領(lǐng)域知識(shí)輔助下基于多尺度與主方向紋理的遙感影像土地利用分類

蘭澤英，劉　洋

1. 廣東工業(yè)大學(xué)管理學(xué)院，廣東 廣州 510520； 2. 廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院，廣東 廣州 510060

?

領(lǐng)域知識(shí)輔助下基于多尺度與主方向紋理的遙感影像土地利用分類

蘭澤英1，劉洋2

1. 廣東工業(yè)大學(xué)管理學(xué)院，廣東 廣州 510520； 2. 廣州市城市規(guī)劃勘測(cè)設(shè)計(jì)研究院，廣東 廣州 510060

Foundation support： The National Natural Science Foundation of China (No. 41301377)

基于灰度共生矩陣(GLCM)的紋理特征在影像空間分析中具有重要作用，提出了一種在領(lǐng)域空間知識(shí)輔助下構(gòu)建GLCM多尺度窗口與主方向權(quán)值的方法，從而提高紋理特征的有效性，并解決影像土地利用分類中存在的不確定性問(wèn)題。為此，根據(jù)人類目視解譯的特點(diǎn)，對(duì)GIS與RS數(shù)據(jù)進(jìn)行集成計(jì)算：首先，在圖像配準(zhǔn)的基礎(chǔ)上，利用經(jīng)典的GIS空間數(shù)據(jù)挖掘算法，漸近式地提取領(lǐng)域形態(tài)知識(shí)；接著，采用關(guān)聯(lián)分析法建立其與GLCM構(gòu)造因子之間的響應(yīng)機(jī)制，并設(shè)計(jì)了基于地類形狀指數(shù)的多尺度窗口建立算法，以及基于地類主方向分布指數(shù)的方向權(quán)值測(cè)度算法。試驗(yàn)結(jié)果表明，領(lǐng)域形態(tài)知識(shí)與GLCM空間因子之間具有強(qiáng)相關(guān)關(guān)系，該方法提取出的紋理特征可以描述復(fù)雜地物的空間意義，算法復(fù)雜度低，性能優(yōu)越，有效提高了影像土地利用分類的精度。

GLCM紋理影像分類;多尺度窗口;主方向權(quán)值;集成計(jì)算;GIS空間數(shù)據(jù)挖掘

高分辨率遙感影像有著豐富的紋理信息，對(duì)紋理特征描述準(zhǔn)確，可以有效區(qū)分復(fù)雜的土地利用類別。從統(tǒng)計(jì)學(xué)的角度出發(fā)，最有代表性的紋理特征提取算法是灰度共生矩陣算法(grey level co-occurrence matrix，GLCM)[1-2]，它建立在特定范圍、特定方向的灰度頻數(shù)聯(lián)合概率之上，可以計(jì)算出對(duì)比度、相關(guān)度、均勻性等14種紋理特征[1]，從而直觀地描述影像的重復(fù)空間結(jié)構(gòu)特性。但是基于GLCM的紋理統(tǒng)計(jì)分析方法也存在極大的缺陷，即參數(shù)選取的困難性與隨機(jī)性[1-5]，導(dǎo)致算法耗時(shí)且結(jié)果不穩(wěn)定。

GLCM的尺度參數(shù)選擇問(wèn)題引起了學(xué)者們的廣泛重視和研究。文獻(xiàn)[3—4]指出尺度參數(shù)對(duì)紋理特征有效性的影響在80%以上。傳統(tǒng)的選取方法有經(jīng)驗(yàn)法和枚舉法，其中，經(jīng)驗(yàn)法容易受主觀因素的影響，而枚舉法在選出有效尺度的同時(shí)不得不面對(duì)龐大冗余的計(jì)算量[4-5]。此外，研究中還提出了經(jīng)典的局部方差法和地統(tǒng)計(jì)學(xué)法[6-7]，但缺陷是它們僅依賴于圖像的局部統(tǒng)計(jì)特征，并且只選出一個(gè)最優(yōu)尺度值，導(dǎo)致紋理特征對(duì)復(fù)雜地類的描述能力不足[8]。近年來(lái)，通過(guò)多尺度分割實(shí)現(xiàn)紋理的多尺度計(jì)算成為一種新的研究思路。學(xué)者們?cè)谌诤隙喾N特征的基礎(chǔ)上，基于場(chǎng)論、圖論或粒度理論等，實(shí)現(xiàn)多尺度特征的對(duì)比、評(píng)價(jià)與選擇，可以充分運(yùn)用影像的局部和全局信息，研究成果豐富[9-12]，但仍存在尺度選取結(jié)果不確定的問(wèn)題。由于尺度選擇是在初級(jí)過(guò)分割的基礎(chǔ)上，通過(guò)尺度合并實(shí)現(xiàn)的，不同算法往往得到不同的結(jié)果，合并的誤差也不可逆，使得很多成果都只停留在特定研究圖像中，沒(méi)能擴(kuò)展到復(fù)雜的專題應(yīng)用中。

