预处理视盘粗定位视盘垂直坐标的粗定位视盘水平坐标的粗定位自然科学版文章编号视网膜图像中视盘的快速自动定位方法赵晓芳林土胜李碧摘要基于眼底视网膜血管的分布结构及视盘本身的特点提出一种快速自动定位视盘的方法首先根据视网膜血管的网络分布结构大致定位视盘的垂直坐标然后根据视盘的亮度信息及视盘与血管的关系来定位视盘的水平坐标最后把视盘限定在以粗定位的视盘为中心的一个小窗口内用变换精确定位视盘中心该方法不需要事先分割视网膜血管也不需要对算法进行训练