裴 歡，孫天嬌，王曉妍

?

基于Landsat 8 OLI影像紋理特征的面向?qū)ο笸恋乩?覆蓋分類

裴 歡1,2,3，孫天嬌1，王曉妍1,2,3

（1. 燕山大學(xué)信息科學(xué)與工程學(xué)院，秦皇島 066004； 2. 河北省計(jì)算機(jī)虛擬技術(shù)與系統(tǒng)集成重點(diǎn)實(shí)驗(yàn)室，秦皇島 066004； 3. 河北省軟件工程重點(diǎn)實(shí)驗(yàn)室，秦皇島 066004）

針對(duì)如何提高中低分辨率遙感影像分類精度，該研究以河北省石家莊市Landsat 8 OLI遙感影像為研究對(duì)象，對(duì)灰度共生矩陣（gray-level co-occurrence matrix, GLCM）紋理與伽博（Gabor）濾波器下的Gist紋理特征進(jìn)行對(duì)比，應(yīng)用J-M（Jeffries-Matusita）距離可分離性分析GLCM最優(yōu)紋理特征，并利用最佳指數(shù)法（optimum index factor, OIF）獲取GLCM與Gist紋理特征的最佳特征組合；其次對(duì)面向?qū)ο蠓诸惖姆指畛叨冗M(jìn)行研究，提出整體最優(yōu)分割尺度計(jì)算方法；最后進(jìn)行基于紋理特征的面向?qū)ο蠓诸愖R(shí)別與精度評(píng)價(jià)，并與基于原始數(shù)據(jù)的面向?qū)ο蠓诸惤Y(jié)果進(jìn)行對(duì)比。研究表明：Gist紋理特征使分類精度有了一定的提高，基于紋理數(shù)據(jù)的面向?qū)ο笾С窒蛄繖C(jī)（support vector machine, SVM）分類及面向?qū)ο驥鄰近法(K-nearest neighbor, KNN)分類的總體分類精度（overall accuracy, OA）分別比基于原始數(shù)據(jù)的2種方法分類精度提高3.67和3.33個(gè)百分點(diǎn)，基于紋理的面向?qū)ο骃VM方法具有最高的精度，OA達(dá)到85.67%。不管是基于原始數(shù)據(jù)還是紋理數(shù)據(jù)，面向?qū)ο蠓诸惥冗h(yuǎn)高于最大似然分類（maximum likelihood classification，MLC）、馬氏距離分類（mahalanobis distance classification, MDC）和SVM分類精度，且面向?qū)ο蠓诸惙椒▽?duì)紋理數(shù)據(jù)更為敏感。該文提出的基于紋理的面向?qū)ο蠓诸惙椒ㄓ行岣吡诉b感影像分類精度，為區(qū)域土地利用/覆蓋信息提取提供了有效的途徑。

遙感；土地利用；分類；紋理特征；面向?qū)ο蠓诸悾籊ist特征；監(jiān)督分類

0 引 言

隨著科技的進(jìn)步，紋理分析技術(shù)在計(jì)算機(jī)目標(biāo)識(shí)別和自動(dòng)檢測(cè)、圖像合成與分割、遙感測(cè)量等方面發(fā)揮著越來(lái)越重要的作用[1-3]，研究表明，遙感影像豐富的紋理信息參與分類比單純利用光譜信息具有更好的分類效果[4-5]。紋理特征提取方法主要包括：以灰度共生矩陣為代表的統(tǒng)計(jì)方法；基于馬爾科夫隨機(jī)場(chǎng)模型的方法；基于自相關(guān)函數(shù)的方法；基于頻域的傅里葉變換的方法、小波變換法等[6-7]。這些方法中，灰度共生矩陣（gray-level co-occurrence matrix，GLCM）是目前用于輔助遙感數(shù)據(jù)進(jìn)行土地利用/覆蓋分類及專題信息提取最普遍的方法，在不同類型遙感數(shù)據(jù)中都得到了應(yīng)用，并取得較好分類效果。李粉玲等提取基于變差函數(shù)、灰度共生矩陣和梯度的多紋理特征，并結(jié)合光譜信息構(gòu)建分類特征集，采用支持向量機(jī)（support vector machine，SVM）分類方法對(duì)國(guó)產(chǎn)資源一號(hào)02C星高分辨率影像進(jìn)行了冬小麥信息的提取[8]；金瑞等利用高光譜數(shù)據(jù)提取GLCM紋理特征，結(jié)合光譜信息建立了基于極限學(xué)習(xí)機(jī)和支持向量機(jī)的馬鈴薯多分類識(shí)別模型，有效地識(shí)別了馬鈴薯多項(xiàng)缺陷指標(biāo)[9]；宋榮杰等結(jié)合GLCM紋理及光譜特征，采用SVM分類對(duì)QuickBird影像蘋果園進(jìn)行了提取，分類總精度達(dá)到96.16%[10]。Gist特征是基于Gabor濾波器的紋理特征[11]，可以較好地呈現(xiàn)圖像的空間尺度、空間結(jié)構(gòu)和方向選擇，在場(chǎng)景分類研究中有一定的應(yīng)用[12-13]，但目前還未應(yīng)用到遙感影像地物識(shí)別中。將不同紋理特征引入遙感地物分類中，探討紋理特征對(duì)不同遙感數(shù)據(jù)及對(duì)各種分類方法的適用性是遙感研究中的一項(xiàng)重要內(nèi)容，對(duì)解決地物錯(cuò)分，提高分類精度有重要意義。本研究將Gist特征引入遙感土地利用/覆蓋分類中，將其與GLCM紋理進(jìn)行對(duì)比，分析2種紋理特征在中分辨率遙感影像地物識(shí)別中的作用，擴(kuò)展紋理特征應(yīng)用領(lǐng)域。

