遙感影像解譯特征的綜合分析

郎悟靈

（四川中水成勘院測(cè)繪工程有限責(zé)任公司，四川 成都 610000）

隨著我國(guó)經(jīng)濟(jì)與社會(huì)的快速發(fā)展，遙感影像解譯特征的綜合分析逐漸受到重視。相關(guān)工作人員為了提高不同土地利用類別的識(shí)別精度和自動(dòng)化程度，需要使用遙感影像解譯有效判定實(shí)際生態(tài)學(xué)特征以及不同數(shù)學(xué)表達(dá)式之間的對(duì)應(yīng)關(guān)系。常見(jiàn)的判別特征主要包含光譜、紋理、形狀等，但是在實(shí)際使用過(guò)程中，并不能有效對(duì)應(yīng)到不同目標(biāo)的物理含義。

1 原始光譜特征的分析與評(píng)價(jià)

1.1 光譜特征的統(tǒng)計(jì)分析

目前為止，光譜特征統(tǒng)計(jì)分析主要是結(jié)合大量樣本討論某一范圍內(nèi)不同數(shù)值之間的統(tǒng)計(jì)規(guī)律，主要建立在隨機(jī)分布的大量樣本中。通常情況下，開(kāi)展樣本區(qū)的選取工作主要是結(jié)合相關(guān)專家的目視解譯結(jié)果。相關(guān)工作人員將土地利用矢量圖結(jié)合同期目視解譯底圖進(jìn)行綜合分析。在進(jìn)行光譜特征統(tǒng)計(jì)分析的過(guò)程中，可以充分結(jié)合先人的智慧，將一些專家學(xué)者多年的解譯經(jīng)驗(yàn)及目視跟蹤判讀的結(jié)果進(jìn)行有效運(yùn)用。在大量的實(shí)地驗(yàn)證中充分收集且分析資料，為后續(xù)工作打下扎實(shí)基礎(chǔ)，避免重復(fù)多余工作內(nèi)容，更好地實(shí)現(xiàn)人力資源的充分利用，減少耗資又耗力的重復(fù)性工作。

1.2 光譜特征分類能力的定量化與評(píng)價(jià)

相關(guān)工作人員需要進(jìn)行光譜組合的最優(yōu)特征集選擇，其中包括不同波段以及組合的候選集，然后進(jìn)行不同候選特征集分類精度比較，其主要包括一維特征集比較、二維特征集比較、三維特征集比較、四維特征集比較、五維特征集比較以及六維特征集比較，然后選擇出分維最優(yōu)特征集。

在分析不同類型光譜的特性時(shí)，由于不同地理環(huán)境的物質(zhì)自身有著不同的特性，因此相關(guān)工作人員需要結(jié)合實(shí)際情況，研究不同類型光譜隨特征維數(shù)變化而變化的趨勢(shì)，有效發(fā)現(xiàn)不同的地物以及地物類型的本質(zhì)特性[1]。

2 光譜變換特征的分析與評(píng)價(jià)

光譜變換特征的分析主要是針對(duì)原始波段中涉及的參數(shù)信息的分析，研究人員收集原始波段中涉及的參數(shù)信息之后，將其集中處理并附加上對(duì)應(yīng)的簡(jiǎn)單的數(shù)學(xué)運(yùn)算，就可以得到光譜變換特征的分析結(jié)果。常見(jiàn)的數(shù)學(xué)運(yùn)算為差值運(yùn)算、比值運(yùn)算等，進(jìn)一步通過(guò)多種運(yùn)算模式，分析光譜變換新特征。不僅如此，還可以通過(guò)光譜變換特征中不同波段之間的相互關(guān)系開(kāi)展對(duì)應(yīng)簡(jiǎn)單的變維處理，也可以得到與原始光譜完全不同特征的新特征[2]。

2.1 不同植被指數(shù)的定量化提取

植被指數(shù)的選取與分析工作的干擾因素之一是土壤線。為了更好地避免不同植被指數(shù)的定量化提取工作的多余不足之處，往往在理論操作中將土壤線設(shè)置為某一定值。但是，在實(shí)際圖像處理工作中，土壤線都是很難確定的。在定量化提取中，需要將不同的植被指數(shù)進(jìn)行歸一化處理，實(shí)現(xiàn)實(shí)際對(duì)比分析的數(shù)據(jù)之間的可比性[3]。

