結(jié)合二維EEMD和小波分解的遙感圖像紋理方向檢測(cè)

劉 曉 杰，范 虹*，黨 小 虎

(1.陜西師范大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710062；2.西安科技大學(xué)地理與環(huán)境學(xué)院，陜西 西安 710054)

結(jié)合二維EEMD和小波分解的遙感圖像紋理方向檢測(cè)

劉 曉 杰1，范 虹1*，黨 小 虎2

(1.陜西師范大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，陜西 西安 710062；2.西安科技大學(xué)地理與環(huán)境學(xué)院，陜西 西安 710054)

遙感圖像紋理特征的提取和分析，可以彌補(bǔ)光譜特征在提取遙感圖像信息特征方面的不足，提高遙感圖像分類、識(shí)別的精度。為了得到遙感圖像紋理特征中較重要的方向性特征，提出一種檢測(cè)遙感圖像紋理方向特征的新方法：先用改進(jìn)后的二維集合經(jīng)驗(yàn)?zāi)B(tài)分解算法(BEEMD)對(duì)原始圖像進(jìn)行處理；再對(duì)分解結(jié)果進(jìn)行小波分解與Radon變換來檢測(cè)圖像紋理的方向性特征。實(shí)驗(yàn)結(jié)果表明,所提算法既能克服小波分解高頻信息泄露的缺陷，增強(qiáng)小波分解的適用性；又能獲得遙感圖像紋理在低頻、垂直和水平等部分較為準(zhǔn)確、精細(xì)的方向特征檢測(cè)結(jié)果，為遙感圖像的識(shí)別與區(qū)分提供更有效的依據(jù)。

BEEMD；小波分解；Radon 變換；遙感；圖像紋理方向檢測(cè)

0 引言

遙感圖像特征是遙感圖像的重要屬性，是遙感圖像研究中較為重要的一部分內(nèi)容[1]。傳統(tǒng)的遙感圖像特征提取，主要提取的是其光譜特征，用來表征光譜信息較為豐富、地物間光譜差異較為明顯的圖像效果較好；但遙感圖像中除了包含豐富的地物光譜信息之外，還含有較復(fù)雜的空間結(jié)構(gòu)關(guān)系，而光譜特征卻不能很好地反映圖像這一屬性，且光譜信息受太陽高度、大氣散射等因素的影響，會(huì)使得影像本身存在不同程度的畸變，從而導(dǎo)致用光譜特征表征遙感圖像特征時(shí)會(huì)出現(xiàn)很大的誤差[2]。所以，為了獲取更全面和更準(zhǔn)確的實(shí)驗(yàn)結(jié)果，應(yīng)選擇受這些因素影響較小且可以反映空間結(jié)構(gòu)關(guān)系的遙感圖像紋理特征進(jìn)行研究。

為了較好地對(duì)圖像紋理特征進(jìn)行提取和分析，Tamura等[3]將其劃分為6個(gè)基本量來表述，分別是：粗糙度(Coarseness)、對(duì)比度(Contrast)、方向性(Directionality)、線像度(Line Likeness)、規(guī)則性(Gularity)和粗略度(Roughness)。其中，紋理方向性特征會(huì)對(duì)人類感知結(jié)果產(chǎn)生很大的影響，且在紋理重構(gòu)、紋理分割、紋理分類和圖像檢索等方面具有較重要的作用[4]，因而成為表征圖像紋理特征的一個(gè)較為重要的基本量。

