劉心云 ，鄭江華

(1. 中山大學(xué)地球科學(xué)與地質(zhì)工程學(xué)院，廣東 廣州 510275;2. 新疆大學(xué) 干旱生態(tài)環(huán)境研究所, 新疆 烏魯木齊 830002;3. 新疆大學(xué)教育部綠洲生態(tài)重點(diǎn)實(shí)驗(yàn)室, 新疆 烏魯木齊 830000)

遙感技術(shù)(RS)結(jié)合 GIS和 GPS 已被廣泛用于農(nóng)作物的面積監(jiān)測與估產(chǎn)[1-5]。2005 年，全國中藥資源普查方案設(shè)計首次正式引入以遙感技術(shù)為代表3S技術(shù)[6]。遙感技術(shù)在估算中草藥資源面積、產(chǎn)量及蘊(yùn)藏量方面的有效性，推動了遙感技術(shù)在中草藥資源普查中的應(yīng)用[7-12]。

早期研究主要是使用遙感影像的光譜識別技術(shù)進(jìn)行分類。然而隨著遙感影像的空間分辨率不斷提高,對地物細(xì)節(jié)的表現(xiàn)能力以及像元間的空間相關(guān)性不斷加強(qiáng),許多研究者發(fā)現(xiàn)地物的光譜信息受到多種因素的干擾,這限制了基于單個像元的波譜分析在應(yīng)用研究中的作用。因此遙感影像的結(jié)構(gòu)特征——紋理信息的提取分析，對遙感影像分類識別有著舉足輕重的作用。近年來，國內(nèi)外學(xué)者對分形理論的算法和應(yīng)用研究較多[13-14]，將分形理論和分形維數(shù)應(yīng)用到圖像處理的各個方面[15-17]，對不同方法提取的紋理特征在圖像分類中應(yīng)用效果進(jìn)行比較[9，18-23]，取得了許多有應(yīng)用價值的研究成果，為圖像處理技術(shù)探索到了新的研究思路[24-26]。

對于藥用植物而言，周邊較多植被的反射光譜與之相近，容易產(chǎn)生混淆[13]，如果能夠合理的利用紋理特征，那么將會給遙感影像的分類精度帶來很大的提高[15]。本文采用分形中的雙毯覆蓋模型法和灰度共生矩陣方法提取Worldview-2高分影像的紋理特征，結(jié)合光譜信息對遙感影像采用最大似然法監(jiān)督分類，對新疆典型野生藥用植物羅布麻的分類結(jié)果進(jìn)行對比分析。

1 研究數(shù)據(jù)

1.1 研究樣本概況

羅布麻(Apocynumvenetum)是西北地區(qū)最具特色的一種纖維植物，也是一種藥理作用很好的中藥材(如圖1)，廣泛分布于新疆天山南部沙漠中。羅布麻適宜生長在輕鹽堿荒漠地或河岸、山溝、山坡的沙質(zhì)地上，根系發(fā)達(dá)，并且水源消耗少，維護(hù)成本低，一經(jīng)種植成活，每年萌發(fā)新株，連綿不斷，是改善局域環(huán)境最好的生態(tài)植物。研究區(qū)為阿勒泰阿拉哈克鄉(xiāng)(如圖2)，位于新疆最北部的阿爾泰山南麓，占地面積約為2 095 km2，位于東經(jīng)85°31′73″-91°01′15″、北緯45°00′00″-49°10′45″。阿勒泰市境內(nèi)氣候?qū)俦睖貛Т箨懶詺夂?，年平均氣?.5 ℃，年均降水量約191 mm，年均蒸發(fā)量約1 683 mm，年均無霜期146 d，具有四季分明的特點(diǎn)。

阿勒泰是羅布麻主產(chǎn)地，該區(qū)域生長的羅布麻群落主要由蘆葦、檉柳、甘草、黑果枸杞駱駝刺等半生植物建群。阿勒泰阿拉哈克鄉(xiāng)戈寶紅麻公司對核心區(qū)鹽湖連片生長的100多hm2野生羅布紅麻地實(shí)施封育禁牧，建立了阿拉哈克鄉(xiāng)鹽湖羅布紅麻保護(hù)區(qū)；另外，與鹽湖有一定距離范圍內(nèi)有零星分布的羅布麻；人工仿生羅布麻分布在鹽湖東北方向羅布麻人工種植區(qū)。圖2為研究區(qū)分布圖及3D地形圖。

圖1 羅布麻Fig.1 Apocynum venetum.

