高分辨率遙感影像滑坡紋理特征提取方法

王慶雅，張 錦

(太原理工大學 礦業工程學院，太原 030006)

滑坡是我國發生數量最多、分布最廣的地質災害，每年因滑坡而造成直接或間接的經濟損失不可估量。因此，在滑坡發生后，利用高分辨率遙感影像進行滑坡快速提取對應急救援、災損評估具有重要的意義。

由于地形地貌、地質條件等因素的不同，滑坡體在遙感影像上的特征有較大差別[1]，因此，很難建立起通用的滑坡識別特征體系。目前，滑坡自動提取主要依靠基于高分辨率遙感影像結合多特征體系的滑坡自動識別方法。MARTHA et al[2]利用光譜、紋理、形態等特征實現了對不同類型滑坡的半自動提取。KURTZ et al[3]利用光譜、紋理、幾何、上下文等特征采用自上而下的基于區域的層次框架實現了滑坡的分層提取。劉辰等[4]使用不同分辨率的DEM進行面向對象的滑坡提取，指出空間分辨率越高的DEM數據，越能準確地識別出滑坡。彭令等[5]結合光譜、紋理、幾何、地形等特征屬性建立規則集進行區域滑坡信息提取。充分利用高分影像的紋理、幾何和上下文等空間特征及光譜特征，結合地形特征，建立多特征滑坡識別體系，雖然是提高滑坡識別與提取能力的有效途徑，但其中存在特征冗余、滑坡識別規則難以統一等問題，而且在目前滑坡提取中用到的紋理特征主要是灰度共生矩陣這種統計特征，對于單個滑坡在遙感影像上具體的紋理表現方式及規律性研究還不夠充分。

紋理反映了物體表面顏色和灰度的某種變化規律，是區分具有相似光譜、不同空間分布結構特性地物的有效信息，被廣泛應用在影像信息的提取中[6]。宋榮杰等[7]分別用灰度共生矩陣、分形和空間自相關3種紋理特征方法進行蘋果園提取并對比了識別精度，表明灰度共生矩陣的效果較好。閆利等[8]利用一種新的結構指數特征表達種植園的紋理結構，實現依靠單一或者少數特征的種植園自動提取。這些方法要求地物具有較為明顯規則的紋理結構，對于沒有明顯規律的地物適應性較弱。徐望明等[9]利用多尺度多方向Gabor變換提取GIST特征實現人臉識別。游永發等[10]利用多尺度多方向Gabor小波變換結果提取建筑物特征點并實現了建筑物的分級提取。但是這些方法都存在特征冗余、計算過程較為繁瑣等問題。

上述紋理特征提取方法主要是針對有規則的人工地物具有較好的效果，而滑坡的紋理結構往往不規則，其規律性不夠明顯，因此上述方法對于滑坡的紋理提取效果不明顯。本文探索了單體滑坡的紋理特征，提出了一種多尺度多方向的滑坡紋理表達方法，能夠有效減少特征冗余，簡化提取過程，實現遙感影像上滑坡多尺度多方向的紋理提取。

1 研究區及數據

黑方臺位于甘肅省永靖縣，地處湟水河與黃河交匯口上游，臺塬分布廣泛，其獨特的地形地貌地質環境及人類耕地灌溉活動，使得區域滑坡災害頻發。實驗選用從谷歌地球上獲取的2015年9月14日黑方臺黨川段滑坡數據，空間分辨率為0.29 m，面積為1.05 km2，如圖1所示。1#滑坡和2#滑坡均由北向南滑動，分布在臺塬邊緣，滑動距離較遠，滑坡區域較亮與周圍的農田有較大的光譜差異；形態上看呈兩頭大中間長的啞鈴狀，滑坡后緣呈圈椅狀；滑坡體上的溯流狀明顯，有明顯的波紋狀起伏，如圖2所示。

