基于紋理特征MNF變換的多光譜遙感影像分類

李亞坤，關洪軍，孫傳亮，敖志剛

(1.解放軍理工大學 野戰工程學院，南京 210007； 2.南京農業大學 資源與環境科學學院，南京 210095)

【信息科學與控制工程】

基于紋理特征MNF變換的多光譜遙感影像分類

李亞坤1，關洪軍1，孫傳亮2，敖志剛1

(1.解放軍理工大學 野戰工程學院，南京 210007； 2.南京農業大學 資源與環境科學學院，南京 210095)

提出了一種基于紋理特征最小噪聲分離(Minimum Noise Fraction,MNF)變換的多光譜遙感影像分類方法。利用灰度共生矩陣對每個光譜波段進行紋理特征提取，對紋理特征進行MNF變換，將集中了大部分紋理特征信息的MNF分量與光譜信息協同進行分類。基于CBERS-04遙感影像對郎瑪村地區進行巖土分類實驗。結果表明，該方法的分類精度高于傳統的基于光譜主成分紋理特征的多光譜遙感影像分類方法，其分類結果具有更好的區域一致性和較少的小圖斑噪聲。

紋理特征；最小噪聲分離(MNF)；多光譜遙感影像；巖土分類；CBERS-04

針對地物“同物異譜”和“異物同譜”對遙感影像純光譜分類造成瓶頸的問題，許多學者提出了光譜結合紋理的分類方法，并在遙感影像分類實驗中取得了良好的效果。胡玉福等應用光譜結合紋理的分類方法對金沙江下游河谷地帶進行了土地利用分類研究，表明紋理特征輔助光譜信息進行分類能夠顯著提高土地利用分類的精度[1]；陳啟浩等利用灰度適量法提取紋理特征，將紋理特征與光譜信息進行波段合成，應用BP神經網絡法進行分類實驗，結果表明輔以紋理特征后，分類精度相比之前提高39%[2]；胡蕾等通過紋理與光譜信息協同分類，并采用四叉樹分塊技術，提高了分類過程的抗噪性，得到了分類精度更高、區域一致性更好的分類結果[3]。后來基于光譜主成分紋理特征的多光譜遙感影像分類方法得到更廣泛的應用，章文龍等應用Worldview-2遙感影像，探索了利用光譜PCA變換后的第一主成分紋理特征輔助光譜信息進行地物分類[4]；李智峰等提取了光譜PCA變換后的前兩個主成分紋理特征，并將紋理特征與光譜信息波段進行波段合成，取得了更優的分類結果[5]；上述研究成果證明了基于光譜主成分紋理特征的多光譜遙感影像分類方法的可行性和優點。然而，地物在不同波段反射率或發射率的不同，會造成地物在不同波段上體現出不同的紋理特征。PCA變換后的主成分保留大部分光譜信息的同時，多光譜遙感影像的大量紋理特征并不能在光譜的主成分中得到完全繼承[6].而且，PCA變換在一定程度上破壞了每個光譜波段的原始紋理特征，必然丟失一部分紋理信息，造成紋理信息的誤導或浪費。

針對上述問題，提出了一種基于紋理特征MNF變換的多光譜遙感影像分類方法，主要思想是最大程度地利用每一個多光譜遙感影像波段的紋理特征信息。首先利用灰度共生矩陣(gray level co-occurrence matrices，GLCM)求取每一個多光譜遙感影像波段的紋理特征；然后對所得到的大量紋理指數進行MNF變換，降低紋理指數的維數并減少噪聲，以避免大量紋理指數參與影像分類所帶來的“維數災難”；最后將經過降維和降噪的紋理信息與光譜信息協同進行影像分類。

