基于纹理特征的高分辨率遥感图像土地利用分类研究

胡 玉 福，邓 良 基，匡 先 辉，王 鹏，何 莎，熊 玲

基于纹理特征的高分辨率遥感图像土地利用分类研究

胡 玉 福，邓 良 基，匡 先 辉，王 鹏，何 莎，熊 玲

（四川农业大学资源环境学院，四川 雅安 625014）

为了提高高分辨率遥感图像土地利用分类精度，该文以金沙江下游河谷地带SPOT 5遥感图像350×350像元作为试验区，在ERDAS IMAGINE 9.0和ENVI 4.1软件平台支持下，采用灰度共生矩阵方法提取遥感图像对比度、角二阶矩、熵、同质度等纹理指标辅助遥感图像分类，分析结果表明，相对于传统监督分类方法，基于纹理特征辅助监督分类方法总Kappa系数提高了9.15%，耕地、林地、水域、建设用地、未利用地Kappa系数分别提高了7.60%、6.17%、3.59%、15.74%和2.96%，分类结果面积准确率分别提高了3.38%、13.47%、4.65%、10.22%和1.53%，说明纹理辅助监督分类方法相对于传统监督分类方法有效提高了土地利用分类精度。

遥感;纹理分析;灰度共生矩阵;监督分类

近年来随着遥感技术的发展［1］，遥感图像分辨率已有很大提高，但遥感图像的计算机分类技术远远落后于遥感技术本身的发展［2，3］，传统的分类方法多基于影像的光谱特征进行分类，对影像的其它特征应用不多，这对于高分辨率影像丰富、复杂的表现形式远远不够，遥感图像的计算机分类精度急待提高［4，5］。近年来国内外学者在加强高分辨率遥感图像计算机自动解译、充分挖掘影像信息、改善地物信息识别与提取过程等方面做了大量的研究和探索，提出了很多先进的技术和方法［6－11］。但由于遥感数据的复杂性和地物分布的随机性等原因，目前遥感图像计算机自动分类精度较低，难以满足土地调查和动态监测的需要，在土地资源调查与监测过程中，高分辨率解译多采用人工目视勾绘，计算机自动解译方法则很少，从而导致效率低、费工费时的问题［12］。针对以上问题，本文选择SPOT5遥感图像作为研究对象，探讨了应用灰度共生矩阵方法进行纹理分析，提取纹理特征辅助遥感图像计算机分类的技术方法，旨在减少土地利用分类过程中的不确定性，提高遥感图像计算机解译精度，为土地资源遥感调查与监测提供一种可行的分类模式。

1 研究区概况与研究方法

1.1 研究区概况

研究区位于云南省永善县西北部，金沙江下游河谷地带（东经103°25′26″～103°35′38″，北纬28°01′21″～28°14′27″）。地貌以中低山为主，地势由西北向东南渐次抬升，江边河谷及二半山区较宽，最低海拔400 m，最高海拔2 767 m。气候属南亚热带干热河谷气候，年均气温22℃，年均降雨量534 mm，年均日照2 179.4 h。区内成土母质类型主要有花岗岩、砂岩和片麻岩残、坡积物及少量的河流冲积物。土地利用方式主要包括耕地、林地、水域、建设用地和未利用地，受地形地貌的限制，土地利用斑块较为破碎。

1.2 数据来源与遥感图像预处理

数据来源于研究区2004年3月过境的SPOT 5遥感图像，已进行辐射校正和几何粗校正，影像清晰，空间分辨率为2.5 m，研究区大小为350×350像元。图像预处理在ERDAS IMAGINE 9.0软件平台下进行，主要包括几何精校正、图像裁剪和图像增强［2］，结果见图1、图2。

