基于光谱和纹理特征的ALOS影像土地利用信息提取

刘恩勤，周万村，周介铭，莫开林

（1.中国科学院成都山地灾害与环境研究所，四川成都610041；2.中国科学院研究生院，北京100049；3.四川师范大学资源与环境学院，四川成都610068；4.四川省林业科学研究院，四川成都610066）

基于光谱和纹理特征的ALOS影像土地利用信息提取

刘恩勤1，2，周万村1，周介铭3，莫开林4

（1.中国科学院成都山地灾害与环境研究所，四川成都610041；2.中国科学院研究生院，北京100049；3.四川师范大学资源与环境学院，四川成都610068；4.四川省林业科学研究院，四川成都610066）

针对高分辨率遥感影像易于反映地物纹理特征的特点，综合利用地物的光谱和纹理特征进行分类，探讨适用于ALOS影像的土地利用信息提取方法。以川东丘陵地区影像为例，基于GLCM提取纹理信息，将提取的纹理特征向量采用赋权值法融合为一个综合纹理信息波段，然后采用面向对象法将其与光谱特征信息共同参与分类。与最大似然法的提取结果对比表明，考虑了纹理特征的面向对象分类方法能明显提高分类精度，Kappa精度提高了0.12；避免了椒盐现象，分割的地类边界具有更好的语义表达，更贴合地物实际分布特征；建筑用地和林地具有明显的纹理特征，而旱地纹理特征不明显。该方法不仅分出了6个基本地物类型，而且对于林地、建筑用地等类型还能进一步细分。

纹理；ALOS；土地利用；信息提取；面向对象分类；遥感

0 引言

纹理特征是一种重要的空间特征，是高分辨率遥感图像的重要解译标志［1］。很多实验证明：在考虑地物光谱特征的基础上，结合纹理特征的分类方法能显著提高土地利用信息提取的精度［2－5］。但如何有效地利用纹理信息以提高地物分类精度尚在探讨阶段。灰度共生矩阵法（Gray Level Co－occurrence Matrix，GLCM）是一种经典的纹理分析方法，具有较强的纹理特征鉴别能力［6］，该方法定义了14个纹理特征量，但若要将其全部提取出来则耗时很长。多数学者选择4种纹理特征量：如张伐伐等［7］选择了均值、熵、局部平稳度和对比度，李智峰等［8］选择对比度、相关性、能量和均值，胡玉福等［9］选择了对比度、角二阶矩、熵、同质度。为尽可能全面地考虑重要纹理特征量同时减少计算量，本文以ALOS高分辨率遥感影像为数据源，选取了7个纹理特征量，基于GLCM进行纹理信息的提取，并将获取的光谱和纹理信息融合在一幅图像中，在此基础上提取土地利用信息，为国土资源遥感调查提供一种可行的分类方案。

1 基于GLCM的纹理信息提取方法

1.1 数据源及研究区概况

本文实验数据源为ALOS影像（图1，见封3），是3个多光谱波段（520～600 nm，610～690 nm，760～890 nm）和全色波段（520～770 nm）融合后的3波段图像，分辨率2.5 m，成像时间为2010－05－02，图像经过正射校正、图像增强和裁剪等预处理。研究区位于四川泸州市纳溪区北部（东经105°24′55″～105°26′1″，北纬28°50′44″～28°51′33″），气候温暖湿润，地貌类型为丘陵与平原，地形切割破碎，人类活动频繁。

1.2 GLCM原理及参数设置

灰度共生矩阵P（i，j｜h，θ）是一个N×N的矩阵（N表示图像的灰度级）。P的第（i，j）个元素值等于灰度级i和j的两个像元沿方向θ步长为h同时出现的概率，其中i，j∈［1，N］。P是步长h和方向θ的函数，随着距离h和方向θ的变化，可组合出多个不同的灰度共生矩阵。

