基于多种纹理特征的全色图像云雪区特征提取

孙 磊，曹晓光

（北京航空航天大学 图像处理中心，北京 100191）

基于多种纹理特征的全色图像云雪区特征提取

孙 磊，曹晓光

（北京航空航天大学 图像处理中心，北京 100191）

针对全色图像云检测与雪检测的问题，文中提出了一种基于多种纹理特征的特征提取方法。首先，利用自适应的大津阈值分割算法提取云、雪区域。然后，通过分形维数、灰度共生矩阵、小波变换等方法提取云、雪区域的多种纹理特性。最后，利用径向基核函数的支持向量机（Support Vector Machine，SVM）分类器进行云雪自动检测。典型遥感数据的实验结果验证了本文算法的有效性。

全色图像；种纹理特征；特征提取；云雪检测

遥感图像云、雪检测是遥感应用研究中的重点和难点问题之一。雪的存在会给遥感监测人员统计图像中云的覆盖量的工作造成干扰；同时，云的存在也会降低积雪检测的准确率。因此，提出一种云、雪自动识别的可靠方法具有十分重要的应用意义。

何全军等利用云和雪在近红外波段反射率的差异来检测云雪[1]；殷青军等提取多个波段的反射率和亮温差，进行基于NORR/AVHRR数据的云雪识别[2]。然而，鉴于云、雪在全色波段的光谱特性相似，难以有效地区分云和雪，基于全色图像的云、雪识别方法并不多见。

1 全色图像典型云雪区域特征分析

丁海燕等的方法利用分形维数特征表征图像整体与局部纹理的相似程度[3]。但是，实际雪区的纹理存在多样性。图1给出了典型的云、雪样本。图1（a）是全色图像中典型的云样本。可见，云的整体和局部纹理相似度较高。图1（b）给出了覆盖山脉的永久积雪，受地面纹理影响，雪的局部纹理与整体纹理呈现较大差异。然而，图1（c）给出的积雪样本未受地面纹理的影响，其整体和局部的纹理也存在显著的相似性。可见，丁海燕等的基于分形维数作为单个纹理特征的云、雪识别方法不能用来检测未受地面纹理影响的雪，该方法具有局限性。

图1 典型云、雪样本Fig.1 Typical cloud and snow samples

本文采用多种纹理特征相结合的特征提取方法进行云、雪检测。该方法不仅利用了分形维数特征，同时结合了灰度共生矩阵相关性特征以及小波变换的方法来进一步描述云、雪的纹理。

灰度共生矩阵的相关性特征，体现了灰度共生矩阵行或者列之间的相似性，表征图像灰度级之间的线性相关程度。也就是说，相关性反映了特定灰度值沿着特定方向延伸的长度，延伸越长，纹理的方向性越强，其相关性值也越大。比较图1给出的云样本（a）和雪样本（b）。可见，云的纹理杂乱没有规律，而雪的纹理具有更好的方向性。

此外，云样本（a）边缘纹理较模糊，雪样本（b）、（c）边缘纹理较清晰。可见，云的边缘灰度变化较缓慢，对应小波变换后低频分量较多；而雪的纹理边缘灰度变化较快，对应小波变换后高频分量较多。因此，通过离散小波变换计算高频成分能量占图像总能量的比值可以反映云、雪边缘纹理的差异。

2 基于多种纹理特征相结合的特征提取

本文利用云、雪的高反射率特性，采用大津阈值分割的方法将目标区域与背景分离[4]，之后通过分形维数、灰度共生矩阵、离散小波变换提取多种纹理特征计算云、雪的覆盖分布。

2.1 分形维数

分形维数的具体计算方法如下：定义 f（x，y）是位置（x，y）点的像素灰度值，按照空间尺度r将M×M大小的图片分割成r×r大小的小区域，每一个小区域上是一列r×r×h大小的盒子，h代表了单个盒子的高度，G表示整幅图像的灰度级。h定义如下：

覆盖第（i，j）个区域的盒子数目可由下式计算：

其中，l和k分别表示区域中灰度的最大值和最小值。整幅图像的盒子数目可以通过下式获得：

定义对应空间尺度r的分形维数为：

对于不同的空间尺度r，求出对应的Nr。分别以log（1/r）为横坐标，log（Nr）为纵坐标，将一系列 log（1/r）和 log（Nr）描绘在图上，利用最小二乘法拟合这些点，将直线的斜率作为整幅图像的分形维数[5]。

