劉恩勤，周萬村，周介銘，莫開林

（1.中國(guó)科學(xué)院成都山地災(zāi)害與環(huán)境研究所，四川成都610041；2.中國(guó)科學(xué)院研究生院，北京100049；3.四川師范大學(xué)資源與環(huán)境學(xué)院，四川成都610068；4.四川省林業(yè)科學(xué)研究院，四川成都610066）

基于光譜和紋理特征的ALOS影像土地利用信息提取

劉恩勤1，2，周萬村1，周介銘3，莫開林4

（1.中國(guó)科學(xué)院成都山地災(zāi)害與環(huán)境研究所，四川成都610041；2.中國(guó)科學(xué)院研究生院，北京100049；3.四川師范大學(xué)資源與環(huán)境學(xué)院，四川成都610068；4.四川省林業(yè)科學(xué)研究院，四川成都610066）

針對(duì)高分辨率遙感影像易于反映地物紋理特征的特點(diǎn)，綜合利用地物的光譜和紋理特征進(jìn)行分類，探討適用于ALOS影像的土地利用信息提取方法。以川東丘陵地區(qū)影像為例，基于GLCM提取紋理信息，將提取的紋理特征向量采用賦權(quán)值法融合為一個(gè)綜合紋理信息波段，然后采用面向?qū)ο蠓▽⑵渑c光譜特征信息共同參與分類。與最大似然法的提取結(jié)果對(duì)比表明，考慮了紋理特征的面向?qū)ο蠓诸惙椒苊黠@提高分類精度，Kappa精度提高了0.12；避免了椒鹽現(xiàn)象，分割的地類邊界具有更好的語義表達(dá)，更貼合地物實(shí)際分布特征；建筑用地和林地具有明顯的紋理特征，而旱地紋理特征不明顯。該方法不僅分出了6個(gè)基本地物類型，而且對(duì)于林地、建筑用地等類型還能進(jìn)一步細(xì)分。

紋理；ALOS；土地利用；信息提??；面向?qū)ο蠓诸?；遙感

0 引言

紋理特征是一種重要的空間特征，是高分辨率遙感圖像的重要解譯標(biāo)志［1］。很多實(shí)驗(yàn)證明：在考慮地物光譜特征的基礎(chǔ)上，結(jié)合紋理特征的分類方法能顯著提高土地利用信息提取的精度［2－5］。但如何有效地利用紋理信息以提高地物分類精度尚在探討階段?；叶裙采仃嚪ǎ℅ray Level Co－occurrence Matrix，GLCM）是一種經(jīng)典的紋理分析方法，具有較強(qiáng)的紋理特征鑒別能力［6］，該方法定義了14個(gè)紋理特征量，但若要將其全部提取出來則耗時(shí)很長(zhǎng)。多數(shù)學(xué)者選擇4種紋理特征量：如張伐伐等［7］選擇了均值、熵、局部平穩(wěn)度和對(duì)比度，李智峰等［8］選擇對(duì)比度、相關(guān)性、能量和均值，胡玉福等［9］選擇了對(duì)比度、角二階矩、熵、同質(zhì)度。為盡可能全面地考慮重要紋理特征量同時(shí)減少計(jì)算量，本文以ALOS高分辨率遙感影像為數(shù)據(jù)源，選取了7個(gè)紋理特征量，基于GLCM進(jìn)行紋理信息的提取，并將獲取的光譜和紋理信息融合在一幅圖像中，在此基礎(chǔ)上提取土地利用信息，為國(guó)土資源遙感調(diào)查提供一種可行的分類方案。

1 基于GLCM的紋理信息提取方法

1.1 數(shù)據(jù)源及研究區(qū)概況

本文實(shí)驗(yàn)數(shù)據(jù)源為ALOS影像（圖1，見封3），是3個(gè)多光譜波段（520～600 nm，610～690 nm，760～890 nm）和全色波段（520～770 nm）融合后的3波段圖像，分辨率2.5 m，成像時(shí)間為2010－05－02，圖像經(jīng)過正射校正、圖像增強(qiáng)和裁剪等預(yù)處理。研究區(qū)位于四川瀘州市納溪區(qū)北部（東經(jīng)105°24′55″～105°26′1″，北緯28°50′44″～28°51′33″），氣候溫暖濕潤(rùn)，地貌類型為丘陵與平原，地形切割破碎，人類活動(dòng)頻繁。

