紋理特征與面向對象結合的高分影像耕地提取應用

郝劍南，王瑞紅

(1.東華理工大學測繪工程學院，江西南昌 050000；2.流域生態與地理環境監測國家測繪地理信息局重點實驗室，江西南昌 050000；3.河北省地礦局第六地質大隊，河北石家莊 050000)

傳統的影像分類的主要方法為專家的目視解譯，但這種方法有較大的局限性[1-2]。該方法未能考慮相鄰的像元之間的空間相關性的尺度因素，或者即使有些基于像元的分類算法同紋理特征相融合[2]，其本質上也僅僅是考慮了影像特征的尺度因素和像元之間空間的相關性，而其紋理分析的窗口大小或者尺度則往往都采用人為的去給定，使得該方法對紋理特征尺度的定量分析仍然缺少，從而在遙感像元模式識別的自適應尺度選擇上依舊存在一定的盲目性和主觀性[3]，而高分辨率影像像元之間的空間相關性在影像表現中也更加增強，即地物的紋理、結構、形狀等細節信息越來越突出[4]。在這樣的背景下，面向對象遙感影像分類方法越來越受到人們的重視。而高分辨率遙感影像的光譜分辨率較低，表現出了較高類內差異和較低類間差異的特點，而它的紋理內容卻較為豐富。而紋理能夠在影像灰度模式下反映出地類實體空間分布的特征，因而利用紋理的特征對高分影像進行分類能夠顯著改善影像的分類精度，而且識別精度也會提高。筆者以閃電河鄉馬神廟村的耕地提取為例，進行了紋理特征與面向對象結合的高分影像耕地提取應用試驗。

1 數據預處理

在對遙感影像的使用之前，首先就是要對影像做預處理的工作。由于源數據影像已經進行過影像輻射校正，因此，該研究所要做的影像預處理主要有3個方面：對試驗區域內的遙感影像進行拼接、裁剪以及影像的幾何校正。

一般的情況下常用的幾何校正模型有多項式模型、仿射變換的模型和局部三角網模型等[5]。其中，局部三角網的模型比較適合在丘陵及山區等起伏較大地形的影像的校正，需要分布均勻并且有大量的控制點，所以該研究選用這個模型且試驗前期均勻選取了大量的控制點，應用局部三角網的模型進行幾何精校正，使得影像的RMS能夠控制在1像元內，最后再采用三次卷積內插的方法進行影像的重采樣，最終完成幾何精校正(裁剪拼接校正后影像如圖1)。

圖1 影像預處理成果Fig.1 Image preprocessing results

2 影像多尺度分割

在對影像對象進行獲取的過程中，主要是運用e Cognition Developer 9.0(易康)軟件對SPOT-5影像進行多尺度分割。最后，對通過設置分割參數所得到的分割結果進行優度分析，從中選取分割效果最佳的圖像作為最終的分割結果。

在對圖像分割的參數進行設置時，參照已有文獻的研究經驗，將圖像的分割尺度取值定在(150，250)的區間內，將其步長設置為10；將形狀指數和緊密度指數的取值區間設置為(0.1，1)，步長取值設置為0.1，然后將所獲取的參數進行組合得到分割后的圖像。

經過多次分割試驗后得出，當原影像圖的R、G、B波段值為1，形狀指數為0.4，分割尺度為220，緊密度指數為0.5時，其分割后的結果與實際邊界最吻合，分割的效果如圖2所示。

圖2 圖像分割結果Fig.2 Image segmentation results

3 耕地紋理特征提取與分析

圖像的紋理特征是對象實體以微小的像元的形式表現，可以用對比度、規則度、方向性和粗糙度等特性來進行描述[6]。耕地紋理特征的提取主要分為圖像歸一化、圖像二值化，對局部紋理特征進行分析統計的算法有灰度共生矩陣算法或局部二值模型，該研究只采用了灰度共生矩陣法。

3.1紋理增強

3.1.1圖像歸一化。圖像的歸一化有利于降低灰度差異，減小脊骨線之間的灰度差距，并通過對圖像灰度分布的優化，使其更為靠近期望值與方差，統一后續圖像處理過程中的標準。

若遙感影像的長寬分別為M和N，I(i，j)是圖像中(i,j)位置的像元灰度數據，則灰度均值(Mmean)和標準方差的公式如下：

(1)

(2)

假設M0和V0為原始灰度均值與方差，則經過歸一化后的像元(i，j)的位置像素的灰度數值為G(i,j),公式為：

(3)

3.1.2圖像二值化。圖像二值化是把遙感影像換算為二值圖，在圖中灰度值只有0和1這2個數值可取[7]。通過圖像二值化處理，圖像紋理結構變得更為清晰，一定程度上消除了噪音的影響，也能使得影像數據更為簡單。灰度二值化公式如下：

(4)

式中，f(pi)是原始圖像的像元灰度值；g(pi)為圖像經過二值化處理之后圖像像元的灰度值；T表示的是指定閾值。從二值化進行處理的過程來看，是把灰度值大于閾值的所有像元判斷為前景區，并將其賦值1；反之賦值為0。

