高分辨率遙感影像中小尺度梯田紋理信息的增強(qiáng)與提取

趙鈞陽(yáng)，賴格英

(江西師范大學(xué)地理與環(huán)境學(xué)院，鄱陽(yáng)湖濕地與流域研究教育部重點(diǎn)實(shí)驗(yàn)室，330022，南昌)

0 引言

作為廣泛分布在山地丘陵區(qū)坡地上與等高線基本平行的階梯式農(nóng)田，梯田的建設(shè)綜合考慮了當(dāng)?shù)氐淖匀坏匦蔚孛蔡卣骱蛯?shí)際的生產(chǎn)生活需要，有利于增加耕地面積，保證糧食產(chǎn)量[1]，以從根本上解決人口和糧食的矛盾，維護(hù)社會(huì)的穩(wěn)定發(fā)展，同時(shí)還能大幅減少水土流失狀況、保護(hù)增加景觀和生物多樣性，具有可觀的經(jīng)濟(jì)效益和社會(huì)效益[2]。在梯田的規(guī)劃建設(shè)、驗(yàn)收統(tǒng)計(jì)、效益評(píng)估等過(guò)程中，需要及時(shí)、快速、準(zhǔn)確、客觀地了解和獲取梯田的面積、類型和空間分布等信息，為區(qū)域農(nóng)業(yè)生產(chǎn)布局提供重要數(shù)據(jù)基礎(chǔ)[3]。

梯田信息的分析、分類和提取的技術(shù)大致分為基于目視解譯、單個(gè)像元、對(duì)象分析、頻譜紋理的四大類方法。吳卿采用目視解譯法對(duì)河南省鞏義市伊洛河流域下游左岸的 SPOT5、IKONOS 影像數(shù)據(jù)進(jìn)行梯田區(qū)域提取，取得了較高的精度[4]，但傳統(tǒng)的人工目視解譯方法可重復(fù)性、可變更性較差，難以滿足大數(shù)據(jù)與云計(jì)算時(shí)代自動(dòng)化、及時(shí)化處理的需求?；趩蝹€(gè)像元點(diǎn)的方法以不同波段的光譜亮度值作為分類指標(biāo)進(jìn)行單像元的自動(dòng)分類，適用于中、低空間分辨率多光譜遙感影像，高分辨率遙感影像包含大量?jī)?nèi)容豐富、細(xì)節(jié)繁雜的光譜、紋理、形狀等特征信息，能夠全面反映目標(biāo)對(duì)象的地面特征。具有高度異質(zhì)性的梯田提取需要綜合考慮對(duì)象的紋理、光譜和幾何形狀等信息以及與鄰域之間的空間關(guān)系，運(yùn)用對(duì)象分析的方法可以有效改善“同物異譜”和“異物同譜”的現(xiàn)象，提高提取精度[5]。張雨果分別運(yùn)用傳統(tǒng)監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、面向?qū)ο蠓治龇椒▽?duì)SPOT5 衛(wèi)星遙感影像進(jìn)行梯田區(qū)域提取，對(duì)比分析總結(jié)出面向?qū)ο蠓治鎏崛√萏飬^(qū)域的精度高于基于單個(gè)像元的方法[6]?，F(xiàn)有的研究多以遙感影像的光譜信息為主要研究對(duì)象，易受到太陽(yáng)傾角、地形變化、附近規(guī)則建筑物及田面覆蓋物等多重因素的影響，噪聲干擾問(wèn)題嚴(yán)重[7]，特別在高分辨率的大范圍梯田提取中會(huì)因“同物異譜”出現(xiàn)大量錯(cuò)分、漏分的現(xiàn)象。Zhang基于China-GF-1 高分辨率遙感影像，運(yùn)用模板匹配法和傅立葉變換法對(duì)位于中國(guó)陜西榆林市衡山縣地區(qū)進(jìn)行梯田提取，這樣的基于紋理特征的提取方法不依賴于顏色和亮度，反映影像中物體表面的同質(zhì)現(xiàn)象，有助于地物類別的進(jìn)一步判讀，可以有效抑制上述問(wèn)題，提高地物分類精度[8]，是分析提取影像地物的重要依據(jù)，在影像分割檢索、目標(biāo)識(shí)別、分析提取等領(lǐng)域得到廣泛應(yīng)用，展現(xiàn)出紋理分析的普遍性、獨(dú)特性、優(yōu)越性和必要性。

