高分辨率遥感影像中小尺度梯田纹理信息的增强与提取

赵钧阳，赖格英

(江西师范大学地理与环境学院，鄱阳湖湿地与流域研究教育部重点实验室，330022，南昌)

0 引言

作为广泛分布在山地丘陵区坡地上与等高线基本平行的阶梯式农田，梯田的建设综合考虑了当地的自然地形地貌特征和实际的生产生活需要，有利于增加耕地面积，保证粮食产量[1]，以从根本上解决人口和粮食的矛盾，维护社会的稳定发展，同时还能大幅减少水土流失状况、保护增加景观和生物多样性，具有可观的经济效益和社会效益[2]。在梯田的规划建设、验收统计、效益评估等过程中，需要及时、快速、准确、客观地了解和获取梯田的面积、类型和空间分布等信息，为区域农业生产布局提供重要数据基础[3]。

梯田信息的分析、分类和提取的技术大致分为基于目视解译、单个像元、对象分析、频谱纹理的四大类方法。吴卿采用目视解译法对河南省巩义市伊洛河流域下游左岸的 SPOT5、IKONOS 影像数据进行梯田区域提取，取得了较高的精度[4]，但传统的人工目视解译方法可重复性、可变更性较差，难以满足大数据与云计算时代自动化、及时化处理的需求。基于单个像元点的方法以不同波段的光谱亮度值作为分类指标进行单像元的自动分类，适用于中、低空间分辨率多光谱遥感影像，高分辨率遥感影像包含大量内容丰富、细节繁杂的光谱、纹理、形状等特征信息，能够全面反映目标对象的地面特征。具有高度异质性的梯田提取需要综合考虑对象的纹理、光谱和几何形状等信息以及与邻域之间的空间关系，运用对象分析的方法可以有效改善“同物异谱”和“异物同谱”的现象，提高提取精度[5]。张雨果分别运用传统监督学习、非监督学习、面向对象分析方法对SPOT5 卫星遥感影像进行梯田区域提取，对比分析总结出面向对象分析提取梯田区域的精度高于基于单个像元的方法[6]。现有的研究多以遥感影像的光谱信息为主要研究对象，易受到太阳倾角、地形变化、附近规则建筑物及田面覆盖物等多重因素的影响，噪声干扰问题严重[7]，特别在高分辨率的大范围梯田提取中会因“同物异谱”出现大量错分、漏分的现象。Zhang基于China-GF-1 高分辨率遥感影像，运用模板匹配法和傅立叶变换法对位于中国陕西榆林市衡山县地区进行梯田提取，这样的基于纹理特征的提取方法不依赖于颜色和亮度，反映影像中物体表面的同质现象，有助于地物类别的进一步判读，可以有效抑制上述问题，提高地物分类精度[8]，是分析提取影像地物的重要依据，在影像分割检索、目标识别、分析提取等领域得到广泛应用，展现出纹理分析的普遍性、独特性、优越性和必要性。

本文基于谷歌地球所提供的高分辨率遥感影像，选取具有典型纹理的小尺度梯田为研究对象，从空间域和频率域2个方面出发，对比分析空间卷积滤波和快速傅里叶变换(FFT)等方法，对梯田的独特纹理进行锐化增强，抑制冗余数据和干扰信息的影响，以期为大范围的梯田信息提取提供思路，提高遥感影像解译的精度和效率，解决高质量数据和处理方法不匹配的矛盾，更好地适应大数据环境。

1 数据与方法

谷歌地球(Google Earth，GE)是由Google公司开发并提供免费使用的虚拟地球仪软件，集成全球各类卫星影像、航拍照片，在三维地球模型上进行布置。数据库包括美国的Quick Bird、LANDSAT、IKONOS，法国SPOT-5和英国Blue Sky公司的航拍数据等[9]。通过Google Earth应用获取的影像清晰度高且成本较低，其中所展示的地形地貌真实准确，与实地符合程度高，并且获取的数据类型可以和 ArcGIS 以及 ENVI 等图像分析处理软件实现有效融合，操作简便且效率高，便于梯田信息“数字化”管理的实现，在获取核查野外信息、提取矢量信息、开展虚拟野外考察等方面优势明显，利用广泛。

