李 玲，王 紅，劉慶生，寧吉才

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，南京 210098;2.中國(guó)科學(xué)院地理科學(xué)與資源研究所，北京 100101)

基于紋理特征和支持向量機(jī)的ALOS圖像土地覆被分類

李 玲1，王 紅1，劉慶生2，寧吉才2

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，南京 210098;2.中國(guó)科學(xué)院地理科學(xué)與資源研究所，北京 100101)

高空間分辨率遙感圖像在土地覆被分類方面應(yīng)用廣泛，但傳統(tǒng)的基于像元分類方法的精度較低。為了提高高分辨率圖像的分類精度，通過灰度共生矩陣法快速提取紋理特征，利用支持向量機(jī)(SVM)并輔以紋理特征，對(duì)浙江湖州典型實(shí)驗(yàn)樣區(qū)的ALOS圖像進(jìn)行土地覆被分類。結(jié)果表明:基于紋理特征和SVM的圖像分類能更好地提取地物信息，分類總精度達(dá)到90.88%;單純SVM的分類精度(89.96%)高于最大似然法(分類精度86.16%)。本文方法可快速準(zhǔn)確地提取土地覆被類型，為研究農(nóng)業(yè)非點(diǎn)源污染的產(chǎn)生和時(shí)空分布提供服務(wù)，進(jìn)而為尋求太湖流域內(nèi)合理的土地利用模式和土地的可持續(xù)利用提供科學(xué)依據(jù)。

紋理特征;SVM;ALOS圖像;土地覆被;非點(diǎn)源污染

0 引言

土地是人類生存和發(fā)展的重要資源和寶貴財(cái)富，也是資源和生態(tài)環(huán)境系統(tǒng)中的重要組成部分。近年來，在太湖流域工業(yè)點(diǎn)源污染整治力度加強(qiáng)之后，農(nóng)業(yè)面源(非點(diǎn)源)污染對(duì)流域水環(huán)境的影響及其治理受到越來越多的關(guān)注［1］。由于非點(diǎn)源污染是生態(tài)環(huán)境對(duì)土地利用/土地覆被變化最重要的響應(yīng)之一，其影響主要表現(xiàn)在不同土地利用方式下營(yíng)養(yǎng)鹽分布與地表徑流的遷移特征存在顯著不同，故準(zhǔn)確快速提取流域土地利用/土地覆被類型，對(duì)研究農(nóng)業(yè)非點(diǎn)源污染來源、空間分布以及污染負(fù)荷的計(jì)算等起著重要作用;同時(shí)為太湖流域水生態(tài)功能三級(jí)分區(qū)、控制單元水質(zhì)目標(biāo)控制和最大日負(fù)荷總量污染負(fù)荷分配(Total Maximum Daily Loads，TMDL)的綜合管理提供數(shù)據(jù)基礎(chǔ)。

圖像紋理是一種重要的空間信息，紋理信息的提取和利用在圖像分類中具有舉足輕重的作用。目前，已有多位學(xué)者輔以紋理信息進(jìn)行遙感圖像分類，提高了分類精度［2－3］。同時(shí)，很多研究探討了紋理分析中窗口大小對(duì)圖像分類精度的影響［4－7］，但不同的研究對(duì)計(jì)算紋理時(shí)窗口大小的確定得出截然不同的結(jié)論［8－11］，均反映出圖像中不存在單一的最佳尺度［12］。現(xiàn)有的大多數(shù)研究單純利用單一尺度提取圖像紋理，而地物本身具有多尺度的特點(diǎn)，對(duì)于包含復(fù)雜空間結(jié)構(gòu)圖像而言，難以用單一尺度充分描述其包含的紋理信息。結(jié)合多尺度紋理信息對(duì)遙感圖像進(jìn)行分類，可獲得比單一尺度紋理分類更高的分類精度［13］。支持向量機(jī)(Support Vector Machine，SVM)是由Vapnik在1995年提出的，建立在統(tǒng)計(jì)學(xué)理論基礎(chǔ)上，用于統(tǒng)計(jì)數(shù)據(jù)的分類和分析等。目前，SVM理論已經(jīng)在土地覆被圖像分類和高光譜圖像分類中得到應(yīng)用:Zhu等［14］使用SVM對(duì)ASTER數(shù)據(jù)進(jìn)行了分類處理;Keuchel等［15］將最大似然法與SVM結(jié)合，對(duì)Landsat5 TM圖像進(jìn)行分類，并且比較了分類效果;Nemmour等［16］將多個(gè)SVM用于城市土地覆被的變化檢測(cè);Inglada［17］將支持向量機(jī)用于高分辨率遙感圖像的人工地物自動(dòng)提取。這些例子都表明SVM在遙感領(lǐng)域得到了較為成功的應(yīng)用。但是，目前結(jié)合遙感圖像的空間信息并運(yùn)用SVM進(jìn)行土地覆被分類的研究較少。