應用較為廣泛的二值化方法有固定閥值、方向圖和區域自適應3種方法[7-8]。固定閥值法使用單一指標進行處理時，難以解決圖像的噪聲干擾與不均勻的光照等對結果數據產生干擾的因素，使得在取值過程中斷線的產生不可避免；區域自適應法由于閾值依據未能有效利用圖像中的紋理信息，造成二值化結果容易受噪聲干擾影響[9]；方向圖法在噪聲平滑處理、去除邊界毛刺、連接微小斷線等方面都具有良好的作用，應用廣泛。因此，該研究使用方向圖法(圖3)。

圖3 方向圖法Fig.3 Direction pattern method

方向圖法在應用中，則一般將模板的中心作為基準點，使用模板大小一般為9×9，按以下過程進行具體運算：

(a)首先為了去除異常值，模板采用3×3窗口，計算出所有窗口內像元的平均值，將中心像元賦為平均值，中心以外的像元灰度值保持不變。

(b)接著模板擴大為9×9 的窗口，把圖像紋理方向通過量化到0～7這8個方向上，并根據這8個方向上標有i(i=0，1，…，7，分別代表8個方向)的位置的像元灰度值，對各個方向灰度值的最大值(Smax)和最小值(Smin)以及平均值(Smean)進行計算與統計，其中P點不參與數據計算與統計。

(c)依據公式(5)，使用動態閾值進行第1次二值化運算：

(5)

(d)根據步驟(c)計算的T(pi)值及其鄰域(3×3窗口)T(pi)值的分布狀況，進一步進行第2次二值化運算。計算公式如下：

(6)

式中，sum表示T(pi)鄰域內像元值為1的全部像元數量。

總的來說，紋理增強算法的實現過程具體可分為以下3步：

第一步，將RGB圖像借助公式(7)轉化為所需要的灰度圖像，處理結果見圖4-b。

Grey_Image=0.299 00R+0.587 00G+0.114 00B

(7)

第二步，對所得到的灰度圖像借助歸一化方法進行預處理。在對原始圖像進行歸一化處理的過程中，將期望的灰度均值M0與方差V0分別設為150和2 000，從而獲得灰度偏差較小的影像圖(圖4-c)。

第三步，在圖像歸一化的基礎上，借助方向圖法進行圖像的二值化處理。在試驗過程中，對原始圖像分別進行了經1次循環(圖4-d)和經4次循環的二值化(圖4-e)，最終將2次二值化進行求和，得到了較為理想的二值化效果圖(圖4-f)。

圖4 紋理增強過程Fig.4 Texture enhancement process diagram

3.2灰度共生矩陣紋理特征提取灰度共生矩陣算法在20世紀70年代由Haralick所提出[10]，該算法是用來對紋理特征進行分析、統計的經典方法。而紋理是局部窗口內，像元灰度級的空間分布及空間相互關系[11]。

圖5 5*5的圖像(a)到角度135°、距離圖像(b)的灰度共生矩陣Fig.5 The gray level co-occurrence matrix from a 5*5 image(a)to an angle 135° and distance image(b)

通過統計分析提取了GLCM方差、均值、相關性和非相似性這4個常用的紋理的統計量進行研究。首先通過紋理特征增強的提取方法，提取了GLCM的一些基本紋理特征，并通過紋理的數據及特征來達到增強影像來更全面地提取GLCM紋理特征的目的。為了避免灰度圖像的局限性，先通過對圖像信息進行灰度級的量化處理來適當減少數據量影響，再結合常規統計方法對GLCM紋理的特征進行提取。高程程等[12]通過對灰度的降級來采取圖像信息，對紋理信息的分析并不會產生過大影響。因此，該研究先將圖像灰度級進行降級，先將其降至64，再對影像進行GLCM紋理特征提取。實現過程如下：①提取過程首先要設置滑動窗口、移動步長、移動方向這3個參數。②計算第1個窗口之內像元的灰度共生矩陣和由它衍生的紋理特征值，再將這個生成的紋理值賦于同窗口下的中心像元。③將小窗口按照移動的步長和移動的方向移動到下一個位置，重復步驟②的計算。④多次重復步驟③，得到整幅影像數據，生成一個以紋理值為數據的共生矩陣，再將該矩陣數據轉化成紋理特征圖像數據。

4 影像對象植被指數提取

遙感影像的光譜數據利用一定的數學規則得到植被指數，它能直接體現植被生長趨勢與生物量指數。一般選擇可見光的紅光波段與近紅外來計算植被指數。將這2個波段進行組合可以得到不同意義的植被指數。其中，歸一化植被指數(NDVI)通常用來衡量植被生長情況以及植被覆蓋率的標準。同時它可以用來增強植被信息，與植被分布的密度成線性相關[13]，其表達式為[14]：

(8)

