李利红，张华国，厉冬玲，史爱琴，王小珍

（卫星海洋环境动力学国家重点实验室，国家海洋局 第二海洋研究所，浙江 杭州 310012）

0 引言

基于像元光谱的传统遥感影像分类方法，可根据在分类过程中人为参与程度被分为监督分类法和非监督分类法。不论是监督分类还是非监督分类，都是利用离散像元光谱值的各种统计量与标准地物类别对应光谱统计量间的差异来判定像元类别的归属。但是地物的光谱特性受多种因素的影响，会随着时间、空间而发生变化，极易出现“同物异谱”和“异物同谱”现象。因此，如果简单地仅依据地物的光谱差异来区分地物，就很容易造成对地物的错分。考虑到不同地物具有不同尺度特性和纹理特征（亮度、色彩、形状和大小等），结合多尺度地物纹理进行影像的分类已逐渐引起学者们的兴趣，许多研究者利用不同的影像数据进行相关研究，并取得了较好的分类结果。宋翠玉等［1］以北京市1989和1999年的Landsat TM影像为数据源，利用多尺度纹理和光谱信息进行最大似然分类，在此基础上对北京市1989—1999年城市扩张进行了监测，通过分析发现，加入纹理信息对区分城区道路与村庄有很好的效果。马德锋等［2］以2004年西北阿尔金山脉的Landsat TM影像为数据源，在获得纹理影像的基础上比较分析了单尺度纹理与多尺度纹理结合光谱信息分类的精度差异，发现加入多尺度纹理取得的分类效果比单尺度纹理的好。陈晨等［3］利用南京市栖霞区的IKONOS影像，在获取不同纹理指数影像的基础上结合光谱信息进行分类实验，发现加入多尺度纹理信息不仅可以提高影像的分类精度，而且还能减弱影像分类过程中的椒盐效应。胡文元等［4］也做了类似的研究，并取得较好的分类效果。

本文针对海岛土地利用遥感分类的需求，以SPOT－5卫星遥感影像为数据源，研究基于多尺度纹理和光谱信息的遥感分类方法。通过对不同单尺度纹理指数影像结合光谱信息分类精度的比较分析，筛选出分类效果较好的最佳波段和最佳纹理指数。利用筛选出的最佳波段提取出多尺度最佳纹理指数影像，并结合光谱信息对影像进行分类。

1 基于多尺度纹理的分类方法

1.1 纹理指数的选取

地物的纹理信息是由复杂的视觉实体或各种因素组合而成的，如亮度、形状、粗糙度和大小等［5］，其本质是地物灰度级的空间分布及空间相关性在人的视觉上的表现。提取地物纹理特征的方法有3种［3］：统计法、句法结构法和模型法，其中尤以统计法中的灰度共生矩阵法最为成熟，最为广泛使用。

灰度共生矩阵每个矩阵元素描述的是在θ方向相隔一定像元距离d时，以灰度级i为始点，出现灰度级为j的概率被记为p（i，j，d，θ）［6］。由于灰度共生矩阵并不能直接进行纹理分析，因此在计算得到灰度共生矩阵的基础上，衍生出了许多可以定量分析、评价纹理的纹理指数，它包括角二阶矩、熵、对比度、相关性、同质性、均值和方差等。计算具体纹理指数的公式如下：

（1）角二阶矩（Angular second moment，简写为ASM）：又称“能量”，用来描述图像灰度分布的均匀程度，其值越大表示灰度分布越不均匀［6］：

（2）熵（Entropy）：用来表示纹理的复杂程度，其值越大表示纹理越复杂［6］：

（3）对比度（Contrast）：用来表示纹理的清晰程度，其值越大表示纹理的对比度越大，视觉效果越清晰［6］：

（4）相关性（Correlation）：用来衡量灰度共生矩阵元素在行的方向或列的方向的相似程度［6］：

其中：

（5）同质性（Homogeneity）：又称逆差矩，用来反映图像纹理的同质性，其值越大表示局部纹理越均匀［6］：

（6）均值（Average）：用来表示移动计算窗口中灰度的平均值水平［6］：

（7）方差（Variance）：用来表示纹理的周期，其值越大表示纹理的周期越大［6］：

其中：

上述纹理指数计算表达式中，i和j均表示灰度级；l表示移动计算窗口影像生成的灰度共生矩阵的维数，即相异的灰度级个数；p（i，j，d，θ）表示灰度共生矩阵中的元素，即在θ方向相隔一定像元距离d时，以灰度级i为始点，出现灰度级为j的概率。

