結合多尺度紋理特征的遙感影像面向對象分類

林　雪，彭道黎，黃國勝，王雪軍

(1.北京林業大學 林學院，北京 100083;2.國家林業局調查規劃設計院，北京 100714)

?

結合多尺度紋理特征的遙感影像面向對象分類

林雪1，彭道黎1，黃國勝2，王雪軍2

(1.北京林業大學 林學院，北京 100083;2.國家林業局調查規劃設計院，北京 100714)

摘要：地物具有多尺度的特點，單一尺度難以準確描述遙感影像包含的地物紋理信息。利用我國自行研發的高分一號遙感影像數據，采用灰度共生矩陣對第一主成分進行紋理特征提取，利用Jeffries-Matusit距離選擇多尺度組合，并通過單一紋理結合多光譜數據的分類精度，以及紋理特征間的相關性，最終選擇多尺度紋理特征組合進行面向對象分類。研究結果表明：結合多尺度紋理特征組合的面向對象GF-1影像分類能有效提取地物信息，總體分類精度達到81.75%，Kappa系數0.78。

關鍵詞：多尺度紋理特征；面向對象分類；高分一號

高分一號(GF-1)衛星是我國高分辨率對地觀測系統重大專項天基系統中的首發星，其全色波段分辨率達到2 m，同時也是我國首顆設計、考核壽命要求大于5年的低軌衛星。作為主業務，GF-1衛星首先將在國土資源、環保、農業等方面發揮作用[1]。目前針對GF-1數據學者們開展了許多研究，郭會敏等利用GF-1全色及多光譜影像開展影像融合試驗[2]；劉書含等提出了一種基于分水嶺分割的GF-1多光譜遙感數據的面向對象分類方法[3]；陳金鳳等基于GF-1數據，結合典型植被光譜特征通過面向對象分類提取了濕地典型植被類型信息[4]。

近年來高空間分辨率遙感影像發展迅速，更高的空間分辨率意味著更豐富的地物結構與形狀信息、更清晰的紋理特征。已有研究表明，將紋理特征應用于高分辨率影像分類中可以顯著提高分類精度[5]。然而地物具有多尺度性，單一尺度的紋理特征很難滿足不同地類之間的分類需求，在此基礎上學者通過提取多尺度紋理進行遙感影像分類研究：張亮等通過選擇最佳紋理尺度組合，利用決策樹對IKONOS影像光譜數據和多尺度紋理數據進行分類，精度較光譜數據分類和結合單尺度紋理數據分類提高分別為11.2%和6%[6]；劉友山等、謝麗軍等分別用主成分分析法(PCA)和核主成分分析法(KPCA)結合多尺度紋理，并通過決策樹對IKONOS影像進行分類，均取得了良好的效果[7-8]；陳晨等通過結合多尺度紋理和光譜信息的支持向量機(SVM)高分辨率遙感影像分類，分類總體精度達到83.9%[9]。

目前針對GF-1影像的紋理特征研究尚未見到報道，同時在多尺度紋理特征研究方面，將多尺度紋理特征與面向對象分類結合的應用也甚為少見。面向對象分類作為目前廣為推崇的分類方法，突破了傳統分類以象元為單位、分類結果破碎化程度高、“椒鹽現象”嚴重的問題，通過多尺度分割得到多個相鄰象元組成的對象，可利用對象的灰度信息、紋理信息、幾何信息等多元信息實現對目標地物的提取。因此本文基于GF-1數據，通過結合多尺度紋理特征組進行面向對象分類，旨在探究多尺度紋理特征在面向對象分類技術中應用效果。

