洪澤湖濕地紋理特征參數分析

張樓香， 阮仁宗， 夏雙

(河海大學地球科學與工程學院，南京 210098)

洪澤湖濕地紋理特征參數分析

張樓香， 阮仁宗， 夏雙

(河海大學地球科學與工程學院，南京 210098)

應用紋理特征進行影像分類，關鍵在于紋理特征參數的確定。以洪澤湖濕地典型地區為研究對象，選擇灰度共生矩陣進行紋理特征計算，探討灰度共生矩陣窗口尺寸、移動步長、方向和紋理特征統計量對淡水湖泊濕地的區分能力；然后，利用紋理特征和地物光譜特征，結合決策樹方法對研究區濕地及其他主要地類進行分類，并通過混淆矩陣進行精度評價。結果表明： 研究區濕地分類中紋理特征的最佳窗口大小為3像元×3像元，方向為90°，步長為1個像元，紋理特征統計量組合為均值、熵和相關度；分類精度為83.24%，Kappa為0.788，其結果驗證了紋理特征參數選擇的科學性和合理性。

洪澤湖濕地；紋理特征；窗口尺寸；移動步長和方向；灰度共生矩陣

0 引言

濕地是地球的重要組成部分，在為人類提供各種資源的同時還調節著地球的生態環境。隨著城市建設的發展，濕地遭受著生態系統退化、面積縮小及水資源枯竭等嚴重威脅，因此對濕地進行動態監測是保護濕地的一項重要工作。紋理是一種重要的視覺線索，包含物體表面結構組織排列的重要信息及其與周圍環境的聯系，是物體表面共有的內在特征[1-2]。遙感圖像的紋理特征反映自然景觀和目標地物的空間結構，是進行目視判讀和計算機自動識別的基礎，在圖像分類和信息提取中得到了廣泛的應用[3-4]。

國內外學者的研究表明，輔以紋理信息進行濕地遙感圖像分類可以提高分類精度。Murray等[5]以澳大利亞赫德島濕地為例，利用紋理特征對研究區進行分類，精度得到很大提高；張礫[6]輔以紋理特征進行洪澤湖濕地信息提取，發現相對于僅僅利用光譜特征的分類，精度有了很大提高，但是紋理參數的選擇只遵循一般經驗。近年來，很多研究者探討了紋理分析中紋理尺度對圖像分類精度的影響。黃艷等[7]利用半變異函數分析確定紋理窗口大小，得到了較好的分類結果；侯群群等[8]分析了方向、距離、灰度級和窗口大小對彩色圖像紋理特征的影響，實現了基于灰度共生矩陣的彩色圖像紋理特征提取方法。目前，國內研究內陸湖泊濕地紋理特征參數對濕地信息提取影響的文獻還較少。

本文針對洪澤湖的濕地特征，選用基于灰度共生矩陣(gray level co-occurrence matrix,GLCM)的紋理特征提取方法，定量分析紋理特征統計值與灰度共生矩陣各參數間的相互關系，以及這種差異對于濕地區分能力的影響，為后期洪澤湖濕地分析奠定基礎。

1 研究區概況及數據預處理

1.1 研究區概況

洪澤湖是我國五大淡水湖之一，坐落于江蘇省西部。實驗區選在洪澤湖西岸的臨淮鎮附近(圖1)，位于E118°13′～118°31′，N33°11′～33°21′之間。該保護區是整個洪澤湖地區濕地生態系統保存最為完整的區域。區內濕地類型多種多樣且具有代表性，湖泊濕地的水生植物非常豐富。但在過去的20 a間，由于人類活動頻繁，保護區周圍的濕地遭受著破壞[9-11]。根據實地調查和參考濕地分類標準，本文將研究區內的地物類型分為養殖場、敞水區、挺水植物、沉水植物、浮水植物和裸地這6類。