1.2 纹理指数的计算

根据灰度共生矩阵原理及纹理指数计算公式，编制了纹理指数影像计算软件模块，提取纹理指数。提取纹理指数的流程如下：（1）读入遥感影像数据；（2）确定计算纹理指数的波段；（3）确定移动计算窗口的大小、移动方向和移动距离；（4）确定要计算的某一纹理指数；（5）统计移动窗口内灰度值相异的像元个数，形成灰度共生矩阵；（6）利用所选纹理指数的计算公式，通过灰度共生矩阵计算求得窗口中心像元的纹理指数；（7）循环（5）至（6）直至计算完所有像元。

利用上述算法获得了0°，45°，90°和145°方向的角二阶矩、熵、对比度、相关性、同质性、均值和方差的纹理指数影像。通过统计不同计算方向得到的纹理指数影像的相关系数，发现不同计算方向计算结果的相关系数均在97%以上（表1），可见纹理计算方向对计算结果影响不大。因此本文在纹理计算过程中将偏移距离和偏移方向这2个参数保持固定不变（偏移距离为1个像元，偏移方向为45°）。

表1 第一波段不同计算方向均值纹理影像的相关性统计Tab.1 Correlation statics of different mean images from different angles in first band

采用上述方法，通过调整移动计算窗口的大小（分别为3×3、5×5、7×7、9×9、11×11），提取获得了不同尺度角二阶矩、熵、对比度、相关性、同质性、均值和方差的纹理指数影像，用于后续的分类比较。

2 实验数据与验证样本

本次实验数据采用2006年8月19日获取的西门岛SPOT－5多光谱遥感影像（图1a），其空间分辨率为10m，包含绿、红、近红外和短波红外4个波段。

验证参考数据是基于国家土地利用分类标准，参考2010年5月获取的WorldView－2高分辨率遥感影像和实地考察资料，对同期遥感图像通过目视解译获得的西门岛土地利用数据。西门岛土地利用类型划分为：养殖水面、坑塘水面、水田、旱地、有林地、其它园地、农村宅基地和特殊用地8类（图1b）。

图1 SPOT－5遥感影像（a）和土地利用目视解译结果（b）Fig.1 SPOT－5image（a）and land use visual interpretation results（b）

在本次实验中，选取了2套样本：第一套样本包含6 112个样点，作为最大似然监督分类的训练样本；第二套样本包含7 873个样点，作为验证样本用于精度分析。训练样本和验证样本的点数量统计见表2，样本的空间分布如图2所示（特殊用地主要指山间的小寺庙，由于其面积较小且数量单一，因此在后面的分析中将其归入有林地一类）。

3 结果与分析

3.1 基于像元光谱的影像分类

利用最大似然监督分类法及所选取的训练样本，进行土地利用分类，结果如图3所示。通过利用选取的验证样本对分类结果进行精度验证，误差矩阵如表3所示。结果表明，基于像元光谱信息的最大似然监督分类的总体精度为75.41%，Kappa系数为0.702 2。

表2 训练样本和验证样本的点数量Tab.2 The number of testing samples and verifying samples

图2 训练样本（a）和验证样本（b）的空间分布Fig.2 Testing samples（a）and verifying samples（b）spatial layout

分析误差矩阵，发现在7种土地利用类型中有林地和其它园地被错分的情况比较严重，其中有林地的1 054个像元，即41.98%的有林地被错分为其它园地，而其它园地的133个像元，即38.78%的其它园地被错分为有林地。通过分析西门岛的SPOT－5影像（图1a），发现该岛中部山区的有林地和岛屿东南部的其它园地两者的光谱十分相似，因此在基于像元光谱信息的监督分类结果中大面积的有林地被错分为其它园地（图3）。

表3 基于像元光谱信息分类结果的误差矩阵Tab.3 Error matrix based on the results of multispectral information classification

3.2 基于单尺度纹理的影像分类

图3 基于像元光谱信息的土地利用分类结果图Fig.3 Classification result based on multispectral information

利用灰度共生矩阵纹理算法，对SPOT－5遥感影像的每一个波段均提取了角二阶矩、熵、对比度、相关性、同质性、均值和方差的单尺度（3×3窗口）纹理指数影像。在此仅给出由第一波段计算所得的角二阶矩和熵的单尺度纹理指数影像图（图4）。

图4 第一波段计算所得的熵（a）和角二阶矩（b）的单尺度纹理指数影像Fig.4 Entropy texture image（a）and angular second moment texture image（b）based on the first band

