基于高分二號影像結合紋理信息的茶園提取

楊艷魁 陳蕓芝 吳波

摘要：為提高高分辨率遙感影像分類精度，針對高分二號影像發展一種綜合利用遙感影像光譜和紋理信息的茶園種植區提取方法。該方法首先利用歸一化植被指數（NDVI）和修正的歸一化植被指數（MNDVI）構建新的光譜特征——差異歸一化差分植被指數（DNDVI），通過灰度共生矩陣（GLCM）構建新的紋理特征——灰度共生紋理（GLCT），然后結合光譜和紋理特征運用支持向量機（SVM）的方法進行分類。試驗采用2種方案（原始波段+光譜特征，原始波段+光譜特征+紋理特征）對影像進行分類，分類總體精度分別為79.6%、89.8%，Kappa系數分別為 0.659、0.788。結果表明，結合紋理信息能明顯地提高分類精度，并較好地實現對高分二號影像茶園種植區的分類提取。

關鍵詞：高分辨率;光譜;紋理;GLCM;茶園提取

中圖分類號： TP79;S127 ?文獻標志碼： A ?文章編號：1002-1302（2019）02-0210-05

中國是世界上最早利用茶葉、栽培茶樹的國家，有著獨特的茶文化，而且中國的茶園面積和茶葉產量均居世界第一;因此準確獲取茶樹種植區分布，可為政府部門進行茶園規劃管理、茶葉估產及災害預防處理等提供數據支撐[1]。

但傳統通過構建指數等光譜特征來提取作物的方法，由于存在著同譜異物、同物異譜等問題，具有很大的局限性。茶樹與其他植被的光譜特征非常相似，使得茶樹與其他植被容易產生嚴重的光譜混淆問題[2]。解決光譜混淆的一個重要方法是引入以空間信息為基礎的紋理特征[3]，采用基于多特征的分類方法提高影像的分類精度[4-5]。高分辨率遙感影像由于其分辨率足夠高，提供了豐富的地面信息，不同地物內部的紋理差異得到很好體現[6]，使得紋理特征的提取與應用得到廣泛關注。隨著高分辨率遙感影像的普遍，基于高分辨率影像結合紋理特征的分類方法得到廣泛應用。楊紅衛等利用高分辨率影像紋理特征分別對橡膠林和農業區土地利用類型進行分類研究[7-8]。佃袁勇等通過將紋理特征分別與光譜特征和幾何特征有效結合，實現對地表覆蓋和城區道路的分類和提取[9-10]。在上述研究的基礎上，本研究嘗試結合光譜特征和紋理特征，得到適用于高分二號影像茶園種植區提取的分類方法。

本研究利用高分二號數據，以福建省安溪縣西部為研究區域，通過構建特征提取茶園區相關光譜和紋理信息，利用機器學習的方法結合光譜信息和紋理信息，對茶園種植區進行提取，旨在及時掌握茶樹的種植面積信息，以供相關部門決策參考。

1 研究區及數據

安溪縣位于福建省東南沿海，廈、漳、泉閩南金三角西北部，隸屬泉州市，以茶業聞名全中國，號稱中國茶都;安溪縣是中國烏龍茶之鄉、名茶鐵觀音的發源地，創造了獨具魅力的安溪茶文化。本研究選取安溪縣西部一幅大小為1 202×821像素的影像作為試驗數據（圖1）。影像包括1個1 m分辨率的全色波段和4個4 m分辨率的多光譜波段（藍光波段、綠光波段、紅光波段、近紅外波段）。首先對數據進行配準，然后進行正射校正、NNDiffuse Pan Sharpening融合和大氣校正，最終得到校正后的1 m分辨率的多光譜融合數據。

2 研究方法

本研究采用的方法是利用影像光譜和紋理特征，基于支持向量機（SVM）分類器進行分類，進而對茶園種植區進行提取。首先利用歸一化植被指數（NDVI）和修正的歸一化植被指數（MNDVI）構建新的光譜特征，然后通過灰度共生矩陣（GLCM）構建新的紋理特征來提取影像相關紋理特征，最后應用SVM分類器對圖像進行基于光譜和紋理特征的分類。

