紋理與波形特征組合對(duì)機(jī)載LiDAR數(shù)據(jù)分類的影響①

張愛武 李 陶 李含倫 段乙好 孟憲剛

?

紋理與波形特征組合對(duì)機(jī)載LiDAR數(shù)據(jù)分類的影響①

張愛武②李 陶③李含倫 段乙好 孟憲剛

(首都師范大學(xué)三維信息獲取與應(yīng)用教育部重點(diǎn)實(shí)驗(yàn)室 北京 100048)(首都師范大學(xué)空間信息技術(shù)教育部工程研究中心 北京 100048)

將紋理特征與波形特征用于LiDAR數(shù)據(jù)分類，進(jìn)行了紋理特征與波形特征的最佳組合方案研究。首先將LiDAR全波形數(shù)據(jù)的高程、波寬、振幅和回波次數(shù)等波形特征信息轉(zhuǎn)化為波形特征圖像；然后利用灰度直方圖和灰度共生矩陣(GLCM)提取多種紋理特征，并與波形特征圖像疊加構(gòu)成多維特征圖像；最后討論紋理特征與波形特征組合對(duì)分類的影響，并確定最佳組合方案，探討不同分類器對(duì)紋理與波形特征組合的適應(yīng)性。實(shí)驗(yàn)結(jié)果表明，某些紋理特征能夠提高分類精度，但不是分類特征越多越好，只有最佳組合才能充分利用紋理和波形特征，提高分類精度。

LiDAR， 波形特征圖像， 紋理， 分類

0 引 言

近年來出現(xiàn)了全波形LiDAR(激光雷達(dá))，它能夠?qū)崟r(shí)記錄全部或部分激光反射回波的波形量化信息[1]，即人們可以從LiDAR原始數(shù)據(jù)中提取除點(diǎn)坐標(biāo)之外的更多的信息[2]。很多學(xué)者的研究利用具有波形信息的LiDAR點(diǎn)云數(shù)據(jù)分類，Heinzel[3]、Reitberger[4]等通過高斯波形分解提取波寬和強(qiáng)度信息對(duì)樹種進(jìn)行分類；Karolina[5]通過運(yùn)用LiDAR全波形數(shù)據(jù)后向散射系數(shù)、波寬等波形參數(shù)信息提出了一種適用于農(nóng)村場(chǎng)景分類的方法。但是，波形數(shù)據(jù)中常用的波寬、振幅與地物高程、激光入射角等多種因素有關(guān)，直接利用分類精度不高。波形數(shù)據(jù)分類時(shí)如果加入合適的特征，可減弱地物高程、激光入射角等因素的影響，其中紋理特征是一個(gè)不錯(cuò)的選擇。

紋理是一種極為重要的圖像特征，體現(xiàn)了圖像各個(gè)部分灰度的重復(fù)規(guī)律，包含了地物的表面信息及其與周圍環(huán)境的關(guān)系，更好地兼顧了影像的宏觀結(jié)構(gòu)與微觀結(jié)構(gòu)[6]。Nardinocchi[7]提出基于高程紋理圖像將地面、建筑物及植被進(jìn)行分類，劉經(jīng)南等[8]從高程信息中生成不同紋理特征來區(qū)分植被和建筑物。喬紀(jì)綱等[9]將4種灰度共生矩陣(gray-level co-occorrence matrx，GLCM)高度紋理與地面粗糙系數(shù)、平均高度、平均反射強(qiáng)度疊加識(shí)別地物。劉萌萌等[10]采用多尺度紋理特征對(duì)遙感影像進(jìn)行分類，證明了借助地類特征曲線選擇合適的紋理特征具有一定的可行性且能夠提高分類精度。LiDAR數(shù)據(jù)中含有高程、波寬、回波次數(shù)、振幅等波形特征，而不同的紋理生成方法又會(huì)產(chǎn)生多種不同的紋理特征。選擇哪些紋理特征參與分類，紋理特征與波形特征怎么組合等問題顯得格外突出。然而，目前LiDAR數(shù)據(jù)的研究大都集中在分類算法本身，分類特征選擇的研究則鮮見報(bào)道。基于上述分析，本文注重研究紋理特征的選擇，以及用于LiDAR數(shù)據(jù)分類的紋理特征與波形特征最佳組合方案。同時(shí)，為綜合考慮多種特征，本文提出了多維特征圖像的概念，其中x和y軸為空間軸，z軸為特征軸。

