基于纹理特征和支持向量机的ALOS图像土地覆被分类

李 玲，王 红，刘庆生，宁吉才

(1.河海大学地球科学与工程学院，南京 210098;2.中国科学院地理科学与资源研究所，北京 100101)

基于纹理特征和支持向量机的ALOS图像土地覆被分类

李 玲1，王 红1，刘庆生2，宁吉才2

(1.河海大学地球科学与工程学院，南京 210098;2.中国科学院地理科学与资源研究所，北京 100101)

高空间分辨率遥感图像在土地覆被分类方面应用广泛，但传统的基于像元分类方法的精度较低。为了提高高分辨率图像的分类精度，通过灰度共生矩阵法快速提取纹理特征，利用支持向量机(SVM)并辅以纹理特征，对浙江湖州典型实验样区的ALOS图像进行土地覆被分类。结果表明:基于纹理特征和SVM的图像分类能更好地提取地物信息，分类总精度达到90.88%;单纯SVM的分类精度(89.96%)高于最大似然法(分类精度86.16%)。本文方法可快速准确地提取土地覆被类型，为研究农业非点源污染的产生和时空分布提供服务，进而为寻求太湖流域内合理的土地利用模式和土地的可持续利用提供科学依据。

纹理特征;SVM;ALOS图像;土地覆被;非点源污染

0 引言

土地是人类生存和发展的重要资源和宝贵财富，也是资源和生态环境系统中的重要组成部分。近年来，在太湖流域工业点源污染整治力度加强之后，农业面源(非点源)污染对流域水环境的影响及其治理受到越来越多的关注［1］。由于非点源污染是生态环境对土地利用/土地覆被变化最重要的响应之一，其影响主要表现在不同土地利用方式下营养盐分布与地表径流的迁移特征存在显著不同，故准确快速提取流域土地利用/土地覆被类型，对研究农业非点源污染来源、空间分布以及污染负荷的计算等起着重要作用;同时为太湖流域水生态功能三级分区、控制单元水质目标控制和最大日负荷总量污染负荷分配(Total Maximum Daily Loads，TMDL)的综合管理提供数据基础。

图像纹理是一种重要的空间信息，纹理信息的提取和利用在图像分类中具有举足轻重的作用。目前，已有多位学者辅以纹理信息进行遥感图像分类，提高了分类精度［2－3］。同时，很多研究探讨了纹理分析中窗口大小对图像分类精度的影响［4－7］，但不同的研究对计算纹理时窗口大小的确定得出截然不同的结论［8－11］，均反映出图像中不存在单一的最佳尺度［12］。现有的大多数研究单纯利用单一尺度提取图像纹理，而地物本身具有多尺度的特点，对于包含复杂空间结构图像而言，难以用单一尺度充分描述其包含的纹理信息。结合多尺度纹理信息对遥感图像进行分类，可获得比单一尺度纹理分类更高的分类精度［13］。支持向量机(Support Vector Machine，SVM)是由Vapnik在1995年提出的，建立在统计学理论基础上，用于统计数据的分类和分析等。目前，SVM理论已经在土地覆被图像分类和高光谱图像分类中得到应用:Zhu等［14］使用SVM对ASTER数据进行了分类处理;Keuchel等［15］将最大似然法与SVM结合，对Landsat5 TM图像进行分类，并且比较了分类效果;Nemmour等［16］将多个SVM用于城市土地覆被的变化检测;Inglada［17］将支持向量机用于高分辨率遥感图像的人工地物自动提取。这些例子都表明SVM在遥感领域得到了较为成功的应用。但是，目前结合遥感图像的空间信息并运用SVM进行土地覆被分类的研究较少。

本文通过灰度共生矩阵法快速提取纹理特征，利用纹理信息结合SVM分类方法对浙江湖州典型实验样区的ALOS图像进行土地覆被分类研究，并与单纯的SVM分类法和最大似然法进行对比分析。