圖1 實驗區遙感影像Fig.1 Remote sensing image of the experimental area

圖2 滑坡體上的波浪狀起伏[11]Fig.2 Wavy ups and downs on the landslide

2 滑坡紋理特征分析

2.1 滑坡區域不同地物影像紋理特征

紋理作為一種重要的視覺表達，廣泛存在于物體的表面，在遙感影像上則表現為紋理特征值反復出現的局部模式和它們的排列規則[12]。周期性和方向性作為描述紋理圖像的視覺感知，所以利用周期和方向進行紋理分析是十分重要的。

研究區滑坡特殊的運動現象，使得其在遙感影像上具有明顯的方向性紋理，形成與周圍地物有明顯不同的紋理特征，如圖3所示。從幾種典型地物的遙感影像來看，滑坡體上具有明顯的垂直于滑動方向的波紋狀紋理，人工建筑區多呈排列規則的網格狀紋理，耕地多呈規則塊狀并具有沿一定方向排列的顆粒狀紋理，斜坡的紋理方向雜亂不規則。

(a)泥流型黃土滑坡；(b)人工建筑區；(c)耕地；(d)斜坡圖3 不同地物遙感影像Fig.3 Remote sensing images of different features

2.2 滑坡區域不同地物頻譜能量表征

為對上述不同地物的紋理方向進行定量分析，利用二維傅里葉變換將影像從空域轉換到頻域，計算不同地物的頻譜能量并用文獻[13]提出的楔特征(角向分布特征)計算方法，在[0°，180°]方向上以1°為采樣間隔，對從原點出發的扇面求能量和，分析不同地物的紋理主方向。

傅里葉變換能量譜的自配準性質，使得同一方向不同分布地物特征線的能量疊加在一起，其所對應的譜線經過頻譜中心并垂直于原地物的特征線方向[14]。即若原地物的紋理主方向為θ，則該地物影像對應的角向分布曲線的峰值出現在θ+π/2上；若原地物沒有明顯的方向特點，則其對應的角向分布曲線較為平穩，沒有明顯的峰值。圖3中4種地物相對應的角向分布曲線如圖4所示。

圖4 不同地物角向分布曲線Fig.4 Angular distribution curves of different features

分析上述不同地物的角向分布曲線可以得出，滑坡的能量集中在91°的方向上，紋理主方向為1°；人工建筑區的能量集中在42°和133°兩個方向上，紋理特征方向為132°和43°；耕地的能量集中在104°的方向上，紋理特征方向為14°；斜坡的能量分布較為分散，沒有明顯的方向性紋理。由此可知，一定區域內，滑坡與周圍地物具有不同的方向性紋理。

3 研究方法

考慮到在一定區域內滑坡與周圍地物這種不同的方向性紋理表現，并利用此種紋理差異進行滑坡的提取，本文設計多尺度多方向Gabor濾波器組進行滑坡紋理特征的提取，首先對滑坡圖像進行多方向多尺度的Gabor變換，得到多方向多尺度的Gabor特征；其次根據熵值對同一方向不同尺度的特征圖進行融合，得到多方向Gabor特征；最后對多方向Gabor特征進行最大值過濾構成多尺度多方向Gabor紋理特征。為了分析此方法對滑坡提取的有效性，分別計算了多尺度多方向Gabor紋理特征、局部二值模式(LBP)和局部空間自相關三種紋理特征，并將紋理特征與光譜特征融合，利用支持向量機(SVM)提取滑坡，根據混淆矩陣分析不同方法滑坡的提取精度。

3.1 多尺度多方向Gabor紋理特征

3.1.1Gabor濾波

Gabor變換是一種基于信號處理的紋理描述方法，自適應Gabor濾波器能夠從不同尺度和方向充分對紋理特征進行表征。在空域上，一個二維Gabor函數實質上是一個二維高斯函數與二維復數正弦函數的疊加，表達如下：

(1)

其中

xr=xcosθ+ysinθ.

(2)

yr=-xsinθ+ycosθ.

