紋理信息在遙感影像分類中的應用

李俊杰

（江蘇師范大學科文學院 江蘇 徐州 221116）

引言

自1970年以來，遙感影像紋理分類技術愈來愈成熟，紋理信息分析在遙感影像處理中的使用，從早期的紋理信息和紋理圖像分割的描述和表達，向影像形狀分析和影像壓縮合成方向發展，遙感影像的紋理結構比其他結構更清楚、更穩定。

1 紋理信息的分析方法

紋理分析方法有很多：①統計法。適合用來描述樹木紋理、草地等自然界中許多沒有特定形狀、周期的紋理；②結構法。遙感紋理影像結構法可運用模型來表達紋理以及按照紋理特征來界定。近年來，隨著遙感影像朝更成熟的方向發展，在這種情況下，遙感影像越來越清楚，如何通過有效描述其紋理特征的方法，提取到更加豐富的信息就顯得尤其重要[1]。

2 紋理信息的提取

2.1 灰度共生矩陣

灰度共生矩陣(Gray Level Co-occurrence Matrix)指的是用來分析圖像紋理特征的方法，是一種通過研究灰度的空間相關特性來描述紋理的常用方法。由于紋理是由灰度分布在空間位置上反復出現而形成的，因而在圖像空間中相隔某距離的兩象素之間會存在一定的灰度關系，即圖像中灰度的空間相關特性。在不改變數據原有信息的基礎上，對數據進行重建和整理。基本過程為，先運用物聯網技術采集不同對象的參數，再運用大數據處理技術將收集的數據進行整理、清洗、分配等[2-3]。

2.2 利用灰度共生矩陣提取紋理信息

灰度共生矩陣是遙感技術建設中最重要的部分之一，其涉及到企業的事務管理、文化建設、科研水平、科研能力、生活服務等多個方面。企業通過利用云技術、大數據處理技術和物聯網技術，提高了企業的科研質量和管理能力。在未來，灰度共生矩陣提取紋理信息將越來越優秀，人們也能夠享受到更好的科學體驗和生活環境。

以5×5的窗口為識別的基本單位，步長為1，從0°、45°、90°、135°四個方向分別計算中心像元的灰度共生矩陣及其統計特征參數(能量、熵、慣性矩即對比度和相關性)，再由這四個特征值組成一個特征向量。為了驗證特征值選取的有效性，在實驗中，選擇了幾種不同類型地物的圖像，按照以上的技術實現流程進行訓練[4-5]。

2.3 利用紋理信息對遙感影像進行分類

本文研究的是紋理信息輔助下遙感影像的分類，故對選取的2017年7月16日河南信陽市光山縣影像數據進行分類，一種進行簡單的監督分類，另一種通過選擇的四種紋理：均值、方差、協同性、對比度，與影像原來波段一起融合進行分類。分類后精度的計算可以通過混淆矩陣來計算，混淆矩陣可以計算出不同類別的精度差異，這是我們可以用來對精度進行評價的方法[6]。在評價影像精度時，通常用來對比實際值和分類之后的值，混淆矩陣是對比計算所有像元位置及分類與分類圖像中對應的位置及分類，混淆矩陣可以把分類后的精度表示出來。因為本文研究用的分類方法和分類樣本都是一樣的，只有這樣才能統計出融合紋理的監督分類和未融合紋理的監督分類哪個更有優勢，根據精度計算結果來看，融合的監督分類更準確更易區分，如建設用地、林地[7-10]。

3 結語

綜上所述，通過運用灰度共生矩陣提取遙感影像，把紋理與遙感影像原有波段相結合進行分類，該方法可以有效提高遙感影像分類后的精度。遙感技術集中了空間、電子、光學、計算機通信和地學等學科的最新成就，是當代高新技術的一個重要組成部分。國際上遙感技術的發展，將在未來15年將人類帶入一個多層、立體、多角度、全方位和全天候對地觀測的新時代。各種高、中、低軌道相結合，大、中、小衛星相互協同，高、中、低分辯率互補的全球對地觀測系統，將能快速、及時地提供多種空間分辯率、時間分辯率和光譜分辯率的對地觀測海量數據。