本文通過灰度共生矩陣法快速提取紋理特征，利用紋理信息結(jié)合SVM分類方法對(duì)浙江湖州典型實(shí)驗(yàn)樣區(qū)的ALOS圖像進(jìn)行土地覆被分類研究，并與單純的SVM分類法和最大似然法進(jìn)行對(duì)比分析。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

選取浙江省湖州市東北地區(qū)為典型實(shí)驗(yàn)區(qū)。湖州市位于長(zhǎng)三角地區(qū)、浙江省北部，地勢(shì)西高東低，西部為丘陵低山區(qū)，東部為水鄉(xiāng)平原，屬于中國(guó)傳統(tǒng)的人口密集區(qū)和土地高度集約化利用地區(qū)，也是太湖流域水生態(tài)功能分區(qū)與質(zhì)量目標(biāo)管理技術(shù)研究課題的重點(diǎn)示范區(qū)。在經(jīng)濟(jì)快速發(fā)展過程中，由于人類活動(dòng)的影響，太湖流域水生態(tài)系統(tǒng)受到了不同程度的破壞，水質(zhì)污染十分嚴(yán)重。實(shí)驗(yàn)區(qū)緊鄰太湖，區(qū)內(nèi)地物覆蓋了項(xiàng)目制定的太湖流域。1∶5萬土地覆被分類體系中劃分的地類，包括林地、耕地、水域、交通設(shè)施、住宅用地和公共建筑設(shè)施。在高空間分辨率圖像上地面景觀結(jié)構(gòu)、紋理特征十分清晰。

1.2 遙感數(shù)據(jù)源

數(shù)據(jù)源采用2008年5月14日獲取的ALOS高空間分辨率圖像，包括4個(gè)多光譜波段，分辨率為10 m;一個(gè)全色波段，分辨率為2.5 m。原始數(shù)據(jù)為level 1B2產(chǎn)品，以全色波段圖像為參考對(duì)多波段圖像進(jìn)行幾何配準(zhǔn)，然后將全色與多波段圖像融合，再利用野外地面控制點(diǎn)對(duì)融合圖像進(jìn)行幾何精糾正和像元重采樣，融合后圖像空間分辨率為2.5 m。截取5806像元×5290像元為實(shí)驗(yàn)區(qū)(圖1)。

圖1 實(shí)驗(yàn)區(qū)ALOS圖像Fig.1 ALOS image of the test area

2 土地覆被分類方法

2.1 紋理特征提取

紋理特征提取方法可分為4類:統(tǒng)計(jì)方法、結(jié)構(gòu)(幾何)方法、模型方法以及基于數(shù)學(xué)變換(信號(hào)處理)的方法［18］。本文采用統(tǒng)計(jì)方法中的灰度共生矩陣獲取紋理信息?；叶裙采仃?Gray Level Co － occurrence Matrices，GLCM)［19］描述了圖像各像元灰度的空間分布和結(jié)構(gòu)特征，利用紋理特征提高了圖像的地學(xué)目標(biāo)分類精度。GLCM被定義為從灰度級(jí)i的點(diǎn)從某個(gè)固定位置關(guān)系d=(Dx，Dy)到灰度為 j的概率，用 pd(i，j)(i，j=0，1，2，…，L －1)表示。其中L表示圖像的灰度級(jí);i，j分別表示像素的灰度;d表示兩個(gè)像素間的空間位置關(guān)系，不同的d決定了兩個(gè)像素間的距離和方向;θ為灰度共生矩陣的生成方向，通常取 0°、45°、90°和 135°這 4個(gè)方向。