(3)

式中：σx，σy分別代表高斯函數在x、y方向上的標準差，決定濾波器的形狀；θ為高斯函數的旋轉方向，代表濾波器的方向；f為濾波器的中心頻率，決定空間尺度因子的選擇，中心頻率越小空間尺度越大；(x,y)為圖像像素坐標。

從Gabor函數可以看出，Gabor濾波器為復數濾波器，實部為偶對稱濾波器，虛部為奇對稱濾波器，文中考慮復數響應，方向取值在[0，2π]范圍內8等分：

(4)

中心頻率依據JAIN et al[15]提出的濾波器同一方向上不同中心頻率的確定方法，取不同尺度為：

(5)

式中：m為中心頻率的個數。文中所用數據大小為1 024×1 024，m為8.但是實驗結果發現當尺度過大時，濾波結果不能有效描述圖像紋理變化，如圖5所示。在固定90°的方向上，當m≥4時，濾波圖像上強弱響應變化太大，無法解釋紋理變化，因此文中m=0，1，2，3.

圖5 同一方向不同尺度濾波圖像Fig.5 Filtered images of different scales in the same direction

故本實驗中有8個方向(u=0,1,2…7)，4個尺度(v=0,1,2,3)共32個Gabor濾波器，用這32個濾波器分別對原始圖像進行卷積運算。

Fu,v(x,y)=I(x,y)*Gu,v(x,y).

(6)

式中：*為卷積操作符；I(x,y)為原始滑坡圖像；Gu,v(x,y)為Gabor濾波器；Fu,v(x,y)為不同方向和尺度的Gabor特征圖。

文中使用復數Gabor核函數，卷積結果也會產生實部和虛部的復數響應，相關研究發現，濾波器的實部對紋理比較敏感，大多數研究在計算中只取實部作為紋理計算結果；本文研究發現，在濾波后的滑坡影像中，綜合實部與虛部的幅值圖能夠突出影像局部的能量特征，并能夠較好地體現滑坡與周圍地物的差異。因此，本文根據濾波后的幅值圖反映滑坡影像的紋理信息。

Mu,v(x,y)=Amplitude[Fu,v(x,y)]=Ru,v2+Iu,v2.

(7)

式中：Ru,v和Iu,v分別為實部和虛部圖像，Mu,v(x,y)為幅值圖像。

圖6是u=2，v=1時的滑坡影像經濾波處理后的結果。

從圖6可以看出，滑坡與非滑坡的濾波響應是不同的，滑坡區的濾波響應整體上小于非滑坡區，這是因為，在非滑坡區有大量排列規則的人工建筑及耕地，紋理結構簡單，在單方向上會有較大的響應，而滑坡的能量雖然集中在大約90°的方向上，但是滑坡的紋理結構較為復雜，擁有更多方向的紋理信息，局部紋理也更加豐富。Gabor濾波后的實部和虛部圖像都能夠在一定程度上反映滑坡的特征信息，但與綜合實部和虛部的幅值圖像相比，幅值圖像中的信息量較多，能顯著減少影像信息的缺失。

圖6 滑坡影像與Gabor濾波結果Fig.6 Landslide image and Gabor filtering result

8個方向4個尺度的濾波結果如圖7所示。

在圖7中，每行方向一致，尺度從左至右為0，1，2，3，每列的尺度固定，方向從下向上分別為0，1，2，3，4，5，6，7.從圖中可以看出，在方向固定的條件下，小尺度下圖像的邊緣更細膩，大尺度下圖像的輪廓更清晰，這是因為尺度越大頻率越小，高頻凸顯圖像的邊緣特征，低頻凸顯圖像的輪廓特征。在尺度固定的情況下，不同方向的濾波器允許通過地物的方向是不一樣的，這在規則排列的人工建筑區有很好的體現，而滑坡的方向特征相對其它地物不明顯，在濾波結果圖上具有較小的響應。

