遙感圖像森林植被紋理的自適應濾波

劉小丹 邱紅圓 于 寧

(遼寧師范大學計算機與信息技術(shù)學院 遼寧 大連 116029)

遙感圖像森林植被紋理的自適應濾波

劉小丹 邱紅圓 于 寧

(遼寧師范大學計算機與信息技術(shù)學院 遼寧 大連 116029)

基于紋理濾波的分割方法被廣泛用于遙感圖像森林植被分割。遙感圖像中森林植被紋理的多樣性使得固定參數(shù)的紋理濾波方法不能準確表達紋理的特征，導致分割精度不高。提出一種自動適應森林植被紋理的濾波方法，根據(jù)遙感圖像中典型森林植被區(qū)域的紋理基礎屬性設置濾波參數(shù)，實現(xiàn)有針對性的紋理濾波處理。通過藍噪聲探測方法和灰度共生矩陣統(tǒng)計方法獲取典型森林植被區(qū)域的紋理基元在尺度和灰度分布等方面的屬性，結(jié)合森林植被紋理的先驗知識設置紋理濾波參數(shù)，包括濾波器的窗口尺寸、方向、頻率和強度以及用于表達紋理特征的局部譜直方圖的積分窗口尺寸等。分割實驗表明，該方法充分利用了圖像中森林植被紋理的特點，紋理濾波表達的特征區(qū)分度更大。

森林植被分割 紋理濾波 灰度共生矩陣 局部譜直方圖

0 引 言

森林植被占據(jù)著地表面積的1/9，是區(qū)域生態(tài)環(huán)境的重要組成部分，對經(jīng)濟、社會和環(huán)境的可持續(xù)發(fā)展有不可替代的作用。在森林資源遙感檢測中，森林植被的分割十分重要。隨著遙感技術(shù)的快速發(fā)展及廣泛應用，地物的紋理、形狀等信息十分豐富，綜合運用影像的光譜信息和紋理信息，進行森林內(nèi)部結(jié)構(gòu)信息的提取和分類，已成為當前本領(lǐng)域研究的一個重要發(fā)展方向[1]。馬浩然等[2]對不同分割層次下對象光譜特征、紋理特征等進行提取，應用專家知識及統(tǒng)計特征選取影像對象特征和確定閾值，實現(xiàn)區(qū)域森林與地物的分類。近年來，濾波技術(shù)提取圖像紋理特征已成為圖像特征提取研究的熱點之一。Du等[3]使用雙邊局部拉普拉斯聯(lián)合濾波器提取圖像特征，通過定義一個映射函數(shù)，實現(xiàn)了平滑圖像邊緣的同時保留了圖像顏色的變化。Cho等[4]使用改進的雙邊濾波器，從最具代表性的紋理塊的邊緣捕獲紋理信息，突出紋理結(jié)構(gòu)。特征提取的目的是把圖像上的點分為不同的子集，實現(xiàn)的手段以統(tǒng)計方法為主。譜直方圖統(tǒng)計模型是一種典型的變換統(tǒng)計方法，它將濾波器提取到的特征按照一定的規(guī)則進行統(tǒng)計。該模型作為像素的特征描述符，便于圖像的分割。從本質(zhì)上講，譜直方圖是非參數(shù)化的，所以它不依賴于基本的參數(shù)分布，并且可以有效地刻畫不同模式的特征[5]。Yuan等[6]用譜直方圖的方法捕捉圖像紋理特征，根據(jù)計算各種地物特征矩陣的奇異值，設置多個濾波器參數(shù)，兼顧了各種地物特征提取的效果，但對特定目標地物特征提取的區(qū)分度比較低。對于不同的分割對象選取不同的濾波器，有針對性地增強紋理信息更有助于提高圖像紋理分割的精確度。

本文針對遙感圖像森林植被紋理分割，提出自適應設置濾波器參數(shù)的方法。首先，結(jié)合遙感圖像中的森林植被紋理特征選取兩種能夠增強該紋理特征的濾波器組，對遙感圖像探測典型森林植被區(qū)域并進行紋理特征分析，使濾波器適應樹種和拍攝條件等因素變化；然后，在最優(yōu)分割尺度下統(tǒng)計譜直方圖，整合濾波后數(shù)據(jù)，以此獲取圖像的紋理特征；最后，計算出代表譜直方圖與局部譜直方圖的距離，確定閾值，分割出森林植被區(qū)域。

