基于纹理特征的遥感影像分类方法研究

基于纹理特征的遥感影像分类方法研究
陈乐然包晗王鸣璐
摘要：遥感影像分类技术是遥感影像分析与解译的重要环节之一，如今遥感影像分类正具有广泛的应用前景。本文主要研究了如何在Matlab下提取遥感影像的纹理特征，并利用灰度共生矩阵，在Matlab下采用监督分类方法应用最短距离分类器完成了全色遥感影像的分类。
关键词：遥感图像；影像分类；纹理特征；监督分类；最短距离分类
0 引言
随着高分辨率遥感卫星的不断涌现，遥感影像分辨率的不断的提高，影像分类的理论和技术水平也在不断的完善。遥感影像的纹理分析已经成为一种重要的提高遥感影像分类精度的手段。纹理是表征图像的一个重要特征，广泛存在于各类图像中，它反映了影像灰度模式的空间分布，包含影像的表面信息及与周围环境的关系，通过对纹理图像进行分析可获得许多有用的宏观和微观信息。本文就是利用灰度共生矩阵提取遥感影像的纹理特征，并采用监督分类的方法应用最短距离分类器完成全色影像的分类[1] 。
遥感影像分类的基本理论
1.1 模式识别理论
模式识别是随着计算机科学的发展而逐渐壮大起来的，为了让计算机去识别模式，必须对模式进行预处理，包括从模式中获取必要的信息，再经过取样和量化得到计算机能够处理的数据（数组），模式识别的基本方法有：统计模式识别、句法模式识别、模糊模式识别、人工神经网络方法。本次论文主要讨论统计模式识别方法，基于统计方法的模式识别系统，采用特征选择和特征提取对所获得的特征进行变换和降维得到最有效的分类特征，从而节省分类所需的时间、提高分类的效率 [2] 。
1.2 遥感影像的主要分类方法
监督分类是在已知类别的训练场地上提取各类别训练样本，通过选择特征变量、确定判别函数或判别式（判别规则），进而把影像中的各个像元点划归到各个给定类的分类。主要有最小距离分类法、神经网络分类法、模糊分类法和贝叶斯判别分类法等。
非监督分类是在没有先验知识（训练场地）的情况下，根据影像本身的统计特征及自然点群的分布情况来划分地物类别的分类处理，事后再对已分出的各类的地物属性进行确认，也称作“边学习边分类法”。主要有动态聚类、模糊聚类法、系统聚类法和分裂法等[3]。
1.3 分类器设计
所谓的分类器就是一个判断规则，比如说这样一句话：“考试成绩大于等于60分为及格，小于60分的为不及格”就是一个分类器。并且特征维数越小分类器就越容易设计，一般地对于线性分类器来说，当特征空间为一维时，决策面为一分界点，比如上面提到的60分即是分界点；特征空间为二维时，决策面为一直线；特征空间为三维时，决策面为一平面；特征空间的维数大于3时，决策面为一超平面。主要包括线性分类器和非线性分类器[4]。
1.4 纹理特征
纹理是物体表面结构的模式，例如木材，水泥，沙子，玻璃等。纹理可以认为是许多基本纹理小单元的重复，这些小单元可称为纹理元，它通常包含多个像素。对纹理的描述方法分为统计的和结构的两类方法。统计方法主要用于分析木纹、沙地、草坪等纹理细且不规则的物体，根据统计特性提出特征。结构分析特别适用于印刷图案如布料，花砖一类，其纹理和排列比较规则。特征是希望用少量有限的数据来表达一幅图像或图像小区所载有的纹理信息。
2 Matlab下遥感影像分类试验
2.1 遥感影像分类的流程
本文选取的是1：10000的全色遥感影像为例来进行试验的。
1)首先，进行直方图修正技术使图像具有统一的均值和方差，以部分消除光照条件的影响。
2）然后按照类别从图像中找出20－30个左右大小大致为80*80象素左右分别有居民地、农田、菜地等具有代表性的采样样本，应用Matlab软件对图像进行处理并计算各自的特征值及其特征值的平均值。图2-1中a、b、c分别为菜地、农田和居民地的采样样本（部分）。模板窗口的大小取8*8~20*20这样的范围内，窗口如果取的过小则程序的运行效率低，并且对某些特征的提取来说也会造成负面影响，这是因为大多数特征是统计特征，当窗口中的像素较少时统计值就会存在一定的随机性。如果窗口取的较大则分类精度较低，特别是在不同地物的边界处就会出现明显的马赛克现象。
3）我们在前面讲过不同的分类器对分类的结果也起到重要的作用，分类器的设计被看成是模式识别中三大重要内容之一。本次实验中我们主要采用最短距离分类器来实现对影像的分类。
4）分类后处理，由于分类的精度问题，从最初分类结果上我们会看到很多“噪声”，即分类错误的情况，为了得到更真实的分类结果我们还要对初分类进行滤波来消除“噪声”，实验中采用效果比较好的中值滤波来平滑噪声。

