联合光谱和纹理特征的支持向量机滩涂分类方法研究

赵 亮，孟立轲，张 艳，冯伍法，张继领，4

（1．61175部队，江苏南京210049；2．96656部队，北京102208；3．信息工程大学地理空间信息学院，河南郑州450052；4．68310部队，陕西西安710600）



联合光谱和纹理特征的支持向量机滩涂分类方法研究

赵 亮1，孟立轲2，张 艳3，冯伍法3，张继领3，4

（1．61175部队，江苏南京210049；2．96656部队，北京102208；3．信息工程大学地理空间信息学院，河南郑州450052；4．68310部队，陕西西安710600）

摘 要：滩涂作为海岸带的重要组成部分，是重要的土地资源。针对遥感影像滩涂分类的提取，文中提出一种联合光谱和纹理特征支持向量机（SVM）滩涂分类的方法。首先介绍纹理特征影像获取方法，通过灰度共生矩阵分析得到滩涂纹理特征影像；然后将光谱影像与纹理影像叠加形成一幅多维特征影像，用SVM分类算法中的OAR分类器进行分类实验，对分类结果进行实验分析。实验结果表明，该算法对提高海岸带地理信息获取能力，提升海洋遥感测绘信息化保障水平有积极意义。

关键词：光谱特征；纹理特征；支持向量机；滩涂分类

滩涂，在地貌学上称“潮间带”，广义上指潮间带以及潮上带和潮下带所沉积的滩地［1－2］；而狭义则定义为沿海大潮高潮位与低潮位之间的潮浸地带［3－4］。滩涂是海岸带的重要组成部分和重要的后备土地资源，我国滩涂面积较大，北起辽宁鸭绿江口，南到广西北仑河口。滩涂除了较高的经济利用价值，还具有重要的军事战略地位。滩涂是从海战场到陆战场的过渡地段，是登陆作战时的军事要冲，其空间分布和属性信息对登陆反登陆作战、海防工事规划设计等具有重要的影响。

滩涂多呈狭长的带状形状，宽度变化无规律，在卫星遥感影像上的空间特征、光谱特征、纹理特征等受地理位置、海岸地形、潮汐特点以及影像获取时间的影响很大。采用传统的图像分类提取技术自动获取滩涂的空间分布信息和属性信息难度较大，因此，必须在详细分析沿海滩涂特征的基础上，充分利用卫星遥感图像上的各类滩涂特征，研究适合滩涂特点的分类和提取算法。

国外Joo－Hyung Ryu等基于不同波段的TM影像，对韩国Gomso湾淤泥质海岸进行了滩涂提取研究［5］。Keun－Hyung Choi等基于韩国西海岸中高分辨率遥感影像，采用光谱特征和形状特征相结合的影像分割方法实现滩涂目标提取［6］。国内刘永学等基于Landsat7ETM＋遥感影像，通过统计分析各典型样本的光谱特征，建立不同的判别规则以区分淤泥质潮滩地物［7］。付军等提出了一种基于光谱和纹理特征融合的滩涂提取方法，首先提取海岸带地物的光谱特征和纹理特征，然后利用神经网络分类方法进行单独分类，最后对基于两种特征的分类结果进行融合和决策分析，得到最终的滩涂提取结果［8］。杨慧良等利用纹理特征分析进行滩涂提取，首先进行纹理特征值筛选，优选出5种最能体现海岸带地物纹理信息的特征值，构建基于影像纹理特征的分类模型，然后利用神经网络分类法实现基滩涂提取［9］。高燕等利用光谱、形状和空间关系等特征，基于SPOT影像研究实现海岸带地物的正确分类和海岸线的自动提取［10］。张荣华等基于机载激光雷达对滩涂测绘关键技术进行研究［11］。

各类研究结果表明，可靠地滩涂分类和提取需要综合多类特征。本文将光谱特征和纹理特征引入滩涂分类提取，提出一种联合光谱和纹理特征的支持向量机滩涂分类算法。首先介绍纹理影像的生成过程，然后研究联合光谱和纹理特征的支持向量机滩涂分类算法，最后通过实验验证本文算法的有效性与可行性。

