纹理信息在遥感影像分类中的应用

李俊杰

（江苏师范大学科文学院 江苏 徐州 221116）

引言

自1970年以来，遥感影像纹理分类技术愈来愈成熟，纹理信息分析在遥感影像处理中的使用，从早期的纹理信息和纹理图像分割的描述和表达，向影像形状分析和影像压缩合成方向发展，遥感影像的纹理结构比其他结构更清楚、更稳定。

1 纹理信息的分析方法

纹理分析方法有很多：①统计法。适合用来描述树木纹理、草地等自然界中许多没有特定形状、周期的纹理；②结构法。遥感纹理影像结构法可运用模型来表达纹理以及按照纹理特征来界定。近年来，随着遥感影像朝更成熟的方向发展，在这种情况下，遥感影像越来越清楚，如何通过有效描述其纹理特征的方法，提取到更加丰富的信息就显得尤其重要[1]。

2 纹理信息的提取

2.1 灰度共生矩阵

灰度共生矩阵(Gray Level Co-occurrence Matrix)指的是用来分析图像纹理特征的方法，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。由于纹理是由灰度分布在空间位置上反复出现而形成的，因而在图像空间中相隔某距离的两象素之间会存在一定的灰度关系，即图像中灰度的空间相关特性。在不改变数据原有信息的基础上，对数据进行重建和整理。基本过程为，先运用物联网技术采集不同对象的参数，再运用大数据处理技术将收集的数据进行整理、清洗、分配等[2-3]。

2.2 利用灰度共生矩阵提取纹理信息

灰度共生矩阵是遥感技术建设中最重要的部分之一，其涉及到企业的事务管理、文化建设、科研水平、科研能力、生活服务等多个方面。企业通过利用云技术、大数据处理技术和物联网技术，提高了企业的科研质量和管理能力。在未来，灰度共生矩阵提取纹理信息将越来越优秀，人们也能够享受到更好的科学体验和生活环境。

以5×5的窗口为识别的基本单位，步长为1，从0°、45°、90°、135°四个方向分别计算中心像元的灰度共生矩阵及其统计特征参数(能量、熵、惯性矩即对比度和相关性)，再由这四个特征值组成一个特征向量。为了验证特征值选取的有效性，在实验中，选择了几种不同类型地物的图像，按照以上的技术实现流程进行训练[4-5]。

2.3 利用纹理信息对遥感影像进行分类

本文研究的是纹理信息辅助下遥感影像的分类，故对选取的2017年7月16日河南信阳市光山县影像数据进行分类，一种进行简单的监督分类，另一种通过选择的四种纹理：均值、方差、协同性、对比度，与影像原来波段一起融合进行分类。分类后精度的计算可以通过混淆矩阵来计算，混淆矩阵可以计算出不同类别的精度差异，这是我们可以用来对精度进行评价的方法[6]。在评价影像精度时，通常用来对比实际值和分类之后的值，混淆矩阵是对比计算所有像元位置及分类与分类图像中对应的位置及分类，混淆矩阵可以把分类后的精度表示出来。因为本文研究用的分类方法和分类样本都是一样的，只有这样才能统计出融合纹理的监督分类和未融合纹理的监督分类哪个更有优势，根据精度计算结果来看，融合的监督分类更准确更易区分，如建设用地、林地[7-10]。

3 结语

综上所述，通过运用灰度共生矩阵提取遥感影像，把纹理与遥感影像原有波段相结合进行分类，该方法可以有效提高遥感影像分类后的精度。遥感技术集中了空间、电子、光学、计算机通信和地学等学科的最新成就，是当代高新技术的一个重要组成部分。国际上遥感技术的发展，将在未来15年将人类带入一个多层、立体、多角度、全方位和全天候对地观测的新时代。各种高、中、低轨道相结合，大、中、小卫星相互协同，高、中、低分辩率互补的全球对地观测系统，将能快速、及时地提供多种空间分辩率、时间分辩率和光谱分辩率的对地观测海量数据。