将计算所得的单尺度纹理指数影像作为逻辑波段分别与原影像组合形成新的多波段影像。在此基础上利用训练样本和验证样本对新组合形成的影像进行监督分类和精度分析。每类纹理指数影像参与监督分类的精度统计如表4所示，其中第三波段均值单尺度纹理结合多光谱的总体分类精度最高，为77.59%；第一波段均值单尺度纹理结合多光谱的总体分类精度最低，为50.62%，两者的分类结果如图5所示。

图5 第三波段（a）和第一波段（b）的均值单尺度纹理监督分类结果Fig.5 Supervised classification result based on average texture from the third band（a）and the first band（b）

表4 单尺度纹理指数结合多光谱影像监督分类的精度统计Tab.4 Statistics of supervised classification accuracy based on single－scale texture combined multispectral information

从表4可以看出，与单纯基于光谱信息的监督分类精度（总体精度为75.41%，Kappa系数为0.702 2）相比，加入单尺度角二阶矩和方差纹理未能提高影像的分类精度，其中单尺度方差的加入反而大大降低了影像的分类精度；相反，由第一波段计算的熵、相关性和同质性纹理指数，由第二波段计算的相关性和同质性纹理指数，由第三波段计算的均值纹理指数和第四波段计算的同质性纹理指数的加入均能够有效地提高影像的分类精度。其中尤以第一波段和第二波段计算的相关性、同质性纹理，第三波段计算的均值纹理和第四波段计算的同质性纹理对分类精度的提高均有明显的效果。

不同的地物具有不同的尺度特性，因此仅考虑单一尺度对于精确提取不同地物类型似乎有不妥之处。考虑到不同地物的尺度依赖性，利用对提高分类精度有较明显效果的第一波段和第二波段计算的相关性和同质性纹理，第三波段计算的均值纹理和第四波段计算的同质性纹理指数影像进行多尺度纹理结合多光谱的最大似然监督分类实验。

3.3 基于多尺度纹理的影像分类

采用多尺度纹理指数计算模块，分别计算了5×5、7×7、9×9和11×11窗口4种尺度第一波段和第二波段的相关性和同质性纹理、第三波段的均值纹理和第四波段的同质性纹理指数影像。然后分别加入2，3，4和5种尺度组合的纹理指数影像，作为逻辑波段与原始影像组合形成新的多波段影像进行监督分类。不同多尺度纹理结合多光谱影像监督分类精度的评价结果如表5所示。

表5 多尺度纹理结合多光谱影像监督分类精度评价表Tab.5 Statistics of supervised classification accuracy based on multi－scale texture combined multispectral information

由表5可见，加入多尺度纹理指数可以较大幅度地提高影像的分类精度，其中以第一波段计算的相关性多尺度纹理指数参与分类所取得的精度提高为最多。依据表4和表5统计得出的最佳纹理指数对应单尺度和多尺度信息参与监督分类的精度变化曲线如图6所示。从图6中可以看出，不管是同质性、均值和相关性纹理指数，其中任何一种多尺度纹理指数的加入，都能显著提高影像分类的精度，而且随着尺度数目的增加，分类精度也逐渐提高，当尺度数量大于4个时，分类精度基本保持稳定。

图6 最佳纹理指数对应的尺度信息参与监督分类的总体精度变化曲线Fig.6 Accuracy changing curves of supervised classification of selected texture indices under different scales

6种纹理指数的5个尺度结合多光谱信息的分类结果如图7所示。通过比较图3、图5和图7发现，在分类中加入相关性、同质性和均值多尺度纹理指数均能在一定程度上将有林地和其它园地区分开，其中尤以相关性纹理指数分类效果最佳（图7a、图7c）。对于有林地而言，其纹理相似且分布面积较广，像元之间的相关性较强，因此随着计算尺度数量的增加，其相关性纹理指数值也随着增加，而混杂在其中的其它园地随着尺度数量的增加，其相关性纹理指数值却是减小的，因此多尺度相关性纹理指数的加入能有效地区分开有林地与掺杂在其间呈碎斑点分布的其它园地，从而提高了有林地的分类精度。但与此同时也发现，随着尺度数量的增加，有少部分植被覆盖度较低的有林地被错分为农村宅基地。

4 结论

单纯基于像元光谱的影像分类方法，面对“同物异谱”和“异物同谱”的现象很容易造成对地物的错分，而加入纹理信息等辅助信息能显著提高遥感影像的分类精度。

图7 5个尺度纹理指数结合多光谱信息的分类结果Fig.7 Classification results of five scales texture information combining with spectral information

