基于樹種分類的高分辨率遙感數據紋理特征分析

王 妮，彭世揆，李明詩

(南京林業大學 森林資源與環境學院，江蘇 南京 210037)

森林資源作為林業和生態環境建設的基礎，成為陸地生態系統的主體，對經濟、社會和環境的可持續發展有不可替代的作用。隨著遙感技術發展，當代森林資源調查和監測的重要內容是遙感圖像分類提取森林結構參數和分布。在應用遙感數據光譜信息的同時，空間信息的利用也越來越廣泛。張錦水等[1]、孫小芳等[2]、 顏梅春等[3]、趙萍等[4]、Franklin 等[5]與 Peddle 等[6－7]均利用高分辨率遙感圖像光譜信息、 紋理信息，以及與多源信息結合研究遙感影像分類，均說明如果結合多尺度紋理信息和光譜信息進行分類，可比單一尺度紋理提取獲得更高的分類精度[8]。遙感圖像分辨率提高，使從不同來源、不同形式的遙感信息提取出森林植被的專題信息量更加豐富準確，為劃分森林類型、繪制林相圖、清查森林資源、預測預報森林病蟲害及森林火災、合理規劃、利用和保護森林資源提供基礎和依據[9]。由于紋理是由灰度分布在空間位置上反復出現而形成的，因而在圖像空間中相隔某距離的兩象素之間會存在一定的灰度關系，即圖像中灰度的空間相關特性。目前，國內外有多種紋理分析方法，其中灰度共生矩陣法(gray level co-ocurrence matrix，GLCM)被公認為是目前應用最廣泛、應用效果最好的方法[10－12]。根據共生矩陣的特征在提取紋理的過程中，不同的窗口滑動方向、窗口的滑動距離及窗口大小密切相關[11，13]，因此，確定窗口信息對紋理特征的描述至關重要，對提高高分辨率遙感影像紋理提取精度以及森林資源信息獲取也有很大的作用[14－15]。本研究通過對基于灰度共生矩陣紋理提取過程的分析，探討不同移動窗口大小對紋理特征的影響，以期為森林樹種識別分類提供依據。

1 數據與方法

1.1 研究區概況與數據收集

中山陵園風景區地處南京城區東隅，地理坐標為32°01′57″～32°16′15″N，118°48′24″～118°53′04″E。中山陵園風景區東西長為7.1 km，南北寬6.7 km，總面積3 008.8 hm2。風景區內森林資源豐富，擁有2 133.0 hm2森林景觀，植被樹種600余種，生態效益巨大，是國內外少見的大型城市森林公園，也是南京最重要的風景區。目前，風景區內森林主要優勢樹種為松類，櫟類，刺槐Robinia pseudoacacia，楓香Liquidambar formosana和雜闊等。因此，以優勢樹種類別作為主要分類類型對紫金山森林植被進行樹種分類。數據采用2004年7月14日Quickbird標準產品的全色 (0.6 m)和多光譜衛星影像 (1～4波段，2.5 m，圖1)。此外，南京市1∶10 000地形圖作為遙感影像幾何校正的基準圖。樣本數據來源于2002年中山陵園森林林相圖，及數字化后得到662個小班的矢量數據。

圖1 研究區RGB圖像(波段432)Figure 1 RGB Image of the research area (band 432)

1.2 研究方法

1.2.1 Quickbird數據預處理 采用FLAASH模塊對Quickbird數據進行大氣校正，參數設置依據遙感圖像當日的大氣參數和6S模型計算得到的當日大氣垂直能見度，校正使像元灰度值轉化成地表真實反射率值。之后對于中心投影的Quickbird數據地面起伏使各處影像比例尺不同、平面傾斜成像發生形變以及高差所造成投影差的誤差，對Quickbird數據進行幾何精校正和正射校正[16]。同時將4個多光譜波段圖像與全色通道圖像精確配準并將多光譜圖像重采樣為0.61 m的空間分辨率，多光譜與全色波段RMS小于1個像元。

1.2.2 Quickbird光譜去相關變換 對于Quickbird(4個波段)多光譜遙感圖像，包含了大量的空間信息，以及全色波段包含大量清晰的細節信息，但這些圖像數據量過大，運算時耗費大量機時和占據大量的磁盤空間。同時各波段之間具有一定的相關性，造成不同程度的信息重疊。去相關采取主成分變換(principal component analysis，PCA)對Quickbird圖像(5個波段)實行線性變換，第一主分量包括了全部信息量的最大部分且方差貢獻量最大[17]。

