刘心云 ，郑江华

(1. 中山大学地球科学与地质工程学院，广东 广州 510275;2. 新疆大学 干旱生态环境研究所, 新疆 乌鲁木齐 830002;3. 新疆大学教育部绿洲生态重点实验室, 新疆 乌鲁木齐 830000)

遥感技术(RS)结合 GIS和 GPS 已被广泛用于农作物的面积监测与估产[1-5]。2005 年，全国中药资源普查方案设计首次正式引入以遥感技术为代表3S技术[6]。遥感技术在估算中草药资源面积、产量及蕴藏量方面的有效性，推动了遥感技术在中草药资源普查中的应用[7-12]。

早期研究主要是使用遥感影像的光谱识别技术进行分类。然而随着遥感影像的空间分辨率不断提高,对地物细节的表现能力以及像元间的空间相关性不断加强,许多研究者发现地物的光谱信息受到多种因素的干扰,这限制了基于单个像元的波谱分析在应用研究中的作用。因此遥感影像的结构特征——纹理信息的提取分析，对遥感影像分类识别有着举足轻重的作用。近年来，国内外学者对分形理论的算法和应用研究较多[13-14]，将分形理论和分形维数应用到图像处理的各个方面[15-17]，对不同方法提取的纹理特征在图像分类中应用效果进行比较[9，18-23]，取得了许多有应用价值的研究成果，为图像处理技术探索到了新的研究思路[24-26]。

对于药用植物而言，周边较多植被的反射光谱与之相近，容易产生混淆[13]，如果能够合理的利用纹理特征，那么将会给遥感影像的分类精度带来很大的提高[15]。本文采用分形中的双毯覆盖模型法和灰度共生矩阵方法提取Worldview-2高分影像的纹理特征，结合光谱信息对遥感影像采用最大似然法监督分类，对新疆典型野生药用植物罗布麻的分类结果进行对比分析。

1 研究数据

1.1 研究样本概况

罗布麻(Apocynumvenetum)是西北地区最具特色的一种纤维植物，也是一种药理作用很好的中药材(如图1)，广泛分布于新疆天山南部沙漠中。罗布麻适宜生长在轻盐碱荒漠地或河岸、山沟、山坡的沙质地上，根系发达，并且水源消耗少，维护成本低，一经种植成活，每年萌发新株，连绵不断，是改善局域环境最好的生态植物。研究区为阿勒泰阿拉哈克乡(如图2)，位于新疆最北部的阿尔泰山南麓，占地面积约为2 095 km2，位于东经85°31′73″-91°01′15″、北纬45°00′00″-49°10′45″。阿勒泰市境内气候属北温带大陆性气候，年平均气温4.5 ℃，年均降水量约191 mm，年均蒸发量约1 683 mm，年均无霜期146 d，具有四季分明的特点。

阿勒泰是罗布麻主产地，该区域生长的罗布麻群落主要由芦苇、柽柳、甘草、黑果枸杞骆驼刺等半生植物建群。阿勒泰阿拉哈克乡戈宝红麻公司对核心区盐湖连片生长的100多hm2野生罗布红麻地实施封育禁牧，建立了阿拉哈克乡盐湖罗布红麻保护区；另外，与盐湖有一定距离范围内有零星分布的罗布麻；人工仿生罗布麻分布在盐湖东北方向罗布麻人工种植区。图2为研究区分布图及3D地形图。

图1 罗布麻Fig.1 Apocynum venetum.

图2 阿勒泰阿拉哈克乡研究区Fig.2 The study area of Altay Alahake

1.2 卫星影像数据源与预处理

1.2.1影像数据简介 综合考虑数据的分辨率、获取影像的可能性及质量、罗布麻的物候期等多方面因素，对阿勒泰地区阿拉哈克乡罗布麻普查采用的是美国的Worldview-2高分卫星影像，该影像全色波段分辨率为0.5 m，影像数据具有8个波段，除了4个业内标准波段外(蓝、绿、红、近红)，还包括4个彩色波段：海岸波段(400-450 nm)、黄色波段(585-625 nm)、红色边缘波段(705-745 nm)、近红外2波段(860-1 040 nm)。

