基于高分二號(hào)影像結(jié)合紋理信息的茶園提取

楊艷魁 陳蕓芝 吳波

摘要：為提高高分辨率遙感影像分類精度，針對(duì)高分二號(hào)影像發(fā)展一種綜合利用遙感影像光譜和紋理信息的茶園種植區(qū)提取方法。該方法首先利用歸一化植被指數(shù)（NDVI）和修正的歸一化植被指數(shù)（MNDVI）構(gòu)建新的光譜特征——差異歸一化差分植被指數(shù)（DNDVI），通過(guò)灰度共生矩陣（GLCM）構(gòu)建新的紋理特征——灰度共生紋理（GLCT），然后結(jié)合光譜和紋理特征運(yùn)用支持向量機(jī)（SVM）的方法進(jìn)行分類。試驗(yàn)采用2種方案（原始波段+光譜特征，原始波段+光譜特征+紋理特征）對(duì)影像進(jìn)行分類，分類總體精度分別為79.6%、89.8%，Kappa系數(shù)分別為 0.659、0.788。結(jié)果表明，結(jié)合紋理信息能明顯地提高分類精度，并較好地實(shí)現(xiàn)對(duì)高分二號(hào)影像茶園種植區(qū)的分類提取。

關(guān)鍵詞：高分辨率;光譜;紋理;GLCM;茶園提取

中圖分類號(hào)： TP79;S127 ?文獻(xiàn)標(biāo)志碼： A ?文章編號(hào)：1002-1302（2019）02-0210-05

中國(guó)是世界上最早利用茶葉、栽培茶樹(shù)的國(guó)家，有著獨(dú)特的茶文化，而且中國(guó)的茶園面積和茶葉產(chǎn)量均居世界第一;因此準(zhǔn)確獲取茶樹(shù)種植區(qū)分布，可為政府部門進(jìn)行茶園規(guī)劃管理、茶葉估產(chǎn)及災(zāi)害預(yù)防處理等提供數(shù)據(jù)支撐[1]。

但傳統(tǒng)通過(guò)構(gòu)建指數(shù)等光譜特征來(lái)提取作物的方法，由于存在著同譜異物、同物異譜等問(wèn)題，具有很大的局限性。茶樹(shù)與其他植被的光譜特征非常相似，使得茶樹(shù)與其他植被容易產(chǎn)生嚴(yán)重的光譜混淆問(wèn)題[2]。解決光譜混淆的一個(gè)重要方法是引入以空間信息為基礎(chǔ)的紋理特征[3]，采用基于多特征的分類方法提高影像的分類精度[4-5]。高分辨率遙感影像由于其分辨率足夠高，提供了豐富的地面信息，不同地物內(nèi)部的紋理差異得到很好體現(xiàn)[6]，使得紋理特征的提取與應(yīng)用得到廣泛關(guān)注。隨著高分辨率遙感影像的普遍，基于高分辨率影像結(jié)合紋理特征的分類方法得到廣泛應(yīng)用。楊紅衛(wèi)等利用高分辨率影像紋理特征分別對(duì)橡膠林和農(nóng)業(yè)區(qū)土地利用類型進(jìn)行分類研究[7-8]。佃袁勇等通過(guò)將紋理特征分別與光譜特征和幾何特征有效結(jié)合，實(shí)現(xiàn)對(duì)地表覆蓋和城區(qū)道路的分類和提取[9-10]。在上述研究的基礎(chǔ)上，本研究嘗試結(jié)合光譜特征和紋理特征，得到適用于高分二號(hào)影像茶園種植區(qū)提取的分類方法。

本研究利用高分二號(hào)數(shù)據(jù)，以福建省安溪縣西部為研究區(qū)域，通過(guò)構(gòu)建特征提取茶園區(qū)相關(guān)光譜和紋理信息，利用機(jī)器學(xué)習(xí)的方法結(jié)合光譜信息和紋理信息，對(duì)茶園種植區(qū)進(jìn)行提取，旨在及時(shí)掌握茶樹(shù)的種植面積信息，以供相關(guān)部門決策參考。

1 研究區(qū)及數(shù)據(jù)