基于GLCM提取纹理特征的影响因素有窗口大小的选择，步长h、方向θ及所选用的特征量等。

（1）灰度级量化。常见的遥感图像灰度级有256级、1 024级等。在实际工作中为减少计算量，常采取压缩灰度级的办法，如将256级压缩为64级、8级等。

（2）窗口大小的选择。移动窗口大小是影响基于灰度共生矩阵纹理提取的主要因素［2，10］。小窗口能够反映图像上纹理特征的细节，但窗口过小会使其包含的纹理信息不完整；大窗口能够反映地物的轮廓，但窗口过大则会包含多个不同纹理基元，造成误分。本文分别选择3×3、5×5、7×7、9×9的窗口对比纹理提取的效果（图2，见封3），结果表明：3×3的窗口反映太多细纹理，而忽略了粗纹理；7×7和9 ×9的窗口只反映了粗纹理，对细部结构则较模糊；5 ×5的窗口能较好地兼顾粗细两种纹理信息，符合本文需要。

（3）方向。纹理的方向性是纹理图像的一个基本特征［11］。考虑到不同地物纹理特征在方向上的不一致性，本文分别计算0°、45°、90°、135°共4个方向上的灰度共生矩阵，并取其均值。

（4）步长。随着步长h的增加，纹理特征逐渐消失。因此，步长不宜过大。本文实验证明，选择步长为3时效果最好，即Δx＝Δy＝3。

1.3 纹理特征量的选择

灰度共生矩阵生成后，即可在此基础上计算并提取纹理特征量。考虑到纹理特征量的有效性、各纹理特征量之间的相关性、信息量及计算量等因素，本文选择方差、同质性、对比度、二阶距、相异性、熵及相关性7个纹理特征量参与纹理信息的提取。

2 基于光谱和纹理特征的分类

2.1 纹理信息的提取

灰度共生矩阵和纹理特征量都是基于单波段信息提取。按照上述方法计算得到灰度共生矩阵P（灰度级64级，5×5窗口，步长为3，方向为均值）。本文对原始图像3个波段分别计算7个纹理特征量，从而得到21幅纹理特征量。纹理信息的提取是基于python语言编程实现的。

由于各纹理特征都是从3个波段的灰度共生矩阵提取得到，因而这些纹理特征图像之间存在一定程度的信息重叠和相关性。本文使用主成分分析法对获得的21个特征量进行压缩，得到前5个主成分纹理特征图像，共包含了91.94%的信息量，能准确表达原来21个波段所含信息量。这5个主成分对各类地物的纹理特征有不同程度的体现。其中，PC1主要体现较粗的纹理信息，PC2和PC3能体现地物的细部纹理结构，PC1和PC5凸显建筑物的纹理信息，PC4凸显林地、湖泊及线性地物（道路等）的边缘信息。这些纹理信息对于辅助判别地物类型有重要意义。

2.2 ALOS数据的光谱特征变换

考虑遥感图像各波段间具有较强的相关性，为减少后续处理工作的计算量，对原始图像进行主成分变换，变换后PC1和PC2的信息量分别为63.20%和35.20%，二者之和能准确表达原始图像3个波段的信息。

2.3 基于信息量的纹理信息的融合

由于压缩后的纹理特征图像数目依旧较多，若将5个纹理特征图像直接参与分类，则计算量太大且未必能达到很好的效果。本文利用各个特征图像赋予权重因子，权重因子为各个特征图像所含信息量占5个纹理信息总量的百分比，然后做波段运算，得到一个包含最大信息量的单波段的综合纹理特征图像。计算公式如下：

其中：b1、b2、b3、b4、b5代表进行主成分变换后的5个纹理特征向量，Texture代表最终的综合纹理特征图像。用这种方法融合后的综合纹理图像如图3所示，该方法能将提取的5个纹理信息波段有机融合，既减少了计算量又便于纹理信息和光谱信息的融合。

图3 由5个特征图像融合成的综合纹理特征Fig.3 The texture feature image fused from five feature images

2.4 纹理特征图像与光谱信息的融合

由于某些地物类型纹理特征明显，而有些地物的纹理特征并不明显，仅考虑纹理特征的分类并不能保证分类精度。本文采用光谱特征和纹理特征相结合的分类方法，将主成分变换后的光谱信息（2个波段）和获取的纹理特征图（图3）组合成一幅包含光谱特征和纹理特征的三波段图像。