结合阿勒泰阿拉哈克乡罗布麻物候期，每年的6-7月是罗布麻的盛开期，在盛开期的罗布麻与地面其他物体反射能量之间的光谱差异最为明显，因此影像时间在 6-7月为最佳时间段。本文选择阿勒泰阿拉哈克乡2013年6月25日的Worldview-2影像，影像中心点坐标为47°41′6″N，87°31′59″E。

为了对最终分类精度的验证更准确，在同期2013年6月25日，正值罗布麻盛花期，研究小组对阿勒泰地区阿拉哈克乡进行野外实地勘查。根据已有经验，使用 GPS 抽取一定量的样区或样带，并对不同地物类型进行实地抽样调查。

1.2.2 影像预处理 首先使用ENVI4.7对遥感影像进行几何校正、图像增强、裁剪、融合等预处理。影像的辐射校正已在地面站完成，以0.5 m 空间分辨率的全色波段影像为基准，对多光谱影像做几何校正；将校正好的全色影像与1.8 m分辨率的多光谱影像进行融合(如图3)，然后利用 GIS 软件将 GPS 定位点的样地经纬度数据转换成与图像投影一致的shp文件，并在此基础上进行地面样点定位。依据获取的地面样点位置的遥感监测信息，结合地物光谱和纹理结构特征，目视解译结果显示，影像内包含的地物有罗布麻、裸地、其他作物及植物等类型。

图3 研究区多光谱与全色影像融合图 Fig.3 Fusion of multispectral and panchromatic images

2 研究方法

2.1 双毯覆盖模型

双毯覆盖模型是分形理论的方法之一，是Mandelbrot在估算英国海岸线长度值时所使用方法的一种推广[27]。

把遥感影像的灰度看作影像坐标的第3维，形成一个灰度曲面，在灰度曲面的上下ε距离处构成一个厚度为 2ε的“毯子”，毯子的表面积为毯子的体积除以 2ε。对于不同的ε，可用如下方法计算出分形表面积：

令f(i，j)代表灰度值函数，上表面和下表面分别用uε，bε表示，初始情况下， 令：

μ0(i,j)=b0(i,j)=f0(i,j)

(1)

上下2张曲面分别按如下原则生长：

ε=1,2,3...

(2)

ε=1,2,3...

(3)

其中d(i，j，m，n)为(i，j)与(m，n)两点间的距离。

则“毯子”的体积为

υε=∑i,j(με(i,j)-bε(i,j))

(4)

表面积为：

A(ε)=υε/2ε

(5)

由于分形表面积符合关系式：

A(ε)=Fε2-D

(6)

则：

lnA(ε)=c1lnε+c0

(7)

改变ε大小，就可以计算出一系列的lnA(ε)，再以最小二乘法对{ε,lnA(ε)}点对进行线性回归，可求出回归直线的斜率c1，通过直线斜率与分维数的关系c1=2-D，即可求出分形维数D[28]。

上述方法只能计算得到一个分形维数，要基于分形理论对遥感图像进行分类，需采用双毯覆盖模型法对影像中的每一个像元计算其分形维数，从而获得整幅实验影像的纹理特征[29-30]。

对于遥感图像来说角二阶矩、 相关性、对比度和熵 4 种灰度共生矩阵统计量效果较好[21]。以第一个像素为起点，将全色波段的影像按照从左到右、从上到下的顺序进行滑动操作,对计算出的灰度共生矩阵进行归一化，并将获得的特征值返回到窗口中心像素,提取出基于灰度共生矩阵的纹理特征图像[31-32]。本文在ENVI4.7环境下提取了像元间距为 1、灰度级量化为 16 级、选择 3×3 的窗口大小在4个方向上分别提取遥感影像全色波段的纹理特征图像(图4)。