1 基于紋理特征MNF變換的多光譜遙感影像分類方法

基于紋理特征MNF變換的多光譜遙感影像分類方法，實質上是為了最大程度上挖掘每一個光譜波段原始紋理特征，避免光譜PCA變換對原始紋理特征的破壞。本文使用GLCM對每一個多光譜遙感影像波段進行紋理特征提取。由于每個波段的紋理特征都有多個指數，全部波段的紋理特征指數參與分類，會造成“維數災難”，因此需降低紋理特征的維數，減少紋理特征噪聲，這里引入在處理高光譜影像中表現較好的MNF方法對紋理特征指數進行降維和降噪處理，選取紋理特征信息量大的MNF分量與光譜信息協同進行分類。

1.1 灰度共生矩陣(GLCM)

遙感影像紋理主要反映不同地物的灰度值在空間分布上表現出的散布規律，由于其在輔助光譜信息分類中的良好表現，使得紋理特征的提取和應用一直是地物識別的重要研究方向。紋理特征的提取方法可以分為譜方法、結構方法和統計方法等3大類[7-8]，其中統計方法中的灰度共生矩陣(GLCM)是應用最為普遍的紋理特征提取方法。

GLCM是由Haralick等首先提出的概念，按影像灰度值的空間關系描述像元對之間的空間結構特征及其相關性，是一種對遙感影像定量描述的方法[1]。GLCM是一個G×G階的矩陣(G為遙感圖像灰度級)，每個矩陣元素代表在給定的像元距離d和統計方向θ上，以灰度級為i始點，出現灰度級為j的概率，經歸一化后可表示為p(i,j,d,θ)[9]。像元距離d一般取1或2個像素距離，像素距離越小越能反映細小的紋理特征，本次實驗取1個像素距離；統計方向θ可以為0°、45°、90°、135°，由于不同統計方向提取的紋理特征相關性非常高，故本次實驗統一取0°，即水平方向，因此，將GLCM元素可簡化為p(i,j)。GLCM雖然不能直接反映各個地物的紋理特征，卻可以從GLCM衍生出來許多紋理指數。其中比較常用的紋理指數有8種，包括均值(Mean)、協同性(Homogeneity)、對比度(Contrast)、相異性(Dissimilarity)、熵(Entropy)、角二階距(Angular Second Moment)和相關性(Correlation)[10]。

1.2 最小噪聲分離(MNF)

利用GLCM對每一個多光譜波段進行紋理特征提取，將會得到數十個紋理指數，其中包含較多的冗余信息，如果直接利用這些冗余度高的紋理指數輔助光譜信息分類，不僅不會提高影像分類的精度，而且還會產生“維數災難”，反而降低分類的精度。另外，傳統的PCA方法在去除波段冗余信息時，對波段中的噪聲比較敏感，當主成分的噪聲方差較大時，即使其真實信息的方差較大，其主成分的信噪比也可能較低，導致主成分的數據品質比較差[11]。因此，實驗選用以信噪比作為評價指標的MNF方法，對大量紋理指數波段進行降維和降噪處理。

MNF是在PCA變換的基礎上改進的一種方法，通過兩次重置的主成分變換，同時達到降維和降噪的目的。該方法使用信噪比作為評價指標，第一步通過變換分離和重新調節數據中的噪聲，使噪聲數據的方差最小且去除其波段間的相關性；第二步對噪聲白化數據做標準主成分變換，得到按信噪比從大到小排列的特征圖像[12]。

2 實驗技術流程

為驗證基于紋理特征MNF變換的多光譜遙感影像分類方法的可行性和分類效果，利用CBERS-04遙感影像和1∶25萬基礎地質圖數據，對郎瑪村地區進行巖土分類實驗。同時引入傳統的基于光譜主成分紋理特征的多光譜遙感影像分類方法進行分類實驗，與本文所提出的方法進行對比。實驗主要包括數據的預處理、紋理特征提取和巖土分類等3個步驟(見圖1)。

