基于紋理信息的Landsat-8影像植被分類初探

寧亮亮，張曉麗

(北京林業(yè)大學(xué) a.林學(xué)院；b.北京市森林培育與保護(hù)省部共建重點實驗室，北京100083)

基于紋理信息的Landsat-8影像植被分類初探

寧亮亮a,b，張曉麗a,b

(北京林業(yè)大學(xué) a.林學(xué)院；b.北京市森林培育與保護(hù)省部共建重點實驗室，北京100083)

遙感圖像植被分類一直為遙感領(lǐng)域的熱點，對于中低分辨率的影像，傳統(tǒng)的分類方法主要是利用影像的光譜信息，對于影像的空間信息利用較少，而事實證明遙感影像的空間信息也十分豐富。為了提高遙感影像的空間信息利用率，提取了最新的Landsat-8 的空間紋理信息，結(jié)合空間紋理信息與光譜信息對遙感影像進(jìn)行植被的分類。實驗證明：輔以紋理的分類總體精度為84.68%和83.87%，光譜分類總體精度為82.26%，結(jié)合了空間紋理信息后的分類精度比傳統(tǒng)的方法有明顯的提高。

紋理信息；Landsat-8；植被分類；分類精度

遙感圖像分類一直為遙感領(lǐng)域的熱點，而植被分類作為其中的一部分也十分重要。植被作為生態(tài)系統(tǒng)的主體，是人類賴以生存環(huán)境的重要組成部分。然而，由于社會發(fā)展的需要，全球植被覆蓋度在人類的掠奪下急劇減小，森林過度砍伐，人類生存環(huán)境遭到嚴(yán)重破壞，森林植被越來越成為社會發(fā)展關(guān)注的對象。因此，森林植被研究逐漸成為近年來研究的一個熱點，其中利用遙感圖像進(jìn)行植被的分類工作是林業(yè)遙感中最基本的工作，但也是十分重要的工作，因為它是進(jìn)行其他森林植被參數(shù)計算的基礎(chǔ)，例如對生物量的估算、葉面積指數(shù)的估算、三維綠量的估算等許多其他森林植被參數(shù)[1-5]。

遙感影像中包含了大量的光譜信息，同時也包含了大量的紋理信息，在傳統(tǒng)的植被分類研究中，主要利用了遙感影像的光譜信息，卻忽略了大量的紋理信息。利用遙感影像的光譜信息進(jìn)行植被的分類，可以在一定程度上達(dá)到區(qū)分的效果，但實際影像對應(yīng)地物存在“同譜異物，同物異譜”現(xiàn)象，且存在混合像元現(xiàn)象，使得地物無法區(qū)分[6-10]，對分類工作造成一定的影響，造成分類精度的下降。

紋理特征是遙感影像的用來識別不同地物的另一個重要因素，它可以有效地減少遙感影像中“同譜異物，同物異譜”現(xiàn)象以及混合像元現(xiàn)象對植被分類的不利影響，提高分類的精度[11-14]。紋理是指物體在遙感影像上空間分布的規(guī)律，是物體表面的一種基本屬性[15]。隨著遙感技術(shù)的發(fā)展，紋理分析已經(jīng)成為一種提高遙感影像分類精度的重要手段[16]。但是在中低分辨率的影像中使用較少。因此，本文中主要利用Landsat-8影像，從中提取紋理信息輔以光譜信息來對植被進(jìn)行分類，研究紋理信息在中低分辨率影像分類中對分類精度的作用。

1 研究區(qū)概況

本研究以北京市密云縣為研究區(qū)域，其位于北京市東北部，全縣總面積2 229.45 km2，為北京最大區(qū)縣。其地理位置為 116°39′33″～117°30′25″E，40°13′7″～ 40°47′57″N。 中 部 有 密云水庫，水域面積達(dá)188 km2，是北京重要的水源涵養(yǎng)區(qū)，年降水量為661.3 mm。山區(qū)面積占79.5%，地形起伏較大，海拔在451～1 730 m之間，全縣林木生態(tài)覆蓋率達(dá)76.23%，林木種類豐富，主要油松Pinus tabuliformis、側(cè)柏Platycladus orientalis、落葉松Larix gmelinii、柞樹Xylosma racemosum等。研究區(qū)位置如圖1所示。

圖1 研究區(qū)位置Fig.1 Position of studied zones

2 研究方法

2.1 遙感數(shù)據(jù)獲取及數(shù)據(jù)預(yù)處理

本研究選取了最新的Landsat-8衛(wèi)星搭載的OLI陸地成像儀獲取的影像數(shù)據(jù)，影像成像時間為2013年7月31日。該影像共九個波段，空間分辨率為30 m，其中包括一個15 m的全色波段，該影像相比ETM+數(shù)據(jù)增加了2個波段，且劃分更為精細(xì)。其中波段1為氣溶膠波段，主要用于海岸觀測，波段9為短波紅外波段，主要用于云監(jiān)測，在本研究中剔除該兩個波段，在OLI全色波段Band8波段范圍較窄，可以更好地區(qū)分植被和無植被區(qū)域。所以研究中選取2～8波段。

