結合光譜與森林紋理結構基元的遙感森林植被分割算法

矯林濤，于寧

?

結合光譜與森林紋理結構基元的遙感森林植被分割算法

矯林濤，于寧

摘要：針對目前森林植被分割方法多特征利用的問題，提出了一種綜合利用光譜與其紋理特征構建森林紋理結構基元（SEFT）的分割方法。首先，探測森林植被典型區域的藍噪聲特征，計算森林植被紋理單元的尺度特征和灰度分布，之后通過歸一化植被指數（NDVI）計算其植被覆蓋度，然后，結合區域的灰度、形狀和其他紋理特征構建不同尺度下森林紋理結構基元（SEFT），利用結構基元與圖像進行匹配，最后，通過植被覆蓋度與匹配系數的加權獲取分割結果。實驗結果表明，其算法能夠提高植被區域分割的準確性，取得了較好的分割效果。

關鍵詞：森林紋理結構基元;藍噪聲;多尺度;植被指數;分割

0　引言

森林植被識別是森林資源遙感監測的基礎工作，隨著遙感技術的迅速發展，遙感已成為GIS重要的數據源和數據更新手段。高分辨率影像不僅有光譜信息，而且還提供豐富的空間、紋理特征信息。針對高分辨率影像數據量巨大且地物類型多樣的特點，采用單一特征進行分割具有較大的局限性，多特征結合的影像分割方法已經成為當前研究的熱點[1]。近年來，越來越多的研究結果表明，將空間信息與光譜信息共同用于遙感圖像的分類過程，既可以充分利用高空間分辨率圖像中豐富的空間信息，又可以提高信息圖提取的精度[2]。許多學者提出了結合光譜與紋理的分割方法[3]，如JSEG[4-5]、高斯混合模型[6-7]等。其中，王雷光等人[8]提出的光譜與紋理特征加權的高分辨率遙感紋理分割算法采用光譜與紋理信息加權實現了影像分割，但其未能有效結合紋理尺度信息，分割難以達到理想效果。

針對目前森林植被分割方法多特征利用的問題，提出一種綜合利用光譜與其紋理特征構建森林紋理結構基元（SEFT）的分割方法。該方法首先利用自然森林植被在特定尺度呈現高頻的隨機特性，針對樹冠大小特征的不同區域，進行多次藍噪聲探測，計算出森林植被的多個尺度特征和灰度分布。然后利用歸一化植被指數（NDVI）計算其植被覆蓋度。再依據所獲取的灰度、尺度與形狀信息構建不同尺度下結構基元，使用各個尺度下的結構基元，分別與原圖像進行匹配，利用所獲取的匹配系數與植被覆蓋度的加權實現最終分割。實驗結果表明，本文提出的算法能夠充分使用影像中的多種信息，實現準確而高效的分割。

1　基于藍噪聲理論探測的改進

本文采用的藍噪聲探測方法是基于劉小丹等人[9]提出的基于藍噪聲理論的遙感圖像森林植被紋理測量。該方法利用森林植被基礎特征快速選擇圖像的探測區域，結合自然森林植被在特定尺度呈現高頻隨機特性，即藍噪聲特性，通過快速傅里葉變換探測區域在不同尺度下的藍噪聲特征，當探測到藍噪聲特征時，根據當前區域尺寸和原區域尺寸，計算樹冠紋理尺度，即樹冠直徑的像素個數。

不同地物具有不同的最優尺度空間，天然森林植被存在生長不規律現象，即使同幅影像中的森林植被也存在樹冠大小區別。因此，針對不同樹木具有不同尺度問題，本文在基于上述方法中只針對某片典型區域進行藍噪聲探測的基礎上，選取多個典型區域進行藍噪聲探測，獲取多個尺度值。

根據文獻[9]中藍噪聲探測方法結果如圖1所示：

圖1　原方案植被紋理尺度探測頻譜響應

圖1（a）是區域對應的512×512多光譜圖像，圖1（b）是區域的全色圖像經過增強處理，圖1（c）是區域縮放到64×64多光譜圖像，圖1（d）是對應的64×64區域增強處理圖像，圖1（e）是區域頻譜響應圖。根據尺度計算公式（1）：

但在典型森林植被區域（圖1（a））中，在兩處標記區域處的樹冠大小有明顯的不同。若對此區域只做一次藍噪聲探測，必然會出現尺度偏差。因此，在將遙感圖像N等分，根據各區域基礎特征快速篩選最合適區域的基礎上，再將合適區域進行等分，分別探測等分之后圖像藍噪聲特征，統計其尺度特征，如圖2所示：

圖2　多區域藍噪聲探測

經試驗測試，圖2（a）在縮放到68×68時，藍噪聲特征明顯，圖2（b）68×68區域圖像，圖2（c）在62×62出現藍噪聲特征最明顯，圖2（d）62×62區域圖像。根據尺度計算公式（1），可得出兩個不同尺度。