在GLCM的方向參數(shù)選擇上，針對(duì)性的研究還比較少。傳統(tǒng)算法是基于4個(gè)基本方向進(jìn)行統(tǒng)計(jì)，并直接求取各方向上的平均值，該方法易于實(shí)現(xiàn)但是忽略了地物實(shí)際的方向特性，因此紋理圖像的分類精度受限[12]。隨后，學(xué)者們意識(shí)到許多分類對(duì)象都具有顯著的方向特性，如氣象云圖、居民點(diǎn)影像、道路影像、規(guī)則農(nóng)田等人工地物影像[13-16]，因此，提出將方向特性加入到GLCM算法中，以提高信息獲取的精度。目視觀察法由文獻(xiàn)[3]提出，但結(jié)果比較隨機(jī)，缺乏可靠性和推廣性。此外，大部分學(xué)者利用影像梯度信息來(lái)描述方向，如文獻(xiàn)[13]基于傅里葉變換和Hough變換，通過(guò)檢測(cè)頻譜空間中的極值點(diǎn)，確定圖像的主紋理方向，從而提高了居民點(diǎn)影像的提取精度[13]；文獻(xiàn)[14]利用高階方向測(cè)度窗口獲得每個(gè)像元在8個(gè)方向上的灰度變化規(guī)律，并與GLCM特征進(jìn)行加權(quán)融合，提高了標(biāo)準(zhǔn)紋理圖的分類精度[14]；還有一些學(xué)者利用分水嶺、高斯濾波器等形態(tài)學(xué)算子檢測(cè)局部邊緣走勢(shì)，再統(tǒng)計(jì)圖像的方向特征[15-17]。然而，上述研究中存在一些共性問(wèn)題，即主要依賴于影像自身的局部信息做分析，導(dǎo)致算法受圖像噪聲影響很大，容易與全局信息之間產(chǎn)生偏差，并且這些研究主要提取單一類型的目標(biāo)，當(dāng)面向復(fù)雜的土地利用分類時(shí)，無(wú)法區(qū)別描述各類地物的方向特征，因此很難從測(cè)試圖像過(guò)渡到實(shí)際大尺度影像應(yīng)用。

本文引入領(lǐng)域空間知識(shí)，為GLCM紋理尺度與方向因子的提取提供啟發(fā)和指導(dǎo)。領(lǐng)域知識(shí)是針對(duì)分類目標(biāo)，從歷史數(shù)據(jù)和經(jīng)驗(yàn)中提煉出來(lái)的，它可以從全局角度對(duì)地物的空間結(jié)構(gòu)進(jìn)行一些穩(wěn)定的規(guī)律性描述，具有強(qiáng)烈的現(xiàn)實(shí)意義，可與圖像理解的范疇相結(jié)合[18]，在已有研究中，它為圖像樣本選擇、邊界提取、類別細(xì)分等提供了有效支持[19-23]。因此，本文基于GIS與RS數(shù)據(jù)的集成計(jì)算，首先從GIS歷史數(shù)據(jù)庫(kù)中漸近式地挖掘穩(wěn)定的地類形態(tài)知識(shí)，并在其輔助下計(jì)算融合多尺度與主方向因子的GLCM紋理特征，以期更好地描述復(fù)雜地物的空間結(jié)構(gòu)，從而有效實(shí)現(xiàn)遙感影像土地利用專題分類。

1　漸近式GIS領(lǐng)域形態(tài)知識(shí)挖掘

形態(tài)知識(shí)主要包括位置、形狀、大小、方向、方位、拓?fù)涞让枋鏊阕?，它作為一種重要的領(lǐng)域空間知識(shí)，普遍存在于GIS土地利用數(shù)據(jù)庫(kù)中。本文為描述各類別地物的重復(fù)空間結(jié)構(gòu)，采用漸近的策略，將GIS空間分析中的經(jīng)典算子MBR和LDM融合起來(lái)，先得到單個(gè)地理要素的形態(tài)特征，再針對(duì)每個(gè)類別，統(tǒng)計(jì)一組地理要素綜合表現(xiàn)出來(lái)的主要形態(tài)大小和方向特征。

(1) 對(duì)GIS與RS數(shù)據(jù)進(jìn)行精確配準(zhǔn)，它是數(shù)據(jù)集成分析中的一個(gè)基礎(chǔ)步驟。多項(xiàng)式變換作為常用的配準(zhǔn)模型，能夠考慮多種復(fù)雜的幾何變形，只要相對(duì)于圖像來(lái)說(shuō)變形不大，那么其精度可以達(dá)到亞米級(jí)，從而保證了數(shù)據(jù)空間范圍的一致性和領(lǐng)域知識(shí)的有效性[24-25]。具體的，將GIS數(shù)據(jù)庫(kù)中已有的水準(zhǔn)點(diǎn)等典型地物點(diǎn)直接作為參考圖像的控制點(diǎn)，再采用人工方式補(bǔ)充選取其他控制點(diǎn)，并將其代入多項(xiàng)式模型中解算參數(shù)。當(dāng)同名點(diǎn)對(duì)的數(shù)量和最小二乘法解算的殘差值滿足精度要求時(shí)，就可以完成影像配準(zhǔn)。

(2) 對(duì)于單個(gè)GIS土地利用圖斑，采用面狀格式存儲(chǔ)，其方向特征及相應(yīng)的軸距并不能直接觀測(cè)，因此引入最小外接矩形(minimum bounding rectangle，MBR)對(duì)其進(jìn)行描述。如圖1(a)所示，計(jì)算MBR的方法是將面狀要素在90°范圍內(nèi)等間隔地旋轉(zhuǎn)，每次記錄其外接矩形邊界點(diǎn)坐標(biāo)，旋轉(zhuǎn)到某一個(gè)角度后，外接矩形的面積達(dá)到最小，即可獲得該圖斑的主軸長(zhǎng)度l及其方向θ。

(3) 統(tǒng)計(jì)GIS數(shù)據(jù)庫(kù)中各類別的平均形態(tài)分布特征。為此，采用線狀地物均值算法(linear directional mean，LDM)，如圖1(b)所示，該算法中輸入的線要素即為單個(gè)圖斑對(duì)應(yīng)的主軸，那么對(duì)于每個(gè)類別，則可輸出該組線狀要素的平均統(tǒng)計(jì)結(jié)果，包括平均長(zhǎng)度L、平均方向D、圓方差CV等。其中，線平均長(zhǎng)度L的計(jì)算方法如式(1)所示

(1)