目前遙感分類方法多采用基于像元的分類算法，忽略了影像豐富的幾何形狀、拓?fù)潢P(guān)系和空間特征等信息，分類結(jié)果不可避免地會(huì)產(chǎn)生“椒鹽”現(xiàn)象，這在異質(zhì)性較強(qiáng)的城市區(qū)域尤為顯著[14-15]。面向?qū)ο蠓诸愒诳紤]影像光譜特征的情況下兼顧影像空間、形狀與紋理特征，可有效改善傳統(tǒng)監(jiān)督分類精度不高的弊端，對(duì)提高遙感分類精度具有重要意義[16-17]。目前，面向?qū)ο蠓椒ㄖ饕獞?yīng)用于高分辨率影像，在高分辨率遙感數(shù)據(jù)土地利用信息提取中具有較強(qiáng)的優(yōu)勢(shì)，對(duì)中等分辨率遙感數(shù)據(jù)的適用性研究還不深入。Landsat 8 OLI數(shù)據(jù)作為中等分辨率遙感數(shù)據(jù)，不僅可免費(fèi)獲取，而且時(shí)間分辨率較高，每隔16 d可重復(fù)得到同一地區(qū)數(shù)據(jù)，相對(duì)于高分辨率遙感數(shù)據(jù)，時(shí)間分辨率及光譜分辨率均具有一定的優(yōu)勢(shì)，在大范圍土地利用信息提取中具有廣闊的應(yīng)用前景。另外，面向?qū)ο蠓诸愔凶顑?yōu)分割尺度的選擇也一直是國(guó)內(nèi)外學(xué)者研究的重點(diǎn)，分割尺度選擇不同可能會(huì)造成影像的“分割不足”和“過(guò)度分割”，對(duì)分類結(jié)果產(chǎn)生不利影響[18]。鑒于此，本文基于Landsat 8 OLI遙感影像，以高異質(zhì)性區(qū)域—河北省石家莊為研究對(duì)象，提取GLCM及Gist紋理特征，并進(jìn)行紋理特征篩選。在面向?qū)ο蠓诸愔校\(yùn)用“面積對(duì)象數(shù)比”選擇最佳影像分割尺度，采用K鄰近法(K-nearest neighbor, KNN)與支持向量機(jī)（support vector machine, SVM）2種面向?qū)ο蠓诸惙椒▽?duì)結(jié)合紋理信息的影像進(jìn)行分類識(shí)別[19-21]，探討面向?qū)ο蠓诸悓?duì)中等分辨率遙感數(shù)據(jù)的適用性以及不同紋理特征對(duì)面向?qū)ο蠓诸惖挠绊?，為高異質(zhì)性城郊的土地分類研究提供新的思路。

1 研究區(qū)概況與數(shù)據(jù)

河北省石家莊市（37°51'N－38°7'N，114°22'E－114°43'E）位于河北省西南部，環(huán)渤海灣經(jīng)濟(jì)區(qū)，含8個(gè)轄區(qū)、11個(gè)縣，代管3個(gè)縣級(jí)市，總面積為14 084 km2，市區(qū)面積為2 206 km2，西部太行山地，海拔1 000 m左右，東部平原，海拔一般在30～100 m。石家莊的土地構(gòu)成以耕地為主，占41.8%，未利用地所占比重也較大，土地利用結(jié)構(gòu)不盡合理。

本文選取石家莊地區(qū)中部為研究區(qū)，涉及多個(gè)行政單元，包括部分石家莊市轄區(qū)，正定縣和元氏縣部分地區(qū)。依據(jù)研究區(qū)土地利用特點(diǎn)，將研究區(qū)土地利用/覆蓋類型劃分為8種類別，即：耕地、林地、草地、居民地、水體、未利用地、工礦用地和道路交通用地。圖1為研究區(qū)地理位置圖。

圖1 研究區(qū)區(qū)域位置示意圖及遙感影像

以2016年4月25日成像的Landsat 8 OLI中分辨率遙感影像為研究對(duì)象，數(shù)據(jù)軌道號(hào)為124/34，數(shù)據(jù)來(lái)源于中國(guó)科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心地理空間數(shù)據(jù)云（http://www.gscloud.cn）。影像包含空間分辨率為15 m的1個(gè)全色波段band8（0.50～0.68m）和空間分辨率為30 m的10個(gè)多光譜波段。選擇其中8個(gè)可見(jiàn)光波段和全色波段參與研究。獲取的Landsat 8 OLI影像數(shù)據(jù)已進(jìn)行了輻射校正和幾何校正，后續(xù)采用Gram-Schmidt方法進(jìn)行多光譜與全色數(shù)據(jù)融合[22]，最后經(jīng)裁剪得到空間分辨率為15 m的2000′2000像素的區(qū)域。