2　歸一化植被指數

歸一化植被指數NDVI（Normalized Difference Vegeta -tion Index），又稱標準化植被指數，在使用遙感圖像進行植被研究以及植物武侯研究中得到廣泛應用，它是植物生長狀態以及植被空間分布密度的最佳指示因子，與植被密度呈線性相關。實驗表明，它是單位像元內的植被類型、覆蓋形態、生長狀況等的綜合反映，其大小取決于植被覆蓋度和葉面積指數等要素；NDVI對植被覆蓋度的檢測幅度較寬，有較好的相對和空間適應性，因此應用較廣。

NDVI被定義為近紅外波段和可見光紅光波段數值之差和這2個波段數值之和的比值。其計算如公式（2）：

式中sr3和sr4分別為第三和第四波段的光譜反射率。ND VI的值被限定在[-1,1]范圍內，非植被區沙漠、水體的NDVI值很低或為負值，一般認為其值小于0.1時植被已很稀少。

NDVI雖然可以直觀地反映區域的植被變化情況，但在生態評價等方面其依然是一個間接變量。通常植被覆蓋度是最直接可用的、也便于區域之間數量對比的植被因子。植被覆蓋度f的計算是基于NDVI的。其計算如公式（3）：

式中NDVI為NDVI圖上某像元的NDVI實際值；

3　森林紋理結構基元（SEFT）

森林紋理結構基元SEFT(Structure Element of Forest Tex -ture)，簡稱結構基元，是描述森林紋理結構的一種模板，是一個多值矩陣，用于森林植被分割。森林紋理，遙感圖像中，其微觀形態表現為樹冠單元。

本文基于形態學結構元素和特征基元思想，特征基元是指遙感影像上相互連通的一系列具有相同或相似特征的像元所組成的區域，這些特征包括光譜、紋理、空間組合關系等[12-13]，通過對典型植被（喬木）紋理微觀結構形態分析，自然狀態生長的森林植被在色調、樹冠尺寸、高光與陰影對比度等方面的特性構成區別于其他植物，因此，利用所獲取的灰度、形狀、尺度以及其他紋理信息構造描述樹冠單元的結構元。

樹冠結構形狀隨植物種類有一定變化，但在較大尺度上趨于圓形；中心與周圍對比度明顯，灰度過度平滑，中間灰度的像素居多；陽光照射角度以及地面坡度變化，會引起對比度的反相。基于以上特點，構建樹冠結構元的本質思想是：首先，根據樹冠形狀特性，所設計的樹冠應當趨于圓形，根據之前所獲取的不同尺度值，可作為圓形的直徑，設計出不同尺度的圓形結構元；之后，結構元的灰度范圍應當滿足之前提取的灰度范圍，根據樹冠的自然生長特性，樹冠中心部分灰度值應大于周圍值且過渡平滑到周圍。設探測樹冠尺度為d,則樹冠半徑r=d/2。

根據樹冠灰度分布特點，定義結構元灰度分布如公式（4）、（5）：

4　森林植被分割

首先，利用探測典型區域時的色調信息以及灰度范圍，對圖像進行預處理。在一幅遙感圖像中，大部分的森林植被以綠色色調為主，并且物體的灰度信息和色調信息是一致的，對于森林植被其色調和灰度也是固定在某個范圍，不會因為時間和位置的不同引起太大的差異。因此，利用統計所得的灰度和色調范圍，將圖像中色調以及灰度范圍外的像素過濾。

4.1結構基元的匹配系數

圖3　結構元與原圖像被選區域

4.2植被覆蓋度與結構基元加權

光譜特征與紋理特征的組合是實現光譜紋理分割的關鍵之一，最為常用的便是加權組合方式。fc和C(i,j)分別為植被覆蓋度和結構基元匹配系數，設Wf和Wc為對應的權重，則植被覆蓋度與匹配度加權組合形式如公式（7）：

Wf和Wc的確定便成為植被覆蓋度與紋理組合的關鍵問題。基于本文算法針對森林喬木，并不包括草地等其他植被在內，因此樹冠結構基元的匹配系數應為關鍵，經試驗表明，植被覆蓋度取0.3時效果最好。

4.3數學形態學后處理

數學形態學是針對圖像內在結構運算。腐蝕和膨脹是最基本的數學形態學運算，其組合形成開運算和閉運算，可以有效地消除特定尺寸的雜波，并將某些相連的圖像進行分割。在所得到的分割圖像中會出現一些小的誤判區域，因此，采用數學形態學的開運算來消除散點和毛刺，對圖像進行平滑處理。

5　實驗結果與分析

本文采用MATLAB進行實驗。實驗所用遙感圖像為Qucick Bird衛星（全色+多光譜）捆綁數據，本文算法對遙感圖像全色分辨率的要求是高于1.5米，以保證樹冠紋理單元有足夠的像素用于尺寸縮小處理以及分割。