該原始數(shù)據(jù)已經(jīng)經(jīng)過系統(tǒng)輻射校正和幾何校正，在本研究中進(jìn)行了UTM-WGS84投影，對原始數(shù)據(jù)的預(yù)處理主要包括輻射定標(biāo)和大氣校正，將原始影像的多波段與全色波段進(jìn)行了融合，提高了多波段影像的分辨率，之后利用北京DEM影像對遙感影像進(jìn)行了地形校正， 通過地形校正部分消除了山體陰影，提高了植被的可識別性。利用獲得的北京行政區(qū)劃圖，從中提取研究區(qū)密云縣的矢量區(qū)域，對遙感影像進(jìn)行掩膜裁剪，最終獲得研究區(qū)域的遙感影像圖。

2.2 樣地數(shù)據(jù)的收集

樣地數(shù)據(jù)采集于2012年7～8月，在密云縣研究區(qū)域內(nèi)依照不同的植被類型、不同立地條件分別采集了60塊樣地數(shù)據(jù)，樣地大小為30 m×30 m，其中包括針葉林、闊葉林和針闊混交林。在樣地調(diào)查過程中利用差分GPS對樣地進(jìn)行了精確定位，并對樣地內(nèi)樹木進(jìn)行每木檢尺，記錄了樹種組成、樹名、胸徑、樹高、郁閉度等指標(biāo)，并收集了研究區(qū)域內(nèi)最新的森林資源二類調(diào)查數(shù)據(jù)，通過二類調(diào)查數(shù)據(jù)可以清楚的獲得研究區(qū)域內(nèi)森林植被分布狀況。

2.3 紋理圖像的提取

由于波段較多，若對每個波段都提取紋理特征圖像并用于分類，會產(chǎn)生大量的數(shù)據(jù)，計算量非常大，且容易產(chǎn)生數(shù)據(jù)信息的冗余。因此，在提取紋理特征之前先對遙感影像進(jìn)行主成分分析，通過主成分分析得到第一主成分包含了原數(shù)據(jù)98.39%的信息，故利用第一主成分進(jìn)行影像紋理特征的提取。

相關(guān)研究證明，對于植被分類，選取窗口大小為7×7像元、9×9像元時提取的紋理圖像信息較好[17-19]，故本研究在提取紋理圖像時采用為7×7像元、9×9像元大小的窗口。利用灰度共生矩陣，采用紋理值中最常用的8個紋理特征統(tǒng)計量來進(jìn)行紋理特征的提取。8個紋理特征統(tǒng)量分別為均值（Mean，ME）、方差（Variance，VAR）、協(xié)同性（Homogeneity，HOM）、對比度（Contrast，CON）、 相 異 性（Dissimilarity，DIS）、熵值（Entropy，ENT）、二階矩（Second Moment，SM）、相關(guān)性（Correlation，COR）。

2.4 紋理特征圖像的選取

在兩種窗口大小下，對影像分別提取除了8個紋理特征值，在8個紋理特征影像之間，通過各個紋理影像之間的對比，以及紋理影像與原始影像在紋理特征上的對比，挑選出紋理特征明顯，且各地物在紋理特征上差異比較大的特征影像用來進(jìn)行下一步的植被分類。以7×7窗口大小為例，圖2為8個紋理特征影像圖，通過對影像的對比分析，發(fā)現(xiàn)a、f、g、h 4個紋理特征的圖像內(nèi)部灰度值變化很均勻，標(biāo)準(zhǔn)差較小，不利于地物的區(qū)分；c的紋理特征可以識別出植被信息，但是對于裸露地表也很敏感，且植被內(nèi)部之間紋理變化較大，不適于直接用于植被分類。b、d、e可以很好地識別出植被信息，但是b、d紋理圖像中的植被亮度變化范圍比較小，不利于不同植被類別的區(qū)分，e能夠很好地識別出植被，而且紋理圖像中亮度變化適中。因此選擇e即相異性紋理特征圖像來用作紋理輔助影像進(jìn)行分類。對于9×9窗口大小的紋理特征影像通過相同的方法進(jìn)行選取，通過比較分析相異性紋理特征影像相對于其他影像更適于進(jìn)行植被的分類研究。

