基于纹理特征MNF变换的多光谱遥感影像分类

李亚坤，关洪军，孙传亮，敖志刚

(1.解放军理工大学 野战工程学院，南京 210007； 2.南京农业大学 资源与环境科学学院，南京 210095)

【信息科学与控制工程】

基于纹理特征MNF变换的多光谱遥感影像分类

李亚坤1，关洪军1，孙传亮2，敖志刚1

(1.解放军理工大学 野战工程学院，南京 210007； 2.南京农业大学 资源与环境科学学院，南京 210095)

提出了一种基于纹理特征最小噪声分离(Minimum Noise Fraction,MNF)变换的多光谱遥感影像分类方法。利用灰度共生矩阵对每个光谱波段进行纹理特征提取，对纹理特征进行MNF变换，将集中了大部分纹理特征信息的MNF分量与光谱信息协同进行分类。基于CBERS-04遥感影像对郎玛村地区进行岩土分类实验。结果表明，该方法的分类精度高于传统的基于光谱主成分纹理特征的多光谱遥感影像分类方法，其分类结果具有更好的区域一致性和较少的小图斑噪声。

纹理特征；最小噪声分离(MNF)；多光谱遥感影像；岩土分类；CBERS-04

针对地物“同物异谱”和“异物同谱”对遥感影像纯光谱分类造成瓶颈的问题，许多学者提出了光谱结合纹理的分类方法，并在遥感影像分类实验中取得了良好的效果。胡玉福等应用光谱结合纹理的分类方法对金沙江下游河谷地带进行了土地利用分类研究，表明纹理特征辅助光谱信息进行分类能够显著提高土地利用分类的精度[1]；陈启浩等利用灰度适量法提取纹理特征，将纹理特征与光谱信息进行波段合成，应用BP神经网络法进行分类实验，结果表明辅以纹理特征后，分类精度相比之前提高39%[2]；胡蕾等通过纹理与光谱信息协同分类，并采用四叉树分块技术，提高了分类过程的抗噪性，得到了分类精度更高、区域一致性更好的分类结果[3]。后来基于光谱主成分纹理特征的多光谱遥感影像分类方法得到更广泛的应用，章文龙等应用Worldview-2遥感影像，探索了利用光谱PCA变换后的第一主成分纹理特征辅助光谱信息进行地物分类[4]；李智峰等提取了光谱PCA变换后的前两个主成分纹理特征，并将纹理特征与光谱信息波段进行波段合成，取得了更优的分类结果[5]；上述研究成果证明了基于光谱主成分纹理特征的多光谱遥感影像分类方法的可行性和优点。然而，地物在不同波段反射率或发射率的不同，会造成地物在不同波段上体现出不同的纹理特征。PCA变换后的主成分保留大部分光谱信息的同时，多光谱遥感影像的大量纹理特征并不能在光谱的主成分中得到完全继承[6].而且，PCA变换在一定程度上破坏了每个光谱波段的原始纹理特征，必然丢失一部分纹理信息，造成纹理信息的误导或浪费。

针对上述问题，提出了一种基于纹理特征MNF变换的多光谱遥感影像分类方法，主要思想是最大程度地利用每一个多光谱遥感影像波段的纹理特征信息。首先利用灰度共生矩阵(gray level co-occurrence matrices，GLCM)求取每一个多光谱遥感影像波段的纹理特征；然后对所得到的大量纹理指数进行MNF变换，降低纹理指数的维数并减少噪声，以避免大量纹理指数参与影像分类所带来的“维数灾难”；最后将经过降维和降噪的纹理信息与光谱信息协同进行影像分类。

1 基于纹理特征MNF变换的多光谱遥感影像分类方法

基于纹理特征MNF变换的多光谱遥感影像分类方法，实质上是为了最大程度上挖掘每一个光谱波段原始纹理特征，避免光谱PCA变换对原始纹理特征的破坏。本文使用GLCM对每一个多光谱遥感影像波段进行纹理特征提取。由于每个波段的纹理特征都有多个指数，全部波段的纹理特征指数参与分类，会造成“维数灾难”，因此需降低纹理特征的维数，减少纹理特征噪声，这里引入在处理高光谱影像中表现较好的MNF方法对纹理特征指数进行降维和降噪处理，选取纹理特征信息量大的MNF分量与光谱信息协同进行分类。

1.1 灰度共生矩阵(GLCM)

遥感影像纹理主要反映不同地物的灰度值在空间分布上表现出的散布规律，由于其在辅助光谱信息分类中的良好表现，使得纹理特征的提取和应用一直是地物识别的重要研究方向。纹理特征的提取方法可以分为谱方法、结构方法和统计方法等3大类[7-8]，其中统计方法中的灰度共生矩阵(GLCM)是应用最为普遍的纹理特征提取方法。

