基于混合紋理的計(jì)算機(jī)自動(dòng)分類(lèi)方法

崔紅霞，黃科涵

(渤海大學(xué) 信息科學(xué)與技術(shù)學(xué)院，遼寧 錦州 121000)

0 引 言

現(xiàn)代國(guó)家的大型工程項(xiàng)目的前期準(zhǔn)備調(diào)研工作，都要利用航空或者衛(wèi)星遙感獲取地面信息。海量的遙感圖像計(jì)算機(jī)自動(dòng)化處理是涉及計(jì)算機(jī)科學(xué)與技術(shù)、遙感圖像處理的交叉研究課題，它既是數(shù)據(jù)密集型，也是計(jì)算密集型的工作[1]。利用計(jì)算機(jī)自動(dòng)、準(zhǔn)確地對(duì)獲取的遙感圖像進(jìn)行地物分類(lèi)是該領(lǐng)域內(nèi)一個(gè)比較重要的組成部分，需要一整套方法的支持。

20世紀(jì)80年代以前，主要應(yīng)用的是基于統(tǒng)計(jì)模式識(shí)別的計(jì)算機(jī)遙感影像解譯研究，即根據(jù)單像元的光譜統(tǒng)計(jì)特征區(qū)分遙感影像中的地物種類(lèi)[2]，研究集中于遙感衛(wèi)星影像多光譜影像分類(lèi)[3]。隨著對(duì)地觀測(cè)技術(shù)的發(fā)展，可獲取到多種光譜信息單一，但紋理特征豐富的高分辨率影像，借助于圖像的光譜信息與紋理特征相結(jié)合的方式作為計(jì)算機(jī)分類(lèi)依據(jù)，采用面向?qū)ο蟮姆椒▽?duì)遙感影像進(jìn)行計(jì)算機(jī)遙感影像分類(lèi)越來(lái)越受到研究人員的青睞。

計(jì)算機(jī)遙感影像分類(lèi)的傳統(tǒng)方法可以分為兩大類(lèi)：非監(jiān)督分類(lèi)和監(jiān)督分類(lèi)。非監(jiān)督分類(lèi)是指沒(méi)有先驗(yàn)數(shù)據(jù)，直接對(duì)待分類(lèi)影像提取所需的紋理特征和光譜等信息進(jìn)行分類(lèi)，如陳以超等應(yīng)用了非參數(shù)化核密度估計(jì)聚類(lèi)方法[4]；監(jiān)督分類(lèi)是利用樣本確定根據(jù)類(lèi)別確定的判別函數(shù)中的參數(shù)，然后將待分類(lèi)樣本代入判別函數(shù)進(jìn)行分類(lèi)，如基于二叉決策樹(shù)的分類(lèi)方法[5]、基于語(yǔ)義網(wǎng)的分類(lèi)方法[6]、基于SVM的遙感圖像自動(dòng)分類(lèi)[7]。

高分辨率可見(jiàn)光光學(xué)影像具有紋理信息豐富的特點(diǎn)，但光譜特征有限(只有R、G、B三個(gè)波段)。紋理特征是不依賴于顏色或者亮度反映圖像中的同質(zhì)現(xiàn)象，是所有物體表面共有的內(nèi)在特性[8]，利用圖像的紋理特征進(jìn)行高分辨率遙感影像分類(lèi)更加有效、實(shí)用。紋理特征是復(fù)雜的視覺(jué)實(shí)體或者子模式的組合，有亮度、陡度、大小等特征，每一種地物所呈現(xiàn)的紋理特征都有自己的特點(diǎn)[9]。遙感圖像數(shù)據(jù)類(lèi)別多、混合度大，計(jì)算機(jī)自動(dòng)處理并達(dá)到一定精度是難點(diǎn)問(wèn)題[10]。受限于單一紋理特征的紋理描述偏重不同，不同紋理特征的地物分類(lèi)側(cè)重不同，單一地利用某一種紋理特征對(duì)遙感影像的計(jì)算機(jī)分類(lèi)精度不穩(wěn)定，對(duì)不同的紋理特征進(jìn)行合理的組合與利用，是提高遙感影像計(jì)算機(jī)自動(dòng)分類(lèi)精度的有效方法。