1 森林植被紋理濾波

1.1 紋理的局部譜直方圖

基于譜直方圖的紋理圖像分割主要通過依賴局部結(jié)構(gòu)的濾波器的響應捕獲一幅圖像的局部特征，將這些子帶圖像進行串聯(lián)可以獲取圖像的整體結(jié)構(gòu)。森林植被以高大的喬木為主體,也包含部分低矮的灌木。隨著地理位置以及季節(jié)的不同，森林植被的種類及長勢也會不同。自然環(huán)境的作用以及拍攝條件的影響，使得遙感圖像中森林植被的紋理特征會發(fā)生較大的變化。針對這種變化的紋理特征，采用不同的紋理濾波參數(shù)來有效地提取紋理特征，是本文的基本思路。

Santos等[7]使用直方圖來描述分層圖像紋理特征實現(xiàn)多尺度圖像分類，證明了直方圖描述紋理特征較強的穩(wěn)定性。因此，本文基于局部譜直方圖的結(jié)構(gòu)模型, 為遙感圖像森林植被紋理描述提供一個統(tǒng)計模型。根據(jù)不同區(qū)域紋理的局部譜直方圖的差異，對圖像區(qū)域進行分割。根據(jù)先驗知識，遙感圖像森林植被紋理具有高頻隨機的空間結(jié)構(gòu)，雖然方向性較弱，但同一區(qū)域的森林植被受樹種和光照等因素的影響，會有較弱的方向一致性。本文針對森林植被的紋理結(jié)構(gòu)特點，選擇了適應森林植被紋理特征的濾波器與圖像做卷積，用F(n)(n=1,2,…,K)表示不同的濾波器。設輸入圖像為I,α表示像素位置，圖像與濾波器組做卷積：

(1)

(2)

其中，|W|為積分窗口內(nèi)像素點的個數(shù)。

局部譜直方圖描述紋理特征主要依賴于濾波器的選擇以及設置。本文根據(jù)森林植被的紋理特征選擇Gabor濾波器和LoG濾波器形成濾波器組。對每種濾波器的結(jié)果分別進行局部譜直方圖統(tǒng)計，自適應設置積分窗口，直方圖統(tǒng)計分段數(shù)設為20。每個像素的紋理特征用兩個并置的局部譜直方圖結(jié)合表示。并置的局部譜直方圖用于后期的圖像分割。

1.2 紋理濾波器組

二維Gabor濾波器具有明顯的方向選擇和頻率選擇特性，能在空域和頻域同時達到最優(yōu)的聯(lián)合分辨率[8]。二維Gabor函數(shù)為：

cos(2πF0(xcosθ+ysinθ))

(3)式中θ為濾波方向，σx、σy分別為x和y方向上高斯包絡方差，F(xiàn)0為中心頻率。濾波器的參數(shù)與森林植被紋理特征有對應的關(guān)聯(lián)：森林植被受樹種、光照角度等影響產(chǎn)生的方向性與濾波器方向相關(guān)；森林植被的紋理基元形狀與濾波器的兩個方向高斯方差相關(guān)；森林植被的紋理基元周期性出現(xiàn)，其尺寸與濾波器中心頻率相關(guān)。

森林植被紋理基元呈簇團狀結(jié)構(gòu)，結(jié)構(gòu)形狀隨植物種類有一定變化，結(jié)構(gòu)的細節(jié)以灰度躍變形成的線條為主。LoG濾波器對于這種灰度變化明顯的邊界及線條紋理特征有較好的增強能力。LoG函數(shù)表示為：

(4)

式中x和y是濾波窗口空間位置變量，σ為高斯分布的標準差[6]。LoG函數(shù)對圖像進行高斯平滑處理，抑制噪聲的同時完成拉普拉斯銳化處理，增強圖像的邊緣信息。LoG濾波器由σ控制平滑的強度，其值與處理對象的灰度空間復雜度相關(guān)。