本文基于谷歌地球所提供的高分辨率遙感影像，選取具有典型紋理的小尺度梯田為研究對(duì)象，從空間域和頻率域2個(gè)方面出發(fā)，對(duì)比分析空間卷積濾波和快速傅里葉變換(FFT)等方法，對(duì)梯田的獨(dú)特紋理進(jìn)行銳化增強(qiáng)，抑制冗余數(shù)據(jù)和干擾信息的影響，以期為大范圍的梯田信息提取提供思路，提高遙感影像解譯的精度和效率，解決高質(zhì)量數(shù)據(jù)和處理方法不匹配的矛盾，更好地適應(yīng)大數(shù)據(jù)環(huán)境。

1 數(shù)據(jù)與方法

谷歌地球(Google Earth，GE)是由Google公司開(kāi)發(fā)并提供免費(fèi)使用的虛擬地球儀軟件，集成全球各類衛(wèi)星影像、航拍照片，在三維地球模型上進(jìn)行布置。數(shù)據(jù)庫(kù)包括美國(guó)的Quick Bird、LANDSAT、IKONOS，法國(guó)SPOT-5和英國(guó)Blue Sky公司的航拍數(shù)據(jù)等[9]。通過(guò)Google Earth應(yīng)用獲取的影像清晰度高且成本較低，其中所展示的地形地貌真實(shí)準(zhǔn)確，與實(shí)地符合程度高，并且獲取的數(shù)據(jù)類型可以和 ArcGIS 以及 ENVI 等圖像分析處理軟件實(shí)現(xiàn)有效融合，操作簡(jiǎn)便且效率高，便于梯田信息“數(shù)字化”管理的實(shí)現(xiàn)，在獲取核查野外信息、提取矢量信息、開(kāi)展虛擬野外考察等方面優(yōu)勢(shì)明顯，利用廣泛。

本文以江西省贛州市崇義縣上堡鄉(xiāng)某地區(qū)2019年3月的谷歌地球衛(wèi)星影像為研究對(duì)象(分辨率達(dá)到0.61 m)，以ENVI、ArcGIS軟件為平臺(tái)進(jìn)行研究，嘗試在高分辨率影像中歸納分析梯田的紋理特征，選取具有代表性的小尺度梯田，從空間域和頻率域兩個(gè)角度出發(fā)對(duì)目標(biāo)地物的紋理信息進(jìn)行分析和增強(qiáng)，在此基礎(chǔ)上對(duì)梯田進(jìn)行提取，以達(dá)到空間復(fù)雜度小、特征維數(shù)低、鑒別能力強(qiáng)、穩(wěn)定性高、提取過(guò)程時(shí)間短且易于實(shí)際應(yīng)用的目標(biāo)。

2 紋理的分析與增強(qiáng)

2.1 梯田特征與紋理分析

紋理是各類地物表面固有的自然物理屬性，由灰度、顏色、明暗的變化而呈現(xiàn)出隨機(jī)性或規(guī)律性的紋理特征[10]，以紋理基元排列組合的獨(dú)特性描述影像中局部像素的相關(guān)聯(lián)系，具有局部微觀上的隨機(jī)性和整體宏觀上的規(guī)律性，一般從顆粒度、對(duì)比度、疏密度、方向性、規(guī)則性等特性進(jìn)行描述，較為直觀地表現(xiàn)了地物表面的結(jié)構(gòu)、組織、排列，以及其與周圍環(huán)境的關(guān)系等重要信息。目標(biāo)對(duì)象紋理分析的準(zhǔn)確性和高效性會(huì)給后續(xù)處理的質(zhì)量帶來(lái)直接影響，是成功提取目標(biāo)對(duì)象的前提和基礎(chǔ)?；诩y理結(jié)構(gòu)特征提取目標(biāo)對(duì)象是對(duì)區(qū)域整體情況進(jìn)行統(tǒng)計(jì)分析，不依賴和受限于影像的光譜和顏色等信息，對(duì)于減少噪聲干擾、提高精度有一定的優(yōu)勢(shì)。紋理分析是運(yùn)用計(jì)算機(jī)圖像處理技術(shù)對(duì)影像中的紋理特征進(jìn)行定性或定量描述，以獲取圖像紋理的人文特征的處理過(guò)程。