2.2 结合纹理特征的遥感影像分类

为了对比分类效果，分别采用分形中的双毯覆盖模型方法与灰度共生矩阵法提取影像的纹理特征(图4、图5)，对原始多光谱影像、多光谱与全色融合影像、多光谱与分形纹理特征合并的影像、多光谱与灰度共生矩阵纹理特征合并的影像用最大似然的监督分类方法解译图像，对比分析罗布麻的分类结果和精度。如图6所示，是多光谱影像图、多光谱与全色影像融合图、多光谱和全色以及对比度融合的对比图(多光谱图像选取波段7、4、1)，从图中可明显看出，融合后的影像精度有所提高，为监督分类目视解译降低难度，提高最终分类的效果。

2.3 分类结果

分别对原始影像和基于分形纹理5×5窗口大小以及灰度共生矩阵纹理的融合影像进行分类实验，将实验影像包含的地物分为罗布麻，其他植被1，其他植被2和裸地 4 种类型，分类结果如图7所示。

同时，对基于分形中双毯覆盖模型的纹理特征提取，采用滑动领域操作进行实验。用不同尺寸的窗口提取纹理特征参与最大似然法分类时，分类效果也存在差异。如图8所示为不同大小窗口下分类的结果。

图4 基于灰度共生矩阵提取的影像纹理特征Fig.4 The texture features of gray level co-occurrence matrix- based images

图5 3种滑动窗口下提取的影像纹理特征Fig.5 Image texture features under 3 kinds of moving window

图6 影像融合前后对比图Fig.6 Image fusion contrast figure

图7 光谱+纹理特征的分类结果Fig.7 The classification of spectrum and texture feature

图8 不同滑动窗口大小下的纹理特征的分类结果Fig.8 The classification of texture features under different moving window

3 讨 论

3.1 纹理特征对比分析

从双毯覆盖模型法提取的纹理特征图像可以看出，裸地粗糙程度大，在特征图像上显示较亮；而植被的纹理相对平滑，颜色相对较暗；在不同地物的边界处纹理变化最大，在特征图像上最亮。表明双毯覆盖模型法提取的纹理特征能反映不同地物的复杂和粗糙程度,利用双毯法提取地物的纹理特征并加以区分是可行的[31]。

在采用不同尺寸的窗口时，提取的纹理效果差异显著，由7×7 窗口邻域提取的纹理特征图像最模糊，对图像细节处存在一定的误分,许多纹理细节并未表现出来；3×3窗口邻域提取的纹理特征图像效果比7×7 窗口好，能较好地反映罗布麻的分布情况，植被和裸地的边界特征也较为明显；5×5 窗口邻域提取的纹理特征图像最清晰，罗布麻及其他植被、裸地等不同地物边界的纹理结构表现良好。因此分类结果中采用60-100的尺度，5×5的窗口大小进行纹理特征图像的提取。基于灰度共生矩阵提取的纹理特征(图4)发现提取二阶统计量对比度(Contrast)的纹理特征效果较好，因此在本文中选取了对比度参与最大似然法的监督分类。结果表明，采用了基于滑动邻域的操作,当邻域范围过大时会造成边缘模糊效应,丢失纹理的细节特征。利用双毯法分形维数提取的遥感影像纹理特征对不同地物区域的总体轮廓有较好的区分,效果优于利用灰度共生矩阵法提取的纹理特征。

3.2 分类结果对比分析

对比分析图7的分类结果，可看出结合纹理特征分类后的实验效果有所提高。从图7中仅利用多光谱分类的结果图中可看到，较多植被光谱特征极为相似，因此，容易误分成罗布麻。结合多光谱和全色影像融合后的分类图像来看，罗布麻分类效果稍好，但不明显。引入基于GLCM 的纹理特征后，被误分的像元有所减少，效果相对较好。图8中可以看到，使用分形中双毯覆盖模型提取纹理特征后的分类结果被误分的像元更大程度地减少。对比这几个分类结果图可看出，将纹理特征与光谱特征相结合分类的效果相对于仅利用光谱分类的结果而言，误分有所减少。

以上仅是目视观察对比分析分类结果，要定量评价分类结果的精度，需要引入混淆矩阵，得到不同方法分类时的总体分类精度和 Kappa 系数，以及罗布麻的分类精度(表 1)。