1　纹理影像的提取和生成

纹理影像是采用某种方法对原始影像法进行计算得到能表达原始影像纹理特征的影像。本文采用灰度共生矩阵法计算原始影像均值、变化量、均匀性和非相似度4个统计量描述纹理信息，并以此为基础生成纹理特征影像。

灰度共生矩阵（Gray Level Co－occurrence Matrix，GLCM）由两个位置像元的联合概率密度来定义，其数学表达式如式（1）所示。

其意义为：若一幅影像水平方向有Nx个像素，垂直方向有Ny个像素，在影像中统计距离为d，方位角为θ，灰度分别为i，j的所有像元对的概率，记为P （i，j，d，θ）。

图1显示了基于灰度共生矩阵（GLCM）的纹理特征影像生成过程。多光谱影像R、G、B、NIR 4个波段同一灰度共生统计量的纹理特征影像具有相关性，但又各自含有用信息。为了提高后续计算效率又不损失有价值的信息，本文选取均值、变化量、非相似度和均匀性这4个灰度共生矩阵统计量，将多光谱影像每个波段生成的单波段纹理影像加和求取平均值，最后得到4幅纹理影像。

图1　纹理特征影像生成原理图

2　联合光谱和纹理特征的支持向量机滩涂分类算法

算法首先利用灰度共生矩阵提取纹理影像，然后在众多纹理影像中选择最能体现滩涂和周边地物纹理差异的影像，将这些纹理影像与原来的多光谱影像进行波段叠加，形成一幅结合了光谱特征和纹理特征的多维影像。最后，将支持向量机分类算法（SVM）引入到分类中，选择支持向量机算法中的一对一和一对多分类器对这幅多维影像数据进行分类，得到最终的分类结果。

整个算法过程涉及到3个关键技术过程：分别是纹理特征影像提取，样本选取和SVM参考学习以及最终分类决策规则的建立。在滩涂地物光谱和纹理特征分析的基础上，从而得到最终的滩涂提取结果。算法流程图如图2所示。

纹理影像提取成功后，将这些纹理影像与原来的多光谱影像进行波段叠加，形成一幅结合了光谱特征和纹理特征的多维影像。针对多类分类问题，目前主要的多分类器构造方式有一对多法（OAR）、一对一法（OAO）、二叉树法（binary tree，BT）和有向无环法（DAG），本文算法采用OAR分类器。

图2　联合光谱和纹理特征SVM分类方法技术流程图

3　实验与分析

本文的实验数据如图3所示，为国内某遥感卫星4波段的10 m分辨率多光谱影像，命名为沙滩－1，为典型的沙滩滩涂影像，试验区位于辽宁省大连市。表1列出了样本的基本采集信息。

图3　沙滩－1多光谱遥感影像和样本选择情况

表1　样本采集情况

图4是对原始4个波段各纹理统计量求平均值得到的4幅纹理特征图像。

图4　四类单波段纹理特征影像

将这4幅纹理影像与原始的多光谱影像进行波段叠加，得到一幅既有光谱信息又有纹理信息的多波段影像。对该影像使用支持向量机算法进行分类，选择高斯径向积函数作为核函数，选用OAR分类器，实验结果如图5所示。

使用混淆矩阵对滩涂提取结果进行精度评估。混淆矩阵当中精度统计的单位是测试样本通过分类器后的输出值（类别）与测试样本类别的比值，利用测试样本统计分类精度。采用的评价因子为总体分类精度（被正确分类的像元总和除以总像元数）、使用精度（分类后的目标类别与地面真实参考资料一致的像元数所占的百分比）和生产精度（某一真实地面参考资料的检验点，被正确分类的像元数所占的百分比），结果如表2所示。

图5　滩涂分类实验结果

表2　精度评价结果

表中数字是指测试样本中像素个数，而不是整个影像的像素个数。从表2可以看出，本次实验总体分类精度达到92．37%，滩涂生产精度达到72．73%，滩涂使用精度达到94．14%，实验结果较为理想，满足实际应用及进一步研究的要求。