1 研究区与数据源

1.1 研究区概况

选取浙江省湖州市东北地区为典型实验区。湖州市位于长三角地区、浙江省北部，地势西高东低，西部为丘陵低山区，东部为水乡平原，属于中国传统的人口密集区和土地高度集约化利用地区，也是太湖流域水生态功能分区与质量目标管理技术研究课题的重点示范区。在经济快速发展过程中，由于人类活动的影响，太湖流域水生态系统受到了不同程度的破坏，水质污染十分严重。实验区紧邻太湖，区内地物覆盖了项目制定的太湖流域。1∶5万土地覆被分类体系中划分的地类，包括林地、耕地、水域、交通设施、住宅用地和公共建筑设施。在高空间分辨率图像上地面景观结构、纹理特征十分清晰。

1.2 遥感数据源

数据源采用2008年5月14日获取的ALOS高空间分辨率图像，包括4个多光谱波段，分辨率为10 m;一个全色波段，分辨率为2.5 m。原始数据为level 1B2产品，以全色波段图像为参考对多波段图像进行几何配准，然后将全色与多波段图像融合，再利用野外地面控制点对融合图像进行几何精纠正和像元重采样，融合后图像空间分辨率为2.5 m。截取5806像元×5290像元为实验区(图1)。

图1 实验区ALOS图像Fig.1 ALOS image of the test area

2 土地覆被分类方法

2.1 纹理特征提取

纹理特征提取方法可分为4类:统计方法、结构(几何)方法、模型方法以及基于数学变换(信号处理)的方法［18］。本文采用统计方法中的灰度共生矩阵获取纹理信息。灰度共生矩阵(Gray Level Co － occurrence Matrices，GLCM)［19］描述了图像各像元灰度的空间分布和结构特征，利用纹理特征提高了图像的地学目标分类精度。GLCM被定义为从灰度级i的点从某个固定位置关系d=(Dx，Dy)到灰度为 j的概率，用 pd(i，j)(i，j=0，1，2，…，L －1)表示。其中L表示图像的灰度级;i，j分别表示像素的灰度;d表示两个像素间的空间位置关系，不同的d决定了两个像素间的距离和方向;θ为灰度共生矩阵的生成方向，通常取 0°、45°、90°和 135°这 4个方向。

2.2 GLCM 计算

1973年 Haralick等［19］提出了多种用来量化GLCM的纹理统计指标，该算法描述图像纹理特征的统计量有均值、方差、均一度、对比度、差异性、角二阶矩、熵和相关性等。在诸多表征图像纹理的特征中，需选择有代表性的若干个特征。选择的特征少，运算速度快，但分类精度不高;但选择特征太多，运算速度慢，分类效果也不好。每个统计属性都可以生成一个纹理图像或波段，与光谱特征一起应用于分类。计算纹理时，还需考虑移动窗口大小、移动方向和移动距离。

本文根据研究目的，并从高分辨率图像的数据量大、基于灰度共生矩阵的纹理特征提取算法计算量也较大等方面考虑，认为能量、信息熵、对比度和相关性等4种纹理特征分别代表纹理的均匀性、复杂性、清晰度和线性关系等特征，对纹理分析的效果较好且耗时短。故只计算和使用这4种纹理特征，其具体含义和参数计算公式［20］如下:

