加入改進LBP紋理的高分辨率遙感圖像分類

宋本欽，李培軍

(北京大學地球與空間科學學院遙感與地理信息系統研究所，北京 100871)

加入改進LBP紋理的高分辨率遙感圖像分類

宋本欽，李培軍

(北京大學地球與空間科學學院遙感與地理信息系統研究所，北京 100871)

高分辨率遙感圖像紋理信息豐富，將其與光譜信息相結合進行地物分類可提高地物的精度。將改進的局部二值模式(LBP)紋理應用到高分辨率圖像的土地覆蓋分類中，并與只利用光譜信息和加入傳統LBP紋理信息的分類結果相比較。結果表明:改進的LBP具有很好的抗噪性能，并能更有效地表達圖像的紋理信息，加入這種紋理信息的圖像分類精度明顯高于純光譜分類和加入傳統LBP紋理信息的分類。

紋理;LBP;分類

0 引言

遙感圖像分類是遙感信息提取的重要手段之一。近年來，高分辨率圖像的大量獲取為詳細地表特征制圖和監測提供了數據基礎。與中低分辨率圖像相比，高分辨率圖像上的地物輪廓更加清晰，空間結構信息也更為豐富［1，2］。圖像紋理是一種重要的空間信息，被廣泛應用于圖像分類，以提高分類精度［3，4］。目前，已有多種計算圖像紋理的算法，如基于灰度共生矩陣、小波變換以及地統計學變差函數的紋理特征提取算法等［5-7］。局部二值模式(Local Binary Pattern，LBP)是近年來提出的一種算法簡便、但功能強大的紋理分析方法［8］，它通過比較中心像元值與鄰域像元值的大小來反映局部紋理特征，具有不受光照強度變化影響的特征。目前，LBP在機器視覺、面部分析及遙感圖像分類等方面得到廣泛應用，并取得好的效果［9，10］。但 LBP也存在一些缺陷，如不能有效完全地描述紋理特征以及比較容易受到噪聲的干擾［11］。Zhou等人提出了一個新的改進的LBP紋理分析方法［11］，本文將這一方法所得的紋理信息應用于高分辨率遙感圖像的土地覆蓋分類，并與加入傳統LBP紋理信息的分類結果進行比較，評價二者在土地覆蓋分類中的性能。

1 局部二值模式及其改進

1．1 局部二值模式(LBP)

局部二值模式(LBP)最早由Ojala等(1996)提出［12］，用來作為圖像局部對比度的互補算法。在某一灰度圖像中，定義一個半徑為R(R＞0)的圓環形鄰域，P(P＞0)個鄰域像素均勻分布在圓周上。設該鄰域中心像素的紋理值為T，則T可以用該鄰域中P+1個像素的函數來定義，即

式中，gc為該鄰域中心像素值;gi(i=0，…，P-1)是P個鄰域像素值。

在數字圖像中，設鄰域中心像素的坐標為(xc，yc)，則其鄰域像素的坐標(xi，yi)可以表示為

圖1顯示的是幾種不同P、R值所對應的圓環形鄰域，圖中沒有落在像素中心的鄰域灰度值通過雙線性內插得出［13］。

圖1 幾種不同P、R值對應的圓形鄰域Fig．1 Circular neighborhoods with different P、R values

圖1在旋轉時，圓形鄰域的灰度值gi在以gc為中心、R為半徑的圓周上移動。由于用相鄰像素與中心像素的差值代替相鄰像素的值，可以實現旋轉不變性。通過式(3)可以看出，只要s(gi-gc)不全為0或不全為1，圖像的旋轉就會得到不同的LBP值。

因此，M?enp??等人又將LBP算法進行了擴展，提出了具有旋轉不變性的LBP(Rotation Invariant LBP)［13］，即不斷旋轉圓形鄰域得到一系列初始定義的LBP值，取其最小值作為該鄰域的LBP值。鄰域像素的次序通常由中心像素正右方的像素開始，逆時針標記，如圖2所示。

圖2 一種常見的圓形鄰域像素次序標記方法(P=8，R=1)Fig．2 A common mark order of a circularly symmetric neighbor set，where P=8，R=1