結(jié)合這兩種濾波器的優(yōu)勢，可以較全面地描述森林植被的主要紋理特征。Gabor濾波器的優(yōu)勢一方面在于對紋理的方向選擇特性，另一方面在于它能增強與其頻率相吻合的紋理信號而抑制其它頻率的紋理信號。LoG濾波器的優(yōu)勢在于它能夠捕捉到紋理結(jié)構(gòu)，凸顯出森林植被基元內(nèi)部的灰度空間變化特征。兩種濾波器的結(jié)合，從方向、頻率、灰度空間分布三個方面捕捉并增強森林植被的紋理特征。

2 自適應濾波器參數(shù)設置

2.1 濾波器參數(shù)分析

二維Gabor濾波器是一個由正弦平面波調(diào)制的高斯核函數(shù)，自身具有多尺度多方向分析能力，在周期性或方向性具有良好的分類效果[9]。通過對Gabor濾波器的頻率和方向設定，可以得到一組自相似的頻率和方向不同的Gabor濾波器，從而實現(xiàn)對圖像多分辨率、多方向分析。對于特定的目標紋理濾波處理，通常要選擇單個的相關(guān)頻率和方向，這樣對運算量和存儲量也有益。針對不同的森林植被紋理選擇不同的濾波器參數(shù)，可以實現(xiàn)自適應的濾波處理。二維Gabor濾波器有4個參數(shù)需要設置：θ、σx、σy、F0。Gabor濾波器表現(xiàn)出明顯的方向選擇性。通過設置濾波器方向θ，捕捉該方向的紋理特征。σx和σy決定濾波器的有效長度和寬度，森林植被的一個紋理基元應該被濾波器的有效區(qū)域覆蓋。由于Gabor濾波器的帶通特性，設置濾波器的中心頻率F0與森林植被紋理基元出現(xiàn)的頻率相吻合。這樣，通過濾波器后輸出的森林植被紋理信號將會增強，而那些與中心頻率不吻合的紋理信號則會受到抑制。

LoG濾波算法先對圖像做高斯濾波，再通過檢測濾波結(jié)果的零交叉點獲取目標的邊緣，它把高斯平滑濾波器和拉普拉斯銳化濾波器結(jié)合起來了。LoG濾波器中只有2個參數(shù)需要設置：(x，y)、σ。σ的作用是有效地消除一切尺度小于高斯分布因子σ的圖像強度變化[10]。該圖像強度變化在本文中指灰度變化強度。要確定最佳σ值，需要確定典型森林區(qū)域圖像的灰度空間分布復雜程度即灰度差異及灰度差異的空間分布情況。(x，y)為濾波窗口尺寸，該尺寸的設置與森林植被紋理基元的尺寸相關(guān)，需要保證紋理基元內(nèi)有足夠的邊緣被保留。

2.2 用灰度共生矩陣確定參數(shù)

為了分析遙感圖像中的森林植被紋理特征，首先要探測到該圖像中的典型森林植被區(qū)域。遙感圖像森林植被在宏觀上由單個的樹冠連接構(gòu)成，呈非周期隨機狀態(tài)，在陽光照射下有較弱的方向性，森林植被紋理這種宏觀上的特點恰好具有藍噪聲的部分特性[11]。根據(jù)森林植被基礎特征快速選擇出圖像的探測區(qū)域，通過快速傅里葉變換判斷探測區(qū)域是否具有藍噪聲特征，將最符合藍噪聲特征的區(qū)域進行標記，從而確定典型森林植被區(qū)域。

灰度共生矩陣的特征參數(shù)隨著統(tǒng)計角度、步長的變化而變化。灰度共生矩陣定義為，在θ方向上，步長為d的灰度值分別為i和j的像素對出現(xiàn)的概率，記為p(i,j;d,θ)。灰度共生矩陣對圖像紋理的方向比較敏感，不同方向上的灰度共生矩陣的特征值之間存在較大差異，沿著紋理方向的灰度共生矩陣的特征值明顯區(qū)別與其它方向的值，這表示灰度共生矩陣的方向與圖像紋理的方向有著密切的聯(lián)系。如圖1所示，選取灰度共生矩陣的11個特征參數(shù)，包括能量、相關(guān)性、慣性矩、熵、逆差矩、均值和、和方差、和熵、平均差、差方差、熵差，這些特征與方向密切相關(guān)。