式中，li代表某類別中第i個(gè)圖斑的主軸長(zhǎng)度；N代表某類別圖斑的總數(shù)。同時(shí)，利用該類圖斑主軸的旋轉(zhuǎn)角度θ統(tǒng)計(jì)其平均分布方向D，其計(jì)算方法如式(2)所示

(2)

此外，為了評(píng)價(jià)主方向特征值D的有效性，定義了一個(gè)圓方差指標(biāo)CV，它類似于統(tǒng)計(jì)標(biāo)準(zhǔn)差，計(jì)算方法如式(3)所示

(3)式中，圓方差CV值域范圍是[0,1]，用于描述主方向特征在多大程度上代表輸入的地理要素。如果輸入地理要素具有完全相同(或相似)的方向特征，那么圓方差值就較小(接近于0)；反之，則較大(接近于1)。

圖1　基于MBR和LDM的地物主軸及其方向描述示意圖Fig.1　Axises and their direction of features

2　融合多尺度與主方向因子的GLCM紋理特征計(jì)算

為提高GLCM紋理特征對(duì)于地類的區(qū)分能力，本文在領(lǐng)域形態(tài)知識(shí)的輔助下，計(jì)算多尺度級(jí)別、各向異性的灰度共生矩陣，即基于幾何統(tǒng)計(jì)學(xué)的理論框架，通過(guò)分析、描述空間數(shù)據(jù)間的關(guān)系，以達(dá)到推斷所測(cè)對(duì)象幾何特征的本質(zhì)。具體的方案設(shè)計(jì)如下。

(1) 多尺度紋理窗口確定。不同的土地利用類別之間具有結(jié)構(gòu)迥異的形態(tài)特征，而類內(nèi)結(jié)構(gòu)之間又具有相似性。因此，在GLCM算法中，應(yīng)該采用與類別一一對(duì)應(yīng)的多級(jí)尺度窗口來(lái)測(cè)算紋理特征，從而有效描述分類目標(biāo)。由于圖斑的實(shí)際形狀大小決定了其空間范圍，因而，引入領(lǐng)域知識(shí)庫(kù)中的指標(biāo)L，即根據(jù)各類別圖斑的主軸分布規(guī)律而計(jì)算得到的平均距離值來(lái)描述GLCM尺度。在相應(yīng)的尺度范圍內(nèi)，基本能保證類內(nèi)紋理觀測(cè)的有效性。設(shè)土地利用類別總數(shù)為M，根據(jù)L值及影像分辨率δ的大小，可獲得各類別的紋理窗口尺度S(圖2(a))，記為式(4)

S={L1,L2,…,LM}/δ

(4)

(2) 紋理主方向權(quán)值確定。傳統(tǒng)的GLCM算法將像素對(duì)的分布方向簡(jiǎn)化為4個(gè)離散值：0°、45°、90°、135°，在此基礎(chǔ)上，本文考慮各類別的實(shí)際方向分布特征，將其與多尺度GLCM算法融合起來(lái)進(jìn)行統(tǒng)計(jì)。

首先，領(lǐng)域知識(shí)庫(kù)中的指標(biāo)D顯示了某類圖斑的主要分布方向，它與GLCM的統(tǒng)計(jì)方向應(yīng)該保持一致。為避免將D值簡(jiǎn)單離散化為4個(gè)方向所帶來(lái)的空間信息損失，本文根據(jù)D值對(duì)圖像進(jìn)行反向旋轉(zhuǎn)，則可以在該類別紋理特征統(tǒng)計(jì)時(shí)將主方向分布的細(xì)微差異反映出來(lái)。將整幅影像旋轉(zhuǎn)后，新圖像中存在缺失的邊角區(qū)域，如圖2(b)所示，其中A1-A4區(qū)域?qū)⒉捎苗R像法或裁剪更大范圍的影像進(jìn)行補(bǔ)充。

接著，在新圖像的4個(gè)離散方向上分配統(tǒng)計(jì)權(quán)值。如圖2(c)所示，0°對(duì)應(yīng)著地類的主方向，應(yīng)取得最大方向權(quán)重，其余3個(gè)方向的權(quán)值相應(yīng)較小，即各方向權(quán)值β可以根據(jù)主方向特征的代表性來(lái)設(shè)定。由于領(lǐng)域知識(shí)庫(kù)中的指標(biāo)cv正好反映了這一特性，因此，cv值越小，主方向特征的代表性越高，相應(yīng)0°方向的權(quán)值越大；反之，cv值越大，0°方向的權(quán)值越小。由此定義各方向權(quán)值的計(jì)算公式，如式(5)所示

(5)

(6)

(4) 紋理特征有效性測(cè)度。本文采用Fisher準(zhǔn)則函數(shù)來(lái)定量測(cè)度紋理特征的有效性。作為特征評(píng)價(jià)的常用方法之一，該指標(biāo)易于計(jì)算和理解，且效果較好[28]。設(shè)類別總數(shù)為M，且N1、N2、L1、…、NM表示各類別樣本像元的數(shù)量，那么樣本的總體類內(nèi)散布矩陣Sw和類間散布矩陣Sb可以采用式(7)表示

(7)

(8)

式中，tr{·}表示樣本總體散布矩陣的跡，即矩陣對(duì)角線元素之和，將其作為類別的可分性判據(jù)。該值越大，表示類間的樣本特征越分散，類別的可分性就越好，相應(yīng)的紋理特征也越有效。