1數據來源及預處理

本次研究試驗數據為2014年5月21日的遼寧省朝陽市GF-1影像，包括空間分辨率2 m的全色波段數據和8 m的多光譜數據。經緯度范圍120°29′～120°33′E、41°26′～41°29′N，研究范圍為5 km×5 km矩形區域。按照國家級土地利用與覆被分類系統[10]，研究區土地覆蓋類型包括耕地、林地、城鄉工礦居民用地、未利用地4個一級地類，林地地類包含有林地、灌木林地、園地有林地3個二級地類，有林地地類中包含針葉林、闊葉林、混生林3個三級地類。

影像數據在正射校正的基礎上，以1∶5萬數字正射影像(DOM)數據作為參考對高分辨率全色影像進行糾正，而后使用糾正好的高分辨率數據對低分辨的多光譜數據進行配準。通過影像像素級融合將全色波段豐富的空間信息與多光譜波段的色彩信息結合，融合方法采用目前針對高分辨影像融合普遍認可的Pansharp融合算法[11]。

2研究方法

2.1多尺度紋理特征提取

紋理特征作為反映影像同質現象的視覺特征，其包含了物體表面結構組織排列規律和物體之間空間關聯的重要信息，是物體表面共有的內在特征[12]。1973年Haralick首先提出灰度共生矩陣(GLCM)，廣泛的研究表明GLCM在將灰度值轉為紋理信息的應用上具有很好的效果，已成為目前普遍認可的紋理計算方法。GLCM基于圖像灰度值之間二階聯合條件概率密度構建矩陣計算圖像中任意兩點間灰度的空間相關特性，常用的8個紋理特征統計量為均值(Mean，ME)、方差(Variance，VAR)、協同性(Homogeneity，HOM)、對比度(Contrast，CON)、相異性(Dissimilarity，DIS)、熵值(Entropy，ENT)、二階矩(Second Moment，SM)、相關性(Correlation，COR)。本研究對PCA(主成分分析)變換后的第一主成分通過GLCM進行紋理分析，采用3×3，5×5，7×7，……，17×17梯度窗口大小、步長為1、移動方向45°多尺度提取上述8個常用紋理特征。

J-M (Jeffries-Matusita)距離用于表示類別間可分離性，其計算式

式中：Vi和Vj分別為第i類和第j類的協方差矩陣；Mi和Mj分別為第i類和第j類的光譜均值向量。對于n個類型之間的可分性度量，各類型間的平均J-M距離定義為

式中：n是選定訓練區的類型數；Pi，Pj分別是第i類和第j類的先驗概率。從而將第i類平均J-M距離定義為

根據J-M平均距離式，在各類地物中選取訓練樣本，得到平均J-M距離隨紋理尺度的變化(見圖1)。

由圖1可見隨著紋理窗口大小的改變，各地類平均可分性明顯變化，在窗口大于13×13后趨于平穩。其中以紋理窗口為5×5時，8個地類總體平均可分性最大，因此用于單一尺度紋理特征分類的窗口可選擇為5×5。然而各地類平均可分性最大值并不是都在5×5紋理窗口出現，僅有耕地、城鄉工礦居民用地、未利用地在5×5窗口表現出最大可分性，灌木林地、園地則在11×11窗口；針葉林、闊葉林地類為9×9窗口大小、混生林地類為7×7窗口大小。因此，本文在面向對象分類中各層次選用紋理特征尺度如圖2所示。

2.2面向對象分類

面向對象分類是一種智能化的影像分析方法，其分類單元不再是單個像素，而是通過圖像分割后由若干個像素組成的像素群，即目標對象[13]。目標對象比單個像素更具有實際意義，特征的定義和分類均是基于目標對象進行的。通常面向對象的分類方法包括兩個步驟：多尺度分割和面向對象特征提取。本文采用eCoginition Developer 8.6的多尺度分割方法，主要參數包括分割尺度(scale)、光譜因子(color)、形狀因子(shape)、光滑度(smoothness)、緊密度(compactness)。

