基于多尺度纹理与光谱特征的马尾松毛虫虫害信息提取方法研究

亓兴兰 肖丰庆 刘 健 张李平

( 1. 福建林业职业技术学院，福建 南平 353000；2. 南平市农业农村局，福建 南平 353000；3. 福建农林大学林学院，福建 福州 350002；4. 3S技术与资源优化利用福建省高校重点实验室，福建 福州 350002)

马尾松毛虫（Dendrolimus punctatus）是马尾松（Pinus massoniana）林的主要害虫，危害大、发生频繁，严重的话会爆发成灾，使马尾松的生长受到严重影响[1]。遥感作为一种全新的监测技术手段，由于其大范围及实时监测等独特的优越性，在生产上也逐渐用来监测森林病虫害。马尾松受到虫害侵袭时，针叶卷曲枯黄并失叶，树冠稀疏，引起光谱反射率的下降，其中以近红外波段最为显著。基于此，国内外学者基于影像光谱结构的变化，利用相应的光谱特征指数如归一化植被指数（NDVI）等来进行虫害的监测，是完全可行的并取得一定的成果。如孙福洋等[2]根据时间序列MODIS-NDVI数据与地面调查数据，构建了区域森林病虫害理赔指数，可有效监测针叶林的受灾（中度、重度）情况。刘文雅[3]获取松材线虫病完整发病周期的松树冠层的高光谱数据与相应时期的生理生化参数（叶绿素含量、类胡萝卜素含量和含水量），应用多种方法对高光谱数据与生理参数之间的关系进行模拟研究，分析比较模型精度并进行模型的验证，最终筛选出最优估测模型。朱程浩等[4]基于TM、ETM+数据，构造光谱特征指数RVI，对油松的受灾程度进行了有效监测。王震等[5-6]测量受害马尾松的反射光谱，分析获取的受害林木光谱反射曲线，研究了绿光区、红光区和近红外区反射光谱的变化特征。纵观前人的研究，其主要是基于遥感影像的光谱信息进行病虫害的监测及虫害信息的提取，对于纹理信息却没有涉及。伴随着中高分辨率遥感影像在森林病虫害监测中的应用，对于影像纹理信息的发掘与应用就提上了日程。关于纹理信息在森林病虫害监测及虫害信息提取中的发掘与应用及对虫害监测影响程度，还未见相关研究报道。

基于此，本研究以国家马尾松毛虫虫害监测站点之一的福建沙县作为研究区，基于SPOT-5遥感影像与地面调查数据等，提取多尺度纹理信息，与光谱特征结合参与分类，探讨纹理特征对虫害信息提取的作用及提取精度的影响，旨在有效解决遥感用于森林病虫害的关键技术问题，为林业遥感监测应用提供参考。

1 材料与方法

1.1 数据来源与处理

遥感数据为2004年研究区SPOT-5遥感影像（多光谱影像：分辨率10 m；全色影像：分辨率2.5 m）。对影像进行几何校正、正射校正等预处理，最后对影像裁剪，获得所需影像。

其他数据有2004年沙县虫害地面调查数据（虫口密度、立地等级等），沙县1∶10 000地形图，沙县森林资源GIS数据库（森林资源图形数据与属性数据、森林资源调查样地资料等）。

1.2 影像光谱与纹理特征融合

1.2.1 影像融合方法

1）主成分变换融合（PCA）[7]。首先对多光谱图像进行主成分变换，获得第一主成分分量图像，然后以全色图像代替，进行主成分逆变换即可。此法可以压缩数据、浓缩信息量。

