· 36 -
科技论坛
基于灰度共生矩阵的遥感影像纹理分析方法
张宗海1梁晓艳”张琦岩
（1、内蒙古自治区地图院，内蒙古呼和浩特0100512、内蒙古自治区航空遂感测绘院，内蒙古呼和浩特010010）
摘要：理特征在逐感影像的分制与分类中都具有广泛的应用。然而，纹理特征的描述方法与提取手段是较难实现的。利用灰度共生矩阵来描述效理特征的方法是在空间统计理论的基础上发展起来的。虽然对这奠方法的研究取得了一定的进展，但它提供的效理特征变量过于整多，从而可能复杂化后续逐感影像的解译过程。在灰度共生矩阵纹理特征提取的基础上，利用主成分分析来降低效理特征的维数，从而有效提高途感影像解译的效率。
关键词：灰度共生矩阵；效理特征；途感影像 1概述
遥感影像的自动化解译对于提高测绘制图的工作效率其有非常重要的意义。一般而言，对于遥感影像的自动化解译是通过分类完成的。对于遇感影像中的各类地物，例如农田、道路、水体、建筑等，利用遥感影
像中的光谱差异，可以将其较为成功地区分出来。然而，遥感影像中常常出现“同谱异物"现象，即
a
b
图1基于KMEANS的纹理分类结果
e
（a为原图，b为完全纹理特征的KMEANS分类结果，c为降维后的KMEANS分类结果）
不同地物在遥感影像中显示出极为相似的光谱特征，例如农田中易被混滑的两类作物。这时，需要利用不同的特征来将其区分
从遥感影像中提取纹理特征的方法主要包含两种：基于灰度共生矩阵的和基于Gabor滤波的。前者又被成为基于空间统计的方法，而后者被称为基于空间结构的方法。两者都具有较为成功的应用。本文主要对第一种方法来进行遥感影像的纹理特征提取与分析。由于第一种方法通常可以提取较多的纹理特征变量，这会给后续的分类带来困难，因此本文尝试利用主成分分析(PrincipleCom-ponentAnalysis，PCA)来对提取的纹理特征降低维数。
2基于灰度共生矩阵的纹理特征提取
纹理特征主要描述的是影像中某种物体在灰度上重复出现的模式。它与方向、尺度等信息有关，在通感影像分类中具有重要的应用。基于灰度共生矩阵的纹理特征描述方法最草由Harajick提出，该方法主要包含两步：（1）基于元图像的灰度共生矩阵计算：（2)基于灰度共生矩阵的纹理特征量的提取。
Haralick所提出的纹理特征量主要包含16种，其中较为常用的有8种：均值、方差、均一致、对比度、差异性、摘值，二阶矩、相关系数。专业的遥感影像处理软件ENVI提供了这8种纹理特征量的计算模块，因此用户可以方便地利用该软件进行感影像的纹理特征提取与分析。在利用ENVI进行遥感影像纹理特征提取之前，需要预先设定灰度量化等级、滤波窗口大小以及方向参数。本文在实验部分用实例说明三种参数的设置方法
由于以上纹理特征提取方法的结果通常其有较大的维数，不利于后续的分类或聚类分析。因此本文在纹理特征提取之后采用了主成分分析(Principle ComponentAnalysis，PCA)的方法来降低纹理特征维数，以简化间题，并提高后续计算的效率。PCA通过保留方差较大维度的数据，将意义较小的维度予以别除，以达到数据降维的目的。
3遥感影像纹理特征提取实验
本文利用了一景OrbView-3高分遥感影像进行实例验证。该影像的获取日期为：2005年6月22日，地点为关国加利福尼亚州的农田区域。图1a显示了本文实验的原始图像。为了便于演示，本文只采用了近红外波段的灰度影像。
在提取纹理特征时，灰度量化参数只有16、32、64三种选择方案，一般而言，原始图像的灰度变化范围越大，其量化等级也需要越高的设置。本文影像的灰度变化相对较小，选择32即可满足要求滤波窗口选择了默认的3×3像素的大小，因该图的纹理尺度较小。对于方向参数，本文选择了水平方向，即0°，因为从原图可以看出，该图左下方的农田其有横向纹理（耕作活动所留下的迹象）。
计算后，共有8种纹理特征、再将其导人PCA计算模块。PCA计算的结果表明，该图的第一个主成分分量的变化量占到了全部的 82%以上。图1b、e分别显示了利用PCA前、后的KMEANS非监督分类算法的计算结果，后者只用了前三个最大主成分作为输人。显然两个结果几乎一样，说明了PCA在基于灰度共生矩阵纹理特征降维上具有较好的效果。
4结论
本文探索了基于灰度共生矩阵纹理特征提取方法在遥感影像纹理分析上的应用。通过本文的实验发现，利用PCA降低纹理特征的维数，可以在不失纹理信息的前提下极大提高计算效率。