高分辨率遙感影像中小尺度梯田紋理信息的增強與提取

趙鈞陽，賴格英

(江西師范大學地理與環境學院，鄱陽湖濕地與流域研究教育部重點實驗室，330022，南昌)

0 引言

作為廣泛分布在山地丘陵區坡地上與等高線基本平行的階梯式農田，梯田的建設綜合考慮了當地的自然地形地貌特征和實際的生產生活需要，有利于增加耕地面積，保證糧食產量[1]，以從根本上解決人口和糧食的矛盾，維護社會的穩定發展，同時還能大幅減少水土流失狀況、保護增加景觀和生物多樣性，具有可觀的經濟效益和社會效益[2]。在梯田的規劃建設、驗收統計、效益評估等過程中，需要及時、快速、準確、客觀地了解和獲取梯田的面積、類型和空間分布等信息，為區域農業生產布局提供重要數據基礎[3]。

梯田信息的分析、分類和提取的技術大致分為基于目視解譯、單個像元、對象分析、頻譜紋理的四大類方法。吳卿采用目視解譯法對河南省鞏義市伊洛河流域下游左岸的 SPOT5、IKONOS 影像數據進行梯田區域提取，取得了較高的精度[4]，但傳統的人工目視解譯方法可重復性、可變更性較差，難以滿足大數據與云計算時代自動化、及時化處理的需求。基于單個像元點的方法以不同波段的光譜亮度值作為分類指標進行單像元的自動分類，適用于中、低空間分辨率多光譜遙感影像，高分辨率遙感影像包含大量內容豐富、細節繁雜的光譜、紋理、形狀等特征信息，能夠全面反映目標對象的地面特征。具有高度異質性的梯田提取需要綜合考慮對象的紋理、光譜和幾何形狀等信息以及與鄰域之間的空間關系，運用對象分析的方法可以有效改善“同物異譜”和“異物同譜”的現象，提高提取精度[5]。張雨果分別運用傳統監督學習、非監督學習、面向對象分析方法對SPOT5 衛星遙感影像進行梯田區域提取，對比分析總結出面向對象分析提取梯田區域的精度高于基于單個像元的方法[6]。現有的研究多以遙感影像的光譜信息為主要研究對象，易受到太陽傾角、地形變化、附近規則建筑物及田面覆蓋物等多重因素的影響，噪聲干擾問題嚴重[7]，特別在高分辨率的大范圍梯田提取中會因“同物異譜”出現大量錯分、漏分的現象。Zhang基于China-GF-1 高分辨率遙感影像，運用模板匹配法和傅立葉變換法對位于中國陜西榆林市衡山縣地區進行梯田提取，這樣的基于紋理特征的提取方法不依賴于顏色和亮度，反映影像中物體表面的同質現象，有助于地物類別的進一步判讀，可以有效抑制上述問題，提高地物分類精度[8]，是分析提取影像地物的重要依據，在影像分割檢索、目標識別、分析提取等領域得到廣泛應用，展現出紋理分析的普遍性、獨特性、優越性和必要性。

本文基于谷歌地球所提供的高分辨率遙感影像，選取具有典型紋理的小尺度梯田為研究對象，從空間域和頻率域2個方面出發，對比分析空間卷積濾波和快速傅里葉變換(FFT)等方法，對梯田的獨特紋理進行銳化增強，抑制冗余數據和干擾信息的影響，以期為大范圍的梯田信息提取提供思路，提高遙感影像解譯的精度和效率，解決高質量數據和處理方法不匹配的矛盾，更好地適應大數據環境。

1 數據與方法

谷歌地球(Google Earth，GE)是由Google公司開發并提供免費使用的虛擬地球儀軟件，集成全球各類衛星影像、航拍照片，在三維地球模型上進行布置。數據庫包括美國的Quick Bird、LANDSAT、IKONOS，法國SPOT-5和英國Blue Sky公司的航拍數據等[9]。通過Google Earth應用獲取的影像清晰度高且成本較低，其中所展示的地形地貌真實準確，與實地符合程度高，并且獲取的數據類型可以和 ArcGIS 以及 ENVI 等圖像分析處理軟件實現有效融合，操作簡便且效率高，便于梯田信息“數字化”管理的實現，在獲取核查野外信息、提取矢量信息、開展虛擬野外考察等方面優勢明顯，利用廣泛。

