聯合光譜和紋理特征的支持向量機灘涂分類方法研究

趙 亮，孟立軻，張 艷，馮伍法，張繼領，4

（1．61175部隊，江蘇南京210049；2．96656部隊，北京102208；3．信息工程大學地理空間信息學院，河南鄭州450052；4．68310部隊，陜西西安710600）

?

聯合光譜和紋理特征的支持向量機灘涂分類方法研究

趙 亮1，孟立軻2，張 艷3，馮伍法3，張繼領3，4

（1．61175部隊，江蘇南京210049；2．96656部隊，北京102208；3．信息工程大學地理空間信息學院，河南鄭州450052；4．68310部隊，陜西西安710600）

摘 要：灘涂作為海岸帶的重要組成部分，是重要的土地資源。針對遙感影像灘涂分類的提取，文中提出一種聯合光譜和紋理特征支持向量機（SVM）灘涂分類的方法。首先介紹紋理特征影像獲取方法，通過灰度共生矩陣分析得到灘涂紋理特征影像；然后將光譜影像與紋理影像疊加形成一幅多維特征影像，用SVM分類算法中的OAR分類器進行分類實驗，對分類結果進行實驗分析。實驗結果表明，該算法對提高海岸帶地理信息獲取能力，提升海洋遙感測繪信息化保障水平有積極意義。

關鍵詞：光譜特征；紋理特征；支持向量機；灘涂分類

灘涂，在地貌學上稱“潮間帶”，廣義上指潮間帶以及潮上帶和潮下帶所沉積的灘地［1－2］；而狹義則定義為沿海大潮高潮位與低潮位之間的潮浸地帶［3－4］。灘涂是海岸帶的重要組成部分和重要的后備土地資源，我國灘涂面積較大，北起遼寧鴨綠江口，南到廣西北侖河口。灘涂除了較高的經濟利用價值，還具有重要的軍事戰略地位。灘涂是從海戰場到陸戰場的過渡地段，是登陸作戰時的軍事要沖，其空間分布和屬性信息對登陸反登陸作戰、海防工事規劃設計等具有重要的影響。

灘涂多呈狹長的帶狀形狀，寬度變化無規律，在衛星遙感影像上的空間特征、光譜特征、紋理特征等受地理位置、海岸地形、潮汐特點以及影像獲取時間的影響很大。采用傳統的圖像分類提取技術自動獲取灘涂的空間分布信息和屬性信息難度較大，因此，必須在詳細分析沿海灘涂特征的基礎上，充分利用衛星遙感圖像上的各類灘涂特征，研究適合灘涂特點的分類和提取算法。

國外Joo－Hyung Ryu等基于不同波段的TM影像，對韓國Gomso灣淤泥質海岸進行了灘涂提取研究［5］。Keun－Hyung Choi等基于韓國西海岸中高分辨率遙感影像，采用光譜特征和形狀特征相結合的影像分割方法實現灘涂目標提取［6］。國內劉永學等基于Landsat7ETM＋遙感影像，通過統計分析各典型樣本的光譜特征，建立不同的判別規則以區分淤泥質潮灘地物［7］。付軍等提出了一種基于光譜和紋理特征融合的灘涂提取方法，首先提取海岸帶地物的光譜特征和紋理特征，然后利用神經網絡分類方法進行單獨分類，最后對基于兩種特征的分類結果進行融合和決策分析，得到最終的灘涂提取結果［8］。楊慧良等利用紋理特征分析進行灘涂提取，首先進行紋理特征值篩選，優選出5種最能體現海岸帶地物紋理信息的特征值，構建基于影像紋理特征的分類模型，然后利用神經網絡分類法實現基灘涂提取［9］。高燕等利用光譜、形狀和空間關系等特征，基于SPOT影像研究實現海岸帶地物的正確分類和海岸線的自動提取［10］。張榮華等基于機載激光雷達對灘涂測繪關鍵技術進行研究［11］。

各類研究結果表明，可靠地灘涂分類和提取需要綜合多類特征。本文將光譜特征和紋理特征引入灘涂分類提取，提出一種聯合光譜和紋理特征的支持向量機灘涂分類算法。首先介紹紋理影像的生成過程，然后研究聯合光譜和紋理特征的支持向量機灘涂分類算法，最后通過實驗驗證本文算法的有效性與可行性。