1.2 GLCM原理及參數(shù)設(shè)置

灰度共生矩陣P（i，j｜h，θ）是一個(gè)N×N的矩陣（N表示圖像的灰度級(jí)）。P的第（i，j）個(gè)元素值等于灰度級(jí)i和j的兩個(gè)像元沿方向θ步長(zhǎng)為h同時(shí)出現(xiàn)的概率，其中i，j∈［1，N］。P是步長(zhǎng)h和方向θ的函數(shù)，隨著距離h和方向θ的變化，可組合出多個(gè)不同的灰度共生矩陣。

基于GLCM提取紋理特征的影響因素有窗口大小的選擇，步長(zhǎng)h、方向θ及所選用的特征量等。

（1）灰度級(jí)量化。常見的遙感圖像灰度級(jí)有256級(jí)、1 024級(jí)等。在實(shí)際工作中為減少計(jì)算量，常采取壓縮灰度級(jí)的辦法，如將256級(jí)壓縮為64級(jí)、8級(jí)等。

（2）窗口大小的選擇。移動(dòng)窗口大小是影響基于灰度共生矩陣紋理提取的主要因素［2，10］。小窗口能夠反映圖像上紋理特征的細(xì)節(jié)，但窗口過小會(huì)使其包含的紋理信息不完整；大窗口能夠反映地物的輪廓，但窗口過大則會(huì)包含多個(gè)不同紋理基元，造成誤分。本文分別選擇3×3、5×5、7×7、9×9的窗口對(duì)比紋理提取的效果（圖2，見封3），結(jié)果表明：3×3的窗口反映太多細(xì)紋理，而忽略了粗紋理；7×7和9 ×9的窗口只反映了粗紋理，對(duì)細(xì)部結(jié)構(gòu)則較模糊；5 ×5的窗口能較好地兼顧粗細(xì)兩種紋理信息，符合本文需要。

（3）方向。紋理的方向性是紋理圖像的一個(gè)基本特征［11］?？紤]到不同地物紋理特征在方向上的不一致性，本文分別計(jì)算0°、45°、90°、135°共4個(gè)方向上的灰度共生矩陣，并取其均值。

（4）步長(zhǎng)。隨著步長(zhǎng)h的增加，紋理特征逐漸消失。因此，步長(zhǎng)不宜過大。本文實(shí)驗(yàn)證明，選擇步長(zhǎng)為3時(shí)效果最好，即Δx＝Δy＝3。

1.3 紋理特征量的選擇

灰度共生矩陣生成后，即可在此基礎(chǔ)上計(jì)算并提取紋理特征量。考慮到紋理特征量的有效性、各紋理特征量之間的相關(guān)性、信息量及計(jì)算量等因素，本文選擇方差、同質(zhì)性、對(duì)比度、二階距、相異性、熵及相關(guān)性7個(gè)紋理特征量參與紋理信息的提取。

2 基于光譜和紋理特征的分類

2.1 紋理信息的提取

灰度共生矩陣和紋理特征量都是基于單波段信息提取。按照上述方法計(jì)算得到灰度共生矩陣P（灰度級(jí)64級(jí)，5×5窗口，步長(zhǎng)為3，方向?yàn)榫担?。本文?duì)原始圖像3個(gè)波段分別計(jì)算7個(gè)紋理特征量，從而得到21幅紋理特征量。紋理信息的提取是基于python語言編程實(shí)現(xiàn)的。

由于各紋理特征都是從3個(gè)波段的灰度共生矩陣提取得到，因而這些紋理特征圖像之間存在一定程度的信息重疊和相關(guān)性。本文使用主成分分析法對(duì)獲得的21個(gè)特征量進(jìn)行壓縮，得到前5個(gè)主成分紋理特征圖像，共包含了91.94%的信息量，能準(zhǔn)確表達(dá)原來21個(gè)波段所含信息量。這5個(gè)主成分對(duì)各類地物的紋理特征有不同程度的體現(xiàn)。其中，PC1主要體現(xiàn)較粗的紋理信息，PC2和PC3能體現(xiàn)地物的細(xì)部紋理結(jié)構(gòu)，PC1和PC5凸顯建筑物的紋理信息，PC4凸顯林地、湖泊及線性地物（道路等）的邊緣信息。這些紋理信息對(duì)于輔助判別地物類型有重要意義。

