基于多尺度紋理和光譜信息的海島土地利用遙感分類方法研究

李利紅，張華國，厲冬玲，史愛琴，王小珍

（衛(wèi)星海洋環(huán)境動力學國家重點實驗室，國家海洋局 第二海洋研究所，浙江 杭州 310012）

0 引言

基于像元光譜的傳統(tǒng)遙感影像分類方法，可根據(jù)在分類過程中人為參與程度被分為監(jiān)督分類法和非監(jiān)督分類法。不論是監(jiān)督分類還是非監(jiān)督分類，都是利用離散像元光譜值的各種統(tǒng)計量與標準地物類別對應光譜統(tǒng)計量間的差異來判定像元類別的歸屬。但是地物的光譜特性受多種因素的影響，會隨著時間、空間而發(fā)生變化，極易出現(xiàn)“同物異譜”和“異物同譜”現(xiàn)象。因此，如果簡單地僅依據(jù)地物的光譜差異來區(qū)分地物，就很容易造成對地物的錯分。考慮到不同地物具有不同尺度特性和紋理特征（亮度、色彩、形狀和大小等），結(jié)合多尺度地物紋理進行影像的分類已逐漸引起學者們的興趣，許多研究者利用不同的影像數(shù)據(jù)進行相關(guān)研究，并取得了較好的分類結(jié)果。宋翠玉等［1］以北京市1989和1999年的Landsat TM影像為數(shù)據(jù)源，利用多尺度紋理和光譜信息進行最大似然分類，在此基礎(chǔ)上對北京市1989—1999年城市擴張進行了監(jiān)測，通過分析發(fā)現(xiàn)，加入紋理信息對區(qū)分城區(qū)道路與村莊有很好的效果。馬德鋒等［2］以2004年西北阿爾金山脈的Landsat TM影像為數(shù)據(jù)源，在獲得紋理影像的基礎(chǔ)上比較分析了單尺度紋理與多尺度紋理結(jié)合光譜信息分類的精度差異，發(fā)現(xiàn)加入多尺度紋理取得的分類效果比單尺度紋理的好。陳晨等［3］利用南京市棲霞區(qū)的IKONOS影像，在獲取不同紋理指數(shù)影像的基礎(chǔ)上結(jié)合光譜信息進行分類實驗，發(fā)現(xiàn)加入多尺度紋理信息不僅可以提高影像的分類精度，而且還能減弱影像分類過程中的椒鹽效應。胡文元等［4］也做了類似的研究，并取得較好的分類效果。

本文針對海島土地利用遙感分類的需求，以SPOT－5衛(wèi)星遙感影像為數(shù)據(jù)源，研究基于多尺度紋理和光譜信息的遙感分類方法。通過對不同單尺度紋理指數(shù)影像結(jié)合光譜信息分類精度的比較分析，篩選出分類效果較好的最佳波段和最佳紋理指數(shù)。利用篩選出的最佳波段提取出多尺度最佳紋理指數(shù)影像，并結(jié)合光譜信息對影像進行分類。

1 基于多尺度紋理的分類方法

1.1 紋理指數(shù)的選取

地物的紋理信息是由復雜的視覺實體或各種因素組合而成的，如亮度、形狀、粗糙度和大小等［5］，其本質(zhì)是地物灰度級的空間分布及空間相關(guān)性在人的視覺上的表現(xiàn)。提取地物紋理特征的方法有3種［3］：統(tǒng)計法、句法結(jié)構(gòu)法和模型法，其中尤以統(tǒng)計法中的灰度共生矩陣法最為成熟，最為廣泛使用。

灰度共生矩陣每個矩陣元素描述的是在θ方向相隔一定像元距離d時，以灰度級i為始點，出現(xiàn)灰度級為j的概率被記為p（i，j，d，θ）［6］。由于灰度共生矩陣并不能直接進行紋理分析，因此在計算得到灰度共生矩陣的基礎(chǔ)上，衍生出了許多可以定量分析、評價紋理的紋理指數(shù)，它包括角二階矩、熵、對比度、相關(guān)性、同質(zhì)性、均值和方差等。計算具體紋理指數(shù)的公式如下：