2.1 數據預處理

1) 研究區概況

實驗選用青藏高原郎瑪村地區的CBERS-04遙感影像進行巖性分類實驗(圖2)。研究區位于東經77°45′～79°51′，北緯32°28′～32°23′之間，地處西藏自治區西部的獅泉河與噶爾藏布河交匯的三角地區，總體地貌以高聳山系構成的高原地貌骨架為基礎排列低山、丘陵和寬谷盆地為主，總體地勢較高，平均海拔5 km左右，行政區劃屬噶爾縣管轄。區內巖石主要是燕山期侵入巖體、白堊系中下統沉積巖以及第四系松散沉積物[13-15](圖3)。研究區地質調查工作程度整體較低，資料缺乏，只有小比例尺的地質調查參考資料。

圖1 巖土分類實驗流程

圖2 研究區假彩色合成圖像(RGB:6,5,2)

圖3 研究區1∶25萬基礎地質圖

2) 數據預處理

CBERS-04具有4類傳感器，部分光譜波段參數如表1所示[13]，其中多光譜波段區域有10 m和20 m兩種不同空間分辨率和波段數目的差異，另外其40 m空間分辨率的中紅外遙感數據填補了我國遙感衛星數據源的空白。由于巖土分類識別主要依靠光譜信息的差異，因此實驗主要利用該遙感衛星的多光譜和中紅外數據進行巖土分類研究。同時為最大程度上利用CBERS-04衛星的多光譜波段的信息，集成20 m空間分辨率的藍綠波段、10 m空間分辨率的可見光-近紅外波段和40 m空間分辨率的中紅外波段進行分類實驗。由于本次實驗的數據來自3個不同的傳感器，數據并不能做到完全重合，首先需要對其進行幾何校正，此實驗以10 m空間分辨率的多光譜數據為基準進行幾何配準；然后利用光譜特征繼承性較好的Gram-Schmidt融合算法，將20 m空間分辨率的藍綠波段和40 m空間分辨率的中紅外波段數據與10 m空間分辨率數據進行融合；最后將3種數據進行波段組合，進行大氣校正，從而得到實驗所需的多光譜數據。

表1 CBERS-04數據參數

2.2 紋理特征的提取

1) 基于紋理特征MNF變換的多光譜遙感影像分類方法

基于紋理特征MNF變換的多光譜遙感影像分類方法，首先利用GLCM求取每一個多光譜波段對應的8個紋理指數，然后將提取的48個紋理指數波段進行MNF變換，以降低紋理指數的維數和減少噪聲。以移動窗口為5×5時提取的紋理指數波段為例進行實驗，將紋理指數波段進行MNF變換，求取特征值。由圖4可以看出48個紋理指數波段的信息主要集中在前幾個MNF分量，因此本次實驗選取MNF變換后前8個信噪比比較大的特征分量與光譜波段進行合成，最后利用含有14個波段的新圖像進行影像分類識別。此外，當利用GLCM提取紋理特征時，由于移動窗口大小的不同，地物的紋理不同程度表達[16]。為了比較全面地反映本文所提方法的分類性能，采用5×5和11×11兩種窗口大小的紋理特征分別輔助光譜信息進行影像分類。

圖4 MNF前20個波段特征值曲線

2) 基于光譜主成分紋理特征的多光譜遙感影像分類方法

傳統基于光譜主成分紋理特征的多光譜遙感影像分類方法，首先對光譜信息進行PCA變換，然后利用GLCM對其第一主成分，分別求取5×5和11×11兩種窗口大小的8個紋理指數，并將紋理指數與光譜信息進行波段合成，最后利用兩組含有14個波段的新圖像分別進行影像分類。此方法一定程度上利用了紋理特征，提高了分類精度。但是，其紋理特征的提取是針對光譜PCA變換后的第一主成分進行的，第一主成分在繼承了大部分光譜信息的同時，并不能完全繼承大量的紋理特征信息，同時會破壞每個光譜波段的原始紋理特征。

