基于紋理特征的高分辨率遙感圖像土地利用分類研究

胡 玉 福，鄧 良 基，匡 先 輝，王 鵬，何 莎，熊 玲

基于紋理特征的高分辨率遙感圖像土地利用分類研究

胡 玉 福，鄧 良 基，匡 先 輝，王 鵬，何 莎，熊 玲

（四川農業大學資源環境學院，四川 雅安 625014）

為了提高高分辨率遙感圖像土地利用分類精度，該文以金沙江下游河谷地帶SPOT 5遙感圖像350×350像元作為試驗區，在ERDAS IMAGINE 9.0和ENVI 4.1軟件平臺支持下，采用灰度共生矩陣方法提取遙感圖像對比度、角二階矩、熵、同質度等紋理指標輔助遙感圖像分類，分析結果表明，相對于傳統監督分類方法，基于紋理特征輔助監督分類方法總Kappa系數提高了9.15%，耕地、林地、水域、建設用地、未利用地Kappa系數分別提高了7.60%、6.17%、3.59%、15.74%和2.96%，分類結果面積準確率分別提高了3.38%、13.47%、4.65%、10.22%和1.53%，說明紋理輔助監督分類方法相對于傳統監督分類方法有效提高了土地利用分類精度。

遙感;紋理分析;灰度共生矩陣;監督分類

近年來隨著遙感技術的發展［1］，遙感圖像分辨率已有很大提高，但遙感圖像的計算機分類技術遠遠落后于遙感技術本身的發展［2，3］，傳統的分類方法多基于影像的光譜特征進行分類，對影像的其它特征應用不多，這對于高分辨率影像豐富、復雜的表現形式遠遠不夠，遙感圖像的計算機分類精度急待提高［4，5］。近年來國內外學者在加強高分辨率遙感圖像計算機自動解譯、充分挖掘影像信息、改善地物信息識別與提取過程等方面做了大量的研究和探索，提出了很多先進的技術和方法［6－11］。但由于遙感數據的復雜性和地物分布的隨機性等原因，目前遙感圖像計算機自動分類精度較低，難以滿足土地調查和動態監測的需要，在土地資源調查與監測過程中，高分辨率解譯多采用人工目視勾繪，計算機自動解譯方法則很少，從而導致效率低、費工費時的問題［12］。針對以上問題，本文選擇SPOT5遙感圖像作為研究對象，探討了應用灰度共生矩陣方法進行紋理分析，提取紋理特征輔助遙感圖像計算機分類的技術方法，旨在減少土地利用分類過程中的不確定性，提高遙感圖像計算機解譯精度，為土地資源遙感調查與監測提供一種可行的分類模式。

1 研究區概況與研究方法

1.1 研究區概況

研究區位于云南省永善縣西北部，金沙江下游河谷地帶（東經103°25′26″～103°35′38″，北緯28°01′21″～28°14′27″）。地貌以中低山為主，地勢由西北向東南漸次抬升，江邊河谷及二半山區較寬，最低海拔400 m，最高海拔2 767 m。氣候屬南亞熱帶干熱河谷氣候，年均氣溫22℃，年均降雨量534 mm，年均日照2 179.4 h。區內成土母質類型主要有花崗巖、砂巖和片麻巖殘、坡積物及少量的河流沖積物。土地利用方式主要包括耕地、林地、水域、建設用地和未利用地，受地形地貌的限制，土地利用斑塊較為破碎。

1.2 數據來源與遙感圖像預處理

數據來源于研究區2004年3月過境的SPOT 5遙感圖像，已進行輻射校正和幾何粗校正，影像清晰，空間分辨率為2.5 m，研究區大小為350×350像元。圖像預處理在ERDAS IMAGINE 9.0軟件平臺下進行，主要包括幾何精校正、圖像裁剪和圖像增強［2］，結果見圖1、圖2。

