洪澤湖濕地紋理特征參數(shù)分析

張樓香， 阮仁宗， 夏雙

(河海大學(xué)地球科學(xué)與工程學(xué)院，南京 210098)

洪澤湖濕地紋理特征參數(shù)分析

張樓香， 阮仁宗， 夏雙

(河海大學(xué)地球科學(xué)與工程學(xué)院，南京 210098)

應(yīng)用紋理特征進(jìn)行影像分類，關(guān)鍵在于紋理特征參數(shù)的確定。以洪澤湖濕地典型地區(qū)為研究對象，選擇灰度共生矩陣進(jìn)行紋理特征計(jì)算，探討灰度共生矩陣窗口尺寸、移動步長、方向和紋理特征統(tǒng)計(jì)量對淡水湖泊濕地的區(qū)分能力；然后，利用紋理特征和地物光譜特征，結(jié)合決策樹方法對研究區(qū)濕地及其他主要地類進(jìn)行分類，并通過混淆矩陣進(jìn)行精度評價(jià)。結(jié)果表明： 研究區(qū)濕地分類中紋理特征的最佳窗口大小為3像元×3像元，方向?yàn)?0°，步長為1個像元，紋理特征統(tǒng)計(jì)量組合為均值、熵和相關(guān)度；分類精度為83.24%，Kappa為0.788，其結(jié)果驗(yàn)證了紋理特征參數(shù)選擇的科學(xué)性和合理性。

洪澤湖濕地；紋理特征；窗口尺寸；移動步長和方向；灰度共生矩陣

0 引言

濕地是地球的重要組成部分，在為人類提供各種資源的同時還調(diào)節(jié)著地球的生態(tài)環(huán)境。隨著城市建設(shè)的發(fā)展，濕地遭受著生態(tài)系統(tǒng)退化、面積縮小及水資源枯竭等嚴(yán)重威脅，因此對濕地進(jìn)行動態(tài)監(jiān)測是保護(hù)濕地的一項(xiàng)重要工作。紋理是一種重要的視覺線索，包含物體表面結(jié)構(gòu)組織排列的重要信息及其與周圍環(huán)境的聯(lián)系，是物體表面共有的內(nèi)在特征[1-2]。遙感圖像的紋理特征反映自然景觀和目標(biāo)地物的空間結(jié)構(gòu)，是進(jìn)行目視判讀和計(jì)算機(jī)自動識別的基礎(chǔ)，在圖像分類和信息提取中得到了廣泛的應(yīng)用[3-4]。

國內(nèi)外學(xué)者的研究表明，輔以紋理信息進(jìn)行濕地遙感圖像分類可以提高分類精度。Murray等[5]以澳大利亞赫德島濕地為例，利用紋理特征對研究區(qū)進(jìn)行分類，精度得到很大提高；張礫[6]輔以紋理特征進(jìn)行洪澤湖濕地信息提取，發(fā)現(xiàn)相對于僅僅利用光譜特征的分類，精度有了很大提高，但是紋理參數(shù)的選擇只遵循一般經(jīng)驗(yàn)。近年來，很多研究者探討了紋理分析中紋理尺度對圖像分類精度的影響。黃艷等[7]利用半變異函數(shù)分析確定紋理窗口大小，得到了較好的分類結(jié)果；侯群群等[8]分析了方向、距離、灰度級和窗口大小對彩色圖像紋理特征的影響，實(shí)現(xiàn)了基于灰度共生矩陣的彩色圖像紋理特征提取方法。目前，國內(nèi)研究內(nèi)陸湖泊濕地紋理特征參數(shù)對濕地信息提取影響的文獻(xiàn)還較少。

本文針對洪澤湖的濕地特征，選用基于灰度共生矩陣(gray level co-occurrence matrix,GLCM)的紋理特征提取方法，定量分析紋理特征統(tǒng)計(jì)值與灰度共生矩陣各參數(shù)間的相互關(guān)系，以及這種差異對于濕地區(qū)分能力的影響，為后期洪澤湖濕地分析奠定基礎(chǔ)。