圖2 阿勒泰阿拉哈克鄉(xiāng)研究區(qū)Fig.2 The study area of Altay Alahake

1.2 衛(wèi)星影像數(shù)據(jù)源與預(yù)處理

1.2.1影像數(shù)據(jù)簡介 綜合考慮數(shù)據(jù)的分辨率、獲取影像的可能性及質(zhì)量、羅布麻的物候期等多方面因素，對阿勒泰地區(qū)阿拉哈克鄉(xiāng)羅布麻普查采用的是美國的Worldview-2高分衛(wèi)星影像，該影像全色波段分辨率為0.5 m，影像數(shù)據(jù)具有8個波段，除了4個業(yè)內(nèi)標(biāo)準(zhǔn)波段外(藍(lán)、綠、紅、近紅)，還包括4個彩色波段：海岸波段(400-450 nm)、黃色波段(585-625 nm)、紅色邊緣波段(705-745 nm)、近紅外2波段(860-1 040 nm)。

結(jié)合阿勒泰阿拉哈克鄉(xiāng)羅布麻物候期，每年的6-7月是羅布麻的盛開期，在盛開期的羅布麻與地面其他物體反射能量之間的光譜差異最為明顯，因此影像時間在 6-7月為最佳時間段。本文選擇阿勒泰阿拉哈克鄉(xiāng)2013年6月25日的Worldview-2影像，影像中心點(diǎn)坐標(biāo)為47°41′6″N，87°31′59″E。

為了對最終分類精度的驗(yàn)證更準(zhǔn)確，在同期2013年6月25日，正值羅布麻盛花期，研究小組對阿勒泰地區(qū)阿拉哈克鄉(xiāng)進(jìn)行野外實(shí)地勘查。根據(jù)已有經(jīng)驗(yàn)，使用 GPS 抽取一定量的樣區(qū)或樣帶，并對不同地物類型進(jìn)行實(shí)地抽樣調(diào)查。

1.2.2 影像預(yù)處理 首先使用ENVI4.7對遙感影像進(jìn)行幾何校正、圖像增強(qiáng)、裁剪、融合等預(yù)處理。影像的輻射校正已在地面站完成，以0.5 m 空間分辨率的全色波段影像為基準(zhǔn)，對多光譜影像做幾何校正；將校正好的全色影像與1.8 m分辨率的多光譜影像進(jìn)行融合(如圖3)，然后利用 GIS 軟件將 GPS 定位點(diǎn)的樣地經(jīng)緯度數(shù)據(jù)轉(zhuǎn)換成與圖像投影一致的shp文件，并在此基礎(chǔ)上進(jìn)行地面樣點(diǎn)定位。依據(jù)獲取的地面樣點(diǎn)位置的遙感監(jiān)測信息，結(jié)合地物光譜和紋理結(jié)構(gòu)特征，目視解譯結(jié)果顯示，影像內(nèi)包含的地物有羅布麻、裸地、其他作物及植物等類型。

圖3 研究區(qū)多光譜與全色影像融合圖 Fig.3 Fusion of multispectral and panchromatic images

2 研究方法

2.1 雙毯覆蓋模型

雙毯覆蓋模型是分形理論的方法之一，是Mandelbrot在估算英國海岸線長度值時所使用方法的一種推廣[27]。

把遙感影像的灰度看作影像坐標(biāo)的第3維，形成一個灰度曲面，在灰度曲面的上下ε距離處構(gòu)成一個厚度為 2ε的“毯子”，毯子的表面積為毯子的體積除以 2ε。對于不同的ε，可用如下方法計算出分形表面積：

令f(i，j)代表灰度值函數(shù)，上表面和下表面分別用uε，bε表示，初始情況下， 令：

μ0(i,j)=b0(i,j)=f0(i,j)

(1)

上下2張曲面分別按如下原則生長：

ε=1,2,3...