梯田是在山地丘陵區(qū)坡地上沿等高線分段建造的階梯式農(nóng)田[11]，將原自然地形的傾斜坡度改造為比較平直的梯田面，一般用來(lái)種植農(nóng)作物和經(jīng)濟(jì)林，在總體地形上具有“繼承性、規(guī)則性、易變性”三大特征[12]。在遙感影像中梯田田面表現(xiàn)為相對(duì)比較高亮的區(qū)域，田坎在影像上表現(xiàn)為低反射、深色的線條。類型多樣的梯田在不同季節(jié)的不同狀態(tài)下呈現(xiàn)出復(fù)雜的光譜特征，春夏容易與森林樹(shù)木混淆，秋冬季節(jié)則和裸地的光譜特征相近。而梯田田面地表比較平整，層次明顯，田埂邊緣在二維影像中為基本平行分布的直線、弧線紋理或是有序嵌套的環(huán)狀圈層結(jié)構(gòu)紋理，表現(xiàn)出梯田線條延伸方向、疏密布局、寬窄和彎曲程度等特征，靠近山脊處邊界尤為突出，但山麓地帶邊界模糊[3]。梯田的紋理特征整體清晰明顯且穩(wěn)定規(guī)律，與其他地物區(qū)別明顯，整體可描述性、可測(cè)量性較好。

因此，不能僅僅依據(jù)光譜特征進(jìn)行梯田信息提取，而基于對(duì)象的高分梯田影像特征分析，尤其是基于紋理特征的信息分析是可行的、適宜的、必需的，且需要在此基礎(chǔ)上對(duì)梯田紋理進(jìn)行增強(qiáng)，對(duì)其他無(wú)關(guān)且會(huì)干擾梯田紋理提取的信息進(jìn)行弱化。

2.2 空間域梯田紋理的分析增強(qiáng)

空間濾波是對(duì)數(shù)字圖像進(jìn)行增強(qiáng)處理的主要方法[13]，考慮到研究需要，基于像元與其周圍相鄰像元的關(guān)系，使用空間二維卷積方法對(duì)濾波進(jìn)行處理，在影像的空間域內(nèi)進(jìn)行局部運(yùn)算使某些頻率信息進(jìn)行增強(qiáng)或抑制，并對(duì)頻率特征進(jìn)行篩選，以重點(diǎn)突出影像上的某些特征(如邊線或紋理等)，包括平滑和銳化2個(gè)方面[14]，對(duì)于梯田來(lái)說(shuō)就是增強(qiáng)影像中灰度值差異較大的田面邊緣處的差異，以突出梯田的紋理特征。具體方法為(圖1)：選定一個(gè)卷積函數(shù)，在影像中即“卷積模板”或“卷積核”，從影像左上角開(kāi)始沿著x軸、y軸的方向，以模板同樣大小的活動(dòng)窗口為單位，計(jì)算給定像素點(diǎn)及鄰域像素的亮度值和卷積模板對(duì)應(yīng)值的乘積再求和，將計(jì)算結(jié)果放在窗口中心的像元位置，作為該像素位置新的灰度值?；顒?dòng)窗口依次逐行向右移動(dòng)一個(gè)像元，再按公式做同樣的運(yùn)算，直到全幅影像掃描一遍結(jié)束，生成新影像。這樣對(duì)圖像大矩陣和濾波小矩陣對(duì)應(yīng)位置元素相乘再求和的操作就叫卷積(Convolution)或協(xié)相關(guān)(Correlation)。

