基于纹理分析的SAR海冰图像分类方法

逯跃锋，和 鑫，陆黎娟，楚潇蓉，陈 坤，赵泉华

(1.山东理工大学 建筑工程学院，山东 淄博 255049；2.辽宁工程技术大学 测绘与地理科学学院，辽宁 阜新 123000)

海冰是一种严重的自然灾害，在我国渤海、黄海北部、辽东湾半岛海域和山东半岛部分海湾每年冬季都会出现不同程度的结冰现象。这种灾害直接影响人类社会实践活动[1]，所以及时、全面、准确的获取海冰信息十分重要。卫星遥感监测是一种获取海冰信息的有效方法[2]，合成孔径雷达(SAR)具有不受天气影响、全天时、全天候、多波段、穿透力强等特点。作为一种常见的遥感方法，它能够提供高分辨率遥感图像，所以近年来得以快速发展,在军事和民用等其他领域都有重大研究价值和广阔应用前景[3]。陈志鹏等[4]根据合成孔径雷达图像的特点，提出了纹理差值变化检测方法，该方法采用纹理特征代替灰度信息来体现图像特点，并使用差值变化检测获取城市变化情况。对于大多数特征，纹理差值法获得了较高的变化检测正确率，检测性能有大幅提高。梁小祎等[5]对溢油SAR图像建立最小距离分类模型、最大似然分类模型和人工神经网络模型，并对分类效果进行比较，认为人工神经网络方法无论从总体精度还是从Kappa系数上都要优于另外两种分类方法，预见SAR在监测溢油方面是一种较为有潜力的工具。综上所述，基于SAR图像的研究已经很深入，由于分类方法的精度存在差异，因此本文将基于纹理特征对SAR海冰图像的分类方法进行研究，得出较为精确的分类方法，更好的促进图像相关技术的发展与应用。

1 数据预处理

1.1 纹理特征选择

纹理特征在体现全局特征性质的同时，也描述了图像或图像区域所对应景物的表面性质。由于对比度、能量、相关性和同质性这几个纹理特征的统计效果比较明显，所以在实验部分，选择这4个特征对SAR海冰图像进行分类。图1为两幅实验原始图像，均为505*505像素大小，分辨率30 m的SAR海冰图像.其中，图1(a)为三类海冰图像，包括海水、厚海冰和薄海冰，图1(b)包括海水和海冰两类，深色部分为海水，浅色部分为海冰。

(a)三类 (b)两类图1 原始海冰图像Fig.1 Original sea ice images

1.2 基于纹理特征的样本获取

要对SAR海冰图像进行分类，首先要获取分类样本，样本的采集将对分类结果产生重大影响。样本采集应遵循以下原则：突出某类地物的物理特征，包括形状特征、颜色特征、表面粗糙度等可以分辨的内容；体现出与其他样本特征的差异性；选取具有该类别代表性的样本；选取样本要适时适量；对样本的选择要保持其特征的完整性。以图1(a)为例，从原图中获得具有代表性的三类样本，为了获得更加准确的样本特征值，每一类裁剪4个样本图像，大小均为50*50像素，图2为海水类地物的样本图像；图3为薄海冰类的样本图像；图4为厚海冰类地物的样本示例。取得三类样本后，将SAR海冰图像的第一波段提取出来，以便进行处理，通过计算机的统计功能获得图像纹理特征数据。

图2 海水类样本Fig.2 Sea water sample images

图3 薄海冰类样本Fig.3 Thin sea ice samples

图4 厚海冰类样本Fig.4 Thick sea ice samples

2 数据分析与处理

图像分类是根据某种判别依据或图像信息中反映的不同特征，将图像分成几个类别的过程。通过实验者的操作，利用计算机软件对图像进行分析处理，代替容易产生主观干扰的目视判读过程。