1.2 數據源及其預處理

實驗選用洪澤湖2005年8月21日Landsat5 TM圖像、1∶10萬比例尺地形圖及植被分布圖等。首先對研究區TM圖像進行幾何糾正和配準，均方根誤差控制在0.5個像元內；其次，裁剪出實驗區；然后，為減少計算量，將圖像的第一主成分進行紋理特征提??；最后，將圖像壓縮為16個灰度級，并做直方圖均衡化處理，以減少因降低灰度級別對圖像清晰度產生的影響。實驗共選取4 620個樣本點，其中養殖場835個、養殖場1 126個、裸地450個、挺水植物658個、浮水植物879個以及沉水植物672個。

2 研究方法

圖像紋理特征分析的基本方法有3大類： 基于統計方法的紋理分析、基于結構方法的紋理分析和基于譜方法的紋理分析[12]。本文選取基于統計方法的灰度共生矩陣紋理分析，該方法主要描述影像各像元間灰度的空間相關性。

2.1 灰度共生矩陣分析

灰度共生矩陣反映了圖像灰度關于方向、相鄰間隔及變化幅度的綜合信息，可用來分析圖像像元和排列結構[13]。窗口大小、步長和方向是紋理分析中的重要參數，直接影響紋理特征提取結果。因此，選擇合適的參數對提取紋理特征具有重要作用。

灰度共生矩陣共有14個紋理特征參數。這些統計量可用于提取灰度共生矩陣所反映的紋理特征[1,14]，本文選擇其中的8個紋理特征變量，如表1所示。

表1 灰度共生矩陣的紋理特征描述Tab.1 Description of gray level co-occurrence matrix texture characteristics

①P(i,j)為灰度聯合矩陣中第i行j列的元素；n為像元值的最大值。

2.2 基于灰度共生矩陣的紋理參數分析

1)窗口尺寸的確定。窗口尺寸的合適程度是通過樣本類別間的分離度來衡量的[15]，一般采用杰弗里斯-馬修斯(Jefferies-Matusita，JM)距離作為類分離度的度量，其表達式為[16]

(1)

式中：p(X|Ki)為Ki類的條件概率密度；JM取值范圍為0～2.0，其值越高說明可分離程度越大，越能將地物區分開。通常認為當值大于1.9時分離度較好，小于1.9時分離度較差。

2)提取紋理方向。提取紋理的不同方向即建立灰度共生矩陣時的不同角度，反映了不同性質的紋理特征。0°和180°所對應的共生矩陣互為轉置，適合水平方向分布的紋理特征檢測；90°和270°對應的矩陣也同樣互為轉置，適合垂直方向分布的紋理特征檢測；45°,135°,225°和315°適合對角線方向分布的紋理特征檢測。本文選擇0°，45°，90°和135°這4個不同方向上的角度進行紋理特征提取。在尋求最合適角度時，可通過地物在4個角度特征量的相對變化率ρ來反映變化情況，即[17]

ρ=(xpos-xpre)/xpre,

(2)

式中：xpos為下一角度方向的特征值；xpre為上一角度方向的特征值。

3)步長和紋理特征統計量值的確定。在窗口和方向確定的基礎上，改變步長。根據不同步長下紋理特征參數統計量值的變化情況來選擇合適的步長值。在最佳窗口、方向及步長下得到各地物的紋理特征曲線圖，從曲線圖中比較各地物統計量的區別，選擇最能區分地物的紋理特征統計量。

3 結果及分析

3.1 窗口大小的確定

運用ENVI軟件獲取不同紋理尺度上地物的平均分離度JM距離，結果如表2所示。

表2 紋理特征圖像的平均分離度JM距離Tab.2 JM distance average divided degree of texture characteristics images

從表2可以看出，隨著紋理窗口大小的改變，各地物的平均可分性也隨之變化。總體來說，隨著窗口尺寸的不斷增大，地物的可分離程度也在增加，個別地物類型的分離程度有一定波動，但是波動幅度不大。當窗口尺寸為3像元×3像元時，6種地物之間的JM距離已大于1.9，之后在更大的窗口尺寸時地物之間的JM距離也都大于1.9。由于窗口尺寸的大小與計算紋理值的時間呈正比，因此選擇3像元×3像元窗口，這樣既能縮短計算紋理的時間，又可以得到較好的分離度。

