纹理分析方法及在地学领域中的应用

1、纹理分析方法及在地学领域中的应用摘要：本文介绍了用于遥感图像纹理分析的方法，对其优缺点及使用条件进行了分析。接着介绍了纹理 分析方法在地貌类型、土地覆被类型及植被类型的自动分类等地学领域中的应用。关键词：纹理分析、图像处理、模式识别、地学应用遥感图像通常包含光谱信息和空间结构两大特征20。光谱信息反映了地物反射电磁波能量的大小，是影像图像解译基本依据。但随着图像解译与分析工作的深入，人们发现由 于存在光谱特征相似的不同地物，因而仅仅使用遥感图像的光谱信息，不能有效地进行计 算机分析和自动识别。作为遥感图像中重要的信息-纹理特征，它通过灰度的空间变化及其重复性来反映地物的视觉粗糙度，并能充分地反

2、映其在影像上的空间特征。无论从理论 上还是从应用上它都是描述和识别影像的重要依据。因此纹理信息的提取和分析，对遥感 图像的自动识别具有重要意义。1 纹理的定义图像纹理反映了图像灰度的性质及其空间关系，是图像中一个重要而又难以描述的特 性，至今还没有为众人公认的定义。习惯上，把图像中局部不规则、而宏观有规律的特性 称之为纹理。Hawkins®认为纹理标志具有 3个要素： 局部的空间变化次序在更大的区 域内不断重复；(2)序列是由基本元素非随机排列而组成；(3)纹理区域内任何地方都有大致相同的结构尺寸。2 纹理的分析方法图像的纹理特征是区分不同类型物体或区域的主要特征，因此纹理分析是图像

3、分析的 一个重要组成部分。纹理分析有许多方法，大致分为统计法、结构法、模型法和空间/频率域联合分析法21。统计法是对小区域纹理特征的统计分布情况来进行纹理分析，如灰度共生矩阵法、灰度差分法、灰度游程长法；结构法是根据图像纹理小区域内的特征和它们之 间的空间排列关系来进行纹理分析，如形态学、图论、拓扑等方法；模型法是通过模型参 数来定义纹理，纹理主要通过统计模型表示，常用的模型主要有自相关模型、自回归模 型、Markov随机场模型、分形模型等。空间/频率域联合分析法是在信号分析和人类视觉机理研究中发展起来的介于空间域和频率域表示之间的新方法，主要包括Gabor变换法和小波变换法等。下面仅几种常用

4、的纹理分析方法进行简要概述。2.1 共生矩阵法(Cooccurrenee Matrix)灰度共生矩阵可以描述影像各像元灰度的空间分布和结构特征，它作为传统的影像纹理分析方法已广泛应用于数字图像处理的许多领域，尤其是利用影像纹理特征值所表征的图像空间结构信息来改善遥感图像的地学目标分类效果22。另外，该方法所得到的纹理图像在地学分析中的作用还主要表现在改善地面目标显示效果和增强线性体两个方面23。纹理可以被认为在局部区域里，影像灰度级之间的空间分布及其空间相互作用。共生 矩阵法(或空间灰度级相关方法)能够反映亮度的分布特性，同时也可以反映具有同样亮度 或接近亮度的像素之间的位置分布特性，是有关图

5、像亮度变化的二阶统计特征。它是通过 对影像灰度级之间二阶联合条件概率密度P(i, j | d ,二)的计算表示纹理。P(i, j | d ,二)表示在给定空间距离d和方向二时，以灰度级i为始点，出现灰度级j的概率。它通常以矩阵形 式表示，称为共生矩阵，一般需在不同的d、二下计算。通常二方向为：Oo、45o、90o、135o四个方向，这样P(i, j | d, )为一对称矩阵。如果 d相对纹理的粗糙度来说很小，共 生矩阵的元素值集结在对角线附近；反之，如果d较大，共生矩阵的元素值将离开主对角线向外散开。一般来说灰度图像的灰度级为256，在计算由灰度共生矩阵推导出的纹理特征时，要求图像的灰度级远小