1.2.3 紋理特征提取 在目前的圖像紋理特征計算方法中，Haralick等提出的灰度共生矩陣通過對圖像灰度級別之間聯合條件概率密度 p(i，j/d，θ)的計算表示紋理特征[17]。p(i，j/d，θ)表示在給定空間距離d和方向θ時，灰度i為始點，出現灰度級為j的概率。紋理是一個區域內的像元所具有的共同屬性，綜合紋理提取效率與包含空間結構信息量。本研究針對第一主成分圖像，采用滯后距離d為1個像元距離(這符合空間相關的基本原理:距離越近，空間相關性越強)，經測定θ=135°為最佳紋理提取方向，窗口大小從3×3，5×5，…，變化到31×31生成灰度共生矩陣，以期發現不同窗口大小對于紋理特征提取的效應，確定能獲得最豐富紋理信息的最佳窗口大小[18]。表1所列的9個紋理測度為最常用的方法來計算圖像紋理特征。

表1 紋理測度列表[17]Table 1 List of texture parameters

2 結果與分析

2.1 窗口大小對紋理信息的影響

通過把各窗口9個指標的紋理特征參數當作最大似然法中條件先驗概率中的條件直接引入分類過程。窗口大小從3×3，5×5，…，變化到31×31，得到分類結果并做出分類精度結果隨紋理窗口的變化曲線(圖2)。

根據中山陵園林相圖與森林調查數據分析，分類系統主要以中山陵園風景區森林樹種類別為依據進行劃分(圖3)，具體類型及樣本數分為雜闊(40個)、國外松及黑松Pinus thunbergii(40個)、櫟類(30個)、楓香(18個)、馬尾松Pinus massoniana(20個)和其他地物(100個)，其他地物中包括建設用地、水域、農田等，分類后將這3種地類合并為其他地物，重點分析樹種類別分類精度，以下分析均是以該分類系統進行分類。其中各樹種類別中按照幼齡林、中齡林、近熟林和成熟林等樹齡等級各選取數個樣本，盡量是同一樹種的光譜值詳細清楚。248個調查樣本中，124個樣本用于計算機分類，剩余124個則用于精度驗證。原始圖像(5個波段)采用最大似然法基于調查樣本進行計算機分類，分類精度總精度為58%，Kappa系數為0.49。

圖2 各窗口分類精度評價表Figure 2 List of classification accuracy with every moving window size

圖3 19×19窗口下分類效果圖Figure 3 Classification Image with 19×19 moving window size

由圖2可知:從3×3到17×17窗口的分類精度在逐漸提高，在紋理提取窗口19×19下精度最高，達到66.32%，Kappa系數為0.58。之后隨著窗口逐漸變大總體分類精度有所下降并逐漸趨于平穩。

2.2 不同窗口紋理影像相關性變化

由于各種測度的紋理圖像由共生矩陣計算所得，這些紋理圖像之間必然存在著相關，相關性大會帶來數據的冗余。所以，測定不同移動窗口下紋理的相關性，選擇各紋理因子間的相關性最小、最合理的組合，能保持融合影像的紋理信息的豐富度，有利于提高遙感影像分類效率。根據相關性計算，隨著窗口的增大，偏斜度與其他各因子的相關性變化不大，這主要是由于偏斜度的提取方法與其他的不同，前者是直接對圖像灰度序列計算，因此，偏斜度紋理測度適合添加于紋理組合中。均勻性和二階距隨著窗口的增長，均呈線性或指數減弱，最大相關系數在3×3窗口下達到0.85。均勻性與均值、方差、相關性的相關性隨著移動窗口增大也呈現增強趨勢，但相關性受窗口大小的影響較小，相關系數不超過0.35。同時，對比度、相異性和均勻性紋理測度相關曲線呈拋物線變化，在13×13窗口下達到峰值。紋理測度熵和相異性與各紋理特征的相關性不同，呈現減弱趨勢，但兩者與二階距的相關性均有較大相關性，達到0.75。相關性與其他紋理特征的相關性多呈現先迅速增強，在5×5和7×7達到最大值，之后便有所減弱，約在19×19達到谷值，其與方差、二階距的相關性不明顯，最大不超過0.20。因此，移動窗口的增大會引起各紋理特征圖像間的相關性變化，為了保持融合影像的紋理信息豐富度的紋理組合，計算不同窗口不同紋理測度之間相關性是有必要的，有利于分類精度的提高(圖4)。

圖4 不同移動窗口9紋理因子間相關性變化Figure 4 Correlation on 9 texture parameters with the different moving window sizes

