（地图学与地理信息系统专业论文）地物多特征自动识别——以树种识别为例.pdf

论文摘要 物体的自动识别一直是图像处理和人工智能方面研究的热点。地物中树种的 识别在遥感图像精细识别领域一直是一个难点，不同的树种在遥感图像上仅仅表 现出非常细微的差异，这种差异源自色调、纹理和形状等多特征的复杂组合。为 此，本研究试验、比较、评价和筛选了目前较常用的遥感图像特征提取算法方 法，并进行了树种识别分类的试验。 本研究以1 ：5 0 0 0 彩红外航片为信息源，试验并编程实现的自动识别分类 方法包括：基于图像色调的直方图特征向量、颜色矩和区域色调标准差方法的树 种分类；基于图像纹理的灰度共生矩阵、灰度梯度共生矩阵、自相关函数模型、 分形纹理模型、灰度基元共生矩阵、小波变换纹理和傅里叶能量谱方法的树种分 类；基于边界形状的边界不变矩、边界走向壹方图、圆形度和矩形度方法的树种 分类等。并提出了各种方法使用中应注意的问题和对各自分类的精度进行了评 价。研究结果表明，对于类似树种这样的细微差异特征识别，多特征综合分析要 远远好于单纯使用色调、纹理或者边界中的某一种特征进行分类。 最后，还对多特征图像分类的发展方向和实际应用中应注意的问题进行了分 析。 关键词：多特征识别，遥感图像，树种 a b s t r a c t t h ea u t o m a t i cr e c o g n i 七i o no ft h eo b j e c ti sa l w a y so n eo ft h em o s t i n t e r e s t i n gt o p i c si nl m a g ep r o c e s s i n ga n da r t i f i c i a li n t e i i l g e n c e i nt h e p r o c e s s i n go fr e m o t es e n s i n gi n l a g et h et o p i ci sr e g a r d e da st h e a u t o m a t i cr e c o g n i t i o no ft h eo b j e c t so nt h ee a r t h i ti sv e r yd i f f i c u i tt o r e c o g n i z e 七h ed i f f e r e n c e sa m o n gt r e es p e c i e sa u t o m a t i c a ye v e no na h i g h r e s o l u t i o nr e m o t e l ys e n s e di m a g e i n s t e a do fr 色l y i n go no n l y s u c ha s i n g f es i g n a t u r e a sc o l o t e x 七u r e0 re d g es h a p e ，a n l u i t i s i g n a t u r ea n a i y z i n gm e t h o dh a sb e e nu s e di nt h et h e s i s s e v e r a lc o i o ri n f r ar i 邑da er | a li m a q e si nt h es c a l eo f1 ：5 0 0 0w e r e t a k e na st h ed a t ar e s o u r c e sa n dm a n ye i s t e da l g o r i t h m so f e x t r a c t i n gs i g n a t u r e so nar e m o t e l ys e n s e di m a g eh a v eb e e nt e s t e d ， c o m p a r e d ，e s 七i m a t e da n df i l t e r e df o rr e c o g n i z i n gt h o s ed i 仟e r e n c e si n t r e es p e c i e s t h e r ea r es o m eo ft h o s et e s 七e da 1 9 0 r i t h m sa st h e h i s t o g r a mc h a r a c t e rv e c 七o r s ，c 0 1 0 rm o m e n t sa n ds t a n d a r de r m ro ft h e r e g i o n 。