1 多維特征圖像

1.1 波形特征圖像

本文采用移動(dòng)平均值法對(duì)LiDAR數(shù)據(jù)中的高程、波寬、回波次數(shù)、振幅等信息進(jìn)行二維可視化處理，生成用于后續(xù)處理的波形特征圖像，如圖1所示。

1.2 紋理特征選擇

本文選擇最常用的灰度直方圖和灰度共生矩陣(GLCM)兩種方法提取紋理特征?；叶戎狈綀D反映了圖像灰度級(jí)分布，是對(duì)圖像上單個(gè)像素具有某個(gè)灰度進(jìn)行統(tǒng)計(jì)的結(jié)果。其表達(dá)式為

h(k)=nk∕N (k=0,1,…,L-1)

(1)

式中：k表示圖像灰度等級(jí)的變量；N為灰度圖像總像素?cái)?shù)；nk為每個(gè)灰度等級(jí)的像素?cái)?shù)量；L為可區(qū)分的灰度等級(jí)數(shù)量。

由直方圖可定義圖像的數(shù)據(jù)范圍(Data Range)、均值(Mean)、方差(Variance)、偏斜(Skewness)、熵(Entropy)。由Variance可構(gòu)造反映圖像紋理深淺程度的特征參量，Skewness反映區(qū)域灰度起伏分布，Entropy反映圖像紋理的粗糙程度，在像素灰度值隨機(jī)性較大的區(qū)域Entropy的值較大[11]。

對(duì)于本文，高程、波寬、回波次數(shù)、振幅4個(gè)波形特征圖像可用灰度直方圖分別提取各自對(duì)應(yīng)的多種紋理，這些紋理能夠反映出LiDAR全波形數(shù)據(jù)的高程、波寬、回波次數(shù)、振幅四個(gè)特征所展現(xiàn)的灰度統(tǒng)計(jì)規(guī)律。

灰度共生矩陣(GLCM)是一個(gè)相對(duì)頻率矩陣，即像元值在兩個(gè)由特定距離和方向分開的相鄰處理窗口中的出現(xiàn)頻率，該矩陣顯示了一個(gè)像元和它的特定鄰域之間關(guān)系的發(fā)生數(shù)。例如，圖2所示的一個(gè)3×3基窗口中的像元和在水平方向變換了一個(gè)像元的3×3窗口中的像元被用來生成二階概率矩陣[12-14]。

與灰度直方圖對(duì)某個(gè)灰度進(jìn)行統(tǒng)計(jì)不同，灰度共生矩陣不僅反映了圖像灰度在相鄰方向、相鄰間隔、變化幅度的綜合信息，也反映了相同的灰度級(jí)像素之間的位置分布特征。因此，灰度共生矩陣能夠表示波形特征在一種紋理模式下的像素灰度的空間關(guān)系。

灰度共生矩陣用Pd(i,j)(i,j=0,1,…,L-1)表示。其中L表示圖像的灰度級(jí)，i、j分別表示像素的灰度。d表示兩個(gè)像素間的空間位置關(guān)系。不同的d決定了兩個(gè)像素間的距離和方向，θ為灰度共生矩陣的生成方向[15]。

圖2 灰度共生矩陣

Haralick等人定義了14個(gè)用于紋理分析的灰度共生矩陣特征參數(shù)，其中角二階矩(Second Moment)反映了圖像灰度分布均勻程度和紋理粗細(xì)程度。對(duì)比度(Contrast)反映了圖像的清晰度和紋理溝紋深淺的程度。對(duì)比度大，則紋理的溝紋深，效果清晰；反之，則溝紋淺，效果模糊[16]。熵是圖像具有信息量的度量，它反映了圖像中紋理的復(fù)雜程度或非均勻度[16]。熵值大，則紋理復(fù)雜；反之，圖像中灰度均勻，共生矩陣中元素大小差異大。