2 研究方法

2.1 紋理特征提取方法

2.1.1 GLCM紋理提取

GLCM是通過(guò)計(jì)算圖像灰度級(jí)之間條件概率密度來(lái)提取紋理的一種經(jīng)典分析方法[23-24]。本文選取應(yīng)用較廣泛的均值（Mean）、方差（Variance）、協(xié)同性（Homogeneity）、對(duì)比度（Contrast）、相異性（Dissimilarity）、信息熵（Entropy）、二階矩（Second Moment）和相關(guān)性（Correlation）8種GLCM紋理量進(jìn)行紋理特征分析[25]。為了提高紋理特征提取效率，應(yīng)用主成分分析法（principal components analysis，PCA）對(duì)多波段數(shù)據(jù)進(jìn)行主成分提取[26]。經(jīng)主成分變換后，第1主成分（PCA1）包含所有波段82.58%的信息，前3個(gè)主成分（PCA123）包含99.08%的信息。使用PCA1從4種窗口尺度（3′3，5′5，7′7，9′9）提取8種紋理特征，并討論提取紋理特征的最佳窗口。

分析GLCM最佳窗口之后，需對(duì)8種GLCM紋理量進(jìn)行篩選，識(shí)別最優(yōu)紋理特征。本文運(yùn)用平均J-M距離分析最優(yōu)紋理特征。J-M距離可以衡量訓(xùn)練樣本間可分離性[27]，其值具有收斂性，在0～2之間。當(dāng)J-M值小于1時(shí)，兩類別之間不具備樣本可分性；J-M值大于1小于1.8時(shí)，有一定可分性但是重疊性較大；J-M值大于1.8時(shí)可分性較好。在OLI影像中預(yù)先選取分離性大于1.8的感興趣區(qū)樣本，將得到的8種GLCM紋理特征分別與PCA123進(jìn)行合成，測(cè)量8種合成數(shù)據(jù)的平均J-M距離，最后通過(guò)距離大小選定GLCM最優(yōu)紋理特征。

2.1.2 Gist紋理提取

Gist特征通過(guò)模擬人眼視覺(jué)來(lái)提取圖像的信息，主要用于場(chǎng)景分類。Gist特征通常使用多尺度多方向的二維Gabor濾波器

式中和分別代表圖像像素的橫縱坐標(biāo)；、為沿方向和方向上高斯分布的方差；0為濾波器頻率；為諧波相位差。二維Gabor函數(shù)的實(shí)質(zhì)可以看成為余弦函數(shù)對(duì)二維高斯函數(shù)的調(diào)制。

在Gabor濾波器的基礎(chǔ)上通過(guò)尺度和旋轉(zhuǎn)變換可以構(gòu)建多尺度多方向的Gabor濾波器組，其實(shí)際上是一種自相似Gabor小波，即

式中a為母小波膨脹尺度因子；為濾波器的方向；、分別為Gabor濾波器的尺度數(shù)和方向數(shù)，通過(guò)調(diào)整和的值就可以構(gòu)造不同方向、尺度下的二維Gabor濾波器[12]。

設(shè)原始單波段影像為(,)，對(duì)圖像用n通道（n=·，即尺度方向）的濾波器進(jìn)行卷積濾波，最后將計(jì)算結(jié)果進(jìn)行級(jí)聯(lián)，即為圖像的Gist特征：

式中cat為級(jí)聯(lián)運(yùn)算；*為卷積運(yùn)算符號(hào)；為Gist特征。

2.1.3 選擇最佳紋理特征組合

紋理特征之間的相關(guān)性會(huì)造成信息冗余，應(yīng)選擇信息量大、紋理間關(guān)聯(lián)程度低的組合參與分類。為減少信息冗余，同時(shí)為了對(duì)數(shù)據(jù)進(jìn)行降維，采用最佳指數(shù)因子（optimum index factor，OIF）建立最優(yōu)紋理特征組合。其基本原理是：圖像中所涵蓋的信息量與其標(biāo)準(zhǔn)差成正比，標(biāo)準(zhǔn)差越大，信息量就越多；圖像的獨(dú)立性與波段間的相關(guān)系數(shù)成反比，其相關(guān)系數(shù)越低，信息冗余度越小，其獨(dú)立性越好。此方法綜合了各波段間的關(guān)聯(lián)性及單波段圖像的信息量，得到了廣泛應(yīng)用[28]，計(jì)算公式為

式中OIF為最佳指數(shù)因子；SD為波段的標(biāo)準(zhǔn)差；R為，波段間的相關(guān)系數(shù)。

2.2 面向?qū)ο蠓指畛叨鹊倪x擇

影像分割是將給定的影像劃分為互不重疊的區(qū)域。分割尺度是重要參數(shù)，指在圖像對(duì)象合并中，允許出現(xiàn)的最大異質(zhì)性變化的度量值，分割尺度越大，生成對(duì)象的面積越大，錯(cuò)分概率越大；分割尺度越小，不同類別像元被“錯(cuò)分”成一個(gè)對(duì)象的可能性降低，但會(huì)使同一類別對(duì)象數(shù)目增多，造成數(shù)據(jù)量繁雜，反而降低分類精度。所以最優(yōu)分割尺度選擇的原則是既能精確地提取不同類別，但又要保證數(shù)據(jù)量小[29-30]。在大量試驗(yàn)的基礎(chǔ)上，本研究提出了一種基于分類后地物最大面積與地物對(duì)象數(shù)的“面積對(duì)象數(shù)比”法計(jì)算適合影像樣本的整體最優(yōu)分割尺度。其基本思路為：不同地物分割尺度趨近于該地物最優(yōu)分割尺度時(shí)，分類后地物最大面積應(yīng)趨于平緩，對(duì)象數(shù)也應(yīng)趨于穩(wěn)定。但當(dāng)尺度發(fā)生變化，分割尺度不適合此地物時(shí)，分類后地物最大面積會(huì)發(fā)生較大變動(dòng)，而該尺度下的地物對(duì)象數(shù)也會(huì)出現(xiàn)劇烈變化。根據(jù)分類后各地物的最大面積和對(duì)象數(shù)比值可以得出適合各地物的最優(yōu)尺度。