圖1 灰度共生矩陣判斷森林紋理方向

從圖1中可以看出，灰度共生矩陣在135°方向附近特征值發(fā)生變化最大。該區(qū)域森林植被紋理的主方向傾向于45°，與測得的方向是垂直關(guān)系。對于Gabor濾波器的方向θ，增強的是垂直于該方向的紋理，因此，灰度共生矩陣測得的方向可以直接用于Gabor濾波器的方向設置。

灰度共生矩陣的另一個重要參數(shù)就是步長，即兩個灰度像素間的距離大小。在紋理方向上，當灰度共生矩陣的步長大于紋理基元的周期時，灰度共生矩陣的特征值應該基本保持不變。這里稱特征值開始穩(wěn)定時的步長為穩(wěn)定的步長，其大小應該接近紋理在該方向上的紋理基元周期。本文實驗使用的遙感圖像的分辨率為0.5米。同一幅遙感圖像中，森林的樹種會有不同，同時樹木的長勢也會有不同，這樣就導致樹冠的空間尺寸不盡一致。如果以樹冠作為紋理基元，實施紋理濾波的尺度設置顯然難于選擇。通常情況下，樹冠由樹枝構(gòu)成，在更小的尺度下樹枝具有樹冠的屬性。于是，將樹枝作為森林植被紋理的基元，對較小的樹冠和灌木樹冠就會有較好的兼顧。

灰度共生矩陣測得的穩(wěn)定步長的原理同樣滿足樹枝的高光與陰影部分反復出現(xiàn)形成的規(guī)律。對典型森林區(qū)域進行灰度共生矩陣穩(wěn)定步長測定實驗如圖2所示，從圖2(b)中可以看到森林植被的紋理基元是由灰度漸變的樹冠或樹枝的高光部分及樹蔭兩部分組成的。圖2(c)曲線變化開始幅度較大，到步長為7時，曲線基本保持水平不變，則穩(wěn)定的步長為7。

圖2 森林植被紋理基元周期的確定

通過確定灰度共生矩陣穩(wěn)定的步長得到典型森林植被區(qū)域的紋理基元周期，由此周期計算頻率，將其作為Gabor濾波器的參數(shù)F0。并且，由F0可得到σx和σy：

(5)

σy=λ·σx

(6)

式(5)中B設定為1，這是一個經(jīng)驗值。很多實驗表明，當B=1時得到的Gabor濾波器是最優(yōu)的[10]。式(6)中λ是Gabor核高斯函數(shù)的縱橫比，它的范圍在0.23～0.92，本文中取經(jīng)驗值0.5。

圖3給出本文方法與文獻[8]方法的Gabor濾波對比實驗結(jié)果。本文方法經(jīng)Gabor濾波后圖像中的森林植被區(qū)域紋理特征被明顯增強。森林植被紋理特征的增強使紋理之間的特征差距拉大，為更精確的森林植被紋理分割創(chuàng)造了條件。

1.2.1 細胞培養(yǎng) 將購買的人前列腺癌細胞PC3解凍復蘇，接種于含10%胎牛血清DMEM培養(yǎng)基中，置于37℃、5% CO2的潮濕培養(yǎng)箱中培養(yǎng)，待細胞長滿瓶底85%左右時，棄去培養(yǎng)液，加入胰蛋白酶消化處理后，進行傳代培養(yǎng)和細胞凍存。

圖3 Gabor濾波效果對比

Haralick提出的灰度共生矩陣反映了圖像紋理灰度空間分布復雜程度[14]。灰度共生矩陣的慣性矩、逆差矩、差方差、熵差等特征均能描述圖像灰度空間分布復雜程度。本文選用差方差來確定典型森林植被紋理的灰度空間復雜程度，實現(xiàn)LoG濾波器參數(shù)σ的設置。差方差測量如圖4所示。

圖4 灰度共生矩陣測量灰度空間復雜度

圖4的實驗結(jié)果給出的是四個方向上該典型森林植被區(qū)域以差方差表達的灰度空間復雜度。對此復雜度求其平均，得到的平均空間復雜度能夠表示圖像的信號變化強度，用于設置LoG濾波器參數(shù)σ。

由于LoG濾波函數(shù)的性質(zhì)使濾波窗口既不能偏小也不能過大。因此，本文依據(jù)森林植被紋理基元的尺寸設置LoG濾波器濾波窗口尺寸，將N設在S/2附近,既保證圖像不會被過度平滑，也保證了森林植被紋理基元內(nèi)部細節(jié)被完整保留。森林植被紋理基元尺寸為S，濾波器窗口尺寸為N，計算公式為：