(1)角二阶矩(ASM)。反映图像灰度分布的均匀性，粗纹理的能量矩较大，细纹理的能量矩较小，即

(2)熵(ENT)。度量图像所具有的信息量。若图像没有任何纹理，则熵接近零;若图像充满细纹理，则图像熵值最大;若图像中分布较少的纹理，则图像的熵值较小，即

(3)对比度(CON)。反映了图像纹理的清晰度，纹理的沟纹越深，其对比度越大，图像的视觉清晰效果越好，即

(4)相关性(COR)。度量灰度共生矩阵元素在行或列方向上的相似程度，相关性大小反映了图像中局部灰度的相关程度。

式中，

2.3 SVM 分类

SVM是一种来源于统计学理论的分类方法，是从线性可分情况下的最优超平面发展而来的［21］。其基本原理是:设训练样本集为具有k个样本的两类问题，表示为［22］

被一个超平面分开，即

式中，W为分类面的权重向量;b为偏置，b∈R;φ为输入特征向量空间到高维Hilbert空间(H)的映射(在这一空间中构造最优分类超平面)，即

找出最优分类超平面的过程可以转化为解算一个最优化问题，可以表示为式(8)和式(9)，分别称为目标函数和约束条件，即

式中，ξi为松弛变量，ξi≥0(i=1，2，…，k);C为惩罚系数。

松弛变量和惩罚系数的引入是为了解决数据集的线性不可分问题。为了解上述最优化问题，使用Lagrange函数将原始优化问题转化为对偶优化问题，目标函数和约束条件可表示为

式中，K(xixj)为核函数，K(xixj)=φ(xi)(xj)。

使用核函数将输入特征空间映射到高维空间。SVM算法使用的核函数必须满足Mercer定理条件，即矩阵必须是半正定的。常用的核函数包括多项式函数(式(12))和径向基函数(RBF)(式(13))，即

使用Chunking、Osuna和SMO等算法解算以上的对偶问题，得到最优解为，由此得出SVM分类判别函数为

利用纹理特征和SVM进行土地覆被分类的技术流程见图2。

3 结果与分析

程序实现环境为Matlab7.0，并基于ENVI软件平台实现土地覆被分类。根据图像反映的景观特征和实验区域的实际情况，将该区土地覆被类型分为7类:林地、耕地、水域、交通设施、住宅用地、公共建筑设施及其他用地。

提取纹理信息时，移动窗口大小的选择很重要，窗口过大或过小都会影响到特征提取效果。本文将窗口大小依次设置为3像元×3像元，5像元×5像元和7像元×7像元。分析得到的纹理图像，发现目视效果以5像元×5像元窗口最好，纹理紧密适中;移动步长的选取也很重要，依次设为(1，1)，(3，3)和(5，5)，结果表明步长较小的(1，1)效果最好;最后，从4个方向分别计算中心像元的灰度共生矩阵及其统计特征参数，再由这4个特征值组成一个特征向量并计算均值及方差(表1)。

表1 纹理特征均值及方差Tab.1 Mean and variance of textural features

从表1中各个纹理特征的计算结果可以看出，水域与交通设施的能量、熵及相关性3种纹理特征的均值比较相似，而交通设施的对比度均值偏大。

4种纹理特征图像见图3，从中可以看出，根据对比度能有效地区分不同的地物类型，因此选用对比度作为参与分类的纹理特征。

图3 4种纹理特征图像Fig.3 Images of four textural features

将提取的纹理信息与SVM分类方法相结合，对图像进行分类。SVM参数包括核函数(Kernel type)、惩罚系数及分类概率阈值。其中，核函数有线性核函数(Linear)、多项式核函数(Polynomial)、径向基函数(RBF)及Sigmoid函数等4种形式。Vapnik等［23］研究表明，SVM的性能与所选用的核函数的类型关系不大，而核函数的参数和误差惩罚因子C是影响SVM性能的主要因素。所以，选择最佳的核函数参数和误差惩罚因子C是确定SVM模型的关键。本文选择RBF核函数，误差惩罚因子C=100，核函数中的γ=0.03，分类概率阈值=0。分类结果如图4(单纯SVM分类和基于多尺度纹理的SVM分类)所示。

图4 分类结果Fig.4 Classification result

从图4可以看出，单纯的SVM分类结果斑点较多，地物破碎度大，交通设施与周围地物容易错分;而引入纹理信息的分类结果基本上呈斑块分布，细碎斑点有所减少。因为高分辨率图像景观结构、纹理等表现清楚，从中可以获得更加丰富的光谱信息，同时可以获取更多的地物形状、结构及纹理信息等，所以纹理特征的引入明显提高了图像分类精度。分类总精度见表2(基于多尺度纹理的SVM分类)和表3(基于多尺度纹理的SVM分类、单纯SVM分类和最大似然分类精度对比)。

