結(jié)合多尺度紋理特征的遙感影像面向?qū)ο蠓诸?/h1>
2016-06-21 07:53:35彭道黎黃國勝王雪軍
測(cè)繪工程 2016年7期
林 雪，彭道黎，黃國勝，王雪軍
(1.北京林業(yè)大學(xué) 林學(xué)院，北京 100083;2.國家林業(yè)局調(diào)查規(guī)劃設(shè)計(jì)院，北京 100714)
?
結(jié)合多尺度紋理特征的遙感影像面向?qū)ο蠓诸?/p>
林雪1，彭道黎1，黃國勝2，王雪軍2
(1.北京林業(yè)大學(xué) 林學(xué)院，北京 100083;2.國家林業(yè)局調(diào)查規(guī)劃設(shè)計(jì)院，北京 100714)
摘要：地物具有多尺度的特點(diǎn)，單一尺度難以準(zhǔn)確描述遙感影像包含的地物紋理信息。利用我國自行研發(fā)的高分一號(hào)遙感影像數(shù)據(jù)，采用灰度共生矩陣對(duì)第一主成分進(jìn)行紋理特征提取，利用Jeffries-Matusit距離選擇多尺度組合，并通過單一紋理結(jié)合多光譜數(shù)據(jù)的分類精度，以及紋理特征間的相關(guān)性，最終選擇多尺度紋理特征組合進(jìn)行面向?qū)ο蠓诸悺Ｑ芯拷Y(jié)果表明：結(jié)合多尺度紋理特征組合的面向?qū)ο驡F-1影像分類能有效提取地物信息，總體分類精度達(dá)到81.75%，Kappa系數(shù)0.78。
關(guān)鍵詞：多尺度紋理特征；面向?qū)ο蠓诸?；高分一?hào)
高分一號(hào)(GF-1)衛(wèi)星是我國高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)天基系統(tǒng)中的首發(fā)星，其全色波段分辨率達(dá)到2 m，同時(shí)也是我國首顆設(shè)計(jì)、考核壽命要求大于5年的低軌衛(wèi)星。作為主業(yè)務(wù)，GF-1衛(wèi)星首先將在國土資源、環(huán)保、農(nóng)業(yè)等方面發(fā)揮作用[1]。目前針對(duì)GF-1數(shù)據(jù)學(xué)者們開展了許多研究，郭會(huì)敏等利用GF-1全色及多光譜影像開展影像融合試驗(yàn)[2]；劉書含等提出了一種基于分水嶺分割的GF-1多光譜遙感數(shù)據(jù)的面向?qū)ο蠓诸惙椒╗3]；陳金鳳等基于GF-1數(shù)據(jù)，結(jié)合典型植被光譜特征通過面向?qū)ο蠓诸愄崛×藵竦氐湫椭脖活愋托畔4]。
近年來高空間分辨率遙感影像發(fā)展迅速，更高的空間分辨率意味著更豐富的地物結(jié)構(gòu)與形狀信息、更清晰的紋理特征。已有研究表明，將紋理特征應(yīng)用于高分辨率影像分類中可以顯著提高分類精度[5]。然而地物具有多尺度性，單一尺度的紋理特征很難滿足不同地類之間的分類需求，在此基礎(chǔ)上學(xué)者通過提取多尺度紋理進(jìn)行遙感影像分類研究：張亮等通過選擇最佳紋理尺度組合，利用決策樹對(duì)IKONOS影像光譜數(shù)據(jù)和多尺度紋理數(shù)據(jù)進(jìn)行分類，精度較光譜數(shù)據(jù)分類和結(jié)合單尺度紋理數(shù)據(jù)分類提高分別為11.2%和6%[6]；劉友山等、謝麗軍等分別用主成分分析法(PCA)和核主成分分析法(KPCA)結(jié)合多尺度紋理，并通過決策樹對(duì)IKONOS影像進(jìn)行分類，均取得了良好的效果[7-8]；陳晨等通過結(jié)合多尺度紋理和光譜信息的支持向量機(jī)(SVM)高分辨率遙感影像分類，分類總體精度達(dá)到83.9%[9]。
目前針對(duì)GF-1影像的紋理特征研究尚未見到報(bào)道，同時(shí)在多尺度紋理特征研究方面，將多尺度紋理特征與面向?qū)ο蠓诸惤Y(jié)合的應(yīng)用也甚為少見。面向?qū)ο蠓诸愖鳛槟壳皬V為推崇的分類方法，突破了傳統(tǒng)分類以象元為單位、分類結(jié)果破碎化程度高、“椒鹽現(xiàn)象”嚴(yán)重的問題，通過多尺度分割得到多個(gè)相鄰象元組成的對(duì)象，可利用對(duì)象的灰度信息、紋理信息、幾何信息等多元信息實(shí)現(xiàn)對(duì)目標(biāo)地物的提取。因此本文基于GF-1數(shù)據(jù)，通過結(jié)合多尺度紋理特征組進(jìn)行面向?qū)ο蠓诸?，旨在探究多尺度紋理特征在面向?qū)ο蠓诸惣夹g(shù)中應(yīng)用效果。
1數(shù)據(jù)來源及預(yù)處理
本次研究試驗(yàn)數(shù)據(jù)為2014年5月21日的遼寧省朝陽市GF-1影像，包括空間分辨率2 m的全色波段數(shù)據(jù)和8 m的多光譜數(shù)據(jù)。經(jīng)緯度范圍120°29′～120°33′E、41°26′～41°29′N，研究范圍為5 km×5 km矩形區(qū)域。按照國家級(jí)土地利用與覆被分類系統(tǒng)[10]，研究區(qū)土地覆蓋類型包括耕地、林地、城鄉(xiāng)工礦居民用地、未利用地4個(gè)一級(jí)地類，林地地類包含有林地、灌木林地、園地有林地3個(gè)二級(jí)地類，有林地地類中包含針葉林、闊葉林、混生林3個(gè)三級(jí)地類。
影像數(shù)據(jù)在正射校正的基礎(chǔ)上，以1∶5萬數(shù)字正射影像(DOM)數(shù)據(jù)作為參考對(duì)高分辨率全色影像進(jìn)行糾正，而后使用糾正好的高分辨率數(shù)據(jù)對(duì)低分辨的多光譜數(shù)據(jù)進(jìn)行配準(zhǔn)。通過影像像素級(jí)融合將全色波段豐富的空間信息與多光譜波段的色彩信息結(jié)合，融合方法采用目前針對(duì)高分辨影像融合普遍認(rèn)可的Pansharp融合算法[11]。
2研究方法
2.1多尺度紋理特征提取