6、于256，主要是因为矩阵维数较大而窗口的尺寸较小则灰度共生矩阵不能很好的表示纹理，如要能够很好的表示纹理则要求窗口尺寸较大，这样使计算量大大 增加，而且当窗口尺寸较大时对于每类的边界区域误识率较大。所以在计算灰度共生矩阵 之前需要对图像进行直方图规定化，以减小图像的灰度级。根据共生矩阵，Haralick何定义了熵(entropy )、反差(the contrast )、能量(en ergy )、角二阶矩(an gular seco nd mome nt )等14种用于提取遥感图像中纹理信息的 特征统计量。然后根据不同的图像和所需要提取的地物信息选取不同的特征统计量作为指 标，最终达到提取地物信

7、息的目的。2.2 Markov 随机场模型(Markov Random Field) 3,4Markov模型是一种较好描述纹理的方法。 Markov模型反映了纹理的结构，即纹理元之 间的相互关系，而模型参数则表达了纹理元的特性。因此，Markov模型的特征反映了纹理的基本特性，利用它可实现纹理图像的分类。将Markov模型引入到影像纹理分类中，关键在于如何从众多模型中找出适合于该纹理影像的模型。解决这个问题可以利用文献5中介绍的贝叶斯决策方法。当待分类的纹理影像分属不同模型时，其自然分属不同类型的纹 理；当待分类的纹理影像属于同种Markov随机场模型时，可用模糊聚类分析方法进行分类处理。近来

8、提出基于Markov模型的多层前馈网络纹理分割方法，这种方法利用二阶高斯 Markov模型对图像纹理进行描述，采用最小平方误差方法进行参数估计，将估计参数作为 纹理的特征向量，并且利用改进的BP算法对特征进行分类，能取得不错的效果。Markov随机场模型的应用非常广泛，它在不同尺度下具有较好的适应性，是一个值得 进一步研究的方向21。2.3 分形模型(Fractal Model)分形模型是近年来使用得比较广泛的一种基于模型的纹理分析方法。大量研究表明，自然界地形地貌现象以及许多地物都具有分形特征11，这就为我们对遥感图像进行分形分析提供了可能性。由于地学自然分形在一定的尺度范围内呈现统计分形，

9、因此，在自然分形算法中多属分维估值法24。在分维估值法中，分形布朗函数用的最多，其定义为：对于X En， ( n维欧式空间)，f (x)为x的实值随机函数，若存在常数H ( 0 ：: H ：: 1 )，使函数| f (X x) . f ( x)|F (y)二Prhy即F ( y)是与x、二x无关的分布函数，则i I 也xjf (x)称为分形布朗函数，其中H称为自相似参数，分维值为：D =n T-H 。基于分形分维的影像纹理分类是以影像纹理的分维值为最基本的分类依据，影像的分 维值不同，它们属于不同的纹理类型，但分维值十分接近时，并不能保证它们一定属于同 一类影像纹理25，例如对矿区和菜地用基于

10、纹理质地子特征和基于分数布朗运动的分维估 计方法计算得出的分维值十分接近，而它们所对应的均值与方差则差距较大，所以除了选 择合适的计算分维值方法外还要参考其他的指标如空间纹理指标均值、方差和倾角等进行 地类区分26。另外，当有些不同的影像纹理其分维值十分接近时，可进一步借助于多分辨 率分维值来加以区分，而对于那些用影像分维和多分辨率分维都不能很好区分的影像纹 理，则需再借助于空隙数据。2.4 小波变换(wavelet transform)小波分析是80年代中期兴起的一种崭新的信号分析方法，是在付氏变换基础上发展起 来的一种被广泛应用的数学工具，小波变换的分析方法是一种非常有效的信号时频分析方