式中C為第類樣本面積對(duì)象數(shù)比，S為第類地物最大面積，K為第類地物中所含對(duì)象數(shù)，即斑塊數(shù)。所有類別的平均面積對(duì)象數(shù)比為

當(dāng)選擇不同分割尺度時(shí)，2隨尺度變化而變化，當(dāng)方差2最小時(shí)，此時(shí)的分割尺度為適合影像的整體最優(yōu)分割尺度。

3 結(jié)果與分析

3.1 GLCM紋理窗口及最優(yōu)紋理特征

進(jìn)行GLCM紋理提取時(shí)，首先探討不同基準(zhǔn)窗口對(duì)紋理特征的影響。計(jì)算在不同窗口尺度（3×3，5×5，7×7，9×9）下8種紋理特征值的變化情況，紋理特征值隨窗口尺度變化趨勢(shì)如表1所示。

表1 不同窗口尺度下紋理特征值變化

當(dāng)基準(zhǔn)窗口尺度從3×3到5×5以及從7×7到9×9時(shí)，紋理特征值變化較明顯；窗口尺度從5×5到7×7時(shí)，紋理特征值變化相對(duì)較小，比較穩(wěn)定；若將紋理特征值較為穩(wěn)定的窗口視為最佳窗口，則5×5和7×7窗口都是最佳選擇，但由于窗口尺度從3×3到5×5的變化趨勢(shì)最為明顯，因而窗口尺度為5×5時(shí)能夠達(dá)到比較穩(wěn)定的狀態(tài)，從而確定分析窗口5×5為最佳分析窗口。

根據(jù)表1結(jié)果，選擇均值、方差、對(duì)比度、相異性和信息熵5種特征值較高的紋理特征進(jìn)行距離可分性分析。圖2為5種紋理特征分別與PCA1、PCA2、PCA3合成后的平均J-M距離統(tǒng)計(jì)結(jié)果，可以看出，對(duì)比度（Contrast，Con）具有最高的J-M值，最終選擇對(duì)比度作為GLCM的最優(yōu)紋理特征。

圖2 GLCM紋理特征平均J-M距離

3.2 最佳紋理特征組合

對(duì)原始數(shù)據(jù)8個(gè)波段進(jìn)行GLCM Con及Gist紋理特征提取，分別得到8個(gè)GLCM Con紋理特征及8個(gè)Gist紋理特征。對(duì)2種紋理特征進(jìn)行OIF指數(shù)計(jì)算，每種紋理特征分別有56種組合，表2為OIF值較高的GLCMCon 組合以及Gist紋理組合，可以看出，Gist紋理特征OIF指數(shù)均高于GLCM Con紋理，其中原始數(shù)據(jù)第5波段Gist特征（Gist 5），第7波段Gist特征（Gist 7）和第8波段Gist特征（Gist 8）3個(gè)特征的OIF指數(shù)最高，達(dá)到26.1，采用Gist 5，Gist 7和Gist 8作為最終紋理特征參與分類。

表2 紋理特征最佳指數(shù)因子OIF統(tǒng)計(jì)結(jié)果

3.3 整體最優(yōu)分割尺度的選擇

根據(jù)本文提出的面積對(duì)象數(shù)比法，統(tǒng)計(jì)了在不同分割尺度下分類后各地物的最大面積以及所含對(duì)象數(shù)，所用分類方法為面向?qū)ο驥鄰近法（K-nearest neighbor, KNN）。表3為不同地物各項(xiàng)指標(biāo)數(shù)值隨分割尺度變化情況。

表3 不同分割尺度下地物面積對(duì)象數(shù)比

從表3可以看出，當(dāng)分割尺度為20時(shí)，方差值最小，此時(shí)各樣本的面積對(duì)象數(shù)比變化最為平緩，該尺度為最適合影像的整體最優(yōu)分割尺度。

3.4 分類結(jié)果

3.4.1 面向?qū)ο蠓诸惤Y(jié)果

采用面向?qū)ο驥鄰近法(K-nearest neighbor, KNN)與面向?qū)ο笾С窒蛄繖C(jī)（support vector machine, SVM）兩種方法分別對(duì)原始影像及原始數(shù)據(jù)與Gist紋理合成數(shù)據(jù)（簡(jiǎn)稱紋理數(shù)據(jù)）進(jìn)行分類。結(jié)合Google Earth同期影像對(duì)研究區(qū)影像進(jìn)行目視解譯，采用隨機(jī)撒點(diǎn)的方式選擇精度驗(yàn)證點(diǎn)，每類地物至少選擇了30個(gè)樣本，建立混淆矩陣。應(yīng)用制圖精度（producer’s accuracy, PA）、用戶精度（user’s accuracy, UA）、Kappa系數(shù)和總體分類精度（overall accuracy, OA）4個(gè)指標(biāo)對(duì)分類結(jié)果進(jìn)行驗(yàn)證，其中，OA和Kappa系數(shù)用于比較整體分類精度，PA和UA用于評(píng)價(jià)特定類別的分類精度，具體分類結(jié)果精度如表4所示。