已有的圖像紋理特征描述方法如灰度共生矩陣法、LBP算法等都存在視覺(jué)屬性不明確的問(wèn)題[11]。1978年，Tamura等根據(jù)人類(lèi)對(duì)紋理視覺(jué)感知的心理學(xué)研究，提出了Tamura紋理特征的表達(dá)[12]，側(cè)重于表達(dá)整幅圖像或者區(qū)域的紋理特征，常用于圖像檢索和識(shí)別?；叶裙采仃囃ㄟ^(guò)窗口大小的設(shè)置，具有精細(xì)紋理特征提取的特性。對(duì)此，文中提出一種粗、細(xì)混合紋理特征描述方法，即利用Tamura紋理特征來(lái)描述局部區(qū)域的紋理特征；基于灰度共生矩陣提取精細(xì)的紋理特征。建立了一種具有一定的互補(bǔ)性和協(xié)同性的混合特征提取分類(lèi)方法，并針對(duì)低空高分辨率可見(jiàn)光光學(xué)影像的四類(lèi)典型地物(耕地、森林、裸露地、水域)進(jìn)行分類(lèi)研究。

1 混合紋理特征地物分類(lèi)方法及其流程

1.1 Tamura紋理特征

Tamura紋理特征包括六個(gè)分量，分別是粗糙度(coarseness)、對(duì)比度(contrast)、方向度(directionality)、線性度(linearity)、規(guī)則度(regularity)和粗略度(roughness)。這六個(gè)紋理特征對(duì)應(yīng)于心理學(xué)角度上紋理特征的六個(gè)屬性，其中僅有3個(gè)紋理特征是不相關(guān)的，常用于圖像檢索、圖像識(shí)別等。

(1)粗糙度。

粗糙度Fcr是最基本的紋理特征，狹義而言粗糙度就是紋理。粗糙度指圖像上紋理基元變化的頻度。對(duì)具有不同結(jié)構(gòu)的紋理樣式，基元尺寸越大或基元重復(fù)次數(shù)越少，給人的感覺(jué)越粗糙[13]。如果對(duì)比的兩部分僅僅在比例上有所不同，越大的越粗糙。

首先，計(jì)算圖像中大小為2k×2k的矩形區(qū)域的移動(dòng)窗口中每個(gè)像素點(diǎn)的亮度均值：

(1)

其中，(x,y)為所選像素在圖像中的位置；g(i,j)表示(i,j)像素點(diǎn)的灰度；k用來(lái)確定像素的范圍。

對(duì)于每個(gè)像素點(diǎn)，分別計(jì)算其在水平和垂直方向上互不重疊的活動(dòng)窗口之間的平均強(qiáng)度差：

Ek,h=|Ak(x+2k-1,y)-Ak(x-2k-1,y)|

(2)

Ek,v=|Ak(x,y+2k-1)-Ak(x,y-2k-1)|

(3)

令Emax,w=max(Ev,1,Ev,2,…,Ev,5,Eh,1,Eh,2,…,Eh,5)，則可確定窗口最佳尺寸S。

S(x,y)=2w

(4)

最后，根據(jù)式(5)計(jì)算整幅圖像或者某個(gè)區(qū)域的粗糙度：

(5)

(2)對(duì)比度。

對(duì)比度Fco描述的是圖像的明亮對(duì)比程度，像素之間的亮度差異越大，對(duì)比度越大。影響對(duì)比度的因素主要有四個(gè)：灰度的動(dòng)態(tài)范圍、黑白區(qū)域的比例、邊緣鋒利度和樣式的重復(fù)周期[14]。一般用二階矩與四階矩的比值來(lái)表示，如式(6)：

(6)

(3)方向度。

對(duì)于選定的區(qū)域，方向度是一個(gè)整體上的性質(zhì)，它與基元的形狀以及紋理的排列規(guī)則有關(guān)。一般從傅里葉功率直方圖中找到圖像的方向度，但是Tamura等使用了和方位角相反的局部邊緣概率直方圖來(lái)代替傅里葉功率直方圖。計(jì)算每個(gè)像素的梯度向量的模和局部邊緣方向，如下所示：

(7)

(8)

其中，Δx為原圖像與水平方向的3×3矩陣梯度掩模的卷積；Δy為原圖像與垂直方向的3×3矩陣梯度掩模的卷積。

根據(jù)所有像素的梯度向量，構(gòu)造局部邊緣概率直方圖。直方圖的特性反映了紋理方向性的強(qiáng)弱，如式(9)：

(9)

其中，np為直方圖中所有的峰值；p為直方圖中某一個(gè)峰值；wp為該峰值在谷之間的范圍；φp為有最高值的分箱；HD為計(jì)算所有像素梯度向量數(shù)目后構(gòu)造的直方圖。