1 研究區(qū)概況及數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

洪澤湖是我國五大淡水湖之一，坐落于江蘇省西部。實(shí)驗(yàn)區(qū)選在洪澤湖西岸的臨淮鎮(zhèn)附近(圖1)，位于E118°13′～118°31′，N33°11′～33°21′之間。該保護(hù)區(qū)是整個洪澤湖地區(qū)濕地生態(tài)系統(tǒng)保存最為完整的區(qū)域。區(qū)內(nèi)濕地類型多種多樣且具有代表性，湖泊濕地的水生植物非常豐富。但在過去的20 a間，由于人類活動頻繁，保護(hù)區(qū)周圍的濕地遭受著破壞[9-11]。根據(jù)實(shí)地調(diào)查和參考濕地分類標(biāo)準(zhǔn)，本文將研究區(qū)內(nèi)的地物類型分為養(yǎng)殖場、敞水區(qū)、挺水植物、沉水植物、浮水植物和裸地這6類。

1.2 數(shù)據(jù)源及其預(yù)處理

實(shí)驗(yàn)選用洪澤湖2005年8月21日Landsat5 TM圖像、1∶10萬比例尺地形圖及植被分布圖等。首先對研究區(qū)TM圖像進(jìn)行幾何糾正和配準(zhǔn)，均方根誤差控制在0.5個像元內(nèi)；其次，裁剪出實(shí)驗(yàn)區(qū)；然后，為減少計(jì)算量，將圖像的第一主成分進(jìn)行紋理特征提??；最后，將圖像壓縮為16個灰度級，并做直方圖均衡化處理，以減少因降低灰度級別對圖像清晰度產(chǎn)生的影響。實(shí)驗(yàn)共選取4 620個樣本點(diǎn)，其中養(yǎng)殖場835個、養(yǎng)殖場1 126個、裸地450個、挺水植物658個、浮水植物879個以及沉水植物672個。

2 研究方法

圖像紋理特征分析的基本方法有3大類： 基于統(tǒng)計(jì)方法的紋理分析、基于結(jié)構(gòu)方法的紋理分析和基于譜方法的紋理分析[12]。本文選取基于統(tǒng)計(jì)方法的灰度共生矩陣紋理分析，該方法主要描述影像各像元間灰度的空間相關(guān)性。

2.1 灰度共生矩陣分析

灰度共生矩陣反映了圖像灰度關(guān)于方向、相鄰間隔及變化幅度的綜合信息，可用來分析圖像像元和排列結(jié)構(gòu)[13]。窗口大小、步長和方向是紋理分析中的重要參數(shù)，直接影響紋理特征提取結(jié)果。因此，選擇合適的參數(shù)對提取紋理特征具有重要作用。

灰度共生矩陣共有14個紋理特征參數(shù)。這些統(tǒng)計(jì)量可用于提取灰度共生矩陣所反映的紋理特征[1,14]，本文選擇其中的8個紋理特征變量，如表1所示。

表1 灰度共生矩陣的紋理特征描述Tab.1 Description of gray level co-occurrence matrix texture characteristics

①P(i,j)為灰度聯(lián)合矩陣中第i行j列的元素；n為像元值的最大值。

2.2 基于灰度共生矩陣的紋理參數(shù)分析

1)窗口尺寸的確定。窗口尺寸的合適程度是通過樣本類別間的分離度來衡量的[15]，一般采用杰弗里斯-馬修斯(Jefferies-Matusita，JM)距離作為類分離度的度量，其表達(dá)式為[16]

(1)

式中：p(X|Ki)為Ki類的條件概率密度；JM取值范圍為0～2.0，其值越高說明可分離程度越大，越能將地物區(qū)分開。通常認(rèn)為當(dāng)值大于1.9時分離度較好，小于1.9時分離度較差。