2.1 光譜分析

地物的光譜曲線作為判讀和分類的物理基礎，廣泛地應用于遙感影像的分析和評價中[11-12]?；谟跋窦耙巴庹{查獲得各地物的樣本點，通過統計分析得到特征值和光譜曲線，為地物類型可分性分析提供一定的依據[13]。

通過目視判讀和野外調查發現，研究區內地物大致為4類，包括林地、建筑用地、茶園、陰影（圖2）。

在融合后的影像上選取各地物的感興趣區域形成樣本集，統計各類的波段均值并繪制地物光譜曲線（圖3）。

從圖3可以看出，建筑用地（1、2、3）和陰影的光譜值在第四波段上升比較平緩，而植被的光譜值在第四波段上升的幅度比較大。所以利用第3波段和第4波段的光譜差異可以將茶樹與建筑用地、陰影區分開，但林地（1、2、3）和茶園（1、2、3）光譜值在4個波段都非常相似，因此僅依靠光譜信息無法有效地將茶園和林地區分開。

2.2 光譜信息增強

歸一化植被指數（normalized difference vegetation index，簡稱NDVI）是植被生長狀態及植被覆蓋度的有效指示因子，經比值處理可以部分消除與太陽高度角、衛星觀測角、地形、云陰影和大氣條件有關的輻照度條件變化（大氣層輻射）等的影響，主要反映植被在紅光波段和近紅外波段反射差異的指標，被廣泛用于植被的統計和提取、檢測植被生長狀態和植被時空變化分析等[1]，表達式如下：

NDVI=NIR-RNIR+R。

式中：NIR代表近紅外波段的反射值，R為紅波段的反射值。從圖4-a可以看出，NDVI特征圖中非植被類顯示為暗黑色，與植被有明顯的區別;森林灌木等植被由于比較密集呈現為高亮色;而茶園由于其獨特的分壟種植方式致使壟間的土地裸露，從而使得茶園在NDVI圖上呈現灰色。仔細觀察還發現右下角（紅色方框內）坡度比較大的斜坡上的茶園在NDVI圖上有一部分也呈現黑色，和非植被類容易混淆。

修正的歸一化植被指數（modified normalized difference vegetation index，簡稱MNDVI）主要用于區分無人機影像或其他波段比較少的影像上植被和其他地物覆蓋類型，該指數用紅波段代替近紅外波段，用綠波段代替紅波段，彌補了有些影像波段太少或沒有近紅外波段而無法使用NDVI指數的不足，反映植被在可見光反射與土壤背景之間差異的指標，表達式如下：

MNDVI=R-GR+G。

式中：R代表紅波段的反射值，G為綠波段的反射值。從圖4-b 可以看出，MNDVI特征圖中非植被類顯示為亮色，而森林灌木等植被呈現為暗黑色，與NDVI圖剛好相反。茶園則還是呈現灰色，而且右下角（紅色方框內）坡度比較大的斜坡上的茶園還是呈現黑色。

因此為了增強非植被、植被以及茶園在特征圖上的對比度，同時也為了消除斜坡上的茶園在NDVI和MNDVI圖上容易與其他地類的混淆，本研究構建差異歸一化差分植被指數DNDVI（difference normalized difference vegetation index），公式如下：

DNDVI=MNDVI-NDVI=R-GR+G-NIR-RNIR+R。

通過對NDVI和MNDVI做差值運算來增強茶園與其他地物的差異，得到的DNDVI特征如圖4-c所示。從圖4-c可以看出，不同地物間的光譜差別被增強，同時右下角（紅色方框內）斜坡上的茶園也沒有和其他地類形成混淆。

2.3 紋理特征提取

通過對影像判讀可知，長勢良好或樹齡較大的茶樹會比較整齊茂盛，光譜與林地相近，但梯田狀的種植方式使得茶樹壟間走向近似平行[1]，因此，茶園種植區擁有與其他地物明顯不同的紋理表現，本研究提取茶園種植區紋理信息作為影像分類的主要特征。