2.2 灰度共生矩阵

灰度共生矩阵是一种通过研究灰度的空间相关特性来描述纹理的方法，相关性特征可以通过构建灰度共生矩阵计算得到。灰度共生矩阵的定义如下[6]：定义为图像中的一对像素点，i和j分别代表两个点的灰度值，两点间的空间距离为d，夹角为 θ。 通常 d取值为 1 或者 2，θ取值为 0°，45°，90°，135°。

计算灰度共生矩阵每一点的值如下：

其中，P（i，j，d，θ）表示像素点（i，j）出现的频率。

相关性可以通过下式得到：

其中 μi，μj，σi，σj分别表示灰度共生矩阵第 i行和第 j列的期望和方差。

2.3 离散小波变换

本文利用基于Mallat算法的离散小波变换将图像分解为高频分量和低频分量。高频分量的总能量与图像总能量的比值反映云、雪的边缘纹理灰度变化快慢的不同。首先使用一组低通和高通滤波器对图像滤波，然后对输出结果进行行和列的下二采样[7]。图像经过一次小波变换被分解成一个低频子图LL和三个方向上的高频子图HL、LH、HH。低频分量反映图像的内容和背景，高频分量反映图像的边缘和细节。定义高频分量的总能量与图像总能量的比值ER作为表征图像边缘的纹理特征：

其中，Eh，E，Ed分别表示3个方向上高频子图的能量，表示整幅图像的能量。

3 实验结果

3.1 实验数据

实验样本选自遥感二号卫星采集的高分辨率全色影像，空间分辨率是2米。遥感二号卫星主要覆盖中国西部区域，这些地区海拔高、山地较多的特点适合永久积雪区域的形成，因此选择遥感二号卫星数据作为实验样本具有非常重要的实际参考价值。

本文采取核函数为径向基函数的SVM分类器来验证算法的有效性。通过双交叉验证算法[8]进行参数寻优，得到误差惩罚系数C=32.0，径向基核宽度σ=2.0。截取了200幅64x64大小的图像作为SVM分类器的训练样本，其中100幅云样本，100幅雪样本。同时，从其他实验数据截取另外200幅64x64大小的图像作为测试样本，用来评估SVM分类器的性能。

3.2 实验步骤和结果分析

实验步骤如下：

1）通过大津阈值分割算法得到分离图像背景与云雪区域的最佳阈值；

2）把被测图像分割成若干64x64大小的子块，并且计算每个子块的平均灰度值；

3）提取平均灰度值大于的子块构成云雪区域；4）利用SVM分类器对目标区域进行云雪判别。图2给出了基于遥感二号卫星数据的实验结果。

图2（a）、（b）是两组遥感二号卫星拍摄的实验样本。图2（c）、（d）是经过大津阈值分割后的结果，通过大津阈值实现了云雪区域（白色）与背景区域（黑色）的分离。图2（e）、（f）给出仅采用分形维数特征进行特征提取的实验结果。可见，图2（e）利用分形维数特征可以区分大部分云、雪，而图2（f）中的云和雪都被检测成雪。结果表明，图 2（e）中的积雪受山脉纹理的影响，其整体纹理与局部纹理呈现出较大的差异性，分形维数特征可以起到作用；然而图2（f）中的积雪并未覆盖纹理明显的地物，因而造成分形维数特征失效，不能实现云、雪的准确识别。图2（g）、（h）是本论文提出的基于多种纹理特征结合应用的实验结果。可见，图 2（g）、（h）基本消除了图 2（e）、（f）中存在的云块和雪块的误检。实验结果证明，相对于仅采用分形维数特征，基于多种纹理特征结合的方法可以更全面地衡量云、雪的纹理特征，明显提升云雪自动识别的准确率。

图2 实验结果对比Fig.2 Experimental results

3.3 对比实验结果分析

为了更加客观地说明算法的有效性并且衡量SVM分类器的性能。本文利用两个常用的图像分类器——BP神经网络分类器、K近邻分类器，与SVM分类器对测试样本进行正确率对比实验。

表1为3种分类器对比实验的结果。3种分类器对检测雪的正确率（TN）均为100%，但是，SVM分类器对云的识别效果更好（TP=98）。分类结果显示，3种分类器的正确率均大于90%，进一步验证了本文算法的有效性。

