梁曉莉，李利偉，程 鋼，高連如

(1.河南理工大學(xué)礦山空間信息技術(shù)國家測繪地理信息局重點(diǎn)實(shí)驗(yàn)室，河南焦作454000;2.中國科學(xué)院遙感與數(shù)字地球研究所數(shù)字地球科學(xué)重點(diǎn)實(shí)驗(yàn)室，北京100094)

一、引 言

城市化進(jìn)程中欠發(fā)達(dá)村落變化最為劇烈，給城市管理帶來了不便，因此，及時(shí)準(zhǔn)確地掌握這些地區(qū)的信息，有助于城市化的推進(jìn)和政府部門的管理決策。高分辨率遙感影像能夠提供大量豐富的地面信息，能夠更加詳細(xì)地表現(xiàn)城市地物復(fù)雜多樣的形態(tài)和紋理結(jié)構(gòu)。目前，利用高分辨率影像進(jìn)行城市地物信息的自動提取已經(jīng)取得了一定的進(jìn)展。Hofmann利用面向?qū)ο蟮姆诸惙椒?，充分考慮影像對象的光譜、紋理、形狀等信息，實(shí)現(xiàn)了IKONOS影像中居民地的分類［1］。Mayunga等利用蛇算法和徑向投射方法，提出一種半自動建筑物提取方法［2］。郭舟等提出一種面向?qū)ο蠼Y(jié)合兩種分辨率的城市建設(shè)區(qū)提取方法，在低分辨率影像上粗提取，在高分辨率影像上精提取，實(shí)現(xiàn)了QuickBird影像上建設(shè)區(qū)的自動識別和提?。?］。近些年利用形態(tài)學(xué)特征和分類器結(jié)合進(jìn)行高分辨率影像分類的研究也取得了一定的進(jìn)展。Benediktsson等利用形態(tài)學(xué)結(jié)合神經(jīng)網(wǎng)絡(luò)分類方法對IKONOS城市影像進(jìn)行分類，通過DAFE和DBFE算法實(shí)現(xiàn)特征提取和選擇，最終得到較好的分類結(jié)果［4］。Chanussot將提取的DMP特征放入模糊模型中進(jìn)行分類，得到比利用神經(jīng)網(wǎng)絡(luò)分類更好的結(jié)果［5］。欠發(fā)達(dá)村落在高分辨率遙感影像中呈現(xiàn)出復(fù)雜多樣的形態(tài)結(jié)構(gòu)，并且易與其他類型的居民地混淆。目前，關(guān)于這種敏感地物信息提取的研究很少。

紋理特征是一種不依賴于顏色或亮度而反映圖像中同質(zhì)現(xiàn)象的視覺特征［6］，它是物體表面共有的內(nèi)在特性，包含了物體表面結(jié)構(gòu)組織排列的重要信息及它們與周圍環(huán)境的聯(lián)系［7］。因此，紋理特征廣泛應(yīng)用于遙感影像分類。高分辨率遙感影像中常會出現(xiàn)混合像元和不同地物光譜相似的情況，傳統(tǒng)的分類方法只考慮光譜信息，會出現(xiàn)錯(cuò)分、漏分等問題，導(dǎo)致分類精度不高［8］。Zadeh提出模糊集理論，為地物類別的軟劃分提供了強(qiáng)有力的分析工具［9］。模糊分類技術(shù)允許像元在每個(gè)類別中存在一個(gè)隸屬度，從而能夠更好地表示真實(shí)數(shù)據(jù)的不確定性。

本文提出一種將灰度共生矩陣(GLCM)和模糊分類原理相結(jié)合進(jìn)行欠發(fā)達(dá)村落信息提取的方法，并利用京津地區(qū)樣本和圖像進(jìn)行試驗(yàn)驗(yàn)證，結(jié)果表明，該方法能有效區(qū)分欠發(fā)達(dá)村落和其他地物。

二、技術(shù)路線

本研究主要利用GLCM和模糊分類原理進(jìn)行欠發(fā)達(dá)村落信息提取，主要技術(shù)包括3部分:類別體系構(gòu)建與樣本采集、紋理特征提取及模糊分類。具體流程如圖1所示。

1.類別體系構(gòu)建與樣本采集

本文依據(jù)國家土地利用現(xiàn)狀分類標(biāo)準(zhǔn)(GB/T 21010—2007)［10］并結(jié)合研究區(qū)域地物特點(diǎn)進(jìn)行類別體系構(gòu)建。為強(qiáng)調(diào)欠發(fā)達(dá)村落信息及光學(xué)影像中土地利用與覆蓋的內(nèi)部紋理差異，將研究區(qū)地物分為14類，包括林地、草地、交通運(yùn)輸用地、水體、耕地、欠發(fā)達(dá)村落、裸地、工礦廠房用地、公共管理與公共服務(wù)用地、商服用地、混合用地、農(nóng)用設(shè)施用地、高密度低層小區(qū)和低密度低層小區(qū)。本研究旨在提取欠發(fā)達(dá)村落信息，即類別體系中的第6類。構(gòu)建詳細(xì)的類別體系有助于識別易與第6類混淆的類別，構(gòu)建的類別體系見表1。