表4 基于原始數(shù)據(jù)和紋理數(shù)據(jù)的面向?qū)ο蠓诸惥葘?duì)比

從表4可以看出，面向?qū)ο骃VM分類較之面向?qū)ο驥NN具有更高的分類精度，基于原始數(shù)據(jù)的面向?qū)ο骃VM分類OA和Kappa系數(shù)分別比基于原始數(shù)據(jù)的面向?qū)ο驥NN高4個(gè)百分點(diǎn)和0.06；基于紋理數(shù)據(jù)的面向?qū)ο骃VM分類精度仍高于面向?qū)ο驥NN?？梢?jiàn)，無(wú)論是對(duì)原始數(shù)據(jù)還是對(duì)紋理數(shù)據(jù)進(jìn)行分類，面向?qū)ο骃VM方法分類效果較好。

加入紋理特征后，面向?qū)ο骃VM分類和面向?qū)ο驥NN分類精度均有所提高，相對(duì)于原始數(shù)據(jù)分類結(jié)果，面向?qū)ο驥NN分類的OA提高了3.33個(gè)百分點(diǎn)；面向?qū)ο骃VM分類的OA提高了3.67個(gè)百分點(diǎn)?；诩y理的面向?qū)ο骃VM分類具有最高分類精度，OA和Kappa系數(shù)分別達(dá)到85.67%和0.81。Gist紋理特征能夠更好地表達(dá)影像空間尺度與空間結(jié)構(gòu)的紋理信息，在進(jìn)行面向?qū)ο蠓诸悤r(shí)，有助于提高地物識(shí)別精度，特別是對(duì)于紋理特征明顯的地物，如道路交通用地，基于紋理特征的分類精度均比原始數(shù)據(jù)精度有較大程度的提高。

3.4.2 與其他分類方法對(duì)比

為了進(jìn)一步驗(yàn)證Gist紋理特征分類效果并衡量面向?qū)ο蠓诸悆?yōu)勢(shì)，本研究對(duì)原始數(shù)據(jù)及紋理數(shù)據(jù)進(jìn)行傳統(tǒng)監(jiān)督分類，分別采用監(jiān)督分類中3種經(jīng)典的最大似然分類（maximum likelihood classification，MLC）、馬氏距離分類（mahalanobis distance classification，MDC）、SVM分類方法，并將分類結(jié)果與面向?qū)ο蠓诸惤Y(jié)果進(jìn)行對(duì)比。結(jié)果如表5所示。

表5 面向?qū)ο蠓诸惻c監(jiān)督分類精度對(duì)比

從表5可以看出，3種監(jiān)督分類中，SVM方法具有最高的分類精度，原始數(shù)據(jù)和紋理數(shù)據(jù)SVM分類OA分別為76%和78.67%，其中原始數(shù)據(jù)SVM分類OA比MLC與MDC分類高2.33和1.99個(gè)百分點(diǎn)，紋理數(shù)據(jù)SVM分類OA分別比MLC與MDC分類高3.67和2個(gè)百分點(diǎn)。對(duì)于3種監(jiān)督分類方法來(lái)說(shuō)，紋理特征使分類總精度均有了一定程度的提高，SVM提高幅度最為明顯。

面向?qū)ο蠓诸惻c監(jiān)督分類相比，無(wú)論是原始數(shù)據(jù)還是紋理數(shù)據(jù)，面向?qū)ο蠓诸惥染哂诒O(jiān)督分類精度?；贕ist紋理的面向?qū)ο骃VM分類比基于Gist紋理的MLC分類OA高10.67個(gè)百分點(diǎn)。加入Gist紋理特征后，面向?qū)ο蠓诸惥忍岣咦顬槊黠@，其中面向?qū)ο骃VM分類方法對(duì)紋理特征更為敏感。

為了更清晰的對(duì)比面向?qū)ο笈c監(jiān)督分類結(jié)果，截取典型區(qū)域（圖3a），采用目視解譯的方法繪制典型區(qū)土地利用分類圖（圖3b），以此為參照，對(duì)監(jiān)督分類中精度較高的SVM以及面向?qū)ο骃VM分類進(jìn)行對(duì)比。原始數(shù)據(jù)監(jiān)督SVM分類的耕地、草地、居民地、水體、未利用地與道路交通用地錯(cuò)分嚴(yán)重；圖3d中居民地、水體識(shí)別效果較好，但是耕地、草地與道路交通用地錯(cuò)分嚴(yán)重；從圖3e可以看出，耕地、草地、水體識(shí)別效果好于圖3c、3d，且道路交通用地能夠較明顯的提取出來(lái)，但是部分未利用地與居民區(qū)、道路交通用地發(fā)生混淆，部分耕地、林地與道路交通用地發(fā)生混淆；圖3f為基于Gist紋理特征的面向?qū)ο骃VM分類，從分類結(jié)果可以看出，水體與道路交通用地分類效果相比于圖3c、3d和3e有所提高，林地錯(cuò)分減少，未利用地與居民地、道路交通用地區(qū)分也更細(xì)致。