本文以SPOT－5影像为数据源，利用灰度共生矩阵法计算了不同尺度下的不同纹理指数影像，将纹理指数影像作为逻辑波段添加到原始影像中形成新的多波段影像，在此基础上进行分类。通过对不同尺度的不同纹理指数参与监督分类所取得的分类精度的评价分析，得到以下几点认识：（1）与单纯基于像元光谱信息的监督分类相比，加入第一波段计算的熵、相关性和同质性单尺度纹理信息，加入第二波段计算的相关性和同质性单尺度纹理信息，加入第三波段计算的均值和第四波段计算的同质性单尺度纹理信息均能有效提高影像的分类精度，而单尺度角二阶矩和方差纹理指数的加入反而会降低分类精度。（2）相关性、同质性和均值等多尺度纹理信息结合光谱信息的监督分类较对应单尺度纹理结合光谱信息的分类能更有效地提高影像的分类精度，其中尤以加入第一波段计算的相关性多尺度纹理提高的幅度为最大，且随着尺度数量的增加，分类精度总体呈提高的趋势。

土地利用遥感分类方法的研究需进一步利用图像的形状、结构、相关布局等众多信息，与纹理和光谱信息一起尝试更多的除光谱以外的其它信息来提高影像地物的分类精度，开展面向对象的影像分类是当前和今后的研究热点之一［7－9］。

（References）：

［1］SONG Cui－yu，LI Pei－jun，YANG Feng－jie.Application of multiscale image texture to the detection of urban expansion［J］.Remote Sensing for Land ＆ Resources，2006，69（3）：27－42.宋翠玉，李培军，杨锋杰.运用多尺度图像纹理进行城市扩展变化检测［J］.国土资源遥感，2006，69（3）：27－42.

［2］MA De－feng，LI Pei－jun.The use of multiscale texture in image classification for lithologic mapping［J］.Acta Petrologica Sinica，2008，24（6）：1 425－1 430.马德锋，李培军.加入多尺度图像纹理的岩性分类［J］.岩石学报，2008，24（6）：1 425－1 430.

［3］CHEN Cheng，ZHANG You－jing.The classification of SVM based on the multi－scale texture information and spectral information［J］.Science of Surveying and Mapping，2009，34（1）：29－31.陈晨，张友静.基于多尺度纹理和光谱信息的SVM分类研究［J］.测绘科学，2009，34（1）：29－31.

［4］HU Wen－yuan，NIE Qian，HUANG Xiao－chuan.A method for classification of high spatial resolution remotely sensed images based on texture and spectral information［J］.Journal of Geomatics，2009，34（1）：16－17.胡文元，聂倩，黄小川.基于纹理和光谱信息的高分辨率遥感影像分类［J］.测绘信息与工程，2009，34（1）：16－17.

［5］LI Jin，WANG Xin，ZHANG Yuan.On relationship between texture features based on GLCM and tree measuring factors of pinus massoniana forest［J］.Journal of Zhejiang for SCI ＆ TECH，2010，30（3）：68－71.李进，王鑫，张园.灰度共生矩阵纹理特征与马尾松林测树因子关系初探［J］.浙江林业科技，2010，30（3）：68－71.

［6］HARLICK R M，SHANMUGAM K，DINSTEIN I H.Textual features for image classification［J］.IEEE Transactions on Systems，Man，and Cybernetics，1973，3（6）：610－621.

［7］CAO Bao，QIN Qi－ming，MA Hai－jian，et al.Application of object－oriented approach to SPOT－5image classification：A case study in Haidian District，Beijing City［J］.Geography Geo－information Science，2006，22（2）：46－49.曹宝，秦其明，马海建，等.面向对象方法在SPOT5遥感图像分类中的应用——以北京市海淀区为例［J］.地理与地理信息科学，2006，22（2）：46－49.

［8］ZHANG Jun，WANG Bao－shan，ZHANG Zhi－qiang.High spatial resolution remote sensing image classification based on object－oriented multi－features［J］.Journal of Geomatics，2010，35（3）：3－5.张俊，王宝山，张志强.面向对象的高空间分辨率影像分类研究［J］.测绘信息与工程，2010，35（3）：3－5.

［9］FAN Lei，CHENG Yong－zheng，WANG Lai－gang，et al.Estimation of winter wheat planting area using object－oriented method based on multi－scale segmentation［J］.Chinese Journal of Agricultural Resources and Regional Planning，2010，31（6）：44－51.范磊，程永政，王来刚，等.基于多尺度分割的面向对象分类方法提取冬小麦种植面积［J］.中国农业资源与区划，2010，31（6）：44－51.