(2)

ε=1,2,3...

(3)

其中d(i，j，m，n)為(i，j)與(m，n)兩點(diǎn)間的距離。

則“毯子”的體積為

υε=∑i,j(με(i,j)-bε(i,j))

(4)

表面積為：

A(ε)=υε/2ε

(5)

由于分形表面積符合關(guān)系式：

A(ε)=Fε2-D

(6)

則：

lnA(ε)=c1lnε+c0

(7)

改變ε大小，就可以計算出一系列的lnA(ε)，再以最小二乘法對{ε,lnA(ε)}點(diǎn)對進(jìn)行線性回歸，可求出回歸直線的斜率c1，通過直線斜率與分維數(shù)的關(guān)系c1=2-D，即可求出分形維數(shù)D[28]。

上述方法只能計算得到一個分形維數(shù)，要基于分形理論對遙感圖像進(jìn)行分類，需采用雙毯覆蓋模型法對影像中的每一個像元計算其分形維數(shù)，從而獲得整幅實(shí)驗(yàn)影像的紋理特征[29-30]。

對于遙感圖像來說角二階矩、 相關(guān)性、對比度和熵 4 種灰度共生矩陣統(tǒng)計量效果較好[21]。以第一個像素為起點(diǎn)，將全色波段的影像按照從左到右、從上到下的順序進(jìn)行滑動操作,對計算出的灰度共生矩陣進(jìn)行歸一化，并將獲得的特征值返回到窗口中心像素,提取出基于灰度共生矩陣的紋理特征圖像[31-32]。本文在ENVI4.7環(huán)境下提取了像元間距為 1、灰度級量化為 16 級、選擇 3×3 的窗口大小在4個方向上分別提取遙感影像全色波段的紋理特征圖像(圖4)。

2.2 結(jié)合紋理特征的遙感影像分類

為了對比分類效果，分別采用分形中的雙毯覆蓋模型方法與灰度共生矩陣法提取影像的紋理特征(圖4、圖5)，對原始多光譜影像、多光譜與全色融合影像、多光譜與分形紋理特征合并的影像、多光譜與灰度共生矩陣紋理特征合并的影像用最大似然的監(jiān)督分類方法解譯圖像，對比分析羅布麻的分類結(jié)果和精度。如圖6所示，是多光譜影像圖、多光譜與全色影像融合圖、多光譜和全色以及對比度融合的對比圖(多光譜圖像選取波段7、4、1)，從圖中可明顯看出，融合后的影像精度有所提高，為監(jiān)督分類目視解譯降低難度，提高最終分類的效果。

2.3 分類結(jié)果

分別對原始影像和基于分形紋理5×5窗口大小以及灰度共生矩陣紋理的融合影像進(jìn)行分類實(shí)驗(yàn)，將實(shí)驗(yàn)影像包含的地物分為羅布麻，其他植被1，其他植被2和裸地 4 種類型，分類結(jié)果如圖7所示。

同時，對基于分形中雙毯覆蓋模型的紋理特征提取，采用滑動領(lǐng)域操作進(jìn)行實(shí)驗(yàn)。用不同尺寸的窗口提取紋理特征參與最大似然法分類時，分類效果也存在差異。如圖8所示為不同大小窗口下分類的結(jié)果。

圖4 基于灰度共生矩陣提取的影像紋理特征Fig.4 The texture features of gray level co-occurrence matrix- based images