圖3 面向?qū)ο蠓诸惻c監(jiān)督分類對(duì)比

4 結(jié) 論

本研究以石家莊2016年Landsat 8 OLI遙感影像為研究對(duì)象，對(duì)面向?qū)ο蠓诸愡^(guò)程中紋理特征的提取、紋理特征的選擇、面向?qū)ο蠓指畛叨冗M(jìn)行了分析和研究，實(shí)現(xiàn)了基于紋理特征的面向?qū)ο笸恋乩?覆蓋信息提取。

1）將廣泛運(yùn)用于場(chǎng)景分類的Gist特征引入遙感分類中，并對(duì)基于GLCM的8種紋理特征與Gabor濾波器下的Gist紋理特征進(jìn)行對(duì)比，發(fā)現(xiàn)Gist紋理特征所含信息量高于GLCM紋理特征，更適用于Landsat 8 OLI數(shù)據(jù)分類。Gist特征應(yīng)用于面向?qū)ο蠓诸愔械玫搅溯^高分類精度，分類總精度達(dá)到85.67%。

2）在面向?qū)ο蠓诸惙指畛叨鹊难芯恐?，本文提出了“面積對(duì)象數(shù)比”方法計(jì)算整體最優(yōu)分割尺度，取得較好分類效果。

3）面向?qū)ο蠓诸惻c傳統(tǒng)監(jiān)督分類對(duì)比表明，無(wú)論是原始數(shù)據(jù)還是紋理數(shù)據(jù)，面向?qū)ο蠓诸惥染哂诨谙裨谋O(jiān)督分類。對(duì)于中分辨率Landsat 8 OLI遙感數(shù)據(jù)，面向?qū)ο蠓诸惙椒ㄒ簿哂型瑯拥倪m用性，且面向?qū)ο蠓诸惙椒▽?duì)紋理數(shù)據(jù)更為敏感。

[1] 蔡國(guó)雷，楊鴻波，鄒謀炎. 利用總變分最小化方法的無(wú)監(jiān)督紋理圖像分割[J]. 中國(guó)圖象圖形學(xué)報(bào)，2005，10(4)：489－493.

Cai Guolei, Yang Hongbo, Zou Mouyan. Unsupervised texture segmentation using total variation minimization[J]. Journal of Image and Graphics, 2005, 10(4): 489－493. (in Chinese with English abstract)

[2] 張超，金虹杉，劉哲，等. 基于 GF 遙感數(shù)據(jù)紋理分析識(shí)別制種玉米[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(21)：183－188.

Zhang Chao, Jin Hongshan, Liu Zhe, et al. Seed maize identification based on texture analysis of GF remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(21): 183－188. (in Chinese with English abstract)

[3] 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.

Hu Yufu, Deng Liangji，Kuang Xianhui, et al．Study on land use classification of high resolution remote sensing image based ontexture feature[J]. Geography and Geo-Information Science, 2011, 27(5): 42－45. (in Chinese with English abstract)

[4] 曹晶晶，王一鳴，毛文華，等. 基于紋理和位置特征的麥田雜草識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2007，38(4)：107－110.

Chao Jingjing, Wang Yiming, Mao Wenhua, et al. Weed detection method in wheat field based on texture and position features[J]. Transactions of the Chinese Society for Agricultural Machinery, 2007, 38(4): 107－110. (in Chinese with English abstract)

[5] 游炯，裴志遠(yuǎn)，王飛，等. 基于改進(jìn)多元紋理信息模型和GF-1影像的縣域冬小麥面積提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(13)：131－139.

You Jiong, Pei Zhiyuan, Wang Fei, et al. Area extraction of winter wheat at county scale based on modified multivariate texture and GF-1 satellite images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(13): 131－139. (in Chinese with English abstract)

[6] 劉麗，匡綱要. 圖像紋理特征提取方法綜述[J]. 中國(guó)圖像圖形學(xué)報(bào)，2009，14(4)：622－634.

Liu Li, Kuang Gangyao. Overview of image textural feature extraction methods[J]. Journal of Image and Graphics, 2009, 14(4): 622－634. (in Chinese with English abstract)

[7] 田有文，程怡，王小奇，等. 基于高光譜成像的蘋果蟲(chóng)害檢測(cè)特征向量的選取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2014，30(12)：132－139.

Tian Youwen, Cheng Yi, Wang Xiaoqi, et al. Feature vectors determination for pest detection on apples based on hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(12): 132－139. (in Chinese with English abstract)

[8] 李粉玲，常慶瑞，劉佳岐，等. 基于多紋理和支持向量機(jī)的ZY-1 02C星HR數(shù)據(jù)分類[J]. 武漢大學(xué)學(xué)報(bào)：信息科學(xué)版，2016，41(4)：455－461.

Li Fenling, Chang Qingrui, Liu Jiaqi, et al. SVM classification with multi-texture data of ZY-1 02C HR image [J]. Geomatics and Information Science of Wuhan University, 2016, 41(4): 455－461. (in Chinese with English abstract)

[9] 金瑞，李小昱，顏伊蕓，等. 基于高光譜圖像和光譜信息融合的馬鈴薯多指標(biāo)檢測(cè)方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(16)：258－263.

Jin Rui, Li Xiaoyu, Yan Yiyun, et al. Detection method of multi-target recognition of potato based on fusion of hyperspectral imaging and spectral information[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(16): 258－263. (in Chinese with English abstract)

[10] 宋榮杰，寧紀(jì)鋒，劉秀英，等. 基于紋理特征和SVM的QuickBird影像蘋果園提取[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48(3)：188－197.