2.2 植被指數(shù)分類能力的分析與評(píng)價(jià)

植被指數(shù)分類能力主要體現(xiàn)在分析植被指數(shù)上。植被指數(shù)分類能力還被用來(lái)分析其在不同土地覆蓋識(shí)別組合包含的過(guò)程。不同的植被指數(shù)是植被信息的重要分析以及評(píng)價(jià)內(nèi)容，研究人員需要在此過(guò)程中挑選對(duì)識(shí)別不同土地覆蓋具有明顯識(shí)別能力的植被指數(shù)集。

2.3 其他變換方法的影響

（1）主成分分析。主成分分析又稱K-L變換，將原始數(shù)據(jù)的多波段圖像進(jìn)行有效分析，得到有用信息并將其集中處理，最終匯總到最小限度的新主成分圖像中。在新主成分圖像中，包含的不同組成部分的主成分信息內(nèi)容始終單獨(dú)存在，沒(méi)有重疊現(xiàn)象。

（2）纓帽變換。纓帽變換又稱K-T變換，是一種常見(jiàn)的主成分分析的特殊方法。其特殊性是針對(duì)傳統(tǒng)的主成分分析方法而言的，K-T變換自身的使用過(guò)程中的轉(zhuǎn)換系數(shù)是固定的，這就導(dǎo)致其自身單獨(dú)存在，不與其他圖像融合。

K-T變換是一種通過(guò)使用陸地衛(wèi)星MSS圖像結(jié)果有效分析當(dāng)?shù)氐闹脖灰约稗r(nóng)作物的生長(zhǎng)過(guò)程，是將收集到的一系列數(shù)據(jù)信息進(jìn)行深入的加工處理，最終得到經(jīng)驗(yàn)性的多波段圖像的正交線性變換的方法。K-T變換的不同圖像所產(chǎn)生的綠度以及土壤亮度，在實(shí)踐操作中可以同時(shí)進(jìn)行比較。

3 紋理特征的分析與評(píng)價(jià)

3.1 利用M圖像進(jìn)行紋理分析的可能性分析

目視解譯專家的判讀標(biāo)志主要包括丘陵區(qū)旱地、林地、草地、居民地、平原區(qū)水田、湖泊等。其中的標(biāo)志主要呈現(xiàn)出三種紋理形態(tài)：（1）細(xì)膩紋理。例如平原區(qū)水田，其規(guī)則的紋理結(jié)構(gòu)是由田埂或灌溉渠道形成的。（2）無(wú)紋理。包括湖泊、草地。事實(shí)上，對(duì)于草地，由于其大量分布在山地或丘陵地區(qū)，受地形影響，因此可能產(chǎn)生與林地相似的紋理描述。（3）粗糙紋理。包括林地、旱地、居民地[4]。

3.2 基于GLCM的紋理分析方法

常用的GLCM紋理測(cè)度主要包括變化量、均值、對(duì)比度、熵、局部平穩(wěn)、相關(guān)、能量、非相似度。這8種紋理可以根據(jù)實(shí)際使用情況的不同分成相關(guān)度特征、統(tǒng)計(jì)特征、信息理論特征、可視紋理特征。其中表達(dá)統(tǒng)計(jì)的特征有變化量、均值、能量；表達(dá)信息理論的特征有熵；表達(dá)可視紋理的特征有對(duì)比度、局部平穩(wěn)、非相似性[5]。

在基于GLCM的紋理分析方法的使用過(guò)程中，工作人員還需要考慮其他因素，如不同的紋理統(tǒng)計(jì)量、圖像的量化級(jí)別、計(jì)算共生矩陣的像素角度、距離、空間分辨率、移動(dòng)窗口的大小以及光譜波段等。只有充分分析多種因素對(duì)結(jié)果的影響，才可以發(fā)揮出基于GLCM的紋理分析方法的實(shí)際價(jià)值。