2）乘积变换融合（Multiplicative）[8]。多光谱影像的各波段分别与全色波段相乘，然后乘积组合合成新的波段图像，从而达到细节反差的目的。

3）Brovey变换融合[9]。首先影像多光谱波段进行归一化处理，再与全色影像相乘，可以锐化影像，原多光谱影像信息也得以保留。

4）IHS变换融合[10]。首先影像多光谱波段进行归一化处理，再与全色影像相乘，可以锐化影像，原多光谱影像信息也得以保留。

5）高通滤波融合（HPF）[11]。基于小的高通滤波器，全色影像处理获得高频数据，然后此高频数据基于像元对像元加到多光谱数据中，即把空间信息加到波谱信息中。

6）Gram-schmidt变换法[12]。与PCA融合类似，首先基于多光谱波段构造一假的全色波段，并作为第一波谱波段与多光谱波段进行Gramschmidt变换，获得第一个波段，再用真的全色波段代替其进行Gram-schmidt反变换。

7）HSV融合[13]。HSV融合中，H代表色度，S代表饱和度，V为颜色亮度，首先在HSV色度空间，用全色影像替代V，同时进行H、S重采样，如此用全色影像替换后，再变换回RGB空间即可。

1.2.2 影像融合结果评价

分析评价融合结果，主观评价采取目视，分析比较结果；而客观评价则利用评价指标进行计算定量分析，各评价指标及其计算方法如下。

1）均值：均值反映图像融合前后平均亮度的变化，其值小，则表明融合后的影像保留原始光谱信息好。

2）熵：熵反映图像融合前后信息量丰富程度变化，其值大，则融合图像信息量丰富，融合效果好。

式中：E（x）指熵，Pi为一比值，分子为灰度值等于i的像元数，分母为影像总像元数。

3）清晰度：清晰度反映图像地物边界等灰度差异及细节表达能力，其值越大，则表明图像越清晰。

式中： 指清晰度，f（xi，yj）指坐标（xi，yj）处像元值，M指影像像元的行数，N指影像像元的列数。

4）标准差：标准差值大，则各地物图像灰度反差大，可更好地分辨各种地物，主要表达图像地物灰度分布。

式中：σ 指标准差，Z（xi，yj）为坐标（xi，yj）处像元值， 为像元均值，M指影像像元的行数，N指影像像元的列数。

5）相关系数：相关系数值大，则融合图像从源图像中获得的信息多，融合效果好，主要表达图像光谱特征变化与否。

式中：ρ指相关系数，F（xi, yj）指融合前影像坐标（xi, yj）处像元值，A（xi, yj）指融合后影像坐标（xi, yj）处像元值， 指融合后影像像元均值，指融合前影像像元均值。

1.3 虫害信息提取

1.3.1 虫害等级划分

依据国家林业局《林业有害生物发生及成灾标准》（LY/T 1681—2006），马尾松毛虫虫害程度划分轻度、中度、重度3个标准等级[14-15]。因此本研究按照虫口密度把虫害分为健康（≤5条/株）、轻度（6～13条/株）、中度（14～30条/株）、重度（≥31条/株）4个等级。

1.3.2 最佳纹理特征量与最佳窗口尺度确定方法

本研究利用熵值大小比较法[16-17]与监督分类法来确定最佳纹理特征量与最佳窗口尺度。首先计算各纹理特征量的熵值并进行比较分析，通过熵值的大小来判断其纹理信息情况；其次利用监督分类法进行试验，各纹理分别与光谱波段组合叠加，基于马氏距离法进行监督分类，比较分类结果来确定最佳纹理特征量与最佳窗口尺度。本研究中利用灰度共生矩阵法[18-19]提取8个纹理特征量，分别为均值、相异性、协同性、角二阶矩、方差、对比度、熵、相关性。设置5个窗口尺度分别为 3×3、5×5、7×7、9×9、11×11，步长分别为 1、2、3、5。