圖5 3種滑動窗口下提取的影像紋理特征Fig.5 Image texture features under 3 kinds of moving window

圖6 影像融合前后對比圖Fig.6 Image fusion contrast figure

圖7 光譜+紋理特征的分類結(jié)果Fig.7 The classification of spectrum and texture feature

圖8 不同滑動窗口大小下的紋理特征的分類結(jié)果Fig.8 The classification of texture features under different moving window

3 討 論

3.1 紋理特征對比分析

從雙毯覆蓋模型法提取的紋理特征圖像可以看出，裸地粗糙程度大，在特征圖像上顯示較亮；而植被的紋理相對平滑，顏色相對較暗；在不同地物的邊界處紋理變化最大，在特征圖像上最亮。表明雙毯覆蓋模型法提取的紋理特征能反映不同地物的復(fù)雜和粗糙程度,利用雙毯法提取地物的紋理特征并加以區(qū)分是可行的[31]。

在采用不同尺寸的窗口時，提取的紋理效果差異顯著，由7×7 窗口鄰域提取的紋理特征圖像最模糊，對圖像細(xì)節(jié)處存在一定的誤分,許多紋理細(xì)節(jié)并未表現(xiàn)出來；3×3窗口鄰域提取的紋理特征圖像效果比7×7 窗口好，能較好地反映羅布麻的分布情況，植被和裸地的邊界特征也較為明顯；5×5 窗口鄰域提取的紋理特征圖像最清晰，羅布麻及其他植被、裸地等不同地物邊界的紋理結(jié)構(gòu)表現(xiàn)良好。因此分類結(jié)果中采用60-100的尺度，5×5的窗口大小進(jìn)行紋理特征圖像的提取。基于灰度共生矩陣提取的紋理特征(圖4)發(fā)現(xiàn)提取二階統(tǒng)計量對比度(Contrast)的紋理特征效果較好，因此在本文中選取了對比度參與最大似然法的監(jiān)督分類。結(jié)果表明，采用了基于滑動鄰域的操作,當(dāng)鄰域范圍過大時會造成邊緣模糊效應(yīng),丟失紋理的細(xì)節(jié)特征。利用雙毯法分形維數(shù)提取的遙感影像紋理特征對不同地物區(qū)域的總體輪廓有較好的區(qū)分,效果優(yōu)于利用灰度共生矩陣法提取的紋理特征。

3.2 分類結(jié)果對比分析

對比分析圖7的分類結(jié)果，可看出結(jié)合紋理特征分類后的實(shí)驗(yàn)效果有所提高。從圖7中僅利用多光譜分類的結(jié)果圖中可看到，較多植被光譜特征極為相似，因此，容易誤分成羅布麻。結(jié)合多光譜和全色影像融合后的分類圖像來看，羅布麻分類效果稍好，但不明顯。引入基于GLCM 的紋理特征后，被誤分的像元有所減少，效果相對較好。圖8中可以看到，使用分形中雙毯覆蓋模型提取紋理特征后的分類結(jié)果被誤分的像元更大程度地減少。對比這幾個分類結(jié)果圖可看出，將紋理特征與光譜特征相結(jié)合分類的效果相對于僅利用光譜分類的結(jié)果而言，誤分有所減少。

以上僅是目視觀察對比分析分類結(jié)果，要定量評價分類結(jié)果的精度，需要引入混淆矩陣，得到不同方法分類時的總體分類精度和 Kappa 系數(shù)，以及羅布麻的分類精度(表 1)。

針對基于分形雙毯覆蓋模型提取紋理特征參與分類的結(jié)果，本文選取了4種不同尺度的滑動窗口進(jìn)行輔助分類，比較總體分類精度和 Kappa 系數(shù)，以及羅布麻的分類精度可以發(fā)現(xiàn)(表2)。

表1 總體分類精度、Kappa 系數(shù)、羅布麻精度Table 1 Overall classification accuracy, the Kappa coefficient, Apocynum precision

表2 不同滑動窗口下的總體分類精度、 Kappa 系數(shù)、羅布麻精度Table 2 Overall classification accuracy, the Kappa coefficient, Apocynum precision under different sliding window