紋理特征作為反映影像同質(zhì)現(xiàn)象的視覺特征，其包含了物體表面結(jié)構(gòu)組織排列規(guī)律和物體之間空間關(guān)聯(lián)的重要信息，是物體表面共有的內(nèi)在特征[12]。1973年Haralick首先提出灰度共生矩陣(GLCM)，廣泛的研究表明GLCM在將灰度值轉(zhuǎn)為紋理信息的應(yīng)用上具有很好的效果，已成為目前普遍認(rèn)可的紋理計(jì)算方法。GLCM基于圖像灰度值之間二階聯(lián)合條件概率密度構(gòu)建矩陣計(jì)算圖像中任意兩點(diǎn)間灰度的空間相關(guān)特性，常用的8個(gè)紋理特征統(tǒng)計(jì)量為均值(Mean，ME)、方差(Variance，VAR)、協(xié)同性(Homogeneity，HOM)、對(duì)比度(Contrast，CON)、相異性(Dissimilarity，DIS)、熵值(Entropy，ENT)、二階矩(Second Moment，SM)、相關(guān)性(Correlation，COR)。本研究對(duì)PCA(主成分分析)變換后的第一主成分通過GLCM進(jìn)行紋理分析，采用3×3，5×5，7×7，……，17×17梯度窗口大小、步長為1、移動(dòng)方向45°多尺度提取上述8個(gè)常用紋理特征。
J-M (Jeffries-Matusita)距離用于表示類別間可分離性，其計(jì)算式
式中：Vi和Vj分別為第i類和第j類的協(xié)方差矩陣；Mi和Mj分別為第i類和第j類的光譜均值向量。對(duì)于n個(gè)類型之間的可分性度量，各類型間的平均J-M距離定義為
式中：n是選定訓(xùn)練區(qū)的類型數(shù)；Pi，Pj分別是第i類和第j類的先驗(yàn)概率。從而將第i類平均J-M距離定義為
根據(jù)J-M平均距離式，在各類地物中選取訓(xùn)練樣本，得到平均J-M距離隨紋理尺度的變化(見圖1)。
由圖1可見隨著紋理窗口大小的改變，各地類平均可分性明顯變化，在窗口大于13×13后趨于平穩(wěn)。其中以紋理窗口為5×5時(shí)，8個(gè)地類總體平均可分性最大，因此用于單一尺度紋理特征分類的窗口可選擇為5×5。然而各地類平均可分性最大值并不是都在5×5紋理窗口出現(xiàn)，僅有耕地、城鄉(xiāng)工礦居民用地、未利用地在5×5窗口表現(xiàn)出最大可分性，灌木林地、園地則在11×11窗口；針葉林、闊葉林地類為9×9窗口大小、混生林地類為7×7窗口大小。因此，本文在面向?qū)ο蠓诸愔懈鲗哟芜x用紋理特征尺度如圖2所示。
2.2面向?qū)ο蠓诸?/p>
面向?qū)ο蠓诸愂且环N智能化的影像分析方法，其分類單元不再是單個(gè)像素，而是通過圖像分割后由若干個(gè)像素組成的像素群，即目標(biāo)對(duì)象[13]。目標(biāo)對(duì)象比單個(gè)像素更具有實(shí)際意義，特征的定義和分類均是基于目標(biāo)對(duì)象進(jìn)行的。通常面向?qū)ο蟮姆诸惙椒ò▋蓚€(gè)步驟：多尺度分割和面向?qū)ο筇卣魈崛?。本文采用eCoginition Developer 8.6的多尺度分割方法，主要參數(shù)包括分割尺度(scale)、光譜因子(color)、形狀因子(shape)、光滑度(smoothness)、緊密度(compactness)。
圖1 各地類平均可分性隨紋理尺度變化圖
圖2 面向?qū)ο蟾鞣诸悓哟渭y理尺度
ESP(EstimationofScaleParameters是用于輔助選擇最佳分割尺度的工具,LV(Local Variance)用于表示分割結(jié)果內(nèi)的標(biāo)準(zhǔn)差，反映分割對(duì)象內(nèi)的均質(zhì)性，而LV的變化所對(duì)應(yīng)的尺度閾值不易于從圖形上觀察到，于是引入了 ROC(rate of change)：
式中:ScaleL代表 LV 所在的尺度，而ScaleL-1代表低于LV一個(gè)梯度的尺度。本研究ESP計(jì)算結(jié)果如圖3所示，其中ROC的峰值代表可能的最佳尺度，對(duì)所有的ROC峰值的分割尺度進(jìn)行分割試驗(yàn)，通過針對(duì)各層的特征選取對(duì)應(yīng)的最佳分割尺度，在本研究中尺度選擇為LEVEL1(82)、LEVEL2(63)、LEVEL3(47)、LEVEL4(29)。
確定分割參數(shù)后，通過反復(fù)大量試驗(yàn)，最終確定光譜因子、形狀因子、光滑度、緊密度等參數(shù)，建立本研究的多尺度分割層次見圖4。
面向?qū)ο蠓诸惒捎米钹徑ǚ诸惼?，在分類?duì)象特征中選用上文提取的多尺度紋理，并從所有地類中抽取約一成面積的樣本圖斑進(jìn)行外業(yè)實(shí)地核實(shí)，以此樣本作為相對(duì)真值與面向?qū)ο蠓诸惤Y(jié)果建立基于面積的混淆矩陣，評(píng)估指標(biāo)包括總體精度、生產(chǎn)者精度、使用者精度及Kappa系數(shù)。
圖3 ESP工具計(jì)算結(jié)果
圖4 多尺度分割效果
3結(jié)果與分析
本文通過灰度共生矩陣提取多尺度及單尺度的8種類型紋理特征，產(chǎn)生較大的數(shù)據(jù)量同時(shí)部分紋理特征間具有相關(guān)性，若直接將8種紋理特征全部進(jìn)行分類運(yùn)算，不但增加運(yùn)算時(shí)間，而且未必能達(dá)到最好的分類效果。因此將提取的8種紋理特征分別與多光譜組合進(jìn)行面向?qū)ο蠓诸?，并與僅用多光譜影像分類結(jié)果進(jìn)行比較，分類結(jié)果總體精度和kappa系數(shù)見表1。
表1 8種紋理特征與多光譜組合面向?qū)ο蠓诸惤Y(jié)果精度