圖7 不同尺度和方向的濾波結果Fig.7 Filter results of different scales and directions

3.1.2多尺度Gabor特征圖融合

如上圖7所示，同一方向上的單一尺度往往不足以表征地物的紋理信息，為充分表征地物的輪廓和邊緣信息，根據熵值將同一方向不同尺度的特征圖進行融合。由信息論可知，熵是對不確定性的測量，信息熵值越大其包含的信息也就越多。本文根據熵值對同一方向不同尺度的特征圖進行融合，熵值越大對應特征圖被賦予的權重也就越多，得到多方向Gabor特征Su(x,y)(u=0,1,2…7)，計算方式如下:

(8)

其中權重計算方法為：

(9)

式中：Eu,v為濾波后圖像的信息熵；Pu,v為對應特征圖的權重。

如圖8所示，融合后的圖像能夠在保留全局輪廓的基礎上有效增加圖像的邊緣信息。

圖8 同一方向不同尺度融合結果Fig.8 Fusion results of different scales in the same directio

3.1.3多方向最大值濾波

如圖7所示，在固定像素處Gabor紋理特征在不同方向上響應不同，具有八維特征，存在一定程度的信息冗余，將8個不同方向特征圖中各像素的最大響應值作為Gabor紋理特征，構成多尺度多方向Gabor紋理特征G(x,y).

G(x,y)=max(Su(x,y)) .

(10)

如圖9所示，經過最大值過濾后，具有多種方向的地物在對應方向上的紋理特征都得到了增強，如人工建筑區已經呈現出明顯的建筑輪廓，滑坡體雖然有一主方向，但這種方向相對于圖像并不明顯，因此滑坡的紋理值在圖像上是低于其它地物的。并且，經過最大值過濾之后的圖像，相同地物具有相似的紋理特征表現出同類的聚集現象；不同方向的地物紋理特征值相差較大，表現為不同類的分區現象。

圖9 多尺度多方向Gabor紋理特征Fig.9 Multiscale and multidirectional Gabor texture features

3.2 LBP紋理特征

LBP(local binary pattern，LBP)是根據中心像素及其鄰域系統的聯合分布來進行量化以獲得紋理特征[12]，具有灰度不變性。在窗口內，將窗口中心像素與鄰域像素的差值與0進行比較，大于等于0量化為1；否則，量化為0，最后將8位二進制數轉化為十進制構成圖像LBP紋理特征。本文用3×3窗口計算圖像的LBP特征，表達式如下：

(11)

其中

(12)

式中：hi為中心像素值，hn為鄰域像素值。

3.3 局部空間自相關

空間自相關是指空間上鄰近位置屬性信息的相似性，局部空間統計量可以度量局部的空間相關性，揭示局部空間關聯模式，能夠較好地理解和度量區域內部空間關聯的結構模式與變異性[16]。本文用基于距離的Getis指數來表示影像的局部空間自相關，其表達如下：

(13)

其中

(14)

3.4 SVM圖像分類

SVM(support vector machine，SVM)是建立在統計學習理論中的VC維理論和結構風險最小化準則基礎上的一種監督分類算法，在核函數確定的特征空間上尋找一個能夠正確劃分訓練數據集，并且幾何間隔最大的分離超平面，即求解最優分類決策函數：

(15)

核函數類型及參數設置會影響SVM分類結果精度，常見核函數有線性函數、多項式函數、徑向基函數和Sigmoid函數。本文在ENVI5.3平臺上選擇常用的徑向基函數作為核函數，試錯法對比分析獲得最優核參數g和懲罰函數C.

4 數據結果處理與分析

4.1 紋理特征提取分析

圖10 不同方法紋理特征提取結果Fig.10 Texture feature extraction results by different methods

4.2 滑坡提取結果分析

為驗證本文提出的紋理計算方法對滑坡提取的有效性，并對不同紋理特征方法進行定量比較，本文設計了如表1所示的4種滑坡提取方案，并通過滑坡提取結果來分析3種紋理計算方法的優劣性。