sc 0 1 0 rv a i u eb a s e do nc o i o r ；t h eg r a yc o o c c u r r e n c em a t r i x ， g r a yg r a d i e n tc 0 一o c c u r r e n c em a t r i x ，a u t o c o r r e l a t i o nf u n c t i o nm o d e l ， f r a c t a it e x t u r em o d e i ，g r a yp r i m i t i v ec o - o c c u r r e n c em a t r i x ，w a v e i e t t r a n s f o r m a t i o n ，f o u r i e rt r a n s f o r m a t i o ne n e r g ys p e c t r u mb a s e do n t e x t u r e ；t h ee d g em o m e n t s ，e d g ed l r e c t i o nh i s t o g r a m ，c i r c u i a rd e g r e e a n dr e c t a n g u i a rd e g r e eb a s e do nt h ee d g es h a p eo ft r e es p e c i e s t h e nt h ec i a s s i f i c a t l o nr e s u i 七sa r ea n a l v z e da n ds o m en e w a d v i c e so nd f f e r e n ta l g o r i 七h m sa r ep r o p o s e d t h eo p i n i o nt h a t0 n i y u s eo n es i g n a t u r e ，n on l a t 七e rc o l o ro rt e x t u r eo re d g es h a p et 0 r e c o g n i z et h eu n k n o w no b j e c t s ， w o u l dg e tn oa c c u r a t er e s u i ti s p r o p o s e di nt h et h e s i st o o f u r 七h e r m o r e ， t h ed e v e i o p i n ga s p e c t s0 ft h em u i t i - s i g n a t u r e r e c o g n i 七i o n i nt h e p r o c e s s l n go fr e m o t es e n s i n gi n l a g ea n dt h e p r o b j e m sm a ya p p e a rw h e nm uj t j s j g n a t u r er e c o g n ；t i o nj su s e dj n d r a c t _ c ea r ed j s c u s s e dj nt h et h e s i st 0 0 。 k e yw 0 r d s ：卜1 u i t i 。s i g n a t u r e sr e c o g n i t i o n ，r e m o t e i ys e n s e di n l a g e ，t r e e s d e c i e s 学位论文独创性声明 本人所呈交的学位论文是我在导师的指导下进行的研究工 作及取得的研究成果。据我所知，除文中已经注明引用的内容外， 本论文不包含其他个人已经发表或撰写过的研究成果。对本文的 研究做出重要贡献的个人和集体，均已在文中作了明确说明并表 示谢意。 作者签名塑：塾1 3 日期： 学位论文授权使用声明 劲9 # 6 ，r 本人完全了解华东师范大学有关保留、使用学位论文的规定，学 校有权保留学位论文并向国家主管部门或其指定机构送交论文的电 子版和纸质版有权将学位论文用于非赢利目的的少量复制并允许论 文进入学校图书馆被查阅有权将学位论文的内容编入有关数据库进 行检索有权将学位论文的标题和摘要汇编出版。保密的学位论文在 解密后适用本规定 学位论文作者签名：基f 目j导师签名：) 司生、华 日期：2 塑6 ；：! 华东师范大学2 0 0 6 届硕士学位论文地物多特征自动识别以树种识别为例 第一章前言 1 1 研究背景及意义 随着科学技术的飞速进步，遥感技术不管从硬件，还是从软件上说都得到了 前所未有的发展。硬件包括遥感平台、传感器、遥感数据处理分析存储设备等； 软件主要是各种遥感数据处理方法和算法。遥感图像处理的特征之一是必须面对 海量数据；随着遥感技术硬件特别是高空间分辨率和高光谱分辨率遥感传感器的 发展，遥感的海量数据库还在以几何级数迅速膨胀。但是空间分辨率的提高，数 据量的增大，并不总能够使基于传统光谱分类方法的分类精度得到提高。事实上 分类精度与传感器的空间分辨率和分类的种类数两个因素有关( t o l ldl 等， 1 9 8 4 ；刘龙飞等，2 0 0 3 ) 。一方面，空间分辨率的提高使混合象元的数量减少， 纯象元的数量增加，分类识别精度进而得到提高；但同时空间分辨率的提高，也 使需要分类的种类数增加，从而使同类地物之间的光谱差异增大，增加了分类难 度，使分类精度降低。高光谱数据虽然已经得到应用，但是高光谱数据空间分辨 率低和很多数据处理算法还不成熟( 张良培等，2 0 0 5 ) ，这大大限制了其应用范 围。 