(7)

通過上述方法給出本文自適應LoG濾波參數(shù)的濾波圖像，同時與文獻[3]中LoG濾波后圖像進行了對比實驗，實驗效果如圖5所示。

圖5 LoG濾波效果對比

圖5給出的LoG濾波效果實驗對比結(jié)果中，本文方法森林植被區(qū)域的樹冠乃至樹枝的紋理變化線條都清晰地凸顯出來。說明自適應LoG參數(shù)的設置能夠更加細致地捕捉到森林植被紋理的灰度變化。

2.3 積分窗口設置

對于遙感圖像而言，圖像分割是決定遙感圖像分析與計算成功與否的關(guān)鍵因素之一，在多尺度的高分辨率遙感影像分割中如何確定分割的最優(yōu)尺度顯得尤為重要。譜直方圖的統(tǒng)計模型是基于積分窗口的，積分窗口的尺度直接影響局部譜直方圖的統(tǒng)計結(jié)果，而局部譜直方圖又是紋理分割的依據(jù)，所以，積分窗口的尺度也是分割的尺度。局部譜直方圖獲取的過程中，積分窗口不斷移動，計算積分窗口內(nèi)濾波響應強度的直方圖作為積分窗口中心像素位置的紋理特征描述。

為了能準確地描述森林植被的紋理特征，需要將完整的紋理基元包含在積分窗口內(nèi)，使直方圖統(tǒng)計后紋理特征得到保持。積分窗口又不能過大，在區(qū)域邊緣附近過大的積分窗口會覆蓋過多其它紋理區(qū)域，使局部譜直方圖所表達的紋理特征混亂，導致區(qū)域邊緣分割精確度下降。

圖6是不同尺度積分窗口局部譜直方圖對比實驗結(jié)果。實驗對象是典型森林植被區(qū)域，使用Gabor濾波器，譜直方圖統(tǒng)計分段數(shù)為20。森林植被紋理基元尺寸是9，積分窗口尺寸從5×5變化到15×15。

圖6 不同積分窗口局部譜直方圖對比

積分窗口從5×5變化到9×9的過程中，隨著積分窗口逐漸增大至森林紋理基元尺寸，直方圖曲線逐漸接近積分窗口為9×9時的形狀；當積分窗口大于等于9×9的時候，直方圖曲線基本趨于穩(wěn)定。說明在積分窗口覆蓋住森林的紋理基元后，紋理特征表達就基本穩(wěn)定下來。本文將圖像中典型森林植被區(qū)域測得的森林植被紋理基元尺寸作為積分窗口尺寸，該尺寸既保持了森林植被的紋理特征，也減少了區(qū)域邊緣地帶不同紋理之間的干擾。

3 實驗結(jié)果分析

本文實驗平臺是Matlab7.0，選用分辨率為0.5米的遙感圖像做濾波和分割實驗。圖7中給出了兩組分割對比實驗的效果。兩種方法都選用Gabor濾波器和LOG濾波器。分割過程中有兩點不同：首先，濾波器的參數(shù)設置上不同，文獻[7]通過計算特征矩陣的奇異值，給出噪音最小時的奇異值尺度作為指標來設置濾波器參數(shù)；本文方法是根據(jù)圖中典型森林植被區(qū)域的紋理特征自適應設置濾波器參數(shù)。其次，譜直方圖積分尺度不同，文獻[7]選用固定積分尺度；本文將典型森林植被紋理基元的尺度作為積分尺度。圖7(c)、圖7(f)為本文方法的分割結(jié)果,森林植被區(qū)域用同一灰度級顏色表示。圖7(b)、圖7(e)為文獻[7]方法的分割結(jié)果。該方法基于整幅圖像特征設置濾波參數(shù)，可以保持各種面積占比較大地物的相對特征。為了方便與本文方法比較，實驗中選擇森林植被面積占比較大的圖像，并限定該方法分類數(shù)為2。