表1 不同滑坡提取方案Table 1 Different landslide extraction methods

各方案經SVM分類后的結果有大量的小圖斑，對于小圖斑的處理，分別用以下步驟對分類后的圖像進行處理：首先利用5×5的變換核函數對待分類滑坡圖像進行Majority分析，將大量小圖斑歸到鄰域內占主導地位的類別中；其次用形態學閉運算進一步填補滑坡內部空洞，使得圖像更加平滑；最后對滑坡圖像中仍存在的較大獨立圖斑進行過濾處理，過濾閾值設為150，并將過濾掉的圖斑歸為背景類。

經分類后處理得到的滑坡提取結果如圖11(b)-(d)所示。目視解譯結果如圖11(a)所示。從圖中可以看出，方案Ⅰ提取結果中錯分的滑坡較少，但是有漏分現象，其中1#滑坡的滑源區缺失嚴重；方案Ⅱ和方案Ⅲ提取結果中錯分的滑坡較多，都包含了大量的斜坡，方案Ⅲ提取結果中錯分滑坡最多。

圖11 目視解譯與不同方案滑坡提取結果Fig.11 Visual interpretation and different methods of landslide extraction results

混淆矩陣是目前分析分類結果精度最常用的方法，為對提取結果進行定量評價，通過目視解譯結果與不同方案的提取結果計算混淆矩陣的總體分類精度(overall accuracy，OA)、Kappa系數、錯分誤差(commission error，CE)和漏分誤差(omission error，OE)等指標來評價提取結果精度和可靠性。3種方案的提取精度如表2所示。

對比3種方案提取結果并結合表2可知，多尺度多方向Gabor紋理特征結合光譜特征的提取效果最好，總體分類精度達到了95.89%，Kappa系數為0.87；其次是光譜結合LBP紋理特征，總體分類精度為90.1%，Kappa系數為0.73；光譜結合空間自相關的總體分類精度最低為89.13%，Kappa系數為0.70.

表2 不同方案滑坡提取精度Table 2 Extraction accuracy of landslides in different methods

同時，多尺度多方向Gabor紋理特征提取結果的錯分誤差最小，僅為8.10%；而經LBP和局部空間自相關紋理特征提取的滑坡，錯分誤差均達到了30%以上，尤其局部空間自相關提取結果中的錯分誤差最大，為33.22%.從提取結果來看，錯分誤差較大是由于錯提了大量的斜坡而引起的，表明多尺度多方向Gabor紋理特征能夠較好地對滑坡和斜坡做出區分，而LBP和局部空間自相關紋理特征對滑坡和斜坡的區分能力較差。

從漏分誤差來看，多尺度多方向Gabor紋理特征遺漏提取的滑坡像元最多，漏分誤差最大為12.57%，而LBP和局部空間自相關紋理特征的漏分誤差都在8%以下，分析提取結果可知，這是由于1#滑坡的滑源區與整體滑坡方向不一致，沒有較好地提取出滑源區。整體提取結果表明，本文提出的多尺度多方向Gabor紋理特征對具有不同方向紋理特征的地物具有較好的可區分性，在能夠較好地提取出滑坡的基礎上有效減少斜坡基巖對滑坡提取的影響，提高滑坡提取精度。

5 結論

本文利用谷歌地球影像和SVM圖像分類技術，綜合運用光譜信息和紋理信息，在對泥流型黃土滑坡紋理特征分析的基礎上，設計了一種能夠有效描述泥流型黃土滑坡紋理結構的特征，多尺度多方向Gabor特征，與LBP和局部空間自相關紋理提取方法進行了對比，結果表明：

1) 與原始多維Gabor特征相比，此特征經過融合與過濾，能有效降低特征維數，在保留原有重要信息的基礎上有效減少冗余特征。

2) 通過對比可知，此特征相比較LBP、局部空間自相關特征對滑坡具有較好的提取結果，提取精度達到了95%以上。

3) 本文不足之處在于實驗中相關參數的設置包括LBP紋理窗口、局部空間自相關距離設置均為經驗性值，這些與影像分辨率、滑坡尺度大小有關，缺乏有效的依據，需要進一步研究，同時本文提出的紋理特征方法是否能進一步將單體滑坡劃分為滑源區、滑移區和堆積區是接下來需要繼續研究的內容。