2.2 ALOS數(shù)據(jù)的光譜特征變換

考慮遙感圖像各波段間具有較強(qiáng)的相關(guān)性，為減少后續(xù)處理工作的計(jì)算量，對(duì)原始圖像進(jìn)行主成分變換，變換后PC1和PC2的信息量分別為63.20%和35.20%，二者之和能準(zhǔn)確表達(dá)原始圖像3個(gè)波段的信息。

2.3 基于信息量的紋理信息的融合

由于壓縮后的紋理特征圖像數(shù)目依舊較多，若將5個(gè)紋理特征圖像直接參與分類，則計(jì)算量太大且未必能達(dá)到很好的效果。本文利用各個(gè)特征圖像賦予權(quán)重因子，權(quán)重因子為各個(gè)特征圖像所含信息量占5個(gè)紋理信息總量的百分比，然后做波段運(yùn)算，得到一個(gè)包含最大信息量的單波段的綜合紋理特征圖像。計(jì)算公式如下：

其中：b1、b2、b3、b4、b5代表進(jìn)行主成分變換后的5個(gè)紋理特征向量，Texture代表最終的綜合紋理特征圖像。用這種方法融合后的綜合紋理圖像如圖3所示，該方法能將提取的5個(gè)紋理信息波段有機(jī)融合，既減少了計(jì)算量又便于紋理信息和光譜信息的融合。

圖3 由5個(gè)特征圖像融合成的綜合紋理特征Fig.3 The texture feature image fused from five feature images

2.4 紋理特征圖像與光譜信息的融合

由于某些地物類型紋理特征明顯，而有些地物的紋理特征并不明顯，僅考慮紋理特征的分類并不能保證分類精度。本文采用光譜特征和紋理特征相結(jié)合的分類方法，將主成分變換后的光譜信息（2個(gè)波段）和獲取的紋理特征圖（圖3）組合成一幅包含光譜特征和紋理特征的三波段圖像。

2.5 面向?qū)ο蠓诸?/h3>

根據(jù)當(dāng)?shù)貙?shí)際情況，研究區(qū)土地利用類型共劃分為旱地、林地、灌木林、建筑用地、水域和未利用地6類。采用面向?qū)ο蠓▽?duì)包含光譜和紋理特征的圖像進(jìn)行分類。該方法處理的最小單元是影像對(duì)象，分類過程主要分為影像對(duì)象構(gòu)建和對(duì)象分類兩部分，在ENVI EX軟件中完成。

（1）對(duì)象構(gòu)建。據(jù)臨近像素的光譜和紋理特征，采用基于邊緣信息的多尺度分割算法建立影像對(duì)象。在ENVI EX的Feature Extraction模塊下，調(diào)整閾值將圖像分割成“塊”對(duì)象，經(jīng)過多次試驗(yàn)和預(yù)覽設(shè)定最佳閾值。這種考慮了紋理特征的分割算法，使分割的斑塊能夠更好地表達(dá)特定區(qū)域的一致性；經(jīng)過反復(fù)試驗(yàn)，發(fā)現(xiàn)分割尺度為35、合并尺度為95時(shí)分割效果最好（圖4）?？梢钥闯觯紤]了紋理特征的面向?qū)ο蠓指钤趨^(qū)分上述6類地物的基礎(chǔ)上，還能夠?qū)ρ芯繀^(qū)的某些地物類型加以細(xì)分，例如建筑用地可根據(jù)新舊程度繼續(xù)劃分，林地則可根據(jù)林種不同加以細(xì)分等。

圖4 基于光譜信息和紋理信息的面向?qū)ο蠓指钚Ч鸉ig.4 Segmentation map based on spectral information and texture information using object－oriented method

（2）對(duì)象分類。將圖像分割為很多“塊”對(duì)象后，利用研究區(qū)100個(gè)野外采樣點(diǎn)中的60個(gè)采樣點(diǎn)為訓(xùn)練樣本進(jìn)行監(jiān)督分類，得到土地利用信息分類結(jié)果。分類算法為支持矢量機(jī)，核函數(shù)為徑向基核函數(shù)。