2.3 基于各樹種分類精度的紋理因子選擇

分別針對紋理特征中的9項指標，將其中任意1個指標與光譜特征組合，進行樹種識別分類并進行分類精度評價，利用圖像光譜特征(5個波段)與19×19窗口下的紋理特征中的任意2個指標組合，用最大似然法分類，對分類結果用相關混淆矩陣進行精度評價，以求最好的特征組合(表2)。單個紋理指標均值對樹種分類識別效果最好，其次為偏斜度，與其他紋理因子組合分類后精度保持在62%以上。而均值和均勻性與光譜特征共同作用時，對樹種分類的精度可達到最高。

均值與均勻性、對比度、相異性組合精度和Kappa系數都比較高，Kappa系數是各樹種類別分類閾值確定的最佳參數。從樹種類別的分類精度來看，各紋理組合對各樹種的分類精度提高程度都較原始圖像樹種分類有所提高，有效地解決了各個樹種的混交問題，顯示了紋理特征對提高高分辨率影像信息提取精度的優勢(表3)。綜上所述，均值與均勻性、對比度紋理組合和偏斜度與均值、均勻性紋理組合有利于保持紋理信息及適合高分辨率遙感圖像森林樹種分類，因此，對于高分辨率遙感圖像分類效率和精度提高，選擇合適的紋理因子組合也是必要的。

3 結語與展望

隨著高空間分辨率遙感圖像的應用越來越廣泛，基于傳統高分辨率圖像信息提取的方法已難以在精度和數據更新方面達到要求[19]。利用光譜信息、最佳窗口(19×19)下的紋理信息提取，同時盡量根據不同樹種的光譜差異和相同樹種的不同齡級選取樣本，利用最大似然法進行樹種識別分類，分類結果總精度達到66.60%，Kappa系數為0.591 7，比基于光譜單源信息分類精度(總精度為58.899 2%，Kappa系數0.490 8)有了明顯的提高。

表2 光譜特征與紋理特征19×19組合曲線分類精度與Kappa系數表Table 2 List of classification accuracy and Kappa coefficients with 19×19 moving window size and spectral bands

表3 各樹種類型分類精度明細表Table 3 Precision assessment of different tree species with 19×19 moving window size

隨著遙感圖像幾何分辨率的提高，紋理特征分類技術的不斷完善和實用，紋理特征將成為必不可少的一部分而與光譜并駕齊驅。選擇合適的紋理測度需要2個條件，首先是選擇合適的窗口，其次是選擇最佳紋理測度組合。在光譜特征中與紋理特征信息相結合使分類結果的精度有所提高，19×19窗口為最佳窗口，所提取的紋理信息量大且對分類精度最有利，總精度能達到66.32%，Kappa系數為0.580 0。同時均值、均勻性、對比主、偏斜度等紋理因子的組合相關性小，能有效減少數據冗余和提高樹種分類精度。在紋理特征指標中均值對樹種分類的影響很大且是9項指標中影響最大的。因此利用最佳窗口大小的最佳紋理測度組合能保持紋理信息的豐富度，有利于各樹種分類精度提高，對于森林樹種分類識別均值有著重大的意義。選擇合適的分類樣本同樣也對紋理測度結果有著影響，優勢樹種的類型和不同的林分密度以及齡級的情況，分類樣本都應該有所包含，使各樹種光譜特征全面，盡量減少 “異物同譜”和 “同物異譜” 的情況[9]。

森林植被遙感分類研究取得了很大進步，但分類精度的提高一直是一個難以解決的問題。將多源植被遙感數據融合于神經元網絡中，把專家知識和來自于地理信息系統空間數據庫的啟發性知識融合于分類中，模擬專家視覺活動和邏輯判斷過程，實現智能化的森林植被遙感分類和信息提取，可以進行進一步研究，作為日后研究的主題和方向。本研究的紋理是基于中山陵園風景區的快鳥數據共生矩陣紋理對樹種分類精度提高的研究，但不同研究區域根據圖像紋理實際情況不同，紋理窗口選擇和紋理提取方法都有所差異。同時，同一樹種的林分密度及年齡不同也會導致圖像的紋理特征不同，而采樣數據可能存在部分齡級樣本缺失，導致錯分情況等，因此尋求更穩定的紋理測度應用還有待進一步研究。

[1]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): 49－57.ZHANG Jinshui，HE Chunyang，PAN Yaozhong，et al.The high spatial resolution RS image classification based on SVM method with the MultiSource data [J].J Remote Sens，2006，10 (1): 49－57.