（1）角二階矩（Angular second moment，簡寫為ASM）：又稱“能量”，用來描述圖像灰度分布的均勻程度，其值越大表示灰度分布越不均勻［6］：

（2）熵（Entropy）：用來表示紋理的復雜程度，其值越大表示紋理越復雜［6］：

（3）對比度（Contrast）：用來表示紋理的清晰程度，其值越大表示紋理的對比度越大，視覺效果越清晰［6］：

（4）相關(guān)性（Correlation）：用來衡量灰度共生矩陣元素在行的方向或列的方向的相似程度［6］：

其中：

（5）同質(zhì)性（Homogeneity）：又稱逆差矩，用來反映圖像紋理的同質(zhì)性，其值越大表示局部紋理越均勻［6］：

（6）均值（Average）：用來表示移動計算窗口中灰度的平均值水平［6］：

（7）方差（Variance）：用來表示紋理的周期，其值越大表示紋理的周期越大［6］：

其中：

上述紋理指數(shù)計算表達式中，i和j均表示灰度級；l表示移動計算窗口影像生成的灰度共生矩陣的維數(shù)，即相異的灰度級個數(shù)；p（i，j，d，θ）表示灰度共生矩陣中的元素，即在θ方向相隔一定像元距離d時，以灰度級i為始點，出現(xiàn)灰度級為j的概率。

1.2 紋理指數(shù)的計算

根據(jù)灰度共生矩陣原理及紋理指數(shù)計算公式，編制了紋理指數(shù)影像計算軟件模塊，提取紋理指數(shù)。提取紋理指數(shù)的流程如下：（1）讀入遙感影像數(shù)據(jù)；（2）確定計算紋理指數(shù)的波段；（3）確定移動計算窗口的大小、移動方向和移動距離；（4）確定要計算的某一紋理指數(shù)；（5）統(tǒng)計移動窗口內(nèi)灰度值相異的像元個數(shù)，形成灰度共生矩陣；（6）利用所選紋理指數(shù)的計算公式，通過灰度共生矩陣計算求得窗口中心像元的紋理指數(shù)；（7）循環(huán)（5）至（6）直至計算完所有像元。

利用上述算法獲得了0°，45°，90°和145°方向的角二階矩、熵、對比度、相關(guān)性、同質(zhì)性、均值和方差的紋理指數(shù)影像。通過統(tǒng)計不同計算方向得到的紋理指數(shù)影像的相關(guān)系數(shù)，發(fā)現(xiàn)不同計算方向計算結(jié)果的相關(guān)系數(shù)均在97%以上（表1），可見紋理計算方向?qū)τ嬎憬Y(jié)果影響不大。因此本文在紋理計算過程中將偏移距離和偏移方向這2個參數(shù)保持固定不變（偏移距離為1個像元，偏移方向為45°）。

表1 第一波段不同計算方向均值紋理影像的相關(guān)性統(tǒng)計Tab.1 Correlation statics of different mean images from different angles in first band

采用上述方法，通過調(diào)整移動計算窗口的大?。ǚ謩e為3×3、5×5、7×7、9×9、11×11），提取獲得了不同尺度角二階矩、熵、對比度、相關(guān)性、同質(zhì)性、均值和方差的紋理指數(shù)影像，用于后續(xù)的分類比較。

2 實驗數(shù)據(jù)與驗證樣本

本次實驗數(shù)據(jù)采用2006年8月19日獲取的西門島SPOT－5多光譜遙感影像（圖1a），其空間分辨率為10m，包含綠、紅、近紅外和短波紅外4個波段。

驗證參考數(shù)據(jù)是基于國家土地利用分類標準，參考2010年5月獲取的WorldView－2高分辨率遙感影像和實地考察資料，對同期遙感圖像通過目視解譯獲得的西門島土地利用數(shù)據(jù)。西門島土地利用類型劃分為：養(yǎng)殖水面、坑塘水面、水田、旱地、有林地、其它園地、農(nóng)村宅基地和特殊用地8類（圖1b）。

圖1 SPOT－5遙感影像（a）和土地利用目視解譯結(jié)果（b）Fig.1 SPOT－5image（a）and land use visual interpretation results（b）

在本次實驗中，選取了2套樣本：第一套樣本包含6 112個樣點，作為最大似然監(jiān)督分類的訓練樣本；第二套樣本包含7 873個樣點，作為驗證樣本用于精度分析。訓練樣本和驗證樣本的點數(shù)量統(tǒng)計見表2，樣本的空間分布如圖2所示（特殊用地主要指山間的小寺廟，由于其面積較小且數(shù)量單一，因此在后面的分析中將其歸入有林地一類）。

