王慶雅，張 錦

(太原理工大學(xué) 礦業(yè)工程學(xué)院，太原 030006)

滑坡是我國發(fā)生數(shù)量最多、分布最廣的地質(zhì)災(zāi)害，每年因滑坡而造成直接或間接的經(jīng)濟(jì)損失不可估量。因此，在滑坡發(fā)生后，利用高分辨率遙感影像進(jìn)行滑坡快速提取對應(yīng)急救援、災(zāi)損評估具有重要的意義。

由于地形地貌、地質(zhì)條件等因素的不同，滑坡體在遙感影像上的特征有較大差別[1]，因此，很難建立起通用的滑坡識別特征體系。目前，滑坡自動提取主要依靠基于高分辨率遙感影像結(jié)合多特征體系的滑坡自動識別方法。MARTHA et al[2]利用光譜、紋理、形態(tài)等特征實現(xiàn)了對不同類型滑坡的半自動提取。KURTZ et al[3]利用光譜、紋理、幾何、上下文等特征采用自上而下的基于區(qū)域的層次框架實現(xiàn)了滑坡的分層提取。劉辰等[4]使用不同分辨率的DEM進(jìn)行面向?qū)ο蟮幕绿崛?，指出空間分辨率越高的DEM數(shù)據(jù)，越能準(zhǔn)確地識別出滑坡。彭令等[5]結(jié)合光譜、紋理、幾何、地形等特征屬性建立規(guī)則集進(jìn)行區(qū)域滑坡信息提取。充分利用高分影像的紋理、幾何和上下文等空間特征及光譜特征，結(jié)合地形特征，建立多特征滑坡識別體系，雖然是提高滑坡識別與提取能力的有效途徑，但其中存在特征冗余、滑坡識別規(guī)則難以統(tǒng)一等問題，而且在目前滑坡提取中用到的紋理特征主要是灰度共生矩陣這種統(tǒng)計特征，對于單個滑坡在遙感影像上具體的紋理表現(xiàn)方式及規(guī)律性研究還不夠充分。

紋理反映了物體表面顏色和灰度的某種變化規(guī)律，是區(qū)分具有相似光譜、不同空間分布結(jié)構(gòu)特性地物的有效信息，被廣泛應(yīng)用在影像信息的提取中[6]。宋榮杰等[7]分別用灰度共生矩陣、分形和空間自相關(guān)3種紋理特征方法進(jìn)行蘋果園提取并對比了識別精度，表明灰度共生矩陣的效果較好。閆利等[8]利用一種新的結(jié)構(gòu)指數(shù)特征表達(dá)種植園的紋理結(jié)構(gòu)，實現(xiàn)依靠單一或者少數(shù)特征的種植園自動提取。這些方法要求地物具有較為明顯規(guī)則的紋理結(jié)構(gòu)，對于沒有明顯規(guī)律的地物適應(yīng)性較弱。徐望明等[9]利用多尺度多方向Gabor變換提取GIST特征實現(xiàn)人臉識別。游永發(fā)等[10]利用多尺度多方向Gabor小波變換結(jié)果提取建筑物特征點并實現(xiàn)了建筑物的分級提取。但是這些方法都存在特征冗余、計算過程較為繁瑣等問題。

上述紋理特征提取方法主要是針對有規(guī)則的人工地物具有較好的效果，而滑坡的紋理結(jié)構(gòu)往往不規(guī)則，其規(guī)律性不夠明顯，因此上述方法對于滑坡的紋理提取效果不明顯。本文探索了單體滑坡的紋理特征，提出了一種多尺度多方向的滑坡紋理表達(dá)方法，能夠有效減少特征冗余，簡化提取過程，實現(xiàn)遙感影像上滑坡多尺度多方向的紋理提取。

1 研究區(qū)及數(shù)據(jù)