2)提取紋理方向。提取紋理的不同方向即建立灰度共生矩陣時的不同角度，反映了不同性質(zhì)的紋理特征。0°和180°所對應(yīng)的共生矩陣互為轉(zhuǎn)置，適合水平方向分布的紋理特征檢測；90°和270°對應(yīng)的矩陣也同樣互為轉(zhuǎn)置，適合垂直方向分布的紋理特征檢測；45°,135°,225°和315°適合對角線方向分布的紋理特征檢測。本文選擇0°，45°，90°和135°這4個不同方向上的角度進(jìn)行紋理特征提取。在尋求最合適角度時，可通過地物在4個角度特征量的相對變化率ρ來反映變化情況，即[17]

ρ=(xpos-xpre)/xpre,

(2)

式中：xpos為下一角度方向的特征值；xpre為上一角度方向的特征值。

3)步長和紋理特征統(tǒng)計(jì)量值的確定。在窗口和方向確定的基礎(chǔ)上，改變步長。根據(jù)不同步長下紋理特征參數(shù)統(tǒng)計(jì)量值的變化情況來選擇合適的步長值。在最佳窗口、方向及步長下得到各地物的紋理特征曲線圖，從曲線圖中比較各地物統(tǒng)計(jì)量的區(qū)別，選擇最能區(qū)分地物的紋理特征統(tǒng)計(jì)量。

3 結(jié)果及分析

3.1 窗口大小的確定

運(yùn)用ENVI軟件獲取不同紋理尺度上地物的平均分離度JM距離，結(jié)果如表2所示。

表2 紋理特征圖像的平均分離度JM距離Tab.2 JM distance average divided degree of texture characteristics images

從表2可以看出，隨著紋理窗口大小的改變，各地物的平均可分性也隨之變化?？傮w來說，隨著窗口尺寸的不斷增大，地物的可分離程度也在增加，個別地物類型的分離程度有一定波動，但是波動幅度不大。當(dāng)窗口尺寸為3像元×3像元時，6種地物之間的JM距離已大于1.9，之后在更大的窗口尺寸時地物之間的JM距離也都大于1.9。由于窗口尺寸的大小與計(jì)算紋理值的時間呈正比，因此選擇3像元×3像元窗口，這樣既能縮短計(jì)算紋理的時間，又可以得到較好的分離度。

3.2 紋理方向的確定

確定窗口尺寸后，計(jì)算不同方向上各地物的紋理特征統(tǒng)計(jì)值，得到如圖2所示的折線趨勢圖。

圖2 不同地物在不同方向上的紋理特征曲線Fig.2 Texture characteristic curves of different classes in different directions

從圖2可以看出，洪澤湖各類地物在4個方向上的紋理特征統(tǒng)計(jì)值的變化規(guī)律不同。其中均值和方差隨方向的變化基本保持不變，熵和角二階矩雖有變化，但變化幅度不大，說明這4種特征變量基本沒有方向性；均勻度、對比度、非相似性和相關(guān)度隨著方向變化較大，說明這4種特征變量有方向性，而挺水植物、沉水植物及浮水植物在這4種特征變量上只有微小差異、很難區(qū)分，因此需要通過計(jì)算這3種水生植物4個方向上的4種特征變量的相對變化率來確定最佳方向。通過計(jì)算可知，4種紋理特征變量的相對變化率的最大差值均出現(xiàn)在90°方向上，因此確定了均勻度、對比度、非相似性和相關(guān)度的方向?yàn)?0°。由于均值、方差、熵和角二階矩在任何方向下的紋理特征值基本相似，因此可將這4種紋理特征的方向與均勻度、對比度、非相似性和相關(guān)度的方向都確定為90°。

3.3 紋理步長的確定

洪澤湖濕地分類的關(guān)鍵在于區(qū)分3種水生植物，因此在確定紋理步長時，只對3種水生植物在步長1～5像元上的均勻度、對比度、非相似性和相關(guān)度變化進(jìn)行討論。圖3反映了水生植物紋理特征參數(shù)隨步長增大的變化情況。