1　紋理影像的提取和生成

紋理影像是采用某種方法對原始影像法進行計算得到能表達原始影像紋理特征的影像。本文采用灰度共生矩陣法計算原始影像均值、變化量、均勻性和非相似度4個統計量描述紋理信息，并以此為基礎生成紋理特征影像。

灰度共生矩陣（Gray Level Co－occurrence Matrix，GLCM）由兩個位置像元的聯合概率密度來定義，其數學表達式如式（1）所示。

其意義為：若一幅影像水平方向有Nx個像素，垂直方向有Ny個像素，在影像中統計距離為d，方位角為θ，灰度分別為i，j的所有像元對的概率，記為P （i，j，d，θ）。

圖1顯示了基于灰度共生矩陣（GLCM）的紋理特征影像生成過程。多光譜影像R、G、B、NIR 4個波段同一灰度共生統計量的紋理特征影像具有相關性，但又各自含有用信息。為了提高后續計算效率又不損失有價值的信息，本文選取均值、變化量、非相似度和均勻性這4個灰度共生矩陣統計量，將多光譜影像每個波段生成的單波段紋理影像加和求取平均值，最后得到4幅紋理影像。

圖1　紋理特征影像生成原理圖

2　聯合光譜和紋理特征的支持向量機灘涂分類算法

算法首先利用灰度共生矩陣提取紋理影像，然后在眾多紋理影像中選擇最能體現灘涂和周邊地物紋理差異的影像，將這些紋理影像與原來的多光譜影像進行波段疊加，形成一幅結合了光譜特征和紋理特征的多維影像。最后，將支持向量機分類算法（SVM）引入到分類中，選擇支持向量機算法中的一對一和一對多分類器對這幅多維影像數據進行分類，得到最終的分類結果。

整個算法過程涉及到3個關鍵技術過程：分別是紋理特征影像提取，樣本選取和SVM參考學習以及最終分類決策規則的建立。在灘涂地物光譜和紋理特征分析的基礎上，從而得到最終的灘涂提取結果。算法流程圖如圖2所示。

紋理影像提取成功后，將這些紋理影像與原來的多光譜影像進行波段疊加，形成一幅結合了光譜特征和紋理特征的多維影像。針對多類分類問題，目前主要的多分類器構造方式有一對多法（OAR）、一對一法（OAO）、二叉樹法（binary tree，BT）和有向無環法（DAG），本文算法采用OAR分類器。

圖2　聯合光譜和紋理特征SVM分類方法技術流程圖

3　實驗與分析

本文的實驗數據如圖3所示，為國內某遙感衛星4波段的10 m分辨率多光譜影像，命名為沙灘－1，為典型的沙灘灘涂影像，試驗區位于遼寧省大連市。表1列出了樣本的基本采集信息。

圖3　沙灘－1多光譜遙感影像和樣本選擇情況

表1　樣本采集情況

圖4是對原始4個波段各紋理統計量求平均值得到的4幅紋理特征圖像。

圖4　四類單波段紋理特征影像

將這4幅紋理影像與原始的多光譜影像進行波段疊加，得到一幅既有光譜信息又有紋理信息的多波段影像。對該影像使用支持向量機算法進行分類，選擇高斯徑向積函數作為核函數，選用OAR分類器，實驗結果如圖5所示。

使用混淆矩陣對灘涂提取結果進行精度評估。混淆矩陣當中精度統計的單位是測試樣本通過分類器后的輸出值（類別）與測試樣本類別的比值，利用測試樣本統計分類精度。采用的評價因子為總體分類精度（被正確分類的像元總和除以總像元數）、使用精度（分類后的目標類別與地面真實參考資料一致的像元數所占的百分比）和生產精度（某一真實地面參考資料的檢驗點，被正確分類的像元數所占的百分比），結果如表2所示。

圖5　灘涂分類實驗結果

表2　精度評價結果

表中數字是指測試樣本中像素個數，而不是整個影像的像素個數。從表2可以看出，本次實驗總體分類精度達到92．37%，灘涂生產精度達到72．73%，灘涂使用精度達到94．14%，實驗結果較為理想，滿足實際應用及進一步研究的要求。