目前使用較多的紋理方向性特征研究方法有： Ridgelet變換[5]、Gabor濾波器[6]、基于小波的Radon變換[7]等。其中，Ridgelet變換與基于小波的Radon變換算法相似，處理結(jié)果在精度上也相差無幾，但Ridgelet變換對(duì)圖像邊緣部分的處理不理想，易造成處理結(jié)果缺乏稀疏性。二維Gabor濾波器是由復(fù)正弦函數(shù)調(diào)制的含有方向因子的高斯函數(shù)，用它進(jìn)行紋理方向檢測(cè)效果很好，但計(jì)算量稍大且對(duì)于突變、非平穩(wěn)的信號(hào)處理效果不佳?；谛〔ê蚏adon變換的方法簡單易行，且在捕獲圖像方向性信息和處理各向異性紋理等方面都有很好的效果[7]，但它存在著小波分解帶來的兩個(gè)缺陷,即小波基函數(shù)的長度限制會(huì)導(dǎo)致信號(hào)高頻部分的能量泄露,小波基函數(shù)的選擇決定著小波分解的性能,嚴(yán)重制約了這種方法的應(yīng)用[8]。

而Huang等提出的經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，EMD)算法能把復(fù)雜的信號(hào)自適應(yīng)地分解成一定數(shù)量的固有模態(tài)函數(shù)(Intrinsic Mode Functions，IMF)[9],很適合用來處理非線性、非平穩(wěn)信號(hào)[8]。鑒于此，本文在小波和Radon變換檢測(cè)紋理方向性特征算法的基礎(chǔ)上引入改進(jìn)的EMD分解算法，提出基于二維集合經(jīng)驗(yàn)?zāi)B(tài)分解(BEEMD)和小波分解的遙感圖像紋理方向性檢測(cè)算法。所提算法先將圖像進(jìn)行BEEMD分解，再對(duì)其結(jié)果進(jìn)行小波分解，最后對(duì)分解結(jié)果進(jìn)行Radon變換；改進(jìn)后的算法不但能在一定程度上克服能量泄露的缺陷，而且能得到更好的方向性檢測(cè)結(jié)果。

1 集合經(jīng)驗(yàn)?zāi)B(tài)分解和小波分解的原理

1.1 集合經(jīng)驗(yàn)?zāi)B(tài)分解

EMD是一種直觀的、先驗(yàn)的新型自適應(yīng)信號(hào)時(shí)頻研究方法，特別適合于對(duì)非線性、非平穩(wěn)信號(hào)的分析和處理[10],已被廣泛應(yīng)用在很多領(lǐng)域，并取得了較理想的效果。但EMD分解算法也存在著不足，其中一個(gè)主要問題就是在其分解過程中會(huì)出現(xiàn)模態(tài)混疊現(xiàn)象，這種現(xiàn)象以下面兩種表現(xiàn)形式出現(xiàn)在分解過程中：1)單個(gè)IMF中包含不同的時(shí)間尺度成分，2)不同的IMF中存在同一尺度成分；模態(tài)混疊現(xiàn)象在EMD分解結(jié)果中頻繁出現(xiàn)，會(huì)產(chǎn)生嚴(yán)重的錯(cuò)假時(shí)頻分布，并使IMF失去物理意義[11，12]。針對(duì)這種現(xiàn)象Wu等在2009年提出了一種新的噪聲輔助數(shù)據(jù)分析方法：集合經(jīng)驗(yàn)?zāi)B(tài)分解(Ensemble Empirical Mode Decomposition，EEMD)[13]。EEMD算法向原始信號(hào)中添加了白噪聲序列，由于白噪聲頻譜均勻分布的特點(diǎn)可以很好地均衡信號(hào)，所以有效地克服了模態(tài)混疊現(xiàn)象[14]。