2.2 GLCM 計(jì)算

1973年 Haralick等［19］提出了多種用來量化GLCM的紋理統(tǒng)計(jì)指標(biāo)，該算法描述圖像紋理特征的統(tǒng)計(jì)量有均值、方差、均一度、對(duì)比度、差異性、角二階矩、熵和相關(guān)性等。在諸多表征圖像紋理的特征中，需選擇有代表性的若干個(gè)特征。選擇的特征少，運(yùn)算速度快，但分類精度不高;但選擇特征太多，運(yùn)算速度慢，分類效果也不好。每個(gè)統(tǒng)計(jì)屬性都可以生成一個(gè)紋理圖像或波段，與光譜特征一起應(yīng)用于分類。計(jì)算紋理時(shí)，還需考慮移動(dòng)窗口大小、移動(dòng)方向和移動(dòng)距離。

本文根據(jù)研究目的，并從高分辨率圖像的數(shù)據(jù)量大、基于灰度共生矩陣的紋理特征提取算法計(jì)算量也較大等方面考慮，認(rèn)為能量、信息熵、對(duì)比度和相關(guān)性等4種紋理特征分別代表紋理的均勻性、復(fù)雜性、清晰度和線性關(guān)系等特征，對(duì)紋理分析的效果較好且耗時(shí)短。故只計(jì)算和使用這4種紋理特征，其具體含義和參數(shù)計(jì)算公式［20］如下:

(1)角二階矩(ASM)。反映圖像灰度分布的均勻性，粗紋理的能量矩較大，細(xì)紋理的能量矩較小，即

(2)熵(ENT)。度量圖像所具有的信息量。若圖像沒有任何紋理，則熵接近零;若圖像充滿細(xì)紋理，則圖像熵值最大;若圖像中分布較少的紋理，則圖像的熵值較小，即

(3)對(duì)比度(CON)。反映了圖像紋理的清晰度，紋理的溝紋越深，其對(duì)比度越大，圖像的視覺清晰效果越好，即

(4)相關(guān)性(COR)。度量灰度共生矩陣元素在行或列方向上的相似程度，相關(guān)性大小反映了圖像中局部灰度的相關(guān)程度。

式中，

2.3 SVM 分類

SVM是一種來源于統(tǒng)計(jì)學(xué)理論的分類方法，是從線性可分情況下的最優(yōu)超平面發(fā)展而來的［21］。其基本原理是:設(shè)訓(xùn)練樣本集為具有k個(gè)樣本的兩類問題，表示為［22］

被一個(gè)超平面分開，即

式中，W為分類面的權(quán)重向量;b為偏置，b∈R;φ為輸入特征向量空間到高維Hilbert空間(H)的映射(在這一空間中構(gòu)造最優(yōu)分類超平面)，即

找出最優(yōu)分類超平面的過程可以轉(zhuǎn)化為解算一個(gè)最優(yōu)化問題，可以表示為式(8)和式(9)，分別稱為目標(biāo)函數(shù)和約束條件，即

式中，ξi為松弛變量，ξi≥0(i=1，2，…，k);C為懲罰系數(shù)。

松弛變量和懲罰系數(shù)的引入是為了解決數(shù)據(jù)集的線性不可分問題。為了解上述最優(yōu)化問題，使用Lagrange函數(shù)將原始優(yōu)化問題轉(zhuǎn)化為對(duì)偶優(yōu)化問題，目標(biāo)函數(shù)和約束條件可表示為

式中，K(xixj)為核函數(shù)，K(xixj)=φ(xi)(xj)。

使用核函數(shù)將輸入特征空間映射到高維空間。SVM算法使用的核函數(shù)必須滿足Mercer定理?xiàng)l件，即矩陣必須是半正定的。常用的核函數(shù)包括多項(xiàng)式函數(shù)(式(12))和徑向基函數(shù)(RBF)(式(13))，即