硬件方面高空间分辨率和高光谱分辨率传感器的产生和应用，使遥感理论算 法朝着两个方向发展：突破传统基于象元光谱的分类方法，建立基于高空问分辨 率遥感图像精细识别理论方法；发展基于高光谱分辨率的象元和象元区域的高光 谱特征的遥感影像分类方法。本文主要讨论了前一种方法。 传统的遥感图像分类方法是基于单个象元光谱的，但是由于常用多光谱传感 器光谱分辨率低，光谱通道一般是不多于8 个( 见表1 1 ) ，因此分类时，“同物 异谱”和“同谱异物”现象使分类混淆严重，往往得不到预期的分类结果。于是 人们提出了一些新的分类方法。首先改变传统基于单个象元的光谱分类方法，建 立基于象元邻域的分类方法，如图像纹理分类等；彻底改变基于象元的分类方法， 使用基于图像分割或基于区域的分类方法，降低“同物异谱”或“同谱异物”的 发生机率；改变传统仅仅基于光谱的分类方法，寻找其他描述特征，进行数值量 化，作为分类的特征向量，建立基于多特征的分类方法。本研究试验、比较、评 价和筛选了这些新算法方法中比较有代表性的一部分，以实现基于多特征的自 动识别分类。 表1 i 陆地卫星( l a n d s a t ) 搭载传感器及其波段数 l 传感器类型 波段通道数 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一一以树种识别为例 多光谱扫描仪( m s s ) 4 专题制图仪( t m ) 7 增强型专题制图仪( e 1 m ) 8 本研究在利用光谱特征的同时，试图寻找其它的描述特征，并进行量化， 经过人工神经网络的训练，得到最终分类结果。对比各个特征分类识别效果，找 出最合适的分类特征和分类策略，以便为进行多特征分类识别打好基础。 1 2 国内外研究现状 本研究对树种进行了多特征分类研究。目前，利用遥感技术对植被的研究， 还主要应用在植被监测( 冯庆国等，2 0 0 1 ：方红亮等，1 9 9 8 ) 、作物估产( 刘茜 等，1 9 9 4 ；浦吉存等，2 0 0 4 ) 、林木蓄积量估算( 赵宪文等，2 0 0 1 ) 等方面。植 被监测分类研究主要是使用用n o a a a v h r r 的n d v i 来进行( 李俊祥等，2 0 0 5 ) 或者通过不同时相不同传感器获得的图像的融合来进行( 游先祥等，1 9 9 5 ) ；树 种的分类主要还是利用高光谱遥感进行( 宫鹏等，1 9 9 8 ；孙华，2 0 0 5 ；邵军勇， 2 0 0 5 ) 。 利用高光谱可以对大面积类型分布均匀的植被进行分类，如远离人类聚集地 的草原、森林等，但这种方法还有一些局限性。由于数据传输量和存储量的限制， 高光谱数据的空间分辨率通常较低，它限制了这类数据在纹理、形状特征识别中 的应用，也就限制了它在树种识别中的应用。城市绿地空间尤其是可以种植树林 的空间一般较小且树种并不单一，一般乔木的冠径在3 - 8 米之间，单个树冠通 常要包含多于1 0 个像元，即像元的空间分辨率应当高于1 米，才有可能在图像 上以单植株为单位提取像纹理和形状这样的特征。因此，本研究选用了具有高空 间分辨率( 约0 5 米) 的大比例尺彩红外航片进行城市绿化地树种的分类。 1 3 研究依据和论文结构 地物分类可依据的图像特征主要包括光谱特征、纹理特征、形状特征和空问 特征等，空间特征主要指地物间的拓扑邻接特征( 陈晓秋等，2 0 0 4 ) 。树种的分 类识别也主要是依靠这些特征。根据长期的植被目视判别解译经验，可以得到表 2 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 1 2 。它主要描述了城市内部主要树种在航空像片上的各种特征。 表1 2 几种常见城市绿化植物的解译标志( 孙天纵等，1 9 9 5 ) ( 1 ：2 0 0 0 1 ：1 0 0 0 0 黑白、天然彩色、彩红外航空像片) 植物形态特征影像特征 名叶形 冠形 色调落影颗粒形 影纹结构 彩色航 黑白航 彩红状 外航 片 香樟薄革质卵球形墨绿、黄浅黑灰 鲜红 球形球形细点状细密，边 形绿不均夹杂粉红小颗粒缘清晰 夹杂 二球 掌状裂叶倒卵黄绿不浅灰色 鲜红 无规绒球状表面粗糙，疏 悬铃形均杂有黑粉红则密中等边缘 未 色粒点夹杂 不规则 雪松针形叶阔塔淡墨绿较均一鲜红阔塔颗粒不表蔼粗糙，条 形 灰色 形明显 形影纹，边缘 不规则 水杉 对生条形狭倒黄绿均一灰 鲜红 尖塔 颗粒不 表面均匀，边 叶 锥体色暗红形明显缘清晰 形不均 棕榈掌形有皱圆台深绿色深灰与鲜红不规颗粒极疏条状，不均 折分裂狭形浅黑相则圆细小而一，边缘清晰 长裂片间 形 不明显 本文主要研究这些特征的提取和量化方法，并通过得到的树种判别特征向 量，进行树种自动识别的试验。 论文的主要结构如下：第二章主要研究植物群分布范围的提取方法，使用了 效果较好的分色亮度提取方法，其效果优于依据归一化差值植被指数( n d v i ) 的提取方法；第三章主要研究利用色调特征对树种进行分类的试验。色调用直方 图特征向量，颜色矩和区域色调标准差等3 个特征量来描述。第四章主要研究 了利用纹理特征对树种进行分类的试验。纹理主要用灰度共生矩阵，灰度梯度共 生矩阵，自相关函数模型，分形纹理模型，灰度基元共生矩阵，多尺度小波纹理 分类和傅里叶能量谱等7 种特征来描述。