基于多尺度紋理與光譜特征的馬尾松毛蟲蟲害信息提取方法研究

亓興蘭 肖豐慶 劉 健 張李平

( 1. 福建林業職業技術學院，福建 南平 353000；2. 南平市農業農村局，福建 南平 353000；3. 福建農林大學林學院，福建 福州 350002；4. 3S技術與資源優化利用福建省高校重點實驗室，福建 福州 350002)

馬尾松毛蟲（Dendrolimus punctatus）是馬尾松（Pinus massoniana）林的主要害蟲，危害大、發生頻繁，嚴重的話會爆發成災，使馬尾松的生長受到嚴重影響[1]。遙感作為一種全新的監測技術手段，由于其大范圍及實時監測等獨特的優越性，在生產上也逐漸用來監測森林病蟲害。馬尾松受到蟲害侵襲時，針葉卷曲枯黃并失葉，樹冠稀疏，引起光譜反射率的下降，其中以近紅外波段最為顯著?；诖耍瑖鴥韧鈱W者基于影像光譜結構的變化，利用相應的光譜特征指數如歸一化植被指數（NDVI）等來進行蟲害的監測，是完全可行的并取得一定的成果。如孫福洋等[2]根據時間序列MODIS-NDVI數據與地面調查數據，構建了區域森林病蟲害理賠指數，可有效監測針葉林的受災（中度、重度）情況。劉文雅[3]獲取松材線蟲病完整發病周期的松樹冠層的高光譜數據與相應時期的生理生化參數（葉綠素含量、類胡蘿卜素含量和含水量），應用多種方法對高光譜數據與生理參數之間的關系進行模擬研究，分析比較模型精度并進行模型的驗證，最終篩選出最優估測模型。朱程浩等[4]基于TM、ETM+數據，構造光譜特征指數RVI，對油松的受災程度進行了有效監測。王震等[5-6]測量受害馬尾松的反射光譜，分析獲取的受害林木光譜反射曲線，研究了綠光區、紅光區和近紅外區反射光譜的變化特征?？v觀前人的研究，其主要是基于遙感影像的光譜信息進行病蟲害的監測及蟲害信息的提取，對于紋理信息卻沒有涉及。伴隨著中高分辨率遙感影像在森林病蟲害監測中的應用，對于影像紋理信息的發掘與應用就提上了日程。關于紋理信息在森林病蟲害監測及蟲害信息提取中的發掘與應用及對蟲害監測影響程度，還未見相關研究報道。

基于此，本研究以國家馬尾松毛蟲蟲害監測站點之一的福建沙縣作為研究區，基于SPOT-5遙感影像與地面調查數據等，提取多尺度紋理信息，與光譜特征結合參與分類，探討紋理特征對蟲害信息提取的作用及提取精度的影響，旨在有效解決遙感用于森林病蟲害的關鍵技術問題，為林業遙感監測應用提供參考。

1 材料與方法

1.1 數據來源與處理

遙感數據為2004年研究區SPOT-5遙感影像（多光譜影像：分辨率10 m；全色影像：分辨率2.5 m）。對影像進行幾何校正、正射校正等預處理，最后對影像裁剪，獲得所需影像。

其他數據有2004年沙縣蟲害地面調查數據（蟲口密度、立地等級等），沙縣1∶10 000地形圖，沙縣森林資源GIS數據庫（森林資源圖形數據與屬性數據、森林資源調查樣地資料等）。

1.2 影像光譜與紋理特征融合

1.2.1 影像融合方法

1）主成分變換融合（PCA）[7]。首先對多光譜圖像進行主成分變換，獲得第一主成分分量圖像，然后以全色圖像代替，進行主成分逆變換即可。此法可以壓縮數據、濃縮信息量。