表1 3种分类器的准确率Tab.1 Accuracy of the three classifiers

4 结 论

本论文提出一种针对全色图像云雪自动判别问题的解决方法。该方法采用分形维数、灰度共生矩阵相关性、小波变换高频能量与图像总能量比值等特征综合衡量云、雪的纹理信息。分类结果表明，这些特征的结合使用可以解决雪区纹理的多样性问题，有效提高了云、雪检测的准确率。

[1]何全军，曹静，黄江，等.基于多光谱综合的MODIS数据云检测研究[J].国土资源遥感，2006（3）:19-22.

HE Quan-jun，CAO Jing，HUANG Jiang，et al.Cloud detection in MODIS data based on multi-spectrum synthesis[J].Remote sensing for land&Resources，2006（3）:19-22.

[2]殷青军，杨英莲，徐维新.NOAA卫星资料云雪识别方法的研究[J].高原气象，2002，21（5）:526-528.

YIN Qing-jun，YANG Ying-lian，XU Wei-xin.Research on distinguishing between cloud and snow with NOAA images[J].Plateau Meteorology，2002，21（5）:526-528.

[3]丁海燕，马灵玲，李子扬，等.基于分形维数的全色影像云雪自动识别方法[J].遥感技术与应用，2013，28（1）:52-57.

DING Hai-yan，MA Ling-ling，LI Zi-yang，et al.Automatic identification of cloud and snow based on fractal dimension[J].Remote sensing technology and application，2013，28 （1）:52-57.

[4]杨俊，吕伟涛，马颖，等.基于自适应阈值的地基云自动检测方法[J].应用气象学报，2009，20（6）:713-721.

YANG Jun，LV Wei-tao，MA Ying，et al.Anautomatic ground-based cloud detection method based on adaptive threshold[J].Journal of applied meteorological science，2009，20（6）:713-721.

[5]单娜，郑天垚，王贞松.快速高准确度云检测算法及其应用[J].遥感学报，2009，13（6）:1138-1155.

SHAN Na，ZHENG Tian-yao，WANG Zhen-song.High-speed and high-accuracy algorithm for cloud detection and its application[J].Journal of remote sensing，2009，13（6）:1138-1155.

[6]JIA Long-hao，ZHOU Zhong-fa，LI Bo.Study of SAR image texture feature extraction based on GLCM in GuiZhou Karst mountainous region [C]//Proceedings of 2012 2nd InternationalConference on Remote Sensing.Nanjing:Environment and Transportation Engineering （RSETE），2012:1-4.

[7]张波，季民河，沈琪.基于小波变换的高分辨率快鸟遥感图像薄云去除[J].遥感信息，2011（115）:38-43.

ZHANG Bo，JI Min-he，SHEN Qi.Wavelet based cloud removalfrom high-resolution remote sensing data:an experiment with QuickBird imagery [J].Remote sensing Information，2011（115）:38-43.

[8]QIAN Zhang，KI Jung-Lee，Taeg Keun-whangbo.K-means and double cross-validation algorithm for LS-SVM in Sasang typology classification [C]//Proceedings of2007 IEEE International Conference on Automation and Logistics，Jinan:[s.n.].2007:426-430.

Feature extraction based on combined textural features from panchromatic cloud and snow region

SUN Lei，CAO Xiao-guang
（Image Processing Center of Beihang University， Beijing 100191， China）

A feature extraction algorithm based on several combined textural features is presented to distinguish cloud and snow from panchromatic images.Firstly，the target region of the image including cloud and snow is picked up by an adaptive threshold segmentation method based on Ostu algorithm.Secondly，different kinds of textural features are extracted from the target region by fractal dimension，Gray Level Co Occurrence Matrix （GLCM）and Discrete Wavelet Transform.At last，SVM classifier with RBF kernel is used to distinguish cloud and snow automatically.Experimental results indicate that the proposed method can obviously improve the accuracy under the typical remote sensing data.

panchromatic images； combined textural features； feature extraction； cloud and snow detection

TN919.8

A

1674-6236（2014）02-0174-03

2013-06-21 稿件编号：201306140

孙 磊（1989—），男，天津人，硕士研究生。研究方向：图像处理、模式识别与智能系统。