表1 類別體系

圖1 技術(shù)流程

根據(jù)實(shí)地調(diào)查和專家知識，在構(gòu)建的類別體系下選取300 m×300 m大小的樣本，并將樣本分為訓(xùn)練樣本和驗(yàn)證樣本兩類。

2.GLCM紋理特征提取

特征提取是基于GLCM選取的紋理特征和訓(xùn)練樣本實(shí)現(xiàn)的。特征提取前需要對樣本進(jìn)行預(yù)處理，這里選取G波段將RGB圖像變?yōu)榛叶葓D像。為了減少計(jì)算量，將灰度值的范圍線性壓縮為64(N=26)級。特征提取時(shí)，選取對比度、熵、同質(zhì)性和能量 4 種常用紋理特征，采用 0°、45°、90°、135°這 4 個(gè)方向的均值作為最終特征值，并通過步長1、2、3獲得多尺度紋理特征。利用上述參數(shù)計(jì)算訓(xùn)練樣本在每種紋理下的特征值，并繪制在箱線圖中。據(jù)此得到每種紋理特征區(qū)分第6類與其他類別的能力，從中選出區(qū)分性能好的紋理特征參與分類。4種常用紋理特征的統(tǒng)計(jì)測度與統(tǒng)計(jì)特性參考黃昕關(guān)于高分辨率影像的紋理特征提取的相關(guān)內(nèi)容［11］。

3.模糊分類

模糊分類是接近于神經(jīng)網(wǎng)絡(luò)和概率方法的一種非常強(qiáng)大的軟分類器，是典型的專家分類系統(tǒng)［12］。模糊分類系統(tǒng)主要由3個(gè)步驟構(gòu)成，即模糊化、模糊推理和去模糊化。

模糊化是指將布爾系統(tǒng)轉(zhuǎn)化到模糊系統(tǒng)，為每個(gè)特征值分配一個(gè)［0，1］之間的隸屬度，而隸屬度值由隸屬度函數(shù)來定義［13］。本文通過計(jì)算訓(xùn)練樣本在選擇特征下的直方圖分布來實(shí)現(xiàn)模糊化。對于復(fù)雜的多類識別問題，不同特征的量綱往往不同，一般先對特征進(jìn)行歸一化處理，以解決量綱不同的問題［14］。在每個(gè)特征下檢索所有類別的訓(xùn)練樣本，計(jì)算出樣本的特征值直方圖，并歸一化到［0，1］范圍內(nèi)。為保證離散分布的特征值落在隸屬度函數(shù)范圍內(nèi)，采用一個(gè)預(yù)定義的一維核函數(shù)對歸一化后的直方圖進(jìn)行卷積，以泛化特征空間提高算法精度。模糊推理時(shí)，計(jì)算每個(gè)輸入對象在各個(gè)類別中的模糊隸屬度，這是通過計(jì)算選擇的所有特征值在各類別中的最大隸屬度來確定的。去模糊化時(shí)，首先比較輸入對象在所有類中的隸屬度，然后將具有最大隸屬度的類別賦給該對象。若得到的隸屬度過低則輸入對象的類別難以確定，另外，訓(xùn)練樣本的局限性也會影響算法的推廣。

三、數(shù)據(jù)與試驗(yàn)

1.數(shù)據(jù)和試驗(yàn)設(shè)置

本文選取北京和天津作為研究區(qū)，京津地區(qū)位于我國華北地區(qū)，地物類型豐富多樣，在偏遠(yuǎn)農(nóng)村、郊區(qū)及城市中都散落分布著一定數(shù)量的欠發(fā)達(dá)村落。試驗(yàn)使用的數(shù)據(jù)是借助Google Earth在京津地區(qū)1 m分辨率下獲得的，包括126個(gè)300像素×300像素大小的樣本和兩幅900像素×2100像素大小的影像，其中，樣本又包括45個(gè)訓(xùn)練樣本和81個(gè)驗(yàn)證樣本。

試驗(yàn)中所用的紋理特征是通過計(jì)算45個(gè)訓(xùn)練樣本的特征值并繪制在箱線圖中提取出來的。試驗(yàn)選用第6類的特征描述進(jìn)行分類，在模糊化時(shí)也只對第6類的訓(xùn)練樣本進(jìn)行訓(xùn)練。在所有試驗(yàn)的直方圖計(jì)算中，區(qū)間數(shù)設(shè)為32，卷積運(yùn)算的核函數(shù)設(shè)為［0.05，0.1，0.2，0.3，1，0.3，0.2，0.1，0.05］。為驗(yàn)證算法的有效性和普適性，分別利用81個(gè)驗(yàn)證樣本和截取的兩幅高空間分辨率影像進(jìn)行試驗(yàn)驗(yàn)證。從每個(gè)類別中選取的典型樣本如圖2所示。