實驗1選取城市與森林植被的遙感圖像進行，如圖4所示：

圖4　城市森林植被區域圖像及分割結果

如圖4（a）、圖4（b）為文獻[10]算法得到的分割結果。實驗根據標記兩處分別進行藍噪聲探測，根據公式(1)，得到兩處尺度分別為9和11，灰度范圍60-140，對應的結構基元如圖5所示：

圖5　結構元

經過兩個尺度的結構元提取后，最終分割效果如圖4（c）。

實驗2的場景中有森林和空地，如圖6所示：

圖6　空地和森林植被區域圖像及分割結果

如圖6（a）所示。圖6（b）為文獻[10]算法得到的分割結果。圖6（c）為本文算法。

實驗3的場景為森林道路郊區圖像，如圖7所示：

圖7　道路郊區區域圖像及分割結果

如圖7（a）所示。圖7（b）為文獻[10]算法得到的分割結果。圖7（c）為本文算法。

實驗結果表明，相比于參考文獻[10]本文分割效果更加清晰、準確。3幅圖像中文獻[10]對于紋理相對細密地區存在欠分割現象，以箭頭指示，而本文算法減少了區域內的像素錯分，提高了正確分割率，得到了較好的分割效果。

6　總結

本文提出的基于藍噪聲理論的多尺度遙感森立植被分割方法，實現了利用藍噪聲特征進行多尺度的探測，并結合其他有效特征構造結構元實現植被分割。但本文所用方法中，

構造結構元結構的構建建立在較充分的先驗知識的基礎上，結構元的準確性將直接影響到分割效果。為進一步提高分割效果，在本文的基礎上，對樹冠結構元的優化以及結構元與原圖像區域的運算有待進一步研究。

參考文獻

[1] 巫兆聰,胡忠文,張謙,等..結合光譜、紋理與形狀結構信息的遙感影像分割方法[J].測繪學報,2013,42(1):44-45.

[2] 黃立賢,沈志學,等.基于光譜與紋理特征的高空間分辨率圖像分類算法[J].光電技術應用,2014,29(3):34-37.

[3] 張學良,肖鵬峰,馮學智..基于圖像內容層次表征的遙感 圖 像 分 割 方 法 [J]. 中 國 圖 象 圖 學報,2012,17(1):142-149.

[4] TRIAS-SANZR, STAMONG, LOUCHETJ.Using Colour,Texture andHierarchicalSegmentation for High-resolution Remote Sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2008,63:156-168.

[5] LIUTT,ZHANGLP,LIPX, et al. Region Segmentation of Multi-spectral Remote Sensing Images Using Improved JSEG Algorithm[J]. Joumal of Remote Sensing,2009,13(1):30-34.

[6] DENGY,MANJUNATHBS.Unsupervised Segmentationof Color-texture Regions in Image and Video[J] . IEEE Trans-actions on Pattern Analysis and Machine Intelligence,2001,23(8):800-810.

[7] CARSON,BELONGIE C,GREENSPAN S H,et al.Blobworld :Image Segmentation Using Expectation maximizationandPatternAnalysis and Machine Intelligence,2002,24(8):1026-1038[C].

[8] PERMUTER,FRANCOS H,JERMYN J I,A Study of Gaussian MixtureModelsof Color and Texture Features for Image Classification and Segmenta -tion[J].Pattern Recognition.,2006,39:695-706.

[9] 王雷光,劉國英,等.一種光譜與紋理特征加權的高分辨率遙感紋理分割算法[J].光學學報,2009,29(11):10-17.

[10] 劉小丹,楊燊.基于藍噪聲理論的遙感圖像森林植被紋理測量[J].國土資源遙感, 2015,27 (2): 63-68.

[11] 陳晉,陳云浩.基于土地覆蓋分類的植被覆蓋率估算像元模型與應用[J].遙感學報,2001,5(6):416-422.

[12] 李紅,李德江,等.快速城市化背景下上海崇明植被覆蓋度景觀格局分析[J].華東師范大學學報(自然科學版),2009,(6):89-100.

[13] MAURO C,EUFEMIA T.Accuracy assessment of per-field classification integrating very fine spatial resolution satellite imagery with topographic data[J]. Journal of Geospatial Engineering, 2001,3(2):127-134.

[14] BENZU,HOFMANNP,WILLHAUCK G,et al. Multiresoluting,object-oriented fuzzy analysis of remote sensingdataforGIS-ready information[J]. ISPRS JournalofPhotogrammetry&RemoteSensing, 2004(58):239-258.

收稿日期：（2015.04.07）

作者簡介：矯林濤（1989-），男，遼寧師范大學，計算機與信息技術學院，碩士研究生，研究方向：圖像處理，大連，116029 于寧（1990-），女，遼寧師范大學，計算機與信息技術學院，碩士研究生，研究方向：圖像處理，大連，116029

文章編號：1007-757X(2015)12-0041-03

中圖分類號：TP751

文獻標志碼：A