本文以江西省赣州市崇义县上堡乡某地区2019年3月的谷歌地球卫星影像为研究对象(分辨率达到0.61 m)，以ENVI、ArcGIS软件为平台进行研究，尝试在高分辨率影像中归纳分析梯田的纹理特征，选取具有代表性的小尺度梯田，从空间域和频率域两个角度出发对目标地物的纹理信息进行分析和增强，在此基础上对梯田进行提取，以达到空间复杂度小、特征维数低、鉴别能力强、稳定性高、提取过程时间短且易于实际应用的目标。

2 纹理的分析与增强

2.1 梯田特征与纹理分析

纹理是各类地物表面固有的自然物理属性，由灰度、颜色、明暗的变化而呈现出随机性或规律性的纹理特征[10]，以纹理基元排列组合的独特性描述影像中局部像素的相关联系，具有局部微观上的随机性和整体宏观上的规律性，一般从颗粒度、对比度、疏密度、方向性、规则性等特性进行描述，较为直观地表现了地物表面的结构、组织、排列，以及其与周围环境的关系等重要信息。目标对象纹理分析的准确性和高效性会给后续处理的质量带来直接影响，是成功提取目标对象的前提和基础。基于纹理结构特征提取目标对象是对区域整体情况进行统计分析，不依赖和受限于影像的光谱和颜色等信息，对于减少噪声干扰、提高精度有一定的优势。纹理分析是运用计算机图像处理技术对影像中的纹理特征进行定性或定量描述，以获取图像纹理的人文特征的处理过程。

梯田是在山地丘陵区坡地上沿等高线分段建造的阶梯式农田[11]，将原自然地形的倾斜坡度改造为比较平直的梯田面，一般用来种植农作物和经济林，在总体地形上具有“继承性、规则性、易变性”三大特征[12]。在遥感影像中梯田田面表现为相对比较高亮的区域，田坎在影像上表现为低反射、深色的线条。类型多样的梯田在不同季节的不同状态下呈现出复杂的光谱特征，春夏容易与森林树木混淆，秋冬季节则和裸地的光谱特征相近。而梯田田面地表比较平整，层次明显，田埂边缘在二维影像中为基本平行分布的直线、弧线纹理或是有序嵌套的环状圈层结构纹理，表现出梯田线条延伸方向、疏密布局、宽窄和弯曲程度等特征，靠近山脊处边界尤为突出，但山麓地带边界模糊[3]。梯田的纹理特征整体清晰明显且稳定规律，与其他地物区别明显，整体可描述性、可测量性较好。

因此，不能仅仅依据光谱特征进行梯田信息提取，而基于对象的高分梯田影像特征分析，尤其是基于纹理特征的信息分析是可行的、适宜的、必需的，且需要在此基础上对梯田纹理进行增强，对其他无关且会干扰梯田纹理提取的信息进行弱化。

2.2 空间域梯田纹理的分析增强

空间滤波是对数字图像进行增强处理的主要方法[13]，考虑到研究需要，基于像元与其周围相邻像元的关系，使用空间二维卷积方法对滤波进行处理，在影像的空间域内进行局部运算使某些频率信息进行增强或抑制，并对频率特征进行筛选，以重点突出影像上的某些特征(如边线或纹理等)，包括平滑和锐化2个方面[14]，对于梯田来说就是增强影像中灰度值差异较大的田面边缘处的差异，以突出梯田的纹理特征。具体方法为(图1)：选定一个卷积函数，在影像中即“卷积模板”或“卷积核”，从影像左上角开始沿着x轴、y轴的方向，以模板同样大小的活动窗口为单位，计算给定像素点及邻域像素的亮度值和卷积模板对应值的乘积再求和，将计算结果放在窗口中心的像元位置，作为该像素位置新的灰度值。活动窗口依次逐行向右移动一个像元，再按公式做同样的运算，直到全幅影像扫描一遍结束，生成新影像。这样对图像大矩阵和滤波小矩阵对应位置元素相乘再求和的操作就叫卷积(Convolution)或协相关(Correlation)。