1.3.3 分类方法

支持向量机（SVM）法基于统计学习理论，可以解决线形可分数据和线形不可分数据的分类问题。SVM法架构基础为VC维理论和结构风险最小原理，可以基于少量的样本信息在模型的复杂性和学习能力之间寻求最优解决方案，其与问题维数无关并可解决函数复杂性的问题，有很好的推广能力，为复杂数据的分类问题的解决提供帮助[14,20-21]。对于SVM分类，关键在于核函数的选择，常用的核函数有4种，分别为线性、多项式、高斯径向基和S形等。本研究中采用高斯径向基函数进行分类，其中对于样本数目的选择，基于野外调查数据，通过人为干预选点的方式产生，各种受害程度的林分对应的样本数都为210。

2 结果与分析

2.1 影像融合结果评价

2.1.1 目视评价

受害区域部分影像融合结果见图1。由图1可知，每一种融合方法的图像效果都得到了提高，在光谱信息保持不变的基础上，空间信息得到改善加强，增强了影像的分辨率、清晰度等。从光谱变化上来看，各种融合算法在图像色彩保持上稍有不同，其中，保持最好的是高通滤波融合方法，其次是IHS变换融合方法。图像色调变亮的是主成分变换融合方法，图像色调变暗的是乘积变换融合方法。基于空间纹理结构变化分析，融合后图像清晰度提高，纹理内容丰富，细节表现能力也得到加强，各种地物如河流、道路、农田等边界变得突出明朗，地物差异明显，各种地物如城镇、山林等更容易区别开来，图像清晰度提高。其中表现最好的是高通滤波融合与IHS融合方法，加强了不同程度覆盖的植被间的区分。Brovey变换融合最差，不过相比较于原始图像，其清晰度仍是得到了加强，其余融合方法效果处于两者之间。

图 1 图像融合结果Fig. 1 Image fusion results

2.1.2 定量评价

影像融合定量评价指标结果见表1。相比于原图像，高通滤波融合与IHS融合，最大程度地保留了原光谱信息，其均值几乎没有变化；而乘积变换融合则最差，其融合图像均值减低最多，图像色调变暗；其他融合方法的光谱特征保持一般。高通滤波融合与IHS变换融合方法的相关系数最高，说明其很好地保持了原始图像的光谱信息。基于标准差、熵、清晰度分析，高通滤波融合与IHS变换融合方法图像的值均最高，则说明这2种融合方法效果最好，提高了图像空间信息的细节表达。

表 1 定量评价指标结果Table 1 Quantitative evaluation of indicator results

续表 1

综上分析，在空间分辨率提高与光谱信息保留方面，效果最好的是高通滤波融合与IHS变换融合方法。综合光谱特征与纹理分析，本研究的遥感数据选取高通滤波融合图像。

2.2 最佳纹理特征量与最佳窗口尺度

目视比较分析各尺度的纹理特征量，效果最好的是窗口大小7×7、步长2。因此，在该窗口大小为7×7尺度下，分别计算8个纹理特征量的熵值，结果见表2。由表2可知，熵值最大者为熵，说明其纹理信息相比于其他纹理特征量丰富。

表 2 各纹理特征量的熵值Table 2 Entropy value of each texture feature quantity

其次采用监督分类法进行试验，从3×3窗口开始，逐渐增大，提取不同大小窗口尺度的纹理。各纹理分别与光谱波段组合叠加，基于马氏距离法进行监督分类。比较分析分类结果表3，发现各纹理量组合都能提高分类精度，其中提高最大的是方差。基于分类结果分析，本研究采用方差纹理。

表 3 监督分类结果Table 3 Supervised classification results

同时分析表4，窗口尺度变大，则精度也变大，在窗口7×7时，达到最大值，而后分类精度却逐渐降低。因此，基于SVM分类提取虫害信息，多尺度纹理特征其纹理窗口尺度选择3×3、5×5、7×7，分类结果见图2a；单尺度纹理特征其纹理窗口尺度选择7×7，分类结果见图2b。同时为了比较分析，仅基于SPOT-5多光谱影像，利用最大似然法分类提取虫害信息，结果图2c。

表 4 基于不同窗口单尺度纹理虫害信息提取Table 4 Single-scale texture pest information extraction based on different windows