2.1 灰度共生矩阵提取特征值

灰度共生矩阵指的是一种通过研究灰度的空间相关特性来描述纹理的常用方法，它描述了成对像素的灰度组合分布[6]，也是一种简单有效的纹理分析方法。纹理是由一种或多种纹理基元按一定规则有序或无序的排列而形成的一种图形结构，一般是表示存在于图像上的某一范围内的、形状比较小的、具有半周期性以及有规律地排列的图案，是计算机用于监督分类、图像处理和模式识别的重要特征之一，一般的纹理特征包括：对比度、相关性、能量、同质性、方向度和粗略度等，它们可以广泛的应用于军事、地理、计算机科学等方面[7]。当图像中相隔的距离像素之间存在一定灰度关系时，纹理将会存在一种图像灰度的空间相关性，更适用于处理灰度共生矩阵法[8]。本文利用灰度共生矩阵提取SAR海冰图像的纹理特征，根据公式计算出每个类别中所有样本的特征值，然后将均值作为分类标准，充分利用了图像中的各种纹理信息，进行了有效的分类[9],公式如下。

2.2 最小距离分类法

最小距离分类法是一种较简便易行的分类方法[10]，是指求出未知类别向量到要识别各类别代表向量中心点的距离，将未知类别向量归属于距离最小一类的一种图像分类方法，实现起来方便准确。

2.3 分类精度

本文将实际数据与分类结果进行比较，以确定分类结果的准确程度。对于图像分类结果的评价，通常运用误差矩阵来完成。在误差矩阵中，反映评估结果常用的评估参量是总分类精度和Kappa系数，公式如下。

3 结果与讨论

3.1 纹理特征标准

通过MATLAB软件的灰度共生矩阵函数对样本的对比度、能量、同质性和相关性4个特征进行训练，得到如下结果。表1、表2和表3分别为对海水样本、薄海冰样本和厚海冰样本进行训练所得的特征值数据表。

表1 海水样本的特征值数据
Tab.1 Feature value data of sea water samples

特征参数样本1样本2样本3样本4均值对比度0.02570.03300.05710.01790.0334能量0.94620.93600.90490.96040.9369同质性0.98710.98560.97840.99100.9855相关性0.10990.41540.51240.18530.3058

表2 薄海冰样本的特征值数据
Tab.2 Feature value data of thin sea ice samples

特征参数样本1样本2样本3样本4均值对比度0.49180.46280.49380.51020.4896能量0.22830.24600.22590.22160.2304同质性0.77790.79660.77900.77300.7816相关性0.25300.30560.27860.24210.2698

表3 厚海冰样本的特征值数据
Tab. 3 Feature value data of thick sea ice samples

特征参数样本1样本2样本3样本4均值对比度1.02280.85551.02401.63061.1332能量0.08960.12390.16070.13650.1277同质性0.70490.72710.74880.71580.7241相关性0.67300.58760.69600.64930.6514

3.2 纹理特征分类

通过对样本的分析及数据提取，获得了三类样本的不同纹理特征的分类参考中心，然后利用最小距离分类法进行分类，即通过计算每个像素到各个类别中心的距离，把该像素归入到与其距离最小的一类中去。

通过处理对比度特征，得出分类结果，如图5所示。其中，图5(a)、(b)分别为图1(a)、(b)的基于对比度的分类结果。图 5中黑色系代表海水类，白色系表示厚海冰，而灰色系则代表薄海冰。由于海水和海冰相互包含，所以图像上没有明显的过渡，但三类的差别可以清晰地分开。从图5中可以看出，利用对比度特征能够很好地对SAR海冰图像进行分类。与原始图像比较可以看出，对比度特征对图像信息的描述比较全面的，不论是三类海冰图还是两类海冰图，利用对比度特征都能清楚地将图像类别分开，并区分类别之间的差异。

(a)三类 (b)两类图5 对比度分类成果图Fig. 5 Contrast classification chart

相关性的图像处理效果较不明显，如图6所示。在计算每类的样本特征值时，得到的三类样本的相关性特征值差别较不明显，所以分类结果不甚理想。不论是区分三类海冰图还是两类海冰图，分类效果均有待改善，虽然纹理特征能反映很多图像内容，但相关性的图像处理没有将图像区分开。与其它几种纹理特征相比，相关性分类结果较低，证明其在描述SAR海冰图像内在规律的能力上比较弱。

(a)三类 (b)两类图6 相关性分类成果图Fig. 6 Correlation classification chart

通过对能量特征的图像分类成果分析，发现与原图相比，图7(a)中三种类别之间过度趋近柔和，图像灰度分布均匀。图7(b)非常直观的将海水和海冰两个类别区分出来，较强的表现了能量特征在刻画图像信息方面的能力。