3 結(jié)果與分析

3.1 基于像元光譜的影像分類

利用最大似然監(jiān)督分類法及所選取的訓練樣本，進行土地利用分類，結(jié)果如圖3所示。通過利用選取的驗證樣本對分類結(jié)果進行精度驗證，誤差矩陣如表3所示。結(jié)果表明，基于像元光譜信息的最大似然監(jiān)督分類的總體精度為75.41%，Kappa系數(shù)為0.702 2。

表2 訓練樣本和驗證樣本的點數(shù)量Tab.2 The number of testing samples and verifying samples

圖2 訓練樣本（a）和驗證樣本（b）的空間分布Fig.2 Testing samples（a）and verifying samples（b）spatial layout

分析誤差矩陣，發(fā)現(xiàn)在7種土地利用類型中有林地和其它園地被錯分的情況比較嚴重，其中有林地的1 054個像元，即41.98%的有林地被錯分為其它園地，而其它園地的133個像元，即38.78%的其它園地被錯分為有林地。通過分析西門島的SPOT－5影像（圖1a），發(fā)現(xiàn)該島中部山區(qū)的有林地和島嶼東南部的其它園地兩者的光譜十分相似，因此在基于像元光譜信息的監(jiān)督分類結(jié)果中大面積的有林地被錯分為其它園地（圖3）。

表3 基于像元光譜信息分類結(jié)果的誤差矩陣Tab.3 Error matrix based on the results of multispectral information classification

3.2 基于單尺度紋理的影像分類

圖3 基于像元光譜信息的土地利用分類結(jié)果圖Fig.3 Classification result based on multispectral information

利用灰度共生矩陣紋理算法，對SPOT－5遙感影像的每一個波段均提取了角二階矩、熵、對比度、相關(guān)性、同質(zhì)性、均值和方差的單尺度（3×3窗口）紋理指數(shù)影像。在此僅給出由第一波段計算所得的角二階矩和熵的單尺度紋理指數(shù)影像圖（圖4）。

圖4 第一波段計算所得的熵（a）和角二階矩（b）的單尺度紋理指數(shù)影像Fig.4 Entropy texture image（a）and angular second moment texture image（b）based on the first band

將計算所得的單尺度紋理指數(shù)影像作為邏輯波段分別與原影像組合形成新的多波段影像。在此基礎(chǔ)上利用訓練樣本和驗證樣本對新組合形成的影像進行監(jiān)督分類和精度分析。每類紋理指數(shù)影像參與監(jiān)督分類的精度統(tǒng)計如表4所示，其中第三波段均值單尺度紋理結(jié)合多光譜的總體分類精度最高，為77.59%；第一波段均值單尺度紋理結(jié)合多光譜的總體分類精度最低，為50.62%，兩者的分類結(jié)果如圖5所示。

圖5 第三波段（a）和第一波段（b）的均值單尺度紋理監(jiān)督分類結(jié)果Fig.5 Supervised classification result based on average texture from the third band（a）and the first band（b）

表4 單尺度紋理指數(shù)結(jié)合多光譜影像監(jiān)督分類的精度統(tǒng)計Tab.4 Statistics of supervised classification accuracy based on single－scale texture combined multispectral information

從表4可以看出，與單純基于光譜信息的監(jiān)督分類精度（總體精度為75.41%，Kappa系數(shù)為0.702 2）相比，加入單尺度角二階矩和方差紋理未能提高影像的分類精度，其中單尺度方差的加入反而大大降低了影像的分類精度；相反，由第一波段計算的熵、相關(guān)性和同質(zhì)性紋理指數(shù)，由第二波段計算的相關(guān)性和同質(zhì)性紋理指數(shù)，由第三波段計算的均值紋理指數(shù)和第四波段計算的同質(zhì)性紋理指數(shù)的加入均能夠有效地提高影像的分類精度。其中尤以第一波段和第二波段計算的相關(guān)性、同質(zhì)性紋理，第三波段計算的均值紋理和第四波段計算的同質(zhì)性紋理對分類精度的提高均有明顯的效果。