本文以江西省贛州市崇義縣上堡鄉某地區2019年3月的谷歌地球衛星影像為研究對象(分辨率達到0.61 m)，以ENVI、ArcGIS軟件為平臺進行研究，嘗試在高分辨率影像中歸納分析梯田的紋理特征，選取具有代表性的小尺度梯田，從空間域和頻率域兩個角度出發對目標地物的紋理信息進行分析和增強，在此基礎上對梯田進行提取，以達到空間復雜度小、特征維數低、鑒別能力強、穩定性高、提取過程時間短且易于實際應用的目標。

2 紋理的分析與增強

2.1 梯田特征與紋理分析

紋理是各類地物表面固有的自然物理屬性，由灰度、顏色、明暗的變化而呈現出隨機性或規律性的紋理特征[10]，以紋理基元排列組合的獨特性描述影像中局部像素的相關聯系，具有局部微觀上的隨機性和整體宏觀上的規律性，一般從顆粒度、對比度、疏密度、方向性、規則性等特性進行描述，較為直觀地表現了地物表面的結構、組織、排列，以及其與周圍環境的關系等重要信息。目標對象紋理分析的準確性和高效性會給后續處理的質量帶來直接影響，是成功提取目標對象的前提和基礎。基于紋理結構特征提取目標對象是對區域整體情況進行統計分析，不依賴和受限于影像的光譜和顏色等信息，對于減少噪聲干擾、提高精度有一定的優勢。紋理分析是運用計算機圖像處理技術對影像中的紋理特征進行定性或定量描述，以獲取圖像紋理的人文特征的處理過程。

梯田是在山地丘陵區坡地上沿等高線分段建造的階梯式農田[11]，將原自然地形的傾斜坡度改造為比較平直的梯田面，一般用來種植農作物和經濟林，在總體地形上具有“繼承性、規則性、易變性”三大特征[12]。在遙感影像中梯田田面表現為相對比較高亮的區域，田坎在影像上表現為低反射、深色的線條。類型多樣的梯田在不同季節的不同狀態下呈現出復雜的光譜特征，春夏容易與森林樹木混淆，秋冬季節則和裸地的光譜特征相近。而梯田田面地表比較平整，層次明顯，田埂邊緣在二維影像中為基本平行分布的直線、弧線紋理或是有序嵌套的環狀圈層結構紋理，表現出梯田線條延伸方向、疏密布局、寬窄和彎曲程度等特征，靠近山脊處邊界尤為突出，但山麓地帶邊界模糊[3]。梯田的紋理特征整體清晰明顯且穩定規律，與其他地物區別明顯，整體可描述性、可測量性較好。

因此，不能僅僅依據光譜特征進行梯田信息提取，而基于對象的高分梯田影像特征分析，尤其是基于紋理特征的信息分析是可行的、適宜的、必需的，且需要在此基礎上對梯田紋理進行增強，對其他無關且會干擾梯田紋理提取的信息進行弱化。

2.2 空間域梯田紋理的分析增強

空間濾波是對數字圖像進行增強處理的主要方法[13]，考慮到研究需要，基于像元與其周圍相鄰像元的關系，使用空間二維卷積方法對濾波進行處理，在影像的空間域內進行局部運算使某些頻率信息進行增強或抑制，并對頻率特征進行篩選，以重點突出影像上的某些特征(如邊線或紋理等)，包括平滑和銳化2個方面[14]，對于梯田來說就是增強影像中灰度值差異較大的田面邊緣處的差異，以突出梯田的紋理特征。具體方法為(圖1)：選定一個卷積函數，在影像中即“卷積模板”或“卷積核”，從影像左上角開始沿著x軸、y軸的方向，以模板同樣大小的活動窗口為單位，計算給定像素點及鄰域像素的亮度值和卷積模板對應值的乘積再求和，將計算結果放在窗口中心的像元位置，作為該像素位置新的灰度值。活動窗口依次逐行向右移動一個像元，再按公式做同樣的運算，直到全幅影像掃描一遍結束，生成新影像。這樣對圖像大矩陣和濾波小矩陣對應位置元素相乘再求和的操作就叫卷積(Convolution)或協相關(Correlation)。