通過直方圖和灰度共生矩陣兩種方法，能夠提取出很多種紋理，其中，大部分紋理無明顯特征。圖像上待區(qū)分的地面、建筑和植被只在其中的幾種紋理特征中表現(xiàn)出很強(qiáng)的差別，經(jīng)實(shí)驗(yàn)驗(yàn)證差別不明顯的紋理特征對(duì)分類無明顯貢獻(xiàn)。由此，挑選出以下三種特征比較明顯的紋理進(jìn)行分類，分別為從高程特征圖像中提取數(shù)據(jù)范圍和均值紋理，從回波次數(shù)特征圖像中提取二階矩紋理，見圖3，其表達(dá)式如下：

DataRange=max(i)-min(i)

(2)

(3)

(4)

式中i、j分別表示像素的灰度，d表示兩個(gè)像素間的空間位置關(guān)系，L表示圖像的灰度級(jí)。

挑選出的這3類紋理特征能夠鮮明地表現(xiàn)地物的各類特征。如圖3(a)，建筑物和植被的輪廓都被清晰地提取出來。圖3(b)，三部分較為明顯的明暗變化表示該地區(qū)地面的不同高程，越亮表示該地區(qū)高程值越高，越暗表示該地區(qū)高程值越低。這里，數(shù)據(jù)范圍增強(qiáng)了地物的邊界，均值反映了地形的變化，二階矩反映了地物的空間分布狀況。圖3(c)右則明顯將植被與其他地物區(qū)分開來。

圖3 本文選擇的3類紋理特征圖

2 特征組合分類及結(jié)果評(píng)價(jià)

2.1 紋理特征選擇對(duì)分類結(jié)果的影響

本研究采用的LiDAR數(shù)據(jù)是由RIEGL LMS-Q560獲取的，研究區(qū)域?yàn)闁|西距離1012m、南北距離708m，點(diǎn)云密度為8.2point/m2，激光器發(fā)射頻率為240kHz，波長為1550nm，發(fā)散角小于等于0.5mrad，發(fā)射脈沖長度約為3.5ns，采樣間隔為1ns。

把上文選取的3類紋理特征與高程、回波寬度、回波次數(shù)和振幅4個(gè)波形特征疊加，形成多維特征圖像，x和y軸為空間軸，z軸為特征軸。選取較常用的最大似然分類、馬氏距離分類和最小距離分類三種分類方法對(duì)多維特征圖像進(jìn)行監(jiān)督分類，分析紋理特征對(duì)LiDAR數(shù)據(jù)的影響。

第一組實(shí)驗(yàn)采用不同分類數(shù)目來分析紋理選擇對(duì)分類結(jié)果的影響。本研究將實(shí)驗(yàn)區(qū)的LiDAR數(shù)據(jù)分成三類和四類地物，表1和表2為訓(xùn)練樣本和驗(yàn)證樣本的數(shù)目。

表1 三種類別訓(xùn)練樣本和驗(yàn)證樣本數(shù)目

表2 四種類別的樣本和驗(yàn)證樣本數(shù)目

特征具體組合方式如圖4所示。為了方便記憶，分別用A、B、C表示三種紋理特征，其中A代表數(shù)據(jù)范圍(Data Range)紋理，B代表均值(Mean)紋理，C代表二階矩(Second Moment)紋理；用O代表波形特征圖像。以圖4所示的組合方式將紋理特征添加到原來的波形特征圖像中，生成含有5、6或7維的特征圖像。