3　試驗(yàn)與討論

3.1試驗(yàn)數(shù)據(jù)及預(yù)處理

本文選取某農(nóng)村地區(qū)的遙感影像土地利用分類問(wèn)題進(jìn)行研究，試驗(yàn)區(qū)位于典型農(nóng)作物生產(chǎn)區(qū)內(nèi)(圖3(a))。具體試驗(yàn)數(shù)據(jù)包括：①2011年的GIS土地利用類別圖，制圖比例尺為1∶10 000，采用2011年最新的分類體系建庫(kù)，共包含12個(gè)豐富地類，擬用于領(lǐng)域形態(tài)知識(shí)的提取;②2014年的SPOT 5遙感影像，空間分辨率為2.5 m，擬將其用于1∶10 000的專題分類制圖，與GIS本底數(shù)據(jù)形成有效對(duì)應(yīng)。該組GIS和RS數(shù)據(jù)的時(shí)間跨度為3年，根據(jù)規(guī)劃方案，期間未發(fā)生過(guò)重大的人工改造土地利用情況，且屬于景觀生態(tài)學(xué)中設(shè)定的“短期可持續(xù)”級(jí)別[29]，從客觀上保證了領(lǐng)域知識(shí)的效用性。由于本文采用Matlab平臺(tái)進(jìn)行GLCM紋理特征提取，考慮到算法效率問(wèn)題，從試驗(yàn)區(qū)中截取了一幅圖像進(jìn)行分類計(jì)算。如圖3(b)、(c)所示，所選區(qū)域大小為5000 m×5000 m，共包含2000 × 2000個(gè)像元，相當(dāng)于一個(gè)標(biāo)準(zhǔn)圖幅的大小。

圖3　試驗(yàn)區(qū)域及試驗(yàn)數(shù)據(jù)Fig.3　Study area and study data

3.2土地利用圖斑的形態(tài)指標(biāo)計(jì)算

首先，對(duì)GIS和RS數(shù)據(jù)進(jìn)行幾何配準(zhǔn)。配準(zhǔn)模型采用二次多項(xiàng)式，直接利用了GIS數(shù)據(jù)庫(kù)中原有布設(shè)在該區(qū)域居民點(diǎn)內(nèi)的2個(gè)四級(jí)水準(zhǔn)點(diǎn)作為控制點(diǎn)，另通過(guò)人工方式選取了15個(gè)控制點(diǎn)(圖4)。最終建立的幾何糾正模型的殘差值達(dá)到0.5 m以下，滿足了影像配準(zhǔn)精度需要達(dá)到0.22像素的要求(即按像元空間分辨率為2.5 m計(jì)算，為0.55 m)[25]。

其次，基于ArcGIS空間分析功能，對(duì)GIS土地利用本底數(shù)據(jù)進(jìn)行領(lǐng)域知識(shí)挖掘。根據(jù)式(1)—式(3)，首先利用MBR算法獲取每個(gè)圖斑的主方向，表達(dá)成主軸線要素，如圖5(a)所示；再對(duì)新的線要素圖層進(jìn)行統(tǒng)計(jì)，利用LDM算法按類別提取它們的形態(tài)特征，如圖5(b)所示。最終統(tǒng)計(jì)結(jié)果如表1所示。

圖4　控制點(diǎn)選取與數(shù)據(jù)配準(zhǔn)　　　　　　　　圖5　GIS土地利用圖斑形態(tài)特征提取結(jié)果圖Fig.4　　　　Control point selection and 　　　Fig.5　Maps of morphology features in GIS database of land-use image registration

ClassIndex123456789101112ClassName水田旱地果園其他園地有林地其他林地坑塘水面河流水面農(nóng)村住宅城鎮(zhèn)住宅公路用地農(nóng)村道路L395.42259.44171.65279.31244.83160.40136.64597.2368.46259.121918.93226.28Lstd59.2151.3333.3050.2739.4644.5113.76102.7229.6941.6510.8019.61K=Lstd/L0.150.200.190.180.160.280.100.170.430.160.010.04D4.7811.6618.776.69.0823.1711.698.0512.5813.7142.992.16cv0.360.390.350.360.370.380.480.200.380.0800.38

表1中，①L代表地類主軸的平均長(zhǎng)度，Lstd代表L值的統(tǒng)計(jì)方差，由此可以計(jì)算出各類別的方差占平均值的比重K，其中，類別9和類別6的K值相對(duì)較大，說(shuō)明其類內(nèi)圖斑的大小不均一，因而L值的代表性相對(duì)較弱，其他地類的K值都在0.2以下，說(shuō)明這些地類圖斑的大小較一致，在平均尺度范圍內(nèi)可以包含大部分圖斑，保證有效的紋理觀測(cè)；②D值顯示出各地類的主方向分布特征，值域?yàn)閇2°,45°]?？梢园l(fā)現(xiàn)，相鄰地類之間具有相似的方向分布統(tǒng)計(jì)結(jié)果，如類別2、3、7、9、10，分別代表旱地、果園、坑塘水面、農(nóng)村住宅和城鎮(zhèn)住宅用地，它們?cè)诳臻g布局上相互鄰接，而且都屬于人類改造土地利用方式，取得了較一致的方向分布，一致性達(dá)到70%以上；③cv值反映了類內(nèi)圖斑偏離平均方向的程度，根據(jù)統(tǒng)計(jì)結(jié)果，每類別的cv值均小于0.48，類別11甚至等于0，且占均值比重較低?？梢?jiàn)，相應(yīng)的主方向值D具有顯著代表性，在其輔助下對(duì)影像進(jìn)行方向旋轉(zhuǎn)后再做加權(quán)統(tǒng)計(jì)，更能準(zhǔn)確地表達(dá)地類的空間結(jié)構(gòu)屬性。

3.3基于多尺度和主方向因子的GLCM紋理特征構(gòu)建

將表1中所示的各項(xiàng)形態(tài)指標(biāo)值，代入式(5)和式(6)，則可以計(jì)算出各類別的紋理尺度以及4個(gè)方向的統(tǒng)計(jì)權(quán)值，結(jié)果如表2所示。統(tǒng)計(jì)顯示，采用該方法提取紋理空間因子的算法復(fù)雜度非常低，僅與GIS圖斑的個(gè)數(shù)成正比關(guān)系，而傳統(tǒng)的枚舉法、影像分析法等則需耗費(fèi)與像元個(gè)數(shù)呈幾何級(jí)倍數(shù)的時(shí)間。