黑方臺位于甘肅省永靖縣，地處湟水河與黃河交匯口上游，臺塬分布廣泛，其獨特的地形地貌地質(zhì)環(huán)境及人類耕地灌溉活動，使得區(qū)域滑坡災(zāi)害頻發(fā)。實驗選用從谷歌地球上獲取的2015年9月14日黑方臺黨川段滑坡數(shù)據(jù)，空間分辨率為0.29 m，面積為1.05 km2，如圖1所示。1#滑坡和2#滑坡均由北向南滑動，分布在臺塬邊緣，滑動距離較遠(yuǎn)，滑坡區(qū)域較亮與周圍的農(nóng)田有較大的光譜差異；形態(tài)上看呈兩頭大中間長的啞鈴狀，滑坡后緣呈圈椅狀；滑坡體上的溯流狀明顯，有明顯的波紋狀起伏，如圖2所示。

圖1 實驗區(qū)遙感影像Fig.1 Remote sensing image of the experimental area

圖2 滑坡體上的波浪狀起伏[11]Fig.2 Wavy ups and downs on the landslide

2 滑坡紋理特征分析

2.1 滑坡區(qū)域不同地物影像紋理特征

紋理作為一種重要的視覺表達(dá)，廣泛存在于物體的表面，在遙感影像上則表現(xiàn)為紋理特征值反復(fù)出現(xiàn)的局部模式和它們的排列規(guī)則[12]。周期性和方向性作為描述紋理圖像的視覺感知，所以利用周期和方向進(jìn)行紋理分析是十分重要的。

研究區(qū)滑坡特殊的運動現(xiàn)象，使得其在遙感影像上具有明顯的方向性紋理，形成與周圍地物有明顯不同的紋理特征，如圖3所示。從幾種典型地物的遙感影像來看，滑坡體上具有明顯的垂直于滑動方向的波紋狀紋理，人工建筑區(qū)多呈排列規(guī)則的網(wǎng)格狀紋理，耕地多呈規(guī)則塊狀并具有沿一定方向排列的顆粒狀紋理，斜坡的紋理方向雜亂不規(guī)則。

(a)泥流型黃土滑坡；(b)人工建筑區(qū)；(c)耕地；(d)斜坡圖3 不同地物遙感影像Fig.3 Remote sensing images of different features

2.2 滑坡區(qū)域不同地物頻譜能量表征

為對上述不同地物的紋理方向進(jìn)行定量分析，利用二維傅里葉變換將影像從空域轉(zhuǎn)換到頻域，計算不同地物的頻譜能量并用文獻(xiàn)[13]提出的楔特征(角向分布特征)計算方法，在[0°，180°]方向上以1°為采樣間隔，對從原點出發(fā)的扇面求能量和，分析不同地物的紋理主方向。

傅里葉變換能量譜的自配準(zhǔn)性質(zhì)，使得同一方向不同分布地物特征線的能量疊加在一起，其所對應(yīng)的譜線經(jīng)過頻譜中心并垂直于原地物的特征線方向[14]。即若原地物的紋理主方向為θ，則該地物影像對應(yīng)的角向分布曲線的峰值出現(xiàn)在θ+π/2上；若原地物沒有明顯的方向特點，則其對應(yīng)的角向分布曲線較為平穩(wěn)，沒有明顯的峰值。圖3中4種地物相對應(yīng)的角向分布曲線如圖4所示。

圖4 不同地物角向分布曲線Fig.4 Angular distribution curves of different features

分析上述不同地物的角向分布曲線可以得出，滑坡的能量集中在91°的方向上，紋理主方向為1°；人工建筑區(qū)的能量集中在42°和133°兩個方向上，紋理特征方向為132°和43°；耕地的能量集中在104°的方向上，紋理特征方向為14°；斜坡的能量分布較為分散，沒有明顯的方向性紋理。由此可知，一定區(qū)域內(nèi)，滑坡與周圍地物具有不同的方向性紋理。

