高分遙感影像紋理特征分析方法淺析

張宗海

【摘 要】本文開展了高分遙感影像紋理特征分析方法的研究。首先利用不同尺度、不同方向的Gabor濾波器，對遙感影像進行濾波處理；再對所提取的濾波結果進行低通濾波；最后利用K-Means對上一步的結果進行聚類分析。在實驗部分，利用一景Rapideye高分遙感影像開展了紋理特征分類，結果說明，本文方法可以很好地區分村莊、農田等不同紋理特征的區域。本文對遙感影像自動解譯算法的設計具有一定的參考價值。

【關鍵詞】高分遙感影像 紋理特征 聚類分析

1 引言

航空遙感測繪需要處理大量的遙感影像數據。傳統的人工解譯方法是十分耗時耗力的。因此，設計準確、高效、自動的遙感影像解譯算法是非常必要的。高分遙感影像解譯算法需要不同種類的特征進行輸入，以提高地物分類、目標探測的精度。高分遙感影像的紋理特征是重要的信息，它描述了組成地物的像素在空間域和光譜域的統計特征。雖然目前存在較多有關提取圖像紋理特征的方法，但對于高分遙感影像，紋理特征方法提取主要包含兩種：基于灰度共生矩陣的（由Haralick提出）以及基于Gabor濾波的。本文主要利用后者來開展紋理特征提取方法的研究。

2 基于Gabor濾波的紋理特征提取方法

本文方法的流程圖如圖1所示。顯然，本文的高分遙感影像提取算法包含三個步驟：（1）Gabor濾波；（2）低通濾波；（3）K-Means聚類分析。

在高分遙感影像中，不同的地物往往包含多種尺度和方向的紋理特征，因此需要多個尺度和方向參數來計算Gabor核函數。Gabor核函數的個數等于Nθ·log（Nw/2），其中Nθ是濾波器方向的個數，Nw是待處理影像的寬度。對于一景寬度為256像素的遙感影像，如果采用了8個方向（每個方向的間隔大小是為π/8），那么共需56個濾波器。

在步驟（2）中，要對各個波段的紋理特征量進行平滑濾波。這一步的目的是為了增強Gabor濾波結果中不同紋理特征的對比度信息。本文采用了Gauss低通濾波的方法來完成這一步驟。所選用的Gauss低通濾波器的尺度參數需要根據具體高分影像數據來進行調整。

步驟（3）是利用K-Means聚類算法對紋理特征進行分類。很多遙感影像處理軟件都提供了該算法的模塊。本文采用了ENVI軟件中的K-Means來完成步驟（3）。

3 實驗

為了測試本文紋理特征方法的效果，選取了一景Rapideye高分遙感影像來進行紋理特征分類。Rapideye是德國商用的高分多光譜遙感衛星，于2008年8月29日成功發射升空。該衛星每日的覆蓋面積可以達到400多萬平方公里，因此在15天內就可完成對整個中國的觀測。它的一個突出特點是，除了藍色、綠色、紅色、近紅外波段外，還提供了紅邊波段，以提供更為豐富的光譜信息。本文所采用的影像是2013年3月3日獲取的，中心經緯度為：36.74898612°N，116.67967182°E。地面分辨率為5米。

在實驗中，首先對實驗影像（400×400像素）的5個波段進行Gabor濾波，每個波段都需要6個尺度、6個方向的濾波運算，因此紋理特征數目為：5×6×6=180。對紋理特征進行Gauss低通濾波后，就可利用K-Means進行分類計算了。根據目視解譯，發現該景影像（圖2a）主要包含了5種地物，因此K-Means的類別個數參數被設置為5。圖2b展示了分類結果。由于采用的紋理特征較多，因此運算速度較慢，但不難看出，分類精度是較為令人滿意的，建筑物、有植被的農田以及裸露的土壤都被較好的區分開，這得益于紋理特征的貢獻。

4 結語

本文探索了基于Gabor濾波的高分遙感影像紋理特征分類方法。利用一景Rapideye高分遙感影像開展了紋理分類實驗，發現本文方法可以較好地區分不同紋理的地物。在實現過程中，發現本文方法運算速度較慢，可在后續研究中利用PCA（Primary Component Analysis）對提取的紋理特征降維，以提高運算速度。