表2　領(lǐng)域知識(shí)輔助下各類別紋理尺度及方向權(quán)重的確定

根據(jù)上述計(jì)算結(jié)果，分別采用不同構(gòu)造因子來(lái)計(jì)算紋理特征，從而獲得不同的像元特征值來(lái)實(shí)現(xiàn)分類。如表3所示，可以得到4種方案，其中，方案2中采用的平均紋理尺度值是根據(jù)表2中的S值取平均得到。

3.4分類結(jié)果及評(píng)價(jià)

為測(cè)試表3中不同方案構(gòu)造的紋理特征的有效性，本文引入支持向量機(jī)模型(SVM)實(shí)現(xiàn)影像分類，并進(jìn)行分類精度對(duì)比分析。作為經(jīng)典可靠的統(tǒng)計(jì)學(xué)習(xí)監(jiān)督分類方法，SVM在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出許多特有的優(yōu)勢(shì)。經(jīng)試驗(yàn)，當(dāng)本組訓(xùn)練樣本與測(cè)試樣本的數(shù)據(jù)比例大于3∶7以后，分類精度值趨于穩(wěn)定，最終得到基于不同特征空間的分類結(jié)果如圖6所示。

表3面向土地利用分類的像元特征空間構(gòu)建

Tab.3Feature space construction of image pixels for land-use classification

特征空間構(gòu)建光譜特征GLCM紋理特征平均尺度當(dāng)前類別尺度平均方向主方向權(quán)值方案1√○○○○方案2√√○√○方案3√○√√○方案4√○√○√

對(duì)上述分類結(jié)果采用混淆矩陣進(jìn)行精度評(píng)價(jià)，結(jié)果如表4所示。

表4　基于不同特征空間的SVM分類精度評(píng)價(jià)

(1) 在表4中，按總體分類精度和Kappa系數(shù)對(duì)不同特征空間的分類能力進(jìn)行排序，結(jié)果是：方案4>方案3>方案2>方案1。在方案1中，僅利用光譜信息分類，總體分類精度只有47.2%。由于同譜異物現(xiàn)象，導(dǎo)致易誤分的地類包括：類別2和3、4，類別5和6，類別7和8，類別9和10，類別11和12。因此，當(dāng)方案2中加入平均尺度紋理特征后，總體分類精度提高了17.2%；方案3中，將紋理尺度設(shè)定為多級(jí)尺度，與各類別圖斑的形態(tài)大小相對(duì)應(yīng)，那么分類精度又提高了12.1%，尤其是在尺度值差異較大的地類之間，分類結(jié)果得到了明顯改善；進(jìn)一步地，方案4中按方向權(quán)值統(tǒng)計(jì)紋理特征，得到的總體分類精度比方案3又高出了4.8%，可達(dá)到81.3%。

(2) 在多級(jí)尺度下，方案4與方案3采用了不同的統(tǒng)計(jì)方向權(quán)值，前者的總體分類精度較后者高，但由用戶者精度的變化可知：類別8的分類精度變化不大，同時(shí)類別10的分類精度反而有所下降。究其原因，試驗(yàn)區(qū)中這兩類地物的規(guī)模都比較小，圖斑均未表現(xiàn)出明顯的方向走勢(shì)，因此，融入主方向權(quán)重后，其紋理特征的區(qū)分性反而會(huì)降低；反之，在其他方向特征顯著的地類中，方案4明顯具有比方案3優(yōu)越的分類能力。為此，借助2組地類的特征空間分布散點(diǎn)圖，進(jìn)一步直觀描述紋理方向權(quán)值變化對(duì)分類精度的貢獻(xiàn)。如圖7和圖8所示，第1組地類是果園和其他園地，第2組地類是公路用地和農(nóng)村道路，它們都屬于人工地物，均存在典型的同譜異物現(xiàn)象，圖中三維空間則對(duì)應(yīng)著由{角二階距，熵，相關(guān)}組成的3個(gè)紋理特征量。兩組試驗(yàn)結(jié)果均顯示，方案3按平均方向統(tǒng)計(jì)紋理，導(dǎo)致不同地類中存在部分特征區(qū)域的重疊，而方案4按主方向權(quán)值進(jìn)行統(tǒng)計(jì)，其紋理值可以反映細(xì)微的方向變化規(guī)律，使同譜異物地類的區(qū)分能力得到有效提高。

(3) 需要注意的是，不同類別之間形態(tài)特征的相關(guān)性，將極大影響紋理特征的分類能力。為進(jìn)行直觀描述，首先針對(duì)方案4中所采用的形態(tài)因子S和β進(jìn)行類間相關(guān)性計(jì)算。檢驗(yàn)結(jié)果如圖9所示，橫、縱坐標(biāo)分別代表地物類別，如果某組因子間的相關(guān)系數(shù)R≥0.6，則認(rèn)為其形態(tài)特征的相關(guān)性強(qiáng)；同時(shí)，如果顯著性P≤0.05，則表示其相關(guān)性顯著。由于該檢驗(yàn)矩陣是對(duì)稱的，因此只顯示對(duì)角線上的統(tǒng)計(jì)結(jié)果?？梢钥闯觯瑢?duì)于同時(shí)滿足以上兩個(gè)條件的類別，如類別2和4，類別2和5等，其類間形態(tài)高度相似，實(shí)際圖斑也呈現(xiàn)大面積膠著分布狀態(tài)。