灰度共生矩陣（gray level co-occurrence matrix，簡稱GLCM）作為一種經典的圖像紋理特征提取算法，已被理論和試驗證明在紋理提取上是一個很好的方法，廣泛用于將灰度值轉化為紋理信息[14]。它基于統計的方法，使用了灰度圖像中相隔一定距離的2個像素之間的空間相關特性。共生矩陣定義為灰度紋理圖像中某一特定方向θ上相距為d的2個灰度值同時出現的聯合概率分布，它是像素距離d和角度θ的矩陣函數，也就是對于不同的方向選取和不同的步長選取，所得到的灰度共生矩陣一般是不同的[15]。

灰度共生矩陣可以代表灰度圖像一定的紋理特征，但是一般矩陣中元素個數較多，灰度共生矩陣并不直接作為灰度圖的紋理特征進行使用，而是在得到矩陣的基礎上，進一步提取相關特征[15]。

同時由于窗口大小是影響灰度共生矩陣性能和紋理特征完整性的主要因素，因此窗口大小的選擇相當重要。為了選取最適合的窗口大小，本研究分別選取窗口大小5、7、9、11、13、15、17、19、21、23、25進行試驗，利用全色波段數據計算灰度共生矩陣，基于灰度共生矩陣提取對比度特征（以對比度特征為例，其他特征同樣）。然后對不同窗口大小下提取的對比度紋理特征進行分類評價，通過對紋理特征的直接分類評價來判斷紋理特征提取的優劣差異，不同窗口大小下的紋理特征的分類精度見圖5。

從圖5可以看出，窗口大小為15時，對紋理特征進行分類能夠取得最大的精度，所以我們最終采用的窗口大小為15。試驗中θ取0°、45°、90°、135°這4個方向，d取1，窗口大小取15×15，計算影像灰度共生矩陣?；诨叶裙采仃囂崛×藢Ρ榷取⒉町愋浴㈧?、方差、勻質性、二階距6個特征，GLCM提取的紋理特征見圖6。

從圖6可以看出，在對比度、差異性、熵、方差4個特征圖上茶園區域相比于其他地物類別顯示為暗色，而在勻質性、二階矩2個特征圖上茶園區域相比于其他地物類別顯示為亮色，與前4個特征圖剛好相反。因此，為了增強茶園和其他地物類別差異的對比度，將前4個特征相加然后減去后2個特征構建新的灰度共生紋理GLCT（gray level co-occurrence texture）即GLCT=對比度+差異性+熵+方差-勻質性-二階矩。

得到的GLCT紋理特征見圖7。

從圖7可以看出，茶園區呈現暗黑色，其他地物呈現亮白色，茶園和其他地物的差異得到增強。

3 結果與分析

3.1 樣本選擇

通過目視判讀和野外調查， 將研究區域內的地物分為茶園和其他2個類別;然后隨機選取訓練和測試樣本，樣本分布見圖8，樣本數量見表1。

3.2 分類結果

采用基于機器學習的支持向量機分類方法對研究區影像進行分類，為了驗證紋理特征對分類精度的影響，本研究運用2種方案對研究區影像進行分類。

方案1：僅利用光譜特征（原始波段+光譜特征）訓練支持向量機，采用SVM分類方法對影像進行分類。

方案2：結合光譜特征和紋理特征（原始波段+光譜特 征+ 紋理特征）訓練支持向量機，采用SVM分類方法對影像進行分類。2種方案分類的結果見圖9。

從圖9-a可以看出，分類結果有許多零碎的小斑塊，而這些小斑塊基本是稀疏的茶園，可見僅利用光譜信息的分類存在著相當多把茶園錯分為其他類的現象;而居民區則分得過于零碎也存在少量的漏分現象。結合紋理的分類結果則較好地避免了錯分和漏分現象（圖9-b）。

3.3 精度評價

采用整體分類精度（overall accuracy，簡稱OA）、Kappa系數以及生產者精度（Prod Acc）和用戶精度（User Acc）等評價指標比較了2種方案分類的效果。分類精度見表2。

