基于多種紋理特征的全色圖像云雪區特征提取

孫 磊，曹曉光

（北京航空航天大學 圖像處理中心，北京 100191）

基于多種紋理特征的全色圖像云雪區特征提取

孫 磊，曹曉光

（北京航空航天大學 圖像處理中心，北京 100191）

針對全色圖像云檢測與雪檢測的問題，文中提出了一種基于多種紋理特征的特征提取方法。首先，利用自適應的大津閾值分割算法提取云、雪區域。然后，通過分形維數、灰度共生矩陣、小波變換等方法提取云、雪區域的多種紋理特性。最后，利用徑向基核函數的支持向量機（Support Vector Machine，SVM）分類器進行云雪自動檢測。典型遙感數據的實驗結果驗證了本文算法的有效性。

全色圖像；種紋理特征；特征提取；云雪檢測

遙感圖像云、雪檢測是遙感應用研究中的重點和難點問題之一。雪的存在會給遙感監測人員統計圖像中云的覆蓋量的工作造成干擾；同時，云的存在也會降低積雪檢測的準確率。因此，提出一種云、雪自動識別的可靠方法具有十分重要的應用意義。

何全軍等利用云和雪在近紅外波段反射率的差異來檢測云雪[1]；殷青軍等提取多個波段的反射率和亮溫差，進行基于NORR/AVHRR數據的云雪識別[2]。然而，鑒于云、雪在全色波段的光譜特性相似，難以有效地區分云和雪，基于全色圖像的云、雪識別方法并不多見。

1 全色圖像典型云雪區域特征分析

丁海燕等的方法利用分形維數特征表征圖像整體與局部紋理的相似程度[3]。但是，實際雪區的紋理存在多樣性。圖1給出了典型的云、雪樣本。圖1（a）是全色圖像中典型的云樣本?？梢?，云的整體和局部紋理相似度較高。圖1（b）給出了覆蓋山脈的永久積雪，受地面紋理影響，雪的局部紋理與整體紋理呈現較大差異。然而，圖1（c）給出的積雪樣本未受地面紋理的影響，其整體和局部的紋理也存在顯著的相似性。可見，丁海燕等的基于分形維數作為單個紋理特征的云、雪識別方法不能用來檢測未受地面紋理影響的雪，該方法具有局限性。

圖1 典型云、雪樣本Fig.1 Typical cloud and snow samples

本文采用多種紋理特征相結合的特征提取方法進行云、雪檢測。該方法不僅利用了分形維數特征，同時結合了灰度共生矩陣相關性特征以及小波變換的方法來進一步描述云、雪的紋理。

灰度共生矩陣的相關性特征，體現了灰度共生矩陣行或者列之間的相似性，表征圖像灰度級之間的線性相關程度。也就是說，相關性反映了特定灰度值沿著特定方向延伸的長度，延伸越長，紋理的方向性越強，其相關性值也越大。比較圖1給出的云樣本（a）和雪樣本（b）?？梢?，云的紋理雜亂沒有規律，而雪的紋理具有更好的方向性。

此外，云樣本（a）邊緣紋理較模糊，雪樣本（b）、（c）邊緣紋理較清晰。可見，云的邊緣灰度變化較緩慢，對應小波變換后低頻分量較多；而雪的紋理邊緣灰度變化較快，對應小波變換后高頻分量較多。因此，通過離散小波變換計算高頻成分能量占圖像總能量的比值可以反映云、雪邊緣紋理的差異。

2 基于多種紋理特征相結合的特征提取

本文利用云、雪的高反射率特性，采用大津閾值分割的方法將目標區域與背景分離[4]，之后通過分形維數、灰度共生矩陣、離散小波變換提取多種紋理特征計算云、雪的覆蓋分布。

2.1 分形維數

分形維數的具體計算方法如下：定義 f（x，y）是位置（x，y）點的像素灰度值，按照空間尺度r將M×M大小的圖片分割成r×r大小的小區域，每一個小區域上是一列r×r×h大小的盒子，h代表了單個盒子的高度，G表示整幅圖像的灰度級。h定義如下：

覆蓋第（i，j）個區域的盒子數目可由下式計算：

其中，l和k分別表示區域中灰度的最大值和最小值。整幅圖像的盒子數目可以通過下式獲得：

定義對應空間尺度r的分形維數為：

對于不同的空間尺度r，求出對應的Nr。分別以log（1/r）為橫坐標，log（Nr）為縱坐標，將一系列 log（1/r）和 log（Nr）描繪在圖上，利用最小二乘法擬合這些點，將直線的斜率作為整幅圖像的分形維數[5]。