2）乘積變換融合（Multiplicative）[8]。多光譜影像的各波段分別與全色波段相乘，然后乘積組合合成新的波段圖像，從而達到細節反差的目的。

3）Brovey變換融合[9]。首先影像多光譜波段進行歸一化處理，再與全色影像相乘，可以銳化影像，原多光譜影像信息也得以保留。

4）IHS變換融合[10]。首先影像多光譜波段進行歸一化處理，再與全色影像相乘，可以銳化影像，原多光譜影像信息也得以保留。

5）高通濾波融合（HPF）[11]?；谛〉母咄V波器，全色影像處理獲得高頻數據，然后此高頻數據基于像元對像元加到多光譜數據中，即把空間信息加到波譜信息中。

6）Gram-schmidt變換法[12]。與PCA融合類似，首先基于多光譜波段構造一假的全色波段，并作為第一波譜波段與多光譜波段進行Gramschmidt變換，獲得第一個波段，再用真的全色波段代替其進行Gram-schmidt反變換。

7）HSV融合[13]。HSV融合中，H代表色度，S代表飽和度，V為顏色亮度，首先在HSV色度空間，用全色影像替代V，同時進行H、S重采樣，如此用全色影像替換后，再變換回RGB空間即可。

1.2.2 影像融合結果評價

分析評價融合結果，主觀評價采取目視，分析比較結果；而客觀評價則利用評價指標進行計算定量分析，各評價指標及其計算方法如下。

1）均值：均值反映圖像融合前后平均亮度的變化，其值小，則表明融合后的影像保留原始光譜信息好。

2）熵：熵反映圖像融合前后信息量豐富程度變化，其值大，則融合圖像信息量豐富，融合效果好。

式中：E（x）指熵，Pi為一比值，分子為灰度值等于i的像元數，分母為影像總像元數。

3）清晰度：清晰度反映圖像地物邊界等灰度差異及細節表達能力，其值越大，則表明圖像越清晰。

式中： 指清晰度，f（xi，yj）指坐標（xi，yj）處像元值，M指影像像元的行數，N指影像像元的列數。

4）標準差：標準差值大，則各地物圖像灰度反差大，可更好地分辨各種地物，主要表達圖像地物灰度分布。

式中：σ 指標準差，Z（xi，yj）為坐標（xi，yj）處像元值， 為像元均值，M指影像像元的行數，N指影像像元的列數。

5）相關系數：相關系數值大，則融合圖像從源圖像中獲得的信息多，融合效果好，主要表達圖像光譜特征變化與否。

式中：ρ指相關系數，F（xi, yj）指融合前影像坐標（xi, yj）處像元值，A（xi, yj）指融合后影像坐標（xi, yj）處像元值， 指融合后影像像元均值，指融合前影像像元均值。

1.3 蟲害信息提取

1.3.1 蟲害等級劃分

依據國家林業局《林業有害生物發生及成災標準》（LY/T 1681—2006），馬尾松毛蟲蟲害程度劃分輕度、中度、重度3個標準等級[14-15]。因此本研究按照蟲口密度把蟲害分為健康（≤5條/株）、輕度（6～13條/株）、中度（14～30條/株）、重度（≥31條/株）4個等級。

1.3.2 最佳紋理特征量與最佳窗口尺度確定方法

本研究利用熵值大小比較法[16-17]與監督分類法來確定最佳紋理特征量與最佳窗口尺度。首先計算各紋理特征量的熵值并進行比較分析，通過熵值的大小來判斷其紋理信息情況；其次利用監督分類法進行試驗，各紋理分別與光譜波段組合疊加，基于馬氏距離法進行監督分類，比較分類結果來確定最佳紋理特征量與最佳窗口尺度。本研究中利用灰度共生矩陣法[18-19]提取8個紋理特征量，分別為均值、相異性、協同性、角二階矩、方差、對比度、熵、相關性。設置5個窗口尺度分別為 3×3、5×5、7×7、9×9、11×11，步長分別為 1、2、3、5。