由表1可見，在單尺度紋理特征中，添加VAR、CON、ENT、COR紋理特征的分類精度低于僅用多光譜分類的總體精度75.76%，說明并不是所有紋理特征在面向?qū)ο蠓诸愔卸寄苡行岣哂跋窨傮w分類精度。在能有效提高總體分類精度的ME、HOM、DIS、SM紋理特征中，ME紋理較僅用多光譜分類結(jié)果在總體精度上提高了約1.4%，增益效果最為顯著。在多尺度紋理特征方面，添加CON、COR紋理特征的總體分類精度分別為75.73%、75.29%，低于僅用多光譜影像分類的總體精度75.76%，而添加其余多尺度紋理特征的分類結(jié)果總體精度均高于75.76%，說明ME、VAR、HOM、DIS、ENT、SM多尺度紋理特征均能提高影像分類精度。對(duì)比單尺度與多尺度紋理，各多尺度紋理特征分類結(jié)果精度較單尺度紋理均有小幅提高，其中VAR、ENT紋理特征在單尺度應(yīng)用中分類精度低于多光譜分類精度，而在多尺度應(yīng)用中分類精度分別達(dá)到76.12%、76.30%，說明VAR、ENT紋理對(duì)尺度較為敏感，多尺度紋理能夠提高紋理在分類中的應(yīng)用效率。根據(jù)上述分析，選擇ME、HOM、DIS、SM作為單尺度紋理組合，ME、VAR、HOM、DIS、ENT、SM作為多尺度紋理組合，并進(jìn)行相關(guān)性分析見表2。
表2 紋理特征相關(guān)性分析表
相關(guān)性較高的兩個(gè)或多個(gè)紋理特征同時(shí)參與分類會(huì)造成數(shù)據(jù)冗余，增加分類運(yùn)算時(shí)間，因此需進(jìn)行篩選。單尺度紋理特征選用5×5窗口大小，ME、HOM、DIS、SM 4種紋理特征在5×5窗口中僅有HOM和SM紋理特征之間相關(guān)性高達(dá)0.83，又由于添加HOM紋理的分類總體精度為76.67%大于添加SM紋理特征的分類總體精度76.57%，因此在單尺度紋理影像分類中選用ME、HOM、DIS組成單尺度紋理特征組合。多尺度紋理分類使用5×5、9×9、11×11三種尺度窗口，其中與單尺度紋理相同HOM、SM紋理特征間相關(guān)性均超過0.80，同時(shí)DIS和ENT紋理特征間相關(guān)性高達(dá)0.70，說明HOM和SM、DIS和ENT兩組紋理特征具有共線性。結(jié)合各紋理特征在影像分類中的精度表現(xiàn)，最后選定ME、VAR、HOM、DIS為多尺度紋理特征組合。
將多尺度紋理特征組合和單尺度紋理特征組合分別應(yīng)用于影像分類，得到分類結(jié)果(見圖5)，同時(shí)以光譜數(shù)據(jù)分類結(jié)果作為檢驗(yàn)樣本，基于面積的混淆矩陣精度評(píng)價(jià)結(jié)果見表3。
從總體精度來看，結(jié)合多尺度紋理特征組合的分類結(jié)果總體精度達(dá)到81.75%，Kappa系數(shù)為0.78，較多光譜分類結(jié)果總體精度提高約6%。結(jié)合單尺度紋理特征組合的分類總體結(jié)果精度為78.27%，高于多光譜分類結(jié)果總體精度2.51%，說明添加紋理特征組合對(duì)于影像面向?qū)ο蠓诸惪傮w精度提高具有顯著效果，同時(shí)多尺度紋理特征比單尺度紋理特征在影像總體分類精度上更具優(yōu)勢(shì)。
從各地類分類精度上看，紋理特征的添加對(duì)于大多數(shù)地類有提高分類精度的作用，尤其對(duì)于城鄉(xiāng)工礦居民用地、園地、針葉林、闊葉林及混生林地類的生產(chǎn)精度提高基本在3%以上(僅有單尺度紋理特征在闊葉林分類中生產(chǎn)精度提高1.1%)。結(jié)合紋理特征的分類結(jié)果在針葉林、闊葉林及混生林的分類更為細(xì)致。然而結(jié)合紋理特征對(duì)于耕地和灌木林地的生產(chǎn)精度提高并不顯著，在未利用地分類中紋理的添加卻降低了其生產(chǎn)精度。因此，針對(duì)于GF-1遙感影像城鄉(xiāng)工礦居民用地、園地信息提取以及林地內(nèi)森林類型分類使用紋理特征能提高分類精度，而在耕地、灌木林地、未利用地信息提取上則可直接使用多光譜影像進(jìn)行分類。
圖5 分類結(jié)果
地類混淆矩陣精度評(píng)價(jià)(多光譜/單尺度紋理組合/多尺度紋理組合)生產(chǎn)精度/%用戶精度/%總體精度/%Kappa系數(shù)耕地83.08/84.88/85.3694.55/95.26/95.54城鄉(xiāng)、工礦、居民用地83.29/86.37/86.4871.70/75.59/77.32未利用地87.67/86.55/87.5780.67/87.27/88.13灌木林地79.43/80.81/81.8083.62/89.05/90.38園地72.96/75.88/76.5734.14/39.86/39.57針葉林80.49/83.52/87.4364.52/80.59/89.73闊葉林71.66/72.77/78.7372.52/68.57/72.20混生林24.64/38.48/56.0794.52/42.72/56.9775.76/78.27/81.750.71/0.74/0.78
對(duì)比多尺度紋理和單尺度紋理特征組合，結(jié)合多尺度紋理特征組合的各地類生產(chǎn)精度均高于單尺度紋理組合，尤其在針葉林、闊葉林、混生林地類中這種優(yōu)勢(shì)表現(xiàn)的十分明顯，生產(chǎn)精度較單尺度紋理特征分別提高了3.9%、5.9%、17.6%。因此，在GF-1遙感影像森林類型分類應(yīng)用中使用多尺度紋理特征組合參與分類可獲得更高的分類精度。
4結(jié)論
本文針對(duì)GF-1遙感衛(wèi)星影像分別對(duì)8種紋理特征進(jìn)行分類評(píng)價(jià)最終選擇ME、VAR、HOM、DIS組成最佳多尺度紋理組合，利用面向?qū)ο蠓诸惙椒▽?duì)多光譜數(shù)據(jù)和多尺度紋理數(shù)據(jù)進(jìn)行分類，并與添加單尺度紋理特征組合和僅用多光譜數(shù)據(jù)分類結(jié)果進(jìn)行對(duì)比。本文得出以下結(jié)論：①紋理特征的添加能提高GF-1影像分類的總體精度，并且結(jié)合多尺度紋理特征的分類結(jié)果精度高于單尺度組合；②在GF-1遙感影像針葉林、闊葉林、混生林地類的森林類型分類中，結(jié)合多尺度紋理特征組合對(duì)提高分類精度效果十分顯著，具有很好的適宜性。
然而結(jié)合多尺度紋理組合的GF-1影像分類精度仍不太理想，園地、混生林、闊葉林地類的分類精度均低于80%，因而在以后研究中可以考慮從面向?qū)ο蟮挠跋穹诸愔型诰蚋嗟男畔?，如形狀、位置等?duì)象特征信息，在此基礎(chǔ)上提高GF-1影像分類精度。同時(shí)在光譜因子、形狀因子、光滑度、緊密度、相關(guān)性分析閾值選取需要通過大量試驗(yàn)得到，具有一定主觀性，在以后研究中可以考慮通過客觀分析確定參數(shù)，從而更加完善面向?qū)ο蠓诸惖募夹g(shù)。