(a)三类 (b)两类图7 能量分类成果图Fig. 7 Energy classification chart

通过对图像同质性特征的计算分析，分类产生的三类海冰图更接近真实的海冰图像，从厚海冰到薄海冰再到海水有直观的过度，分类清晰，如图8(a)所示；两类海冰图针对海水和海冰两类地物的分类图像比较接近原始图像的真实地物分类情况，如图8(b)所示。

(a)三类 (b)两类图8 同质性分类成果图Fig.8 Homogeneity classification chart

3.3 分类结果精度评价

生产者精度表示正确分到该类的像素占应该分到该类的像素的比例；用户精度表示正确分到该类的像素占被分到该类的所有像素的比例；总精度表示正确分类的所有像素占总像素的比例；Kappa值表示算法分类较随机分类减少错误的比例。表4-表7分别从对比度、能量、同质性和相关性4个特征进行分类精度评价。由表4可以看出，基于对比度的精度评价计算得到的总精度为88.67%，Kappa系数为0.83，具有很高的精度，能很好地反映分类情况，基本满足了遥感图像分类的要求，能比较直观地分辨图像。

表4 对比度分类精度评价
Tab.4 Accuracy evaluation on contrast classification

混淆矩阵实 际 值海水厚冰薄冰总和预 测 值海水423550厚冰147250薄冰244450总和455451150生产者精度84.00%94.00%用户精度93.33%87.04%88.00%86.27%总体精度88.67%Kappa系数0.83

能量分类图像的分析结果较好，不仅总体精度达到87.33%，Kappa系数也达到很好地等级，高达0.81，分类图像充分区分了三类地物，贴近真实地理情况，能够作为分类成果进行地物分析，见表5。

表5 能量分类精度评价
Tab. 5 Accuracy evaluation of energy classification

混淆矩阵实 际 值海水厚冰薄冰总和预 测 值海水461350厚冰244450薄冰634150总和544848150生产者精度92.00%88.00%用户精度85.19%91.67%82.00%85.42%总体精度87.33%Kappa系数0.81

同质性图像分类成果也和能量成果图一样，具有很高的准确性，总体精度83.33%，整体分类都趋近于有利的方向，Kappa系数0.75，同样属于分类较好的图像，分类精度较高，为以后的工作打下了良好的基础，证明同质性特征在对图像信息进行刻画的方面是比较有效的，可以应用在实际图像分类处理工作中，见表6。

表6 同质性分类精度评价
Tab. 6 Accuracy evaluation on of homogeneity classification

混淆矩阵实 际 值海水厚冰薄冰总和预测值海水385750厚冰343450薄冰334450总和445155150生产者精度76.00%86.00%用户精度86.36%84.31%88.00%80.00%总体精度83.33%Kappa系数0.75

利用相关性特征值获得的分类图像效果尚不理想， 三类地物之间不能清晰地区分。由表7可以看出，总体精度为67.33%，Kappa系数只有0.51，属于中等的分类精度等级，证明相关性在刻画图像信息方面的能力较弱，不建议仅通过相关性特征对图像进行分类。

表7 相关性分类精度评价
Tab. 7 Accuracy evaluation on correlation classification

混淆矩阵实 际 值海水厚冰薄冰总和预 测 值海水385750厚冰343450薄冰334450总和445155150生产者精度76.00%86.00%用户精度86.36%84.31%88.00%80.00%总体精度83.33%Kappa系数0.75

4 结束语

纹理的自相关体现了图像纹理的一致性，它能较好的衡量空间灰度共生矩阵元素在各方向上的相似程度。基于灰度共生矩阵的纹理特征提取是分析图像纹理的有利工具，本文通过对灰度共生矩阵提取能量、对比度、相关性和同质性这4种纹理特征，分析了不同特征下的分类情况以及分类精度，结果如下：基于对比度和能量特征的精度相对而言较高，基本满足了遥感图像分类的要求，能更加精确的进行SAR海冰图像分类，而基于同质性和相关性特征进行SAR海冰图像分类的精度则相对而言偏小，其中基于相关性特征的分类精度最小，表明相关性在刻画图像信息方面的能力较弱，不建议仅通过相关性特征对图像进行分类。