1.2 二維集合經(jīng)驗(yàn)?zāi)B(tài)分解

二維經(jīng)驗(yàn)?zāi)B(tài)分解(Bi-Dimensional Empirical Mode Decomposition，BEMD)算法也存在著一維EMD中存在的模態(tài)混疊問題,于是可以將EEMD算法中的噪聲輔助方法應(yīng)用于BEMD中，得到二維集合經(jīng)驗(yàn)?zāi)B(tài)分解算法(Bi-Dimensional Ensemble Empirical Mode Decomposition，BEEMD)。BEEMD與EEMD類似,都是通過N次迭代實(shí)現(xiàn)：首先，將白噪聲添加到輸入信號(hào)中；然后，對(duì)添加了噪聲序列的信號(hào)進(jìn)行BEMD分解，得到各二維本征模型(Bi-Dimensional Intrinsic Mode Function，BIMF)；最后，將經(jīng)過N次迭代分解得到的各BIMF集合的平均值，作為最后的分解結(jié)果。BEEMD具體的分解步驟如下：1)向原始圖像信號(hào)中添加白噪聲序列；2)通過BEMD算法將步驟1中得到圖像信號(hào)分解為一系列BIMF分量；3)當(dāng)每次集成的平均次數(shù)小于預(yù)先設(shè)定的值K時(shí)，重復(fù)步驟1、步驟2，否則繼續(xù)步驟4；4)最后的分解結(jié)果為上述步驟所得的所有BIMF各級(jí)對(duì)應(yīng)的算術(shù)平均值。

為了證明改進(jìn)后的BEEMD取得的效果，本文以較為經(jīng)典的Lena圖像為例，分別對(duì)它進(jìn)行BEMD和BEEMD的分解和重構(gòu)，結(jié)果如圖1和圖2所示。通過對(duì)比可以看出,經(jīng)BEEMD分解得到的BIMF分量中的Lena輪廓更加清晰，重構(gòu)后的圖像效果也更好，從而體現(xiàn)了BEEMD算法的先進(jìn)性。

圖1 Lena圖像的BEMD分解結(jié)果

Fig.1 BEMD of Lena image

圖2 Lena圖像的BEEMD分解結(jié)果

Fig.2 BEEMD of Lena image

1.3 多尺度二維小波分解

小波分析體系能進(jìn)行時(shí)、頻域的局部變換，較有效地提取和分析局部信號(hào)[15,16]。二維小波分解算法同一維小波分解算法類似，它的小波函數(shù)和尺度函數(shù)都是由一維小波函數(shù)和尺度函數(shù)經(jīng)過向量積變換得來的[17]，根據(jù)二維小波分解的方向選擇性，對(duì)遙感圖像進(jìn)行小波分解可將圖中的水平和豎直方向的信息在不同的分解子圖像中顯示出來(圖3)，其基本分解步驟如圖3所示。將尺度j的低頻成分分解為4個(gè)部分，即尺度j+1的低頻成分cAj+1和3個(gè)方向的高頻成分[18]：水平cHj+1、垂直cVj+1及斜線cDj+1部分。尺度會(huì)隨著j值增加而加倍，但分辨率卻隨之變?yōu)樵瓉硪话隱19]；每個(gè)層次的變換中，圖像都變成4個(gè)1/4大小的子圖像[20]。其中↓2表示二抽一采樣，H0及H1分別表示低頻與高頻分解濾波器。

圖3 二維小波分解流程

Fig.3 The flow chart of the bi-dimensional wavelet decomposition

2 圖像紋理方向性檢測(cè)算法的實(shí)現(xiàn)

2.1 算法原理

BEMD算法是自適應(yīng)性的，又不依賴基函數(shù)，很適合用來分析非線性、非平穩(wěn)的信號(hào)[8]；而BEEMD算法不但繼承了BEMD的所有優(yōu)點(diǎn)，而且還能很好地抑制模態(tài)混疊現(xiàn)象，獲取更精確的結(jié)果。所以，針對(duì)基于小波和Radon變換的紋理特征方向檢測(cè)算法中的缺陷，本文提出了基于BEEMD和小波分解的圖像紋理方向檢測(cè)算法:先對(duì)圖像信號(hào)進(jìn)行一次BEEMD分解，這一處理很大程度上優(yōu)化了圖像信息，不僅能在一定程度上抑制小波分解過程中信息泄漏的問題，還可以增強(qiáng)該算法對(duì)非線性、非平穩(wěn)的圖像信號(hào)的處理能力；再對(duì)小波分解結(jié)果進(jìn)行Radon變換，便可以更準(zhǔn)確地獲得遙感圖像紋理方向性檢測(cè)結(jié)果。該算法的原理示意如圖4。

圖4 遙感圖像紋理方向性檢測(cè)算法原理示意

Fig.4 Schematic of detection method for remote sensing image texture direction

2.2 算法的實(shí)現(xiàn)