2.3 巖土分類

本次實驗采用最大似然分類方法對遙感圖像進行監督分類。最大似然分類方法是一種成熟且常用的基于貝葉斯準則的監督分類方法，假定每種地物類型的遙感影像特征都服從正態分布，計算待分類像元屬于每一種地物類型的概率，并將待分像元劃歸到概率最大的類別中[13]。然后，利用聚類處理的方法對初步的分類結果進行分類后處理，以減少“椒鹽噪聲”對分類結果的影響。

表2 研究區巖土類別

3 實驗結果對比分析

利用CBERS-04遙感數據對郎瑪村地區進行兩種方法的巖土分類對比實驗，得到4組分類結果(見圖5)。

3.1 定性分析

將圖5(c)與圖5 (a)、圖5(d)與圖5(b)的分類結果相比，可以看出在相同移動窗口大小下，基于紋理特征MNF變換的多光譜遙感影像分類方法相比于傳統的基于光譜主成分紋理特征的多光譜遙感影像分類方法，分類效果更好，“椒鹽噪聲”出現得更少；而且移動窗口越大，分類結果的椒鹽小圖斑越少。

3.2 定量分析

利用混淆矩陣對4組分類結果進行精度評價，可得到分類結果的生產者精度(Producer’s accuracy，PA)、用戶精度(User’s accuracy，UA)、總體分類精度和Kappa系數等4個參數(表3)。在移動窗口為5×5時，基于紋理特征MNF變換的多光譜遙感影像分類方法的總體分類精度和Kappa系數比傳統的基于光譜主成分紋理特征的多光譜遙感影像分類方法分別高4.71%和4.23%；其分類結果的PA和UA普遍比傳統的分類方法也高，例如，在本文所提方法的分類結果中，下白堊統蛇綠混雜巖群(K1sh)的PA和UA分別為86.95%和77.86%，相比于傳統方法的82.82%和75.81%，分別提高了4.13%和2.05%。在移動窗口為11×11時，本文所提方法的總體分類精度和Kappa系數比傳統的分類方法分別高6.29%和6.17%。說明基于紋理特征MNF變換的多光譜遙感影像分類方法的分類效果優于傳統的分類方法，該分類方法能改善遙感影像分類效果，具有一定的實用價值。

表3 巖土分類精度 %

4 結論

目前在利用多光譜遙感影像的紋理特征進行分類時，大多僅利用了光譜主成分波段的紋理特征輔助光譜信息分類。然而，光譜PCA變換在一定程度上破壞了每個波段的原始紋理特征，必然會丟失一部分紋理信息，并造成紋理信息的誤導或浪費。針對此問題，提出了一種基于紋理特征MNF 變換的多光譜遙感影像分類方法，最大程度利用每一個多光譜遙感影像波段的紋理特征信息。首先利用GLCM 提取每一個光譜波段的紋理特征，然后對紋理特征進行MNF變換，降低紋理特征的維數和噪聲，最后選取紋理特征信息量大的MNF分量與光譜信息協同進行分類。實驗結果表明：該方法的分類結果優于采用傳統的基于光譜主成分紋理特征的多光譜遙感影像分類方法，具有更好的區域一致性和更少的小圖斑噪聲。

此外，該方法在提取地物紋理特征時，未引入多尺度思想，若把不同尺度的紋理特征綜合起來輔助光譜信息進行影像分類，可能會得到更好的分類結果，針對此類不足之處仍待以后深入研究。

[1] 胡玉福,鄧良基,匡先輝,等.基于紋理特征的高分辨率遙感圖像土地利用分類研究[J].地理與地理信息科學,2011,27(5):42-45.

[2] 陳啟浩,高偉,劉修國.輔以紋理特征的高分辨率遙感影像分類[J].測繪科學,2008,33(1):88-90.

[3] 胡蕾,侯鵬洋.一種基于光譜與紋理特征的多光譜遙感圖像地物分類方法[J].中國科技論文,2015,10(2):197-200.