式(3)～(5)中，gi=g0;riu2表示選擇具有旋轉不變性且滿足U≤2的模式。把滿足U≤2的所有模式稱為均勻模式，其余的模式都稱為非均勻模式。在P鄰域中，滿足U≤2的所有模式的個數為P(P-1)+2，再進一步將它們旋轉到最小值后，具有旋轉不變性的均勻模式(Rotation Invariant Uniform Pattern)的個數則為P+1。因此，任何均勻模式的LBP值可以通過統計二值編碼中1的個數得到，而非均勻模式的LBP=P+1。

LBP的主要缺陷一是它不能有效完全地描述紋理特征，它將非均勻模式完全歸為一類，這樣將會丟失大量的紋理信息，特別當鄰域比較大時;另外一個缺陷是它所定義的非均勻模式容易受到噪聲的干擾［11］。例如，圖3是原始圖像以及加入高斯白噪聲的圖像。由于受到噪聲的干擾，有一位置的值從0變成1，LBP的值則從3變成了9，這并不是期望的結果。

圖3 子圖像的LBP值和改進LBP值Fig．3 Values of LBP and extended LBP for a subimage

1．2 改進的LBP算法

為了解決LBP算法的兩個缺陷，Zhou［11］等人提出一個新的改進的方法。該方法是在相似性度量基礎上，將非均勻模式分配到相應的均勻模式上。

本文用DminROR表示相似性度量，則

式中，ROR(LBPP，R，i)表示圓形鄰域像素點順時針旋轉i次，旋轉P次是一圈;xi和yi分別表示鄰域內對應位置的像素值;計算了 LBPP，R和(均勻模式)絕對差的最小值。

圖4顯示了與均勻模式00000111相似的局部模式。

圖4 一些與均勻模式00000111相似的局部模式Fig．4 Some uniform pattern similar to the local pattern 00000111

必須指出，在這些模式中，不同的局部模式和不同的均勻模式計算也會得到相同的 DROR。以LBP8，1=00000101 為例，當等 于 00000111或者 00000001 時，DROR(LBP8，1)都等于 1。在這種情況，選擇像素值和較大的均勻模式。改進的算法可以表達為

可以認為，局部二值模式中0和1按規則排列的模式在圖像中占有一定比例，這些模式不僅包括均勻模式，也包括一些非均勻模式。為了定義它們，引用了結構測量S，即

式(10)表達了局部模式里面0和1的串聯關系。S值越大，連續的0或者1串聯在一起的可能性就越小。

2 方法及應用

2．1 LBP紋理的計算

運用LBP方法計算圖像紋理，需要確定兩個參數，即圓形鄰域半徑(R)和鄰域像元數(P)。這兩個參數決定了所得圖像的紋理特征。通常，采用多個鄰域參數組合提取LBP紋理。不同的(P，R)組合會得到不同的LBP紋理數值。采用3種不同的(P，R)組合，即(P，R)分別為(8，1)、(16，2)和(24，3)，來計算LBP和改進LBP紋理。

2．2 加入LBP紋理的土地覆蓋分類方法

為了比較和評價加入LBP和改進LBP紋理特征的分類效果，將紋理特征與光譜特征直接疊加組成新的多波段數據。例如，采用3組不同的參數組合，即對應的(P，R)分別為(8，1)、(16，2)和(24，3)，可得到3個改進的LBP紋理特征，如原始圖像是4個波段多光譜圖像，則與紋理圖像疊加后會得到7個“波段”的多“波段”圖像，將其一起用于最終的土地覆蓋分類。本文采用最大似然分類［14］方法進行分類。為了全面評價加入改進LBP紋理的分類性能，本文還進行了只利用光譜圖像以及加入傳統LBP紋理特征的分類(圖5)。

圖5 加入紋理特征的圖像分類流程Fig．5 The classification process by adding image texture

2．3 方法試驗

為了分析和評價加入改進的LBP紋理在高分辨率圖像土地覆蓋分類中的效果，本文以北京香山IKONOS多光譜圖像為試驗數據。該數據包括4個波段(藍、綠、紅、近紅外)，空間分辨率為4 m。圖像覆蓋區域包括裸地、建筑物、苗圃、樹木、農田、村莊、水體和大棚地等8種地物類型，其中建筑物主要為較大的居民樓和商用建筑，大棚地為應用蔬菜和花卉培育的塑料大棚(或稱溫室)。

圖6為研究區域IKONOS多光譜圖像。用于圖像分類訓練和精度評價的樣本采用參考地面觀察結果以及全色圖像的方式，分別獨立地從圖像上選取。

圖6 IKONOS 3(R)4(G)2(B)假彩色合成圖像Fig．6 The IKONOS 3(R)4(G)2(B)false color composite image