本文算法實(shí)現(xiàn)的具體步驟如下：

步驟1：對(duì)獲得的遙感圖像信號(hào)進(jìn)行包括濾波、去噪聲等簡單操作后，得到預(yù)處理后的圖像。

步驟2：對(duì)預(yù)處理后的圖像進(jìn)行BEEMD分解，得到遙感圖像的一系列BIMF和一個(gè)余量。

步驟3：對(duì)步驟2中分解得到的BIMF1進(jìn)行二維小波分解，得到高頻、低頻等各部分分解結(jié)果。

步驟4：對(duì)步驟3得到的結(jié)果，用式(1)計(jì)算得到圖像的Radon變換結(jié)果，即為遙感圖像紋理方向性的檢測(cè)結(jié)果。

[R,xp]=Radon(I,theta)

(1)

其中，I是待處理圖像，theta是投射角度，R記錄了圖像I沿theta(θ角)方向上的Radon變換值，xp則對(duì)應(yīng)于x′軸的坐標(biāo)值[21,22]。

本文僅取0°、45°和90°三個(gè)角度作為theta的值對(duì)Radon變換結(jié)果進(jìn)行分析，獲得遙感圖像紋理方向性特征(紋理傾斜角α和θ的關(guān)系如式(2))。

(2)

3 算法檢測(cè)結(jié)果及分析

以上海虹橋機(jī)場(chǎng)的遙感圖像作為研究對(duì)象，采用本文提出的方法對(duì)其進(jìn)行處理。圖5是經(jīng)過預(yù)處理的遙感圖像；圖6為預(yù)處理后的圖像進(jìn)行BEEMD變換的結(jié)果；圖7為BIMF1經(jīng)過二維小波分解的結(jié)果；圖8中的兩個(gè)子圖分別是經(jīng)過BEEMD算法處理和沒有經(jīng)過BEEMD算法處理的小波分解結(jié)果；圖9為使用了改進(jìn)后算法的實(shí)驗(yàn)結(jié)果和原圖直接Radon變換的結(jié)果。

圖5 經(jīng)過預(yù)處理的遙感圖像

Fig.5 Preprocessing of remote sensing images

圖6 預(yù)處理后圖像經(jīng)過BEEMD變換的結(jié)果

Fig.6 BEEMD result of remote sensing images

圖7 BIMF1經(jīng)過二維小波分解的結(jié)果

Fig.7 Two-dimensional wavelet transform of BIMF1 image

圖8a是預(yù)處理圖像直接經(jīng)小波分解得到的結(jié)果；圖8b是對(duì)預(yù)處理后圖像進(jìn)行BEEMD分解，然后經(jīng)小波變換得到的結(jié)果。將圖8a、圖8b中垂直部分和水平部分的圖像分別進(jìn)行對(duì)比，能很明顯地看到圖8b中垂直部分和水平部分的圖像中不僅含有原始圖像中對(duì)應(yīng)的垂直部分和水平部分的信息，還含有較多的無關(guān)信息；而圖8a中的垂直部分和水平部分的圖像除了很好地反映了原始圖像中對(duì)應(yīng)的垂直部分和水平部分的信息外，幾乎不含其他的干擾信息。對(duì)比結(jié)果充分暴露了小波分解存在信息泄漏的這一缺陷，這將給圖像的進(jìn)一步處理帶來較多的干擾，甚至?xí)?dǎo)致信息提取錯(cuò)誤；同時(shí)對(duì)比結(jié)果也證明了加入BEEMD算法確實(shí)能有效地克服小波分解帶來的圖像信號(hào)高頻部分能量泄露這一缺陷，并取得了比較理想的實(shí)驗(yàn)結(jié)果。