使用Chunking、Osuna和SMO等算法解算以上的對(duì)偶問題，得到最優(yōu)解為，由此得出SVM分類判別函數(shù)為

利用紋理特征和SVM進(jìn)行土地覆被分類的技術(shù)流程見圖2。

3 結(jié)果與分析

程序?qū)崿F(xiàn)環(huán)境為Matlab7.0，并基于ENVI軟件平臺(tái)實(shí)現(xiàn)土地覆被分類。根據(jù)圖像反映的景觀特征和實(shí)驗(yàn)區(qū)域的實(shí)際情況，將該區(qū)土地覆被類型分為7類:林地、耕地、水域、交通設(shè)施、住宅用地、公共建筑設(shè)施及其他用地。

提取紋理信息時(shí)，移動(dòng)窗口大小的選擇很重要，窗口過大或過小都會(huì)影響到特征提取效果。本文將窗口大小依次設(shè)置為3像元×3像元，5像元×5像元和7像元×7像元。分析得到的紋理圖像，發(fā)現(xiàn)目視效果以5像元×5像元窗口最好，紋理緊密適中;移動(dòng)步長(zhǎng)的選取也很重要，依次設(shè)為(1，1)，(3，3)和(5，5)，結(jié)果表明步長(zhǎng)較小的(1，1)效果最好;最后，從4個(gè)方向分別計(jì)算中心像元的灰度共生矩陣及其統(tǒng)計(jì)特征參數(shù)，再由這4個(gè)特征值組成一個(gè)特征向量并計(jì)算均值及方差(表1)。

表1 紋理特征均值及方差Tab.1 Mean and variance of textural features

從表1中各個(gè)紋理特征的計(jì)算結(jié)果可以看出，水域與交通設(shè)施的能量、熵及相關(guān)性3種紋理特征的均值比較相似，而交通設(shè)施的對(duì)比度均值偏大。

4種紋理特征圖像見圖3，從中可以看出，根據(jù)對(duì)比度能有效地區(qū)分不同的地物類型，因此選用對(duì)比度作為參與分類的紋理特征。

圖3 4種紋理特征圖像Fig.3 Images of four textural features

將提取的紋理信息與SVM分類方法相結(jié)合，對(duì)圖像進(jìn)行分類。SVM參數(shù)包括核函數(shù)(Kernel type)、懲罰系數(shù)及分類概率閾值。其中，核函數(shù)有線性核函數(shù)(Linear)、多項(xiàng)式核函數(shù)(Polynomial)、徑向基函數(shù)(RBF)及Sigmoid函數(shù)等4種形式。Vapnik等［23］研究表明，SVM的性能與所選用的核函數(shù)的類型關(guān)系不大，而核函數(shù)的參數(shù)和誤差懲罰因子C是影響SVM性能的主要因素。所以，選擇最佳的核函數(shù)參數(shù)和誤差懲罰因子C是確定SVM模型的關(guān)鍵。本文選擇RBF核函數(shù)，誤差懲罰因子C=100，核函數(shù)中的γ=0.03，分類概率閾值=0。分類結(jié)果如圖4(單純SVM分類和基于多尺度紋理的SVM分類)所示。

圖4 分類結(jié)果Fig.4 Classification result

從圖4可以看出，單純的SVM分類結(jié)果斑點(diǎn)較多，地物破碎度大，交通設(shè)施與周圍地物容易錯(cuò)分;而引入紋理信息的分類結(jié)果基本上呈斑塊分布，細(xì)碎斑點(diǎn)有所減少。因?yàn)楦叻直媛蕡D像景觀結(jié)構(gòu)、紋理等表現(xiàn)清楚，從中可以獲得更加豐富的光譜信息，同時(shí)可以獲取更多的地物形狀、結(jié)構(gòu)及紋理信息等，所以紋理特征的引入明顯提高了圖像分類精度。分類總精度見表2(基于多尺度紋理的SVM分類)和表3(基于多尺度紋理的SVM分類、單純SVM分類和最大似然分類精度對(duì)比)。

表2 基于紋理特征和SVM的分類精度Tab.2 Precision of classification based on textural feature and SVM