GLCM是由Haralick等首先提出的概念，按影像灰度值的空间关系描述像元对之间的空间结构特征及其相关性，是一种对遥感影像定量描述的方法[1]。GLCM是一个G×G阶的矩阵(G为遥感图像灰度级)，每个矩阵元素代表在给定的像元距离d和统计方向θ上，以灰度级为i始点，出现灰度级为j的概率，经归一化后可表示为p(i,j,d,θ)[9]。像元距离d一般取1或2个像素距离，像素距离越小越能反映细小的纹理特征，本次实验取1个像素距离；统计方向θ可以为0°、45°、90°、135°，由于不同统计方向提取的纹理特征相关性非常高，故本次实验统一取0°，即水平方向，因此，将GLCM元素可简化为p(i,j)。GLCM虽然不能直接反映各个地物的纹理特征，却可以从GLCM衍生出来许多纹理指数。其中比较常用的纹理指数有8种，包括均值(Mean)、协同性(Homogeneity)、对比度(Contrast)、相异性(Dissimilarity)、熵(Entropy)、角二阶距(Angular Second Moment)和相关性(Correlation)[10]。

1.2 最小噪声分离(MNF)

利用GLCM对每一个多光谱波段进行纹理特征提取，将会得到数十个纹理指数，其中包含较多的冗余信息，如果直接利用这些冗余度高的纹理指数辅助光谱信息分类，不仅不会提高影像分类的精度，而且还会产生“维数灾难”，反而降低分类的精度。另外，传统的PCA方法在去除波段冗余信息时，对波段中的噪声比较敏感，当主成分的噪声方差较大时，即使其真实信息的方差较大，其主成分的信噪比也可能较低，导致主成分的数据品质比较差[11]。因此，实验选用以信噪比作为评价指标的MNF方法，对大量纹理指数波段进行降维和降噪处理。

MNF是在PCA变换的基础上改进的一种方法，通过两次重置的主成分变换，同时达到降维和降噪的目的。该方法使用信噪比作为评价指标，第一步通过变换分离和重新调节数据中的噪声，使噪声数据的方差最小且去除其波段间的相关性；第二步对噪声白化数据做标准主成分变换，得到按信噪比从大到小排列的特征图像[12]。

2 实验技术流程

为验证基于纹理特征MNF变换的多光谱遥感影像分类方法的可行性和分类效果，利用CBERS-04遥感影像和1∶25万基础地质图数据，对郎玛村地区进行岩土分类实验。同时引入传统的基于光谱主成分纹理特征的多光谱遥感影像分类方法进行分类实验，与本文所提出的方法进行对比。实验主要包括数据的预处理、纹理特征提取和岩土分类等3个步骤(见图1)。

2.1 数据预处理

1) 研究区概况

实验选用青藏高原郎玛村地区的CBERS-04遥感影像进行岩性分类实验(图2)。研究区位于东经77°45′～79°51′，北纬32°28′～32°23′之间，地处西藏自治区西部的狮泉河与噶尔藏布河交汇的三角地区，总体地貌以高耸山系构成的高原地貌骨架为基础排列低山、丘陵和宽谷盆地为主，总体地势较高，平均海拔5 km左右，行政区划属噶尔县管辖。区内岩石主要是燕山期侵入岩体、白垩系中下统沉积岩以及第四系松散沉积物[13-15](图3)。研究区地质调查工作程度整体较低，资料缺乏，只有小比例尺的地质调查参考资料。

图1 岩土分类实验流程

图2 研究区假彩色合成图像(RGB:6,5,2)

图3 研究区1∶25万基础地质图

2) 数据预处理

CBERS-04具有4类传感器，部分光谱波段参数如表1所示[13]，其中多光谱波段区域有10 m和20 m两种不同空间分辨率和波段数目的差异，另外其40 m空间分辨率的中红外遥感数据填补了我国遥感卫星数据源的空白。由于岩土分类识别主要依靠光谱信息的差异，因此实验主要利用该遥感卫星的多光谱和中红外数据进行岩土分类研究。同时为最大程度上利用CBERS-04卫星的多光谱波段的信息，集成20 m空间分辨率的蓝绿波段、10 m空间分辨率的可见光-近红外波段和40 m空间分辨率的中红外波段进行分类实验。由于本次实验的数据来自3个不同的传感器，数据并不能做到完全重合，首先需要对其进行几何校正，此实验以10 m空间分辨率的多光谱数据为基准进行几何配准；然后利用光谱特征继承性较好的Gram-Schmidt融合算法，将20 m空间分辨率的蓝绿波段和40 m空间分辨率的中红外波段数据与10 m空间分辨率数据进行融合；最后将3种数据进行波段组合，进行大气校正，从而得到实验所需的多光谱数据。