3 研究方法

考慮到在一定區(qū)域內(nèi)滑坡與周圍地物這種不同的方向性紋理表現(xiàn)，并利用此種紋理差異進(jìn)行滑坡的提取，本文設(shè)計多尺度多方向Gabor濾波器組進(jìn)行滑坡紋理特征的提取，首先對滑坡圖像進(jìn)行多方向多尺度的Gabor變換，得到多方向多尺度的Gabor特征；其次根據(jù)熵值對同一方向不同尺度的特征圖進(jìn)行融合，得到多方向Gabor特征；最后對多方向Gabor特征進(jìn)行最大值過濾構(gòu)成多尺度多方向Gabor紋理特征。為了分析此方法對滑坡提取的有效性，分別計算了多尺度多方向Gabor紋理特征、局部二值模式(LBP)和局部空間自相關(guān)三種紋理特征，并將紋理特征與光譜特征融合，利用支持向量機(SVM)提取滑坡，根據(jù)混淆矩陣分析不同方法滑坡的提取精度。

3.1 多尺度多方向Gabor紋理特征

3.1.1Gabor濾波

Gabor變換是一種基于信號處理的紋理描述方法，自適應(yīng)Gabor濾波器能夠從不同尺度和方向充分對紋理特征進(jìn)行表征。在空域上，一個二維Gabor函數(shù)實質(zhì)上是一個二維高斯函數(shù)與二維復(fù)數(shù)正弦函數(shù)的疊加，表達(dá)如下：

(1)

其中

xr=xcosθ+ysinθ.

(2)

yr=-xsinθ+ycosθ.

(3)

式中：σx，σy分別代表高斯函數(shù)在x、y方向上的標(biāo)準(zhǔn)差，決定濾波器的形狀；θ為高斯函數(shù)的旋轉(zhuǎn)方向，代表濾波器的方向；f為濾波器的中心頻率，決定空間尺度因子的選擇，中心頻率越小空間尺度越大；(x,y)為圖像像素坐標(biāo)。

從Gabor函數(shù)可以看出，Gabor濾波器為復(fù)數(shù)濾波器，實部為偶對稱濾波器，虛部為奇對稱濾波器，文中考慮復(fù)數(shù)響應(yīng)，方向取值在[0，2π]范圍內(nèi)8等分：

(4)

中心頻率依據(jù)JAIN et al[15]提出的濾波器同一方向上不同中心頻率的確定方法，取不同尺度為：

(5)

式中：m為中心頻率的個數(shù)。文中所用數(shù)據(jù)大小為1 024×1 024，m為8.但是實驗結(jié)果發(fā)現(xiàn)當(dāng)尺度過大時，濾波結(jié)果不能有效描述圖像紋理變化，如圖5所示。在固定90°的方向上，當(dāng)m≥4時，濾波圖像上強弱響應(yīng)變化太大，無法解釋紋理變化，因此文中m=0，1，2，3.

圖5 同一方向不同尺度濾波圖像Fig.5 Filtered images of different scales in the same direction

故本實驗中有8個方向(u=0,1,2…7)，4個尺度(v=0,1,2,3)共32個Gabor濾波器，用這32個濾波器分別對原始圖像進(jìn)行卷積運算。

Fu,v(x,y)=I(x,y)*Gu,v(x,y).

(6)

式中：*為卷積操作符；I(x,y)為原始滑坡圖像；Gu,v(x,y)為Gabor濾波器；Fu,v(x,y)為不同方向和尺度的Gabor特征圖。

文中使用復(fù)數(shù)Gabor核函數(shù)，卷積結(jié)果也會產(chǎn)生實部和虛部的復(fù)數(shù)響應(yīng)，相關(guān)研究發(fā)現(xiàn)，濾波器的實部對紋理比較敏感，大多數(shù)研究在計算中只取實部作為紋理計算結(jié)果；本文研究發(fā)現(xiàn)，在濾波后的滑坡影像中，綜合實部與虛部的幅值圖能夠突出影像局部的能量特征，并能夠較好地體現(xiàn)滑坡與周圍地物的差異。因此，本文根據(jù)濾波后的幅值圖反映滑坡影像的紋理信息。

Mu,v(x,y)=Amplitude[Fu,v(x,y)]=Ru,v2+Iu,v2.