Song Rongjie, Ning Jifeng, Liu Xiuying, et al. Apple orchard extraction with QuickBird imagery based on texture features and support vector machine[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(3): 188－197. (in Chinese with English abstract)

[11] Rorat M, Zeevi Y. Localized texture processing in vision: Analysis and synthesis in the Gaborian space[J]. IEEE Transactions on Biomedical Engineering, 1989, 36(1): 115－129.

[12] 劉靜，郭建，賀遵亮. 基于Gist和PHOG特征的場(chǎng)景分類[J]. 計(jì)算機(jī)工程，2015，41(4)：232－235.

Liu Jing, Guo Jian, He Zunliang. Scene classification based on Gist and PHOG feature[J]. Computer Engineering, 2015, 41(4): 232－235. (in Chinese with English abstract)

[13] Siagian C, Itti L. Rapid biologically-inspired scene classification using features shared with visual attention[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2007, 29(2): 300－312.

[14] 仲波，馬鵬，聶愛(ài)華，等. 基于時(shí)間序列HJ-1/CCD數(shù)據(jù)的土地覆蓋分類方法[J]. 中國(guó)科學(xué)：地球科學(xué)，2014，44(5)：967－977.

Zhong Bo, Ma Peng, Nie Aihua, et al. Land cover mapping using time series HJ-1/CCD data[J]. Science China: Earth Sciences, 2014, 44(5): 967－977. (in Chinese with English abstract)

[15] 楊浩，黃文江，王紀(jì)華，等. 基于HJ-1A/1B CCD時(shí)間序列影像的水稻生育期監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(4)：219－224.

Yang Hao, Huang Wenjiang, Wang Jihua, et al. Monitoring rice growth stages based on time series HJ-1A/1B CCD images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(4): 219－224. (in Chinese with English abstract)

[16] Laliberte A S, Rango A, Havstad K M, et al. Object-oriented image analysis for mapping shrub encroachment from 1937 to 2003 in southern New Mexico[J]. Remote Sensing of Environment, 2004, 93(1/2): 198－210.

[17] 吳健生，劉建政，黃秀蘭，等. 基于面向?qū)ο蠓诸惖耐恋卣韰^(qū)農(nóng)田灌排系統(tǒng)自動(dòng)化識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(8)：25－31.

Wu Jiansheng, Liu Jianzheng, Huang Xiulan, et al. Automatic identification of irrigation and drainage system in land reclamation area based on object-oriented classification[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(8): 25－31. (in Chinese with English abstract)

[18] 于歡，張樹(shù)清，孔博，等. 面向?qū)ο筮b感影像分類的最優(yōu)分割尺度選擇研究[J]. 中國(guó)圖象圖形學(xué)報(bào)，2010，15(2)：352－360.

Yu Huan, Zhang Shuqing, Kong Bo, et al. Optimal segmentation scale selection for object-oriented remote sensing image classification[J]. Journal of Image and Graphics, 2010, 15(2): 352－360. (in Chinese with English abstract)

[19] Mountrakis G, Im J, Ogole C. Support vector machines in remote sensing: A review[J]. Isprs Journal of Photogrammetry & Remote Sensing, 2011, 66(3): 247－259.

[20] Omer G, Mutanga O, Abdel-Rahman E M, et al. Performance of support vector machines and artificial neural network for mapping endangered tree species using WorldView-2 data in Dukuduku forest, South Africa[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015, 8(10): 4825－4840.

[21] Dihkan M, Guneroglu N, Karsli F, et al. Remote sensing of tea plantations using an SVM classifier and pattern-based accuracy assessment technique[J]. International Journal of Remote Sensing, 2013, 34(23): 8549－8565.

[22] 張濤，劉軍，楊可明，等. 結(jié)合Gram-Schmidt變換的高光譜影像諧波分析融合算法[J]. 測(cè)繪學(xué)報(bào)，2015，44(9)：1042－1047.

Zhang Tao, Liu Jun, Yang Keming, et al. Fusion algorithm for hyperspectral remote sensing image combined with Harmonic analysis and gram-schmidt transform[J]. Acta Geodaetica et Cartographica Sinica, 2015, 44(9):1042－1047. (in Chinese with English abstract)

[23] Hirsch J. The utility of texture analysis to improve per-pixel classification for high to very high spatial resolution imagery[J]. International Journal of Remote Sensing, 2005, 26(4): 733－745.

[24] Regniers O, Bombrun L, Lafon V, et al. Supervised classification of very high resolution optical images using wavelet-based textural features[J]. IEEE Transactions on Geoscience & Remote Sensing, 2016, 54(6): 3722－3735.

[25] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. Systems Man & Cybernetics IEEE Transactions on, 1973, smc-3(6):610－621.

[26] Townshend J R G, Justice C O, Kalb V. Characterization and classification of south american land cover types using satellite data[J]. International Journal of Remote Sensing, 1987, 8(8): 1189－1207.

[27] 譚玉敏，夏瑋. 基于最佳波段組合的高光譜遙感影像分類[J]. 測(cè)繪與空間地理信息，2014(4)：19－22.

Tan Yumin, Xia Wei. Optimum band combination based hyperspectral remote sensing image classification[J]. Geomatics&Spatial Information Technology, 2014(4): 19－22. (in Chinese with English abstract)

[28] 趙慶展，劉偉，尹小君，等. 基于無(wú)人機(jī)多光譜影像特征的最佳波段組合研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(3)：242－248.