第五章主要研究了形状特征用于树种 分类识别的试验。通过统计树冠边界链码特征，进行不同树种的自动识别。主要 用到的边界链码特征有边界矩，边界走向直方图，圆形度和矩形度。第六章主要 3 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 介绍了论文研究方法存在的问题和讨论了多特征分类研究的发展方向。 4 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 第二章植被提取方法研究 2 1 植被覆盖范围提取 城市下垫面是一个由多种自然和人造物体组成的复杂曲面。城市下垫面地物 类型主要可以分为：植被、水体、其他城市表面三个大类，其下还可以再分为数 十个亚类，城市下垫面地物复杂性可见一斑。因此，从复杂的城市下垫面中提取 出植被是进行树种自动分类识别的重要基础工作。值得注意的是由于城市中存在 高大的建筑物，一部分植被落在阴影里，因此还必须研究如何提取阴影中的植被。 研究中，采用了彩红外航片，它以蓝、绿、红三个可分解的图像彩色分量， 分别表示天然彩色中的蓝、红、红外分量。植物光谱曲线研究表明，正常生长的 植物在0 6 8 u m 处附近反射率有一个陡直的上升段，高反射值段处于近红外波 段，这说明绿色植物在近红外波段具有强反射的特性；另外在彩红外航空像片上， 植物的叶子因反射红外线而呈现为红色。各种植被类型或植物处在不同的生长阶 段或受不同的环境的影响，其光谱特性不一样，因而在彩红外像片上的深浅程度 不同，可以依靠这一特性来区分植被和其它地物。 先前的许多研究，用航片或卫片提取的n d v i 来描述植被反射波谱的宏观特 征，并证明n d v i 与植被覆盖度成正比。n d v i 的计算方法如下： n d v i = ( i r - g ) ( i r + g ) 其中i r 和g 分别为近红外和绿波段的反射率。 根据n d v i 计算方法，提取出植被图像如图2 2 。 图2 1 彩红外航 ：片 5 华东师范大学2 0 0 6 届硕士学位论文地物多特征自动识别一一以树种识别为例 图2 2n d v i 方法 提取植被图像 而本文通过对比分析彩红外航片蓝、红、红外光谱对应的b 、g 、r 三个颜 色通道的色调来提取植被。本研究在彩红外航片上，对植被和非植被分别测定分 色亮度，而给出各自的反射波谱特征如图2 3 所示。 6 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 7 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 图2 3 地物分色亮度图 从图中看出不管是阴影区植被还是非阴影区植被，其r 通道( 即红外波段) 亮度值都明显大于g 、b 通道的亮度值，r 通道的反射波谱曲线与另外两个通道 的曲线显著分离。而非植被地物，不管是阴影区还是在非阴影区，r 、g 、b 通 道值比较接近，各通道的反射波谱曲线缠绕在一起。所以可以用“r g 且r b ” 作为区分植被和其它地物的条件之一。 从非植被分色亮度图上可以看出，有少数r g 且r b 的像元并不属于植 被，而且很难把它们与阴影区的植被像元区分开来。为了去掉这样的点，这里把 由条件“r g 且r b ”获得的像元集分为阴影区和非阴影区两部分设定阈值 r = 1 0 0 ，用r 1 0 0 表示非阴影区a 1 ；r = 4 0 的像素分为植被；其余归为其它地物。 在a 2 中，设定闽值为1 6 ，把r - a v g ( g + b ) = 1 6 的像素分为植被；其余归为 其它地物。这里a v g 函数的作用是求平均值，图2 4 显示了用这种方法提取植 被分布区域的结果。 8 华东师范人学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 图2 4 分色亮度值 方法提取植被图像 出图2 4 与2 2 的比较可见，使用n d v i 方法提取时，背景中的噪声还未 完全消除，目标已经出现凹陷。即用n d v i 区分植物与背景有困难。而使用分色 亮度值方法提取，效果有了很大改善，背景中噪声基本消除，目标并未出现显著 凹陷。 不仅如此，分色亮度方法在提取建筑阴影中的植物时效果更好。对于原图像 中建筑阴影区中的植物，n d v i 方法基本不能识别，而分色亮度值方法有较好的 显示。 2 2 本章小结 在本章中，使用分色亮度值方法完成了植被分布区域的提取，效果优于传统 的基于n d v i 提取的方法。 本文的新颖之处在于，首先通过条件“r g 且r b ”筛选出红外波段亮度 值远高于可见光波段亮度值的像元集，再将该集分为阴影区和非阴影区两个子 集，并按不同的阂值，用条件“r _ a v g ( g + b ) 阈值”区分阴影区植被与其它 地物。这里需要确定的阈值有3 个：区分阴影区和非阴影区的闽值，区分阴影 区内植被与其它地物的阈值，区分非阴影区内植被与其它地物的闽值。这些阈值 可以通过在遥感图像上人工采样和统计归纳的方式获得，也可以通过智能识别系 统的某种学习机制获得。 9 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 第三章用色调特征对树种进行分类 3 。