表2 基于纹理特征和SVM的分类精度Tab.2 Precision of classification based on textural feature and SVM

表3 3种分类方法分类精度比较Tab.3 Comparison of precision among three classification methods

从表2和表3可以看出，基于多尺度纹理特征的SVM分类方法精度最高，达到90.88%，Kappa=0.88，比单纯SVM和最大似然法正确率分别提高了0.92%和4.72%。因为在进行高分辨率图像分类时，多源信息的引入有利于分类精度的提高。同时，两种基于SVM分类方法的精度明显高于最大似然法，因为信息量的增多会增大对最大似然法的干扰影响，而SVM分类方法对多维输入向量具有更好的推广能力，可见SVM是一种很好的具有核映射能力的模式识别工具。

4 结论

(1)通过灰度共生矩阵法提取纹理特征，利用SVM并辅以提取的纹理特征，对分辨率为2.5 m的ALOS图像进行分类。实验证明，移动窗口为5像元×5像元、步长为1时，对比度能较好地反映该图像的纹理特征。

(2)纹理信息可以定量地描述结构特征，反映图像灰度值的空间变化。引入纹理信息，能有效地提高土地覆被分类精度;不同尺度的纹理表现形式不同，纹理窗口大小直接关系着纹理量的数值大小，因而在多尺度空间上容易区分在同一尺度上难以区分的地物。

(3)本文试验中应用的纹理特征主要是对比度，除此之外还有其他纹理特征(如均值、方差、同一性、差异性等)，可以根据所要提取的地物信息的具体情况做具体分析。纹理分析方法有多种，可以进一步尝试用不同的纹理分析方法提取纹理特征，期望能进一步提高土地覆被的分类精度。

［1］张维理，武淑霞，冀宏杰，等.中国农业面源污染形势估计及控制对策Ⅰ——21世纪初期中国农业面源污染的形势估计［J］.中国农业科学，2004，37(7):1008 －1017.

［2］姜青香，刘慧平.利用纹理分析方法提取TM图像信息［J］.遥感学报，2004，8(5):458 －464.

［3］陈启浩，高 伟，刘修国.辅以纹理特征的高分辨率遥感影像分类［J］.测绘科学，2008，33(1):88 －90.

［4］Chavez P Jr，Bauer B.An Automatic Optimum Kernel－ size Selection Technique for Edge Enhancement［J］.Remote Sensing of Environment，1982(1)，12:23 －38.

［5］Franklin S E，McDemid G J.Empirical Relations Between Digital SPOT HRV and CASI Spectral Response and Lodgepole Pine(Pinas Contorta)Forest Stand Parameters［J］.International Jounal of Remote Sensing，1993，14(12):2331 －2348.

［6］Franklin S E，Wukler M A，Lavingne M B.Automated Derivation of Geographic Window Sizes for Use in Remote Sensing Digital Image Texture Analysis［J］.Computers ＆ Geosciences，1996，22(6):665－673.

［7］Curran P J.The Semivariogram in Remote Sensing:an Introduction［J］.Remote Sensing of Environment，1988，24(3):493 － 507.

［8］Marceau D J，Howarth P J，Dubois J M，et al.Evaluation of the Grey－level Co－occurrence Matrix Method for Land－cover Classification Using SPOT Imagery［J］.IEEE Transactions on Geoscience and Remote Sensing，1990，28(4):513 －519.

［9］Hsu S.Texture－tone Analysis for Automated Land － use Mapping［J］.Photogrammetric Engineering ＆ Remote Sensing，1978，44(11):1393－1404.

［10］Dutra L V，Mascarenhas N D A.Some Experiments with Spatial Feature Extraction Methods in Multispectral Classification［J］.International Journal of Remote Sensing，1984，5(2):303 －313.

