赵 巍，崔淑梅，吴 锐，刘家锋

(1.哈尔滨工业大学计算机科学与技术学院，150001哈尔滨;2.哈尔滨工业大学电气工程及自动化学院，150001哈尔滨)

源于灰度共生矩阵(Gray Level Co-occurrence Matrix，GLCM)的纹理特征30多年前已被证明其在分析和辨识遥感影像多种不同地物方面具有有效性［1-2］.近年来研究者［3］发现对卫星图像分类过程中采用纹理特征是克服光谱分析缺失的有效措施.如今遥感图像研究者［4-7］正以各种方式使用并改善着纹理这一经典的、可塑性高的遥感数据基元描述工具.

目前针对遥感数据的处理通常是对原始图像提取边缘、纹理等基本几何元素或特征.多/高光谱遥感数据的同源同点多幅图像同时获取的性质使其具有非常丰富的协同数据可利用;同时，分析遥感图像数据的有效特征可能就是获取图像时所设定的多个光谱的波长或波长范围［8］，因此研究者［9］对纹理等图像特征的提取很早就开始向多维化、立体化的方向发展.但目前的解译方法仍缺乏充分挖掘影像各种空间特征和地物其他属性特征等方面的探索［10-11］.文献［9］在进行纹理变换和分析时采用通道信息组合的方式计算3×3像素窗的中心像素点的局部属性，认为多通道信息融合对边缘检测和图像增强的效果要好于在地物主题映射的效果.Mounir等［12］从16个子波段、3个通道中分别抽取熵、纹理均值、3阶矩、4阶矩和能量5个参数组成特征向量.这种纹理特征构造方法可以增加信息量并提高分类的精度［13］.此外，采用……