圖2 提取的8種紋理特征圖像Fig.2 Images extracted of eight kinds of texture features

2.5 精度檢驗

本研究通過采集的60個樣地信息建立訓(xùn)練樣區(qū)，將采集的樣地數(shù)據(jù)的GPS數(shù)據(jù)信息添加到遙感影像中，通過樣地數(shù)據(jù)來選取訓(xùn)練樣本。利用該研究區(qū)域的森林二類調(diào)查數(shù)據(jù)，從中隨機(jī)抽取60個點，將坐標(biāo)信息添加到遙感影像，從而建立檢驗樣本。通過建立訓(xùn)練樣本與檢驗樣本混淆矩陣來驗證分類結(jié)果的精度并計算總體分類精度與總體Kappa指數(shù)來驗證森林類型分類的精度。

3 分類結(jié)果與分析

3.1 光譜信息的森林植被分類結(jié)果

由于植被指數(shù)能夠很好地發(fā)掘遙感圖像光譜中的植被信息，故在分類時首先提取遙感影像的指數(shù)，利用植被指數(shù)與光譜信息相結(jié)合的方式對研究區(qū)進(jìn)行植被的分類。分類結(jié)果如圖3所示，總體分類精度為82.26%，總體kappa指數(shù)為0.720 3，分類精度驗證結(jié)果如表1所示。

圖3 光譜分類結(jié)果Fig. 3 Spectral classif i cation result

表1 光譜分類精度混淆矩陣及評價結(jié)果?Table 1 Spectral classification accuracy confusion matrix and evaluation results

3.2 輔以紋理信息的森林植被分類結(jié)果

將選取的紋理影像與光譜影像相結(jié)合，可以使不同地物的紋理信息得到加強(qiáng)，有助于不同地物的識別，以達(dá)到區(qū)分不同林分的目的。以7×7窗口大小，相異性特征紋理圖像進(jìn)行植被分類的結(jié)果如圖4所示，總體分類精度為84.68%，總體kappa指數(shù)0.781 1，分類精度混淆矩陣如表2所示。

圖4 輔以紋理的分類結(jié)果Fig. 4 Classif i cation results of supplemented by texture

表2 輔以紋理的分類精度混淆矩陣及評價結(jié)果?Table 2 Classification accuracy of confusion matrix and the evaluation results supplemented by texture

以9×9窗口大小，輔以差異性紋理特征圖像的分類結(jié)果如圖5所示，總體分類精度為83.87%，總體kappa指數(shù)為0.758 6，分類精度混淆矩陣如表3所示。

圖5 輔以紋理的結(jié)果分類圖Fig. 5 Classif i cation results of supplemented by texture

4 結(jié) 論

本研究通過提取遙感影像的紋理特征信息，將紋理信息與光譜信息相結(jié)合對研究區(qū)的植被進(jìn)行分類，來分析紋理特征對于植被分類的作用。通過分別計算兩種分類方式的分類精度對分類結(jié)果進(jìn)行精度評價，從而分析2種分類方式對于植被分類的影響。

表3 輔以紋理的分類精度混淆矩陣及評價結(jié)果?Table 3 Classification accuracy of confusion matrix and evaluation results supplemented by texture

將光譜分類結(jié)果精度與輔以紋理特征值的分類結(jié)果精度相比（如表4所示）。

表4 分類精度對比Table 4 Comparative results of classification precision

研究結(jié)果表明：

（1）輔以紋理特征值的分類精度84.68%和83.87%，高于光譜分類結(jié)果精度82.26%，總體kappa指數(shù)前者也比后者高，說明紋理特征有利于植被的分類，可以提高分類的精度，使得分類結(jié)果更加準(zhǔn)確。通過紋理特征的提取，加強(qiáng)了不同地物之間的紋理信息，使得不同地物更容易區(qū)分。對于植被之間，由于不同的林分組成，林分在遙感影像中的紋理也有所區(qū)別，紋理的提取可以使這種差別得到增強(qiáng)，例如闊葉林在紋理上要比針葉林的紋理粗，有助于不同林分之間的分類。

（2）對于不同窗口大小的紋理特征圖像，對植被的分類影響也不同。在本研究中，7×7窗口的植被分類精度略高于9×9窗口的植被分類精度。當(dāng)窗口較大時，能保證同類地物紋理統(tǒng)計的代表性，但統(tǒng)計值中可能包含其他地物信息，較小窗口保證了窗口內(nèi)像素同質(zhì)性，但也降低了不同地物之間紋理的差異性。對于本研究區(qū)，7×7的窗口大小比9×9的窗口大小更適于用來進(jìn)行植被的分類。

[1] 孫 鈺.世界環(huán)境日:全球關(guān)注森林保護(hù)[J]. 環(huán)境保護(hù), 2011,(10):71-72.

[2] 邵曉敏,劉 勇. 基于紋理的烏蘭布和沙漠地區(qū)植被信息提取[J].遙感技術(shù)與應(yīng)用,2010,25(5):687-694.