1) 從全色與多光譜波段融合前后分類精度進(jìn)行比較：融合后的Kappa 系數(shù)并未提高，總體分類精度較只用多光譜分類有所提高，但僅提高1.21%。

2) 從分形與灰度共生矩陣提取紋理信息對其分類結(jié)果進(jìn)行比較：兩種方式分類效果都不錯，加入紋理特征后，相較于僅采用多光譜分類總體分類精度提高了 1.21%-8.63%，其中結(jié)合灰度共生矩陣紋理特征，總體分類精度比僅采用多光譜稍高，但效果卻不非常明顯，提高的精度為 3.36%-4.3%，Kappa 系數(shù)提高了 0.04。結(jié)合分形紋理特征提高的精度為 3.72%-8.63%，Kappa 系數(shù)提高了 0.06?？梢妼τ赪orldview-2影像結(jié)合分形紋理較灰度共生矩陣(GLCM) 紋理效果總體分類效果提高了大約兩倍。

3) 從對羅布麻分類的精度比較：在引入分形紋理特征后的分類精度提高，并且精度高達(dá)99.96%，而引入灰度共生矩陣(GLCM)羅布麻精度卻降低了0.12%，可見基于分形理論的雙毯覆蓋模型分類效果比灰度共生矩陣(GLCM)分類效果更顯著，更適用Worldview-2羅布麻識別。

針對雙毯覆蓋模型中不同大小的滑動窗口分類精度進(jìn)行比較：在 4 種不同滑動窗口下，結(jié)合分形中雙毯覆蓋模型紋理特征的總體分類精度相較于僅使用多光譜都有所提高，范圍大約是在3.72%-8.63%。其中3×3 滑動窗口總體分類精度最高，達(dá)到95.84%，但相較于其他窗口大小對羅布麻的分類精度相對最低，這可能是由于紋理劃分太細(xì)，導(dǎo)致信息冗余，而降低了分類精度；5×5 滑動窗口總體精度比3×3窗口降低了1.84%，比7×7，9×9滑動窗口提高了2.71%、3.07%，但羅布麻分類精度達(dá)到99.96%，相較于其他大小的滑動窗口最高；7×7和9×9滑動窗口的分類總體精度、Kappa 系數(shù)及羅布麻精度依次降低。羅布麻以單個植株成片分布，植株大約在1-4 m高。不同滑動窗口大小對其分類精度的影響除了與影響分辨率有關(guān)之外，可能也與羅布麻自身植株及冠層的大小、形態(tài)及分布有關(guān)。由此可知，在使用分形中的雙毯覆蓋模型提取Worldview-2影像紋理特征時，對于不同的研究對象，選擇合適的滑動窗口將對之后的分類效果產(chǎn)生一定的影響。

4 結(jié) 論

以上分析表明，利用Worldview-2識別羅布麻分布情況是可行的，結(jié)合分形理論和傳統(tǒng)的灰度共生矩陣提Worldview-2衛(wèi)星遙感影像的紋理特征可從不同程度上提高總體分類精度，其中結(jié)合雙毯覆蓋模型提取的分形紋理特征與多光譜的分類結(jié)果，不僅能提高羅布麻總體分類精度和 Kappa 系數(shù)，而且識別羅布麻最完整、準(zhǔn)確，提高羅布麻識別精度效果最顯著。結(jié)果中也存在著一定的誤差，誤差的來源主要包括混合像元問題和周邊地物影響，通過與實(shí)地堪查的樣本資料比較，在羅布麻盛花期，研究區(qū)的油葵正值初花期，其光譜綠度與羅布麻相近，識別的結(jié)果還是存在一定程度的誤判和漏判，但整體結(jié)果可靠。

致謝: 感謝中山大學(xué)王正海老師在本文成文過程中給出的寶貴意見及耐心指導(dǎo)，感謝瑞典國家測繪局鄭淑丹女士在數(shù)據(jù)處理上的支持和建議！