參考文獻(xiàn)：
[1]白照廣.高分一號(hào)衛(wèi)星的技術(shù)特點(diǎn)[J].中國航天，2013(8)：5-9.
[2]郭會(huì)敏，洪運(yùn)富，李營,等.基于高分一號(hào)衛(wèi)星影像的多種融合方法比較[J].地理與地理信息科學(xué)，2015,31(1)：23-40.
[3]劉書含，顧行發(fā)，余濤,等.高分一號(hào)多光譜遙感數(shù)據(jù)的面向?qū)ο蠓诸怺J].測(cè)繪科學(xué)，2014,39(12)：91-94.
[4]陳金鳳，程乾.高分1號(hào)融合光譜特征提取杭州灣河口沿岸濕地典型植被信息方法研究[J].杭州師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015,14(1)：38-43.
[5]高閃閃，陳仁喜.輔以紋理特征的植被分類方法研究[J].科學(xué)技術(shù)與工程，2013,13(29)：6872-2877.
[6]陳亮，張友靜，陳波.結(jié)合多尺度紋理的高分辨率遙感影像決策樹分類[J].地理與地理信息科學(xué)，2007，23(4)：18-21.
[7]劉友山，呂成文，祝鳳霞.基于PCA和多尺度紋理特征提取的高分辨率遙感影像分類[J].遙感技術(shù)與應(yīng)用，2012，27(5)：706-711.
[8]謝麗軍，張友靜，張子衡,等.結(jié)合KPCA和多尺度紋理的IKONOS遙感影像決策樹分類[J].遙感應(yīng)用，2010(3)：88-92.
[9]陳晨，張友靜.基于多尺度紋理和光譜信息的SVM分類研究[J].測(cè)繪科學(xué)，2009，34(1)：29-31.
[10] 肖鵬峰，劉順喜，馮學(xué)智,等.基于遙感的土地利用與覆被分類系統(tǒng)評(píng)述及代碼轉(zhuǎn)換[J].遙感信息，2003(4):54-58.
[11] 李霖，佘夢(mèng)媛，羅恒.ZY-3衛(wèi)星全色與多光譜影像融合方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30(16)：157-165.
[12] SMITH J R,CHANG Shih-Fu.Automated binary texturefeaturesets for image retrieval [A].IEEE InternationalConference on Acoustics,Speech and Signal Processing[C].Atlanta,GA,USA,1996,4:2239-2242.
[13] 甘甜，李金平，李小強(qiáng).面向?qū)ο蟮母叻直媛蔬b感影像建筑物震害信息提取[J].測(cè)繪工程，2015，2(4)：11-15.
[責(zé)任編輯：李銘娜]
Object-oriented classification with multi-scale texture feature based on remote sensing image
LIN Xue1，PENG Daoli1，HUANG Guosheng2，WANG Xuejun2
(1.College of Forestry，Beijing Forestry University，Beijing 100083，China；2.Survey & Planning Institute of State Forestry Administration，Beijing 100714，China)
Abstract：Scales of surface features are different.No unique scale is possible for characterizing the texture of objects in a remote sensing image.Based on GF-1 data,gray-level co-occurrence matrix is used to extract texture features from the first principal component of PCA,and the best combination of multi-scale is chozen by Jeffries-Matusit distance.By analyzing the classification precision of single texture and correlation of textures,the best multi-scale textures combination is finally chozen to apply to the object-oriented classification.The results show that the method of object-oriented classification with multi-scale texture feature can extract the types of surface features effectively.The precision of classification is 81.75% and Kappa coefficient is 0.78.
Key words：multi-scale texture feature；object-oriented classification；GF-1
DOI:10.19349/j.cnki.issn1006-7949.2016.07.005
收稿日期：2015-10-14
基金項(xiàng)目：國家948資助項(xiàng)目(2015-4-32)；林業(yè)科學(xué)技術(shù)成果推廣項(xiàng)目(2015-02)；科技部科技基礎(chǔ)性工作專項(xiàng)(2013FY11160-1)
作者簡介：林雪(1991-)，女，碩士研究生.