Zhao Qingzhan, Liu Wei, Yin Xiaojun, et al．Selection of optimum bands combination based on multispectral images of UAV[J]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(3): 242－248. (in Chinese with English abstract)

[29] 胡文亮，趙萍，董張玉. 一種改進(jìn)的遙感影像面向?qū)ο笞顑?yōu)分割尺度計(jì)算模型[J]. 地理與地理信息科學(xué)，2010，26(6)：15－18.

Hu Wenliang, Zhao Ping, Dong Zhangyu. An improved calculation model of object-oriented for the optimal segmentation-scale of remote sensing image[J]. Geography and Geo-Information Science, 2010, 26(6): 15－18. (in Chinese with English abstract)

[30] 王榮，李靜，王亞琴. 面向?qū)ο笞顑?yōu)分割尺度的選擇及評(píng)價(jià)[J]. 測(cè)繪科學(xué)，2015，40(11)：105－111.

Wang Rong, Li Jing, Wang Yaqin. Selection and evaluation of segmentation scale with of object-oriented method[J]. Science of Surveying and Mapping, 2015, 40(11): 155－111. (in Chinese with English abstract)

Object-oriented land use/cover classification based on texture features of Landsat 8 OLI image

Pei Huan1,2,3, Sun Tianjiao1, Wang Xiaoyan1,2,3

(1.066004,; 2.066004,; 3.066004,)

Remote sensing image classification is the main approach for rapidly obtaining regional land use/cover information and it has always been an important part in the field of remote sensing. How to improve the classification accuracy of remote sensing images is an urgent problem to be solved in remote sensing research. In traditional classification, only the spectral features of remote sensing image are used, while the texture and other features are ignored. Therefore, it is very common to see the object confusion in the classification result. In this paper, we took the Shijiazhuang Landsat 8 OLI remote sensing image data as the research area, and systematically studied object-oriented classification based on the spatial texture features of remote sensing images. Firstly, Gray Level Co-occurrence Matrix (GLCM) texture features and Gist texture features based on Gabor filter were compared and analyzed. The average J-M distance method was used to evaluate the sample separability and to choose optimal texture features of GLCM. Subsequently, the optimum index factor (OIF) was applied to obtain the best combination of the two texture features. Secondly, the segmentation scale of object-oriented classification was studied in detail, meanwhile, the concept of “the optimal overall segmentation scale” was proposed, which was based on the ratio between maximum area and the number of the objects in classification result. Finally, two object-oriented classification methods, K-Nearest Neighbor (KNN) method and Support Vector Machine (SVM) method, were used to classify the texture data and the original data, and the accuracy of assessment results were compared using three traditional supervised classification methods. The results indicated that the fusion of texture features could improve the accuracy of classification to some extent. The overall classification accuracy based on texture data using object-oriented SVM and object-oriented KNN increased by 3.67 and 3.33 percentage points, respectively, compared with the results based on original data. Object-oriented SVM method based on texture data had the highest classification accuracy with overall classification accuracy of 85.67%, and with Kappa index of 0.81. Although the classification accuracy of the texture-based supervised classification was improved compared with the supervised classification based on original data, the accuracy was far lower than the value with object-oriented method. For original data, the overall classification accuracy of object-oriented KNN increased by 4.33%, 3.99% and 2.00%, respectively, compared with Maximum Likelihood Classification (MLC), Mahalanobis Distance Classification (MDC) and SVM method. The overall classification accuracy of object-oriented SVM increased by 8.33%, 7.99% and 6.00%, respectively, compared with three supervised methods. After fusing Gist texture features, the overall classification accuracy of object-oriented KNN had increased by 6.33%, 4.66% and 2.66% respectively compared with MLC, MDC and SVM. Whereas the overall classification accuracy of object-oriented SVM increased by 10.67%, 9% and 7.00%, respectively, compared with three supervised methods. Object-oriented SVM method is more sensitive to texture features with the maximum increase of classification accuracy. In future study, more texture features need to be considered to extend the application range of remote sensing classification. In summary, the texture feature has positive effect on improving the accuracy of remote sensing classification, and the application of Gist textures have great potential in object-oriented classification. Moreover, it can also be found that object-oriented method is suitable for classifying medium resolution remote sensing image. The research method in this paper not only gives a valuable reference for other kinds of remote sensing images, but also provides an effective approach for the extraction of regional land use/cover information.

remote sensing; land use; classification; texture features; object-oriented classification; Gist feature; supervised classification

10.11975/j.issn.1002-6819.2018.02.034

TP75

A

1002-6819(2018)-02-0248-08

2017-08-19

2018-01-12

國(guó)家自然科學(xué)基金項(xiàng)目（U1503184）；燕山大學(xué)青年教師自主研究計(jì)劃課題（14LGA011，16LGB010）

裴 歡，甘肅民勤縣人，博士，副教授，主要從事生態(tài)環(huán)境遙感研究。Email：peihuan_ysu@163.com

裴 歡，孫天嬌，王曉妍. 基于Landsat 8 OLI影像紋理特征的面向?qū)ο笸恋乩?覆蓋分類[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34(2)：248－255. doi：10.11975/j.issn.1002-6819.2018.02.034 http://www.tcsae.org

Pei Huan, Sun Tianjiao, Wang Xiaoyan. Object-oriented land use/cover classification based on texture features of Landsat 8 OLI image[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(2): 248－255. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2018.02.034 http://www.tcsae.org