图1 原始遥感图像Fig.1 Original remote sensing image

图2 预处理后遥感图像Fig.2 Processed remote sensing image

1.3 基于灰度共生矩阵的纹理分析

图像的纹理一般理解为图像灰度在空间上的变化和重复，或图像中反复出现的局部模式（纹理单元）及其排列规则。纹理分析是指应用一定的图像处理技术抽取出纹理特征，并获得纹理的定量或定性描述指标。纹理特征提取主要有统计方法、模型方法、信号处理方法和结构方法。统计方法是基于像元及其领域的灰度属性研究纹理区域中的统计特性［12，13］。1973年 Haralick首先提出灰度共生矩阵（GLCM），其优于灰度游程长度法和光谱方法，是一种得以广泛应用的纹理统计分析方法和纹理测量技术［14，15］。此方法是按影像灰度值的空间关系描述像元点对之间的空间结构特征及其相关性，若图像灰度级为N，则具有一定空间关系的灰度共生矩阵为pij（d，θ），其中i、j表示像元的灰度，d为i、j像元对间距，θ为两像元连线的方向。取一定d值，θ分别设为0°、45°、90°、135°，构成4个灰度共生矩阵，采用这4个方向的叠加来消除方向影响，用灰度值的空间共生特性度量纹理，可抽取如下统计指标［12，16－18］：

对比度（Contrast，Con）：用来度量影像中对比的强烈程度，主要监测图像反差边缘及其边缘效应。

角二阶矩（Angular Second Moment，ASM）：角二阶矩是灰度共生矩阵各元素的平方和，又称能量;它是影像纹理灰度变化均一性的度量，反映了影像灰度分布均匀程度和纹理粗细度。

熵（Entropy，Ent）：主要用于检测图像空间的复杂性和混乱程度。

同质度（Homogeneity，Homo）：用来度量影像均质程度。

根据以上原理，运用 ENVI 4.1软件的co-occurrence Measures工具，选择滑动窗口为3×3，步距（中心像元与其直接相邻的像元相比较）设置为d＝1，对0°、45°、90°和135°4个方向进行计算，提取对比度、角二阶矩、熵、同质度4种纹理统计指标图［19］。

1.4 纹理辅助监督分类

在ERDAS IMAGINE 9.0软件下，利用提取的对比度、角二阶矩、熵、同质度纹理指标图像与原图像进行波段组合，生成一幅新的遥感图像并对其进行监督分类，提取耕地、林地、建设用地、水域、未利用地等土地信息。

1.5 分类精度评价

Kappa系数是在综合了生产者精度和制图精度两个参数的基础上提出的一个综合指标。在ERDAS 9.0软件平台下，通过Kappa系数对分类结果进行精度评定，但Kappa系数仅说明了影像分类的精度，并不能说明分类的准确性。因此，本文还将土地利用分类结果面积与实地调查面积对比分析以说明分类的准确性。

2 基于纹理特征的高分辨率遥感图像土地利用分类结果分析

2.1 纹理指标提取结果分析

图像灰度共生矩阵中的角二阶距、对比度和同质度分别表示纹理的全局均一性程度、图像反差边缘及其边缘效应和邻域均值、方差的空间变化等几何结构。分析结果表明，提取的对比度、角二阶矩、熵、同质度4种纹理统计指标影像较好地反映了地物的纹理特征。对比度指标影像较好地反映了居民点、道路等建设用地的描述特性，有利于提取建设用地信息（图3a）。在角二阶矩影像上建设用地和水体的纹理特征表现较明显，能较好地判别建设用地和水体信息（图3b）。熵表征的是影像空间关系的复杂性，当图像的地物类型较复杂或图像的纹理比较粗糙时，归一化共生矩阵计算值会很小，按熵的定义进行对数运算并取反后则会得到大值，即空间对象越复杂，对应的熵值越大。未利用地的地块较小，其图像（图3c）纹理较为粗糙，熵值较大，而园林地则地块较大，其图像纹理较均一，熵值亦较小，因此用纹理统计指标熵的阈值来提取未利用地信息。在同质度指标影像上，水体和未利用地纹理特征差异明显，较 易辨别水体和未利用地信息（图3d）。