1.3.3 分類方法

支持向量機（SVM）法基于統計學習理論，可以解決線形可分數據和線形不可分數據的分類問題。SVM法架構基礎為VC維理論和結構風險最小原理，可以基于少量的樣本信息在模型的復雜性和學習能力之間尋求最優解決方案，其與問題維數無關并可解決函數復雜性的問題，有很好的推廣能力，為復雜數據的分類問題的解決提供幫助[14,20-21]。對于SVM分類，關鍵在于核函數的選擇，常用的核函數有4種，分別為線性、多項式、高斯徑向基和S形等。本研究中采用高斯徑向基函數進行分類，其中對于樣本數目的選擇，基于野外調查數據，通過人為干預選點的方式產生，各種受害程度的林分對應的樣本數都為210。

2 結果與分析

2.1 影像融合結果評價

2.1.1 目視評價

受害區域部分影像融合結果見圖1。由圖1可知，每一種融合方法的圖像效果都得到了提高，在光譜信息保持不變的基礎上，空間信息得到改善加強，增強了影像的分辨率、清晰度等。從光譜變化上來看，各種融合算法在圖像色彩保持上稍有不同，其中，保持最好的是高通濾波融合方法，其次是IHS變換融合方法。圖像色調變亮的是主成分變換融合方法，圖像色調變暗的是乘積變換融合方法?；诳臻g紋理結構變化分析，融合后圖像清晰度提高，紋理內容豐富，細節表現能力也得到加強，各種地物如河流、道路、農田等邊界變得突出明朗，地物差異明顯，各種地物如城鎮、山林等更容易區別開來，圖像清晰度提高。其中表現最好的是高通濾波融合與IHS融合方法，加強了不同程度覆蓋的植被間的區分。Brovey變換融合最差，不過相比較于原始圖像，其清晰度仍是得到了加強，其余融合方法效果處于兩者之間。

圖 1 圖像融合結果Fig. 1 Image fusion results

2.1.2 定量評價

影像融合定量評價指標結果見表1。相比于原圖像，高通濾波融合與IHS融合，最大程度地保留了原光譜信息，其均值幾乎沒有變化；而乘積變換融合則最差，其融合圖像均值減低最多，圖像色調變暗；其他融合方法的光譜特征保持一般。高通濾波融合與IHS變換融合方法的相關系數最高，說明其很好地保持了原始圖像的光譜信息?；跇藴什?、熵、清晰度分析，高通濾波融合與IHS變換融合方法圖像的值均最高，則說明這2種融合方法效果最好，提高了圖像空間信息的細節表達。

表 1 定量評價指標結果Table 1 Quantitative evaluation of indicator results

續表 1

綜上分析，在空間分辨率提高與光譜信息保留方面，效果最好的是高通濾波融合與IHS變換融合方法。綜合光譜特征與紋理分析，本研究的遙感數據選取高通濾波融合圖像。

2.2 最佳紋理特征量與最佳窗口尺度

目視比較分析各尺度的紋理特征量，效果最好的是窗口大小7×7、步長2。因此，在該窗口大小為7×7尺度下，分別計算8個紋理特征量的熵值，結果見表2。由表2可知，熵值最大者為熵，說明其紋理信息相比于其他紋理特征量豐富。

表 2 各紋理特征量的熵值Table 2 Entropy value of each texture feature quantity

其次采用監督分類法進行試驗，從3×3窗口開始，逐漸增大，提取不同大小窗口尺度的紋理。各紋理分別與光譜波段組合疊加，基于馬氏距離法進行監督分類。比較分析分類結果表3，發現各紋理量組合都能提高分類精度，其中提高最大的是方差?；诜诸惤Y果分析，本研究采用方差紋理。

表 3 監督分類結果Table 3 Supervised classification results

同時分析表4，窗口尺度變大，則精度也變大，在窗口7×7時，達到最大值，而后分類精度卻逐漸降低。因此，基于SVM分類提取蟲害信息，多尺度紋理特征其紋理窗口尺度選擇3×3、5×5、7×7，分類結果見圖2a；單尺度紋理特征其紋理窗口尺度選擇7×7，分類結果見圖2b。同時為了比較分析，僅基于SPOT-5多光譜影像，利用最大似然法分類提取蟲害信息，結果圖2c。