表1為用于分類和精度評價的樣本數。

表1 用于分類和精度評價的樣本數Tab．1 The numbers of samples used for classification and accuracy assessment

3 結果和討論

如前所述，本文采用了3個大小不同的圓形鄰域計算LBP紋理。圖7顯示了近紅外波段圖像以及其對應的2種LBP紋理圖像。

可以看出，在改進LBP紋理圖像上，不同地物邊界比較明顯，而LBP紋理圖像上地物邊界比較模糊，有些甚至分辨不出來;LBP紋理圖像上噪聲比較多，但在改進LBP紋理圖像上噪聲明顯減少，圖像更加平滑。

圖7 IKONOS近紅外波段圖像(左)及對應的LBP紋理圖像(中)和改進LBP紋理圖像(右)Fig．7 Portions of IKONOSNIR image(lift)and derived LBP texture image(middle)and extended LBP texture image(right)

將計算得到的改進LBP紋理特征與光譜特征組合，用于土地覆蓋分類，同時也進行了加入傳統LBP紋理的分類以及只用光譜數據的分類，以進行分析比較。

從表2可以看出:加入紋理信息(LBP紋理以及改進的LBP紋理)的分類總體精度和Kappa系數都要高于純光譜數據分類，其中，加入改進LBP紋理數據的分類總體精度要比純光譜數據分類高6%，比加入LBP紋理數據分類高4%。3種分類的Kappa系數也表現出類似的規律，說明用于圖像分類時，改進的LBP紋理具有比LBP紋理更好的性能。

表2 不同數據組合的分類結果Tab．2 Classification accuracy of different data combination

表3是不同數據分類結果的生產者精度(PA)和用戶精度(UA)。

表3 不同數據組合分類的生產者精度(PA)和用戶精度(UA)Tab．3 The producer accuracy(PA)and user accuracy(UA)of different data combination (%)

(續表)

可以看出，與純光譜數據分類相比，加入LBP紋理后，建筑物、裸地、苗圃和樹木等分類精度基本變化不大，而村莊、農田和大棚地的精度提高了，但水體的精度卻略有降低。這說明在分類過程中，紋理信息對空間特征變化較大(即紋理特征顯著)的地物分類更有效，如村莊和大棚地，而對紋理特征不明顯類別的分類精度提高不大，如裸地、苗圃和樹木。由于水體沒有紋理特征，加入LBP紋理后，由于對噪聲的敏感性，其分類精度反而降低了。

與純光譜數據分類相比，在加入改進LBP紋理后，各類的分類精度都有不同程度的提高，或至少持平，如村莊和大棚地的精度顯著提高，而水體的分類精度與純光譜數據分類結果基本持平。與加入LBP紋理的分類相比，在加入改進LBP紋理的分類中，建筑物、裸地、村莊、大棚地和水體的分類精度都有提高，而苗圃、樹木和農田的分類精度二者持平，說明改進的LBP紋理對于紋理特征顯著類別(如大棚地、村莊)的識別更有效，而對于沒有紋理特征的類別(如水體)則具有更好的抗噪聲干擾能力。

從圖8可以看出，在利用純光譜特征進行分類的分類圖像上，村莊內部椒鹽狀噪聲明顯(圖8a);加入紋理后，這種狀況改善明顯(圖8b、c)，村莊的分類結果更加均勻，尤其是加入改進的LBP紋理的分類，這種效果更加顯著(圖8c)。對水體的分類，3種數據的分類結果不同，在基于光譜信息的分類圖像上(圖8d)，水體色調比較均勻;而加入LBP紋理信息的分類中(圖8e)，水體出現了許多噪聲;但在加入改進的LBP紋理信息的分類中(圖8f)，水體內部色調比較均勻，其噪聲甚至比純光譜分類結果的還少，說明改進的LBP紋理具有很好的抗噪能力。

圖8 基于不同數據組合的分類結果(a、d:純光譜分類;b、e:加入LBP紋理分類;c、f:加入改進LBP紋理分類)Fig．8 The classification results based on different data combination(a、d:spectral classification;b、e:spectral and LBP texture classification;c、f:spectral and extended LBP classification)