圖7 兩組分割對比實驗

本文方法中，首先對原圖用移動窗口方法探測典型森林植被區(qū)域，圖7(a)、圖7(d)中白色邊框區(qū)域為探測到的典型森林植被區(qū)域。如果存在典型森林植被區(qū)域，該區(qū)域的紋理單一性保證了區(qū)域特征分析的有效性。用灰度共生矩陣統(tǒng)計典型森林植被區(qū)域紋理的基本特征，以原圖1為例測得：θ=45°，F(xiàn)0=0.153 8，σx=3.41，σy=6.82，σ=0.56，(x,y)=(3,3)。分別實施Gabor濾波和LoG濾波，并分別計算濾波后各像素的局部譜直方圖。每個像素的紋理特征由并置的局部譜直方圖表示。通過統(tǒng)計典型森林植被區(qū)域的譜直方圖得到代表譜直方圖。最后用χ2統(tǒng)計距離度量局部譜直方圖與代表譜直方圖之間的相似度，該距離用于最終圖像的分割。分割閾值取典型森林區(qū)域中局部譜直方圖與代表譜直方圖之間的最大距離m。

原圖1中主要包含森林、草地、道路和橋梁四種地物。道路的方向性很強，但它的灰度分布復雜度較低，兩種分割方法都有較好的效果。雖然草地的灰度分布復雜度也較高，但紋理基元的尺寸較小。本文以森林植被的紋理基元尺寸和灰度變化強度設置濾波函數(shù)，使森林植被與草地的特征被明顯區(qū)分開。原圖2中主要包含森林、草地、房屋和空地四種地物。空地與道路類似，灰度變化較弱，兩種方法都有較好的分割效果。同樣是尺度的原因，文獻[7]的方法擴大了森林植被的范圍，與草地相鄰的孤立樹木不能被單獨分割出來。

圖8給出了兩種方法對橋梁陰影區(qū)域分割效果的對比。文獻[7]的濾波處理不具備針對性，因此，對于面積占比較小的地物來講，所提取目標的特征區(qū)分度較小。本例中，橋梁陰影部分被文獻[7]的方法分到森林植被中。橋梁的陰影區(qū)域紋理灰度級變化較少，這與森林植被紋理的灰度分布存在一定的差異，本文方法從森林植被紋理特點出發(fā)捕捉這種差異，分割結(jié)果相對準確。

圖8 局部放大的橋梁陰影分割對比

圖9中，兩種方法明顯的差異在于草地與森林植被的區(qū)分度。圖像中草地相對于森林植被區(qū)域的灰度變化比較緩和，紋理細節(jié)較少。提取該特征取決于LoG函數(shù)σ值的設置。本文方法針對森林植被的灰度變化強度以及紋理基元尺寸設置濾波參數(shù)，將草地的紋理細節(jié)信息大部分抑制掉，導致兩種目標的特征區(qū)分度加大。

圖9 局部放大的草地區(qū)域分割對比

圖10是出現(xiàn)單株樹木區(qū)域的分割對比。圖10(b)的濾波參數(shù)設置時考慮的是圖像整體的綜合特征，所以它無法把握森林植被紋理的尺度，致使單株樹木與陰影以及附近的草地分為同一類。本文方法綜合使用森林植被的多個特征，尤其是紋理尺度，通過濾波參數(shù)和積分窗口尺寸的設定，有效地排除了單株樹木周圍的其他地物。

圖10 局部放大的單株樹木分割對比

4 結(jié) 語

基于紋理濾波的分割方法中，濾波函數(shù)的選擇和濾波器參數(shù)的設置是影響特征提取效果的兩個關(guān)鍵因素。以遙感圖像森林植被為分割對象，本文從森林植被的紋理特征出發(fā)，選擇Gabor函數(shù)與LoG函數(shù)形成濾波器組，提取遙感圖像森林植被的紋理特征。使用藍噪聲探測技術(shù)和灰度共生矩陣，捕捉森林植被紋理的尺度和灰度復雜度等特征，設定針對森林植被紋理的濾波器參數(shù)。在分割尺度上，根據(jù)森林植被紋理基元的尺度設置積分窗口，保持了森林植被的紋理特征，排除了其他尺度紋理的干擾。對比實驗表明，本文方法對遙感圖像森林植被有穩(wěn)定的紋理濾波效果和準確的分割能力。本文方法依據(jù)目標地物的先驗知識有針對性地做目標的濾波處理，對于遙感圖像中除森林植被外其它特定目標地物分割有一定的借鑒價值。進一步的研究方向是針對多種目標地物的自適應濾波方法。

[1] 王榮,江東,韓惠,等.高分辨率遙感影像天然林與人工林植被覆蓋信息提取[J].資源科學,2013,35(4):868-874.