安溪縣位于福建省東南沿海，廈、漳、泉閩南金三角西北部，隸屬泉州市，以茶業(yè)聞名全中國(guó)，號(hào)稱中國(guó)茶都;安溪縣是中國(guó)烏龍茶之鄉(xiāng)、名茶鐵觀音的發(fā)源地，創(chuàng)造了獨(dú)具魅力的安溪茶文化。本研究選取安溪縣西部一幅大小為1 202×821像素的影像作為試驗(yàn)數(shù)據(jù)（圖1）。影像包括1個(gè)1 m分辨率的全色波段和4個(gè)4 m分辨率的多光譜波段（藍(lán)光波段、綠光波段、紅光波段、近紅外波段）。首先對(duì)數(shù)據(jù)進(jìn)行配準(zhǔn)，然后進(jìn)行正射校正、NNDiffuse Pan Sharpening融合和大氣校正，最終得到校正后的1 m分辨率的多光譜融合數(shù)據(jù)。

2 研究方法

本研究采用的方法是利用影像光譜和紋理特征，基于支持向量機(jī)（SVM）分類器進(jìn)行分類，進(jìn)而對(duì)茶園種植區(qū)進(jìn)行提取。首先利用歸一化植被指數(shù)（NDVI）和修正的歸一化植被指數(shù)（MNDVI）構(gòu)建新的光譜特征，然后通過(guò)灰度共生矩陣（GLCM）構(gòu)建新的紋理特征來(lái)提取影像相關(guān)紋理特征，最后應(yīng)用SVM分類器對(duì)圖像進(jìn)行基于光譜和紋理特征的分類。

2.1 光譜分析

地物的光譜曲線作為判讀和分類的物理基礎(chǔ)，廣泛地應(yīng)用于遙感影像的分析和評(píng)價(jià)中[11-12]。基于影像及野外調(diào)查獲得各地物的樣本點(diǎn)，通過(guò)統(tǒng)計(jì)分析得到特征值和光譜曲線，為地物類型可分性分析提供一定的依據(jù)[13]。

通過(guò)目視判讀和野外調(diào)查發(fā)現(xiàn)，研究區(qū)內(nèi)地物大致為4類，包括林地、建筑用地、茶園、陰影（圖2）。

在融合后的影像上選取各地物的感興趣區(qū)域形成樣本集，統(tǒng)計(jì)各類的波段均值并繪制地物光譜曲線（圖3）。

從圖3可以看出，建筑用地（1、2、3）和陰影的光譜值在第四波段上升比較平緩，而植被的光譜值在第四波段上升的幅度比較大。所以利用第3波段和第4波段的光譜差異可以將茶樹(shù)與建筑用地、陰影區(qū)分開(kāi)，但林地（1、2、3）和茶園（1、2、3）光譜值在4個(gè)波段都非常相似，因此僅依靠光譜信息無(wú)法有效地將茶園和林地區(qū)分開(kāi)。

2.2 光譜信息增強(qiáng)

歸一化植被指數(shù)（normalized difference vegetation index，簡(jiǎn)稱NDVI）是植被生長(zhǎng)狀態(tài)及植被覆蓋度的有效指示因子，經(jīng)比值處理可以部分消除與太陽(yáng)高度角、衛(wèi)星觀測(cè)角、地形、云陰影和大氣條件有關(guān)的輻照度條件變化（大氣層輻射）等的影響，主要反映植被在紅光波段和近紅外波段反射差異的指標(biāo)，被廣泛用于植被的統(tǒng)計(jì)和提取、檢測(cè)植被生長(zhǎng)狀態(tài)和植被時(shí)空變化分析等[1]，表達(dá)式如下：

NDVI=NIR-RNIR+R。

式中：NIR代表近紅外波段的反射值，R為紅波段的反射值。從圖4-a可以看出，NDVI特征圖中非植被類顯示為暗黑色，與植被有明顯的區(qū)別;森林灌木等植被由于比較密集呈現(xiàn)為高亮色;而茶園由于其獨(dú)特的分壟種植方式致使壟間的土地裸露，從而使得茶園在NDVI圖上呈現(xiàn)灰色。仔細(xì)觀察還發(fā)現(xiàn)右下角（紅色方框內(nèi)）坡度比較大的斜坡上的茶園在NDVI圖上有一部分也呈現(xiàn)黑色，和非植被類容易混淆。