11、法，在数据压缩、边缘提取、目标识别、纹理分析等众多方面取得了广泛的应用。小波变换是使用小波函数族及其相应的尺度函数来将原始信号分解成不同的频带，其 标准的分解过程是采用金字塔算法，此算法在各分解级仅对低频部分进行分解，频率越低 分解的越细。由于它仅利用了纹理图像低频子带的信息，而忽略了中、高频子带含有的相 关纹理的重要特征信息，因此只适用于对主要信息存在低频区域的信号进行分析。小波纹理分析中的小波包分解算法是一种多通道信息提取技术，它将同一尺度下的低 频通道和高频通道图像同时进行分解，从而分解后的各尺度图像形成一个完整的四叉树结 构。采用这种方法能够将各个高频通道继续分解，从而提高对纹理的高频

12、分辨能力。 相对于付氏变换而言，小波变换的尺度可随着图像的局部区域特征的不同进行自适应 的调整，并在这些尺度上检测图像的算法，而且小波变换具有多分辨率特征，因此非常适 于作为图像纹理分析的工具。3 常用纹理分析方法的比较 现有的各种纹理分析方法，由于它们使用的数据形式各不相同，同时，由于各种方法 和技术都存在着诸如分类器形式、训练采样点的数目，纹理特征数目，预处理步骤以及分 辨率等许多因素的影响，要想将各种方法与技术摆在同一规范尺度上去进行准确比较是相 当困难的。表1是对上述介绍的四种常用纹理分析方法的总结对比。表1常用纹理分析方法比较方法名称优点缺点共生矩阵法原理简单较易实现不受单调灰度变换

13、的影响 可从多个侧面描述影像纹 理的特征计算量大特征选取困难 易受噪声干扰 无法实现合成 不能描述灰度基元的形状信息 不适用于对大区域纹理的描述 相对方向性的忽视及图像的平滑压 缩，导致部分纹理信息丢失 随影像分辨率、影像旋转等因素而变 化，稳定性较差Markov随机场模型在不同尺度下具有较好的 适应性可进行纹理合成和分类 可提供影像纹理基元信息 可以合理地描述影像纹理 的随机特征计算量大参数确定困难分类精度不咼自然纹理难于用单一模型表达分形模型具有尺度不变性，分类特 征在不同比例尺的遥感图 像中均适用易出现同分维值不同纹理的情形 只能从一个有限的区域和尺度来描述 纹理分维数确定困难小波变换法

14、多分辨率特征 时频局部化特性 尺度变化特征 良好的方向特征计算量较大逐点采样造成纹理信息不全 难以得到稳定的纹理特征总之，各种方法各有优缺点，没有哪一种纹理方法可以描述所有的纹理。因此，实际 中应针对不同的应用，寻找合适某类纹理的特征，研究相应的分析方法，才有可能取得较 好的效果。4 纹理分析方法在地学领域中的应用图像处理技术是随着计算机技术发展起来的一个新兴的计算机应用领域。在对遥感图 像的分析和处理中计算机图像处理技术的应用开始迅速发展起来。随着对图像的深入研 究，对图像中纹理的研究也逐渐开展起来。图像纹理分析已在工业自动化、生物医学和地 学等众多领域得到了广泛的应用。尤其是在地学领域，通

15、过分析遥感图像的纹理特征可以 有效的处理同谱异物和同物异谱的现象。纹理所反映出的地形、地貌特征等空间结构特征 是识别地物目标的重要信息。常规提取图像信息的最大似然分类法是基于地物光谱特征的，难以正确区分一些光谱易混淆的地物，例如菜地与其它耕地类型 淆的地物信息，并已有了成熟的算法和实例。如曹燕 25 等基于分形分维方法，提出了26。而纹理分析方法可以有效的提取图像中易混3种计算影像分维值的算法和数学模型，成功的提取出了居民地、煤矿、植被和山区4种地物，取得了满意的结果。舒宁 28 在影像纹理SPOT像的3个波分维估计原理及现有方法的基础之上，提出了多波段影像纹理的概念，对 段采用分形布朗函数作