不同的地物具有不同的尺度特性，因此僅考慮單一尺度對于精確提取不同地物類型似乎有不妥之處?？紤]到不同地物的尺度依賴性，利用對提高分類精度有較明顯效果的第一波段和第二波段計算的相關(guān)性和同質(zhì)性紋理，第三波段計算的均值紋理和第四波段計算的同質(zhì)性紋理指數(shù)影像進行多尺度紋理結(jié)合多光譜的最大似然監(jiān)督分類實驗。

3.3 基于多尺度紋理的影像分類

采用多尺度紋理指數(shù)計算模塊，分別計算了5×5、7×7、9×9和11×11窗口4種尺度第一波段和第二波段的相關(guān)性和同質(zhì)性紋理、第三波段的均值紋理和第四波段的同質(zhì)性紋理指數(shù)影像。然后分別加入2，3，4和5種尺度組合的紋理指數(shù)影像，作為邏輯波段與原始影像組合形成新的多波段影像進行監(jiān)督分類。不同多尺度紋理結(jié)合多光譜影像監(jiān)督分類精度的評價結(jié)果如表5所示。

表5 多尺度紋理結(jié)合多光譜影像監(jiān)督分類精度評價表Tab.5 Statistics of supervised classification accuracy based on multi－scale texture combined multispectral information

由表5可見，加入多尺度紋理指數(shù)可以較大幅度地提高影像的分類精度，其中以第一波段計算的相關(guān)性多尺度紋理指數(shù)參與分類所取得的精度提高為最多。依據(jù)表4和表5統(tǒng)計得出的最佳紋理指數(shù)對應單尺度和多尺度信息參與監(jiān)督分類的精度變化曲線如圖6所示。從圖6中可以看出，不管是同質(zhì)性、均值和相關(guān)性紋理指數(shù)，其中任何一種多尺度紋理指數(shù)的加入，都能顯著提高影像分類的精度，而且隨著尺度數(shù)目的增加，分類精度也逐漸提高，當尺度數(shù)量大于4個時，分類精度基本保持穩(wěn)定。

圖6 最佳紋理指數(shù)對應的尺度信息參與監(jiān)督分類的總體精度變化曲線Fig.6 Accuracy changing curves of supervised classification of selected texture indices under different scales

6種紋理指數(shù)的5個尺度結(jié)合多光譜信息的分類結(jié)果如圖7所示。通過比較圖3、圖5和圖7發(fā)現(xiàn)，在分類中加入相關(guān)性、同質(zhì)性和均值多尺度紋理指數(shù)均能在一定程度上將有林地和其它園地區(qū)分開，其中尤以相關(guān)性紋理指數(shù)分類效果最佳（圖7a、圖7c）。對于有林地而言，其紋理相似且分布面積較廣，像元之間的相關(guān)性較強，因此隨著計算尺度數(shù)量的增加，其相關(guān)性紋理指數(shù)值也隨著增加，而混雜在其中的其它園地隨著尺度數(shù)量的增加，其相關(guān)性紋理指數(shù)值卻是減小的，因此多尺度相關(guān)性紋理指數(shù)的加入能有效地區(qū)分開有林地與摻雜在其間呈碎斑點分布的其它園地，從而提高了有林地的分類精度。但與此同時也發(fā)現(xiàn)，隨著尺度數(shù)量的增加，有少部分植被覆蓋度較低的有林地被錯分為農(nóng)村宅基地。

4 結(jié)論

單純基于像元光譜的影像分類方法，面對“同物異譜”和“異物同譜”的現(xiàn)象很容易造成對地物的錯分，而加入紋理信息等輔助信息能顯著提高遙感影像的分類精度。

圖7 5個尺度紋理指數(shù)結(jié)合多光譜信息的分類結(jié)果Fig.7 Classification results of five scales texture information combining with spectral information

本文以SPOT－5影像為數(shù)據(jù)源，利用灰度共生矩陣法計算了不同尺度下的不同紋理指數(shù)影像，將紋理指數(shù)影像作為邏輯波段添加到原始影像中形成新的多波段影像，在此基礎(chǔ)上進行分類。通過對不同尺度的不同紋理指數(shù)參與監(jiān)督分類所取得的分類精度的評價分析，得到以下幾點認識：（1）與單純基于像元光譜信息的監(jiān)督分類相比，加入第一波段計算的熵、相關(guān)性和同質(zhì)性單尺度紋理信息，加入第二波段計算的相關(guān)性和同質(zhì)性單尺度紋理信息，加入第三波段計算的均值和第四波段計算的同質(zhì)性單尺度紋理信息均能有效提高影像的分類精度，而單尺度角二階矩和方差紋理指數(shù)的加入反而會降低分類精度。（2）相關(guān)性、同質(zhì)性和均值等多尺度紋理信息結(jié)合光譜信息的監(jiān)督分類較對應單尺度紋理結(jié)合光譜信息的分類能更有效地提高影像的分類精度，其中尤以加入第一波段計算的相關(guān)性多尺度紋理提高的幅度為最大，且隨著尺度數(shù)量的增加，分類精度總體呈提高的趨勢。