修正的歸一化植被指數(shù)（modified normalized difference vegetation index，簡(jiǎn)稱MNDVI）主要用于區(qū)分無(wú)人機(jī)影像或其他波段比較少的影像上植被和其他地物覆蓋類型，該指數(shù)用紅波段代替近紅外波段，用綠波段代替紅波段，彌補(bǔ)了有些影像波段太少或沒(méi)有近紅外波段而無(wú)法使用NDVI指數(shù)的不足，反映植被在可見(jiàn)光反射與土壤背景之間差異的指標(biāo)，表達(dá)式如下：

MNDVI=R-GR+G。

式中：R代表紅波段的反射值，G為綠波段的反射值。從圖4-b 可以看出，MNDVI特征圖中非植被類顯示為亮色，而森林灌木等植被呈現(xiàn)為暗黑色，與NDVI圖剛好相反。茶園則還是呈現(xiàn)灰色，而且右下角（紅色方框內(nèi)）坡度比較大的斜坡上的茶園還是呈現(xiàn)黑色。

因此為了增強(qiáng)非植被、植被以及茶園在特征圖上的對(duì)比度，同時(shí)也為了消除斜坡上的茶園在NDVI和MNDVI圖上容易與其他地類的混淆，本研究構(gòu)建差異歸一化差分植被指數(shù)DNDVI（difference normalized difference vegetation index），公式如下：

DNDVI=MNDVI-NDVI=R-GR+G-NIR-RNIR+R。

通過(guò)對(duì)NDVI和MNDVI做差值運(yùn)算來(lái)增強(qiáng)茶園與其他地物的差異，得到的DNDVI特征如圖4-c所示。從圖4-c可以看出，不同地物間的光譜差別被增強(qiáng)，同時(shí)右下角（紅色方框內(nèi)）斜坡上的茶園也沒(méi)有和其他地類形成混淆。

2.3 紋理特征提取

通過(guò)對(duì)影像判讀可知，長(zhǎng)勢(shì)良好或樹(shù)齡較大的茶樹(shù)會(huì)比較整齊茂盛，光譜與林地相近，但梯田狀的種植方式使得茶樹(shù)壟間走向近似平行[1]，因此，茶園種植區(qū)擁有與其他地物明顯不同的紋理表現(xiàn)，本研究提取茶園種植區(qū)紋理信息作為影像分類的主要特征。

灰度共生矩陣（gray level co-occurrence matrix，簡(jiǎn)稱GLCM）作為一種經(jīng)典的圖像紋理特征提取算法，已被理論和試驗(yàn)證明在紋理提取上是一個(gè)很好的方法，廣泛用于將灰度值轉(zhuǎn)化為紋理信息[14]。它基于統(tǒng)計(jì)的方法，使用了灰度圖像中相隔一定距離的2個(gè)像素之間的空間相關(guān)特性。共生矩陣定義為灰度紋理圖像中某一特定方向θ上相距為d的2個(gè)灰度值同時(shí)出現(xiàn)的聯(lián)合概率分布，它是像素距離d和角度θ的矩陣函數(shù)，也就是對(duì)于不同的方向選取和不同的步長(zhǎng)選取，所得到的灰度共生矩陣一般是不同的[15]。

灰度共生矩陣可以代表灰度圖像一定的紋理特征，但是一般矩陣中元素個(gè)數(shù)較多，灰度共生矩陣并不直接作為灰度圖的紋理特征進(jìn)行使用，而是在得到矩陣的基礎(chǔ)上，進(jìn)一步提取相關(guān)特征[15]。

同時(shí)由于窗口大小是影響灰度共生矩陣性能和紋理特征完整性的主要因素，因此窗口大小的選擇相當(dāng)重要。為了選取最適合的窗口大小，本研究分別選取窗口大小5、7、9、11、13、15、17、19、21、23、25進(jìn)行試驗(yàn)，利用全色波段數(shù)據(jù)計(jì)算灰度共生矩陣，基于灰度共生矩陣提取對(duì)比度特征（以對(duì)比度特征為例，其他特征同樣）。然后對(duì)不同窗口大小下提取的對(duì)比度紋理特征進(jìn)行分類評(píng)價(jià)，通過(guò)對(duì)紋理特征的直接分類評(píng)價(jià)來(lái)判斷紋理特征提取的優(yōu)劣差異，不同窗口大小下的紋理特征的分類精度見(jiàn)圖5。