[2]顏梅春，張友靜，鮑艷松.基于灰度共生矩陣法的IKONOS影像中竹林信息提取利用紋理[J].遙感信息，2004(2):30－34.YAN Meichun，ZHANG Youjing，BAO Yansong.Deriving bamboos from IKONOS image by texture information [J].Remote Sens Inform，2004(2): 30－34.

[3]孫小芳，盧健，孫小丹.城市地區高分辨率遙感影像綠地提取研究[J].遙感技術與應用，2006，21(4):159－162.SUN Xiaofang，LU Jian，SUN Xiaodan.Extraction of green space in urban high resolution remote sensing image [J].Remote Sens Technol ＆ Appl，2006，21 (4): 159－162.

[4]趙萍，傅云飛，鄭劉根，等.基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J].遙感學報，2005，9(6):708－715.ZHAO Ping，FU Yunfei，ZHENG Liugen，et al.Cart-based land use/cover classification of remote sensing images[J].J Remote Sens，2005，9 (6): 708－715.

[5]FRANKLIN S E，PEDDLE D R.Classification of SPOT-HRV imagery and texture features[J].Int J Remote Sens，1990，11 (3): 551－556.

[6]PEDDLE D R，FRANKLIN S E.Multisource evidential classification of surface and frozen ground [J].Int J Remote Sens，1992，13 (17): 3375－3380.

[7]PEDDLE D R.An empirical comparison of evidential reasoning，linear discriminant analysis，and maximum likelihood algorithms for alpine land cover classification [J].Can J Remote Sens，1993，19 (1): 13－44.

[8]COBURN A，ROBERTS B.A multiscale texture analysis procedure for improved forest stand classification [J].Int J Remote Sens，2004，25 (20): 4287－4308.

[9]劉旭升，張曉麗.森林植被遙感分類研究進展與對策[J].林業資源管理，2004(1):61－63.LIU Xusheng，ZHANG Xiaoli.Research advances and countermeasures of remote sensing classification of forest vgetation [J].For Resour Manage，2004 (1): 61－63.

[10]HARALICK R M，SHANMUGAN K，DINSREIN I.Textural features for image classification [J].IEEE Trans，1973，6:610－621.

[11]姜青香，劉慧平，孔令彥.紋理分析方法在TM圖像信息提取中的應用[J].遙感信息，2003(4):24－27.JIANG Qingxiang，LIU Huiping，KONG Lingyan.The application of texture analysis in TM image information extraction [J].Remote Sens Inform，2003 (4): 24－27.

[12]MARCEAU J，HOWAETH J，DUBOIS M，et al.Evaluation of the gray-level co-occurrence matrix method for landcover classification using SPOT imagery [J].IEEE Trans Geosci Remote Sens，1990，28 (4): 513－518.

[13]TREITZ P，HOWARTH P.Integrating spectral spatial and terrain variables for forest ecosystem classification [J].Photogr Eng Remote Sens，2000，66 (3): 305－317.

[14]陳亮，張友靜，陳波.結合多尺度紋理的高分辨率遙感影像決策樹分類[J].地理與地理信息科學，2007，23(4): 18－21.CHEN Liang，ZHANG Youjing，CHEN Bo.High spatial resolution remote sensing image classification based on decision tree classification combined with multiscale texture [J].Geogr Geo-Inform Sci，2007，23 (4): 18－21.

[15]SAKARI T，ANSSI P.Performance of different spectral and textural aerial photograph features in multi-source forest inventory [J].Remote Sens Environ，2005，94: 256－268.

[16]黨安榮，賈海峰，陳曉峰，等.ERDAS IMAGINE遙感圖像處理方法[M].北京:清華大學出版社，2010:67－80.

[17]HARALICK R.Statistical and structural approaches to texture [J].Proceedings IEEE，1979，67 (5): 786-804.

[18]潘潔，李明詩.基于信息量的高分辨率影像紋理提取的研究[J].南京林業大學學報:自然科學版，2010，34(4): 129－134.PANG Jie，LI Mingshi.Textural features analysis of high-resolution remote sensing image based on the information abundance [J].J Nanjing For Univ Nat Sci Ed，2010，34 (4): 129－134.

[19]鄭明國，蔡強國，秦明周，等.一種遙感影像分類精度檢驗的新方法[J].遙感學報，2006，10(1):39－48.ZHENG Mingguo，CAI Qiangguo，QIN Mingzhou，et al.A new approach to accuracy assessment of classifications of remotely sensed data [J].J Remote Sens，2006，10 (1): 39－48.