结合光谱与森林纹理结构基元的遥感森林植被分割算法

矫林涛，于宁



结合光谱与森林纹理结构基元的遥感森林植被分割算法

矫林涛，于宁

摘要：针对目前森林植被分割方法多特征利用的问题，提出了一种综合利用光谱与其纹理特征构建森林纹理结构基元（SEFT）的分割方法。首先，探测森林植被典型区域的蓝噪声特征，计算森林植被纹理单元的尺度特征和灰度分布，之后通过归一化植被指数（NDVI）计算其植被覆盖度，然后，结合区域的灰度、形状和其他纹理特征构建不同尺度下森林纹理结构基元（SEFT），利用结构基元与图像进行匹配，最后，通过植被覆盖度与匹配系数的加权获取分割结果。实验结果表明，其算法能够提高植被区域分割的准确性，取得了较好的分割效果。

关键词：森林纹理结构基元;蓝噪声;多尺度;植被指数;分割

0　引言

森林植被识别是森林资源遥感监测的基础工作，随着遥感技术的迅速发展，遥感已成为GIS重要的数据源和数据更新手段。高分辨率影像不仅有光谱信息，而且还提供丰富的空间、纹理特征信息。针对高分辨率影像数据量巨大且地物类型多样的特点，采用单一特征进行分割具有较大的局限性，多特征结合的影像分割方法已经成为当前研究的热点[1]。近年来，越来越多的研究结果表明，将空间信息与光谱信息共同用于遥感图像的分类过程，既可以充分利用高空间分辨率图像中丰富的空间信息，又可以提高信息图提取的精度[2]。许多学者提出了结合光谱与纹理的分割方法[3]，如JSEG[4-5]、高斯混合模型[6-7]等。其中，王雷光等人[8]提出的光谱与纹理特征加权的高分辨率遥感纹理分割算法采用光谱与纹理信息加权实现了影像分割，但其未能有效结合纹理尺度信息，分割难以达到理想效果。

针对目前森林植被分割方法多特征利用的问题，提出一种综合利用光谱与其纹理特征构建森林纹理结构基元（SEFT）的分割方法。该方法首先利用自然森林植被在特定尺度呈现高频的随机特性，针对树冠大小特征的不同区域，进行多次蓝噪声探测，计算出森林植被的多个尺度特征和灰度分布。然后利用归一化植被指数（NDVI）计算其植被覆盖度。再依据所获取的灰度、尺度与形状信息构建不同尺度下结构基元，使用各个尺度下的结构基元，分别与原图像进行匹配，利用所获取的匹配系数与植被覆盖度的加权实现最终分割。实验结果表明，本文提出的算法能够充分使用影像中的多种信息，实现准确而高效的分割。

1　基于蓝噪声理论探测的改进

本文采用的蓝噪声探测方法是基于刘小丹等人[9]提出的基于蓝噪声理论的遥感图像森林植被纹理测量。该方法利用森林植被基础特征快速选择图像的探测区域，结合自然森林植被在特定尺度呈现高频随机特性，即蓝噪声特性，通过快速傅里叶变换探测区域在不同尺度下的蓝噪声特征，当探测到蓝噪声特征时，根据当前区域尺寸和原区域尺寸，计算树冠纹理尺度，即树冠直径的像素个数。

不同地物具有不同的最优尺度空间，天然森林植被存在生长不规律现象，即使同幅影像中的森林植被也存在树冠大小区别。因此，针对不同树木具有不同尺度问题，本文在基于上述方法中只针对某片典型区域进行蓝噪声探测的基础上，选取多个典型区域进行蓝噪声探测，获取多个尺度值。

根据文献[9]中蓝噪声探测方法结果如图1所示：

图1　原方案植被纹理尺度探测频谱响应

图1（a）是区域对应的512×512多光谱图像，图1（b）是区域的全色图像经过增强处理，图1（c）是区域缩放到64×64多光谱图像，图1（d）是对应的64×64区域增强处理图像，图1（e）是区域频谱响应图。根据尺度计算公式（1）：

但在典型森林植被区域（图1（a））中，在两处标记区域处的树冠大小有明显的不同。若对此区域只做一次蓝噪声探测，必然会出现尺度偏差。因此，在将遥感图像N等分，根据各区域基础特征快速筛选最合适区域的基础上，再将合适区域进行等分，分别探测等分之后图像蓝噪声特征，统计其尺度特征，如图2所示：

图2　多区域蓝噪声探测

经试验测试，图2（a）在缩放到68×68时，蓝噪声特征明显，图2（b）68×68区域图像，图2（c）在62×62出现蓝噪声特征最明显，图2（d）62×62区域图像。根据尺度计算公式（1），可得出两个不同尺度。