圖1 原始遙感圖像Fig.1 Original remote sensing image

圖2 預處理后遙感圖像Fig.2 Processed remote sensing image

1.3 基于灰度共生矩陣的紋理分析

圖像的紋理一般理解為圖像灰度在空間上的變化和重復，或圖像中反復出現的局部模式（紋理單元）及其排列規則。紋理分析是指應用一定的圖像處理技術抽取出紋理特征，并獲得紋理的定量或定性描述指標。紋理特征提取主要有統計方法、模型方法、信號處理方法和結構方法。統計方法是基于像元及其領域的灰度屬性研究紋理區域中的統計特性［12，13］。1973年 Haralick首先提出灰度共生矩陣（GLCM），其優于灰度游程長度法和光譜方法，是一種得以廣泛應用的紋理統計分析方法和紋理測量技術［14，15］。此方法是按影像灰度值的空間關系描述像元點對之間的空間結構特征及其相關性，若圖像灰度級為N，則具有一定空間關系的灰度共生矩陣為pij（d，θ），其中i、j表示像元的灰度，d為i、j像元對間距，θ為兩像元連線的方向。取一定d值，θ分別設為0°、45°、90°、135°，構成4個灰度共生矩陣，采用這4個方向的疊加來消除方向影響，用灰度值的空間共生特性度量紋理，可抽取如下統計指標［12，16－18］：

對比度（Contrast，Con）：用來度量影像中對比的強烈程度，主要監測圖像反差邊緣及其邊緣效應。

角二階矩（Angular Second Moment，ASM）：角二階矩是灰度共生矩陣各元素的平方和，又稱能量;它是影像紋理灰度變化均一性的度量，反映了影像灰度分布均勻程度和紋理粗細度。

熵（Entropy，Ent）：主要用于檢測圖像空間的復雜性和混亂程度。

同質度（Homogeneity，Homo）：用來度量影像均質程度。

根據以上原理，運用 ENVI 4.1軟件的co-occurrence Measures工具，選擇滑動窗口為3×3，步距（中心像元與其直接相鄰的像元相比較）設置為d＝1，對0°、45°、90°和135°4個方向進行計算，提取對比度、角二階矩、熵、同質度4種紋理統計指標圖［19］。

1.4 紋理輔助監督分類

在ERDAS IMAGINE 9.0軟件下，利用提取的對比度、角二階矩、熵、同質度紋理指標圖像與原圖像進行波段組合，生成一幅新的遙感圖像并對其進行監督分類，提取耕地、林地、建設用地、水域、未利用地等土地信息。

1.5 分類精度評價

Kappa系數是在綜合了生產者精度和制圖精度兩個參數的基礎上提出的一個綜合指標。在ERDAS 9.0軟件平臺下，通過Kappa系數對分類結果進行精度評定，但Kappa系數僅說明了影像分類的精度，并不能說明分類的準確性。因此，本文還將土地利用分類結果面積與實地調查面積對比分析以說明分類的準確性。

2 基于紋理特征的高分辨率遙感圖像土地利用分類結果分析

2.1 紋理指標提取結果分析

圖像灰度共生矩陣中的角二階距、對比度和同質度分別表示紋理的全局均一性程度、圖像反差邊緣及其邊緣效應和鄰域均值、方差的空間變化等幾何結構。分析結果表明，提取的對比度、角二階矩、熵、同質度4種紋理統計指標影像較好地反映了地物的紋理特征。對比度指標影像較好地反映了居民點、道路等建設用地的描述特性，有利于提取建設用地信息（圖3a）。在角二階矩影像上建設用地和水體的紋理特征表現較明顯，能較好地判別建設用地和水體信息（圖3b）。熵表征的是影像空間關系的復雜性，當圖像的地物類型較復雜或圖像的紋理比較粗糙時，歸一化共生矩陣計算值會很小，按熵的定義進行對數運算并取反后則會得到大值，即空間對象越復雜，對應的熵值越大。未利用地的地塊較小，其圖像（圖3c）紋理較為粗糙，熵值較大，而園林地則地塊較大，其圖像紋理較均一，熵值亦較小，因此用紋理統計指標熵的閾值來提取未利用地信息。在同質度指標影像上，水體和未利用地紋理特征差異明顯，較 易辨別水體和未利用地信息（圖3d）。