16、多波段影像纹理估计，以分维值作为彩色密度的分割结果，提取出了河流、湖泊、桥和城区等地物。李厚强 20等将彩色航空图像进行 HIS变换，根据亮度计算分维数、多重分形广义维数谱和“空隙”等基于分形的纹理特征，同时加入归一化的色 度和饱和度作为光谱特征，用BF网络进行分类，非常适于遥感图像分类的实际工作，具有一定的先进性和实用性。姜春香 27 等将灰度共生矩阵的纹理分析方法应用于图像信息提取 中，通过确定熵的阈值范围，将光谱混淆的地物区分开来，得到较好的效果。吴高红29 等为了提高纹理图像分割的边缘准确性和趋于一致性以及降低分割错误率，提出了一种基于 小波变换进行纹理分割的方法。马晓川30 等提出了

17、基于特征符号随机场描述的纹理分类方法，达到提高分类精度的目的。肖志涛31 等设计并实现了基于改进的纹理谱方法提取特征和以神经网络作为分类器的纹理图像分类系统。在国外，基于光谱特征的纹理分析也已成功地运用在了地形分析(Shih andSchowengerdt 1983 14 ). 地貌类型判识( Wang and He 1991 15 )、土地覆被和森林覆盖 16 17( Skidmore 1989， Gordon and Phillipson 1986， Franklin and Peddle199018 )，环境监测( Saxon 1984 19 )等地学领域。4.1 在地貌类型判识中的应用

18、 地貌判读的基本要求，就是在遥感图像上查明各种地貌类型的特征及其分布规律。在 目视解译中，仅仅根据其影像色调是不够的，还需要借助于纹理结构特征等一系列判读标 志，例如：低丘具有平滑面不破碎、凹形表面的纹理，高丘呈现高度破碎的纹理。如何模 拟人的目视判读过程，在计算机上实现地貌类型的自动模式识别，对于实现地质制图系统 的自动化，有着十分深远的意义 32 。在地貌演化的过程中，某个山峰、河谷形成及位置在很大程度上带有随机性，但在岩 性均一的地区，它们的空间分布在统计上具有自相似特征。在一定流域范围内，水系是自 然界中最典型的分形体之一。正是由于形态各异的水系与山脊的组合，形成了千差万别的 地形、地

19、貌，而这些地形、地貌的特征在某种程度上又反馈出区域内的岩石类型信息，不 同的地形地貌在影像上形成不同的纹理结构，反之，纹理结构表征着地貌类型32 。Mandelbrot 7等经研究认为，分数布朗运动模型( fBm)是自然地貌的较好描述模型。 基于这一理论，江平32等在1995年建立了一套用fBm模型分析影像纹理的方法，并在试验 区内分别用等混合距离法和最大似然法进行了岩性纹理分类，取得了比较满意的结果。A.Pentland也曾运用fBm模型对遥感影像上的水体、陆地、城市以及其它影像纹理进行分 类，也取得了比较好的分类效果 5,8 。此外，朱长青 33 等( 1996)也通过实验成功的证明，利用

20、小波变换特征也可以很好地 对遥感地貌影像进行分类，且对来自不同母体的影像也有较高的分类正确率。因此，小波 变换特征也能很好的适应地貌影像的分析和分类。4.2 在土地覆被类型及动态监测中的应用 对土地覆被类型及变化的研究是揭示其生态状况及空间变异特征的有效手段，同 时对生态环境评价和区域发展规划都有重要意义 34 。随着遥感影像空间分辨率的提高， 利用纹理特征来提高土地利用覆盖分类精度已经越来越广泛 12 。分形模型能够有效的解决这些问题，他可以分析土地覆被的空间结构和破碎程度9,10 ，为进一步进行生态环境评价提供有效的评价参数。张华国 34 ( 2002)等采用分形理 论中的分维值和形状因子