3.3 紋理測(cè)度的物理含義

（1）Energy。Energy是用來(lái)衡量圖像紋理的一致性指標(biāo)。當(dāng)窗口內(nèi)的圖像紋理有很相似的一致的紋理特性，其計(jì)算的灰度共生矩陣絕大多數(shù)的元素接近0[6]。其窗口內(nèi)的灰度值分布為常數(shù)或具有周期性的形式時(shí)，具有最大能量。

（2）Entropy。Entropy的意義是衡量圖像的無(wú)序性。當(dāng)圖像的Entropy達(dá)到最大時(shí)，窗口圖像所有灰度值出現(xiàn)的頻率相等。例如，某一個(gè)窗口內(nèi)像素的圖像的灰度值為隨機(jī)分布，那么這時(shí)窗口內(nèi)的圖像就可以轉(zhuǎn)化為某一常數(shù)函數(shù)。圖像紋理的熵值較大，往往會(huì)伴隨著窗口圖像的灰度共生矩陣包含的元素值很小，體現(xiàn)為圖像的紋理極度混亂[7]。

（3）Contrast。Contrast與空間頻率有著緊密相關(guān)的聯(lián)系，當(dāng)灰度共生矩陣的位移為1時(shí)，此時(shí)的Contrast代表著連續(xù)像素間隔內(nèi)像素的最高值與最低值的差異，與空間頻率數(shù)值大小相同。

（4）Variance。Variance表達(dá)的含義是圖像的異質(zhì)性。Variance與標(biāo)準(zhǔn)差有一定的相關(guān)性。當(dāng)灰度共生矩陣位移為1時(shí)，Variance及Contrast與一階統(tǒng)計(jì)量標(biāo)準(zhǔn)差具有較高的相關(guān)性。Variance及Contrast之間的相關(guān)性可以轉(zhuǎn)化為充分不必要條件。

（5）Correlation。GLCM方法可以展現(xiàn)兩個(gè)隨機(jī)變量之間的相關(guān)系數(shù)。大量的實(shí)踐與研究證明，Correlation與GLCM的Energy和Entropy互不相關(guān)。因此，Correlation通常被運(yùn)用在一些同質(zhì)性高具有線性可分性的低紋理區(qū)域。

（6）Homogeneity。Homogeneity主要是用來(lái)描述圖像的同質(zhì)性。其檢驗(yàn)標(biāo)準(zhǔn)是Homogeneity數(shù)值越小，表明像素對(duì)灰度差異越大。在實(shí)際運(yùn)用過(guò)程中，Contrast和Energy以及Homogeneity之間負(fù)相關(guān)關(guān)系十分明顯。簡(jiǎn)單來(lái)說(shuō)，當(dāng)Energy不變，控制Contrast下降，其Homogeneity隨之增加；當(dāng)Contrast不變，控制Energy減少時(shí)，Homogeneity隨之增加[8]。

4 結(jié)束語(yǔ)

綜上所述，工作人員在評(píng)價(jià)原始光譜波段的分類能力時(shí)，需要將專家目視解譯成果運(yùn)用到實(shí)際工作中，將其視為選取依據(jù)，然后在研究區(qū)內(nèi)對(duì)主要土地利用/覆蓋類型進(jìn)行統(tǒng)計(jì)特征的討論與分析，得到最終不同土地覆蓋/利用類型分類的科學(xué)性以及真實(shí)性結(jié)論。在評(píng)價(jià)原始波段的各種變換特征的分類能力時(shí)，需要根據(jù)不同植被指數(shù)類型的相互內(nèi)在聯(lián)系進(jìn)行數(shù)據(jù)的篩選與分析。土地覆蓋利用分類過(guò)程則要結(jié)合植被指數(shù)進(jìn)行評(píng)價(jià)。在分析評(píng)價(jià)紋理特征的分類能力時(shí)，需要清楚知曉不同紋理特征本質(zhì)的物理含義，參考分析結(jié)果的可行性，開(kāi)展對(duì)應(yīng)的定量化評(píng)價(jià)。