3.2 紋理方向的確定

確定窗口尺寸后，計算不同方向上各地物的紋理特征統計值，得到如圖2所示的折線趨勢圖。

圖2 不同地物在不同方向上的紋理特征曲線Fig.2 Texture characteristic curves of different classes in different directions

從圖2可以看出，洪澤湖各類地物在4個方向上的紋理特征統計值的變化規律不同。其中均值和方差隨方向的變化基本保持不變，熵和角二階矩雖有變化，但變化幅度不大，說明這4種特征變量基本沒有方向性；均勻度、對比度、非相似性和相關度隨著方向變化較大，說明這4種特征變量有方向性，而挺水植物、沉水植物及浮水植物在這4種特征變量上只有微小差異、很難區分，因此需要通過計算這3種水生植物4個方向上的4種特征變量的相對變化率來確定最佳方向。通過計算可知，4種紋理特征變量的相對變化率的最大差值均出現在90°方向上，因此確定了均勻度、對比度、非相似性和相關度的方向為90°。由于均值、方差、熵和角二階矩在任何方向下的紋理特征值基本相似，因此可將這4種紋理特征的方向與均勻度、對比度、非相似性和相關度的方向都確定為90°。

3.3 紋理步長的確定

洪澤湖濕地分類的關鍵在于區分3種水生植物，因此在確定紋理步長時，只對3種水生植物在步長1～5像元上的均勻度、對比度、非相似性和相關度變化進行討論。圖3反映了水生植物紋理特征參數隨步長增大的變化情況。

圖3 不同步長下水生植物的紋理特征曲線Fig.3 Texture characteristic curves of aquatic plants in different step size

從圖3可以看出，當步長變化時，4種紋理特征變量均受一定影響。具體表現為隨步長的增加，均勻性和相關度值呈下降趨勢，且下降幅度基本保持一致；對比度和非相似性則正好相反，隨步長的增加而增加，增加的幅度也基本一致。這說明隨步長的增加，不同地物之間的差異越來越大，均勻度值變小，對比度增大，地物的相似性和相關性也越來越小。因此認為步長為1時，紋理效果最好，計算的紋理特征變量具有較好的代表性，也易于計算。

3.4 紋理特征統計量的確定

為了選取最佳的紋理特征統計量參與分類，需要計算研究區所有地物的紋理特征值，得到各地物的紋理特征曲線如圖4所示。

圖4 各種地物的紋理特征曲線Fig.4 Texture curve of classes in study area

從圖4可以看出，各地物的均值和相關度差別最大，二者對研究區地物的區分度較高，其次各地物的熵之間差別雖不及均值和相關度的差別大，但仍有利于區分易混淆的地物。因此，本文選擇均值、相關度和熵這3種紋理特征統計量就可以較好地完成分類，并且大大減少計算量。通過上述分析，最終確定最佳窗口尺寸為3像元×3像元，方向為90°，步長為1個像元，紋理特征統計量組合為均值、熵和相關度。

3.5 圖像分類和精度評價

決策樹是一個典型的多級分類器，通常由一系列的二叉樹構成，揭示各類別之間的非線性關系和等級關系，具有可行性強、計算量小及簡潔直觀等特點，在遙感分類上有很大優勢[18-19]。

本文利用均值、熵和相關度這3個紋理特征統計量，結合地物光譜特征值，通過決策二叉樹進行分類，結果如圖5所示。

圖5 基于決策樹的濕地分類圖Fig.5 Classification of wetland based on decision tree

為驗證選取的紋理參數的正確性，本文選擇197個樣本點對分類結果進行精度驗證，生成的混淆矩陣如表3所示。

表3 基于決策樹的分類結果精度評價Tab.3 Classification accuracy assessment based on decision tree

從表3看出，影像的分類總精度為83.24%，Kappa達到了0.788，3種水生植物的用戶精度和制圖精度均大于85%，取得了較好的分類精度，因此也驗證了本文選取的最佳紋理參數是合適的，為后續洪澤湖濕地植被信息的提取奠定基礎。