圖2 14類典型樣本圖

2.特征提取

試驗(yàn)選取4種常用的紋理特征，并分別計(jì)算每種特征在步長1、2、3下的特征值，共設(shè)計(jì)12組試驗(yàn)進(jìn)行特征提取。將計(jì)算出的特征值放入箱線圖中，在箱線圖中對比不同步長、紋理的特征值分布。通過特征值對比發(fā)現(xiàn)，第6類易于與第1、11、12、14類混淆，其中能最佳區(qū)分第1類和第6類的特征是步長為2和3時(shí)的同質(zhì)性特征，即Hom2和Hom3特征。45個(gè)訓(xùn)練樣本在Hom2和Hom3下的特征值分布如圖3所示。

圖3中步長為2和3時(shí)同質(zhì)性特征箱線圖中矩形盒兩端邊的位置分別對應(yīng)數(shù)據(jù)的上下四分位數(shù)(Q1和Q3)，矩形盒內(nèi)的線段稱為中位線，在Q3+1.5IQR(四分位數(shù)距)和 Q1-1.5IQR 處的兩條線段為異常值截?cái)帱c(diǎn)，稱為內(nèi)限。位于內(nèi)限范圍外的點(diǎn)稱為異常值，下限用“Δ”標(biāo)記，上限用“*”標(biāo)記。

3.試驗(yàn)結(jié)果與分析

(1)試驗(yàn)一

利用81個(gè)驗(yàn)證樣本，以及上述選擇的特征和參數(shù)對算法的有效性進(jìn)行驗(yàn)證。試驗(yàn)利用 Hom2、Hom3、Hom2+Hom3 3組特征進(jìn)行驗(yàn)證，根據(jù)得到的驗(yàn)證樣本的混淆矩陣計(jì)算出生產(chǎn)者精度和用戶精度，據(jù)此對分類結(jié)果進(jìn)行評價(jià)。3組特征的精度分析見表2—表4。

圖3

表2 Hom2分類結(jié)果

表3 Hom3分類結(jié)果

表4 Hom2+Hom3分類結(jié)果

通過對比可知，Hom2得到的精度最高，生產(chǎn)者精度為93.3%，用戶精度為63.6%，第6類中有14個(gè)樣本正確分類，其他類樣本中錯(cuò)分為第6類的僅有8個(gè)。Hom3精度比 Hom2低些，生產(chǎn)者精度為86.7%，用戶精度為 56.5%;Hom2+Hom3 得到與Hom2近似的精度。3組試驗(yàn)中錯(cuò)分類別均為第11、12、14類，這與特征提取時(shí)箱線圖中結(jié)果相符。

(2)試驗(yàn)二

為進(jìn)一步驗(yàn)證算法對大幅圖像的適用性，分別截取兩幅京津地區(qū)900像素×2100像素大小的影像進(jìn)行試驗(yàn)驗(yàn)證。逐塊讀取300像素×300像素大小的影像，然后利用上述算法對讀取的影像塊進(jìn)行處理，從中提取出欠發(fā)達(dá)村落。對隸屬度設(shè)定適當(dāng)?shù)拈撝?，然后輸出分類結(jié)果圖和隸屬度圖，并對分類結(jié)果進(jìn)行分析。

圖4為兩幅影像的分類結(jié)果，分類結(jié)果圖中，白色塊為識別出的欠發(fā)達(dá)村落，黑色為其他地物類型，對應(yīng)的隸屬度圖中影像塊越亮隸屬度越高。通過對上述兩幅影像的分類結(jié)果和隸屬度分析可知，Img1中除了第2塊(虛線方框中)錯(cuò)分為第6類外，其他欠發(fā)達(dá)村落塊均能正確識別出來，且錯(cuò)分的第2塊隸屬度不高。Img2中欠發(fā)達(dá)村落均能區(qū)分出來，第5塊(白色方框中)因包含了部分道路信息隸屬度不高。另外，在欠發(fā)達(dá)村落與其他地物混淆的邊緣部位區(qū)分性不太好，這與算法中欠發(fā)達(dá)村落(第6類)易與混合地物(第11類)錯(cuò)分的情況一致。

從分類結(jié)果可知，Img1中共有5塊欠發(fā)達(dá)村落，其中有4塊能正確分類;Img2中共5塊欠發(fā)達(dá)村落，且所有塊均能正確識別出來，兩幅影像的精度分析見表5。