圖1　各地類平均可分性隨紋理尺度變化圖

圖2　面向對象各分類層次紋理尺度

ESP(EstimationofScaleParameters是用于輔助選擇最佳分割尺度的工具,LV(Local Variance)用于表示分割結果內的標準差，反映分割對象內的均質性，而LV的變化所對應的尺度閾值不易于從圖形上觀察到，于是引入了 ROC(rate of change)：

式中:ScaleL代表 LV 所在的尺度，而ScaleL-1代表低于LV一個梯度的尺度。本研究ESP計算結果如圖3所示，其中ROC的峰值代表可能的最佳尺度，對所有的ROC峰值的分割尺度進行分割試驗，通過針對各層的特征選取對應的最佳分割尺度，在本研究中尺度選擇為LEVEL1(82)、LEVEL2(63)、LEVEL3(47)、LEVEL4(29)。

確定分割參數后，通過反復大量試驗，最終確定光譜因子、形狀因子、光滑度、緊密度等參數，建立本研究的多尺度分割層次見圖4。

面向對象分類采用最鄰近法分類器，在分類對象特征中選用上文提取的多尺度紋理，并從所有地類中抽取約一成面積的樣本圖斑進行外業實地核實，以此樣本作為相對真值與面向對象分類結果建立基于面積的混淆矩陣，評估指標包括總體精度、生產者精度、使用者精度及Kappa系數。

圖3　ESP工具計算結果

圖4　多尺度分割效果

3結果與分析

本文通過灰度共生矩陣提取多尺度及單尺度的8種類型紋理特征，產生較大的數據量同時部分紋理特征間具有相關性，若直接將8種紋理特征全部進行分類運算，不但增加運算時間，而且未必能達到最好的分類效果。因此將提取的8種紋理特征分別與多光譜組合進行面向對象分類，并與僅用多光譜影像分類結果進行比較，分類結果總體精度和kappa系數見表1。

表1　8種紋理特征與多光譜組合面向對象分類結果精度

由表1可見，在單尺度紋理特征中，添加VAR、CON、ENT、COR紋理特征的分類精度低于僅用多光譜分類的總體精度75.76%，說明并不是所有紋理特征在面向對象分類中都能有效提高影像總體分類精度。在能有效提高總體分類精度的ME、HOM、DIS、SM紋理特征中，ME紋理較僅用多光譜分類結果在總體精度上提高了約1.4%，增益效果最為顯著。在多尺度紋理特征方面，添加CON、COR紋理特征的總體分類精度分別為75.73%、75.29%，低于僅用多光譜影像分類的總體精度75.76%，而添加其余多尺度紋理特征的分類結果總體精度均高于75.76%，說明ME、VAR、HOM、DIS、ENT、SM多尺度紋理特征均能提高影像分類精度。對比單尺度與多尺度紋理，各多尺度紋理特征分類結果精度較單尺度紋理均有小幅提高，其中VAR、ENT紋理特征在單尺度應用中分類精度低于多光譜分類精度，而在多尺度應用中分類精度分別達到76.12%、76.30%，說明VAR、ENT紋理對尺度較為敏感，多尺度紋理能夠提高紋理在分類中的應用效率。根據上述分析，選擇ME、HOM、DIS、SM作為單尺度紋理組合，ME、VAR、HOM、DIS、ENT、SM作為多尺度紋理組合，并進行相關性分析見表2。

表2　紋理特征相關性分析表

相關性較高的兩個或多個紋理特征同時參與分類會造成數據冗余，增加分類運算時間，因此需進行篩選。單尺度紋理特征選用5×5窗口大小，ME、HOM、DIS、SM 4種紋理特征在5×5窗口中僅有HOM和SM紋理特征之間相關性高達0.83，又由于添加HOM紋理的分類總體精度為76.67%大于添加SM紋理特征的分類總體精度76.57%，因此在單尺度紋理影像分類中選用ME、HOM、DIS組成單尺度紋理特征組合。多尺度紋理分類使用5×5、9×9、11×11三種尺度窗口，其中與單尺度紋理相同HOM、SM紋理特征間相關性均超過0.80，同時DIS和ENT紋理特征間相關性高達0.70，說明HOM和SM、DIS和ENT兩組紋理特征具有共線性。結合各紋理特征在影像分類中的精度表現，最后選定ME、VAR、HOM、DIS為多尺度紋理特征組合。