接著，使用Fisher距離對(duì)方案4中紋理特征的有效性進(jìn)行評(píng)價(jià)。本文采用一個(gè)可分性矩陣來(lái)表示計(jì)算結(jié)果，如圖10所示，橫軸代表尺度級(jí)別，縱軸代表地物類別，各級(jí)尺度下紋理特征值的類間Fisher距離由大到小采用紅色→藍(lán)色表示。與圖9進(jìn)行對(duì)比觀察，可以發(fā)現(xiàn)：Fisher距離越大，表示在該級(jí)尺度中，類間紋理特征的可分性就越高，而其形態(tài)相關(guān)性則越低；反之，隨著類間形態(tài)的相似度增加，如類別2和類別4，類別2和類別5等，均屬于顯著強(qiáng)相關(guān)的類別，則相應(yīng)Fisher距離變小，其紋理特征的代表性和可分性都降低；此外，對(duì)于類別1和類別2，雖然兩者的平均形態(tài)值高度相關(guān)，但卻不顯著，說(shuō)明類別1和類別2的形態(tài)分布呈現(xiàn)較大分異，導(dǎo)致兩者間總體的Fisher距離反而增大，紋理特征的可分性也有所提升。因此，當(dāng)類間形態(tài)特征呈顯著分布時(shí)，說(shuō)明類內(nèi)形態(tài)分布集中，則GLCM紋理的分類能力主要隨著兩者間的相似度而反向變化；當(dāng)類間形態(tài)特征呈顯著強(qiáng)相關(guān)分布時(shí)，GLCM紋理特征趨于相似， 則此時(shí)影像的分類精度將主要依賴于光譜特征和其他空間特征；當(dāng)類間形態(tài)特征呈相關(guān)但不顯著分布時(shí)，說(shuō)明某類別形態(tài)分布分散， 則GLCM紋理的分類能力將受到相反的作用力?？梢酝浦?，隨著影像空間分辨率的提高以及分類體系的細(xì)化，類內(nèi)的形態(tài)特征分布將變得更集中，與平均特征值之間的差距更小，同時(shí)與類間的差異性更顯著，從而使紋理特征的有效性更高。

圖6　融合不同空間因子的GLCM紋理圖像土地利用分類結(jié)果圖Fig.6　Classification maps based on GLCM texture imagery with the different spatial factors

圖7　類別3、4在不同紋理特征空間中的散點(diǎn)圖Fig.7　Plot of different texture feature space for orchard lands, and other orchard lands

圖8　類別11、12在不同紋理特征空間中的散點(diǎn)圖Fig.8　Plot of different texture feature space for road lands, and rural road lands

圖9　各類別間的形態(tài)特征相關(guān)性檢驗(yàn)結(jié)果圖Fig.9　Correlation map of morphology between categories

圖10　各級(jí)尺度紋理特征的類間Fisher距離統(tǒng)計(jì)結(jié)果圖Fig.10　Fisher distance map between categories of multi-scales texture features

4　結(jié)　論

本文通過(guò)GIS數(shù)據(jù)到RS數(shù)據(jù)的集成計(jì)算和關(guān)聯(lián)分析，構(gòu)建了領(lǐng)域形態(tài)知識(shí)與GLCM紋理構(gòu)造因子的響應(yīng)關(guān)系，得到如下結(jié)論：

(1) 兩者之間具有強(qiáng)相關(guān)性。GIS本底數(shù)據(jù)庫(kù)中蘊(yùn)含了大量的領(lǐng)域形態(tài)知識(shí)，可以有效地反映分類目標(biāo)的實(shí)際涵義和空間結(jié)構(gòu)特征，為提取GLCM紋理空間因子提供啟發(fā)信息。

(2) 本文研究中，各類地物的實(shí)際圖斑大小和走向決定了其最佳紋理觀測(cè)尺度和方向，在此基礎(chǔ)上設(shè)計(jì)的基于地類形狀指數(shù)的多尺度窗口建立算法，以及基于地類主方向分布指數(shù)的方向權(quán)值測(cè)度算法，其復(fù)雜度低，性能優(yōu)越，可以有效區(qū)分專題地物，并進(jìn)一步解決同譜異物的分類不確定性問(wèn)題。

(3) 需要注意的是，當(dāng)類間形態(tài)特征呈顯著分布時(shí)，GLCM紋理的分類能力主要隨著形態(tài)相似度而反向變化；當(dāng)類間形態(tài)特征呈顯著強(qiáng)相關(guān)分布時(shí)，GLCM紋理特征趨于相似，則此時(shí)影像的分類精度將主要依賴于光譜特征和其他空間特征。

[1]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.

[2]GONG P, HOWARTH P J. Frequency-based Contextual Classification and Gray-level Vector Reduction for Land-use Identification[J]. Photogrammetric Engineering and Remote Sensing, 1992, 58(4): 423-437.

[3]崔林麗. 遙感影像解譯特征的綜合分析與評(píng)價(jià)[D]. 北京: 中國(guó)科學(xué)院遙感應(yīng)用研究所, 2005. CUI Linli. Integrative Analysis and Evaluation of the Interpretation Features in Remote Sensing Image[D]. Beijing: Institute of Remote Sensing Applications, Chinese Academy of Sciences, 2005.

[4]陳忠. 高分辨率遙感圖像分類技術(shù)研究[D]. 北京: 中國(guó)科學(xué)院遙感應(yīng)用研究所, 2006. CHEN Zhong. Research on High Resolution Remote Sensing Image Classification Technology[D]. Beijing: Institute of Remote Sensing Applications, Chinese Academy of Sciences, 2006.

[5]FRANKLIN S E, WULDER M A, LAVIGNE M B. Automated Derivation of Geographic Window Sizes for Use in Remote Sensing Digital Image Texture Analysis[J]. Computers & Geosciences, 1996, 22(6): 665-673.