一般情況下，非植被區的NDVI值為負，植被區NDVI值為正。影像對象的NDVI值可以反映出影像內部植被的豐度，是區分植被與非植被對象的良好尺度標準。研究區影像對象NDVI值見圖6。試驗利用訓練樣本，結合統計距離的樣本可分性分析方法來分析各地物類別間影像對象NDVI指數。

圖6 影像對象NDVI植被指數Fig.6 NDVI vegetation index of image object

對影像對象的NDVI指數分析可知，耕地與草地間的可分性較差，而草地、耕地與其他類別間的可分性較好，優于園地均種植枸杞，耕地與園地之間的可分性較差。

5 結合紋理特征的面向對象的影像分類

將耕地按照有植被覆蓋耕地與無植被覆蓋耕地分為耕地 Ⅰ 與耕地 Ⅱ 這2個類別。因為高分辨率的遙感影像具有較為復雜的性質，目前分類方法中沒有一種能夠高效地普遍使用。因此，該研究選取使用較為廣泛、效果較好的支持向量機作為分類器。采用基于支持向量機的遙感影像面向對象的分類方法來進行分類。從樣本點中隨機抽取大約1/3(253個)的樣本點來作為影像分類的訓練樣本，并用訓練樣本對支持向量機分類器進行訓練(圖7)來支持影像分類。

圖7 試驗區樣本點分布Fig.7 Distribution of sample points in the experimental area

6 精度評定與結果

6.1精度評定為了對不同地物的紋理特征提取方法所得到的紋理特征對圖像分類結果準確性的影響進行分析，以剩余樣本點作為測試樣本，利用混淆矩陣方法對圖像分類方案的分類結果進行了精度評價和分類精度評價(表1)。

制圖精度(PPA)代表了分類正確的像元個數(Xii)占某一類別的所有真實參考像元數量(Xi)的比例，其公式為：

(9)

用戶精度(PUA)則是正確分類像元個數(Xii)在一個類別所有像元數量(Xj)中所占的比例，其公式為：

(10)

總體分類精度(POA)則是用來表示圖像分類的正確結果占結果總體的比例，即為分類正確的像元數量與所有像元數量(M)的比例，其公式為：

(11)

Kappa系數是真實柵格與模擬柵格圖像之間一致性程度的指標，其公式為：

(12)

6.2結果

通過表格數據的對比分析，總體上來說，結合紋理特征增強算法的提取影像的紋理特征進而進行面向對象的影像分類的方法能夠顯著地提高高分辨率遙感影像分類的精度，尤其是對耕地這一擁有規則的紋理特征的植被類型的地表覆蓋地類的影像分類的精度有很大提高。但是該試驗也存在不足，由于試驗位于農業牧業并存地區，人工草地同耕地Ⅰ在影像分類成果中存在較多誤分，即將大多數的人工牧草地分到了耕地Ⅰ的地類中。造成這一現象的原因則是由于人工草地同耕地有著相似的紋理與植被系數，后續試驗仍需改進。

[1] 陳小良.基于面向對象技術的土地利用/覆被分類研究[D].北京：中國地質大學，2009.

[2] 陳啟浩.面向對象的多源遙感數據分類技術研究與實現[D].武漢：中國地質大學，2007.

[3] 明冬萍，邱玉芳，周文.遙感模式分類中的空間統計學應用：以面向對象的遙感影像農田提取為例[J].測繪學報，2016，45(7)：825-833.

[4] BLASCHKE T，STROBL J.What’s wrong with pixels? Some recent developments interfacing remote sensing and GIS [J].GIS-Zeitschrift Für Geo-Information System，2001，14(6)： 12-17.

[5] 楊盼盼.基于高分辨率遙感影像紋理特征的面向對象植被分類方法研究[D].昆明：云南師范大學，2017.

[6] 馬莉，范影樂.紋理圖像分析[M].北京：科學出版社，2009.

[7] SINGH T R，SINGH R，ROY S，et al.A new local adaptive thresholding technique in binarization[J].International journal of computer science issues，2011，8(6)：271-277.

[8] DAI P Y.Overview of fingerprint verification technologies[J].Journal of Xiamen University，2002，41(6)：750-755.

[9] 楚亞蘊，詹小四，孫兆才，等.一種結合方向信息的指紋圖像二值化算法[J].中國圖象圖形學報，2006，11(6)：855-860.

[10] HARALICK R M，SHANMUGAM K，DINSTEIN I.Textural features for image classification[J].Systems Man & Cybernetics IEEE Transactions on，1973，3(6)：610-621.

[11] 劉龍飛，陳云浩，李京.遙感影像紋理分析方法綜述與展望[J].遙感技術與應用，2003，18(6)：441-447.

[12] 高程程，惠曉威.基于灰度共生矩陣的紋理特征提取[J].計算機系統應用，2010，19(6)：195-198.

[13] 楊盼盼，孫興齊，侯智庭.鄭州市植被覆蓋度動態監測與分析[J].平頂山學院學報，2015(5)：83-89.

[14] 蘭明娟，魏虹，熊春妮，等.基于TM影像的重慶市北碚區地表植被覆蓋變化[J].西南大學學報(自然科學版)，2009，31(4)：100-104.