[4] 章文龍,林賢彪,仝川,等.基于光譜與紋理信息的 Worldview-2 影像地物分類[J].福建師范大學學報(自然科學報),2013,29(4):46-52.

[5] 李智峰,朱谷昌,董泰鋒.基于灰度共生矩陣的圖像紋理特征地物分類應用[J].地質與勘探,2011,47(3):456-61.

[6] 王增茂,杜博,張良培,等.基于紋理特征和形態學特征融合的高光譜影像分類法[J].光子學報,2014,43(8):0810002(1-8).

[7] 徐麗娟.基于紋理分析云的分類技術的研究[D].南京:南京信息工程大學,2012.

[8] 梁曉莉,李利偉,程剛,等.灰度共生矩陣和模糊分類的高分辨率光學影像欠發達村落提取[J].測繪通報,2015(8):25-29.

[9] 李利紅,張華國,厲冬玲,等.基于多尺度紋理和光譜信息的海島土地利用遙感分類方法研究[J].海洋學研究,2013,31(2):35-44.

[10]任國貞,江濤.基于灰度共生矩陣的紋理提取方法研究[J].計算機應用與軟件,2014,31(11):190-192,325.

[11]紀娜,李銳,李靜.MNF和SVM在遙感影像計算機分類中的應用[J].水土保持通報,2009,29(6):153-158.

[12]葛山運.基于MNF、PCA與ICA結合的高光譜數據特征提取方法[J].城市勘測,2013(2):103-106.

[13]李亞坤,關洪軍,孫傳亮.基于CBERS-04遙感影像的郎瑪村地區巖土分類[J].解放軍理工大學學報(自然科學版),2016(6).

[14]李俊杰.中巴地球資源衛星04星[J].衛星應用,2014(12):77.

[15]西藏自治區地質調查院.中華人民共和國1:25萬區域地質調查報告(獅泉河幅)[R].拉薩:西藏自治區地質調查院,2004.

[16]劉友山,呂成文,朱鳳霞,等.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.

(責任編輯 楊繼森)

Multi-Spectral Remote Sensing Image Classification Based on Texture Feature MNF Transform

LI Ya-kun1, GUAN Hong-jun1, SUN Chuan-liang2, AO Zhi-gang1

(1.Field Engineering Institute, PLA University of Science and Technology, Nanjing 210007, China；2.College of Resources and Environmental Sciences, Nanjing Agricultural University, Nanjing 210095, China)

A classification method based on Minimum Noise Fraction (MNF) transform of texture feature was proposed. Firstly, the gray level co-occurrence matrix was used to extract texture features of every spectral band. Secondly, the texture features were transformed by using MNF. The MNF components, which have the majority of the texture feature information, would be used to assist spectral information in classifying. Geotechnical classification was studied based on CBERS-04 remote sensing image in Langma village area. Results show that the classification accuracy of the proposed method is higher than that of traditional classification method based on spectral principal component texture features, and the classification results have better regional consistency and less noise of small map spot.

texture feature; Minimum Noise Fraction (MNF); multi-spectral remote sensing image; geotechnical classification; CBERS-04

2016-09-25；

2016-10-22

李亞坤(1991—)，男，碩士研究生，主要從事遙感圖像處理及地學應用研究， E-mail:1321972991@qq.com。

關洪軍(1959—)，男，博士，副教授，主要從事遙感地學應用及精確工程保障，E-mail:ghjqq@163.com。

10.11809/scbgxb2017.02.026

李亞坤，關洪軍，孫傳亮，等.基于紋理特征MNF變換的多光譜遙感影像分類[J].兵器裝備工程學報，2017(2):113-117.

format:LI Ya-kun, GUAN Hong-jun, SUN Chuan-liang,et al.Multi-Spectral Remote Sensing Image Classification Based on Texture Feature MNF Transform[J].Journal of Ordnance Equipment Engineering,2017(2):113-117.

TJ02；TP751

A

2096-2304(2017)02-0113-05