图2-1 部分采样样本图像
Fig.2-1The samplesplitting image
2.2 遥感影像的监督分类实验
简单的说，本次实验的目的就是如何通过遥感影像的纹理特征的提取来实现影像的分类。本次实验采取的是监督分类的方法，应用最短距离分类器来实现的。
1）使用函数Imread将裁取的样本图像读入Matlab环境中；其显示结果如下图所示：

Fig.2-2 Displaying image
2）对上述生成的像素矩阵提取共生矩阵，然后根据共生矩阵计算出90º和45º方向的对比度，计算结果见下表：
表2-1各样本不同方向的对比度总体均值
Tablet.2-1 The contrast total mean of difference direction of every swatch
样本/ 方向 9 0° 45°
菜地 3.8215 4.0599
居民地 6.2765 9.5797 农田 0.3857 0.5434
3）应用计算出的对比度值采样最短距离分类器来实现对影像的监督分类，其分类结果如图2-3所示：
各个方向不同分类结果

Fig.2-3 The resultof three direction classifying
4）分类后处理，由于分类的精度问题，不管用上面的哪一种分类方案得到的分类结果和理想分类图形相比仍然都还有相当大的差距，从最初分类结果上我们会看到很多“噪声”，即分类错误的情况。为了得到更真实的分类结果我们还要对初分类进行滤波来消除“噪声”，实验中采用效果比较好的3*3的中值滤波来去掉大部分的噪声，处理结果如图2-4所示

图2-4原始的分类图形、中值滤波后分类图形
Fig.2-4The classifying figure of originality、two- dimension filter、median filter
2.3 不同方案分类结果比较及结论
本文利用遥感影像纹理特征在监督分类方法下采用最短距离判别函数进行分类的，其分类结果比较如下：
1）90° 方向，各个类别之间的差值比较明显，可以分清各类地物，分类效果在此分类中比较好。
2）45° 方向，分类结果还不是乐观，分类效果一般。
3 结论
遥感影像分类或影像识别是遥感图像解译的一个重要的、基础性的工作。基于Matlab下遥感影像的分类是在模式识别理论下应用遥感影像的纹理特征对全色遥感影像进行分类。但由于采用最短距离分类器判断的时候采取一刀切的方式，而且没有考虑影像的光谱特征和合理的纹理窗口大小，分类时产生一定的误差，这在实验结果中已体现出来。
参考文献
[1] 容观奥.计算机影像处理[M]. 北京：清华大学出版社. 2000.
[2] 李爽，丁圣彦．遥感影像分类方法比较研究[J]．河南大学学报，2004.（6）.33～50.
[3] 边肇祺，张学工等. 模式识别[M]. 北京：清华大学出版社，2000.
[4] 贾永红.数字影像处理.武汉大学出版社，2003.