图 2 虫害信息提取结果Fig. 2 Pest information extraction result

2.3 分类精度比较

利用野外调查资料、图面材料与图库资料等，基于使用者精度等进行分类结果评价，各种方法分类结果见表5。

表 5 3种方法分类结果Table 5 The classification result of 3 methods

由表5比较可知，结合单尺度纹理和光谱特征的虫害信息提取与结合多尺度纹理与光谱特征的虫害信息提取，相比较于单单基于光谱信息的最大似然法分类，其分类精度都有了很大提高。其中，前者分类总精度提高了8.33%，Kappa系数提高了0.113 6，后者分类总精度提高了10.00%，Kappa系数提高了0.132 3。这说明引入纹理特征，对于提高图像分类正确率是非常有益的，提高了虫害信息提取精度。其原因是引入纹理特征并与光谱波段特征进行充分地结合，大大提高了图像的信息量，对于马尾松毛虫虫害的光谱响应能力也是极大地增强。同时其分类方法SVM分类能够进一步地推广多维输入向量，这些对于图像分类非常有帮助，可以提高虫害信息提取精度。对于SVM分类，基于多尺度纹理分类相比于单尺度纹理分类，其分类总精度提高了1.67%，说明多源信息的引入及多尺度窗口的选择可以提高图像细节表达能力，对于图像分类正确率的提高是大有裨益的，可以提高虫害信息提取精度。

结合单尺度纹理和光谱特征分类、基于光谱特征最大似然法分类，各种受害程度林分的分类精度最高的是重度受害林分，其次为健康林分，精度最低的为轻度受害林分。对于结合多尺度纹理和光谱特征分类，精度最高的是健康林分，精度最低的为轻度受害林分。

由图2可知，健康林分成片状分布，分类效果最好。轻度受害林分破碎化现象最严重，这是因为其与健康林分的光谱与纹理相似，夹杂在健康林分中，所以破碎化现象较严重。重度受害林分与中度受害林分图面分类效果一般。最容易混淆的是健康林分与轻度受害林分，这是因为轻度受害林分其失叶较少，其光谱反映也不明显，所以很容易与健康林分混淆。重度受害林分与中度受害林分也有较多错分现象，究其原因：一是林木本身因子（如健康程度、林龄等）对光谱的影响，二是地形因子如坡向的影响。仅依赖光谱信息的最大似然法虫害分类，轻度受害林分与健康林分混淆现象更突出，图面地物呈破碎化趋势且斑点多、“椒盐”现象严重。相比之下，融合纹理特征与光谱信息的SVM分类就有效避免了上述现象，减少了图面细碎的斑点，地物分布不零散破碎化，基本成斑块状。其中，相比较于单尺度纹理特征的SVM分类，多尺度纹理特征SVM分类由于其对地物纹理特征的多尺度描述，所以进一步减少了图面的细碎斑点。特别对于重度受害马尾松林分，其各林分受害面积不同，且多为琐碎分布的小面积斑块，由于其纹理尺度的差异性，对于这些小斑块，基于单尺度纹理已经不能提取其出来，而结合多尺度纹理，却能有效解决这一问题，提高图面分类表现。

3 结论与讨论

本研究以SPOT-5影像为遥感数据源，结合地面调查等其他数据，融合影像光谱与纹理特征，引入多尺度纹理特征提取虫害信息，并比较分类结果。结果表明，单纯依赖光谱信息的最大似然法分类，其分类精度最低，图面表现也较差；基于光谱与多尺度纹理特征的SVM方法，其分类精度最高，图面表现也较好。这说明，单纯依赖光谱特征，对地物识别率不高，存在一定的局限；而基于光谱特征，引入纹理特征，特别是结合多尺度纹理特征分类，则能有效解决此类问题，提高地物识别率，增强信息提取效果。

本研究只是基于图像信息结合地面调查资料，在图像分类基础上提取虫害信息，而马尾松毛虫虫害的发生发展，是受温度、湿度、地形等因子的影响而发展的过程，如何应用这些因子特别是气候因素如温度、湿度进行虫害遥感监测，提高信息提取精度，还需要进一步探讨。

[ 参 考 文 献 ]

[1]庞正轰. 马尾松毛虫灾害预测预报综合技术研究[D]. 北京： 北京林业大学, 2004.