圖4 高分辨率影像分類結(jié)果圖

表5 影像分類精度

四、結(jié)束語

本文提出一種將GLCM紋理特征和模糊分類原理相結(jié)合提取高分辨率光學(xué)影像中欠發(fā)達(dá)村落信息的方法，并借助IDL語言編碼實(shí)現(xiàn)。試驗(yàn)選取京津地區(qū)1 m分辨率下126個(gè)300像素×300像素大小的影像，并設(shè)計(jì)試驗(yàn)驗(yàn)證了方法的可行性和有效性。試驗(yàn)表明，該算法在同質(zhì)性特征下最高精度可達(dá)93.3%，且對于大范圍影像也具有較好的適用性。算法的主要困難在于欠發(fā)達(dá)村落與其他類型居民住宅的區(qū)分及混合邊界地區(qū)的信息提取。該算法比較靈活，利用特征描述就可以達(dá)到較好的分類結(jié)果，并且僅對欠發(fā)達(dá)村落樣本進(jìn)行訓(xùn)練，避免了其他地物的干擾。算法涉及的技術(shù)流程和試驗(yàn)設(shè)計(jì)能夠?yàn)橄嚓P(guān)領(lǐng)域研究提供參考依據(jù)。

下一步將會利用更大范圍影像對算法進(jìn)行測試，并考慮不同成像條件對算法的影響。為有效實(shí)現(xiàn)所有類別信息的自動提取，算法將進(jìn)一步建立所有地物類型的樣本庫，并為每種地物選擇最佳的尺度和特征組合進(jìn)行分層分析，從而提高算法的精度和普適性。

［1］HOFMANN P.Detecting Informal Settlements from IKONOS Image Data Using Methods of Object Oriented Image Analysis—An Example from Cape Town(South Africa)［C］∥Remote Sensing of Urban Areas/Fernerkundung in Urbanen R?uman.Regensburg:Geographische Schriften，2001:107-118.

［2］MAYUNGA S D，COLEMAN D J，ZHANG Y.A Semiautomated Approach for Extracting Buildings from Quick Bird Imagery Applied to Informal Settlement Mapping［J］.International Journal of Remote Sensing，2007，28(10):2343-2357.

［3］郭舟，杜世宏，張方利.基于高分辨率遙感影像的城市建設(shè)區(qū)提?。跩］.北京大學(xué)學(xué)報(bào):自然科學(xué)版，2013(4):1-8.

［4］BENEDIKTSSON J A，PESARESI M，ARNASON K.Classification and Feature Extraction for Remote Sensing Images from Urban Areas Based on Morphological Transformations［J］.IEEE Transaction on Geoscience and Remote Sensing，2003，41(9):1940-1949.

［5］CHANUSSOT J，BENEDIKTSSON J A，F(xiàn)AUVEL M.Classification of Remote Sensing Images from Urban Areas U-sing a Fuzzy Possibilistic Model［J］.IEEE Geoscience and Remote Sensing Lettes，2006，3(l):40-44.

［6］SMITH J R，CHANG S F.Automated Binary Texture Feature Sets for Image Retrieval［C］∥IEEE International Conference on Acoustics Speech and Signal Processing.Atlanta:［s.n.］，1996.

［7］HARALICK R M，SHANMUGAM K，DINSTEIN I.Textural Features for Image Classification［J］.IEEE Trans on Systems，Man and Cybernetics，1973，3(6):610-621.

［8］SHACKELFORD A K，DAVIS C H.A Hierarchical Fuzzy Classification Approach for High-Resolution Multispectral Data Over Urban Areas ［J］.IEEE Transaction on Geoscience and Remote Sensing，2003，41(9):1920-1932.

［9］ZADEH L A .Fuzzy Sets［J］.Information and Control，1965，8(l):338-353.

［10］中華人民共和國國家質(zhì)量監(jiān)督檢驗(yàn)檢疫總局，中國國家標(biāo)準(zhǔn)化管理委員會.GB/T 21010—2007土地利用現(xiàn)狀分類［S］.北京:國土資源部，2007.

［11］黃昕.高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯浚跠］.武漢:武漢大學(xué)，2009.

［12］顏宏娟.面向?qū)ο蟮倪b感影像模糊分類方法研究［D］.西安:西安科技大學(xué)，2008.

［13］BENZ U C，HOFMANN P，WILLHAUCK G，et al.Multiresolution，Object-oriented Fuzzy Analysis of Remote Sensing Data for GIS-ready Information ［J］.ISPRS Journal of Photogrammetry＆ Remote Sensing，2004(58):239-258.

［14］李煒，黃心漢，陳曦.一種基于模式類特征空間統(tǒng)計(jì)分布的離散模糊隸屬度函數(shù)模型［J］.信號處理，2004，20(2):170-173.