[6]馬洪超, 李德仁. 基于空間統(tǒng)計(jì)學(xué)的空間數(shù)據(jù)窗口大小的確定[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2001, 26(1): 18-23.

MA Hongchao, LI Deren. Geographic Window Fixing and Its Application Based on Spatial Statistics[J]. Geomatics and Information Science of Wuhan University, 2001, 26(1): 18-23.

[7]CHICA-OLMO M, ABARCA-HERNáNDEZ F. Computing Geostatistical Image Texture for Remotely Sensed Data Classification[J]. Computers & Geosciences, 2000, 26(4): 373-383.

[8]GOODCHILD M F. Metrics of Scale in Remote Sensing and GIS[J]. International Journal of Applied Earth Observation and Geoinformation, 2001, 3(2): 114-120.

[9]PENG Bo, ZHANG Lei, ZHANG D. A Survey of Graph Theoretical Approaches to Image Segmentation[J]. Pattern Recognition, 2013, 46(3): 1020-1038.

[10]巫兆聰, 胡忠文, 張謙, 等. 結(jié)合光譜紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J]. 測(cè)繪學(xué)報(bào), 2014, 42(1): 44-50.

WU Zhaocong, HU Zhongwen, ZHANG Qian, et al. On Combining Spectral, Textural and Shape Features for Remote Sensing Image Segmentation[J]. Acta Geodaetica et Cartographica Sinica, 2014, 42(1): 44-50.

[11]駱劍承, 梁怡, 周成虎. 基于尺度空間的分層聚類方法及其在遙感影像分類中的應(yīng)用[J]. 測(cè)繪學(xué)報(bào), 1999, 28(4): 319-324.

LUO Jiancheng, LEUNG Yee, ZHOU Chenghu. Scale Space Based Hierarchical Clustering Method and Its Application to Remotely Sensed Data Classification[J]. Acta Geodaetica et Cartographica Sinica, 1999, 28(4): 319-324.

[12]張桂峰. 粒度理論下的多尺度遙感影像分割[D]. 武漢: 武漢大學(xué), 2010.

ZHANG Guifeng. Multi-scale Remote Sensing Image Segmentation Based on Granularity Theory[D]. Wuhan: Wuhan University, 2010.

[13]金飛, 張占睦, 芮杰. 紋理主方向的遙感影像居民地提取[J]. 測(cè)繪科學(xué), 2010, 35(4): 139-141. JIN Fei, ZHANG Zhanmu, RUI Jie. Residential Area Extraction from Remote Sensing Image Based on Texture Principal Directions[J]. Science of Surveying and Mapping, 2010, 35(4): 139-141.

[14]劉天時(shí), 肖敏敏, 李湘眷. 融合方向測(cè)度和灰度共生矩陣的紋理特征提取算法研究[J]. 科學(xué)技術(shù)與工程, 2014, 14(32): 271-275.

LIU Tianshi, XIAO Minmin, LI Xiangjuan. Textural Feature Extraction Algorithm Fused with Direction Measure and GLCM Method[J]. Science Technology and Engineering, 2014, 14(32): 271-275.

[15]于曉晗, 袁保宗. 方向測(cè)度及其在紋理識(shí)別中的應(yīng)用[J]. 自動(dòng)化學(xué)報(bào), 1990, 16(4): 347-351.

YU Xiaohan, YUAN Baozong. Direction Measure and Its Application to Texture Classification[J]. Acta Automatica Sinica, 1990, 16(4): 347-351.

[16]雷小奇, 王衛(wèi)星, 賴均. 一種基于形狀特征進(jìn)行高分辨率遙感影像道路提取方法[J]. 測(cè)繪學(xué)報(bào), 2009, 38(5): 457-465.

LEI Xiaoqi, WANG Weixing, LAI Jun. A Method of Road Extraction from High-resolution Remote Sensing Images Based on Shape Features[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(5): 457-465.

[17]蔡利平, 史文中, 張華, 等. 邊緣走向自適應(yīng)的多尺度分水嶺分割算法[J]. 中國(guó)礦業(yè)大學(xué)學(xué)報(bào), 2015, 44(4): 739-746.

CAI Liping, SHI Wenzhong, ZHANG Hua, et al. An Edge Direction Adaptive Multi-scale Watershed Segmentation Algorithm[J]. Journal of China University of Mining & Technology, 2015, 44(4): 739-746.

[18]李德仁, 王樹(shù)良, 李德毅. 空間數(shù)據(jù)挖掘理論與應(yīng)用[M]. 北京: 科學(xué)出版社, 2006.

LI Deren, WANG Shuliang, LI Deyi. Spatial Data Mining Theories and Applications[M]. Beijing: Science Press, 2006.

[19]楊存健, 周成虎. 基于知識(shí)的遙感圖像分類方法的探討[J]. 地理學(xué)與國(guó)土研究, 2001, 17(1): 72-77.

YANG Cunjian, ZHOU Chenghu. Investigation on Classification of Remote Sensing Image on Basis of Knowledge[J]. Geography and Territorial Research, 2001, 17(1): 72-77.

[20]術(shù)洪磊. GIS輔助下的基于知識(shí)的遙感影像分類方法研究——以土地覆蓋/土地利用類型為例[J]. 測(cè)繪學(xué)報(bào), 1997, 26(4): 328-336.

SHU Honglei. Knowledge Based Image-classification Approach Supported by a GIS[J]. Acta Geodaetica et Cartographica Sinica, 1997, 26(4): 328-336.

[21]吳田軍, 駱劍承, 夏列鋼, 等. 遷移學(xué)習(xí)支持下的遙感影像對(duì)象級(jí)分類樣本自動(dòng)選擇方法[J]. 測(cè)繪學(xué)報(bào), 2014, 43(9): 908-916. DOI: 10.13485/j.cnki.11-2089.2014.0163.