圖1 卷積濾波過(guò)程示意圖

本文中使用ENVI軟件中提供的Convolution and Morphology Filters對(duì)影像進(jìn)行濾波處理，可以選擇、設(shè)置不同的內(nèi)核大小和對(duì)應(yīng)值，生成不同類型的過(guò)濾器，選擇的內(nèi)核與圖像陣列的卷積將返回一個(gè)新的空間濾波圖像，其中提供的卷積濾波器可以起到邊緣銳化或平滑去噪的作用。本文選取了梯田紋理分布排列比較密集和稀疏的兩類梯田紋理為代表進(jìn)行實(shí)驗(yàn)探究，經(jīng)過(guò)對(duì)比分析，綜合使用卷積核大小為大小3×3的Sobel、Robert、Directional濾波銳化梯田紋理、使用Media 濾波進(jìn)行影像去噪取得了較為理想的效果，各濾波處理后效果如圖2所示。

圖2 不同疏密程度的梯田紋理經(jīng)過(guò)不同濾波處理后的效果

其中，Sobel是一種結(jié)合了高斯平滑和微分求導(dǎo)的離散微分算法，根據(jù)圖像中像素的明暗程度把該區(qū)域內(nèi)超過(guò)某個(gè)數(shù)的特定點(diǎn)記為邊緣，以圖像明暗程度近似值來(lái)進(jìn)行邊緣檢測(cè)，能夠提供相對(duì)比較精確的邊緣方向和定位信息，抗噪性較好；Robert是類似于Sobel的非線性邊緣檢測(cè)濾波的二維差分方法，也被稱作交叉微分梯度算法，通過(guò)局部的差分計(jì)算來(lái)檢測(cè)邊緣線條，常被用來(lái)處理低噪聲且具有陡峭地物圖像，尤其能較好地增強(qiáng)正負(fù)45度的圖像邊緣，只是二者都不能對(duì)濾波器和卷積核進(jìn)行編輯；Directional是一階導(dǎo)數(shù)邊緣增強(qiáng)濾波器，只能對(duì)特定方向分量(梯度)的圖像特征選擇性地進(jìn)行增強(qiáng)，其卷積核的和為零。從輸出的邊緣增強(qiáng)圖像中可以看出，像素灰度變換較小的田面為黑色的區(qū)域，梯田的邊緣特征表現(xiàn)為線性的亮值，梯田紋理特征得到表現(xiàn)和增強(qiáng)，羅伯特算法的銳化效果最優(yōu)，但同時(shí)一些無(wú)關(guān)的信息如樹(shù)木的叢簇邊緣也被增強(qiáng)。而中值濾波(Media)作為非線性平滑濾波，其原理是用窗口包含灰度的中間值代替所覆蓋區(qū)域中心像素點(diǎn)的灰度值，能夠有效地保留圖像的邊緣信息，很好地消除“同物異譜”造成的顆粒噪聲，同時(shí)也帶來(lái)了圖像模糊的副作用。所以，僅使用空間域卷積濾波的方法增強(qiáng)梯田紋理信息有一定的效果，但還是不足夠的。

考慮到后續(xù)的實(shí)驗(yàn)和最終結(jié)果的呈現(xiàn)，在濾波過(guò)程中設(shè)置不同的加回值進(jìn)行對(duì)比(圖3)，可以看出加回值過(guò)低會(huì)損失一些梯田信息，過(guò)高則會(huì)使紋理特征的增強(qiáng)不明顯，這里選擇了60%的加回值處理圖像，作為后續(xù)頻率域處理的圖像基礎(chǔ)。

圖3 不同加回值下的梯度圖像

2.3 頻率域梯田紋理的分析增強(qiáng)