(7)

式中：Ru,v和Iu,v分別為實部和虛部圖像，Mu,v(x,y)為幅值圖像。

圖6是u=2，v=1時的滑坡影像經(jīng)濾波處理后的結(jié)果。

從圖6可以看出，滑坡與非滑坡的濾波響應(yīng)是不同的，滑坡區(qū)的濾波響應(yīng)整體上小于非滑坡區(qū)，這是因為，在非滑坡區(qū)有大量排列規(guī)則的人工建筑及耕地，紋理結(jié)構(gòu)簡單，在單方向上會有較大的響應(yīng)，而滑坡的能量雖然集中在大約90°的方向上，但是滑坡的紋理結(jié)構(gòu)較為復(fù)雜，擁有更多方向的紋理信息，局部紋理也更加豐富。Gabor濾波后的實部和虛部圖像都能夠在一定程度上反映滑坡的特征信息，但與綜合實部和虛部的幅值圖像相比，幅值圖像中的信息量較多，能顯著減少影像信息的缺失。

圖6 滑坡影像與Gabor濾波結(jié)果Fig.6 Landslide image and Gabor filtering result

8個方向4個尺度的濾波結(jié)果如圖7所示。

在圖7中，每行方向一致，尺度從左至右為0，1，2，3，每列的尺度固定，方向從下向上分別為0，1，2，3，4，5，6，7.從圖中可以看出，在方向固定的條件下，小尺度下圖像的邊緣更細(xì)膩，大尺度下圖像的輪廓更清晰，這是因為尺度越大頻率越小，高頻凸顯圖像的邊緣特征，低頻凸顯圖像的輪廓特征。在尺度固定的情況下，不同方向的濾波器允許通過地物的方向是不一樣的，這在規(guī)則排列的人工建筑區(qū)有很好的體現(xiàn)，而滑坡的方向特征相對其它地物不明顯，在濾波結(jié)果圖上具有較小的響應(yīng)。

圖7 不同尺度和方向的濾波結(jié)果Fig.7 Filter results of different scales and directions

3.1.2多尺度Gabor特征圖融合

如上圖7所示，同一方向上的單一尺度往往不足以表征地物的紋理信息，為充分表征地物的輪廓和邊緣信息，根據(jù)熵值將同一方向不同尺度的特征圖進(jìn)行融合。由信息論可知，熵是對不確定性的測量，信息熵值越大其包含的信息也就越多。本文根據(jù)熵值對同一方向不同尺度的特征圖進(jìn)行融合，熵值越大對應(yīng)特征圖被賦予的權(quán)重也就越多，得到多方向Gabor特征Su(x,y)(u=0,1,2…7)，計算方式如下:

(8)

其中權(quán)重計算方法為：

(9)

式中：Eu,v為濾波后圖像的信息熵；Pu,v為對應(yīng)特征圖的權(quán)重。

如圖8所示，融合后的圖像能夠在保留全局輪廓的基礎(chǔ)上有效增加圖像的邊緣信息。

圖8 同一方向不同尺度融合結(jié)果Fig.8 Fusion results of different scales in the same directio

3.1.3多方向最大值濾波

如圖7所示，在固定像素處Gabor紋理特征在不同方向上響應(yīng)不同，具有八維特征，存在一定程度的信息冗余，將8個不同方向特征圖中各像素的最大響應(yīng)值作為Gabor紋理特征，構(gòu)成多尺度多方向Gabor紋理特征G(x,y).

G(x,y)=max(Su(x,y)) .

(10)

如圖9所示，經(jīng)過最大值過濾后，具有多種方向的地物在對應(yīng)方向上的紋理特征都得到了增強，如人工建筑區(qū)已經(jīng)呈現(xiàn)出明顯的建筑輪廓，滑坡體雖然有一主方向，但這種方向相對于圖像并不明顯，因此滑坡的紋理值在圖像上是低于其它地物的。并且，經(jīng)過最大值過濾之后的圖像，相同地物具有相似的紋理特征表現(xiàn)出同類的聚集現(xiàn)象；不同方向的地物紋理特征值相差較大，表現(xiàn)為不同類的分區(qū)現(xiàn)象。