[3] 盧茂芬,馮伍法.遙感影像植被分類技術(shù)研究[D].鄭州：解放軍信息工程大學(xué),2012.

[4] 張銀輝,趙庚星.土地利用/土地覆蓋遙感分類方法的研究綜述[J].中國農(nóng)業(yè)資源與區(qū)劃，2002,23(3):21-25.

[5] 陳 利,林 輝,孫 華,等.基于決策樹分類的森林信息提取研究[J].中南林業(yè)科技大學(xué)學(xué)報,2013,1(33):47-51.

[6] 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):8672-8677.

[7] 嚴(yán)恩萍,林 輝,莫登奎,等.基于ALOS數(shù)據(jù)的遙感植被分類研究[J].中南林業(yè)科技大學(xué)學(xué)報, 2010,11(30):38-42.

[8] 趙英時.遙感應(yīng)用分析原理與方法[M].北京:北京科技出版社, 2002.

[9] 孫家抦.遙感原理與應(yīng)用[M].武漢:武漢大學(xué)出版社,2002.

[10] LU D, WENG Q. A survey of image classification methods and techniques for improving classification performance[J].International Journal of Remote Sensing, 2007, 28(5): 823-870.

[11] 劉龍飛,陳云浩,李 京.遙感影像紋理分析方法綜述與展望[J].遙感技術(shù)與應(yīng)用, 2003,18(6):441-446.

[12] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification.IEEE Transactions on Systems,Man,and Cybernetics, 1973,SMC-3:610-620.

[13] Lu D, Batistella M. Exploring TM image texture and its relationships with biomass estimation in Rondonia, Brazilian Amazon[J]. Acta Amazonica, 2005,35:261-268.

[14] 陳 彬,秦其明,基于小波變化的多分辨率影像紋理結(jié)構(gòu)分類方法[J].地理與地理信息科學(xué), 2003,(19):6-9.

[15] 劉新華,舒 寧.紋理特征在多光譜遙感影像分類中的應(yīng)用[J].測繪信息與工程,2006,31(3):31-32.

[16] LU D. A comparative study of Landsat TM and SPOT HRG images for vegetation classif i cation in the Brazilian Amazon[J].Photogrammetric Engineering and Remote Sensing, 2008, 70:311-321.

[17] Chen D, Stow D A, Gong P. Examining the effect of spatial resolution and texture window size on classification accuracy:an urban environment case[J]. International Journal of Remote Sensing, 2004, 25(11): 2177-2192.

[18] CHEN D STOW, GONG P. Examining the effect of spatial resolution and texture window size on classification accuracy:an urban environment case[J]. International Journal of Remote Sensing, 2004, 25:2177-2192.

[19] MARCEAU D J, HOWARTH P J, DUBOIS J M,et al. Evaluation of the grey-level co-occurrence matrix method for land-cover classification using SPOT imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 1990, 28:513-519.

A preliminary study on vegetation classif i cation based on texture information of Landsat-8 images

NING Liang-lianga,b, ZHANG Xiao-lia,b
(a. College of Forestry; b. Forest Cultivation and Protection Key Lab. Co-constructed by Labs by Beijing and CAF, Beijing Forestry University, Beijing 100083, China)

Vegetation classification by remote sensing images has been as the hotspot in the field of remote sensing, for the low resolution images, the traditional classif i cation method mainly used spectral information of image, the images of the spatial information were used less, but the facts have proved that spatial information of remote sensing image is also very rich. In order to improve the utilization of spatial information of remote sensing image, the latest Landsat-8 spatial texture information were extracted, by combining with the spatial information and spectral information of remote sensing image texture information, the vegetation the classification in remote sensing image was carried out. The experimental results verif i ed that with the texture information classif i cation, the overall accuracy were 84.68% and 83.87%, with the spectral information classification the overall accuracy was 82.26%, the classification accuracy after combining the spatial texture information was more obvious enhancement than that of traditional method.

texture information; Landsat-8; vegetation classif i cation; classif i cation accuracy

S771.8

A

1673-923X(2014)09-0060-05

2013-12-10

國家高技術(shù)發(fā)展研究計劃（863）課題“數(shù)字化森林資源監(jiān)測關(guān)鍵技術(shù)研究”（2012AA102001-5）

寧亮亮（1987-），男，山東濟(jì)南人，碩士研究生，主要從事3s技術(shù)在森林資源環(huán)境中的應(yīng)用工作；E-mail：864674536@qq.com

張曉麗（1967-）， 女，北京人，教授，博士生導(dǎo)師，主要從事3s技術(shù)在森林資源環(huán)境中的應(yīng)用工作

[本文編校：謝榮秀]