4　結 論

灘涂具有光譜信息綜合的特點，周邊地物干擾較多，單純基于光譜特征的灘涂分類提取算法精度不高。遙感影像中灘涂及周邊地物具有不同的形狀和表面，反映在圖像上為不同粗糙度和方向的紋理。本文提出的聯合光譜和紋理特征的分類方法能克服單純依靠光譜特征分類方法的缺點，較好地將光譜特征較為接近的地物區分開來。該方法的總體分類精度達到92．37%，灘涂生成精度和使用精度分別達到72．73%和94．14%。該方法也存在不足之處，灰度共生矩陣計算較為繁瑣，對聯合光譜和紋理特征后的多波段影像分類計算需要較長時間，還有待下一步繼續完善。

參考文獻：

［1］ 張榮華，林昀．基于機載激光雷達的灘涂測繪關鍵技術研究［J］．測繪工程，2015，24（1）：33－35．

［2］ 中國地理學會海洋地理專業委員會．中國海洋地理［M］．北京：科學出版社，1996：130－131．

［3］ 朱大奎．中國海涂資源的開發利用問題［J］．地理科學，1986，6（1）：34－40．

［4］ 陳永文，劉君德，李天任．中國國土資源及區域開發［M］．上海：上海科學技術版社，1989．

［5］ RYU Joo－Hyung，NA Young－Ho，WON Joong－Sun，et al．A critical grain size for Landsat ETM＋into investigations intertidal sediments：a case study of the Gomso tidal fiats，Korea．Estuarine，Coastal and Shelf－Science，2004，60（1）：491－502．

［6］ CHOI Keun－Hyung，LEE Sung－Mi，LIM Sang－Min，et al．Benthic habitat quality change as measured by macroinfauna community in a tidal flat on the west coast ofKorea［J］．Journal of Oceanography，2010，66（3）：307－317．

［7］ 劉永學，張忍順，李滿春．江蘇淤泥質潮灘地物信息遙感提取方法研究［J］．海洋科學進展，2004，22（2）：210－214．

［8］ 付軍，谷東起．基于光譜與紋理特征融合的灘涂信息提取方法［J］．海洋環境科學，2008，27（10）：405－408．

［9］ 楊慧良，付軍，谷東起．紋理分析方法在海岸帶地物分類中的應用［J］．海洋科學進展，2011，29（4）：196－204．

［10］高燕，周成虎，蘇奮振，等．基于多特征的人工海岸線提取方法［J］．測繪工程，2014，23（5）：1－5．

［11］張榮華，林昀．基于機載激光雷達的灘涂測繪關鍵技術研究［J］．測繪工程，2015，24（1）：33－35．

［責任編輯：王文福］

Research on joint spectral and texture features SVM tidal classification and extraction algorithm

ZHAO Liang1，MENG Like2，ZHANG Yan3，FENG Wufa3，ZHANG Jiling3，4

（1．Troops 61175，Nanjing 210049，China；2．Troops 96656，Beijing 102208，China；3．College of Geospatial Information，Information Engineering University，Zhengzhou 450052，China；4．Troops 68310，Xi’an 710600，China）

Abstract：As a main part of the beach coastal zone，tidal land is an important land resource．In this paper，study is made on remote sensing image tidal land classification and extraction technology，and a tidal land SVM classification method combining the spectral and texture features is proposed．Firstly，the texture image acquisition method is introduced，then tidal land texture image is obtained by GLCM analysis，subsequently a multi－dimensional feature image is generated by superimposing the spectral image and the texture image together，finally the SVM classification algorithm with OAR classifier is chosen for classification．Experimental results demonstrate the algorithm is significant for enhancing coastal geographic information access capabilities and lifting the marine remote sensing surveying and mapping level．

Key words：spectral feature；texture feature；support vector machine；tidal land

作者簡介：趙 亮（1978－），男，工程師．

收稿日期：2014－09－20；修回日期：2015－05－21

中圖分類號：P237；P931．1

文獻標識碼：A

文章編號：1006－7949（2016）01－0043－04