2　归一化植被指数

归一化植被指数NDVI（Normalized Difference Vegeta -tion Index），又称标准化植被指数，在使用遥感图像进行植被研究以及植物武侯研究中得到广泛应用，它是植物生长状态以及植被空间分布密度的最佳指示因子，与植被密度呈线性相关。实验表明，它是单位像元内的植被类型、覆盖形态、生长状况等的综合反映，其大小取决于植被覆盖度和叶面积指数等要素；NDVI对植被覆盖度的检测幅度较宽，有较好的相对和空间适应性，因此应用较广。

NDVI被定义为近红外波段和可见光红光波段数值之差和这2个波段数值之和的比值。其计算如公式（2）：

式中sr3和sr4分别为第三和第四波段的光谱反射率。ND VI的值被限定在[-1,1]范围内，非植被区沙漠、水体的NDVI值很低或为负值，一般认为其值小于0.1时植被已很稀少。

NDVI虽然可以直观地反映区域的植被变化情况，但在生态评价等方面其依然是一个间接变量。通常植被覆盖度是最直接可用的、也便于区域之间数量对比的植被因子。植被覆盖度f的计算是基于NDVI的。其计算如公式（3）：

式中NDVI为NDVI图上某像元的NDVI实际值；

3　森林纹理结构基元（SEFT）

森林纹理结构基元SEFT(Structure Element of Forest Tex -ture)，简称结构基元，是描述森林纹理结构的一种模板，是一个多值矩阵，用于森林植被分割。森林纹理，遥感图像中，其微观形态表现为树冠单元。

本文基于形态学结构元素和特征基元思想，特征基元是指遥感影像上相互连通的一系列具有相同或相似特征的像元所组成的区域，这些特征包括光谱、纹理、空间组合关系等[12-13]，通过对典型植被（乔木）纹理微观结构形态分析，自然状态生长的森林植被在色调、树冠尺寸、高光与阴影对比度等方面的特性构成区别于其他植物，因此，利用所获取的灰度、形状、尺度以及其他纹理信息构造描述树冠单元的结构元。

树冠结构形状随植物种类有一定变化，但在较大尺度上趋于圆形；中心与周围对比度明显，灰度过度平滑，中间灰度的像素居多；阳光照射角度以及地面坡度变化，会引起对比度的反相。基于以上特点，构建树冠结构元的本质思想是：首先，根据树冠形状特性，所设计的树冠应当趋于圆形，根据之前所获取的不同尺度值，可作为圆形的直径，设计出不同尺度的圆形结构元；之后，结构元的灰度范围应当满足之前提取的灰度范围，根据树冠的自然生长特性，树冠中心部分灰度值应大于周围值且过渡平滑到周围。设探测树冠尺度为d,则树冠半径r=d/2。

根据树冠灰度分布特点，定义结构元灰度分布如公式（4）、（5）：

4　森林植被分割

首先，利用探测典型区域时的色调信息以及灰度范围，对图像进行预处理。在一幅遥感图像中，大部分的森林植被以绿色色调为主，并且物体的灰度信息和色调信息是一致的，对于森林植被其色调和灰度也是固定在某个范围，不会因为时间和位置的不同引起太大的差异。因此，利用统计所得的灰度和色调范围，将图像中色调以及灰度范围外的像素过滤。

4.1结构基元的匹配系数

图3　结构元与原图像被选区域

4.2植被覆盖度与结构基元加权

光谱特征与纹理特征的组合是实现光谱纹理分割的关键之一，最为常用的便是加权组合方式。fc和C(i,j)分别为植被覆盖度和结构基元匹配系数，设Wf和Wc为对应的权重，则植被覆盖度与匹配度加权组合形式如公式（7）：

Wf和Wc的确定便成为植被覆盖度与纹理组合的关键问题。基于本文算法针对森林乔木，并不包括草地等其他植被在内，因此树冠结构基元的匹配系数应为关键，经试验表明，植被覆盖度取0.3时效果最好。

4.3数学形态学后处理

数学形态学是针对图像内在结构运算。腐蚀和膨胀是最基本的数学形态学运算，其组合形成开运算和闭运算，可以有效地消除特定尺寸的杂波，并将某些相连的图像进行分割。在所得到的分割图像中会出现一些小的误判区域，因此，采用数学形态学的开运算来消除散点和毛刺，对图像进行平滑处理。

5　实验结果与分析

本文采用MATLAB进行实验。实验所用遥感图像为Qucick Bird卫星（全色+多光谱）捆绑数据，本文算法对遥感图像全色分辨率的要求是高于1.5米，以保证树冠纹理单元有足够的像素用于尺寸缩小处理以及分割。

