潘　遠，王　卿

（1.華東交通大學土木建筑學院，江西南昌330013；2.中國瑞林工程技術(shù)有限公司建筑設(shè)計研究院，江西南昌330031）

?

結(jié)合粗糙集約簡的紋理特征影像分類

潘遠1，王卿2

（1.華東交通大學土木建筑學院，江西南昌330013；2.中國瑞林工程技術(shù)有限公司建筑設(shè)計研究院，江西南昌330031）

摘要：基于光譜特征的影像分類精度過低，不能滿足生產(chǎn)的需要，所以研究利用其他輔助手段來提高遙感影像的分類成為未來發(fā)展的一個重要方向。使用灰度共生矩陣對研究影像進行紋理特征提取，得到8種紋理特征，然后利用粗糙集約簡中的遺傳算法對8種紋理特征進行紋理特征選擇，最后得到一組最優(yōu)組合；利用這一最優(yōu)組合與原始影像融合產(chǎn)生新的影像，對新影像進行分類。通過實驗對比分析證明，約簡后的紋理特征輔助光譜特征分類能夠提高遙感影像分類的準確性和精度。

關(guān)鍵詞：粗糙集；約簡；紋理特征；分類

在遙感圖像分類研究中，通常把多光譜信息作為特征進行分類，但地物反射光譜特征非常復(fù)雜，受其它因素如含水性等的影響較大，而紋理主要反映了地物的影紋結(jié)構(gòu)及其表面的粗糙度，因而紋理特征已經(jīng)被逐漸應(yīng)用于圖像分類中[1]。

在遙感圖像的分類過程中加入紋理信息是提高圖像分類精度的重要方法之一[2]。灰度共生矩陣是一種用來分析圖像紋理特征的重要方法，通過計算圖像中有一定距離和一定方向的兩點灰度之間的相關(guān)性，來反映圖像在方向、間隔、變化幅度及快慢上的綜合信息[3]。由于紋理特征的多樣性，如果過多的加入紋理特征會影響分類的精度。粗糙集理論中的屬性約簡，可以去除冗余屬性及描述知識規(guī)則。

本文提出一種利用粗糙集約簡中的遺傳算法對遙感影像紋理特征進行選擇，利用選擇的紋理特征參與影像分類。以浙江省寧波市北侖區(qū)為研究區(qū)來驗證該方法的有效性，首先利用灰度共生矩陣（GLCM）方法提取紋理特征，再利用粗糙集約簡獲取的紋理特征約簡，通過約簡得到一組最佳紋理特征組合，利用該組合進行遙感影像分類。

1　紋理特征提取

1.1研究區(qū)域

本文研究區(qū)域為浙江省寧波市江北區(qū)，該區(qū)域大小為926×716像元，進行分類試驗。根據(jù)光譜特征及紋理特征，通過目視解譯，影像主要可以分為水體、植被、房屋建筑、在建工地、道路、田埂共6類。如圖1所示為原始遙感影像。

1.2灰度共生矩陣的紋理特征提取

影像的紋理分析是從20世紀70年代發(fā)展起來的一門技術(shù)?；诨叶裙采仃囂崛〖y理特征的方法是一個經(jīng)典的統(tǒng)計分析方法，對它的研究已經(jīng)有了很久的歷史，被公認為當今的一種重要的紋理分析方法[4]。根據(jù)研究區(qū)域的特點，本文中用灰度共生矩陣方法來提取影像的紋理特征。

基于影像灰度共生矩陣的紋理特征提取算法如下[5]:

1）提取灰度圖像。將圖1中的3波段遙感影像提取為單個波段的灰度影像，即得到Band 1、Band 2、Band 3這3個波段的灰度影像。

然后，分別對研究區(qū)域中每個波段的灰度影像進行數(shù)據(jù)統(tǒng)計，主要統(tǒng)計最小值、最大值、均值以及方差。得到的數(shù)據(jù)見表1。從表中的統(tǒng)計分析數(shù)據(jù)可以看出，該影像各波段信息具有以下主要特點：從影像代表的信息量角度對比，波段2影像的平均值和方差值最大，說明該波段的信息量最豐富。因此本實驗中用波段2進行紋理特征提取。

圖1　原始遙感影像Fig.1 Original remote sensing image

表1　數(shù)據(jù)統(tǒng)計特征Tab.1 Statistical characteristics

2）灰度級量化。由于求共生矩陣的計算量較大，為節(jié)省計算時間，一般將灰度級量化，如256級灰度量化8級灰度。經(jīng)過量化后的影像雖有失真，但對紋理特征影響不大。本實驗中將其量化為16級灰度。

3）紋理特征的生成。將整個影像以3×3大小或5×5大小的窗口劃分為若干小窗口影像，然后計算每個小窗口的共生矩陣和紋理特征值，把計算出的紋理特征值賦給窗口的中心點，依次類推直至整個影像的灰度值都計算出來。得到的紋理特征如圖2。從圖2中我們可以看出:紋理特征的角二階矩的對比較大，水域在影響上用肉眼就能很好的區(qū)分，而其他的地物特征用肉眼很難區(qū)分開；相關(guān)性紋理特征影像對比度不高，用肉眼很難區(qū)分地物。