圖3 紋理分析結果Fig.3 The result of texture analysis

2.2 分類結果對比分析

傳統監督分類方法主要依據地物光譜特征的差異性，但地表 “同譜異物”、“同物異譜”現象普遍存在，從而不可避免地造成遙感圖像分類過程中的錯分、漏分等現象［20］。紋理特征輔助監督分類結果（圖4）相對于傳統的監督分類結果（圖5）更好地反映了地物的細節，分類結果更接近于地表土地利用實際情況。由于建設用地和未利用地之間存在嚴重的“同譜異物”現象，在傳統監督分類過程中部分未利用地被分成了建設用地（圖5），但原圖中建設用地和未利用地紋理特征具有明顯的差異，在紋理輔助監督分類過程中，不僅基于光譜特征差異，同時充分利用了紋理特征信息，在一定程度減少了建設用地錯分現象（圖4）。研究區域的水域主要是分布在中部和北部的水庫水面，表現為平滑、細膩的紋理特征，與其他地物區別明顯，但傳統的監督分類則出現了少量的錯分，而紋理特征輔助監督分類有效地減少了錯分現象。

圖4 紋理輔助監督分類結果Fig.4 The result of texture assistant supervised classification

2.3 分類精度評價

圖5 傳統監督分類結果Fig.5 The result of supervised classification

2.3.1 分類精度對比 采用定點采樣法，在ERDAS IMAGINE 9.0軟件平臺中，對兩種分類結果進行精度評價，精度評定過程中隨機產生了256個點，得到各個分類的Kappa系數（表1）。分析結果表明，紋理分析輔助監督分類的總Kappa系數及各土地類型的Kappa系數均有不同程度的提高。其中，總 Kappa系數提高了0.068，幅度達9.15%。各土地類型中建設用地Kappa系數提高幅度最大，達15.74%，其次是耕地和林地，分別為7.60%和6.17%，水域和未利用地提高幅度相對較小，分別為3.59%和2.96%。Kappa系數的提高說明紋理分析輔助監督分類有效地提高了遙感圖像的分類精度。

表1 分類精度對比Table 1 Comparison of classification accuracy

2.3.2 分類結果面積與實地調查面積對比 為了進一步說明分類的準確性，在ERDAS 9.0軟件平臺下對監督分類和紋理分析輔助監督分類的土地利用分類結果面積進行統計，并將其與研究區實地調查面積進行對比分析，結果表明，紋理分析輔助監督分類各土地類型的分類面積與實地調查面積更為接近，分類準確性相對于傳統監督分類均有不同程度的提高，其中，林地和建設用地面積準確率提高幅度最大，分別為13.47%和10.22%，其次是水域和耕地，分別為4.65%和3.38%，未利用地提高幅度較小，為1.53%;總體分類準確率提高了6.65%（表2），說明紋理分析輔助監督分類相對傳統監督分類有效提高了遙感圖像分類準確性。

表2 分類面積對比Table 2 Comparisons of classification area

3 結論與討論

本文探討了基于紋理特征的高分辨率遙感圖像分類方法，紋理輔助監督分類依據地物的光譜特征差異，同時考慮了地物紋理特征的差異，可以在一定程度上克服遙感圖像分類面臨的“同物異譜”和“同譜異物”問題，有效減少土地利用分類過程中的不確定性，其比傳統的監督分類分類精度和分類準確性更高。

采用灰度共生矩陣提取紋理特征輔助高分辨率遙感圖像分類，其分類精度和準確性雖有較大幅度的提高，但分類結果與實地調查的土地利用類型及面積仍存在一定的出入，說明遙感圖像分類過程中僅提取紋理特征輔助遙感圖像分類是不夠的。因此，在今后的遙感圖像計算機分類過程中，應進一步加強高分辨率遙感圖像計算機自動解譯的研究，充分利用地物空間關系、空間位置、形狀、紋理等特征，對遙感圖像進行綜合評判，提高遙感圖像的分類精度。

［1］尤淑撐，劉順喜，李小文，等.基于空間約束關系的土地利用/覆被遙感分類方法研究［J］.農業工程學報，2005，21（9）：51－55.

［2］湯國安，張友順，劉詠梅，等.遙感數字圖像處理［M］.北京：科學出版社，2004.189－213.

［3］郭琳，裴志遠，吳全，等.面向對象的土地利用/覆蓋遙感分類方法與流程應用［J］.農業工程學報，2010，26（7）：194－198.

［4］周興東，于勝文，趙長勝，等.利用遙感圖像進行土地利用分類方法的研究［J］.煤炭學報，2007，32（5）：481－484.

［5］馮春，陳建平.土地利用/土地覆蓋研究中遙感圖像分類精度的提高方法［J］.地理與地理信息科學，2003，19（3）：26－28.