傅里葉變換將圖像信息從動(dòng)態(tài)變化的空間域中轉(zhuǎn)換為固定靜止的頻率域，通過(guò)對(duì)信號(hào)的頻譜、功率譜及相位等信息的處理，分析和增強(qiáng)相應(yīng)的紋理特征，是處理和分析信號(hào)的有力工具，具有對(duì)稱性、加法定理、位移定理、卷積定理、共軛性和Rayleigh定理等重要性質(zhì)[7]，雖然該方法只能顯示信號(hào)的整體輪廓，忽略了信號(hào)內(nèi)部所表現(xiàn)的局部細(xì)節(jié)特征，但基于頻率域處理和分析信號(hào)相比空間域有明顯優(yōu)勢(shì)，在200多年的發(fā)展歷史中廣泛應(yīng)用于圖像、信號(hào)處理和電力通信等領(lǐng)域。根據(jù)處理信號(hào)的維度不同分為一維、二維傅里葉變換，經(jīng)歷了從離散傅里葉變換(DFT)到快速傅里葉變換(FFT)的發(fā)展，優(yōu)化了傅里葉分析將信號(hào)變換到頻域的算法，更加簡(jiǎn)單易行[15]?？焖俑道锶~變換(FFT)也是本文在頻率域所使用到的對(duì)梯田紋理進(jìn)行增強(qiáng)的方法。

經(jīng)過(guò)傅立葉變換得到的頻譜包含了豐富的圖像信息，能夠粗略反映原圖像的紋理特征與模式。周期性紋理在傅立葉頻譜表現(xiàn)為一些分散在某些方向上并呈現(xiàn)某種規(guī)律的明顯尖峰，具有較為明顯方向性的紋理，其特征仍會(huì)保持在傅立葉頻譜當(dāng)中，其中突起的峰值對(duì)應(yīng)紋理模式的主方向，突起的峰值在頻域平面的位置對(duì)應(yīng)模式的基本周期[16]。同時(shí)頻譜圖也反應(yīng)了相應(yīng)圖像的能量分布情況，若頻譜圖中暗的點(diǎn)較多，則表明實(shí)際圖像比較柔和，反之，則表明實(shí)際圖像比較尖銳，即對(duì)比度比較強(qiáng)，邊界分明。

本試驗(yàn)先對(duì)影像進(jìn)行FFT變換，將影像的空間紋理信息轉(zhuǎn)換為頻率域中的頻譜信息，在頻譜圖中的亮值(高頻信息)對(duì)應(yīng)的是原始影像中梯田的邊緣處灰度驟變而表現(xiàn)的線性地物特征和噪聲信息，暗值(低頻信息)則對(duì)應(yīng)的是集中了大部分能量的大面積塊狀地物，通過(guò)建立高通去噪模板抑制原始影像中對(duì)應(yīng)的低頻信息和噪聲干擾，相應(yīng)地對(duì)高頻信息中的梯田紋理特征加以增強(qiáng)，再對(duì)邊緣增強(qiáng)后的結(jié)果進(jìn)行反傅里葉(Inverse FFT)變換，將頻譜信息轉(zhuǎn)回到空間域，進(jìn)而得到紋理特征得以銳化的梯田影像(圖4)。