將多尺度紋理特征組合和單尺度紋理特征組合分別應用于影像分類，得到分類結果(見圖5)，同時以光譜數據分類結果作為檢驗樣本，基于面積的混淆矩陣精度評價結果見表3。

從總體精度來看，結合多尺度紋理特征組合的分類結果總體精度達到81.75%，Kappa系數為0.78，較多光譜分類結果總體精度提高約6%。結合單尺度紋理特征組合的分類總體結果精度為78.27%，高于多光譜分類結果總體精度2.51%，說明添加紋理特征組合對于影像面向對象分類總體精度提高具有顯著效果，同時多尺度紋理特征比單尺度紋理特征在影像總體分類精度上更具優勢。

從各地類分類精度上看，紋理特征的添加對于大多數地類有提高分類精度的作用，尤其對于城鄉工礦居民用地、園地、針葉林、闊葉林及混生林地類的生產精度提高基本在3%以上(僅有單尺度紋理特征在闊葉林分類中生產精度提高1.1%)。結合紋理特征的分類結果在針葉林、闊葉林及混生林的分類更為細致。然而結合紋理特征對于耕地和灌木林地的生產精度提高并不顯著，在未利用地分類中紋理的添加卻降低了其生產精度。因此，針對于GF-1遙感影像城鄉工礦居民用地、園地信息提取以及林地內森林類型分類使用紋理特征能提高分類精度，而在耕地、灌木林地、未利用地信息提取上則可直接使用多光譜影像進行分類。

圖5　分類結果

地類混淆矩陣精度評價(多光譜/單尺度紋理組合/多尺度紋理組合)生產精度/%用戶精度/%總體精度/%Kappa系數耕地83.08/84.88/85.3694.55/95.26/95.54城鄉、工礦、居民用地83.29/86.37/86.4871.70/75.59/77.32未利用地87.67/86.55/87.5780.67/87.27/88.13灌木林地79.43/80.81/81.8083.62/89.05/90.38園地72.96/75.88/76.5734.14/39.86/39.57針葉林80.49/83.52/87.4364.52/80.59/89.73闊葉林71.66/72.77/78.7372.52/68.57/72.20混生林24.64/38.48/56.0794.52/42.72/56.9775.76/78.27/81.750.71/0.74/0.78

對比多尺度紋理和單尺度紋理特征組合，結合多尺度紋理特征組合的各地類生產精度均高于單尺度紋理組合，尤其在針葉林、闊葉林、混生林地類中這種優勢表現的十分明顯，生產精度較單尺度紋理特征分別提高了3.9%、5.9%、17.6%。因此，在GF-1遙感影像森林類型分類應用中使用多尺度紋理特征組合參與分類可獲得更高的分類精度。

4結論

本文針對GF-1遙感衛星影像分別對8種紋理特征進行分類評價最終選擇ME、VAR、HOM、DIS組成最佳多尺度紋理組合，利用面向對象分類方法對多光譜數據和多尺度紋理數據進行分類，并與添加單尺度紋理特征組合和僅用多光譜數據分類結果進行對比。本文得出以下結論：①紋理特征的添加能提高GF-1影像分類的總體精度，并且結合多尺度紋理特征的分類結果精度高于單尺度組合；②在GF-1遙感影像針葉林、闊葉林、混生林地類的森林類型分類中，結合多尺度紋理特征組合對提高分類精度效果十分顯著，具有很好的適宜性。

然而結合多尺度紋理組合的GF-1影像分類精度仍不太理想，園地、混生林、闊葉林地類的分類精度均低于80%，因而在以后研究中可以考慮從面向對象的影像分類中挖掘更多的信息，如形狀、位置等對象特征信息，在此基礎上提高GF-1影像分類精度。同時在光譜因子、形狀因子、光滑度、緊密度、相關性分析閾值選取需要通過大量試驗得到，具有一定主觀性，在以后研究中可以考慮通過客觀分析確定參數，從而更加完善面向對象分類的技術。

參考文獻：

[1]白照廣.高分一號衛星的技術特點[J].中國航天，2013(8)：5-9.