WU Tianjun, LUO Jiancheng, XIA Liegang, et al. An Automatic Sample Collection Method for Object-oriented Classification of Remotely Sensed Imageries Based on Transfer Learning[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(9): 908-916. DOI: 10.13485/j.cnki.11-2089.2014.0163.

[22]韓敏, 孫楊. 一種基于分組式蛇模型的GIS矢量邊界更新方法[J]. 測(cè)繪學(xué)報(bào), 2009, 38(2): 168-174.

HAN Min, SUN Yang. A Method of Vector Edge Updating Based on Grouping Snake Model in GIS[J]. Acta Geodaetica et Cartographica Sinica, 2009, 38(2): 168-174.

[23]朱長(zhǎng)明, 駱劍承, 沈占鋒, 等. DEM輔助下的河道細(xì)小線性水體自適應(yīng)迭代提取[J]. 測(cè)繪學(xué)報(bào), 2013, 42(2): 277-283.

ZHU Changming, LUO Jiancheng, SHEN Zhanfeng, et al. River Linear Water Adaptive Auto-extraction on Remote Sensing Image Aided by DEM[J]. Acta Geodaetica et Cartographica Sinica, 2013, 42(2): 277-283. [24]張曉東. 基于遙感影像與GIS數(shù)據(jù)的變化檢測(cè)理論和方法研究[D]. 武漢: 武漢大學(xué), 2005.

ZHANG Xiaodong. The Theory and Methods of Change Detection Based on Remotely Sensed Imagery and GIS[D]. Wuhan: Wuhan University, 2005.

[25]張曉東, 李德仁, 龔健雅, 等. 一種基于面特征的遙感影像與GIS數(shù)據(jù)配準(zhǔn)方法[J]. 遙感學(xué)報(bào), 2006, 10(3): 373-380.

ZHANG Xiaodong, LI Deren, GONG Jianya, et al. A Matching Method of Remote Sensing Image and GIS Data Based on Area Feature[J]. Journal of Remote Sensing, 2006, 10(3): 373-380.

[26]朱曉芳. 基于支持向量機(jī)的田間雜草識(shí)別方法研究[D]. 鎮(zhèn)江: 江蘇大學(xué), 2010.

ZHU Xiaofang. Research of Weed Recognition Method Based on Support Vector Machine[D]. Zhenjiang: Jiangsu University, 2010.

[27]ULABY F T, KOUYATE F, BRISCO B, et al. Textural Information in SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing, 1986, 24(2): 235-245.

[28]尹洪濤, 付平, 沙學(xué)軍. 基于DCT和線性判別分析的人臉識(shí)別[J]. 電子學(xué)報(bào), 2009, 37(10): 2211-2214.

YIN Hongtao, FU Ping, SHA Xuejun. Face Recognition Based on DCT and LDA[J]. Acta Electronica Sinica, 2009, 37(10): 2211-2214.

[29]鄔建國(guó). 景觀生態(tài)學(xué)——概念與理論[J]. 生態(tài)學(xué)雜志, 2000, 19(1): 42-52.

WU Jianguo. Landscape Ecology:Concepts and Theories[J]. Chinese Journal of Ecology, 2000, 19(1): 42-52.

(責(zé)任編輯：張艷玲)

修回日期： 2016-07-21

E-mail： lzy-lzy@163.com

Classification of Land-use Based on Remote Sensing Image Texture Features with Multi-scales and Cardinal Direction Inspired by Domain Knowledge

LAN Zeying1,LIU Yang2

1．School of Management，Guangdong University of Technology，Guangzhou 510520，China；2．Guangzhou Urban Planning & Design Survey Research Institute，Guangzhou 510060，China

Texture features based on grey level co-occurrence matrix (GLCM) are effective for image analysis, and this paper proposed a new method to construct GLCM with multi-scales and cardinal direction factors inspired by domain knowledge, in order to improve the performance of texture features and solve the uncertainty problems in image classification of land-use. By simulating the process of human visual interpretation, an integrated computation pattern of GIS and RS data were performed. Firstly, on the basis of image registration, some classic GIS spatial data mining algorithms were employed to asymptotically extract domain morphological knowledge; Next, under the responding mechanism derived from correlated analysis, an algorithm for establishing GLCM multi-scale windows that can match categories one by one, an algorithm for determining GLCM weighted cardinal direction windows that can describe observation orientation were designed based on relevant morphology indexes. Experimental results indicate that, there is a strong correlation between domain morphological knowledge and GLCM construction factors, meanwhile, with lower computational complexity, the new method can extract stable texture features to describe actual spatial meanings of complex objects, thereby improve the image classification accuracy of land-use.

GLCM texture image classification; multi-scale windows; weighted cardinal direction; integrated computing; GIS spatial data mining

LAN Zeying(1983—)，female，PhD, lecturer, majors in remote sensing interpretation of land-use and application of 3S integration technology in land management.

10.11947/j.AGCS.2016.20150624.

P208

A

1001-1595(2016)08-0973-10

國(guó)家自然科學(xué)基金(41301377)

2015-12-22

蘭澤英(1983—)，女，博士，講師，研究方向?yàn)檫b感影像解譯和3S集成技術(shù)在土地管理中的應(yīng)用。

引文格式：蘭澤英，劉洋.領(lǐng)域知識(shí)輔助下基于多尺度與主方向紋理的遙感影像土地利用分類[J].測(cè)繪學(xué)報(bào)，2016,45(8)：973-982.

LAN Zeying,LIU Yang.Classification of Land-use Based on Remote Sensing Image Texture Features with Multi-scales and Cardinal Direction Inspired by Domain Knowledge[J]. Acta Geodaetica et Cartographica Sinica,2016,45(8):973-982. DOI:10.11947/j.AGCS.2016.20150624.