4 結論

1)窗口大小在紋理特征分析中占有很重要的地位，直接影響著紋理的完整度和計算量。一般可以采用JM距離法來衡量窗口尺寸的合適程度。

2)方向對于不同的紋理特征具有不同的變化規律；地物的紋理粗細程度決定移動步長的大小。因此可通過分析不同方向和步長下的紋理特征值變化，來選擇合適的方向和步長。

3)通過分析和計算，本文最終確定最佳窗口大小為3像元×3像元，方向為90°，步長為1個像元，紋理特征統計量組合為均值、熵和相關度?；诖耍Y合決策樹方法，采用紋理特征對研究區濕地進行分類，得到了較高的分類精度，驗證了紋理特征參數選取的科學性和合理性，為后續洪澤湖濕地植被分析提供方法支持。

[1] Haralick R M.Statistical and structural approaches to texture[J].Proceedings of the IEEE,1979,67(5):786-804.

[2] 劉麗,匡綱要.圖像紋理特征提取方法綜述[J].中國圖象圖形學報,2009,14(4):622-635. Liu L,Kuang G Y.Overview of image textural feature extraction methods[J].Journal of Image and Graphics,2009,14(4):622-635.

[3] Zhang Y.Optimisation of building detection in satellite images by combining multispectral classification and texture filtering[J].ISPRS Journal of Photogrammetry and Remote Sensing,1999,54(1):50-60.

[4] Haralick R M,Shanmugam K,Dinstein I H.Textural features for image classification[J].IEEE Transactions on Systems,Man and Cybernetics,1973,SMC-3(6):610-621.

[5] Murray H,Lucieer A,Williams R.Texture-based classification of sub-Antarctic vegetation communities on Heard Island[J].International Journal of Applied Earth Observation and Geoinformation,2010,12(3):138-149.

[6] 張礫.輔以紋理特征的洪澤湖濕地信息提取[J].遙感信息,2010(3):30-34. Zhang L.Wetland information extraction combined with texture features[J].Remote Sensing Information,2010(3):30-34.

[7] 黃艷,張超,蘇偉,等.合理尺度紋理分析遙感影像分類方法研究[J].國土資源遙感,2008,20(4):14-17. Huang Y,Zhang C,Su W,et al.A study of the optimal scale texture analysis for remote sensing image classification[J].Remote Sensing for Land and Resources,2008,20(4):14-17.

[8] 侯群群,王飛,嚴麗.基于灰度共生矩陣的彩色遙感圖像紋理特征提取[J].國土資源遙感,2013,25(4):26-32. Hou Q Q,Wang F,Yan L.Extraction of color image texture feature based on gray-level co-occurrence matrix[J].Remote Sensing for Land and Resources,2013,25(4):26-32.

[9] 阮仁宗,夏雙,陳遠,等.1979—2006年洪澤湖西岸臨淮鎮附近湖泊變化研究[J].濕地科學,2012,10(3):344-349. Ruan R Z,Xia S,Chen Y,et al.Change of lake nearby Linhuai Town in west bank of Hongze Lake during 1979-2006[J].Wetland Science,2012,10(3):344-349.

[10]葉新霞,翟高勇,張煒.洪澤湖湖泊保護規劃研究[J].水利科技與經濟,2012,18(7):25-27,29. Ye X X,Zhai G Y,Zhang W.Research of the protection project of the Hongze River[J].Water Conservancy Science and Technology and Economy,2012,18(7):25-27,29.

[11]楊士建.洪澤湖濕地資源保護與可持續利用研究[J].重慶環境科學,2003,25(2):15-17. Yang S J.Study an protection and sustainable use of wetland around Hongze Lake[J].Chongqing Environmental Science,2003,25(2):15-17.

[12]姜青香,劉慧平,孔令彥.紋理分析方法在TM圖像信息提取中的應用[J].遙感信息,2003(4):24-27. Jiang Q X,Liu H P,Kong L Y.The application of texture analysis in TM image information extraction[J].Remote Sensing Information,2003(4):24-27.