[2]郭會敏，洪運富，李營,等.基于高分一號衛星影像的多種融合方法比較[J].地理與地理信息科學，2015,31(1)：23-40.

[3]劉書含，顧行發，余濤,等.高分一號多光譜遙感數據的面向對象分類[J].測繪科學，2014,39(12)：91-94.

[4]陳金鳳，程乾.高分1號融合光譜特征提取杭州灣河口沿岸濕地典型植被信息方法研究[J].杭州師范大學學報(自然科學版)，2015,14(1)：38-43.

[5]高閃閃，陳仁喜.輔以紋理特征的植被分類方法研究[J].科學技術與工程，2013,13(29)：6872-2877.

[6]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.

[7]劉友山，呂成文，祝鳳霞.基于PCA和多尺度紋理特征提取的高分辨率遙感影像分類[J].遙感技術與應用，2012，27(5)：706-711.

[8]謝麗軍，張友靜，張子衡,等.結合KPCA和多尺度紋理的IKONOS遙感影像決策樹分類[J].遙感應用，2010(3)：88-92.

[9]陳晨，張友靜.基于多尺度紋理和光譜信息的SVM分類研究[J].測繪科學，2009，34(1)：29-31.

[10] 肖鵬峰，劉順喜，馮學智,等.基于遙感的土地利用與覆被分類系統評述及代碼轉換[J].遙感信息，2003(4):54-58.

[11] 李霖，佘夢媛，羅恒.ZY-3衛星全色與多光譜影像融合方法[J].農業工程學報，2014，30(16)：157-165.

[12] SMITH J R,CHANG Shih-Fu.Automated binary texturefeaturesets for image retrieval [A].IEEE InternationalConference on Acoustics,Speech and Signal Processing[C].Atlanta,GA,USA,1996,4:2239-2242.

[13] 甘甜，李金平，李小強.面向對象的高分辨率遙感影像建筑物震害信息提取[J].測繪工程，2015，2(4)：11-15.

[責任編輯：李銘娜]

Object-oriented classification with multi-scale texture feature based on remote sensing image

LIN Xue1，PENG Daoli1，HUANG Guosheng2，WANG Xuejun2

(1.College of Forestry，Beijing Forestry University，Beijing 100083，China；2.Survey & Planning Institute of State Forestry Administration，Beijing 100714，China)

Abstract：Scales of surface features are different.No unique scale is possible for characterizing the texture of objects in a remote sensing image.Based on GF-1 data,gray-level co-occurrence matrix is used to extract texture features from the first principal component of PCA,and the best combination of multi-scale is chozen by Jeffries-Matusit distance.By analyzing the classification precision of single texture and correlation of textures,the best multi-scale textures combination is finally chozen to apply to the object-oriented classification.The results show that the method of object-oriented classification with multi-scale texture feature can extract the types of surface features effectively.The precision of classification is 81.75% and Kappa coefficient is 0.78.

Key words：multi-scale texture feature；object-oriented classification；GF-1

DOI:10.19349/j.cnki.issn1006-7949.2016.07.005

收稿日期：2015-10-14

基金項目：國家948資助項目(2015-4-32)；林業科學技術成果推廣項目(2015-02)；科技部科技基礎性工作專項(2013FY11160-1)

作者簡介：林雪(1991-)，女，碩士研究生.

中圖分類號：F291

文獻標識碼：A

文章編號：1006-7949(2016)07-0022-06