圖4 快速傅里葉方法增強(qiáng)紋理的流程與結(jié)果

在較小窗口范圍內(nèi)可以認(rèn)為梯田的紋理走向是平行的，考慮到遙感影像的復(fù)雜性和梯田紋理的特殊性[15]，從梯田的線條走向、疏密分布、寬窄程度和彎曲變化等多種特征來(lái)看，試驗(yàn)中在研究區(qū)內(nèi)選取了走向、寬窄、彎曲、疏密不同但都具有較為理想化和代表性的梯田紋理為圖像單元(50×50)，進(jìn)行傅立葉變化。得到的頻譜圖中(圖5)，譜線都通過(guò)頻譜中心且在原圖像中梯田紋理的垂直方向上疊加，并且紋理分布排列比較密集的圖像對(duì)應(yīng)的條紋狀亮值的分布也更為集中，能量疊加更多，反之就相對(duì)比較分散，相應(yīng)的能量疊加較少。根據(jù)這些特征可以得出噪聲對(duì)頻譜分布的方向和對(duì)應(yīng)方向上疊加的能量影響相對(duì)不大，因?yàn)樵谟刑萏锏拇翱谥校黝慄c(diǎn)狀、線狀和面狀所形成的紋理都沒(méi)有梯田這樣明顯突出的紋理特征，且紋理圖像能量譜的幾何形態(tài)趨于相同，而圖像的亮度與所疊加的能量成正相關(guān)。在梯田紋理的實(shí)驗(yàn)中通過(guò)對(duì)傅里葉變換后梯田紋理表現(xiàn)出的頻譜圖像的對(duì)比分析是必要的，也為梯田影像進(jìn)行提取研究提供了思路和方法。

圖5 局部梯田紋理與對(duì)應(yīng)的頻譜圖

綜上，本試驗(yàn)通過(guò)綜合運(yùn)用空間域、頻率域的兩類方法對(duì)選取的小尺度梯田紋理進(jìn)行分析和增強(qiáng)。先通過(guò)FFT弱化梯田以外的其他斑點(diǎn)狀紋理(主要是樹(shù)木叢簇)，再結(jié)合空間濾波中的Sobel濾波和方向?yàn)V波對(duì)影像中的梯田線狀紋理進(jìn)行增強(qiáng)(60%加回值)，得到梯田紋理信息增強(qiáng)的圖像，在此基礎(chǔ)上對(duì)2種代表梯田進(jìn)行提取，得到的結(jié)果如圖6所示。對(duì)比原始圖像和經(jīng)過(guò)紋理增強(qiáng)的提取結(jié)果，梯田的紋理信息得到有效地增強(qiáng)，其中梯田紋理分布比較密集的對(duì)象，梯田與周邊樹(shù)木這兩種對(duì)象的樣本可分離性從0.83增加到1.98；分布比較稀疏的對(duì)象，可分離性從0.69增加到1.86，其分類精度均達(dá)到85%以上。

圖6 小范圍的梯田紋理增強(qiáng)效果與提取結(jié)果

3 結(jié)果與討論

基于高分辨率遙感影像和相關(guān)影像處理技術(shù)的發(fā)展，通過(guò)對(duì)小范圍內(nèi)典型梯田紋理的分析和增強(qiáng)，對(duì)比提取結(jié)果，可以得出以下結(jié)論。

1)高分辨率遙感影像中的紋理特征包含著豐富且細(xì)致的地物信息，梯田紋理在空間域中表現(xiàn)為圖像灰度組合排列的變化和重復(fù)，在頻率域表現(xiàn)為通過(guò)頻譜中心的線狀亮值，二者的特征與分布都能較好地反映原始影像的紋理信息，是地物識(shí)別過(guò)程中不可或缺的主要依據(jù)。

2)通過(guò)空間濾波和快速傅里葉變換對(duì)小尺寸梯田圖像的紋理信息進(jìn)行增強(qiáng)，銳化梯田紋理特征并減弱高頻噪聲的影響，增加地物邊界處的反差，使提取結(jié)果的精度和效度有所提升，其中紋理疏密程度不同的梯田對(duì)增強(qiáng)方法的反應(yīng)不盡相同，紋理密集的梯田紋理特征更加明顯，相比于紋理稀疏的梯田其提取效果更好。但仍存在錯(cuò)提、漏提現(xiàn)象，需要人工介入處理。

3)選擇小范圍梯田作為試驗(yàn)區(qū)存在一定的特殊性，影像中包含的地物類別比較單一，非梯田的對(duì)象類型少、面積小，只考慮分析了樹(shù)木冠頂簇叢對(duì)提取梯田信息的干擾。對(duì)于包含了多類對(duì)象(如道路、建筑、水體等)的較大尺度的梯田區(qū)域有一定的局限性，還需進(jìn)一步地研究討論。