图1 卷积滤波过程示意图

本文中使用ENVI软件中提供的Convolution and Morphology Filters对影像进行滤波处理，可以选择、设置不同的内核大小和对应值，生成不同类型的过滤器，选择的内核与图像阵列的卷积将返回一个新的空间滤波图像，其中提供的卷积滤波器可以起到边缘锐化或平滑去噪的作用。本文选取了梯田纹理分布排列比较密集和稀疏的两类梯田纹理为代表进行实验探究，经过对比分析，综合使用卷积核大小为大小3×3的Sobel、Robert、Directional滤波锐化梯田纹理、使用Media 滤波进行影像去噪取得了较为理想的效果，各滤波处理后效果如图2所示。

图2 不同疏密程度的梯田纹理经过不同滤波处理后的效果

其中，Sobel是一种结合了高斯平滑和微分求导的离散微分算法，根据图像中像素的明暗程度把该区域内超过某个数的特定点记为边缘，以图像明暗程度近似值来进行边缘检测，能够提供相对比较精确的边缘方向和定位信息，抗噪性较好；Robert是类似于Sobel的非线性边缘检测滤波的二维差分方法，也被称作交叉微分梯度算法，通过局部的差分计算来检测边缘线条，常被用来处理低噪声且具有陡峭地物图像，尤其能较好地增强正负45度的图像边缘，只是二者都不能对滤波器和卷积核进行编辑；Directional是一阶导数边缘增强滤波器，只能对特定方向分量(梯度)的图像特征选择性地进行增强，其卷积核的和为零。从输出的边缘增强图像中可以看出，像素灰度变换较小的田面为黑色的区域，梯田的边缘特征表现为线性的亮值，梯田纹理特征得到表现和增强，罗伯特算法的锐化效果最优，但同时一些无关的信息如树木的丛簇边缘也被增强。而中值滤波(Media)作为非线性平滑滤波，其原理是用窗口包含灰度的中间值代替所覆盖区域中心像素点的灰度值，能够有效地保留图像的边缘信息，很好地消除“同物异谱”造成的颗粒噪声，同时也带来了图像模糊的副作用。所以，仅使用空间域卷积滤波的方法增强梯田纹理信息有一定的效果，但还是不足够的。

考虑到后续的实验和最终结果的呈现，在滤波过程中设置不同的加回值进行对比(图3)，可以看出加回值过低会损失一些梯田信息，过高则会使纹理特征的增强不明显，这里选择了60%的加回值处理图像，作为后续频率域处理的图像基础。

图3 不同加回值下的梯度图像

2.3 频率域梯田纹理的分析增强

傅里叶变换将图像信息从动态变化的空间域中转换为固定静止的频率域，通过对信号的频谱、功率谱及相位等信息的处理，分析和增强相应的纹理特征，是处理和分析信号的有力工具，具有对称性、加法定理、位移定理、卷积定理、共轭性和Rayleigh定理等重要性质[7]，虽然该方法只能显示信号的整体轮廓，忽略了信号内部所表现的局部细节特征，但基于频率域处理和分析信号相比空间域有明显优势，在200多年的发展历史中广泛应用于图像、信号处理和电力通信等领域。根据处理信号的维度不同分为一维、二维傅里叶变换，经历了从离散傅里叶变换(DFT)到快速傅里叶变换(FFT)的发展，优化了傅里叶分析将信号变换到频域的算法，更加简单易行[15]。快速傅里叶变换(FFT)也是本文在频率域所使用到的对梯田纹理进行增强的方法。

经过傅立叶变换得到的频谱包含了丰富的图像信息，能够粗略反映原图像的纹理特征与模式。周期性纹理在傅立叶频谱表现为一些分散在某些方向上并呈现某种规律的明显尖峰，具有较为明显方向性的纹理，其特征仍会保持在傅立叶频谱当中，其中突起的峰值对应纹理模式的主方向，突起的峰值在频域平面的位置对应模式的基本周期[16]。同时频谱图也反应了相应图像的能量分布情况，若频谱图中暗的点较多，则表明实际图像比较柔和，反之，则表明实际图像比较尖锐，即对比度比较强，边界分明。