[13]宋楊,萬幼川,陳鵬.基于GLCM的紋理特征量在TM6熱紅外波段影像信息分析中的研究[J].遙感信息,2006(4):24-26. Song Y,Wan Y C,Chen P.Textural features analysis based on GLCM in TM thermal infrared remotely sensed images[J].Remote Sensing Information,2006(4):24-26.

[14]Rodriguez-Galiano V F,Chica-Olmo M,Abarca-Hernandez F,et al.Random forest classification of mediterranean land cover using multi-seasonal imagery and multi-seasonal texture[J].Remote Sensing of Environment,2012,121:93-107.

[15]馬娜,胡云鋒,莊大方,等.基于最佳波段指數和J-M距離可分性的高光譜數據最佳波段組合選取研究——以環境小衛星高光譜數據在東莞市的應用為例[J].遙感技術與應用,2010,25(3):358-365. Ma N,Hu Y F,Zhuang D F,et al.Determination on the optimum band combination of HJ-1A hyperspectral data in the case region of Dongguan based on optimum index factor and J-M distance[J].Remote Sensing Technology and Application,2010,25(3):358-365.

[16]Theodoridis S,Koutroumbas K.Pattern Recognition[M].Beijing:China Machine Press,2003.

[17]魏錸,胡卓瑋.基于合成孔徑雷達影像的海洋溢油紋理特征參數分析[J].海洋學報,2013,35(1):94-103. Wei L,Hu Z W.Parameter analysis of texture feature in oil spill detection based on SAR[J].Acta Oceanologica Sinica,2013,35(1):94-103.

[18]李慧,余明.基于決策樹模型的濕地信息挖掘與結果分析[J].地理信息科學,2007,9(2):60-64,73. Li H,Yu M.Wetland information extraction based on decision tree model[J].Geo-Information Science,2007,9(2):60-64,73.

[19]那曉東,張樹清,孔博,等.基于決策樹方法的淡水沼澤濕地信息提取——以三江平原東北部為例[J].遙感技術與應用,2008,23(4):365-372. Na X D,Zhang S Q,Kong B,et al.The extraction of freshwater marsh wetland information based on decision tree algorithm:A case study in the northeast of the Sanjiang Plain[J].Remote Sensing Technology and Application,2008,23(4):365-372.

(責任編輯： 邢宇)

Parameter analysis of image texture of wetland in the Hongze Lake

ZHANG Louxiang, RUAN Renzong, XIA Shuang

(SchoolofEarthSciencesandEngineering,HohaiUniversity,Nanjing210098,China)

The determination of parameters for texture analysis is crucial to remote sensing image classification. In this paper, the Hongze Lake wetlands were taken as the study area and the texture was calculated based on gray level co-occurrence matrix. The effect of the window size, moving step and direction in computing texture upon the separability of freshwater lake wetlands was discussed. The classification of wetlands was carried out based on decision tree classification by using texture and spectral features. The classification accuracy was assessed based on error matrix. It is shown that the parameters of 3 pixel ×3 pixel in the direction of 90° are the optimal ones. Mean, entropy, correlation are used for the classification of wetlands in the study area. The classification accuracy is 83.24% withKappaof 0.788. The results show that the effect of texture parameters upon the classification of freshwater lake wetlands is significant.

Hongze Lake wetlands; textural characteristics; window size; moving step and direction; gray level co-occurrence matrix(GLCM)

2013-10-30；

2014-01-15

中國科學院戰略性先導科技專項項目(編號： XDA05050106)和生態十年專項項目(編號： STSN-01-05)共同資助。

10.6046/gtzyyg.2015.01.12

張樓香，阮仁宗，夏雙.洪澤湖濕地紋理特征參數分析[J].國土資源遙感,2015,27(1):75-80.(Zhang L X,Ruan R Z,Xia S.Parameter analysis of image texture of wetland in the Hongze Lake[J].Remote Sensing for Land and Resources,2015,27(1):75-80.)

TP 751.1

A

1001-070X(2015)01-0075-06

張樓香(1990-)，女，碩士研究生，主要從事遙感與GIS應用等方面的研究。Email: louxiangzhang@163.com。