1色调分类基础 地物的反射波谱特征与图像色调即分色亮度特征密切相关，这种分色亮度特 征可以通过遥感多光谱图像数据获得。本研究采用彩红外航片的分通道数据来研 究这种分色亮度特征。彩红外图像的r 、g 、b 通道分别对应与天然彩色中的i r 、 r 、g 通道( 如图3 1 - 3 4 ) 。同一像素，在三个通道中的灰度值即为它的分色 亮度值。在树种分类时，较好的方法是综合分析三个通道的特征。 图3 。i 彩红外航片 图3 1 ar ( 近红外通道) 图3 。1 bg ( 红光通道)图3 1 cb ( 蓝光通道) 为了与上海市绿量数据库的基本采样单元一致，本研究将基本采样单元的尺 寸定为5 0 5 0 m 2 ( 当某单元树种多于一类时，再继续把单元四分为2 5 2 5m 2 ) ， 每个树种的训练样本数为2 0 ，判别检验样本个数为2 0 。 1 0 华东师范大学2 0 0 6 届硕士学位论文地物多特征自动识别一以树种识别为例 b p 网络是一种多层前馈神经网络，其神经元的变换函数是s 型函数，因此 输出量为0 到1 之间的连续量，它可以实现从输入到输出的任意非线性映射。 权值的调整采用反向传播( b a c kp r o p a g a t i o n ) 的学习算法，因此常称为b p 网络。本研究的试验中采用了闻新等人和飞思科技产品研发中心的方法( 闻新等， 2 0 0 3 ：飞思科技产品研发中心，2 0 0 3 ) ，即选用两层b p 神经网络来训练试验样 本。在确定了b p 网络的结构之后，利用输入输出样本集对其进行训练，也即对 网络的权值和阈值进行学习和调整，以使网络实现给定的输入输出映射关系。经 过训练的b p 网络，对于不是样本集中的输入也能给出合适的输出。 输入神经元层l 神经元层2 n 厂_ 1 弋广 ：!：，：! ， a l 二t a n s i g 期n 阿1 1 p i + b i ，a 2 = p u r d i n 门l w 2 i a l + b 2 ) 其中：r ：输入数；s 1 ：第1 层神经元数；s 2 ：第2 层神经元数 图3 2 两层b p 神经网络结构 本文中所用的两层b p 神经网络结构如图3 5 所示，第一层传递函数为 t a n s i g m o i d 型函数或者l o g s i g m o i d 型函数；为了是网络输出可以在一个较 大范围取值，第二层即输出层传递函数p u r e i - n 型线性函数。第一层神经元个数 为s 1 = 5 ；为了保证网络有唯一输出，第二层神经元个数选择为s 2 = l 。 3 2 基于区域色调特征的树种分类 3 2 1 基于直方图特征向量的树种分类 颜色直方图是描述图像色调等级的一个直观方法。为获得像元灰度的统计特 征，先通过量化将连续模拟光学图像转化为离散数字图像。量化时，把连续图像 亮度的最小和最大值分别设为0 和2 5 5 ( 假设量化等级为2 5 6 ) ，中间的值通过 模拟图像与离散图像的灰度换算并取整得到。 华东师范大学2 0 0 6 届硕士学位论文地物多特征自动识别一一以树种识别为例 本研究参照徐骏的“直方图向量”方法( 徐骏，2 0 0 5 ) 来描述像元灰度的分 布特征，直方图向量依据像元灰度直方图得到，并可由下式描述： h ( 聪，耐，峨”瑶，砰，纠，磕一，) 在式3 1 中， ? 表示第，个波段灰度为j 的像素的数量，m 为图像的量化等级， 置为图像的波段数。直方图特征向量的维数为m k 。因为本研究采用的是彩红 外航片，需要计算的特征向量维数为2 5 6 3 = 7 6 8 。 在实际计算中，直方图特征向量需要进行归一化处理： ，一1 h = 高 ( 1 h i = 吩) 4 l 1 2 0 本研究采用的直方图特征向量是7 6 8 维，但是由于相邻像素色调之间相关 性大，冗余数据将增加额外的存储量和运算量，因此先要降维。通常用的降维方 法有：中数降维、均值降维和极值降维。经过试验和筛选，本研究采用中数降维： v ，= k m o5 ) 。 式3 3 中v ，是降维后的分量采样值，而w = m 埘是原向量维数m 和降维后 的维数商，即降维率。由于图像亮度等级均为整数值，故w 、m 和肼均为整数。 试验中取w = 1 6 ，即降维后特征向量维数为m = 4 8 。 图3 3 待分类图像 图3 3 中树种1 为池衫，树种2 为香樟，树种3 为枫杨。通过使用b p 神 经网络进行训练，并用2 0 个待测试样本进行测试，得到分类准确率如表3 1 所 示： 1 2 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 表3 1 直方图特征向量分类精度表 树种1树种2树种3 1 0 0 9 0 7 0 9 6 由表3 1 可见，使用直方图特征向量分类能获得较好的分类效果。但是， 在实际分析分类结果时，发现尽管树种2 和3 分类理论准确率很高( 分别为9 0 和7 0 ) ，但是这两种树还是不能用这种方法分开。原因是这两种树的各单波段 色调都很相似，很难用色调方法将二者分开。 