圖1 卷積濾波過程示意圖

本文中使用ENVI軟件中提供的Convolution and Morphology Filters對影像進行濾波處理，可以選擇、設置不同的內核大小和對應值，生成不同類型的過濾器，選擇的內核與圖像陣列的卷積將返回一個新的空間濾波圖像，其中提供的卷積濾波器可以起到邊緣銳化或平滑去噪的作用。本文選取了梯田紋理分布排列比較密集和稀疏的兩類梯田紋理為代表進行實驗探究，經過對比分析，綜合使用卷積核大小為大小3×3的Sobel、Robert、Directional濾波銳化梯田紋理、使用Media 濾波進行影像去噪取得了較為理想的效果，各濾波處理后效果如圖2所示。

圖2 不同疏密程度的梯田紋理經過不同濾波處理后的效果

其中，Sobel是一種結合了高斯平滑和微分求導的離散微分算法，根據圖像中像素的明暗程度把該區域內超過某個數的特定點記為邊緣，以圖像明暗程度近似值來進行邊緣檢測，能夠提供相對比較精確的邊緣方向和定位信息，抗噪性較好；Robert是類似于Sobel的非線性邊緣檢測濾波的二維差分方法，也被稱作交叉微分梯度算法，通過局部的差分計算來檢測邊緣線條，常被用來處理低噪聲且具有陡峭地物圖像，尤其能較好地增強正負45度的圖像邊緣，只是二者都不能對濾波器和卷積核進行編輯；Directional是一階導數邊緣增強濾波器，只能對特定方向分量(梯度)的圖像特征選擇性地進行增強，其卷積核的和為零。從輸出的邊緣增強圖像中可以看出，像素灰度變換較小的田面為黑色的區域，梯田的邊緣特征表現為線性的亮值，梯田紋理特征得到表現和增強，羅伯特算法的銳化效果最優，但同時一些無關的信息如樹木的叢簇邊緣也被增強。而中值濾波(Media)作為非線性平滑濾波，其原理是用窗口包含灰度的中間值代替所覆蓋區域中心像素點的灰度值，能夠有效地保留圖像的邊緣信息，很好地消除“同物異譜”造成的顆粒噪聲，同時也帶來了圖像模糊的副作用。所以，僅使用空間域卷積濾波的方法增強梯田紋理信息有一定的效果，但還是不足夠的。

考慮到后續的實驗和最終結果的呈現，在濾波過程中設置不同的加回值進行對比(圖3)，可以看出加回值過低會損失一些梯田信息，過高則會使紋理特征的增強不明顯，這里選擇了60%的加回值處理圖像，作為后續頻率域處理的圖像基礎。

圖3 不同加回值下的梯度圖像

2.3 頻率域梯田紋理的分析增強

傅里葉變換將圖像信息從動態變化的空間域中轉換為固定靜止的頻率域，通過對信號的頻譜、功率譜及相位等信息的處理，分析和增強相應的紋理特征，是處理和分析信號的有力工具，具有對稱性、加法定理、位移定理、卷積定理、共軛性和Rayleigh定理等重要性質[7]，雖然該方法只能顯示信號的整體輪廓，忽略了信號內部所表現的局部細節特征，但基于頻率域處理和分析信號相比空間域有明顯優勢，在200多年的發展歷史中廣泛應用于圖像、信號處理和電力通信等領域。根據處理信號的維度不同分為一維、二維傅里葉變換，經歷了從離散傅里葉變換(DFT)到快速傅里葉變換(FFT)的發展，優化了傅里葉分析將信號變換到頻域的算法，更加簡單易行[15]。快速傅里葉變換(FFT)也是本文在頻率域所使用到的對梯田紋理進行增強的方法。

經過傅立葉變換得到的頻譜包含了豐富的圖像信息，能夠粗略反映原圖像的紋理特征與模式。周期性紋理在傅立葉頻譜表現為一些分散在某些方向上并呈現某種規律的明顯尖峰，具有較為明顯方向性的紋理，其特征仍會保持在傅立葉頻譜當中，其中突起的峰值對應紋理模式的主方向，突起的峰值在頻域平面的位置對應模式的基本周期[16]。同時頻譜圖也反應了相應圖像的能量分布情況，若頻譜圖中暗的點較多，則表明實際圖像比較柔和，反之，則表明實際圖像比較尖銳，即對比度比較強，邊界分明。