2.2 灰度共生矩陣

灰度共生矩陣是一種通過研究灰度的空間相關特性來描述紋理的方法，相關性特征可以通過構建灰度共生矩陣計算得到?；叶裙采仃嚨亩x如下[6]：定義為圖像中的一對像素點，i和j分別代表兩個點的灰度值，兩點間的空間距離為d，夾角為 θ。 通常 d取值為 1 或者 2，θ取值為 0°，45°，90°，135°。

計算灰度共生矩陣每一點的值如下：

其中，P（i，j，d，θ）表示像素點（i，j）出現的頻率。

相關性可以通過下式得到：

其中 μi，μj，σi，σj分別表示灰度共生矩陣第 i行和第 j列的期望和方差。

2.3 離散小波變換

本文利用基于Mallat算法的離散小波變換將圖像分解為高頻分量和低頻分量。高頻分量的總能量與圖像總能量的比值反映云、雪的邊緣紋理灰度變化快慢的不同。首先使用一組低通和高通濾波器對圖像濾波，然后對輸出結果進行行和列的下二采樣[7]。圖像經過一次小波變換被分解成一個低頻子圖LL和三個方向上的高頻子圖HL、LH、HH。低頻分量反映圖像的內容和背景，高頻分量反映圖像的邊緣和細節。定義高頻分量的總能量與圖像總能量的比值ER作為表征圖像邊緣的紋理特征：

其中，Eh，E，Ed分別表示3個方向上高頻子圖的能量，表示整幅圖像的能量。

3 實驗結果

3.1 實驗數據

實驗樣本選自遙感二號衛星采集的高分辨率全色影像，空間分辨率是2米。遙感二號衛星主要覆蓋中國西部區域，這些地區海拔高、山地較多的特點適合永久積雪區域的形成，因此選擇遙感二號衛星數據作為實驗樣本具有非常重要的實際參考價值。

本文采取核函數為徑向基函數的SVM分類器來驗證算法的有效性。通過雙交叉驗證算法[8]進行參數尋優，得到誤差懲罰系數C=32.0，徑向基核寬度σ=2.0。截取了200幅64x64大小的圖像作為SVM分類器的訓練樣本，其中100幅云樣本，100幅雪樣本。同時，從其他實驗數據截取另外200幅64x64大小的圖像作為測試樣本，用來評估SVM分類器的性能。

3.2 實驗步驟和結果分析

實驗步驟如下：

1）通過大津閾值分割算法得到分離圖像背景與云雪區域的最佳閾值；

2）把被測圖像分割成若干64x64大小的子塊，并且計算每個子塊的平均灰度值；

3）提取平均灰度值大于的子塊構成云雪區域；4）利用SVM分類器對目標區域進行云雪判別。圖2給出了基于遙感二號衛星數據的實驗結果。

圖2（a）、（b）是兩組遙感二號衛星拍攝的實驗樣本。圖2（c）、（d）是經過大津閾值分割后的結果，通過大津閾值實現了云雪區域（白色）與背景區域（黑色）的分離。圖2（e）、（f）給出僅采用分形維數特征進行特征提取的實驗結果。可見，圖2（e）利用分形維數特征可以區分大部分云、雪，而圖2（f）中的云和雪都被檢測成雪。結果表明，圖 2（e）中的積雪受山脈紋理的影響，其整體紋理與局部紋理呈現出較大的差異性，分形維數特征可以起到作用；然而圖2（f）中的積雪并未覆蓋紋理明顯的地物，因而造成分形維數特征失效，不能實現云、雪的準確識別。圖2（g）、（h）是本論文提出的基于多種紋理特征結合應用的實驗結果?？梢?，圖 2（g）、（h）基本消除了圖 2（e）、（f）中存在的云塊和雪塊的誤檢。實驗結果證明，相對于僅采用分形維數特征，基于多種紋理特征結合的方法可以更全面地衡量云、雪的紋理特征，明顯提升云雪自動識別的準確率。

圖2 實驗結果對比Fig.2 Experimental results

3.3 對比實驗結果分析

為了更加客觀地說明算法的有效性并且衡量SVM分類器的性能。本文利用兩個常用的圖像分類器——BP神經網絡分類器、K近鄰分類器，與SVM分類器對測試樣本進行正確率對比實驗。