表3 3種分類方法分類精度比較Tab.3 Comparison of precision among three classification methods

從表2和表3可以看出，基于多尺度紋理特征的SVM分類方法精度最高，達(dá)到90.88%，Kappa=0.88，比單純SVM和最大似然法正確率分別提高了0.92%和4.72%。因?yàn)樵谶M(jìn)行高分辨率圖像分類時(shí)，多源信息的引入有利于分類精度的提高。同時(shí)，兩種基于SVM分類方法的精度明顯高于最大似然法，因?yàn)樾畔⒘康脑龆鄷?huì)增大對(duì)最大似然法的干擾影響，而SVM分類方法對(duì)多維輸入向量具有更好的推廣能力，可見SVM是一種很好的具有核映射能力的模式識(shí)別工具。

4 結(jié)論

(1)通過灰度共生矩陣法提取紋理特征，利用SVM并輔以提取的紋理特征，對(duì)分辨率為2.5 m的ALOS圖像進(jìn)行分類。實(shí)驗(yàn)證明，移動(dòng)窗口為5像元×5像元、步長(zhǎng)為1時(shí)，對(duì)比度能較好地反映該圖像的紋理特征。

(2)紋理信息可以定量地描述結(jié)構(gòu)特征，反映圖像灰度值的空間變化。引入紋理信息，能有效地提高土地覆被分類精度;不同尺度的紋理表現(xiàn)形式不同，紋理窗口大小直接關(guān)系著紋理量的數(shù)值大小，因而在多尺度空間上容易區(qū)分在同一尺度上難以區(qū)分的地物。

(3)本文試驗(yàn)中應(yīng)用的紋理特征主要是對(duì)比度，除此之外還有其他紋理特征(如均值、方差、同一性、差異性等)，可以根據(jù)所要提取的地物信息的具體情況做具體分析。紋理分析方法有多種，可以進(jìn)一步嘗試用不同的紋理分析方法提取紋理特征，期望能進(jìn)一步提高土地覆被的分類精度。

［1］張維理，武淑霞，冀宏杰，等.中國(guó)農(nóng)業(yè)面源污染形勢(shì)估計(jì)及控制對(duì)策Ⅰ——21世紀(jì)初期中國(guó)農(nóng)業(yè)面源污染的形勢(shì)估計(jì)［J］.中國(guó)農(nóng)業(yè)科學(xué)，2004，37(7):1008 －1017.

［2］姜青香，劉慧平.利用紋理分析方法提取TM圖像信息［J］.遙感學(xué)報(bào)，2004，8(5):458 －464.

［3］陳啟浩，高 偉，劉修國(guó).輔以紋理特征的高分辨率遙感影像分類［J］.測(cè)繪科學(xué)，2008，33(1):88 －90.

［4］Chavez P Jr，Bauer B.An Automatic Optimum Kernel－ size Selection Technique for Edge Enhancement［J］.Remote Sensing of Environment，1982(1)，12:23 －38.

［5］Franklin S E，McDemid G J.Empirical Relations Between Digital SPOT HRV and CASI Spectral Response and Lodgepole Pine(Pinas Contorta)Forest Stand Parameters［J］.International Jounal of Remote Sensing，1993，14(12):2331 －2348.

［6］Franklin S E，Wukler M A，Lavingne M B.Automated Derivation of Geographic Window Sizes for Use in Remote Sensing Digital Image Texture Analysis［J］.Computers ＆ Geosciences，1996，22(6):665－673.

［7］Curran P J.The Semivariogram in Remote Sensing:an Introduction［J］.Remote Sensing of Environment，1988，24(3):493 － 507.

［8］Marceau D J，Howarth P J，Dubois J M，et al.Evaluation of the Grey－level Co－occurrence Matrix Method for Land－cover Classification Using SPOT Imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，1990，28(4):513 －519.

［9］Hsu S.Texture－tone Analysis for Automated Land － use Mapping［J］.Photogrammetric Engineering ＆ Remote Sensing，1978，44(11):1393－1404.

［10］Dutra L V，Mascarenhas N D A.Some Experiments with Spatial Feature Extraction Methods in Multispectral Classification［J］.International Journal of Remote Sensing，1984，5(2):303 －313.

［11］黃穎端，李培軍，李爭(zhēng)曉.基于地統(tǒng)計(jì)學(xué)的圖像紋理在巖性分類中的應(yīng)用［J］.國(guó)土資源遙感，2003(3):45 －49.