2.5 面向对象分类

根据当地实际情况，研究区土地利用类型共划分为旱地、林地、灌木林、建筑用地、水域和未利用地6类。采用面向对象法对包含光谱和纹理特征的图像进行分类。该方法处理的最小单元是影像对象，分类过程主要分为影像对象构建和对象分类两部分，在ENVI EX软件中完成。

（1）对象构建。据临近像素的光谱和纹理特征，采用基于边缘信息的多尺度分割算法建立影像对象。在ENVI EX的Feature Extraction模块下，调整阈值将图像分割成“块”对象，经过多次试验和预览设定最佳阈值。这种考虑了纹理特征的分割算法，使分割的斑块能够更好地表达特定区域的一致性；经过反复试验，发现分割尺度为35、合并尺度为95时分割效果最好（图4）。可以看出，考虑了纹理特征的面向对象分割在区分上述6类地物的基础上，还能够对研究区的某些地物类型加以细分，例如建筑用地可根据新旧程度继续划分，林地则可根据林种不同加以细分等。

图4 基于光谱信息和纹理信息的面向对象分割效果Fig.4 Segmentation map based on spectral information and texture information using object－oriented method

（2）对象分类。将图像分割为很多“块”对象后，利用研究区100个野外采样点中的60个采样点为训练样本进行监督分类，得到土地利用信息分类结果。分类算法为支持矢量机，核函数为径向基核函数。

3 分类结果对比

基于光谱和纹理特征的面向对象分类和最大似然法分类结果分别如图5（见封3）和图6（见封3）所示。仅考虑光谱特征的最大似然法不易区分建筑用地和未利用地，但两者纹理特征有明显不同，考虑了纹理特征的面向对象法则能较好地区分两者；而且面向对象分类法避免了椒盐噪声，减少了很多无意义小图斑。另外，最大似然法对湖泊有小部分错分现象，原因则是有些湖泊的光谱特征与建筑用地类似，并且湖泊边缘部分容易被单独划分为无意义图斑。

以研究区100个野外实际采样点中的另外40个采样点作为检验样本检验分类精度。在ERDAS 9.2软件中分别对基于光谱和纹理特征的面向对象分类法与最大似然分类法的两种分类结果进行精度评价（表1）。从表1可以看出，考虑纹理特征的面向对象法的分类精度比最大似然法总的Kappa系数提高0.12，总体精度提高11.53%；其中，考虑纹理特征的面向对象分类法提取的建筑用地、旱地、湖泊及未利用地的Kappa系数都明显高于最大似然法，而林地和灌木则要逊于最大似然法。

表1 两种分类方法的分类精度对比Table 1 The accuracy comparison of object－oriented classification and maximum likelihood classification

4 结论与讨论

本文实现了高分辨率遥感图像纹理特征的提取，并将纹理应用于图像分类，取得了较好的效果，获得以下几点认识：

建筑用地纹理特征十分明显，基于纹理特征的面向对象分类法能够将大片建筑用地按其细部纹理结构分割为性质不同的“块”（多是新旧程度不同或边界明显的建筑物），并能将城市中的道路信息提取出来。旱地分布则较凌乱，纹理特征不明显。湖泊和未利用地的纹理特征值较均一。从原始ALOS图像上提取的各纹理特征量中，林地的纹理特征并不明显，但在21个纹理特征量主成分变换后的第4主成分中，林地呈现粗糙纹理特征且边界明显，使之区别于灌木林。这也说明，纹理信息并非只有从纹理特征量中直接提取出来，也可考虑间接地进行纹理特征的处理或变换等其他方式获取。

与最大似然法相比，考虑了纹理特征的面向对象分类法能大大提高高分辨率遥感图像的分类精度，总体精度提高了11.53%，总Kappa系数提高了0.12。而且考虑了纹理特征的面向对象分类法能够很好地利用图像的细节特点，避免“同物异谱”和“同谱异物”以及破碎图斑，分割的地类边界具有更好的语义表达，更贴合地物的实际分布特征。另外，该方法对于林地、建筑用地等还能进一步细分。

纹理信息参与图像分类的方法有待进一步探讨。本文将提取的各类纹理信息进行加权融合后作为一个单波段参与分类，同时考虑了光谱和纹理特征，避免了多波段纹理信息参与分类的较大计算量，又保持了最大信息量。本文获取的林地纹理特征较明显，但林地的分类精度并不理想，因此仍需要对纹理特征参与图像分类的方法加强探讨，更好地发挥纹理特征优势。另外，高分辨率遥感图像中除光谱特征和纹理特征外，地物的几何信息、阴影等都可参与分类，以提高信息提取精度，故应积极探索提高分类精度的其他方法。

［1］ RICHARDS J A.贾秀萍（译）.遥感数字图像分析（第4版）［M］.北京：电子工业出版社，2009.99－100.