［6］張錦水，潘耀忠，韓立建，等.光譜與紋理信息復合的土地利用/覆蓋變化動態監測研究［J］.遙感學報，2007，11（4）：500－510.

［7］PAL S K，MITRA P.Multispectral image segmentation using the rough-set-initialized EM algorithm［J］.IEEE Transactions on Geo-science and Remote Sensing，2002，40（11）：2495－2501.

［8］尤淑撐，劉順喜.一種顧及先驗知識與光譜信息的土地利用/覆被遙感分類方法［J］.地理與地理信息科學，2010，26（3）：41－43.

［9］LEI T C，WAN S，CHOU T Y.The comparison of PCA and discrete rough set for feature extraction of remote sensing image classification——a case study on rice classification［J］.Computational Geosciences，2007，12（1）：1－14.

［10］蔡華杰，田金文.基于mean-shift聚類過程的遙感影像自動分類方法［J］.華中科技大學學報（自然科學版），2008，36（11）：1－4.

［11］張錦水，何春陽，潘耀忠，等.基于SVM的多源信息復合的高空間分辨率遙感數據分類研究［J］.遙感學報，2006，10（1）：49－56.

［12］李金蓮，劉曉玫，李恒鵬.SPOT5影像紋理特征提取與土地利用信息識別方法［J］.遙感學報，2006，10（6）：926－931.

［13］高程程，惠曉威.基于灰度共生矩陣的紋理特征提取［J］.計算機系統應用，2010，19（6）：195－198.

［14］馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究［J］.北京測繪，2007，3（5）：19－22.

［15］MARCEAU D J，HOWAETH P J，DUBOIS J M，et al.Evaluation of the gray level co-occurrence matrix method for land cover classification using SPOT imagery［J］.International Journal of Remote Sensing，1990，28（4）：513－518.

［16］賈永紅.數字影像處理［M］.武漢：武漢大學出版社，2003.

［17］吳均，趙忠明.利用基于小波的尺度共生矩陣進行紋理分析［J］.遙感學報，2001，5（2）：100－103.

［18］田艷琴，郭平，盧漢清.基于灰度共生矩陣的多波段遙感圖像紋理特征的提取［J］.計算機科學，2004，31（12）：162－163.

［19］李小娟，宮兆寧，劉曉萌，等.ENVI遙感圖像處理教程［M］.北京：中國環境科學出版社，2007.387－402.

［20］黃恩興.遙感影像分類結果的不確定性研究［J］.中國農學通報，2010，26（5）：322－325.

Study on Land Use Classification of High Resolution Remote Sensing Image Based on Texture Feature

HU Yu－fu，DENG Liang－ji，KUANG Xian－hui，WANG Peng，HE Sha，XIONG Ling
（CollegeofResourcesandEnvironmentofSichuanAgriculturalUniversity，Yaan625014，China）

In order to improve land use classification accuracy of high resolution remote sensing images，in this paper，in support of software of ERDAS IMAGINE 9.0 and ENVI 4.1，some texture indexes of SPOT5 image of downstream region of Jinsha River，such as contrast，angular second moment，entropy and homogeneity had been extracted using the gray level co-occurrence matrix.And these texture indexes had been used to assist supervised classification.The results showed that，compared with the method of traditional supervised classification，the total Kappa coefficient of texture assistant supervised classification increased by 9.15%，and the Kappa coefficient of cultivated land，forestland，water，construction land and unused land increased respectively by 7.60%，6.17%，3.59%，15.74%and 2.96%.Meanwhile，the accuracy rate of classification area of cultivated land，forestland，water，construction land and unused land also increased respectively by 3.38%，13.47%，4.65%，10.22%and 1.53%.It indicated that the method of texture assistant supervised classification could be applied to improve the land use classification accuracy effectively compared with the method of traditional supervised classification.

remote sensing;texture analysis;gray level co-occurrence matrix;supervised classification

TP 751;F301

A

1672－0504（2011）05－0042－04

2011－04- 20;

2011－07－03

國家星火計劃資助項目（2005EA810087）;四川省科技支撐計劃項目（2009NZ0051）

胡玉福（1977－），男，博士，副教授，主要從事3S技術在資源環境中的應用研究。E－mail：hyf03h＠yahoo.com.cn