依據(jù)Tamura粗糙度紋理分量提取公式，當(dāng)k=5時(shí)，提取Tamura紋理特征的移動(dòng)窗口最小取32×32，同時(shí)考慮到Tamura紋理特征側(cè)重于圖像宏觀方面的紋理，為方便計(jì)算，從35×35,55×55,75×75,95×95四個(gè)不同大小的移動(dòng)窗口中選取最合適的移動(dòng)窗口。對(duì)耕地、森林、裸露地、水域四類(lèi)地物，400張遙感影像分別按照上述窗口大小提取Tamura紋理特征，組成紋理特征矩陣并進(jìn)行非監(jiān)督分類(lèi)，準(zhǔn)確率如表1所示。

表1 基于Tamura紋理特征的地物分類(lèi)準(zhǔn)確率 %

從表1可知，提取Tamura紋理特征所選取的窗口越大，對(duì)地物的分類(lèi)越準(zhǔn)確。但是在實(shí)際地物分類(lèi)實(shí)驗(yàn)中，選取過(guò)大的窗口會(huì)丟失很多邊緣信息，所以根據(jù)遙感影像的實(shí)際大小選取合適的移動(dòng)窗口十分重要。

1.2 灰度共生矩陣紋理特征描述

灰度共生矩陣是由灰度級(jí)為i的點(diǎn)，以及與這個(gè)點(diǎn)固定距離為d和固定角度為θ的灰度級(jí)為j的點(diǎn)，這兩個(gè)位置的像素的聯(lián)合概率密度來(lái)定義。通常，d={1,2,3,4}，θ={0°，45°，90°，135°}[15]。

灰度共生矩陣反映了亮度的分布特性和相近亮度的像素之間的位置分布特性，是有關(guān)圖像亮度變化的二階統(tǒng)計(jì)特征。設(shè)f(x,y)為一幅二維數(shù)字圖像，大小為M×N，灰度級(jí)為Ng，則灰度共生矩陣的數(shù)學(xué)公式如下：

P(i,j)=#{(x1,y1),(x2,y2)∈M×N|f(x1,y1)=

i,f(x2,y2)=j}

(10)

其中，#(X)表示為統(tǒng)計(jì)X的個(gè)數(shù)；(x1，y1)與(x2,y2)的距離為d，兩點(diǎn)連線與坐標(biāo)橫軸的夾角為θ。按照以上條件，就可以得出這幅圖像的灰度共生矩陣P(i,j,d,θ)，矩陣P為Ng×Ng大小的矩陣。通過(guò)P'(i,j,d,θ)=P(i,j,d,θ)/R,可獲得歸一化的灰度共生矩陣，其中R為歸一化常數(shù)[16]。

矩陣P是一個(gè)對(duì)稱矩陣，當(dāng)距離d的取值較小時(shí)，對(duì)角線附近的值表示灰度級(jí)相近的像素對(duì)出現(xiàn)的概率；與對(duì)角線距離較遠(yuǎn)的值則表示灰度級(jí)相差較大的像素對(duì)出現(xiàn)的概率。如果圖像某個(gè)區(qū)域的紋理粗糙度小，由于像素對(duì)趨于相同的灰度，灰度共生矩陣的值比較集中于主對(duì)角線兩側(cè)；而對(duì)于粗糙度較大的區(qū)域，元素值將在距離主對(duì)角線較遠(yuǎn)的位置分散分布。其含義是細(xì)紋理區(qū)域灰度空間變化快，粗紋理區(qū)域隨距離的加大僅有細(xì)微變化。

Haralick等從灰度共生矩陣中導(dǎo)出14個(gè)反映矩陣狀況的參數(shù)，這些參數(shù)就是基于灰度共生矩陣的紋理量化方法[17]。在14個(gè)紋理特征中，僅有4個(gè)是不相關(guān)的[18]，文中采用4個(gè)常用的紋理特征。

(1)角二階矩(angular second moment,ASM)，是灰度共生矩陣元素值的平方和，也稱為能量，反映了圖像灰度分布均勻程度和紋理粗糙度。

(11)

(2)對(duì)比度(contrast),又稱為主對(duì)角線慣性矩，是灰度共生矩陣主對(duì)角線附近的慣性矩，反映了圖像中的像素值與周邊鄰域內(nèi)像素值的亮度對(duì)比情況。紋理溝紋越深，對(duì)比度越大，視覺(jué)效果越清晰；反之，對(duì)比度越小，圖像越模糊。

(12)

(3)相關(guān)(correlation)是用來(lái)衡量灰度共生矩陣的元素在行或列方向上的相似程度。相關(guān)值反映了圖像中局部灰度相關(guān)性，因此，當(dāng)某種灰度值沿某個(gè)方向延伸得越長(zhǎng)，矩陣元素值越平均，相關(guān)值越大；反之，相關(guān)值越小。相關(guān)是灰度線性關(guān)系的度量。