4　结 论

滩涂具有光谱信息综合的特点，周边地物干扰较多，单纯基于光谱特征的滩涂分类提取算法精度不高。遥感影像中滩涂及周边地物具有不同的形状和表面，反映在图像上为不同粗糙度和方向的纹理。本文提出的联合光谱和纹理特征的分类方法能克服单纯依靠光谱特征分类方法的缺点，较好地将光谱特征较为接近的地物区分开来。该方法的总体分类精度达到92．37%，滩涂生成精度和使用精度分别达到72．73%和94．14%。该方法也存在不足之处，灰度共生矩阵计算较为繁琐，对联合光谱和纹理特征后的多波段影像分类计算需要较长时间，还有待下一步继续完善。

参考文献：

［1］ 张荣华，林昀．基于机载激光雷达的滩涂测绘关键技术研究［J］．测绘工程，2015，24（1）：33－35．

［2］ 中国地理学会海洋地理专业委员会．中国海洋地理［M］．北京：科学出版社，1996：130－131．

［3］ 朱大奎．中国海涂资源的开发利用问题［J］．地理科学，1986，6（1）：34－40．

［4］ 陈永文，刘君德，李天任．中国国土资源及区域开发［M］．上海：上海科学技术版社，1989．

［5］ RYU Joo－Hyung，NA Young－Ho，WON Joong－Sun，et al．A critical grain size for Landsat ETM＋into investigations intertidal sediments：a case study of the Gomso tidal fiats，Korea．Estuarine，Coastal and Shelf－Science，2004，60（1）：491－502．

［6］ CHOI Keun－Hyung，LEE Sung－Mi，LIM Sang－Min，et al．Benthic habitat quality change as measured by macroinfauna community in a tidal flat on the west coast ofKorea［J］．Journal of Oceanography，2010，66（3）：307－317．

［7］ 刘永学，张忍顺，李满春．江苏淤泥质潮滩地物信息遥感提取方法研究［J］．海洋科学进展，2004，22（2）：210－214．

［8］ 付军，谷东起．基于光谱与纹理特征融合的滩涂信息提取方法［J］．海洋环境科学，2008，27（10）：405－408．

［9］ 杨慧良，付军，谷东起．纹理分析方法在海岸带地物分类中的应用［J］．海洋科学进展，2011，29（4）：196－204．

［10］高燕，周成虎，苏奋振，等．基于多特征的人工海岸线提取方法［J］．测绘工程，2014，23（5）：1－5．

［11］张荣华，林昀．基于机载激光雷达的滩涂测绘关键技术研究［J］．测绘工程，2015，24（1）：33－35．

［责任编辑：王文福］

Research on joint spectral and texture features SVM tidal classification and extraction algorithm

ZHAO Liang1，MENG Like2，ZHANG Yan3，FENG Wufa3，ZHANG Jiling3，4

（1．Troops 61175，Nanjing 210049，China；2．Troops 96656，Beijing 102208，China；3．College of Geospatial Information，Information Engineering University，Zhengzhou 450052，China；4．Troops 68310，Xi’an 710600，China）

Abstract：As a main part of the beach coastal zone，tidal land is an important land resource．In this paper，study is made on remote sensing image tidal land classification and extraction technology，and a tidal land SVM classification method combining the spectral and texture features is proposed．Firstly，the texture image acquisition method is introduced，then tidal land texture image is obtained by GLCM analysis，subsequently a multi－dimensional feature image is generated by superimposing the spectral image and the texture image together，finally the SVM classification algorithm with OAR classifier is chosen for classification．Experimental results demonstrate the algorithm is significant for enhancing coastal geographic information access capabilities and lifting the marine remote sensing surveying and mapping level．

Key words：spectral feature；texture feature；support vector machine；tidal land

作者简介：赵 亮（1978－），男，工程师．

收稿日期：2014－09－20；修回日期：2015－05－21

中图分类号：P237；P931．1

文献标识码：A

文章编号：1006－7949（2016）01－0043－04