[2] 馬浩然,趙天忠,曾怡.面向?qū)ο蟮淖顑?yōu)分割尺度下多層次森林植被分類[J].東北林業(yè)大學學報,2014,42(9):52-57.

[3]DuH,JinX,WillisPJ.Two-leveljointlocallaplaciantexturefiltering[J].TheVisualComputer,2015:1-12.

[4]ChoH,LeeH,KangH,etal.Bilateraltexturefiltering[J].ACMTransactionsonGraphics,2014,33(4):1-8.

[5] 李寧娣.基于譜直方圖和支持向量機的人臉檢測[D].大連:大連理工大學,2007.

[6]YuanJ,WangD,LiR.RemoteSensingImageSegmentationbyCombiningSpectralandTextureFeatures[J].IEEETransactionsonGeoscienceandRemoteSensing,2014,52(1):16-24.

[7]SantosJAD,PenattiOAB,TorresRDS,etal.Remotesensingimagerepresentationbasedonhierarchicalhistogrampropagation[C]//2013IEEEInternationalGeoscienceandRemoteSensingSymposium,2013:2982-2985.

[8] 畢于慧.彩色航空圖像森林紋理特征提取方法的研究[D].北京:北京林業(yè)大學,2007.

[9] 唐銀鳳,黃志明,黃榮娟,等.基于多特征提取和SVM分類器的紋理圖像分類[J].計算機應用與軟件,2011,28(6):22-25,46.

[10] 李小紅.基于LOG濾波器的圖像邊緣檢測算法的研究[J].計算機應用與軟件,2005,22(5):107-108,123.

[11] 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.

[12] 王妮,彭世揆,李明詩.基于樹種分類的高分辨率遙感數(shù)據(jù)紋理特征分析[J].浙江農(nóng)林大學學報,2012,29(2):210-217.

[13]HuM.Extractionoftreesandgrassesinurbangreenlandbasedontexturecharacterofhighresolutionremotesensingimage[C]//RemoteSensing,EnvironmentandTransportationEngineering(RSETE),2011InternationalConferenceon.IEEE,2011:2178-2181.

[14] 肖德貴,辛晨,張婷,等.顯著性紋理結(jié)構(gòu)特征及車載環(huán)境下的行人檢測[J].軟件學報,2014,25(3):675-689.

ADAPTIVE FILTERING OF FOREST VEGETATION TEXTURE BY REMOTE SENSING IMAGES

Liu Xiaodan Qiu Hongyuan Yu Ning

(SchoolofComputerandInformationTechnology,LiaoningNormalUniversity,Dalian116029,Liaoning,China)

The segmentation method based on texture filtering is widely used in remote sensing image forest vegetation segmentation. The diversity of forest vegetation texture in remote sensing images makes the texture filtering method of fixed parameters can not express texture features accurately, resulting in low accuracy of segmentation. A filtering method is proposed to automatically adapt to the texture of forest vegetation. The filtering parameters are set according to the texture basic attribute of the typical forest vegetation area in remote sensing image to realize the targeted texture filtering. The attributes of the texture primitive elements in the typical forest vegetation area are obtained by the blue noise detection method and the gray level co-occurrence matrix statistic method. The texture parameters including the window size, direction, frequency and intensity of the filter and the integral window size of the local spectral histogram for expressing the texture feature are set according to the prior knowledge of the forest vegetation texture. Segmentation experiments show that this method makes full use of the characteristics of the forest vegetation texture in the image, and the feature of the texture filter is more distinguished.

Forest vegetation segmentation Texture filtering Gray level co-occurrence matrix(GLCM) Local spectral histogram

2016-01-27。國家自然科學基金項目(41271422)；遼寧省教育廳自然科學基金項目(12012379)。劉小丹，教授，主研領(lǐng)域：數(shù)字圖像處理，數(shù)字印刷技術(shù)。邱紅圓，碩士生。于寧，碩士生。

TP751.1

A

10.3969/j.issn.1000-386x.2017.04.038