3 2 2 基于颜色矩的树种分类 1 9 9 5 年，s t i c k e r 和0 r e n g o 提出了颜色矩( c o i o rm o m e n t s ) 的概念 ( s t i c k e r 等，1 9 9 5 ) 。这种方法的数学基础在于图像中任何的颜色分布均可以 用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此仅采用颜 色的一阶矩( m e a n ) 、二阶矩( v a r i a n c e ) 和三阶矩( s k e w n e s s ) 就足以表达图像 的颜色分布。颜色的三个低次矩在数学上表达为： 1 “= 寺p v ； = ( 专善( p 。一。) 2 ) ； 铲砖* 训) ； 其中岛是图像中第，个像素的第f 个分量。因此，图像的颜色矩一共只需要9 个 分量( 3 个颜色分量，每个分量3 个低阶矩) 。 本研究通过计算颜色矩，和采用b p 神经网络训练，对图3 i 瑚三个树种进 行了分类。最终得到分类精度如表3 2 所示： 表3 2 颜色矩特征分类精度表 树种1树种2树种3 1 0 0 8 5 8 0 由表3 2 中可见，基于颜色矩的分类具有较高的精度，对于色调相近的树 种2 和3 也能较准确地区分；但有一部分被误分为树种1 ，这是由于对神经网 络训练不够所致，只要把神经网络的误差限值调得更低一些，就可以解决这个问 1 3 华东师范大学2 0 0 6 届硕十学位论文 地物多特征自动识别一以树种识别为例 题。 综上所述，本研究的试验证实，对于树种分类来说，基于神经网络的颜色矩 方法是色调分类中精度较好的。 3 2 3 基于区域色调标准差的树种分类 通过3 1 2 节的计算可知单独依靠某一像素的各个波段亮度值来判断这个 像素的归属有一定问题。因此本研究考虑以区域为单位统计色调的变化特征，并 采用标准差表达这种变化特征。 标准差的计算公式如下( 徐建华，2 0 0 2 ) ： 层和 其中m ，分别为图像的行数和列数，一。，表示图像第f 行j 列位置图像的灰 度值，；为图像灰度平均值，计算公式为：；= 面万善善_ ，。 分别把三个光谱通道分量图像的标准差作为特征向量，并用b p 神经网络训练， 得到样本判别准确率如表3 3 所示。 表3 3 标准差判别分类精度表 树种1树种2树种3 8 0 9 68 0 7 5 由表3 3 和分类结果可知，树种l 的分类准确率是8 0 ，比直方图特征向 量和颜色矩方法略低，而且树种2 和3 混淆的问题依然很严重。 3 3 本章小结 这一章讨论基于色调的分类方法，与传统的基于单个象元的方法不同，这里 使用的是基于区域的方法。从分类效果来看，基于区域色调方法因为增加了色调 的区域统计特征，分类效果要好于基于单个象元的色调分类方法。 3 2 1 、j 2 2 、j 2 3 的试验说明：当依靠色调分类时，用直方图特征向量方法， 多数情况下分类效果不够理想，色调相近的不同树种容易混淆，无法解决“同物 1 4 华东师范大学2 0 0 6 届硕士学位论文地物多特征自动识别一以树种识别为例 异谱”和“同谱异物”问题。当用区域代替单个象元分类时，精度略有改善。基 于神经网络的颜色矩方法是色调分类中精度较好的。总的来看，仅仅根据色调来 识别树种是不可行的，色调是树种识别的重要特征，但多数情况下还需要引入其 他特征，来区分色调相近的不同树种。 1 5 华东师范大学2 0 0 6 届硕+ 学位论文 地物多特征自动识别一以树种识别为例 第四章用纹理特征对树种进行分类 自然场景图像的许多部分在一个大的区域内都表现为没有尖锐的边缘。在这 些区域内部，场景可以表征为一些一致的基元结构，这些结构有规律的排列重现， 人们通常把这种特征描述为纹理特征。到目前为止，纹理还没有一个确切的定义， 一些学者试图定性的描述纹理。p i c k e t t 指出二维数组变量可以用来描述纹理。 在特征的重复保留的情况下，间距或排列的要素和规则可以任意布置。 ( p i c k e t t ，1 9 7 0 ) ；h a w k i n s 给出了一个更为详细的描述：纹理的概念依赖于三个 部分：( 1 ) 一些布局“样式”在一个区域内重复出现，该区域的尺寸大于样式 的尺寸；( 2 ) 该样式的要点是基本部分非随机分布；( 3 ) 这些部分是大致上均 匀的物体，这些物体的纹理区域内的任何地方都有近似相同的尺寸 ( h a w k i n s ，1 9 7 0 ) 。r o s e n f e l d 提出纹理是复杂的视觉实体或者子模式的组合，有 亮度、色彩、陡度、大小等特征，因而纹理可以看作相似子影像的组合( r o s e n f e l d ， 1 9 8 2 ) 。l a w s 用以下特征对纹理进行描述：均质性、密度、粗糙度、规则性、 直线性、方向性、频率、相位等。其中一些并非独立，例如频率不独立于密度， 而方向只对方向性纹理有用( l a w s ，1 9 8 0 ) 。 通常纹理分析方法可以归纳为：统计方法，结构方法，模型方法以及基于数 学变换的方法。 本文选用方法有统计方法中灰度共生矩阵和灰度梯度共生矩阵：模型方法中 的自相关函数模型和分形模型；结构方法中的灰度基元共生矩阵；基于数学变换 的方法中的基于小波变换的纹理分类和傅里叶能量谱纹理分类。 