表1為3種分類器對比實驗的結果。3種分類器對檢測雪的正確率（TN）均為100%，但是，SVM分類器對云的識別效果更好（TP=98）。分類結果顯示，3種分類器的正確率均大于90%，進一步驗證了本文算法的有效性。

表1 3種分類器的準確率Tab.1 Accuracy of the three classifiers

4 結 論

本論文提出一種針對全色圖像云雪自動判別問題的解決方法。該方法采用分形維數、灰度共生矩陣相關性、小波變換高頻能量與圖像總能量比值等特征綜合衡量云、雪的紋理信息。分類結果表明，這些特征的結合使用可以解決雪區紋理的多樣性問題，有效提高了云、雪檢測的準確率。

[1]何全軍，曹靜，黃江，等.基于多光譜綜合的MODIS數據云檢測研究[J].國土資源遙感，2006（3）:19-22.

HE Quan-jun，CAO Jing，HUANG Jiang，et al.Cloud detection in MODIS data based on multi-spectrum synthesis[J].Remote sensing for land&Resources，2006（3）:19-22.

[2]殷青軍，楊英蓮，徐維新.NOAA衛星資料云雪識別方法的研究[J].高原氣象，2002，21（5）:526-528.

YIN Qing-jun，YANG Ying-lian，XU Wei-xin.Research on distinguishing between cloud and snow with NOAA images[J].Plateau Meteorology，2002，21（5）:526-528.

[3]丁海燕，馬靈玲，李子揚，等.基于分形維數的全色影像云雪自動識別方法[J].遙感技術與應用，2013，28（1）:52-57.

DING Hai-yan，MA Ling-ling，LI Zi-yang，et al.Automatic identification of cloud and snow based on fractal dimension[J].Remote sensing technology and application，2013，28 （1）:52-57.

[4]楊俊，呂偉濤，馬穎，等.基于自適應閾值的地基云自動檢測方法[J].應用氣象學報，2009，20（6）:713-721.

YANG Jun，LV Wei-tao，MA Ying，et al.Anautomatic ground-based cloud detection method based on adaptive threshold[J].Journal of applied meteorological science，2009，20（6）:713-721.

[5]單娜，鄭天垚，王貞松.快速高準確度云檢測算法及其應用[J].遙感學報，2009，13（6）:1138-1155.

SHAN Na，ZHENG Tian-yao，WANG Zhen-song.High-speed and high-accuracy algorithm for cloud detection and its application[J].Journal of remote sensing，2009，13（6）:1138-1155.

[6]JIA Long-hao，ZHOU Zhong-fa，LI Bo.Study of SAR image texture feature extraction based on GLCM in GuiZhou Karst mountainous region [C]//Proceedings of 2012 2nd InternationalConference on Remote Sensing.Nanjing:Environment and Transportation Engineering （RSETE），2012:1-4.

[7]張波，季民河，沈琪.基于小波變換的高分辨率快鳥遙感圖像薄云去除[J].遙感信息，2011（115）:38-43.

ZHANG Bo，JI Min-he，SHEN Qi.Wavelet based cloud removalfrom high-resolution remote sensing data:an experiment with QuickBird imagery [J].Remote sensing Information，2011（115）:38-43.

[8]QIAN Zhang，KI Jung-Lee，Taeg Keun-whangbo.K-means and double cross-validation algorithm for LS-SVM in Sasang typology classification [C]//Proceedings of2007 IEEE International Conference on Automation and Logistics，Jinan:[s.n.].2007:426-430.

Feature extraction based on combined textural features from panchromatic cloud and snow region

SUN Lei，CAO Xiao-guang
（Image Processing Center of Beihang University， Beijing 100191， China）

A feature extraction algorithm based on several combined textural features is presented to distinguish cloud and snow from panchromatic images.Firstly，the target region of the image including cloud and snow is picked up by an adaptive threshold segmentation method based on Ostu algorithm.Secondly，different kinds of textural features are extracted from the target region by fractal dimension，Gray Level Co Occurrence Matrix （GLCM）and Discrete Wavelet Transform.At last，SVM classifier with RBF kernel is used to distinguish cloud and snow automatically.Experimental results indicate that the proposed method can obviously improve the accuracy under the typical remote sensing data.

panchromatic images； combined textural features； feature extraction； cloud and snow detection

TN919.8

A

1674-6236（2014）02-0174-03

2013-06-21 稿件編號：201306140

孫 磊（1989—），男，天津人，碩士研究生。研究方向：圖像處理、模式識別與智能系統。