表1 CBERS-04数据参数

2.2 纹理特征的提取

1) 基于纹理特征MNF变换的多光谱遥感影像分类方法

基于纹理特征MNF变换的多光谱遥感影像分类方法，首先利用GLCM求取每一个多光谱波段对应的8个纹理指数，然后将提取的48个纹理指数波段进行MNF变换，以降低纹理指数的维数和减少噪声。以移动窗口为5×5时提取的纹理指数波段为例进行实验，将纹理指数波段进行MNF变换，求取特征值。由图4可以看出48个纹理指数波段的信息主要集中在前几个MNF分量，因此本次实验选取MNF变换后前8个信噪比比较大的特征分量与光谱波段进行合成，最后利用含有14个波段的新图像进行影像分类识别。此外，当利用GLCM提取纹理特征时，由于移动窗口大小的不同，地物的纹理不同程度表达[16]。为了比较全面地反映本文所提方法的分类性能，采用5×5和11×11两种窗口大小的纹理特征分别辅助光谱信息进行影像分类。

图4 MNF前20个波段特征值曲线

2) 基于光谱主成分纹理特征的多光谱遥感影像分类方法

传统基于光谱主成分纹理特征的多光谱遥感影像分类方法，首先对光谱信息进行PCA变换，然后利用GLCM对其第一主成分，分别求取5×5和11×11两种窗口大小的8个纹理指数，并将纹理指数与光谱信息进行波段合成，最后利用两组含有14个波段的新图像分别进行影像分类。此方法一定程度上利用了纹理特征，提高了分类精度。但是，其纹理特征的提取是针对光谱PCA变换后的第一主成分进行的，第一主成分在继承了大部分光谱信息的同时，并不能完全继承大量的纹理特征信息，同时会破坏每个光谱波段的原始纹理特征。

2.3 岩土分类

本次实验采用最大似然分类方法对遥感图像进行监督分类。最大似然分类方法是一种成熟且常用的基于贝叶斯准则的监督分类方法，假定每种地物类型的遥感影像特征都服从正态分布，计算待分类像元属于每一种地物类型的概率，并将待分像元划归到概率最大的类别中[13]。然后，利用聚类处理的方法对初步的分类结果进行分类后处理，以减少“椒盐噪声”对分类结果的影响。

表2 研究区岩土类别

3 实验结果对比分析

利用CBERS-04遥感数据对郎玛村地区进行两种方法的岩土分类对比实验，得到4组分类结果(见图5)。

3.1 定性分析

将图5(c)与图5 (a)、图5(d)与图5(b)的分类结果相比，可以看出在相同移动窗口大小下，基于纹理特征MNF变换的多光谱遥感影像分类方法相比于传统的基于光谱主成分纹理特征的多光谱遥感影像分类方法，分类效果更好，“椒盐噪声”出现得更少；而且移动窗口越大，分类结果的椒盐小图斑越少。

3.2 定量分析

利用混淆矩阵对4组分类结果进行精度评价，可得到分类结果的生产者精度(Producer’s accuracy，PA)、用户精度(User’s accuracy，UA)、总体分类精度和Kappa系数等4个参数(表3)。在移动窗口为5×5时，基于纹理特征MNF变换的多光谱遥感影像分类方法的总体分类精度和Kappa系数比传统的基于光谱主成分纹理特征的多光谱遥感影像分类方法分别高4.71%和4.23%；其分类结果的PA和UA普遍比传统的分类方法也高，例如，在本文所提方法的分类结果中，下白垩统蛇绿混杂岩群(K1sh)的PA和UA分别为86.95%和77.86%，相比于传统方法的82.82%和75.81%，分别提高了4.13%和2.05%。在移动窗口为11×11时，本文所提方法的总体分类精度和Kappa系数比传统的分类方法分别高6.29%和6.17%。说明基于纹理特征MNF变换的多光谱遥感影像分类方法的分类效果优于传统的分类方法，该分类方法能改善遥感影像分类效果，具有一定的实用价值。

表3 岩土分类精度 %

4 结论

目前在利用多光谱遥感影像的纹理特征进行分类时，大多仅利用了光谱主成分波段的纹理特征辅助光谱信息分类。然而，光谱PCA变换在一定程度上破坏了每个波段的原始纹理特征，必然会丢失一部分纹理信息，并造成纹理信息的误导或浪费。针对此问题，提出了一种基于纹理特征MNF 变换的多光谱遥感影像分类方法，最大程度利用每一个多光谱遥感影像波段的纹理特征信息。首先利用GLCM 提取每一个光谱波段的纹理特征，然后对纹理特征进行MNF变换，降低纹理特征的维数和噪声，最后选取纹理特征信息量大的MNF分量与光谱信息协同进行分类。实验结果表明：该方法的分类结果优于采用传统的基于光谱主成分纹理特征的多光谱遥感影像分类方法，具有更好的区域一致性和更少的小图斑噪声。

此外，该方法在提取地物纹理特征时，未引入多尺度思想，若把不同尺度的纹理特征综合起来辅助光谱信息进行影像分类，可能会得到更好的分类结果，针对此类不足之处仍待以后深入研究。

[1] 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.