21、对土地覆被类型及其特征进行了研究，试验证明，分形理论中的 分维值和形状因子可以从整体结构上描述其复杂的地理和生态特性，从分形理论的角度揭 示了土地覆盖特征的一些更有益的信息及其形成机制。此外，通过分维值和形状因子等特 性，还可以分析各类型的差异性，对进一步进行土地覆盖类型的动态变化分析和遥感影像 自动分类具有重要意义。数学形态学是纹理分析的一种新方法，张宝光介绍了将多级形态分解应用于土地覆被 分类 35 。按纹理的一定量级，多级形态分解算法可将单一波段图像变换为若干不同级段， 每一级段的图像含有其一定量级的纹理，这样即可完全提取图像上的空间信息，将其应用 于最大似然法分类器，按各级段的局部灰度

22、均值实施土地覆盖分类，获得了准确的分类结 果。4.3 在土壤侵蚀遥感调查中的应用 查明土壤侵蚀的方式和强度，对保护农田、增强肥力有重要的意义。 实践证明，将纹理分析方法应用在土壤侵蚀动态监测中，在技术上是先进的、可行 的。马为民 36 等在1999-2000年利用1:10 万卫星遥感影像进行土壤侵蚀调查时，运用结构 纹理分析方法研究了水蚀和风蚀的影像解译特征。再将RS和GIS相结合，利用坡度分析系统与土地利用数字化资料，进行了室内微机辅助判读，成功的建立了分市县的土壤侵蚀强度 数据库和图形数据库，并形成土壤侵蚀图。经调查核实，其中侵蚀边界判读精度为85%，侵蚀类型判读精度为 95%。由此可见，

23、正是由于在解译时应用了纹理分析法，建立了纹理解译标志，才使得土壤 侵蚀动态监测取得了较好的效果。4.4 在植被分类中的应用 自然界的植被类型和植物种属极为复杂多样，而且它们的群落外貌和生态特征随着物候季节、生长阶段和环境条件的变化而改变。这些现象都会在它们的光谱亮度上表现出某 种差异。但是，仅仅依据光谱信息是不够的，例如图像上的针叶林和阔叶林，二者的光谱 特性基本相同，难以区分，但是它们的纹理特征有明显的区别，针叶林的纹理较细，阔叶 林的纹理较粗。可见，在遥感图像中引入纹理特征，可有效的达到区分植被类型的作用。1994年， Kushwaha13 在对印度的东北部地区进行植被分类时，使用了灰度共

24、生矩阵纹 理分析方法，采用四个方向的灰度共生矩阵，并选取了熵和逆差矩两个特征统计量作为分 类指标。实验结果表明，仅依据图像的光谱信息，其分类正确率为69.8%，但引入纹理分析方法之后，分类精度在 75.0%-77.6% 之间。可见，将光谱信息和纹理信息相结合，可使分类 的精确度大大提高。l987 年李永宁、游志胜 37 等通过提取遥感图像的纹理特征，再结合类别的多少和训 练样本的数目以及特征的个数，成功的设计出了 fisher 线性分类器，并对广州郊区地面航 片进行了大量植被分类判别试验，最好的分类正确率高达95。4.5 在城市建筑物识别中的应用 地震造成的建筑物倒塌和破坏，是人员伤亡、经济损

25、失和社会组织功能破坏的主要原因。如何从卫星遥感影像中准确有效地提取出建筑物信息，在城市防震减灾工作中具有重 要意义 38 。宋晓宇 38 在对多光谱和全色影像进行融合处理的基础上，引入了高程信息，并采用正 交小波变换方法提取了图像中的纹理信息，得到了不同分辨率、多方向性的纹理特征图 像，成功的实现了对高、中、低层建筑物的分类，提高了地震灾情评估的精度。正如前所述，目前已有许多纹理分析方法成功地应用在了地学的各个领域。尽管纹理 分析方法已被广泛的讨论，然而目前仍不易从定量分析的角度来找出良好的纹理模型。通 常纹理都是针对某种特定应用而特别加以设计。因此，找出一个能广泛适用的纹理模型实 属不易。随