圖2　各紋理特征影像Fig.2 Texture feature of each image

2　遺傳約簡算法及特征選擇

在沒有足夠先驗知識的情況下，可以將紋理特征和光譜特征一起分類來提高分類精度[6]。如果將所有的紋理特征都參與分類易造成數(shù)據(jù)的冗余、過度擬合、訓練時間長甚至降低分類精度。因此，到底選取哪些特征值參與分類即可以提高分類精度訓練速度也不延緩是我們需要解決的問題。粗糙集（Rough Set）中的約簡理論可以通過屬性約簡挑選出有用的屬性特征，去除多余的屬性并且可以描述知識規(guī)則。本文利用粗糙集約簡中的遺傳算法（Genetic Algorithm）選取有用的紋理特征，并參與遙感影像的分類，從而提高分類的精度。

2.1遺傳算法的基本流程

遺傳約簡算法的基本流程如下[7]：

1）初始化：設(shè)置遺傳的最大迭代數(shù)T和迭代計數(shù)器t=0，隨機初始化N種個體的群體P（t）。

2）個體評價：在群體P（t）中用適應(yīng)度函數(shù)計算每個個體的適應(yīng)值。

3）選擇運算：選擇算子的目的是把較差的個體淘汰，而較優(yōu)秀的個體不發(fā)生變化保留至下一代。依據(jù)發(fā)生的概率大小決定哪些個體被選出，生成用于繁殖的交配池。

4）交叉運算：交叉算子的目的是保持群體的多樣性，通過對父代的等位基因片段交換從而產(chǎn)生新的個體。交叉算子在遺傳算法中起核心作用，好的交叉算子能夠防止遺傳算法“早熟”的產(chǎn)生。

5）變異運算：變異算子的目的與交叉算子相似，也可以用來保持群體的多樣性，在遺傳操作的后期好的變異算子有助于遺傳算法的收斂。它是通過將群體中某個個體的等位基因做取反來實現(xiàn)。

P（t）經(jīng)過遺傳操作后循環(huán)進入下一代P（t+1）。

6）算法的終止條件：如果遺傳算法的最大適應(yīng)度值經(jīng)過N代都不再改變，那么認為遺傳算法已經(jīng)找到全局最優(yōu)解，即可以停止。

2.2紋理特征的選擇

利用灰度共生矩陣共產(chǎn)生8種紋理特征，將原始影像的3個波段和8種紋理特征組合共有11種屬性，通過遺傳約簡算法，得到一組最佳組合{Band1，Band2，Band3，Variance，Contras}，其中Variance為方差，Contras為對比度利用得到的最佳組合對影像進行分類。

3　分類結(jié)果及評價

通常利用紋理特征參與遙感影像分類主要有3種方法：①直接使用紋理分類；②先用光譜特征分類，再對不易提取的地物結(jié)合紋理特征進一步劃分；③紋理特征輔助遙感影像分類。本文使用第3種方法，將約簡后的紋理特征影像與光譜特征影像融合為一幅新影像再進行分類。為了評價基于約簡后紋理特征輔助影像分類的效果，本文采用基于光譜特征、基于光譜特征+紋理特征、基于光譜特征+約簡后紋理特征這3種方法對影像用最大似然法進行分類。綜上所述，本文的實驗操作流程如圖3。在進行選擇樣本時，考慮到不同地形條件下對同一類型的采樣。

3 .1基于光譜特征的分類結(jié)果

光譜特征在多光譜遙感影像中是地物識別中最直接，也是最重要的解譯元素,地表面的各種地物由于物質(zhì)組成和結(jié)構(gòu)不同而具有獨特的波譜反射和輻射特性[8]。在圖像上表現(xiàn)為各類地物灰度值的差異，因此根據(jù)不同地物灰度值不同來識別不同的地物。對基于光譜特征的圖像進行最大似然分類。分類結(jié)果如圖4所示。

圖3　技術(shù)流程圖Fig.3 Technical flowchart

3.2基于光譜特征與紋理特征結(jié)合的分類結(jié)果

當?shù)匚锏墓庾V信息比較接近時，只用光譜特征進行分類效果不是很好。利用紋理特征信息參與對于區(qū)分地物可能會起到積極作用。在沒有足夠先驗知識的情況下，可以將紋理特征和光譜特征一起分類來提高分類精度[9]。

為了更好的進行對比分析，本實驗中采用基于光譜特征和8種紋理特征結(jié)合、基于光譜特征和任意紋理特征結(jié)合及基于粗糙集約簡后的紋理特征與光譜特征相結(jié)合等方式進行分類，仍然采用最大似然法對圖像進行分類。