(13)

其中，μi、μj、σi和σj分別定義為：

(14)

(15)

(16)

(17)

(4)熵(entropy)度量圖像紋理信息的隨機(jī)性。熵表示圖像中紋理的非均勻程度和復(fù)雜程度。當(dāng)灰度共生矩陣中所有元素值都相等時(shí)，熵最大；反之，則越小。

(18)

對(duì)于灰度共生矩陣的提取窗口，由于灰度共生矩陣更加關(guān)注于像素對(duì)之間的關(guān)系，通過(guò)對(duì)像素對(duì)在圖像空間上存在的關(guān)系進(jìn)行研究與計(jì)算得到圖像的紋理特征，文中將灰度共生矩陣的窗口定義為3×3，以描述微觀紋理。

1.3 基于混合紋理特征的計(jì)算機(jī)自動(dòng)分類(lèi)

自動(dòng)遍歷影像，分別提取Tamura紋理特征和灰度共生矩陣紋理特征，構(gòu)建混合紋理特征向量，在特征空間內(nèi)，利用k-means分類(lèi)。其流程如圖1所示。

圖1 計(jì)算機(jī)自動(dòng)分類(lèi)流程

(1)讀取遙感圖像并將其轉(zhuǎn)化為灰度圖像，灰度矩陣大小為M×N，M與N分別是原圖像的長(zhǎng)與寬。

(2)使用Tk×Tk大小的移動(dòng)窗口從灰度圖像左上角開(kāi)始遍歷，移動(dòng)步長(zhǎng)為1。對(duì)每個(gè)移動(dòng)窗口提取Tamura紋理特征的粗糙度、對(duì)比度、方向度，其中Tk取值為95。

(3)與步驟2同時(shí)使用Gk×Gk大小的移動(dòng)窗口遍歷灰度圖像，移動(dòng)步長(zhǎng)為1。對(duì)每個(gè)移動(dòng)窗口提取灰度共生矩陣紋理特征的角二階矩、對(duì)比度、相關(guān)、熵，其中k取值為3。

(4)每組Tamura紋理特征分量對(duì)應(yīng)一組灰度共生矩陣紋理特征，構(gòu)建7維的紋理特征空間。

(5)利用k-means分類(lèi)方法對(duì)紋理特征空間進(jìn)行聚類(lèi)運(yùn)算。

(6)將每個(gè)移動(dòng)窗口中心點(diǎn)視為地物分類(lèi)圖的一個(gè)像素點(diǎn)，按照種類(lèi)進(jìn)行顏色回填。

2 實(shí)驗(yàn)分析

2.1 模擬分類(lèi)對(duì)比實(shí)驗(yàn)

首先，建立裸露地、林地、耕地、水域四類(lèi)地物組合的模擬影像(見(jiàn)圖2(a))，進(jìn)行地物分類(lèi)的模擬仿真對(duì)比實(shí)驗(yàn)，驗(yàn)證系統(tǒng)的7維混合紋理特征分類(lèi)方法對(duì)比單一紋理特征分類(lèi)方法的優(yōu)越性。

分別提取Tamura紋理特征和灰度共生矩陣紋理特征，構(gòu)建3維的Tamura紋理特征空間、4維的灰度共生矩陣紋理特征空間、7維的混合紋理特征空間，利用k-means方法對(duì)三種特征空間分別進(jìn)行分類(lèi),結(jié)果如圖2所示。

三種分類(lèi)方法的準(zhǔn)確率分別為97.08%，78.96%和56.32%，可以明確地看出系統(tǒng)采用的兩種不同紋理特征相結(jié)合的方式進(jìn)行地物分類(lèi)好于依靠單一紋理特征進(jìn)行地物分類(lèi)的方法。

2.2 無(wú)人機(jī)高分辨率光學(xué)影像分類(lèi)實(shí)驗(yàn)

圖3(a)為浙江奉化低空?qǐng)D像，按照混合紋理分類(lèi)方法得到如圖3(b)所示的地物分類(lèi)圖。

圖3 分類(lèi)結(jié)果

經(jīng)計(jì)算，典型地物分類(lèi)的準(zhǔn)確率為90.21%，其中錯(cuò)分地物主要為將一部分水田錯(cuò)分為河流和耕地，主要由于水田與河流比較相似，在水深不同的時(shí)候，容易將部分水田錯(cuò)分為河流；水田中零星分布的綠色浮游生物也會(huì)造成部分水田錯(cuò)分為耕地。