圖4 紋理組合方式

首先將LiDAR數(shù)據(jù)分成三類，對(duì)未加紋理的波形特征圖像和7種加入紋理的特征圖像的分類結(jié)果進(jìn)行精度評(píng)估，見表3。從表3可以看出：(1)加入紋理特征與未加入紋理特征相比，圖像的分類精度得到了有效的提高；(2)隨著紋理特征數(shù)目的增加，分類精度也相應(yīng)得到提高，其中，雖然在最大似然法中B的加入略微降低了分類精度，但在馬氏距離和最小距離中B的加入依然提高了精度；(3)就三種分類方法而言，最大似然分類和馬氏距離分類要遠(yuǎn)遠(yuǎn)優(yōu)于最小距離分類，最大似然分類方法分類精度提高的幅度最大，并得到了最高的總體分類精度和Kappa系數(shù)，分別為95.3048%、0.9221。紋理的加入對(duì)于最小距離分類方法的分類精度的提高無明顯作用。

圖5為分類效果較穩(wěn)定且精度較高的馬氏距離分類結(jié)果圖。8幅分類結(jié)果圖中規(guī)則的建筑、高大的植被以及地面都分別用灰、灰白、黑三種顏色表示。整體來看，分類效果較好，無明顯差別。而詳細(xì)看來，每幅圖隨著紋理的加入，三類地物的分類效果各有提高，其中多紋理特征加入后的分類結(jié)果優(yōu)于單一紋理，即后四幅圖的分類效果優(yōu)于前四幅圖，主要表現(xiàn)在：建筑之間的植被和圖像右側(cè)區(qū)域的建筑能被更準(zhǔn)確的區(qū)分出來，前四幅圖像地面區(qū)域出現(xiàn)灰色噪聲問題以及圖像左上角區(qū)域部分地面被誤分為建筑的問題在后四幅圖像中得到解決。表3中對(duì)分類結(jié)果的精度評(píng)估也說明了此點(diǎn)。分類結(jié)果中出現(xiàn)誤差的原因主要有以下三點(diǎn)：(1)植被對(duì)激光反射的復(fù)雜性；(2)地物自身形狀的變化；(3)研究區(qū)的地勢(shì)變化。由于篇幅所限，最大似然分類和最小距離分類的分類結(jié)果圖和分析過程不再逐一列舉和描述。

表3 三類地物各紋理組合分類精度評(píng)估

圖5 馬氏距離分類結(jié)果

第二組實(shí)驗(yàn)分析添加紋理特征的極限性。在進(jìn)一步的實(shí)驗(yàn)中，選擇并提取熵(Entropy)和均勻性(Homogeneity)兩種紋理特征依次加入組合O+ABC中進(jìn)行分類。表4為三種分類方法下的分類精度評(píng)估。與表3比較，可知在依次加入兩種紋理特征后，不論是利用最大似然分類法、馬氏距離分類法，還是最小距離分類法，分類精度都逐漸降低。綜上，紋理特征的加入提高了分類精度，但并不是分類特征越多越好，紋理特征的添加是有極限性的。

表4 分類精度評(píng)估

2.2 最佳紋理組合精度評(píng)價(jià)

經(jīng)過各種紋理組合分類對(duì)比最終可選出一組最佳紋理組合，即O+ABC。圖6為O+ABC組合分別在最大似然分類、馬氏距離分類和最小距離分類三種分類方法下的分類結(jié)果圖。

左圖為最大似然分類，中圖為馬氏距離分類，右圖為最小距離分類

從圖6來看，最大似然分類結(jié)果圖中植被和地面能夠較好地分出，部分建筑輪廓被錯(cuò)分為植被，地面存在小部分灰色噪聲；馬氏距離分類整體較好，但左邊道路區(qū)域被錯(cuò)分為建筑；最小距離分類存在較大誤差，大范圍的地面被錯(cuò)分為植被或建筑。