基于光譜特征和任意紋理特征組合的波段分別為Band1，Band2，Band3，Contrast波段組合，Band1，Band2，Band3，Dissimilarity其中Dissimilarity為非相似性波段組合。

通過遺傳算法約簡，本實驗中得到最佳組合為Band1，Band2，Band3，Variance，Contrast這5個波段融合在一起進行分類。顯示基于約簡后的分類影像如圖5所示。

圖4　原始波段分類影像Fig.4 Image of original band classification

圖5　約簡后的分類影像Fig.5 Classification of the image after reduction

從圖4，圖5可以看出，由于水體與道路的灰度值存在一定的交叉性，圖4分類結(jié)果中水體的分類中包含了較多道路的分類屬性；而利用約簡后組合方法圖5中水體的分類精度有所提高，同樣植被的分類精度也明顯提高。

3.2.1分類結(jié)果評價

為了對分類結(jié)果的精度進行評價與比較，本文中利用ENVI軟件對分類影像建立混淆矩陣，計算相關(guān)指標進行評價。得到的分類精度如表2～表4所示。

表2　基于光譜特征的分類精度評價Tab. 2 Classification accuracy assessment based on spectral feature

表3　光譜特征與8種紋理特征結(jié)合的分類精度評價Tab. 3 Classification accuracy assessment based on combination of spectral feature and 8 kinds of texture feature

表4　約簡后的光譜特征與紋理特征的分類精度評價Tab. 4 Classification accuracy assessment after reduction of spectral feature and texture feature

由表5可知，基于約簡后的光譜特征與紋理特征的分類精度是最高的，分類精度達到了94.25%，比其他組合方法的分類精度都高，其中比基于多光譜影像的分類精度高出了3.01%，比加入其他組合的紋理特征分類精度也有所提升。實驗證明，基于遺傳約簡的算法參與影像分類以提高影像的分類精度是有效的。

表5　各組合方法的分類精度比較Tab.5 Classification accuracy comparison of each method

4　總結(jié)

本文利用粗糙集約簡的方法進行紋理特征選擇，從生成的紋理特征中選擇出最佳的紋理特征組合，用于輔助遙感影像分類。實驗證明此方法是有效的。

參考文獻：

[1]華媛媛.紋理信息在遙感圖像分類中的應(yīng)用與研究[D].西安：西安科技大學，2009.

[2]李培軍，李爭曉.三種地統(tǒng)計學圖像紋理用于遙感圖像分類的比較[J].地理與地理信息科學，2003，19（4）：89－92.

[3]鄭淑丹，鄭江華.基于分形和灰度共生矩陣紋理特征的種植型藥用植物遙感分類[J].遙感學報，2014，18（4）：868－886.

[4]楊玉靜，于彥偉，馮建輝.紋理特征輔助遙感影像分類技術(shù)的探討[J].測繪與空間地理信息，2008，31（6）：82－85.

[5]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].北京測繪，2007（3）：19－22.

[6]劉新華，舒寧.紋理特征在多光譜遙感影像分類中的應(yīng)用[J].測繪信息與工程，2006，31（3）：31－32.

[7]張煒.基于遺傳算法的屬性約簡方法在股票預(yù)測中的應(yīng)用研究[D].長沙：湖南大學，2013.

[8]于明國.遙感影像特征解譯在電網(wǎng)工程的應(yīng)用探討[J].電力技術(shù)經(jīng)濟，2009，21（6）：64-67.

[9]劉新華，舒寧.紋理特征在多光譜遙感影像分類中的應(yīng)用[J].測繪信息與工程，2006，31（3）：31－32.

（責任編輯姜紅貴）

Image Classification of Texture Feature Combined with Rough and Intensive Reduction

Pan Yuan1，Wang Qing2
（1. School of Civil Engineering and Architectural，East China Jiaotong University，Nanchang 330013；2. Architectural Design and Research Institute of China Nerin Engineering Co., Ltd.，Nanchang 330031，China）

Abstract：Owing to the fact that low image classification accuracy of spectral characteristics can't meet the needs of production, it becomes an important direction to adopt other auxiliary means for improving classification of remote sensing image. This study used the gray level co-occurrence matrix to extract texture features of the researched images, and then obtained 8 kinds of texture features. Taking advantage of the genetic algorithm of rough and intensive reduction, it proposed a set of optimal combination. New images were created and classified by uniting the optimal combination and the original images. The experiment comparison and analysis showed that the classification of spectral characteristics with the reduction of texture features could improve the accuracy and precision of remote sensing image classification.

Key words：rough set; reduction; texture; classification

作者簡介：潘遠（1988—），女，助理工程師，研究方向為攝影測量與遙感。

基金項目：華東交通大學鐵路環(huán)境振動與噪聲教育部工程研究中心資助（15TM05）

收稿日期：2015－09－06

文章編號：1005-0523（2016）01-0083-06

中圖分類號：P237

文獻標志碼：A