本試驗先對影像進行FFT變換，將影像的空間紋理信息轉換為頻率域中的頻譜信息，在頻譜圖中的亮值(高頻信息)對應的是原始影像中梯田的邊緣處灰度驟變而表現的線性地物特征和噪聲信息，暗值(低頻信息)則對應的是集中了大部分能量的大面積塊狀地物，通過建立高通去噪模板抑制原始影像中對應的低頻信息和噪聲干擾，相應地對高頻信息中的梯田紋理特征加以增強，再對邊緣增強后的結果進行反傅里葉(Inverse FFT)變換，將頻譜信息轉回到空間域，進而得到紋理特征得以銳化的梯田影像(圖4)。

圖4 快速傅里葉方法增強紋理的流程與結果

在較小窗口范圍內可以認為梯田的紋理走向是平行的，考慮到遙感影像的復雜性和梯田紋理的特殊性[15]，從梯田的線條走向、疏密分布、寬窄程度和彎曲變化等多種特征來看，試驗中在研究區內選取了走向、寬窄、彎曲、疏密不同但都具有較為理想化和代表性的梯田紋理為圖像單元(50×50)，進行傅立葉變化。得到的頻譜圖中(圖5)，譜線都通過頻譜中心且在原圖像中梯田紋理的垂直方向上疊加，并且紋理分布排列比較密集的圖像對應的條紋狀亮值的分布也更為集中，能量疊加更多，反之就相對比較分散，相應的能量疊加較少。根據這些特征可以得出噪聲對頻譜分布的方向和對應方向上疊加的能量影響相對不大，因為在有梯田的窗口中，各類點狀、線狀和面狀所形成的紋理都沒有梯田這樣明顯突出的紋理特征，且紋理圖像能量譜的幾何形態趨于相同，而圖像的亮度與所疊加的能量成正相關。在梯田紋理的實驗中通過對傅里葉變換后梯田紋理表現出的頻譜圖像的對比分析是必要的，也為梯田影像進行提取研究提供了思路和方法。

圖5 局部梯田紋理與對應的頻譜圖

綜上，本試驗通過綜合運用空間域、頻率域的兩類方法對選取的小尺度梯田紋理進行分析和增強。先通過FFT弱化梯田以外的其他斑點狀紋理(主要是樹木叢簇)，再結合空間濾波中的Sobel濾波和方向濾波對影像中的梯田線狀紋理進行增強(60%加回值)，得到梯田紋理信息增強的圖像，在此基礎上對2種代表梯田進行提取，得到的結果如圖6所示。對比原始圖像和經過紋理增強的提取結果，梯田的紋理信息得到有效地增強，其中梯田紋理分布比較密集的對象，梯田與周邊樹木這兩種對象的樣本可分離性從0.83增加到1.98；分布比較稀疏的對象，可分離性從0.69增加到1.86，其分類精度均達到85%以上。

圖6 小范圍的梯田紋理增強效果與提取結果

3 結果與討論

基于高分辨率遙感影像和相關影像處理技術的發展，通過對小范圍內典型梯田紋理的分析和增強，對比提取結果，可以得出以下結論。

1)高分辨率遙感影像中的紋理特征包含著豐富且細致的地物信息，梯田紋理在空間域中表現為圖像灰度組合排列的變化和重復，在頻率域表現為通過頻譜中心的線狀亮值，二者的特征與分布都能較好地反映原始影像的紋理信息，是地物識別過程中不可或缺的主要依據。

2)通過空間濾波和快速傅里葉變換對小尺寸梯田圖像的紋理信息進行增強，銳化梯田紋理特征并減弱高頻噪聲的影響，增加地物邊界處的反差，使提取結果的精度和效度有所提升，其中紋理疏密程度不同的梯田對增強方法的反應不盡相同，紋理密集的梯田紋理特征更加明顯，相比于紋理稀疏的梯田其提取效果更好。但仍存在錯提、漏提現象，需要人工介入處理。

3)選擇小范圍梯田作為試驗區存在一定的特殊性，影像中包含的地物類別比較單一，非梯田的對象類型少、面積小，只考慮分析了樹木冠頂簇叢對提取梯田信息的干擾。對于包含了多類對象(如道路、建筑、水體等)的較大尺度的梯田區域有一定的局限性，還需進一步地研究討論。