3 分類結(jié)果對(duì)比

基于光譜和紋理特征的面向?qū)ο蠓诸惡妥畲笏迫环ǚ诸惤Y(jié)果分別如圖5（見封3）和圖6（見封3）所示。僅考慮光譜特征的最大似然法不易區(qū)分建筑用地和未利用地，但兩者紋理特征有明顯不同，考慮了紋理特征的面向?qū)ο蠓▌t能較好地區(qū)分兩者；而且面向?qū)ο蠓诸惙ū苊饬私符}噪聲，減少了很多無意義小圖斑。另外，最大似然法對(duì)湖泊有小部分錯(cuò)分現(xiàn)象，原因則是有些湖泊的光譜特征與建筑用地類似，并且湖泊邊緣部分容易被單獨(dú)劃分為無意義圖斑。

以研究區(qū)100個(gè)野外實(shí)際采樣點(diǎn)中的另外40個(gè)采樣點(diǎn)作為檢驗(yàn)樣本檢驗(yàn)分類精度。在ERDAS 9.2軟件中分別對(duì)基于光譜和紋理特征的面向?qū)ο蠓诸惙ㄅc最大似然分類法的兩種分類結(jié)果進(jìn)行精度評(píng)價(jià)（表1）。從表1可以看出，考慮紋理特征的面向?qū)ο蠓ǖ姆诸惥缺茸畲笏迫环偟腒appa系數(shù)提高0.12，總體精度提高11.53%；其中，考慮紋理特征的面向?qū)ο蠓诸惙ㄌ崛〉慕ㄖ玫?、旱地、湖泊及未利用地的Kappa系數(shù)都明顯高于最大似然法，而林地和灌木則要遜于最大似然法。

表1 兩種分類方法的分類精度對(duì)比Table 1 The accuracy comparison of object－oriented classification and maximum likelihood classification

4 結(jié)論與討論

本文實(shí)現(xiàn)了高分辨率遙感圖像紋理特征的提取，并將紋理應(yīng)用于圖像分類，取得了較好的效果，獲得以下幾點(diǎn)認(rèn)識(shí)：

建筑用地紋理特征十分明顯，基于紋理特征的面向?qū)ο蠓诸惙軌驅(qū)⒋笃ㄖ玫匕雌浼?xì)部紋理結(jié)構(gòu)分割為性質(zhì)不同的“塊”（多是新舊程度不同或邊界明顯的建筑物），并能將城市中的道路信息提取出來。旱地分布則較凌亂，紋理特征不明顯。湖泊和未利用地的紋理特征值較均一。從原始ALOS圖像上提取的各紋理特征量中，林地的紋理特征并不明顯，但在21個(gè)紋理特征量主成分變換后的第4主成分中，林地呈現(xiàn)粗糙紋理特征且邊界明顯，使之區(qū)別于灌木林。這也說明，紋理信息并非只有從紋理特征量中直接提取出來，也可考慮間接地進(jìn)行紋理特征的處理或變換等其他方式獲取。

與最大似然法相比，考慮了紋理特征的面向?qū)ο蠓诸惙艽蟠筇岣吒叻直媛蔬b感圖像的分類精度，總體精度提高了11.53%，總Kappa系數(shù)提高了0.12。而且考慮了紋理特征的面向?qū)ο蠓诸惙軌蚝芎玫乩脠D像的細(xì)節(jié)特點(diǎn)，避免“同物異譜”和“同譜異物”以及破碎圖斑，分割的地類邊界具有更好的語義表達(dá)，更貼合地物的實(shí)際分布特征。另外，該方法對(duì)于林地、建筑用地等還能進(jìn)一步細(xì)分。

紋理信息參與圖像分類的方法有待進(jìn)一步探討。本文將提取的各類紋理信息進(jìn)行加權(quán)融合后作為一個(gè)單波段參與分類，同時(shí)考慮了光譜和紋理特征，避免了多波段紋理信息參與分類的較大計(jì)算量，又保持了最大信息量。本文獲取的林地紋理特征較明顯，但林地的分類精度并不理想，因此仍需要對(duì)紋理特征參與圖像分類的方法加強(qiáng)探討，更好地發(fā)揮紋理特征優(yōu)勢(shì)。另外，高分辨率遙感圖像中除光譜特征和紋理特征外，地物的幾何信息、陰影等都可參與分類，以提高信息提取精度，故應(yīng)積極探索提高分類精度的其他方法。

［1］ RICHARDS J A.賈秀萍（譯）.遙感數(shù)字圖像分析（第4版）［M］.北京：電子工業(yè)出版社，2009.99－100.