3 結(jié)束語(yǔ)

提出了一種灰度共生矩陣與Tamura紋理特征相結(jié)合的地物分類(lèi)方法，實(shí)現(xiàn)了不同紋理特征相結(jié)合的遙感圖像地物計(jì)算機(jī)自動(dòng)分類(lèi)，探索光譜信息稀少，紋理信息豐富的高分辨率遙感影像自動(dòng)分類(lèi)的新方法。與基于單一類(lèi)型紋理特征的分類(lèi)方法相比，該方法無(wú)需采用并行計(jì)算的方式，沒(méi)有增加算法的運(yùn)行時(shí)間，取得了較高的精度。在實(shí)際應(yīng)用中，針對(duì)地物的特點(diǎn)，通過(guò)優(yōu)選更多類(lèi)型的紋理特征并采用適當(dāng)?shù)慕稻S方法，并設(shè)計(jì)更為高效的聚類(lèi)方法，可實(shí)現(xiàn)基于紋理信息的高分影像自動(dòng)高精度分類(lèi)。

[1] 李盛陽(yáng)，張愛(ài)軍，朱重光，等.基于網(wǎng)格的遙感圖像快速處理[J].計(jì)算機(jī)工程，2007,33(6)：35-37.

[2] 陳 杰.高分辨率遙感影像面向?qū)ο蠓诸?lèi)方法研究[D].長(zhǎng)沙：中南大學(xué)，2010.

[3] 江 濤，李 紅.遙感衛(wèi)星接收系統(tǒng)計(jì)算機(jī)控制技術(shù)研究[J].計(jì)算機(jī)測(cè)量與控制，2013,21(9)：2434-2435.

[4] 陳以超，洪漢玉，王 俊，等.一種魯棒性的遙感圖像地域分類(lèi)新方法[J].計(jì)算機(jī)技術(shù)與發(fā)展，2007,17(8)：136-139.

[5] 華 曄，張 濤，奚后瑋，等.基于決策樹(shù)的高光譜遙感影像分類(lèi)方法研究[J].計(jì)算機(jī)技術(shù)與發(fā)展，2012,22(6)：198-202.

[6] 張亞亞，張立民，劉小偉，等.基于語(yǔ)義網(wǎng)的遙感圖像分類(lèi)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2015,25(5)：218-223.

[7] 王養(yǎng)廷.基于SVM的遙感圖像自動(dòng)分類(lèi)研究[J].計(jì)算機(jī)仿真，2013,30(6)：378-381.

[8] SMITH J R,CHANG S F.Automated binary texture feature sets for image retrieval[C]//Proceedings of the acoustics,speech,and signal processing.Washington,DC,USA:IEEE Computer Society,1996:2239-2242.

[9] 李智峰，朱谷昌，董泰鋒.基于灰度共生矩陣的圖像紋理特征地物分類(lèi)應(yīng)用[J].地質(zhì)與勘探，2011,47(3)：456-461.

[10] 孟海東，郝永寬，宋飛燕，等.遙感圖像非監(jiān)督計(jì)算機(jī)分類(lèi)方法的研究[J].計(jì)算機(jī)與現(xiàn)代化，2008(7):66-69.

[11] 郝玉保，王仁禮，馬 軍，等.改進(jìn)Tamura紋理特征的圖像檢索方法[J].測(cè)繪科學(xué)，2010,35(4)：136-138.

[12] TAMURA H, MORI S, YANAWAKI T.Texture features corresponding to visual perception[J].IEEE Transactions on Systems,Man and Cybernetics,1978,8(6):460-473.

[13] 呂曉琪，郭金鴿，趙宇紅，等.基于圖像分割的Tamura紋理特征算法的研究與實(shí)現(xiàn)[J].中國(guó)組織工程研究，2012，16(17)：3160-3163.

[14] 王順杰，齊 春，程玉勝.Tamura紋理特征在水下目標(biāo)分類(lèi)中的應(yīng)用[J].應(yīng)用聲學(xué)，2012,31(2)：135-139.

[15] HARALICK R M,SHANMUGAM K,DINSTEIN I.Textural features for image classification[J].IEEE Transactions on System,Man and Cybernetics,1973,3(6):610-621.

[16] 謝 菲.圖像紋理特征的提取和圖像分類(lèi)系統(tǒng)研究及實(shí)現(xiàn)[D].成都：電子科技大學(xué)，2009.

[17] 姚宏宇,李弼程.基于廣義圖像灰度共生矩陣的圖像檢索方法[J].計(jì)算機(jī)工程與應(yīng)用,2004,40(34):98-101.

[18] 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.