土地利用遙感分類方法的研究需進一步利用圖像的形狀、結(jié)構(gòu)、相關(guān)布局等眾多信息，與紋理和光譜信息一起嘗試更多的除光譜以外的其它信息來提高影像地物的分類精度，開展面向?qū)ο蟮挠跋穹诸愂钱斍昂徒窈蟮难芯繜狳c之一［7－9］。

（References）：

［1］SONG Cui－yu，LI Pei－jun，YANG Feng－jie.Application of multiscale image texture to the detection of urban expansion［J］.Remote Sensing for Land ＆ Resources，2006，69（3）：27－42.宋翠玉，李培軍，楊鋒杰.運用多尺度圖像紋理進行城市擴展變化檢測［J］.國土資源遙感，2006，69（3）：27－42.

［2］MA De－feng，LI Pei－jun.The use of multiscale texture in image classification for lithologic mapping［J］.Acta Petrologica Sinica，2008，24（6）：1 425－1 430.馬德鋒，李培軍.加入多尺度圖像紋理的巖性分類［J］.巖石學報，2008，24（6）：1 425－1 430.

［3］CHEN Cheng，ZHANG You－jing.The classification of SVM based on the multi－scale texture information and spectral information［J］.Science of Surveying and Mapping，2009，34（1）：29－31.陳晨，張友靜.基于多尺度紋理和光譜信息的SVM分類研究［J］.測繪科學，2009，34（1）：29－31.

［4］HU Wen－yuan，NIE Qian，HUANG Xiao－chuan.A method for classification of high spatial resolution remotely sensed images based on texture and spectral information［J］.Journal of Geomatics，2009，34（1）：16－17.胡文元，聶倩，黃小川.基于紋理和光譜信息的高分辨率遙感影像分類［J］.測繪信息與工程，2009，34（1）：16－17.

［5］LI Jin，WANG Xin，ZHANG Yuan.On relationship between texture features based on GLCM and tree measuring factors of pinus massoniana forest［J］.Journal of Zhejiang for SCI ＆ TECH，2010，30（3）：68－71.李進，王鑫，張園.灰度共生矩陣紋理特征與馬尾松林測樹因子關(guān)系初探［J］.浙江林業(yè)科技，2010，30（3）：68－71.

［6］HARLICK R M，SHANMUGAM K，DINSTEIN I H.Textual features for image classification［J］.IEEE Transactions on Systems，Man，and Cybernetics，1973，3（6）：610－621.

［7］CAO Bao，QIN Qi－ming，MA Hai－jian，et al.Application of object－oriented approach to SPOT－5image classification：A case study in Haidian District，Beijing City［J］.Geography Geo－information Science，2006，22（2）：46－49.曹寶，秦其明，馬海建，等.面向?qū)ο蠓椒ㄔ赟POT5遙感圖像分類中的應用——以北京市海淀區(qū)為例［J］.地理與地理信息科學，2006，22（2）：46－49.

［8］ZHANG Jun，WANG Bao－shan，ZHANG Zhi－qiang.High spatial resolution remote sensing image classification based on object－oriented multi－features［J］.Journal of Geomatics，2010，35（3）：3－5.張俊，王寶山，張志強.面向?qū)ο蟮母呖臻g分辨率影像分類研究［J］.測繪信息與工程，2010，35（3）：3－5.

［9］FAN Lei，CHENG Yong－zheng，WANG Lai－gang，et al.Estimation of winter wheat planting area using object－oriented method based on multi－scale segmentation［J］.Chinese Journal of Agricultural Resources and Regional Planning，2010，31（6）：44－51.范磊，程永政，王來剛，等.基于多尺度分割的面向?qū)ο蠓诸惙椒ㄌ崛《←湻N植面積［J］.中國農(nóng)業(yè)資源與區(qū)劃，2010，31（6）：44－51.