图3 纹理分析结果Fig.3 The result of texture analysis

2.2 分类结果对比分析

传统监督分类方法主要依据地物光谱特征的差异性，但地表 “同谱异物”、“同物异谱”现象普遍存在，从而不可避免地造成遥感图像分类过程中的错分、漏分等现象［20］。纹理特征辅助监督分类结果（图4）相对于传统的监督分类结果（图5）更好地反映了地物的细节，分类结果更接近于地表土地利用实际情况。由于建设用地和未利用地之间存在严重的“同谱异物”现象，在传统监督分类过程中部分未利用地被分成了建设用地（图5），但原图中建设用地和未利用地纹理特征具有明显的差异，在纹理辅助监督分类过程中，不仅基于光谱特征差异，同时充分利用了纹理特征信息，在一定程度减少了建设用地错分现象（图4）。研究区域的水域主要是分布在中部和北部的水库水面，表现为平滑、细腻的纹理特征，与其他地物区别明显，但传统的监督分类则出现了少量的错分，而纹理特征辅助监督分类有效地减少了错分现象。

图4 纹理辅助监督分类结果Fig.4 The result of texture assistant supervised classification

2.3 分类精度评价

图5 传统监督分类结果Fig.5 The result of supervised classification

2.3.1 分类精度对比 采用定点采样法，在ERDAS IMAGINE 9.0软件平台中，对两种分类结果进行精度评价，精度评定过程中随机产生了256个点，得到各个分类的Kappa系数（表1）。分析结果表明，纹理分析辅助监督分类的总Kappa系数及各土地类型的Kappa系数均有不同程度的提高。其中，总 Kappa系数提高了0.068，幅度达9.15%。各土地类型中建设用地Kappa系数提高幅度最大，达15.74%，其次是耕地和林地，分别为7.60%和6.17%，水域和未利用地提高幅度相对较小，分别为3.59%和2.96%。Kappa系数的提高说明纹理分析辅助监督分类有效地提高了遥感图像的分类精度。

表1 分类精度对比Table 1 Comparison of classification accuracy

2.3.2 分类结果面积与实地调查面积对比 为了进一步说明分类的准确性，在ERDAS 9.0软件平台下对监督分类和纹理分析辅助监督分类的土地利用分类结果面积进行统计，并将其与研究区实地调查面积进行对比分析，结果表明，纹理分析辅助监督分类各土地类型的分类面积与实地调查面积更为接近，分类准确性相对于传统监督分类均有不同程度的提高，其中，林地和建设用地面积准确率提高幅度最大，分别为13.47%和10.22%，其次是水域和耕地，分别为4.65%和3.38%，未利用地提高幅度较小，为1.53%;总体分类准确率提高了6.65%（表2），说明纹理分析辅助监督分类相对传统监督分类有效提高了遥感图像分类准确性。

表2 分类面积对比Table 2 Comparisons of classification area

3 结论与讨论

本文探讨了基于纹理特征的高分辨率遥感图像分类方法，纹理辅助监督分类依据地物的光谱特征差异，同时考虑了地物纹理特征的差异，可以在一定程度上克服遥感图像分类面临的“同物异谱”和“同谱异物”问题，有效减少土地利用分类过程中的不确定性，其比传统的监督分类分类精度和分类准确性更高。

采用灰度共生矩阵提取纹理特征辅助高分辨率遥感图像分类，其分类精度和准确性虽有较大幅度的提高，但分类结果与实地调查的土地利用类型及面积仍存在一定的出入，说明遥感图像分类过程中仅提取纹理特征辅助遥感图像分类是不够的。因此，在今后的遥感图像计算机分类过程中，应进一步加强高分辨率遥感图像计算机自动解译的研究，充分利用地物空间关系、空间位置、形状、纹理等特征，对遥感图像进行综合评判，提高遥感图像的分类精度。

［1］尤淑撑，刘顺喜，李小文，等.基于空间约束关系的土地利用/覆被遥感分类方法研究［J］.农业工程学报，2005，21（9）：51－55.

［2］汤国安，张友顺，刘咏梅，等.遥感数字图像处理［M］.北京：科学出版社，2004.189－213.

［3］郭琳，裴志远，吴全，等.面向对象的土地利用/覆盖遥感分类方法与流程应用［J］.农业工程学报，2010，26（7）：194－198.

［4］周兴东，于胜文，赵长胜，等.利用遥感图像进行土地利用分类方法的研究［J］.煤炭学报，2007，32（5）：481－484.

［5］冯春，陈建平.土地利用/土地覆盖研究中遥感图像分类精度的提高方法［J］.地理与地理信息科学，2003，19（3）：26－28.