通過對比方案1和方案2可以看出，結合紋理信息能顯著地提高分類結果，相比于僅依賴光譜信息的分類結果在總體精度上提高了10.2百分點;在Kappa系數上提高了0.13;結果表明，紋理信息對提高茶園分類精度的重要性，證明本研究所采用方法的有效性。

4 結語

本研究針對高分辨率遙感影像空間信息豐富的特征，發展一種適合于高分二號影像茶園種植區的提取方法。該方法利用現有光譜指數NDVI和MNDVI構建新的光譜特征DNDVI來提取茶園光譜信息;利用灰度共生矩陣構建新的紋理特征GLCT來提取茶園紋理特征，然后基于支持向量機結合光譜和紋理信息對茶園種植區進行提取。采用2種方案（原始波段+光譜特征，原始波段+光譜特征+紋理特征）對影像進行分類，得到以下結論：（1）結合紋理特征的茶園提取的總體精度為89.8%，Kappa系數為0.788;相比于僅依賴光譜信息的分類結果在總體精度上提高了10.2百分點;在Kappa系數上提高了0.13。（2）紋理信息對于高分辨率遙感影像的分類相當重要，結合紋理信息能顯著地提高高分辨率遙感影像的分類精度。（3）本研究方法能較好地實現對高分二號影像茶園種植區的分類提取。

參考文獻：

[1]徐偉燕，孫 睿，金志鳳. 基于資源三號衛星影像的茶樹種植區提取[J]. 農業工程學報，2016，32（增刊1）：161-168.

[2]Rajapakse R S，Tripathi N K，Honda K. Spectral characterization and LAI modelling for the tea[Camellia sinensis （L.） O.Kuntze]canopy[J]. International Journal of Remote Sensing，2002，23（18）：3569-3577.

[3]黃 昕，張良培，李平湘. 融合形狀和光譜的高空間分辨率遙感影像分類[J]. 遙感學報，2007，11（2）：193-200.

[4]Pena-Barragan J M，Ngugi M K，Plant R E. Object-based crop identification using multiple vegetation indices，textural features and crop phenology[J]. Remote Sensing of Environment，2011，115（6）：1301-1316.

[5]陳 云，戴錦芳，李俊杰. 基于影像多種特征的CART決策樹分類方法及其應用[J]. 地理與地理信息科學，2008，24（2）：33-36.

[6]Mallinis G，KoutsiasN，Tsakiri-Strati M A. Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2008，63（2）：237-250.

[7]楊紅衛，童小華. 高分辨率影像的橡膠林分布信息提取[J]. 武漢大學學報（信息科學版），2014，39（4）：411-416，421.

[8]林 楠，姜琦剛，楊佳佳，等. 基于資源一號02C高分辨率數據的農業區土地利用分類[J]. 農業機械學報，2015，46（1）：278-284.

[9]佃袁勇，楊 光，方圣輝. 傅里葉譜紋理和光譜信息結合的高分辨率遙感影像地表覆蓋分類[J]. 武漢大學學報（信息科學版），2017（3）：362-368.

[10]胡華龍，吳 冰，黃邵美. 結合Gabor紋理與幾何特征的高分辨率遙感影像城區道路提取方法[J]. 測繪科學技術學報，2015，32（4）：395-400.

[11]韓叢叢，逄杰武，吳泉源，等. TM影像中居民地提取的決策樹方法研究——以煙臺市為例[J]. 遙感信息，2007（6）：73-76.

[12]Li M，Zhao G X，Qin Y W. Extracton and monitoring of cotton area，growth information using remote sensing at small scale：a case study in Dingzhuang town of Guangrao county，China[C]//International Conference on Computer Distributed Control and Intelligent Environmental Monitoring，2011：816-823.

[13]王周龍，馮學智，劉曉枚，等. 秦淮河丘陵地區土地利用遙感信息提取及制圖[J]. 遙感學報，2003，7（2）：131-135.

[14]薄 華，馬縛龍，焦李成. 圖像紋理的灰度共生矩陣計算問題的分析[J]. 電子學報，2006，34（1）：155-158，134.

[15]張 鑫，魏海坤. 基于灰度共生矩陣的旋轉不變性改進算法[J]. 工業控制計算機，2016，29（6）：115-117.