26、着图像处理技术及遥感技术的迅速发展，纹理分析方法在地学领域中的应用技术正 在日趋完善，并且有着广阔的应用前景。如何利用纹理分析方法为西部干旱地区的农业发 展，土地资源和水资源的监测和保护，自然灾害，主要是洪涝灾害的预测、监测和防御等 提供理论依据，自然成为了讨论最多的话题。这方面的研究工作必将得到进一步的重视， 深入的对其进行研究可为编制国土规划和地区经济规划提供动态信息和基础数据，为区域 经济社会的可持续发展作出贡献。参考 文 献：1 Hawkins J K. Textural properties for pattern recognition. Picture Processing an

27、d Psychpictorics. New York: Academic Press,1970.347-370.2 Haralick R M. Statistical and Structural Approaches to Texture. Proceeding of the IEEE.1979.67:786-804 .3 B.R.Povlow and S.M.Dunn. Texture classification using noncausal hidden Markov models. IEEE Trans. PAMI.1995.17(10):1101-1014.4 B.S.Manju

28、nath and R.Chellappa.Unsupervised texture segmentation using Markov random field models. IEEE Trans.PAMI.1991.13(5):478-482.5 Rangasamil K ， Ramalingam C.Estimation and Choice of Neighbors in Spatial-Interaction Models of Images. IEEE Trans.on IT,1983.29(1):60-72.6 A.Pentland. Fractal-based descript

29、ion of natural scenes, IEEE Trans. on PAMI, 1984.Vol.6,No.6.7 B.B.Mandelbrot. Fractals: Form, chance and dimension, San Francisco, CA: freeman,1977.8 A.Pentland. Fractal-based description of natural scenes, in Proc.IEEE Conf. Comput. Vision and Pattern Recognition' 83,Arlington, VA,July,1983.9 L

30、uiz Alberto Blanco Jorge, Gilberto Jose Garcia, A study of habitat fragmentation in Southeastern Brazil using remote sensing and geographic information systems(GIS). Forest Ecology and Management,1997.98(1):35-47.10 Gupta R K, Pprasad S and Krishna Rao P V. Evaluation of Spatial Upscaling Algorithms

31、 for Different Land Cover Types. Adv. Space Res,1998.22(5):625-628.11 B.B.Mandelbrot. The Fractal Geomoetry of Nature. New York: Freeman,1983.20-24.12 Franklin S E, Peddle D R. Spectrum texture for improved class discrimination in complex terrain. International Journal of Remote Sensing,1989.10(8):1

32、437-1443.13 S.P.S.Kushwaha,S.Kuntz and G.Oesten. Application of image texture in forest classification. International Journal of Remote Sensing,1994.15(11):2273-2284.14 SHIH,E.,and SCHOWENGERDT,R.A.,1983,Classification of arid geomorphic surfaces using Landsat spectral and textural features. Photogr

33、ammetric Engineering and Remote Sensing,49,337-347.15 WANG,LI,and HE,D.C.,1991,Recognition of lithological units in airborne SAR images using new texture features. Proceedings I.E.E.E. Transactions on Geoscience and Remote Sensing,GE-26,991-994.16 SKIDMORE,A.K.,1989,Unsupervised training area select

34、ion in forests using a nonparametric distance measure and spatial information. International Journal of Remote Sensing,10,133-146.17 GORDON,D.K.,and PHILLIPSON,W.R.,1986,A texture enhancement procedure for separationg orchard from forest in Thematic Mapper data. International Journal of Remote Sensi

35、ng,8,301-304.18 FRANKLIN,S.E.,and PEDDLE,D.R.,1990.Classificaion of SPOT HRV imagery and texture features. International Journal of Remote Sensing,11,551-556.19 SAXON,E.C.,1984,Multitemporal texture transformed Landsat imagery for mapping ecological gradients.Proceedings of Third Australasian Remote Sensing Conference,Brisbane,Australia,pp.255-259.20 李厚强,刘政凯,林峰.基于分形理论的航空图像分类方法 .遥感学报 ,200