中圖分類號(hào)：F291
文獻(xiàn)標(biāo)識(shí)碼：A
文章編號(hào)：1006-7949(2016)07-0022-06
林 雪，彭道黎，黃國勝，王雪軍
(1.北京林業(yè)大學(xué) 林學(xué)院，北京 100083;2.國家林業(yè)局調(diào)查規(guī)劃設(shè)計(jì)院，北京 100714)
?
結(jié)合多尺度紋理特征的遙感影像面向?qū)ο蠓诸?/p>
林雪1，彭道黎1，黃國勝2，王雪軍2
(1.北京林業(yè)大學(xué) 林學(xué)院，北京 100083;2.國家林業(yè)局調(diào)查規(guī)劃設(shè)計(jì)院，北京 100714)
摘要：地物具有多尺度的特點(diǎn)，單一尺度難以準(zhǔn)確描述遙感影像包含的地物紋理信息。利用我國自行研發(fā)的高分一號(hào)遙感影像數(shù)據(jù)，采用灰度共生矩陣對(duì)第一主成分進(jìn)行紋理特征提取，利用Jeffries-Matusit距離選擇多尺度組合，并通過單一紋理結(jié)合多光譜數(shù)據(jù)的分類精度，以及紋理特征間的相關(guān)性，最終選擇多尺度紋理特征組合進(jìn)行面向?qū)ο蠓诸悺Ｑ芯拷Y(jié)果表明：結(jié)合多尺度紋理特征組合的面向?qū)ο驡F-1影像分類能有效提取地物信息，總體分類精度達(dá)到81.75%，Kappa系數(shù)0.78。
關(guān)鍵詞：多尺度紋理特征；面向?qū)ο蠓诸?；高分一?hào)
高分一號(hào)(GF-1)衛(wèi)星是我國高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)天基系統(tǒng)中的首發(fā)星，其全色波段分辨率達(dá)到2 m，同時(shí)也是我國首顆設(shè)計(jì)、考核壽命要求大于5年的低軌衛(wèi)星。作為主業(yè)務(wù)，GF-1衛(wèi)星首先將在國土資源、環(huán)保、農(nóng)業(yè)等方面發(fā)揮作用[1]。目前針對(duì)GF-1數(shù)據(jù)學(xué)者們開展了許多研究，郭會(huì)敏等利用GF-1全色及多光譜影像開展影像融合試驗(yàn)[2]；劉書含等提出了一種基于分水嶺分割的GF-1多光譜遙感數(shù)據(jù)的面向?qū)ο蠓诸惙椒╗3]；陳金鳳等基于GF-1數(shù)據(jù)，結(jié)合典型植被光譜特征通過面向?qū)ο蠓诸愄崛×藵竦氐湫椭脖活愋托畔4]。
近年來高空間分辨率遙感影像發(fā)展迅速，更高的空間分辨率意味著更豐富的地物結(jié)構(gòu)與形狀信息、更清晰的紋理特征。已有研究表明，將紋理特征應(yīng)用于高分辨率影像分類中可以顯著提高分類精度[5]。然而地物具有多尺度性，單一尺度的紋理特征很難滿足不同地類之間的分類需求，在此基礎(chǔ)上學(xué)者通過提取多尺度紋理進(jìn)行遙感影像分類研究：張亮等通過選擇最佳紋理尺度組合，利用決策樹對(duì)IKONOS影像光譜數(shù)據(jù)和多尺度紋理數(shù)據(jù)進(jìn)行分類，精度較光譜數(shù)據(jù)分類和結(jié)合單尺度紋理數(shù)據(jù)分類提高分別為11.2%和6%[6]；劉友山等、謝麗軍等分別用主成分分析法(PCA)和核主成分分析法(KPCA)結(jié)合多尺度紋理，并通過決策樹對(duì)IKONOS影像進(jìn)行分類，均取得了良好的效果[7-8]；陳晨等通過結(jié)合多尺度紋理和光譜信息的支持向量機(jī)(SVM)高分辨率遙感影像分類，分類總體精度達(dá)到83.9%[9]。
目前針對(duì)GF-1影像的紋理特征研究尚未見到報(bào)道，同時(shí)在多尺度紋理特征研究方面，將多尺度紋理特征與面向?qū)ο蠓诸惤Y(jié)合的應(yīng)用也甚為少見。面向?qū)ο蠓诸愖鳛槟壳皬V為推崇的分類方法，突破了傳統(tǒng)分類以象元為單位、分類結(jié)果破碎化程度高、“椒鹽現(xiàn)象”嚴(yán)重的問題，通過多尺度分割得到多個(gè)相鄰象元組成的對(duì)象，可利用對(duì)象的灰度信息、紋理信息、幾何信息等多元信息實(shí)現(xiàn)對(duì)目標(biāo)地物的提取。因此本文基于GF-1數(shù)據(jù)，通過結(jié)合多尺度紋理特征組進(jìn)行面向?qū)ο蠓诸?，旨在探究多尺度紋理特征在面向?qū)ο蠓诸惣夹g(shù)中應(yīng)用效果。
1數(shù)據(jù)來源及預(yù)處理
本次研究試驗(yàn)數(shù)據(jù)為2014年5月21日的遼寧省朝陽市GF-1影像，包括空間分辨率2 m的全色波段數(shù)據(jù)和8 m的多光譜數(shù)據(jù)。經(jīng)緯度范圍120°29′～120°33′E、41°26′～41°29′N，研究范圍為5 km×5 km矩形區(qū)域。按照國家級(jí)土地利用與覆被分類系統(tǒng)[10]，研究區(qū)土地覆蓋類型包括耕地、林地、城鄉(xiāng)工礦居民用地、未利用地4個(gè)一級(jí)地類，林地地類包含有林地、灌木林地、園地有林地3個(gè)二級(jí)地類，有林地地類中包含針葉林、闊葉林、混生林3個(gè)三級(jí)地類。
影像數(shù)據(jù)在正射校正的基礎(chǔ)上，以1∶5萬數(shù)字正射影像(DOM)數(shù)據(jù)作為參考對(duì)高分辨率全色影像進(jìn)行糾正，而后使用糾正好的高分辨率數(shù)據(jù)對(duì)低分辨的多光譜數(shù)據(jù)進(jìn)行配準(zhǔn)。通過影像像素級(jí)融合將全色波段豐富的空間信息與多光譜波段的色彩信息結(jié)合，融合方法采用目前針對(duì)高分辨影像融合普遍認(rèn)可的Pansharp融合算法[11]。
2研究方法
2.1多尺度紋理特征提取