圖9 多尺度多方向Gabor紋理特征Fig.9 Multiscale and multidirectional Gabor texture features

3.2 LBP紋理特征

LBP(local binary pattern，LBP)是根據(jù)中心像素及其鄰域系統(tǒng)的聯(lián)合分布來進(jìn)行量化以獲得紋理特征[12]，具有灰度不變性。在窗口內(nèi)，將窗口中心像素與鄰域像素的差值與0進(jìn)行比較，大于等于0量化為1；否則，量化為0，最后將8位二進(jìn)制數(shù)轉(zhuǎn)化為十進(jìn)制構(gòu)成圖像LBP紋理特征。本文用3×3窗口計算圖像的LBP特征，表達(dá)式如下：

(11)

其中

(12)

式中：hi為中心像素值，hn為鄰域像素值。

3.3 局部空間自相關(guān)

空間自相關(guān)是指空間上鄰近位置屬性信息的相似性，局部空間統(tǒng)計量可以度量局部的空間相關(guān)性，揭示局部空間關(guān)聯(lián)模式，能夠較好地理解和度量區(qū)域內(nèi)部空間關(guān)聯(lián)的結(jié)構(gòu)模式與變異性[16]。本文用基于距離的Getis指數(shù)來表示影像的局部空間自相關(guān)，其表達(dá)如下：

(13)

其中

(14)

3.4 SVM圖像分類

SVM(support vector machine，SVM)是建立在統(tǒng)計學(xué)習(xí)理論中的VC維理論和結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則基礎(chǔ)上的一種監(jiān)督分類算法，在核函數(shù)確定的特征空間上尋找一個能夠正確劃分訓(xùn)練數(shù)據(jù)集，并且?guī)缀伍g隔最大的分離超平面，即求解最優(yōu)分類決策函數(shù)：

(15)

核函數(shù)類型及參數(shù)設(shè)置會影響SVM分類結(jié)果精度，常見核函數(shù)有線性函數(shù)、多項式函數(shù)、徑向基函數(shù)和Sigmoid函數(shù)。本文在ENVI5.3平臺上選擇常用的徑向基函數(shù)作為核函數(shù)，試錯法對比分析獲得最優(yōu)核參數(shù)g和懲罰函數(shù)C.

4 數(shù)據(jù)結(jié)果處理與分析

4.1 紋理特征提取分析

圖10 不同方法紋理特征提取結(jié)果Fig.10 Texture feature extraction results by different methods

4.2 滑坡提取結(jié)果分析

為驗證本文提出的紋理計算方法對滑坡提取的有效性，并對不同紋理特征方法進(jìn)行定量比較，本文設(shè)計了如表1所示的4種滑坡提取方案，并通過滑坡提取結(jié)果來分析3種紋理計算方法的優(yōu)劣性。

表1 不同滑坡提取方案Table 1 Different landslide extraction methods

各方案經(jīng)SVM分類后的結(jié)果有大量的小圖斑，對于小圖斑的處理，分別用以下步驟對分類后的圖像進(jìn)行處理：首先利用5×5的變換核函數(shù)對待分類滑坡圖像進(jìn)行Majority分析，將大量小圖斑歸到鄰域內(nèi)占主導(dǎo)地位的類別中；其次用形態(tài)學(xué)閉運算進(jìn)一步填補滑坡內(nèi)部空洞，使得圖像更加平滑；最后對滑坡圖像中仍存在的較大獨立圖斑進(jìn)行過濾處理，過濾閾值設(shè)為150，并將過濾掉的圖斑歸為背景類。

經(jīng)分類后處理得到的滑坡提取結(jié)果如圖11(b)-(d)所示。目視解譯結(jié)果如圖11(a)所示。從圖中可以看出，方案Ⅰ提取結(jié)果中錯分的滑坡較少，但是有漏分現(xiàn)象，其中1#滑坡的滑源區(qū)缺失嚴(yán)重；方案Ⅱ和方案Ⅲ提取結(jié)果中錯分的滑坡較多，都包含了大量的斜坡，方案Ⅲ提取結(jié)果中錯分滑坡最多。