［11］黄颖端，李培军，李争晓.基于地统计学的图像纹理在岩性分类中的应用［J］.国土资源遥感，2003(3):45 －49.

［12］Hallo，Hay G J，Marceau D J.Multiscale Object－ specific Analysis Scale Problems and Multiscale Solutions［C］∥Proceedings of 12th International Conference on Geoinfomatics－Geospatial Information Research:Bridging the Pacific and Atlantic.Sweden:Press of University of Gävele，2004.

［13］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(3):37 －42.

［14］Zhu G B，Blumberg D G.Classification Using ASTER Data and SVM Algorithms:the Case Study of Beer Sheva，Israel［J］.Remote Sensing of Environment，2002，80(2):233 －240.

［15］Keuchel J，Naumann S，Heiler M，et al.Automatic Land Cover Analysis for Tenerife by Supervised Classification Using Remotely Sensed Data［J］.Remote Sensing of Environment，2003，86(4):530－541.

［16］Nemmour H，Chibani Y.Multiple Support Vector Machines for Land Cover Change Detection:an Application for Mapping Urban Extensions［J］.ISPRS Journal of Photogrammentry and Remote Sensing，2006，61(2):125 －133.

［17］Inglada J.Automatic Recognition of Man － made Objects in High Resolution Optical Remote Sensing Images by SVM Classification of Geometric Image Features［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2007，62(3):236 －248.

［18］刘龙飞，陈云浩，李 京.遥感影像纹理分析方法综述与展望［J］.遥感技术与应用，2003，18(6):441 －447.

［19］Haralick R M，Shanmugan K，Dinsrein I.Textural Features for Image Classification［J］.IEEE Trans actions on Man and Cybern etics，1973，3(6):610 －621.

［20］冯建辉，杨玉静.基于灰度共生矩阵提取纹理特征图像的研究［J］.北京测绘，2007(3):19 －22.

［21］Cristianini N，Shawe－Taylon J.支持向量机导论［M］.北京:电子工业出版社，2006.

［22］张 睿，马建文.改进的P－SVM支持向量机与遥感数据分类［J］.遥感学报，2009，13(3):445 －452.

［23］张学工.关于统计学习理论与支持向量机［J］.自动化学报，2000，26(1):37 －38.

Land Cover Classification Using ALOS Image Based on Textural Features and Support Vector Machine

LI Ling1，WANG Hong1，LIU Qing－sheng2，NING Ji－cai2
(1.School of Earth Sciences and Engineering，Hehai University，Nanjing 210098，China;2.Institute of Geographic Sciences and Natural Resources Research，CAS，Beijing 100101，China)

The high spatial resolution remote sensing images are used widely in the land cover classification;nevertheless，the traditional pixel－ based classification has the weakness of relatively low accuracy.For the purpose of improving the accuracy of the high spatial resolution image classification，the textural features were extracted quickly by using the method of Gray Level Co－occurrence Matrices(GLCM)，and then the ALOS image of the typical test area in Huzhou city of Zhejiang province was classified based on textural features and Support Vector Machine(SVM).The results show that image classification based on textural features and SVM can better extract surface features with precision of 90.88%.The classification precision based on SVM only is higher than that based on maximum likelihood，with the former precision being 89.96%and the latter 86.16%.Extracting land cover types quickly and accurately can provide a service for the research on appearance and spatial－temporal distribution of the agricultural non － point pollution source，and also provide scientific evidence for exploration of reasonable land use model and sustainable land utilization in Taihu basin.

Textural features;SVM;ALOS image;Land cover;Non－point pollution source

TP 751.1

A

1001－070X(2011)04－0058－06

2011－03－01;

2011－09－01

国家科技重大专项“水体污染控制与治理”之“太湖流域水生态功能分区与质量目标管理技术示范”项目(编号:2008ZX07526－007)和国家自然科学基金项目(编号:40871230)共同资助。

李 玲(1987－)，女，在读硕士研究生，主要研究方向为遥感图像分析处理。

(责任编辑:李 瑜)