［12］Hallo，Hay G J，Marceau D J.Multiscale Object－ specific Analysis Scale Problems and Multiscale Solutions［C］∥Proceedings of 12th International Conference on Geoinfomatics－Geospatial Information Research:Bridging the Pacific and Atlantic.Sweden:Press of University of G?vele，2004.

［13］宋翠玉，李培軍，楊鋒杰.運(yùn)用多尺度圖像紋理進(jìn)行城市擴(kuò)展變化檢測(cè)［J］.國(guó)土資源遙感，2006(3):37 －42.

［14］Zhu G B，Blumberg D G.Classification Using ASTER Data and SVM Algorithms:the Case Study of Beer Sheva，Israel［J］.Remote Sensing of Environment，2002，80(2):233 －240.

［15］Keuchel J，Naumann S，Heiler M，et al.Automatic Land Cover Analysis for Tenerife by Supervised Classification Using Remotely Sensed Data［J］.Remote Sensing of Environment，2003，86(4):530－541.

［16］Nemmour H，Chibani Y.Multiple Support Vector Machines for Land Cover Change Detection:an Application for Mapping Urban Extensions［J］.ISPRS Journal of Photogrammentry and Remote Sensing，2006，61(2):125 －133.

［17］Inglada J.Automatic Recognition of Man － made Objects in High Resolution Optical Remote Sensing Images by SVM Classification of Geometric Image Features［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2007，62(3):236 －248.

［18］劉龍飛，陳云浩，李 京.遙感影像紋理分析方法綜述與展望［J］.遙感技術(shù)與應(yīng)用，2003，18(6):441 －447.

［19］Haralick R M，Shanmugan K，Dinsrein I.Textural Features for Image Classification［J］.IEEE Trans actions on Man and Cybern etics，1973，3(6):610 －621.

［20］馮建輝，楊玉靜.基于灰度共生矩陣提取紋理特征圖像的研究［J］.北京測(cè)繪，2007(3):19 －22.

［21］Cristianini N，Shawe－Taylon J.支持向量機(jī)導(dǎo)論［M］.北京:電子工業(yè)出版社，2006.

［22］張 睿，馬建文.改進(jìn)的P－SVM支持向量機(jī)與遙感數(shù)據(jù)分類［J］.遙感學(xué)報(bào)，2009，13(3):445 －452.

［23］張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)［J］.自動(dòng)化學(xué)報(bào)，2000，26(1):37 －38.

Land Cover Classification Using ALOS Image Based on Textural Features and Support Vector Machine

LI Ling1，WANG Hong1，LIU Qing－sheng2，NING Ji－cai2
(1.School of Earth Sciences and Engineering，Hehai University，Nanjing 210098，China;2.Institute of Geographic Sciences and Natural Resources Research，CAS，Beijing 100101，China)

The high spatial resolution remote sensing images are used widely in the land cover classification;nevertheless，the traditional pixel－ based classification has the weakness of relatively low accuracy.For the purpose of improving the accuracy of the high spatial resolution image classification，the textural features were extracted quickly by using the method of Gray Level Co－occurrence Matrices(GLCM)，and then the ALOS image of the typical test area in Huzhou city of Zhejiang province was classified based on textural features and Support Vector Machine(SVM).The results show that image classification based on textural features and SVM can better extract surface features with precision of 90.88%.The classification precision based on SVM only is higher than that based on maximum likelihood，with the former precision being 89.96%and the latter 86.16%.Extracting land cover types quickly and accurately can provide a service for the research on appearance and spatial－temporal distribution of the agricultural non － point pollution source，and also provide scientific evidence for exploration of reasonable land use model and sustainable land utilization in Taihu basin.

Textural features;SVM;ALOS image;Land cover;Non－point pollution source

TP 751.1

A

1001－070X(2011)04－0058－06

2011－03－01;

2011－09－01

國(guó)家科技重大專項(xiàng)“水體污染控制與治理”之“太湖流域水生態(tài)功能分區(qū)與質(zhì)量目標(biāo)管理技術(shù)示范”項(xiàng)目(編號(hào):2008ZX07526－007)和國(guó)家自然科學(xué)基金項(xiàng)目(編號(hào):40871230)共同資助。

李 玲(1987－)，女，在讀碩士研究生，主要研究方向?yàn)檫b感圖像分析處理。

(責(zé)任編輯:李 瑜)