针对基于分形双毯覆盖模型提取纹理特征参与分类的结果，本文选取了4种不同尺度的滑动窗口进行辅助分类，比较总体分类精度和 Kappa 系数，以及罗布麻的分类精度可以发现(表2)。

表1 总体分类精度、Kappa 系数、罗布麻精度Table 1 Overall classification accuracy, the Kappa coefficient, Apocynum precision

表2 不同滑动窗口下的总体分类精度、 Kappa 系数、罗布麻精度Table 2 Overall classification accuracy, the Kappa coefficient, Apocynum precision under different sliding window

1) 从全色与多光谱波段融合前后分类精度进行比较：融合后的Kappa 系数并未提高，总体分类精度较只用多光谱分类有所提高，但仅提高1.21%。

2) 从分形与灰度共生矩阵提取纹理信息对其分类结果进行比较：两种方式分类效果都不错，加入纹理特征后，相较于仅采用多光谱分类总体分类精度提高了 1.21%-8.63%，其中结合灰度共生矩阵纹理特征，总体分类精度比仅采用多光谱稍高，但效果却不非常明显，提高的精度为 3.36%-4.3%，Kappa 系数提高了 0.04。结合分形纹理特征提高的精度为 3.72%-8.63%，Kappa 系数提高了 0.06。可见对于Worldview-2影像结合分形纹理较灰度共生矩阵(GLCM) 纹理效果总体分类效果提高了大约两倍。

3) 从对罗布麻分类的精度比较：在引入分形纹理特征后的分类精度提高，并且精度高达99.96%，而引入灰度共生矩阵(GLCM)罗布麻精度却降低了0.12%，可见基于分形理论的双毯覆盖模型分类效果比灰度共生矩阵(GLCM)分类效果更显著，更适用Worldview-2罗布麻识别。

针对双毯覆盖模型中不同大小的滑动窗口分类精度进行比较：在 4 种不同滑动窗口下，结合分形中双毯覆盖模型纹理特征的总体分类精度相较于仅使用多光谱都有所提高，范围大约是在3.72%-8.63%。其中3×3 滑动窗口总体分类精度最高，达到95.84%，但相较于其他窗口大小对罗布麻的分类精度相对最低，这可能是由于纹理划分太细，导致信息冗余，而降低了分类精度；5×5 滑动窗口总体精度比3×3窗口降低了1.84%，比7×7，9×9滑动窗口提高了2.71%、3.07%，但罗布麻分类精度达到99.96%，相较于其他大小的滑动窗口最高；7×7和9×9滑动窗口的分类总体精度、Kappa 系数及罗布麻精度依次降低。罗布麻以单个植株成片分布，植株大约在1-4 m高。不同滑动窗口大小对其分类精度的影响除了与影响分辨率有关之外，可能也与罗布麻自身植株及冠层的大小、形态及分布有关。由此可知，在使用分形中的双毯覆盖模型提取Worldview-2影像纹理特征时，对于不同的研究对象，选择合适的滑动窗口将对之后的分类效果产生一定的影响。

4 结 论

以上分析表明，利用Worldview-2识别罗布麻分布情况是可行的，结合分形理论和传统的灰度共生矩阵提Worldview-2卫星遥感影像的纹理特征可从不同程度上提高总体分类精度，其中结合双毯覆盖模型提取的分形纹理特征与多光谱的分类结果，不仅能提高罗布麻总体分类精度和 Kappa 系数，而且识别罗布麻最完整、准确，提高罗布麻识别精度效果最显著。结果中也存在着一定的误差，误差的来源主要包括混合像元问题和周边地物影响，通过与实地堪查的样本资料比较，在罗布麻盛花期，研究区的油葵正值初花期，其光谱绿度与罗布麻相近，识别的结果还是存在一定程度的误判和漏判，但整体结果可靠。

致谢: 感谢中山大学王正海老师在本文成文过程中给出的宝贵意见及耐心指导，感谢瑞典国家测绘局郑淑丹女士在数据处理上的支持和建议！