圖3 不同步長下水生植物的紋理特征曲線Fig.3 Texture characteristic curves of aquatic plants in different step size

從圖3可以看出，當(dāng)步長變化時，4種紋理特征變量均受一定影響。具體表現(xiàn)為隨步長的增加，均勻性和相關(guān)度值呈下降趨勢，且下降幅度基本保持一致；對比度和非相似性則正好相反，隨步長的增加而增加，增加的幅度也基本一致。這說明隨步長的增加，不同地物之間的差異越來越大，均勻度值變小，對比度增大，地物的相似性和相關(guān)性也越來越小。因此認(rèn)為步長為1時，紋理效果最好，計(jì)算的紋理特征變量具有較好的代表性，也易于計(jì)算。

3.4 紋理特征統(tǒng)計(jì)量的確定

為了選取最佳的紋理特征統(tǒng)計(jì)量參與分類，需要計(jì)算研究區(qū)所有地物的紋理特征值，得到各地物的紋理特征曲線如圖4所示。

圖4 各種地物的紋理特征曲線Fig.4 Texture curve of classes in study area

從圖4可以看出，各地物的均值和相關(guān)度差別最大，二者對研究區(qū)地物的區(qū)分度較高，其次各地物的熵之間差別雖不及均值和相關(guān)度的差別大，但仍有利于區(qū)分易混淆的地物。因此，本文選擇均值、相關(guān)度和熵這3種紋理特征統(tǒng)計(jì)量就可以較好地完成分類，并且大大減少計(jì)算量。通過上述分析，最終確定最佳窗口尺寸為3像元×3像元，方向?yàn)?0°，步長為1個像元，紋理特征統(tǒng)計(jì)量組合為均值、熵和相關(guān)度。

3.5 圖像分類和精度評價(jià)

決策樹是一個典型的多級分類器，通常由一系列的二叉樹構(gòu)成，揭示各類別之間的非線性關(guān)系和等級關(guān)系，具有可行性強(qiáng)、計(jì)算量小及簡潔直觀等特點(diǎn)，在遙感分類上有很大優(yōu)勢[18-19]。

本文利用均值、熵和相關(guān)度這3個紋理特征統(tǒng)計(jì)量，結(jié)合地物光譜特征值，通過決策二叉樹進(jìn)行分類，結(jié)果如圖5所示。

圖5 基于決策樹的濕地分類圖Fig.5 Classification of wetland based on decision tree

為驗(yàn)證選取的紋理參數(shù)的正確性，本文選擇197個樣本點(diǎn)對分類結(jié)果進(jìn)行精度驗(yàn)證，生成的混淆矩陣如表3所示。

表3 基于決策樹的分類結(jié)果精度評價(jià)Tab.3 Classification accuracy assessment based on decision tree

從表3看出，影像的分類總精度為83.24%，Kappa達(dá)到了0.788，3種水生植物的用戶精度和制圖精度均大于85%，取得了較好的分類精度，因此也驗(yàn)證了本文選取的最佳紋理參數(shù)是合適的，為后續(xù)洪澤湖濕地植被信息的提取奠定基礎(chǔ)。

4 結(jié)論

1)窗口大小在紋理特征分析中占有很重要的地位，直接影響著紋理的完整度和計(jì)算量。一般可以采用JM距離法來衡量窗口尺寸的合適程度。

2)方向?qū)τ诓煌募y理特征具有不同的變化規(guī)律；地物的紋理粗細(xì)程度決定移動步長的大小。因此可通過分析不同方向和步長下的紋理特征值變化，來選擇合適的方向和步長。

3)通過分析和計(jì)算，本文最終確定最佳窗口大小為3像元×3像元，方向?yàn)?0°，步長為1個像元，紋理特征統(tǒng)計(jì)量組合為均值、熵和相關(guān)度?；诖?，結(jié)合決策樹方法，采用紋理特征對研究區(qū)濕地進(jìn)行分類，得到了較高的分類精度，驗(yàn)證了紋理特征參數(shù)選取的科學(xué)性和合理性，為后續(xù)洪澤湖濕地植被分析提供方法支持。

[1] Haralick R M.Statistical and structural approaches to texture[J].Proceedings of the IEEE,1979,67(5):786-804.