紋理特征作為反映影像同質(zhì)現(xiàn)象的視覺特征，其包含了物體表面結(jié)構(gòu)組織排列規(guī)律和物體之間空間關(guān)聯(lián)的重要信息，是物體表面共有的內(nèi)在特征[12]。1973年Haralick首先提出灰度共生矩陣(GLCM)，廣泛的研究表明GLCM在將灰度值轉(zhuǎn)為紋理信息的應(yīng)用上具有很好的效果，已成為目前普遍認(rèn)可的紋理計(jì)算方法。GLCM基于圖像灰度值之間二階聯(lián)合條件概率密度構(gòu)建矩陣計(jì)算圖像中任意兩點(diǎn)間灰度的空間相關(guān)特性，常用的8個(gè)紋理特征統(tǒng)計(jì)量為均值(Mean，ME)、方差(Variance，VAR)、協(xié)同性(Homogeneity，HOM)、對(duì)比度(Contrast，CON)、相異性(Dissimilarity，DIS)、熵值(Entropy，ENT)、二階矩(Second Moment，SM)、相關(guān)性(Correlation，COR)。本研究對(duì)PCA(主成分分析)變換后的第一主成分通過GLCM進(jìn)行紋理分析，采用3×3，5×5，7×7，……，17×17梯度窗口大小、步長為1、移動(dòng)方向45°多尺度提取上述8個(gè)常用紋理特征。
J-M (Jeffries-Matusita)距離用于表示類別間可分離性，其計(jì)算式
式中：Vi和Vj分別為第i類和第j類的協(xié)方差矩陣；Mi和Mj分別為第i類和第j類的光譜均值向量。對(duì)于n個(gè)類型之間的可分性度量，各類型間的平均J-M距離定義為
式中：n是選定訓(xùn)練區(qū)的類型數(shù)；Pi，Pj分別是第i類和第j類的先驗(yàn)概率。從而將第i類平均J-M距離定義為
根據(jù)J-M平均距離式，在各類地物中選取訓(xùn)練樣本，得到平均J-M距離隨紋理尺度的變化(見圖1)。
由圖1可見隨著紋理窗口大小的改變，各地類平均可分性明顯變化，在窗口大于13×13后趨于平穩(wěn)。其中以紋理窗口為5×5時(shí)，8個(gè)地類總體平均可分性最大，因此用于單一尺度紋理特征分類的窗口可選擇為5×5。然而各地類平均可分性最大值并不是都在5×5紋理窗口出現(xiàn)，僅有耕地、城鄉(xiāng)工礦居民用地、未利用地在5×5窗口表現(xiàn)出最大可分性，灌木林地、園地則在11×11窗口；針葉林、闊葉林地類為9×9窗口大小、混生林地類為7×7窗口大小。因此，本文在面向?qū)ο蠓诸愔懈鲗哟芜x用紋理特征尺度如圖2所示。
2.2面向?qū)ο蠓诸?/p>
面向?qū)ο蠓诸愂且环N智能化的影像分析方法，其分類單元不再是單個(gè)像素，而是通過圖像分割后由若干個(gè)像素組成的像素群，即目標(biāo)對(duì)象[13]。目標(biāo)對(duì)象比單個(gè)像素更具有實(shí)際意義，特征的定義和分類均是基于目標(biāo)對(duì)象進(jìn)行的。通常面向?qū)ο蟮姆诸惙椒ò▋蓚€(gè)步驟：多尺度分割和面向?qū)ο筇卣魈崛?。本文采用eCoginition Developer 8.6的多尺度分割方法，主要參數(shù)包括分割尺度(scale)、光譜因子(color)、形狀因子(shape)、光滑度(smoothness)、緊密度(compactness)。
圖1 各地類平均可分性隨紋理尺度變化圖
圖2 面向?qū)ο蟾鞣诸悓哟渭y理尺度
ESP(EstimationofScaleParameters是用于輔助選擇最佳分割尺度的工具,LV(Local Variance)用于表示分割結(jié)果內(nèi)的標(biāo)準(zhǔn)差，反映分割對(duì)象內(nèi)的均質(zhì)性，而LV的變化所對(duì)應(yīng)的尺度閾值不易于從圖形上觀察到，于是引入了 ROC(rate of change)：
式中:ScaleL代表 LV 所在的尺度，而ScaleL-1代表低于LV一個(gè)梯度的尺度。本研究ESP計(jì)算結(jié)果如圖3所示，其中ROC的峰值代表可能的最佳尺度，對(duì)所有的ROC峰值的分割尺度進(jìn)行分割試驗(yàn)，通過針對(duì)各層的特征選取對(duì)應(yīng)的最佳分割尺度，在本研究中尺度選擇為LEVEL1(82)、LEVEL2(63)、LEVEL3(47)、LEVEL4(29)。
確定分割參數(shù)后，通過反復(fù)大量試驗(yàn)，最終確定光譜因子、形狀因子、光滑度、緊密度等參數(shù)，建立本研究的多尺度分割層次見圖4。
面向?qū)ο蠓诸惒捎米钹徑ǚ诸惼?，在分類?duì)象特征中選用上文提取的多尺度紋理，并從所有地類中抽取約一成面積的樣本圖斑進(jìn)行外業(yè)實(shí)地核實(shí)，以此樣本作為相對(duì)真值與面向?qū)ο蠓诸惤Y(jié)果建立基于面積的混淆矩陣，評(píng)估指標(biāo)包括總體精度、生產(chǎn)者精度、使用者精度及Kappa系數(shù)。
圖3 ESP工具計(jì)算結(jié)果
圖4 多尺度分割效果
3結(jié)果與分析
本文通過灰度共生矩陣提取多尺度及單尺度的8種類型紋理特征，產(chǎn)生較大的數(shù)據(jù)量同時(shí)部分紋理特征間具有相關(guān)性，若直接將8種紋理特征全部進(jìn)行分類運(yùn)算，不但增加運(yùn)算時(shí)間，而且未必能達(dá)到最好的分類效果。因此將提取的8種紋理特征分別與多光譜組合進(jìn)行面向?qū)ο蠓诸?，并與僅用多光譜影像分類結(jié)果進(jìn)行比較，分類結(jié)果總體精度和kappa系數(shù)見表1。
表1 8種紋理特征與多光譜組合面向?qū)ο蠓诸惤Y(jié)果精度
由表1可見，在單尺度紋理特征中，添加VAR、CON、ENT、COR紋理特征的分類精度低于僅用多光譜分類的總體精度75.76%，說明并不是所有紋理特征在面向?qū)ο蠓诸愔卸寄苡行岣哂跋窨傮w分類精度。在能有效提高總體分類精度的ME、HOM、DIS、SM紋理特征中，ME紋理較僅用多光譜分類結(jié)果在總體精度上提高了約1.4%，增益效果最為顯著。在多尺度紋理特征方面，添加CON、COR紋理特征的總體分類精度分別為75.73%、75.29%，低于僅用多光譜影像分類的總體精度75.76%，而添加其余多尺度紋理特征的分類結(jié)果總體精度均高于75.76%，說明ME、VAR、HOM、DIS、ENT、SM多尺度紋理特征均能提高影像分類精度。對(duì)比單尺度與多尺度紋理，各多尺度紋理特征分類結(jié)果精度較單尺度紋理均有小幅提高，其中VAR、ENT紋理特征在單尺度應(yīng)用中分類精度低于多光譜分類精度，而在多尺度應(yīng)用中分類精度分別達(dá)到76.12%、76.30%，說明VAR、ENT紋理對(duì)尺度較為敏感，多尺度紋理能夠提高紋理在分類中的應(yīng)用效率。根據(jù)上述分析，選擇ME、HOM、DIS、SM作為單尺度紋理組合，ME、VAR、HOM、DIS、ENT、SM作為多尺度紋理組合，并進(jìn)行相關(guān)性分析見表2。