從圖5可以看出，窗口大小為15時(shí)，對(duì)紋理特征進(jìn)行分類能夠取得最大的精度，所以我們最終采用的窗口大小為15。試驗(yàn)中θ取0°、45°、90°、135°這4個(gè)方向，d取1，窗口大小取15×15，計(jì)算影像灰度共生矩陣?；诨叶裙采仃囂崛×藢?duì)比度、差異性、熵、方差、勻質(zhì)性、二階距6個(gè)特征，GLCM提取的紋理特征見(jiàn)圖6。

從圖6可以看出，在對(duì)比度、差異性、熵、方差4個(gè)特征圖上茶園區(qū)域相比于其他地物類別顯示為暗色，而在勻質(zhì)性、二階矩2個(gè)特征圖上茶園區(qū)域相比于其他地物類別顯示為亮色，與前4個(gè)特征圖剛好相反。因此，為了增強(qiáng)茶園和其他地物類別差異的對(duì)比度，將前4個(gè)特征相加然后減去后2個(gè)特征構(gòu)建新的灰度共生紋理GLCT（gray level co-occurrence texture）即GLCT=對(duì)比度+差異性+熵+方差-勻質(zhì)性-二階矩。

得到的GLCT紋理特征見(jiàn)圖7。

從圖7可以看出，茶園區(qū)呈現(xiàn)暗黑色，其他地物呈現(xiàn)亮白色，茶園和其他地物的差異得到增強(qiáng)。

3 結(jié)果與分析

3.1 樣本選擇

通過(guò)目視判讀和野外調(diào)查， 將研究區(qū)域內(nèi)的地物分為茶園和其他2個(gè)類別;然后隨機(jī)選取訓(xùn)練和測(cè)試樣本，樣本分布見(jiàn)圖8，樣本數(shù)量見(jiàn)表1。

3.2 分類結(jié)果

采用基于機(jī)器學(xué)習(xí)的支持向量機(jī)分類方法對(duì)研究區(qū)影像進(jìn)行分類，為了驗(yàn)證紋理特征對(duì)分類精度的影響，本研究運(yùn)用2種方案對(duì)研究區(qū)影像進(jìn)行分類。

方案1：僅利用光譜特征（原始波段+光譜特征）訓(xùn)練支持向量機(jī)，采用SVM分類方法對(duì)影像進(jìn)行分類。

方案2：結(jié)合光譜特征和紋理特征（原始波段+光譜特 征+ 紋理特征）訓(xùn)練支持向量機(jī)，采用SVM分類方法對(duì)影像進(jìn)行分類。2種方案分類的結(jié)果見(jiàn)圖9。

從圖9-a可以看出，分類結(jié)果有許多零碎的小斑塊，而這些小斑塊基本是稀疏的茶園，可見(jiàn)僅利用光譜信息的分類存在著相當(dāng)多把茶園錯(cuò)分為其他類的現(xiàn)象;而居民區(qū)則分得過(guò)于零碎也存在少量的漏分現(xiàn)象。結(jié)合紋理的分類結(jié)果則較好地避免了錯(cuò)分和漏分現(xiàn)象（圖9-b）。

3.3 精度評(píng)價(jià)

采用整體分類精度（overall accuracy，簡(jiǎn)稱OA）、Kappa系數(shù)以及生產(chǎn)者精度（Prod Acc）和用戶精度（User Acc）等評(píng)價(jià)指標(biāo)比較了2種方案分類的效果。分類精度見(jiàn)表2。

通過(guò)對(duì)比方案1和方案2可以看出，結(jié)合紋理信息能顯著地提高分類結(jié)果，相比于僅依賴光譜信息的分類結(jié)果在總體精度上提高了10.2百分點(diǎn);在Kappa系數(shù)上提高了0.13;結(jié)果表明，紋理信息對(duì)提高茶園分類精度的重要性，證明本研究所采用方法的有效性。

4 結(jié)語(yǔ)