混淆矩陣主要用于比較分類結(jié)果和實(shí)際測(cè)得值，是一種常用的圖像精度評(píng)價(jià)?；煜仃嚤碇械拿恳涣袛?shù)值代表了實(shí)際類別的像元在分類圖像中對(duì)應(yīng)于相應(yīng)類別的數(shù)量，混淆矩陣的每一行數(shù)值代表了分類后某類型像元在實(shí)測(cè)像元相應(yīng)類型中的數(shù)量。制圖精度是指整個(gè)圖像中正確分為某一類的個(gè)數(shù)與該類真實(shí)參考總數(shù)的比率。用戶精度是指正確分為某一類的像元總數(shù)與整個(gè)圖像的像元分為該類的像元總數(shù)的比率。表5為未加紋理的原始波形數(shù)據(jù)圖像分類結(jié)果的混淆矩陣。

表6為最佳紋理組合分類結(jié)果的混淆矩陣。通過表5和表6的混淆矩陣的比較，可見加入最佳紋理組合后分類結(jié)果中的建筑和植被的用戶精度和制圖精度大都高于未加入紋理的分類精度。在這三種分類方法中，最大似然分類方法獲得的制圖精度和用戶精度最高，馬氏距離分類次之，最小距離分類最差。

表5 原始波形數(shù)據(jù)圖像(O)分類結(jié)果混淆矩陣

表6 最佳紋理組合(O+ABC)分類結(jié)果混淆矩陣

表6中在總體分類精度和Kappa系數(shù)上，加入最佳紋理組合后的分類結(jié)果(O+ABC)的總體分類精度和Kappa系數(shù)都高于未加入紋理特征的分類結(jié)果(O)。三種分類方法中，最大似然分類的精度提高的幅度最大，總分類精度和Kappa系數(shù)分別提高了12.8534%和0.1919，馬氏距離分類效果次之，最小距離分類最差。

綜上所述，加入紋理組合特征的分類在本次研究中取得了較好的分類效果。分類過程中，提取高程特征的數(shù)據(jù)范圍和均值、回波次數(shù)特征的二階矩這三種紋理特征疊加到分類圖像中，采用最大似然法進(jìn)行分類能夠得到較好的分類效果。

3 結(jié) 論

將紋理特征和波形特征疊加應(yīng)用于LiDAR數(shù)據(jù)分類中的研究較少。本文討論了機(jī)載LiDAR數(shù)據(jù)中如何使用波形特征及其紋理信息來提高分類精度的問題，并對(duì)整個(gè)分類流程和關(guān)鍵步驟進(jìn)行了詳細(xì)論述。同時(shí)，研究了分類特征的不同組合對(duì)分類結(jié)果的影響，并得到一個(gè)最佳的紋理和波形特征組合方案。通過對(duì)分類結(jié)果定性和定量的對(duì)比分析表明，加入紋理特征的LiDAR數(shù)據(jù)分類精度得到了較大提高，且并不是加入越多特征越好，添加紋理特征具有極限性。討論了不同分類方法在同樣特征組合下的優(yōu)劣，比較了常用分類方法對(duì)同一特征組合的適應(yīng)性。而在特征組合前如何對(duì)特征進(jìn)行更有效的篩選是將來需要進(jìn)一步研究的內(nèi)容。

[ 1] Mallet C. Full-waveform topographic Lidar: State-of-the-Art.ISPRSJournalofPhotogrammetryandRemoteSensing，2009，64: 1-16

[ 2] Johannes H，Barbara K. Exploring full-waveform LiDAR parameters for tree species classification.InternationalJournalofAppliedEarthObservationandGeoinformation，2011，13：152-160

[ 3] Heinzel J，Koch B. Exploiting full-waveform LiDAR parameters for tree species classification.InternationalJournalofAppliedEarthObservationandGeoinformation，2011，13：152-160

[ 4] Reitberger J，Krzystek P，Stilla U. Analysis of full waveform LIDAR data for the classification of deciduous and coniferous trees.Internationaljournalofremotesensing，2008，29(5): 1407-1431

[ 5] Fieber K D，Davenport I J，F(xiàn)erryman J M，et al. Analysis of full-waveform LiDAR data for classification of an orange orchard scene.ISPRSJournalofPhotogrammetryandRemoteSensing，2013，82：63-82