[2] 劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學(xué)報(bào),2009,14(4):622-635. Liu L,Kuang G Y.Overview of image textural feature extraction methods[J].Journal of Image and Graphics,2009,14(4):622-635.

[3] Zhang Y.Optimisation of building detection in satellite images by combining multispectral classification and texture filtering[J].ISPRS Journal of Photogrammetry and Remote Sensing,1999,54(1):50-60.

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

[5] Murray H,Lucieer A,Williams R.Texture-based classification of sub-Antarctic vegetation communities on Heard Island[J].International Journal of Applied Earth Observation and Geoinformation,2010,12(3):138-149.

[6] 張礫.輔以紋理特征的洪澤湖濕地信息提取[J].遙感信息,2010(3):30-34. Zhang L.Wetland information extraction combined with texture features[J].Remote Sensing Information,2010(3):30-34.

[7] 黃艷,張超,蘇偉,等.合理尺度紋理分析遙感影像分類方法研究[J].國土資源遙感,2008,20(4):14-17. Huang Y,Zhang C,Su W,et al.A study of the optimal scale texture analysis for remote sensing image classification[J].Remote Sensing for Land and Resources,2008,20(4):14-17.

[8] 侯群群,王飛,嚴(yán)麗.基于灰度共生矩陣的彩色遙感圖像紋理特征提取[J].國土資源遙感,2013,25(4):26-32. Hou Q Q,Wang F,Yan L.Extraction of color image texture feature based on gray-level co-occurrence matrix[J].Remote Sensing for Land and Resources,2013,25(4):26-32.

[9] 阮仁宗,夏雙,陳遠(yuǎn),等.1979—2006年洪澤湖西岸臨淮鎮(zhèn)附近湖泊變化研究[J].濕地科學(xué),2012,10(3):344-349. Ruan R Z,Xia S,Chen Y,et al.Change of lake nearby Linhuai Town in west bank of Hongze Lake during 1979-2006[J].Wetland Science,2012,10(3):344-349.

[10]葉新霞,翟高勇,張煒.洪澤湖湖泊保護(hù)規(guī)劃研究[J].水利科技與經(jīng)濟(jì),2012,18(7):25-27,29. Ye X X,Zhai G Y,Zhang W.Research of the protection project of the Hongze River[J].Water Conservancy Science and Technology and Economy,2012,18(7):25-27,29.

[11]楊士建.洪澤湖濕地資源保護(hù)與可持續(xù)利用研究[J].重慶環(huán)境科學(xué),2003,25(2):15-17. Yang S J.Study an protection and sustainable use of wetland around Hongze Lake[J].Chongqing Environmental Science,2003,25(2):15-17.

[12]姜青香,劉慧平,孔令彥.紋理分析方法在TM圖像信息提取中的應(yīng)用[J].遙感信息,2003(4):24-27. Jiang Q X,Liu H P,Kong L Y.The application of texture analysis in TM image information extraction[J].Remote Sensing Information,2003(4):24-27.

[13]宋楊,萬幼川,陳鵬.基于GLCM的紋理特征量在TM6熱紅外波段影像信息分析中的研究[J].遙感信息,2006(4):24-26. Song Y,Wan Y C,Chen P.Textural features analysis based on GLCM in TM thermal infrared remotely sensed images[J].Remote Sensing Information,2006(4):24-26.