［2］ KABIR S，HE D C，SANUSI M A，et al.Texture analysis of IKONOS satellite imagery for urban land use and land cover classification［J］.Imaging Science，2010，58（3）：163－170.

［3］ OTA，TETSUJI，NOBUYA M，et al.Influence of using texture information in remote sensed data on the accuracy of forest type classification at different levels of spatial resolution［J］.Forest Research，2011，16（6）：432.

［4］ 孙家柄.遥感原理与应用［M］.武汉：武汉大学出版社，2009.170－171.

［5］ 王雷光，刘国英，梅天灿，等.一种光谱与纹理特征加权的高分辨率遥感纹理分割算法［J］.光学学报，2009，29（11）：3010－3017.

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

［7］ 张伐伐，李卫忠，卢柳叶，等.SPOT5遥感影像土地利用信息提取方法研究［J］.西北农林科技大学学报（自然科学版），2011，39（6）：143－147.

［8］ 李智峰，朱谷昌，董泰锋.基于灰度共生矩阵的图像纹理特征地物分类应用［J］.地质与勘探，2011，47（3）：456－461.

［9］ 胡玉福，邓良基，匡先辉，等.基于纹理特征的高分辨率遥感图像土地利用分类研究［J］.地理与地理信息科学，2011，27（5）：42－45.

［10］ 潘洁，李明诗.基于信息量的高分辨率影像纹理提取的研究［J］.南京林业大学学报（自然科学版），2010，34（4）：129－134.

［11］ 王震，王执铨，茅耀斌.基于纹理方向的描述和对具有方向性纹理图像的分类与分割［J］.中国图象图形学报，2002，7（12）：1279－1284.

Abstract：High resolution remote sensing images were rich in texture information.ALOS image was classified by spectral and texture characteristics of the land objects in this paper.It aims to find method suitable for extracting land use information from ALOS images.Taking the images of hills area of East Sichuan as example，the texture information extracted based on GLCM method was fused into one band represented the texture information by weighted stack.And the texture band was classified together with the spectral characteristic information by objects－oriented method.The results showed that the object－oriented classification considered texture information improved the classification results evidently and raised the Kappa accuracy by 0.12 compared to the maximum likelihood classification.It avoided the phenomenon of salt and pepper noise.The boundaries of the land objects endowed with better semantic representation were more accurately accorded the spatial distribution of the reality.The building land and forest possessed obvious texture characteristic while the dry land possessed less.In addition，not only can this method classified six basis land use types，but also was able to classified more details to the types of forest and building land.It means that texture information can improve the accuracy of image classification.Object－oriented classification using spectral and textural information is suitable for ALOS images.

Key words：texture；ALOS；land use；information extraction；object－oriented classification；remote sensing

Study on Information Extraction of Land Use from ALOS Image Based on Spectral and Texture Characteristics

LIU En－qin1，2，ZHOU Wan－cun1，ZHOU Jie－ming3，MO Kai－lin4
（1.Chengdu Institute of Mountain Hazards and Environment，Chinese Academy of Sciences，Chengdu 610041；2.Graduate University of Chinese Academy of Sciences，Beijing 100049；3.College of Resource and Environment，Sichuan Normal University，Chengdu 610068；4.Sichuan Academy of Forestry，Chengdu 610066，China）

TP753

A

1672－0504（2012）04－0051－04

2012－03－23；

2012－06－06

中国科学院知识创新工程重大项目“耕地保育与持续高效现代农业试点工程”（KSCX1－YW－09－01）

刘恩勤（1984－），女，博士研究生，从事遥感与GIS的应用研究。E－mail：chelsea.en＠gmail.com