表 4 基于不同窗口單尺度紋理蟲害信息提取Table 4 Single-scale texture pest information extraction based on different windows

圖 2 蟲害信息提取結果Fig. 2 Pest information extraction result

2.3 分類精度比較

利用野外調查資料、圖面材料與圖庫資料等，基于使用者精度等進行分類結果評價，各種方法分類結果見表5。

表 5 3種方法分類結果Table 5 The classification result of 3 methods

由表5比較可知，結合單尺度紋理和光譜特征的蟲害信息提取與結合多尺度紋理與光譜特征的蟲害信息提取，相比較于單單基于光譜信息的最大似然法分類，其分類精度都有了很大提高。其中，前者分類總精度提高了8.33%，Kappa系數提高了0.113 6，后者分類總精度提高了10.00%，Kappa系數提高了0.132 3。這說明引入紋理特征，對于提高圖像分類正確率是非常有益的，提高了蟲害信息提取精度。其原因是引入紋理特征并與光譜波段特征進行充分地結合，大大提高了圖像的信息量，對于馬尾松毛蟲蟲害的光譜響應能力也是極大地增強。同時其分類方法SVM分類能夠進一步地推廣多維輸入向量，這些對于圖像分類非常有幫助，可以提高蟲害信息提取精度。對于SVM分類，基于多尺度紋理分類相比于單尺度紋理分類，其分類總精度提高了1.67%，說明多源信息的引入及多尺度窗口的選擇可以提高圖像細節表達能力，對于圖像分類正確率的提高是大有裨益的，可以提高蟲害信息提取精度。

結合單尺度紋理和光譜特征分類、基于光譜特征最大似然法分類，各種受害程度林分的分類精度最高的是重度受害林分，其次為健康林分，精度最低的為輕度受害林分。對于結合多尺度紋理和光譜特征分類，精度最高的是健康林分，精度最低的為輕度受害林分。

由圖2可知，健康林分成片狀分布，分類效果最好。輕度受害林分破碎化現象最嚴重，這是因為其與健康林分的光譜與紋理相似，夾雜在健康林分中，所以破碎化現象較嚴重。重度受害林分與中度受害林分圖面分類效果一般。最容易混淆的是健康林分與輕度受害林分，這是因為輕度受害林分其失葉較少，其光譜反映也不明顯，所以很容易與健康林分混淆。重度受害林分與中度受害林分也有較多錯分現象，究其原因：一是林木本身因子（如健康程度、林齡等）對光譜的影響，二是地形因子如坡向的影響。僅依賴光譜信息的最大似然法蟲害分類，輕度受害林分與健康林分混淆現象更突出，圖面地物呈破碎化趨勢且斑點多、“椒鹽”現象嚴重。相比之下，融合紋理特征與光譜信息的SVM分類就有效避免了上述現象，減少了圖面細碎的斑點，地物分布不零散破碎化，基本成斑塊狀。其中，相比較于單尺度紋理特征的SVM分類，多尺度紋理特征SVM分類由于其對地物紋理特征的多尺度描述，所以進一步減少了圖面的細碎斑點。特別對于重度受害馬尾松林分，其各林分受害面積不同，且多為瑣碎分布的小面積斑塊，由于其紋理尺度的差異性，對于這些小斑塊，基于單尺度紋理已經不能提取其出來，而結合多尺度紋理，卻能有效解決這一問題，提高圖面分類表現。

3 結論與討論

本研究以SPOT-5影像為遙感數據源，結合地面調查等其他數據，融合影像光譜與紋理特征，引入多尺度紋理特征提取蟲害信息，并比較分類結果。結果表明，單純依賴光譜信息的最大似然法分類，其分類精度最低，圖面表現也較差；基于光譜與多尺度紋理特征的SVM方法，其分類精度最高，圖面表現也較好。這說明，單純依賴光譜特征，對地物識別率不高，存在一定的局限；而基于光譜特征，引入紋理特征，特別是結合多尺度紋理特征分類，則能有效解決此類問題，提高地物識別率，增強信息提取效果。