[2]孙福洋, 王建和, 付伟, 等. 基于 MODIS-NDVI数据的大区域森林病虫害理赔指数构建及应用 [J]. 林业资源管理, 2017(6)： 149-152, 158.

[3]刘文雅. 松材线虫病胁迫下松树生理参数的高光谱遥感估测模型研究[D]. 南京： 南京林业大学, 2017.

[4]朱程浩, 瞿帅, 张晓丽. 油松毛虫灾害遥感监测及其影响因子分析 [J]. 遥感学报, 2016, 20(4)： 653-664.

[5]王震, 张晓丽, 安树杰. 松材线虫病危害的马尾松林木光谱特征分析 [J]. 遥感技术与应用, 2007, 22(3)：367-370.

[6]王胜, 潘洁, 张衡, 等. 基于高光谱遥感影像的森林病虫害监测研究进展 [J]. 林业资源管理, 2014(3)：134-140.

[7]Johnson P D Jr, Harris G A, Hankerson D C. Introduction to Information Theory and Data Compression[M].New York： Chapman and Hall/CRC, 2003.

[8]谭永生. 像素级中高分辨率遥感影像融合研究[D].杭州： 浙江大学, 2007.

[9]Ehlers M. Multisensor image fusion techniques in remote sensing [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 1991, 46(1)： 19-30.

[10]Harris J R, Murray R, Hirose T. IHS transform for the integration of radar imagery with other remotely sensed data [J]. Photogrammetric Engineering and Remote Sensing, 1990, 56： 1631-1641.

[11]陈超, 江涛, 岳远平, 等. 像素级遥感图像融合方法研究 [J]. 国土资源信息化, 2008(5)： 30-34.

[12]陈超. 遥感数据融合智能化处理方法研究[D]. 青岛：山东科技大学, 2009.

[13]陈德超, 周海波, 陈中原, 等. TM与SPOT影像融合算法比较研究 [J]. 遥感技术与应用, 2001, 16(2)：110-115.

[14]亓兴兰. SPOT-5遥感影像马尾松毛虫害信息提取技术研究[D]. 福州： 福建农林大学, 2011.

[15]国家林业局植树造林司, 国家林业局森林病虫害防治总站. 森林病虫害防治知识问答[M]. 北京： 中国林业出版社, 1999： 2-5.

[16]陈晨, 张友静. 基于多尺度纹理和光谱信息的SVM分类研究 [J]. 测绘科学, 2009, 34(1)： 29-31.

[17]沈璐, 权亚楠, 禹哲珠, 等. 一种结合纹理特征的极化SAR图像SVM分类方法 [J]. 北京测绘, 2018(10)：1235-1239.

[18]王宏胜. 基于面向对象的两阶段村域无人机影像土地利用分类研究[D]. 成都： 西南交通大学, 2018.

[19]王美雅, 许章华. 马尾松毛虫危害下的马尾松纹理特征分析 [J]. 江西农业大学学报, 2015, 37(4)： 653-662.

[20]Caccetta P A, Campbell N A, Evans F H, et al. Mapping and monitoring land use and condition change in theSouth-West of Western Australia using remote sensing and other data[C]//Proceedings of the Information Security Solutions Europe (ISSE2000) Conference,Barcelona, 27-29 September 2000.

[21]万意, 李长春, 赵旭辉, 等. 基于SVM的光学遥感影像分类与评价 [J]. 测绘地理信息, 2018, 43(6)： 74-77.