[2] 陈启浩,高伟,刘修国.辅以纹理特征的高分辨率遥感影像分类[J].测绘科学,2008,33(1):88-90.

[3] 胡蕾,侯鹏洋.一种基于光谱与纹理特征的多光谱遥感图像地物分类方法[J].中国科技论文,2015,10(2):197-200.

[4] 章文龙,林贤彪,仝川,等.基于光谱与纹理信息的 Worldview-2 影像地物分类[J].福建师范大学学报(自然科学报),2013,29(4):46-52.

[5] 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):456-61.

[6] 王增茂,杜博,张良培,等.基于纹理特征和形态学特征融合的高光谱影像分类法[J].光子学报,2014,43(8):0810002(1-8).

[7] 徐丽娟.基于纹理分析云的分类技术的研究[D].南京:南京信息工程大学,2012.

[8] 梁晓莉,李利伟,程刚,等.灰度共生矩阵和模糊分类的高分辨率光学影像欠发达村落提取[J].测绘通报,2015(8):25-29.

[9] 李利红,张华国,厉冬玲,等.基于多尺度纹理和光谱信息的海岛土地利用遥感分类方法研究[J].海洋学研究,2013,31(2):35-44.

[10]任国贞,江涛.基于灰度共生矩阵的纹理提取方法研究[J].计算机应用与软件,2014,31(11):190-192,325.

[11]纪娜,李锐,李静.MNF和SVM在遥感影像计算机分类中的应用[J].水土保持通报,2009,29(6):153-158.

[12]葛山运.基于MNF、PCA与ICA结合的高光谱数据特征提取方法[J].城市勘测,2013(2):103-106.

[13]李亚坤,关洪军,孙传亮.基于CBERS-04遥感影像的郎玛村地区岩土分类[J].解放军理工大学学报(自然科学版),2016(6).

[14]李俊杰.中巴地球资源卫星04星[J].卫星应用,2014(12):77.

[15]西藏自治区地质调查院.中华人民共和国1:25万区域地质调查报告(狮泉河幅)[R].拉萨:西藏自治区地质调查院,2004.

[16]刘友山,吕成文,朱凤霞,等.基于PCA和多尺度纹理特征提取的高分辨率遥感影像分类[J].遥感技术与应用,2012,27(5):706-711.

(责任编辑 杨继森)

Multi-Spectral Remote Sensing Image Classification Based on Texture Feature MNF Transform

LI Ya-kun1, GUAN Hong-jun1, SUN Chuan-liang2, AO Zhi-gang1

(1.Field Engineering Institute, PLA University of Science and Technology, Nanjing 210007, China；2.College of Resources and Environmental Sciences, Nanjing Agricultural University, Nanjing 210095, China)

A classification method based on Minimum Noise Fraction (MNF) transform of texture feature was proposed. Firstly, the gray level co-occurrence matrix was used to extract texture features of every spectral band. Secondly, the texture features were transformed by using MNF. The MNF components, which have the majority of the texture feature information, would be used to assist spectral information in classifying. Geotechnical classification was studied based on CBERS-04 remote sensing image in Langma village area. Results show that the classification accuracy of the proposed method is higher than that of traditional classification method based on spectral principal component texture features, and the classification results have better regional consistency and less noise of small map spot.

texture feature; Minimum Noise Fraction (MNF); multi-spectral remote sensing image; geotechnical classification; CBERS-04

2016-09-25；

2016-10-22

李亚坤(1991—)，男，硕士研究生，主要从事遥感图像处理及地学应用研究， E-mail:1321972991@qq.com。

关洪军(1959—)，男，博士，副教授，主要从事遥感地学应用及精确工程保障，E-mail:ghjqq@163.com。

10.11809/scbgxb2017.02.026

李亚坤，关洪军，孙传亮，等.基于纹理特征MNF变换的多光谱遥感影像分类[J].兵器装备工程学报，2017(2):113-117.

format:LI Ya-kun, GUAN Hong-jun, SUN Chuan-liang,et al.Multi-Spectral Remote Sensing Image Classification Based on Texture Feature MNF Transform[J].Journal of Ordnance Equipment Engineering,2017(2):113-117.

TJ02；TP751

A

2096-2304(2017)02-0113-05