圖8 算法改進(jìn)前后的小波分解結(jié)果

Fig.8 The wavelet transform results before and after algorithm improvement

圖9a-圖9c為原始遙感圖像經(jīng)過文中所提算法處理后得到的原始遙感圖像在低頻、垂直和水平部分的紋理方向性檢測(cè)結(jié)果，根據(jù)圖中紋理方向性特征在指定的3個(gè)方向(0°、45°和90°)上的特征變化曲線，可以較容易地推斷出原始圖像的主方向是豎直方向；并且，這3個(gè)子圖中的特征變化曲線所反映的遙感圖像紋理方向的一些細(xì)微特征，可以作為區(qū)分該原始遙感圖像和其他遙感圖像的重要依據(jù)。圖9d是原始遙感圖像沒有經(jīng)過任何處理直接進(jìn)行Radon變換得到的結(jié)果，通過它與圖9a-圖9c的對(duì)比，可以發(fā)現(xiàn)圖9d只是籠統(tǒng)地反映了原始遙感圖像的一些紋理方向性特征，并不能較精確地、完整地反映出圖像紋理的方向性特征。所以在區(qū)分那些方向性特征比較相似的遙感圖像時(shí)，圖9d這樣的實(shí)驗(yàn)結(jié)果必定會(huì)給遙感圖像的識(shí)別、分類等工作帶來很大的麻煩。綜上所述，用文中提出的算法可以檢測(cè)得到較理想的遙感圖像紋理方向性特征信息。

圖9 本文算法的實(shí)驗(yàn)結(jié)果和原圖直接Radon變換的結(jié)果

Fig.9 The results of the proposed algorithm and Radon transform

4 結(jié)語

本文在小波分解結(jié)合Radon變換算法檢測(cè)遙感圖像紋理方向性特征的基礎(chǔ)上，加入BEEMD算法進(jìn)行改進(jìn)，得到基于BEEMD和小波分解的遙感圖像紋理方向檢測(cè)算法。試驗(yàn)結(jié)果表明，改進(jìn)后的算法很大程度上克服了原算法高頻信息泄漏和適用性較差的缺陷，取得了更精細(xì)、準(zhǔn)確的紋理方向性特征信息，這些充分證明了改進(jìn)后算法的有效性和優(yōu)越性。但文中所提算法的方向自適應(yīng)性不是很強(qiáng)，在檢測(cè)時(shí)尚不能提供較靈活的方向性選擇，本文在這方面還有待進(jìn)一步改進(jìn)。

[1] 李先華,師彪,劉學(xué)鋒.大氣程輻射遙感圖像技術(shù)[J].上海大學(xué)學(xué)報(bào)(自然科學(xué)版),2007(4):348-351,356

[2] 梅安新,秦其明,劉慧平,等.遙感導(dǎo)論[M].北京:高等教育出版社,2001.

[3] LAWS K L.Textured Image Segmentation[D].Los Angeles:University of Southern California,1980.

[4] 姬蘋.基于相位一致性的紋理方向檢測(cè)和感知方向性度量[D].青島：中國海洋大學(xué),2012

[5] KOUROSH J K,HAMID.Radon transform orientation estimation for rotation invariant texture analysis[J].IEEE Trans.Pattern Anal.Mach.Intell.,2005(27):1004-1008.

[6] ROSENFELD A,KAK A.Digital Picture Processing(2nd Edition)[M].Academic Press,1982.

[7] GRIGORESCU S E,PETKOV N,KRUIZING P.Comparison of texture feature based on gabor filters[J].IEEE Transactions on Image Processing,2002,11(10):1160-1167.

[8] 李廣瓊,陳榮元.基于BEM和自適應(yīng)提升小波分析的圖像增強(qiáng)[J].計(jì)算機(jī)工程與應(yīng)用,2014(21):195-199,204

[9] 王朝暉,張來斌,樊長博.基于EMD和HT視頻分析方法的滾動(dòng)軸承故障診斷[J].石油機(jī)械,2007(5):32-34

[10] 殷曉中,于盛林.信號(hào)的時(shí)頻分析理論與應(yīng)用評(píng)述[J].現(xiàn)代電子技術(shù),2006(21):118-120

[11] WANG T,ZHANG M C,YU Q H,et a1.Comparing the applications of EMD and EEMD on time-frequency analysis of seismic signal[J].Journal of Applied Geophysics,2012(83):29-34.