表2 紋理特征相關(guān)性分析表
相關(guān)性較高的兩個(gè)或多個(gè)紋理特征同時(shí)參與分類會(huì)造成數(shù)據(jù)冗余，增加分類運(yùn)算時(shí)間，因此需進(jìn)行篩選。單尺度紋理特征選用5×5窗口大小，ME、HOM、DIS、SM 4種紋理特征在5×5窗口中僅有HOM和SM紋理特征之間相關(guān)性高達(dá)0.83，又由于添加HOM紋理的分類總體精度為76.67%大于添加SM紋理特征的分類總體精度76.57%，因此在單尺度紋理影像分類中選用ME、HOM、DIS組成單尺度紋理特征組合。多尺度紋理分類使用5×5、9×9、11×11三種尺度窗口，其中與單尺度紋理相同HOM、SM紋理特征間相關(guān)性均超過0.80，同時(shí)DIS和ENT紋理特征間相關(guān)性高達(dá)0.70，說明HOM和SM、DIS和ENT兩組紋理特征具有共線性。結(jié)合各紋理特征在影像分類中的精度表現(xiàn)，最后選定ME、VAR、HOM、DIS為多尺度紋理特征組合。
將多尺度紋理特征組合和單尺度紋理特征組合分別應(yīng)用于影像分類，得到分類結(jié)果(見圖5)，同時(shí)以光譜數(shù)據(jù)分類結(jié)果作為檢驗(yàn)樣本，基于面積的混淆矩陣精度評(píng)價(jià)結(jié)果見表3。
從總體精度來看，結(jié)合多尺度紋理特征組合的分類結(jié)果總體精度達(dá)到81.75%，Kappa系數(shù)為0.78，較多光譜分類結(jié)果總體精度提高約6%。結(jié)合單尺度紋理特征組合的分類總體結(jié)果精度為78.27%，高于多光譜分類結(jié)果總體精度2.51%，說明添加紋理特征組合對(duì)于影像面向?qū)ο蠓诸惪傮w精度提高具有顯著效果，同時(shí)多尺度紋理特征比單尺度紋理特征在影像總體分類精度上更具優(yōu)勢(shì)。
從各地類分類精度上看，紋理特征的添加對(duì)于大多數(shù)地類有提高分類精度的作用，尤其對(duì)于城鄉(xiāng)工礦居民用地、園地、針葉林、闊葉林及混生林地類的生產(chǎn)精度提高基本在3%以上(僅有單尺度紋理特征在闊葉林分類中生產(chǎn)精度提高1.1%)。結(jié)合紋理特征的分類結(jié)果在針葉林、闊葉林及混生林的分類更為細(xì)致。然而結(jié)合紋理特征對(duì)于耕地和灌木林地的生產(chǎn)精度提高并不顯著，在未利用地分類中紋理的添加卻降低了其生產(chǎn)精度。因此，針對(duì)于GF-1遙感影像城鄉(xiāng)工礦居民用地、園地信息提取以及林地內(nèi)森林類型分類使用紋理特征能提高分類精度，而在耕地、灌木林地、未利用地信息提取上則可直接使用多光譜影像進(jìn)行分類。
圖5 分類結(jié)果
地類混淆矩陣精度評(píng)價(jià)(多光譜/單尺度紋理組合/多尺度紋理組合)生產(chǎn)精度/%用戶精度/%總體精度/%Kappa系數(shù)耕地83.08/84.88/85.3694.55/95.26/95.54城鄉(xiāng)、工礦、居民用地83.29/86.37/86.4871.70/75.59/77.32未利用地87.67/86.55/87.5780.67/87.27/88.13灌木林地79.43/80.81/81.8083.62/89.05/90.38園地72.96/75.88/76.5734.14/39.86/39.57針葉林80.49/83.52/87.4364.52/80.59/89.73闊葉林71.66/72.77/78.7372.52/68.57/72.20混生林24.64/38.48/56.0794.52/42.72/56.9775.76/78.27/81.750.71/0.74/0.78
對(duì)比多尺度紋理和單尺度紋理特征組合，結(jié)合多尺度紋理特征組合的各地類生產(chǎn)精度均高于單尺度紋理組合，尤其在針葉林、闊葉林、混生林地類中這種優(yōu)勢(shì)表現(xiàn)的十分明顯，生產(chǎn)精度較單尺度紋理特征分別提高了3.9%、5.9%、17.6%。因此，在GF-1遙感影像森林類型分類應(yīng)用中使用多尺度紋理特征組合參與分類可獲得更高的分類精度。
4結(jié)論
本文針對(duì)GF-1遙感衛(wèi)星影像分別對(duì)8種紋理特征進(jìn)行分類評(píng)價(jià)最終選擇ME、VAR、HOM、DIS組成最佳多尺度紋理組合，利用面向?qū)ο蠓诸惙椒▽?duì)多光譜數(shù)據(jù)和多尺度紋理數(shù)據(jù)進(jìn)行分類，并與添加單尺度紋理特征組合和僅用多光譜數(shù)據(jù)分類結(jié)果進(jìn)行對(duì)比。本文得出以下結(jié)論：①紋理特征的添加能提高GF-1影像分類的總體精度，并且結(jié)合多尺度紋理特征的分類結(jié)果精度高于單尺度組合；②在GF-1遙感影像針葉林、闊葉林、混生林地類的森林類型分類中，結(jié)合多尺度紋理特征組合對(duì)提高分類精度效果十分顯著，具有很好的適宜性。
然而結(jié)合多尺度紋理組合的GF-1影像分類精度仍不太理想，園地、混生林、闊葉林地類的分類精度均低于80%，因而在以后研究中可以考慮從面向?qū)ο蟮挠跋穹诸愔型诰蚋嗟男畔?，如形狀、位置等?duì)象特征信息，在此基礎(chǔ)上提高GF-1影像分類精度。同時(shí)在光譜因子、形狀因子、光滑度、緊密度、相關(guān)性分析閾值選取需要通過大量試驗(yàn)得到，具有一定主觀性，在以后研究中可以考慮通過客觀分析確定參數(shù)，從而更加完善面向?qū)ο蠓诸惖募夹g(shù)。