［2］ KABIR S，HE D C，SANUSI M A，et al.Texture analysis of IKONOS satellite imagery for urban land use and land cover classification［J］.Imaging Science，2010，58（3）：163－170.

［3］ OTA，TETSUJI，NOBUYA M，et al.Influence of using texture information in remote sensed data on the accuracy of forest type classification at different levels of spatial resolution［J］.Forest Research，2011，16（6）：432.

［4］ 孫家柄.遙感原理與應(yīng)用［M］.武漢：武漢大學(xué)出版社，2009.170－171.

［5］ 王雷光，劉國(guó)英，梅天燦，等.一種光譜與紋理特征加權(quán)的高分辨率遙感紋理分割算法［J］.光學(xué)學(xué)報(bào)，2009，29（11）：3010－3017.

［6］ HARALIK R M，SHANMUGAM K.Dinstein I Textural features for image classification［J］.IEEE Transactions on Systems，Man and Cybernetics，1973，3（6）：610－621.

［7］ 張伐伐，李衛(wèi)忠，盧柳葉，等.SPOT5遙感影像土地利用信息提取方法研究［J］.西北農(nóng)林科技大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，39（6）：143－147.

［8］ 李智峰，朱谷昌，董泰鋒.基于灰度共生矩陣的圖像紋理特征地物分類應(yīng)用［J］.地質(zhì)與勘探，2011，47（3）：456－461.

［9］ 胡玉福，鄧良基，匡先輝，等.基于紋理特征的高分辨率遙感圖像土地利用分類研究［J］.地理與地理信息科學(xué)，2011，27（5）：42－45.

［10］ 潘潔，李明詩(shī).基于信息量的高分辨率影像紋理提取的研究［J］.南京林業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2010，34（4）：129－134.

［11］ 王震，王執(zhí)銓，茅耀斌.基于紋理方向的描述和對(duì)具有方向性紋理圖像的分類與分割［J］.中國(guó)圖象圖形學(xué)報(bào)，2002，7（12）：1279－1284.

Abstract：High resolution remote sensing images were rich in texture information.ALOS image was classified by spectral and texture characteristics of the land objects in this paper.It aims to find method suitable for extracting land use information from ALOS images.Taking the images of hills area of East Sichuan as example，the texture information extracted based on GLCM method was fused into one band represented the texture information by weighted stack.And the texture band was classified together with the spectral characteristic information by objects－oriented method.The results showed that the object－oriented classification considered texture information improved the classification results evidently and raised the Kappa accuracy by 0.12 compared to the maximum likelihood classification.It avoided the phenomenon of salt and pepper noise.The boundaries of the land objects endowed with better semantic representation were more accurately accorded the spatial distribution of the reality.The building land and forest possessed obvious texture characteristic while the dry land possessed less.In addition，not only can this method classified six basis land use types，but also was able to classified more details to the types of forest and building land.It means that texture information can improve the accuracy of image classification.Object－oriented classification using spectral and textural information is suitable for ALOS images.

Key words：texture；ALOS；land use；information extraction；object－oriented classification；remote sensing

Study on Information Extraction of Land Use from ALOS Image Based on Spectral and Texture Characteristics

LIU En－qin1，2，ZHOU Wan－cun1，ZHOU Jie－ming3，MO Kai－lin4
（1.Chengdu Institute of Mountain Hazards and Environment，Chinese Academy of Sciences，Chengdu 610041；2.Graduate University of Chinese Academy of Sciences，Beijing 100049；3.College of Resource and Environment，Sichuan Normal University，Chengdu 610068；4.Sichuan Academy of Forestry，Chengdu 610066，China）

TP753

A

1672－0504（2012）04－0051－04

2012－03－23；

2012－06－06

中國(guó)科學(xué)院知識(shí)創(chuàng)新工程重大項(xiàng)目“耕地保育與持續(xù)高效現(xiàn)代農(nóng)業(yè)試點(diǎn)工程”（KSCX1－YW－09－01）

劉恩勤（1984－），女，博士研究生，從事遙感與GIS的應(yīng)用研究。E－mail：chelsea.en＠gmail.com