[12] LEI Y G,HE Z J,ZI Y Y.EEMD method and WNN for fault diagnosis of locomotive roller bearings[J].Expert Systems with Applications,2011(38):7334-7341.

[13] 周先春,嵇亞,孫文榮.基于ICA算法的集合經(jīng)驗(yàn)?zāi)B(tài)分解去噪方法[J].軟件,2014(7):13-17,22

[14] 胡橋,郝保安,呂林夏.基于集成EMD和DEMON譜的輻射噪聲特征提取研究[Z].西寧:中國震動(dòng)工程學(xué)會(huì),2008.

[15] 肖芬.基于提升方法的多元小波構(gòu)造研究[D].湘潭:湘潭大學(xué),2008

[16] 周奇.基于小波變換在指紋識(shí)別中的應(yīng)用研究[J].科技資訊,2011(19):28-29

[17] 冼廣銘,王知衍,黃鯤.緊支撐二維小波多尺度融合圖像效果評(píng)價(jià)[J].計(jì)算機(jī)工程與設(shè)計(jì),2006(15):2740-2743

[18] 黃鉉.小波變換在多媒體圖像檢索中的應(yīng)用研究[D].成都：西南交通大學(xué),2006

[19] 付剛,董小剛.二維小波在圖像壓縮方面的應(yīng)用[J].長春工業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2005(3):203-205

[20] 黃建華,周天宏,李國義.小波變換在圖像壓縮中的應(yīng)用研究[J].遼寧工學(xué)院學(xué)報(bào),2006(6):362-365

[21] 張曉艷.車牌識(shí)別算法的研究和實(shí)現(xiàn)[D].南京：南京郵電大學(xué),2011

[22] COPELAND A C,RAVICHANDRAN G,TRIVEDI M.Localized Radon transform based detection of ship wakes in SAR images[A].IEEE Transactions on Geoscience Electronics[C].1995.

Detection Method for Remote Sensing Image Texture Direction Based on Bi-dimensional EEMD and Wavelet Transform

LIU Xiao-jie1,FAN Hong1,DANG Xiao-hu2

(1.School of Computer Science,Shaanxi Normal University,Xi′an 710062；2.College of Geography and Environment,Xi′an University of Science and Technology,Xi′an 710054,China)

The extraction and analysis of remote sensing image texture feature can make up for the inadequacy of spectral feature extraction,can improve the accuracy of remote sensing image classification and recognition.In order to get the direction of the more important features of remote sensing image texture feature，this paper presents a new method of processing the texture direction features of remote sensing image detection technology based on digital image.First of all,the original image is decomposed to a number of BIMF function via two-dimensional improved ensemble empirical mode decomposition algorithm(BEEMD);then,the BIMF1 is decomposed by wavelet;finally,the results of wavelet decomposition are performed on Radon transform to obtain the remote sensing image texture directional characteristics.The experimental results show that the combination of BEEMD and wavelet transform algorithm,which can overcome the wavelet decomposed high frequency information leakage defect,enhance the usability of the wavelet,and get more accurately detect the direction of the remote sensing image texture feature in the low frequency,vertical and horizontal parts,which can provide a more effective basis for the subsequent recognition of remote sensing image and distinguish work.

BEEMD;wavelet transform;Radon transform;remote sensing;image texture direction detection

2015-05-28；

2015-08-12

國家自然科學(xué)基金項(xiàng)目(41271518)；陜西省自然科學(xué)基金項(xiàng)目(2014JM2-6115)；中央高?；究蒲袠I(yè)務(wù)費(fèi)項(xiàng)目(GK200902018)

劉曉杰(1990-)，男，碩士研究生，研究方向?yàn)閳D像處理。*通訊作者E-mail:fanhong@snnu.edu.cn

10.3969/j.issn.1672-0504.2016.01.013

TP79

A

1672-0504(2016)01-0066-05