4 1统计方法分类 4 1 1 灰度共生矩阵纹理分析 h a r a l i c k 于1 9 7 3 年首次提出了灰度共生矩阵( g l c m ) 的概念( h a r a l i c k ， 1 9 7 9 ) ，现在它已成为最常见和使用最广泛的一种纹理统计分析方法。 灰度共生矩阵被定义为从灰度为f 的像素出发，离开固定位置6 = ( d 。，d ，) 的 另一像素点的同时发生的灰度为，定义这两个灰度在整个图像中发生的概率 ( 或者频率) 为：p ( f ，艿，臼) = 集合 ( x ，y ) i ，( x ，y ) = f 且，o + 见，y + d 。) = ，： q ，d 。= 0 ，1 ，2 ，一1 ) 的元素个数，x ，y 是图像中像素坐标，( z ，j ，) 是其灰度 级。f ，= o ，1 ，2 ，一l 。l 是灰度级数目。 这样两个像素灰度级同时发生的概率，就将( x ，y ) 的空间坐标转换为( f ，) 的 “灰度对”的描述，形成的矩阵称为灰度共生矩阵。如图所示。 i 6 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 图4 1 灰度共生矩阵示意图 灰度共生矩阵也可以理解为像素对的直方图。 占由( 域，d 。) 组成；口方向一般取0 。、4 5 。、9 0 。和i 3 5 。等4 个方向。 可以看出： 若见= 1 ，d 。= 0 ，则口= o 。； 若或= 1 ，d ，= _ 1 ，则口2 4 5 6 ； 若d ，= 0 ，d ，= _ 1 ，则口2 9 0 。； 若域= 1 ，d 。= 1 ，则口= 1 3 5 。 灰度共生矩阵是一个集合，集合中的一个元素【p ( f ，口，占) 】表示所有在p 方向 上、相邻间隔为万的像素，一个灰度为f 值，另一个灰度为_ ，值的相邻对数。灰 度共生矩阵反映了图像灰度关于方向、相邻间隔、变化幅度的综合信息，可以作 为图像基元和排列结构的信息。通过计算可以得到四个方向的灰度共生矩阵。 h a r a i i c k 定义了1 4 中纹理特征系数来描述灰度共生矩阵( h a r a l i c k ， 1 9 7 9 ) 。遥感图像处理中常用的有以下几种： ( 1 ) 反差 盯 石= ( f 一m ，) i = o ，= 0 ( 2 ) 熵 m = - m 川o g m ) i 7 可 厂 ， 啡|illlllllli 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 ( 3 ) 逆差距 ( 4 ) 灰度相关 鲤! 塑= 1 + ( f 一，) 2 五= p 2 ( f ，- ，) j = o ，= o ( 6 ) 角二阶距 mn 五= p 2 ( f ，) l 卸产o ( 7 ) 协方差 m = 。( f 一) ( _ ，一) p 2 ( f ，) i = 0 户0 mnmn 其中：= j p ( f ，) ，盯2 = ( f 一) 2 p ( f ，) 。 j = 0 ，= 0 f = 0j = 0 图4 2 原图像 1 8 。问 = 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 d x = l ，d y = o 。e = 0 。d x = 1 d y = l ，e = 4 5 。 d x = o ，d y = 1 。e = 9 0 。d x = 土1 ，d y = 1 e = 1 3 5 。 图4 3 图4 2 的各个方向灰度共生矩阵 本文的试验采用了刘飞龙等介绍的灰度共生矩阵方法( 刘龙飞等，2 0 0 3 ) 。 仍是每类树种取2 0 个面积为5 0 5 0m 2 的训练样本，用另外每类树种的2 0 个 5 0 5 0m 2 样本作为检测样本，得到灰度共生矩阵方法分类精度如表4 1 所示。 表4 1 灰度共生矩阵分类精度表 树种l树种2树种3 7 0 9 5 8 0 分析表4 。1 和实际分类结果，灰度共生矩阵作为较为常用和传统的纹理分 析方法，得到的分类结果还是令人满意的。尽管树种1 的分类精度不够好，但 1 9 华东师范大学2 0 0 6 届硕士学位论文地物多特征自动识别以树种识别为例 树种2 和3 的分类精度较好，而且在用其它方法经常把树种2 和3 错分的样本 区中，两者混淆的情况也明显减轻了。 4 1 2 灰度梯度共生矩阵纹理分析 灰度梯度共生矩阵是灰度级直方图与边缘梯度直方图的结合( 杨淑莹， 2 0 0 3 ) ，该方法考虑的是像素灰度级和边缘梯度大小的联合统计分布。通过研究 灰度级直方图中像素的灰度级分布，建立直方图与纹理基元之间的对应关系。通 常分析两个纹理基元，如果两个基元灰度级直方图相同或相似，则两个纹理结构 可能具有类似性。但也可能存在具有相同灰度直方图的两个纹理基元，纹理结构 却不同的情况。因此灰度直方图一般不能单独使用，在进行纹理分析和比较时还 要加上基元的其他特征。梯度直方图是通过梯度算子或微分算子处理原图像所得 到灰度直方图。由于所得梯度图像能量比较弱，故形成梯度直方图前，一般要先 把梯度图像进行正规化处理，使其梯度值更加离散，不会聚集在0 值附近。 