实验1选取城市与森林植被的遥感图像进行，如图4所示：

图4　城市森林植被区域图像及分割结果

如图4（a）、图4（b）为文献[10]算法得到的分割结果。实验根据标记两处分别进行蓝噪声探测，根据公式(1)，得到两处尺度分别为9和11，灰度范围60-140，对应的结构基元如图5所示：

图5　结构元

经过两个尺度的结构元提取后，最终分割效果如图4（c）。

实验2的场景中有森林和空地，如图6所示：

图6　空地和森林植被区域图像及分割结果

如图6（a）所示。图6（b）为文献[10]算法得到的分割结果。图6（c）为本文算法。

实验3的场景为森林道路郊区图像，如图7所示：

图7　道路郊区区域图像及分割结果

如图7（a）所示。图7（b）为文献[10]算法得到的分割结果。图7（c）为本文算法。

实验结果表明，相比于参考文献[10]本文分割效果更加清晰、准确。3幅图像中文献[10]对于纹理相对细密地区存在欠分割现象，以箭头指示，而本文算法减少了区域内的像素错分，提高了正确分割率，得到了较好的分割效果。

6　总结

本文提出的基于蓝噪声理论的多尺度遥感森立植被分割方法，实现了利用蓝噪声特征进行多尺度的探测，并结合其他有效特征构造结构元实现植被分割。但本文所用方法中，

构造结构元结构的构建建立在较充分的先验知识的基础上，结构元的准确性将直接影响到分割效果。为进一步提高分割效果，在本文的基础上，对树冠结构元的优化以及结构元与原图像区域的运算有待进一步研究。

参考文献

[1] 巫兆聪,胡忠文,张谦,等..结合光谱、纹理与形状结构信息的遥感影像分割方法[J].测绘学报,2013,42(1):44-45.

[2] 黄立贤,沈志学,等.基于光谱与纹理特征的高空间分辨率图像分类算法[J].光电技术应用,2014,29(3):34-37.

[3] 张学良,肖鹏峰,冯学智..基于图像内容层次表征的遥感 图 像 分 割 方 法 [J]. 中 国 图 象 图 学报,2012,17(1):142-149.

[4] TRIAS-SANZR, STAMONG, LOUCHETJ.Using Colour,Texture andHierarchicalSegmentation for High-resolution Remote Sensing[J].ISPRS Journal of Photogrammetry and Remote Sensing,2008,63:156-168.

[5] LIUTT,ZHANGLP,LIPX, et al. Region Segmentation of Multi-spectral Remote Sensing Images Using Improved JSEG Algorithm[J]. Joumal of Remote Sensing,2009,13(1):30-34.

[6] DENGY,MANJUNATHBS.Unsupervised Segmentationof Color-texture Regions in Image and Video[J] . IEEE Trans-actions on Pattern Analysis and Machine Intelligence,2001,23(8):800-810.

[7] CARSON,BELONGIE C,GREENSPAN S H,et al.Blobworld :Image Segmentation Using Expectation maximizationandPatternAnalysis and Machine Intelligence,2002,24(8):1026-1038[C].

[8] PERMUTER,FRANCOS H,JERMYN J I,A Study of Gaussian MixtureModelsof Color and Texture Features for Image Classification and Segmenta -tion[J].Pattern Recognition.,2006,39:695-706.

[9] 王雷光,刘国英,等.一种光谱与纹理特征加权的高分辨率遥感纹理分割算法[J].光学学报,2009,29(11):10-17.

[10] 刘小丹,杨燊.基于蓝噪声理论的遥感图像森林植被纹理测量[J].国土资源遥感, 2015,27 (2): 63-68.

[11] 陈晋,陈云浩.基于土地覆盖分类的植被覆盖率估算像元模型与应用[J].遥感学报,2001,5(6):416-422.

[12] 李红,李德江,等.快速城市化背景下上海崇明植被覆盖度景观格局分析[J].华东师范大学学报(自然科学版),2009,(6):89-100.

[13] MAURO C,EUFEMIA T.Accuracy assessment of per-field classification integrating very fine spatial resolution satellite imagery with topographic data[J]. Journal of Geospatial Engineering, 2001,3(2):127-134.

[14] BENZU,HOFMANNP,WILLHAUCK G,et al. Multiresoluting,object-oriented fuzzy analysis of remote sensingdataforGIS-ready information[J]. ISPRS JournalofPhotogrammetry&RemoteSensing, 2004(58):239-258.

收稿日期：（2015.04.07）

作者简介：矫林涛（1989-），男，辽宁师范大学，计算机与信息技术学院，硕士研究生，研究方向：图像处理，大连，116029 于宁（1990-），女，辽宁师范大学，计算机与信息技术学院，硕士研究生，研究方向：图像处理，大连，116029

文章编号：1007-757X(2015)12-0041-03

中图分类号：TP751

文献标志码：A