[ 6] 林曉峰．基于紋理特征的遙感圖像分類算法研究[碩士學(xué)位論文]. 大連：大連理工大學(xué)自動(dòng)化系，2007.1-7

[ 7] Nardinocchi C. Classification and filtering of laser data.InternationalArchivesofPhotogrammetryandRemoteSensing，2003，34(3/W13)：1-7

[ 8] 劉經(jīng)南，張小紅. 利用激光強(qiáng)度信息分類激光掃描測(cè)高數(shù)據(jù). 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版)，2005，30(3)：189-193

[ 9] 喬紀(jì)綱，劉小平，張亦漢. 基于LiDAR高度紋理和神經(jīng)網(wǎng)絡(luò)的地物分類. 遙感學(xué)報(bào)，2011，15(3)：546-553

[10] 劉萌萌，劉亞嵐，孫國慶等. 結(jié)合紋理特征的SVM樣本分層退敵覆蓋分類. 遙感技術(shù)與應(yīng)用，2014，29(2)：315-323

[11] 趙源萌，王嶺雪，金偉其等. 基于區(qū)域直方圖統(tǒng)計(jì)的灰度圖像色彩傳遞方法. 北京理工大學(xué)學(xué)報(bào)，2010，32(3)：322-326

[12] Richards J A，Jia X. Remote sensing digital image analysis.5. Berlin Heidelberg: Springer-Verlag，2013.148-150

[13] Haralick R M，Shanmugam K，Dinstein I H. Textural features for image classification.IEEETransactionsonSystems，ManandCybernetics，1973，(6)：610-621

[14] Anys H，Bannari A，He D C，et al. Texture analysis for the mapping of urban areas using airborne MEIS-II images.ProceedingsoftheFirstInternationalAirborneRemoteSensingConferenceandExhibition, 1994，3：231-245

[15] 高程程，惠曉威. 基于灰度共生矩陣的紋理特征提取. 計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19(6)：195-198

[16] 黃昕，張良培，李翠琳. 基于小波變換的影像紋理特征提取試驗(yàn). 測(cè)繪信息與工程，2005，30(6)：7-9

Effect of combinations of texture and waveform features on airborne LiDAR data classification

Zhang Aiwu, Li Tao, Li Hanlun, Duan Yihao, Meng Xiangang

(Key Laboratory of 3D Information Acquisition & Application, Ministry of Education,Capital Normal University, Beijing 100048)(Engineering Research Center of Spatial Information Technology, Ministry of Education,Capital Normal University, Beijing 100048)

Texture and waveform features were applied to LiDAR data classification, and the best combination of texture and waveform features was researched. Firstly, the waveform feature information of elevation, echo width, amplitude and number of echo times were extracted from LiDAR full-waveform data, and they were transferred into a waveform feature image. Then, multiple texture feature images were extracted by gray histogram and gray-level co-occurrence matrix (GLCM), and these images were overlapped with the waveform feature image to generate a multi-dimensional feature image. Finally, the impact of different combinations of texture and waveform features on the classification was analyzed, and the best combination was found. The adaptability of the different classifiers to combinations was also explored. The experimental results show that some texture features can improve the classification accuracy, but this does not mean more features leads to better classification accuracy. Only the best combination can take advantage of texture and waveform features and make a high classification accuracy.

LiDAR， waveform feature image， texture， classification

10.3772/j.issn.1002-0470.2016.01.008

① 國家科技支撐計(jì)劃(N2012BAH31B01)，北京市自然科學(xué)基金重點(diǎn)項(xiàng)目(B類)(KZ201310028035)，教育部博士點(diǎn)基金(20131108110005)和北京市長城學(xué)者(CIT&TCD20150323)資助項(xiàng)目。

?，E-mail: xuehuadoufugeng@163.com(

2015-06-15)

② 女，1972年生，博士生導(dǎo)師，教授；研究方向：空間信息獲取與處理，三維激光成像，載荷定標(biāo)等；E-mail: zhangaw@163.com