圖11 目視解譯與不同方案滑坡提取結(jié)果Fig.11 Visual interpretation and different methods of landslide extraction results

混淆矩陣是目前分析分類結(jié)果精度最常用的方法，為對提取結(jié)果進(jìn)行定量評價，通過目視解譯結(jié)果與不同方案的提取結(jié)果計算混淆矩陣的總體分類精度(overall accuracy，OA)、Kappa系數(shù)、錯分誤差(commission error，CE)和漏分誤差(omission error，OE)等指標(biāo)來評價提取結(jié)果精度和可靠性。3種方案的提取精度如表2所示。

對比3種方案提取結(jié)果并結(jié)合表2可知，多尺度多方向Gabor紋理特征結(jié)合光譜特征的提取效果最好，總體分類精度達(dá)到了95.89%，Kappa系數(shù)為0.87；其次是光譜結(jié)合LBP紋理特征，總體分類精度為90.1%，Kappa系數(shù)為0.73；光譜結(jié)合空間自相關(guān)的總體分類精度最低為89.13%，Kappa系數(shù)為0.70.

表2 不同方案滑坡提取精度Table 2 Extraction accuracy of landslides in different methods

同時，多尺度多方向Gabor紋理特征提取結(jié)果的錯分誤差最小，僅為8.10%；而經(jīng)LBP和局部空間自相關(guān)紋理特征提取的滑坡，錯分誤差均達(dá)到了30%以上，尤其局部空間自相關(guān)提取結(jié)果中的錯分誤差最大，為33.22%.從提取結(jié)果來看，錯分誤差較大是由于錯提了大量的斜坡而引起的，表明多尺度多方向Gabor紋理特征能夠較好地對滑坡和斜坡做出區(qū)分，而LBP和局部空間自相關(guān)紋理特征對滑坡和斜坡的區(qū)分能力較差。

從漏分誤差來看，多尺度多方向Gabor紋理特征遺漏提取的滑坡像元最多，漏分誤差最大為12.57%，而LBP和局部空間自相關(guān)紋理特征的漏分誤差都在8%以下，分析提取結(jié)果可知，這是由于1#滑坡的滑源區(qū)與整體滑坡方向不一致，沒有較好地提取出滑源區(qū)。整體提取結(jié)果表明，本文提出的多尺度多方向Gabor紋理特征對具有不同方向紋理特征的地物具有較好的可區(qū)分性，在能夠較好地提取出滑坡的基礎(chǔ)上有效減少斜坡基巖對滑坡提取的影響，提高滑坡提取精度。

5 結(jié)論

本文利用谷歌地球影像和SVM圖像分類技術(shù)，綜合運用光譜信息和紋理信息，在對泥流型黃土滑坡紋理特征分析的基礎(chǔ)上，設(shè)計了一種能夠有效描述泥流型黃土滑坡紋理結(jié)構(gòu)的特征，多尺度多方向Gabor特征，與LBP和局部空間自相關(guān)紋理提取方法進(jìn)行了對比，結(jié)果表明：

1) 與原始多維Gabor特征相比，此特征經(jīng)過融合與過濾，能有效降低特征維數(shù)，在保留原有重要信息的基礎(chǔ)上有效減少冗余特征。

2) 通過對比可知，此特征相比較LBP、局部空間自相關(guān)特征對滑坡具有較好的提取結(jié)果，提取精度達(dá)到了95%以上。

3) 本文不足之處在于實驗中相關(guān)參數(shù)的設(shè)置包括LBP紋理窗口、局部空間自相關(guān)距離設(shè)置均為經(jīng)驗性值，這些與影像分辨率、滑坡尺度大小有關(guān)，缺乏有效的依據(jù)，需要進(jìn)一步研究，同時本文提出的紋理特征方法是否能進(jìn)一步將單體滑坡劃分為滑源區(qū)、滑移區(qū)和堆積區(qū)是接下來需要繼續(xù)研究的內(nèi)容。