本研究只是基于圖像信息結合地面調查資料，在圖像分類基礎上提取蟲害信息，而馬尾松毛蟲蟲害的發生發展，是受溫度、濕度、地形等因子的影響而發展的過程，如何應用這些因子特別是氣候因素如溫度、濕度進行蟲害遙感監測，提高信息提取精度，還需要進一步探討。

[ 參 考 文 獻 ]

[1]龐正轟. 馬尾松毛蟲災害預測預報綜合技術研究[D]. 北京： 北京林業大學, 2004.

[2]孫福洋, 王建和, 付偉, 等. 基于 MODIS-NDVI數據的大區域森林病蟲害理賠指數構建及應用 [J]. 林業資源管理, 2017(6)： 149-152, 158.

[3]劉文雅. 松材線蟲病脅迫下松樹生理參數的高光譜遙感估測模型研究[D]. 南京： 南京林業大學, 2017.

[4]朱程浩, 瞿帥, 張曉麗. 油松毛蟲災害遙感監測及其影響因子分析 [J]. 遙感學報, 2016, 20(4)： 653-664.

[5]王震, 張曉麗, 安樹杰. 松材線蟲病危害的馬尾松林木光譜特征分析 [J]. 遙感技術與應用, 2007, 22(3)：367-370.

[6]王勝, 潘潔, 張衡, 等. 基于高光譜遙感影像的森林病蟲害監測研究進展 [J]. 林業資源管理, 2014(3)：134-140.

[7]Johnson P D Jr, Harris G A, Hankerson D C. Introduction to Information Theory and Data Compression[M].New York： Chapman and Hall/CRC, 2003.

[8]譚永生. 像素級中高分辨率遙感影像融合研究[D].杭州： 浙江大學, 2007.

[9]Ehlers M. Multisensor image fusion techniques in remote sensing [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1991, 46(1)： 19-30.

[10]Harris J R, Murray R, Hirose T. IHS transform for the integration of radar imagery with other remotely sensed data [J]. Photogrammetric Engineering and Remote Sensing, 1990, 56： 1631-1641.

[11]陳超, 江濤, 岳遠平, 等. 像素級遙感圖像融合方法研究 [J]. 國土資源信息化, 2008(5)： 30-34.

[12]陳超. 遙感數據融合智能化處理方法研究[D]. 青島：山東科技大學, 2009.

[13]陳德超, 周海波, 陳中原, 等. TM與SPOT影像融合算法比較研究 [J]. 遙感技術與應用, 2001, 16(2)：110-115.

[14]亓興蘭. SPOT-5遙感影像馬尾松毛蟲害信息提取技術研究[D]. 福州： 福建農林大學, 2011.

[15]國家林業局植樹造林司, 國家林業局森林病蟲害防治總站. 森林病蟲害防治知識問答[M]. 北京： 中國林業出版社, 1999： 2-5.

[16]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.

[17]沈璐, 權亞楠, 禹哲珠, 等. 一種結合紋理特征的極化SAR圖像SVM分類方法 [J]. 北京測繪, 2018(10)：1235-1239.

[18]王宏勝. 基于面向對象的兩階段村域無人機影像土地利用分類研究[D]. 成都： 西南交通大學, 2018.

[19]王美雅, 許章華. 馬尾松毛蟲危害下的馬尾松紋理特征分析 [J]. 江西農業大學學報, 2015, 37(4)： 653-662.

[20]Caccetta P A, Campbell N A, Evans F H, et al. Mapping and monitoring land use and condition change in theSouth-West of Western Australia using remote sensing and other data[C]//Proceedings of the Information Security Solutions Europe (ISSE2000) Conference,Barcelona, 27-29 September 2000.

[21]萬意, 李長春, 趙旭輝, 等. 基于SVM的光學遙感影像分類與評價 [J]. 測繪地理信息, 2018, 43(6)： 74-77.