本试验先对影像进行FFT变换，将影像的空间纹理信息转换为频率域中的频谱信息，在频谱图中的亮值(高频信息)对应的是原始影像中梯田的边缘处灰度骤变而表现的线性地物特征和噪声信息，暗值(低频信息)则对应的是集中了大部分能量的大面积块状地物，通过建立高通去噪模板抑制原始影像中对应的低频信息和噪声干扰，相应地对高频信息中的梯田纹理特征加以增强，再对边缘增强后的结果进行反傅里叶(Inverse FFT)变换，将频谱信息转回到空间域，进而得到纹理特征得以锐化的梯田影像(图4)。

图4 快速傅里叶方法增强纹理的流程与结果

在较小窗口范围内可以认为梯田的纹理走向是平行的，考虑到遥感影像的复杂性和梯田纹理的特殊性[15]，从梯田的线条走向、疏密分布、宽窄程度和弯曲变化等多种特征来看，试验中在研究区内选取了走向、宽窄、弯曲、疏密不同但都具有较为理想化和代表性的梯田纹理为图像单元(50×50)，进行傅立叶变化。得到的频谱图中(图5)，谱线都通过频谱中心且在原图像中梯田纹理的垂直方向上叠加，并且纹理分布排列比较密集的图像对应的条纹状亮值的分布也更为集中，能量叠加更多，反之就相对比较分散，相应的能量叠加较少。根据这些特征可以得出噪声对频谱分布的方向和对应方向上叠加的能量影响相对不大，因为在有梯田的窗口中，各类点状、线状和面状所形成的纹理都没有梯田这样明显突出的纹理特征，且纹理图像能量谱的几何形态趋于相同，而图像的亮度与所叠加的能量成正相关。在梯田纹理的实验中通过对傅里叶变换后梯田纹理表现出的频谱图像的对比分析是必要的，也为梯田影像进行提取研究提供了思路和方法。

图5 局部梯田纹理与对应的频谱图

综上，本试验通过综合运用空间域、频率域的两类方法对选取的小尺度梯田纹理进行分析和增强。先通过FFT弱化梯田以外的其他斑点状纹理(主要是树木丛簇)，再结合空间滤波中的Sobel滤波和方向滤波对影像中的梯田线状纹理进行增强(60%加回值)，得到梯田纹理信息增强的图像，在此基础上对2种代表梯田进行提取，得到的结果如图6所示。对比原始图像和经过纹理增强的提取结果，梯田的纹理信息得到有效地增强，其中梯田纹理分布比较密集的对象，梯田与周边树木这两种对象的样本可分离性从0.83增加到1.98；分布比较稀疏的对象，可分离性从0.69增加到1.86，其分类精度均达到85%以上。

图6 小范围的梯田纹理增强效果与提取结果

3 结果与讨论

基于高分辨率遥感影像和相关影像处理技术的发展，通过对小范围内典型梯田纹理的分析和增强，对比提取结果，可以得出以下结论。

1)高分辨率遥感影像中的纹理特征包含着丰富且细致的地物信息，梯田纹理在空间域中表现为图像灰度组合排列的变化和重复，在频率域表现为通过频谱中心的线状亮值，二者的特征与分布都能较好地反映原始影像的纹理信息，是地物识别过程中不可或缺的主要依据。

2)通过空间滤波和快速傅里叶变换对小尺寸梯田图像的纹理信息进行增强，锐化梯田纹理特征并减弱高频噪声的影响，增加地物边界处的反差，使提取结果的精度和效度有所提升，其中纹理疏密程度不同的梯田对增强方法的反应不尽相同，纹理密集的梯田纹理特征更加明显，相比于纹理稀疏的梯田其提取效果更好。但仍存在错提、漏提现象，需要人工介入处理。

3)选择小范围梯田作为试验区存在一定的特殊性，影像中包含的地物类别比较单一，非梯田的对象类型少、面积小，只考虑分析了树木冠顶簇丛对提取梯田信息的干扰。对于包含了多类对象(如道路、建筑、水体等)的较大尺度的梯田区域有一定的局限性，还需进一步地研究讨论。