參考文獻(xiàn)：
[1]白照廣.高分一號(hào)衛(wèi)星的技術(shù)特點(diǎn)[J].中國航天，2013(8)：5-9.
[2]郭會(huì)敏，洪運(yùn)富，李營,等.基于高分一號(hào)衛(wèi)星影像的多種融合方法比較[J].地理與地理信息科學(xué)，2015,31(1)：23-40.
[3]劉書含，顧行發(fā)，余濤,等.高分一號(hào)多光譜遙感數(shù)據(jù)的面向?qū)ο蠓诸怺J].測(cè)繪科學(xué)，2014,39(12)：91-94.
[4]陳金鳳，程乾.高分1號(hào)融合光譜特征提取杭州灣河口沿岸濕地典型植被信息方法研究[J].杭州師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015,14(1)：38-43.
[5]高閃閃，陳仁喜.輔以紋理特征的植被分類方法研究[J].科學(xué)技術(shù)與工程，2013,13(29)：6872-2877.
[6]陳亮，張友靜，陳波.結(jié)合多尺度紋理的高分辨率遙感影像決策樹分類[J].地理與地理信息科學(xué)，2007，23(4)：18-21.
[7]劉友山，呂成文，祝鳳霞.基于PCA和多尺度紋理特征提取的高分辨率遙感影像分類[J].遙感技術(shù)與應(yīng)用，2012，27(5)：706-711.
[8]謝麗軍，張友靜，張子衡,等.結(jié)合KPCA和多尺度紋理的IKONOS遙感影像決策樹分類[J].遙感應(yīng)用，2010(3)：88-92.
[9]陳晨，張友靜.基于多尺度紋理和光譜信息的SVM分類研究[J].測(cè)繪科學(xué)，2009，34(1)：29-31.
[10] 肖鵬峰，劉順喜，馮學(xué)智,等.基于遙感的土地利用與覆被分類系統(tǒng)評(píng)述及代碼轉(zhuǎn)換[J].遙感信息，2003(4):54-58.
[11] 李霖，佘夢(mèng)媛，羅恒.ZY-3衛(wèi)星全色與多光譜影像融合方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30(16)：157-165.
[12] SMITH J R,CHANG Shih-Fu.Automated binary texturefeaturesets for image retrieval [A].IEEE InternationalConference on Acoustics,Speech and Signal Processing[C].Atlanta,GA,USA,1996,4:2239-2242.
[13] 甘甜，李金平，李小強(qiáng).面向?qū)ο蟮母叻直媛蔬b感影像建筑物震害信息提取[J].測(cè)繪工程，2015，2(4)：11-15.
[責(zé)任編輯：李銘娜]
Object-oriented classification with multi-scale texture feature based on remote sensing image
LIN Xue1，PENG Daoli1，HUANG Guosheng2，WANG Xuejun2
(1.College of Forestry，Beijing Forestry University，Beijing 100083，China；2.Survey & Planning Institute of State Forestry Administration，Beijing 100714，China)
Abstract：Scales of surface features are different.No unique scale is possible for characterizing the texture of objects in a remote sensing image.Based on GF-1 data,gray-level co-occurrence matrix is used to extract texture features from the first principal component of PCA,and the best combination of multi-scale is chozen by Jeffries-Matusit distance.By analyzing the classification precision of single texture and correlation of textures,the best multi-scale textures combination is finally chozen to apply to the object-oriented classification.The results show that the method of object-oriented classification with multi-scale texture feature can extract the types of surface features effectively.The precision of classification is 81.75% and Kappa coefficient is 0.78.
Key words：multi-scale texture feature；object-oriented classification；GF-1
DOI:10.19349/j.cnki.issn1006-7949.2016.07.005
收稿日期：2015-10-14
基金項(xiàng)目：國家948資助項(xiàng)目(2015-4-32)；林業(yè)科學(xué)技術(shù)成果推廣項(xiàng)目(2015-02)；科技部科技基礎(chǔ)性工作專項(xiàng)(2013FY11160-1)
作者簡介：林雪(1991-)，女，碩士研究生.
中圖分類號(hào)：F291
文獻(xiàn)標(biāo)識(shí)碼：A
文章編號(hào)：1006-7949(2016)07-0022-06