对图像，( j ，) ，为了避免过多的灰度级带来的巨大计算量，可将灰度进行正 规化处理，公式如下： f ( f ，舻掣+ 1 - ，m 找 式中心为规定的最高灰度缴；咄为图像的最高灰度级，正规化处理以后， 该图像的最高灰度级从厶。变为。 设原图像的梯度图像为g ( f ，) ，其中：f - l ，2 ，上，；_ ，= l ，2 ，。将梯度 图像进行正规化处理，以便使其梯度值离散而不聚集，如果梯度图像中最大值为 g 一，正规化处理以后梯度最大值为上，则正规化处理公式如下： g ( f ，) ：盟+ 1 g m “ 假设原图像正规化的灰度矩阵为f ( i ，j ) ，经过正规划处理的梯度矩阵为g ( i ，j ) ，其中，_ 1 ，2 ，l x ；j = l ，2 ，l y 。则灰度梯度共生矩阵表 示如下： h ( i ，j ) ，其中i = 1 ，2 ，l g ；j = 1 ，2 ，l s 。( l g 表示最大灰度值： l s 表示正规化后最大的梯度值；h ( i ，j ) 表示灰度为l ，梯度为j 的总像素点数) 2 0 华东师范大学2 0 0 6 届硕上学位论文地物多特征自动识别一以树种识别为例 图4 4 原图像图4 5 灰度梯度共生矩阵 灰度梯度共生矩阵方法提供了灰度直方图与梯度信息综合分析的工具，可以 从该矩阵中抽取图像的纹理统计特征，统计特征的表示与灰度共生矩阵相同，可 以用式 一 来计算。 用灰度梯度共生矩阵进行2 0 个样本的分类，其准确度见表4 2 。 表4 2 灰度梯度共生矩阵分类精度表 树种l树种2 树种3 8 5 6 0 7 5 在这个试验中，选用s o b e i 算子计算原图像的梯度矩阵。 由表4 2 中数据和分类结果的分析可知，灰度梯度共生矩阵与前面的灰度 共生矩阵方法相比，分类精度并无改善，相反略有下降，尤其是树种2 和3 ，两 者的分类精度都很低。这里关键问题是梯度矩阵的求解方法，可以试着使用其他 的梯度或者微分方法求解梯度矩阵，提高分类精度。 4 2模型方法分类 4 2 1 自相关模型纹理分析 影像纹理的一个重要性质是纹理的反复性。自相关函数可用来表示纹理的 粗糙或光滑。自相关函数能够表示灰度基元的面积大小。若一幅图像，( f ，) ， 其中f ，_ ，o ，l ，j v l ，则其自相关函数定义为： 2 1 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一以树种识别为例 一l 一l 邝，) 邝+ x ，+ y ) p ( x ，y ) = 旦竺瓦而r 一 ，2 ( f ，) l _ 0j - o 如果图像中灰度基元面积比较大，则其自相关函数随距离增大，下降速度比 较慢；反之，如果图像中灰度基元的面积比较小，则其自相关函数随距离的增大， 下降速度比较快。如果纹理基元中灰度成周期变化，则自相关函数的升降也呈周 期性变化。 图4 4 树种图像的自相关函数图像如图4 6 所示，可以看出自相关函数灰 度图像变化的与原图像4 4 的纹理粗细变化有关。 图4 6 自相关函数矩阵 使用自相关模型求得自相关函数矩阵，用式 一 来计算矩阵特 征，然后使用训练样本进行训练，并进行检验，得到分类精确度如表4 3 所示。 表4 3 自相关函数模型分类精度表 树种l 树种2 树种3 5 0 5 0 2 5 通过分析表4 1 3 ，可以看到，纹理自相关模型方法效果并不好，三类树种判 别准确率都很低。通过研究整个算法过程，发现如何描述自相关函数矩阵是使用 该方法的关键所在。可以使用式 - 来计算，但是效果并不好。下一 步研究要解决的问题就是如何对自相关函数矩阵进行更好的定量描述。 华东师范大学2 0 0 6 届硕士学位论文 地物多特征自动识别一一以树种识别为例 4 2 2 分形纹理模型纹理分析 自相似是分形的最重要的特征。 m ( 以) = ，。一珥m ( 五) 求解该方程得 这种特征可以表示为( 刘文萍等，2 0 0 5 ) m ( 五) = m d - 珥 其中z 为测量尺度，为它的系数，2 维图像中，d = 2 ，m ( ) 为分形表面积 爿( 丑) ，后为常数，d ，为分形维数。 分形维数的计算是一项非常有挑战性的工作。p e l e g 等人提出一种新的分形 维数计算方法( p e l e g 等，1 9 8 4 ) ：“毯子法”，其主要步骤如下： 将灰度图视为一座山峰，山的高度为灰度值，在距该表面为的两侧形成了 一厚为2 的毯子，表面积为整个毯子的体积除以2 ，对于不同的，会得到不 同的表面积a 。 l l o i 以 o i 雌 图4 7 毯子截面图图4 8i o g a 。- i o g 拟合直线示意图 令爿。= 风2 ，则 l o g 爿。= ql o g 占+ 吒 其中c 。= 2 一d ，可由i o g a e l o g 拟合直线示意图中直线的斜率得到，进而求 出分形维数。 具体算法如下： 设毯子的上、下表面分别为“。，6 ；，灰度函数为g ( f ，) ，设 ( i ，j ) = b o ( i ，j ) = g ( i ，j ) 对所有g = 1 ，2 ，3 ，定义： ( ，) = m a ) 【( ，_ ，) + 1 ，川嬲鲥虬一- ( m ) j 华东师范大学2 0 0 6 届硕士学位论文地物多特征