綜合上述結果可以看出，改進后的LBP紋理既具有很強的地物分辨能力，又具有很好的抗噪性能，適合于高分辨率遙感圖像的分類應用。

4 結論

本文將改進的LBP方法用于高分辨率圖像的紋理特征提取，并將提取的紋理特征用于圖像分類，通過與純光譜分類以及加入LBP紋理的分類對比，驗證方法的性能:與LBP紋理相比，改進的LBP紋理能更有效地反映紋理特征，同時還能很好地抵制噪聲的干擾，是一種有效的、可用于提高圖像分類精度的分類方法。

［1］Zhang L，Huang X，Huang B，et al．A Pixel Shape Index Coupled with Spectral Information for Classification of High Spatial Resolution Remotely Sensed Imagery［J］．IEEE Transactions on Geoscience and Remote Sensing，2006，44(10):2950-2961．

［2］LiP J，Cheng T，Guo JC．Multivariate Image Texture by Multivariate Variogram for Multispectral Image Classification［J］．Photogrammetric Engineering and Remote Sensing，2009，75(2):147-157．

［3］Marceau D J，Howarth P J，Dubois JM，et al．Evaluation of the Grey-Level Co-occurrence Matrix Method for Land-Cover Classification Using SPOT Imagery［J］．IEEE Transactionson Geoscience and Remote Sensing，1990，28(4):513-519．

［4］Gong P，Marceau D J，Howarth P J．A Comparison of Spatial Feature Extraction Algorithms for Land-Use Classification with SPOT HRV Data［J］．Remote Sensing of Environment，1991，40:137-151．

［5］黃穎端，李培軍，李爭曉．基于地統計學的圖像紋理在巖性分類中的應用［J］．國土資源遙感，2003(3):45-49．

［6］Haralick R M，Shanmugam K，Dinstein I．Texture Feature for Image Classification ［J］．IEEE Transactions on Systems，Man and Cybermetics，1973，3:610-625．

［7］吳高洪，章毓晉，林行剛．利用小波變換和特征加權進行紋理分割［J］．中國圖象圖形學報，2001，6(4):333-337．

［8］Ojala T，Pietikainen M，M?enp??T．Multiresolutin Gray Scale and Rotation Invariant Texture Analysis with Local Binary Pattern［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7):971-987．

［9］Kyll?nen J，Pietik?inen M．Visual Inspection of Parquet Slabs by Combining Color and Texture［G］∥Proc IAPR Workshop on Machine Vision Applications(MVA'00)．Tokyo:2000:187-192．

［10］Feng X，Pietik?inen M，Hadid A．Facial Expression Recognition with Local Binary Patterns and Linear Programming［J］．Pattern Recognition and Image Analysis，2005，15(2):550-552．

［11］Zhou H，Wang R S，Wang C．A Novel Extended Local-Binary-Pattern Operator for Texture Analysis［J］．Information Sciences，2008，178:4314-4325．

［12］Ojala T，Pietik?inen M，Harwood D．A Comparative Study of Texture Measures with Classification Based on Feature Distributions［J］．Pattern Recognition，1996，29(1):51-59．

［13］M?enp?? T，Pietik?inen M．Texture Analysis with Local Binary Patterns［G］∥Chen C H，Wang P SP．Handbook of Pattern Recognition and Computer Vision．3rd ed World Scientific．2005:197-216．

［14］李 全，王海燕，李 霖．基于最大似然分類算法的土地覆蓋分類精度控制研究［J］．國土資源科技管理，2005(4):42-45．

(責任編輯:刁淑娟)

The Application of Extended LBP Texture in High Resolution Remote Sensing Image Classification

SONG Ben-qin，LIPei-jun
(Institute of Remote Sensing and GIS，School of Earth and Space Sciences，Peking University，Beijing 100871，China)

High-resolution remote sensing images have rich texture information，and combined texture information and image spectral information can improve the recognition accuracy of surface feature．In this paper，a new extended Local Binary Patterns(LBP)texture was applied to the high-resolution images classification in comparison with classifications using spectral data only and using combined spectral data and LBP texture features．The results show that the extended LBP has a good anti-noise performance，and the classification of image including the extended LBP texture can achieve a higher accuracy than the classifications using spectral data alone and using combined spectral data and LBP texture features．

Texture;LBP;Classification

宋本欽(1984-)，男，碩士研究生，主要從事高分辨率遙感信息處理方法研究。

TP 75

A

1001-070X(2010)04-0040-06

2010-01-19;

2010-03-10