本研究針對(duì)高分辨率遙感影像空間信息豐富的特征，發(fā)展一種適合于高分二號(hào)影像茶園種植區(qū)的提取方法。該方法利用現(xiàn)有光譜指數(shù)NDVI和MNDVI構(gòu)建新的光譜特征DNDVI來(lái)提取茶園光譜信息;利用灰度共生矩陣構(gòu)建新的紋理特征GLCT來(lái)提取茶園紋理特征，然后基于支持向量機(jī)結(jié)合光譜和紋理信息對(duì)茶園種植區(qū)進(jìn)行提取。采用2種方案（原始波段+光譜特征，原始波段+光譜特征+紋理特征）對(duì)影像進(jìn)行分類，得到以下結(jié)論：（1）結(jié)合紋理特征的茶園提取的總體精度為89.8%，Kappa系數(shù)為0.788;相比于僅依賴光譜信息的分類結(jié)果在總體精度上提高了10.2百分點(diǎn);在Kappa系數(shù)上提高了0.13。（2）紋理信息對(duì)于高分辨率遙感影像的分類相當(dāng)重要，結(jié)合紋理信息能顯著地提高高分辨率遙感影像的分類精度。（3）本研究方法能較好地實(shí)現(xiàn)對(duì)高分二號(hào)影像茶園種植區(qū)的分類提取。

參考文獻(xiàn)：

[1]徐偉燕，孫 睿，金志鳳. 基于資源三號(hào)衛(wèi)星影像的茶樹(shù)種植區(qū)提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32（增刊1）：161-168.

[2]Rajapakse R S，Tripathi N K，Honda K. Spectral characterization and LAI modelling for the tea[Camellia sinensis （L.） O.Kuntze]canopy[J]. International Journal of Remote Sensing，2002，23（18）：3569-3577.

[3]黃 昕，張良培，李平湘. 融合形狀和光譜的高空間分辨率遙感影像分類[J]. 遙感學(xué)報(bào)，2007，11（2）：193-200.

[4]Pena-Barragan J M，Ngugi M K，Plant R E. Object-based crop identification using multiple vegetation indices，textural features and crop phenology[J]. Remote Sensing of Environment，2011，115（6）：1301-1316.

[5]陳 云，戴錦芳，李俊杰. 基于影像多種特征的CART決策樹(shù)分類方法及其應(yīng)用[J]. 地理與地理信息科學(xué)，2008，24（2）：33-36.

[6]Mallinis G，KoutsiasN，Tsakiri-Strati M A. Object-based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2008，63（2）：237-250.

[7]楊紅衛(wèi)，童小華. 高分辨率影像的橡膠林分布信息提取[J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2014，39（4）：411-416，421.

[8]林 楠，姜琦剛，楊佳佳，等. 基于資源一號(hào)02C高分辨率數(shù)據(jù)的農(nóng)業(yè)區(qū)土地利用分類[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46（1）：278-284.

[9]佃袁勇，楊 光，方圣輝. 傅里葉譜紋理和光譜信息結(jié)合的高分辨率遙感影像地表覆蓋分類[J]. 武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2017（3）：362-368.

[10]胡華龍，吳 冰，黃邵美. 結(jié)合Gabor紋理與幾何特征的高分辨率遙感影像城區(qū)道路提取方法[J]. 測(cè)繪科學(xué)技術(shù)學(xué)報(bào)，2015，32（4）：395-400.

[11]韓叢叢，逄杰武，吳泉源，等. TM影像中居民地提取的決策樹(shù)方法研究——以煙臺(tái)市為例[J]. 遙感信息，2007（6）：73-76.

[12]Li M，Zhao G X，Qin Y W. Extracton and monitoring of cotton area，growth information using remote sensing at small scale：a case study in Dingzhuang town of Guangrao county，China[C]//International Conference on Computer Distributed Control and Intelligent Environmental Monitoring，2011：816-823.

[13]王周龍，馮學(xué)智，劉曉枚，等. 秦淮河丘陵地區(qū)土地利用遙感信息提取及制圖[J]. 遙感學(xué)報(bào)，2003，7（2）：131-135.

[14]薄 華，馬縛龍，焦李成. 圖像紋理的灰度共生矩陣計(jì)算問(wèn)題的分析[J]. 電子學(xué)報(bào)，2006，34（1）：155-158，134.

[15]張 鑫，魏海坤. 基于灰度共生矩陣的旋轉(zhuǎn)不變性改進(jìn)算法[J]. 工業(yè)控制計(jì)算機(jī)，2016，29（6）：115-117.