[14]Rodriguez-Galiano V F,Chica-Olmo M,Abarca-Hernandez F,et al.Random forest classification of mediterranean land cover using multi-seasonal imagery and multi-seasonal texture[J].Remote Sensing of Environment,2012,121:93-107.

[15]馬娜,胡云鋒,莊大方,等.基于最佳波段指數(shù)和J-M距離可分性的高光譜數(shù)據(jù)最佳波段組合選取研究——以環(huán)境小衛(wèi)星高光譜數(shù)據(jù)在東莞市的應(yīng)用為例[J].遙感技術(shù)與應(yīng)用,2010,25(3):358-365. Ma N,Hu Y F,Zhuang D F,et al.Determination on the optimum band combination of HJ-1A hyperspectral data in the case region of Dongguan based on optimum index factor and J-M distance[J].Remote Sensing Technology and Application,2010,25(3):358-365.

[16]Theodoridis S,Koutroumbas K.Pattern Recognition[M].Beijing:China Machine Press,2003.

[17]魏錸,胡卓瑋.基于合成孔徑雷達(dá)影像的海洋溢油紋理特征參數(shù)分析[J].海洋學(xué)報(bào),2013,35(1):94-103. Wei L,Hu Z W.Parameter analysis of texture feature in oil spill detection based on SAR[J].Acta Oceanologica Sinica,2013,35(1):94-103.

[18]李慧,余明.基于決策樹模型的濕地信息挖掘與結(jié)果分析[J].地理信息科學(xué),2007,9(2):60-64,73. Li H,Yu M.Wetland information extraction based on decision tree model[J].Geo-Information Science,2007,9(2):60-64,73.

[19]那曉東,張樹清,孔博,等.基于決策樹方法的淡水沼澤濕地信息提取——以三江平原東北部為例[J].遙感技術(shù)與應(yīng)用,2008,23(4):365-372. Na X D,Zhang S Q,Kong B,et al.The extraction of freshwater marsh wetland information based on decision tree algorithm:A case study in the northeast of the Sanjiang Plain[J].Remote Sensing Technology and Application,2008,23(4):365-372.

(責(zé)任編輯： 邢宇)

Parameter analysis of image texture of wetland in the Hongze Lake

ZHANG Louxiang, RUAN Renzong, XIA Shuang

(SchoolofEarthSciencesandEngineering,HohaiUniversity,Nanjing210098,China)

The determination of parameters for texture analysis is crucial to remote sensing image classification. In this paper, the Hongze Lake wetlands were taken as the study area and the texture was calculated based on gray level co-occurrence matrix. The effect of the window size, moving step and direction in computing texture upon the separability of freshwater lake wetlands was discussed. The classification of wetlands was carried out based on decision tree classification by using texture and spectral features. The classification accuracy was assessed based on error matrix. It is shown that the parameters of 3 pixel ×3 pixel in the direction of 90° are the optimal ones. Mean, entropy, correlation are used for the classification of wetlands in the study area. The classification accuracy is 83.24% withKappaof 0.788. The results show that the effect of texture parameters upon the classification of freshwater lake wetlands is significant.

Hongze Lake wetlands; textural characteristics; window size; moving step and direction; gray level co-occurrence matrix(GLCM)

2013-10-30；

2014-01-15

中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)項(xiàng)目(編號： XDA05050106)和生態(tài)十年專項(xiàng)項(xiàng)目(編號： STSN-01-05)共同資助。

10.6046/gtzyyg.2015.01.12

張樓香，阮仁宗，夏雙.洪澤湖濕地紋理特征參數(shù)分析[J].國土資源遙感,2015,27(1):75-80.(Zhang L X,Ruan R Z,Xia S.Parameter analysis of image texture of wetland in the Hongze Lake[J].Remote Sensing for Land and Resources,2015,27(1):75-80.)

TP 751.1

A

1001-070X(2015)01-0075-06

張樓香(1990-)，女，碩士研究生，主要從事遙感與GIS應(yīng)用等方面的研究。Email: louxiangzhang@163.com。