［6］张锦水，潘耀忠，韩立建，等.光谱与纹理信息复合的土地利用/覆盖变化动态监测研究［J］.遥感学报，2007，11（4）：500－510.

［7］PAL S K，MITRA P.Multispectral image segmentation using the rough-set-initialized EM algorithm［J］.IEEE Transactions on Geo-science and Remote Sensing，2002，40（11）：2495－2501.

［8］尤淑撑，刘顺喜.一种顾及先验知识与光谱信息的土地利用/覆被遥感分类方法［J］.地理与地理信息科学，2010，26（3）：41－43.

［9］LEI T C，WAN S，CHOU T Y.The comparison of PCA and discrete rough set for feature extraction of remote sensing image classification——a case study on rice classification［J］.Computational Geosciences，2007，12（1）：1－14.

［10］蔡华杰，田金文.基于mean-shift聚类过程的遥感影像自动分类方法［J］.华中科技大学学报（自然科学版），2008，36（11）：1－4.

［11］张锦水，何春阳，潘耀忠，等.基于SVM的多源信息复合的高空间分辨率遥感数据分类研究［J］.遥感学报，2006，10（1）：49－56.

［12］李金莲，刘晓玫，李恒鹏.SPOT5影像纹理特征提取与土地利用信息识别方法［J］.遥感学报，2006，10（6）：926－931.

［13］高程程，惠晓威.基于灰度共生矩阵的纹理特征提取［J］.计算机系统应用，2010，19（6）：195－198.

［14］冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究［J］.北京测绘，2007，3（5）：19－22.

［15］MARCEAU D J，HOWAETH P J，DUBOIS J M，et al.Evaluation of the gray level co-occurrence matrix method for land cover classification using SPOT imagery［J］.International Journal of Remote Sensing，1990，28（4）：513－518.

［16］贾永红.数字影像处理［M］.武汉：武汉大学出版社，2003.

［17］吴均，赵忠明.利用基于小波的尺度共生矩阵进行纹理分析［J］.遥感学报，2001，5（2）：100－103.

［18］田艳琴，郭平，卢汉清.基于灰度共生矩阵的多波段遥感图像纹理特征的提取［J］.计算机科学，2004，31（12）：162－163.

［19］李小娟，宫兆宁，刘晓萌，等.ENVI遥感图像处理教程［M］.北京：中国环境科学出版社，2007.387－402.

［20］黄恩兴.遥感影像分类结果的不确定性研究［J］.中国农学通报，2010，26（5）：322－325.

Study on Land Use Classification of High Resolution Remote Sensing Image Based on Texture Feature

HU Yu－fu，DENG Liang－ji，KUANG Xian－hui，WANG Peng，HE Sha，XIONG Ling
（CollegeofResourcesandEnvironmentofSichuanAgriculturalUniversity，Yaan625014，China）

In order to improve land use classification accuracy of high resolution remote sensing images，in this paper，in support of software of ERDAS IMAGINE 9.0 and ENVI 4.1，some texture indexes of SPOT5 image of downstream region of Jinsha River，such as contrast，angular second moment，entropy and homogeneity had been extracted using the gray level co-occurrence matrix.And these texture indexes had been used to assist supervised classification.The results showed that，compared with the method of traditional supervised classification，the total Kappa coefficient of texture assistant supervised classification increased by 9.15%，and the Kappa coefficient of cultivated land，forestland，water，construction land and unused land increased respectively by 7.60%，6.17%，3.59%，15.74%and 2.96%.Meanwhile，the accuracy rate of classification area of cultivated land，forestland，water，construction land and unused land also increased respectively by 3.38%，13.47%，4.65%，10.22%and 1.53%.It indicated that the method of texture assistant supervised classification could be applied to improve the land use classification accuracy effectively compared with the method of traditional supervised classification.

remote sensing;texture analysis;gray level co-occurrence matrix;supervised classification

TP 751;F301

A

1672－0504（2011）05－0042－04

2011－04- 20;

2011－07－03

国家星火计划资助项目（2005EA810087）;四川省科技支撑计划项目（2009NZ0051）

胡玉福（1977－），男，博士，副教授，主要从事3S技术在资源环境中的应用研究。E－mail：hyf03h＠yahoo.com.cn