余坤勇，許章華，劉 健，繆麗娟

(1．福建農(nóng)林大學(xué)3S技術(shù)應(yīng)用研究所，福建 福州 350002；2．福建農(nóng)林大學(xué)林學(xué)院，福建 福州 350002；3．三明學(xué)院，福建 三明 365000)

我國是竹林分布最廣的國家，竹因其枝桿挺拔修長、四季青翠、凌霜傲雪，倍受炎黃子孫的喜愛。古今文人墨客，嗜竹詠竹者眾多。竹具有多種用途，可用于制簡、作筏、建筑、樂器等各個方面。隨著科技水平和加工工藝的提高，竹的功能還在不斷地擴(kuò)展與深化。由于經(jīng)濟(jì)效益顯著，近年來林業(yè)部門、企業(yè)和林農(nóng)經(jīng)營竹林的積極性高漲，在福建、浙江、湖南等地已經(jīng)興起了竹林的產(chǎn)業(yè)化經(jīng)營，高效、集約的竹產(chǎn)業(yè)鏈正逐步形成。因而，及時掌握竹林的分布狀況成為不得不解決的基礎(chǔ)問題。傳統(tǒng)上，竹林的分布信息由實地調(diào)查實現(xiàn)(如一類和二類調(diào)查)，該方法為我們了解林業(yè)資源狀況，從而有效地保護(hù)與利用它們提供了可靠的材料支撐，是我國林業(yè)可持續(xù)發(fā)展的重要推動力。然而，該方法耗時、費力、成本高與調(diào)查周期長、時效性差等明顯缺陷也已成為亟待解決的問題。3S技術(shù)的發(fā)展為資源調(diào)查提供了新動力，其在林業(yè)調(diào)查與監(jiān)測中的應(yīng)用日益廣泛，技術(shù)也不斷成熟[1-7]。竹林的遙感影像特征與馬尾松等典型樹種較為相似，加之山地丘陵區(qū)顯著的地形因子的干擾，提取難度較大。筆者在開展南方山地丘陵區(qū)竹林監(jiān)測研究的過程中，積累了一些經(jīng)驗，提出了“基于片層—面向類”的信息提取算法，實例證明，利用該方法在TM影像上提取竹資源的有效性可達(dá)84％以上[8]。本文在前期研究的基礎(chǔ)上，以2008年福建省順昌縣ALOS遙感影像為數(shù)據(jù)源，利用“基于片層—面向類”算法開展竹林信息提取工作，進(jìn)一步驗證其有效性。同時，作兩點改進(jìn)：一是除利用基于像元的監(jiān)督分類外，補充近年來在遙感領(lǐng)域斬露頭角的面向?qū)ο蟮男畔⑻崛∷季S，以作比較；二是增加對“非片層區(qū)”的處理，以進(jìn)一步提高竹林提取的精度。

1 研究區(qū)竹林生境分析

研究區(qū)順昌縣位于福建省西北部，武夷山脈南麓，閩江上游金溪、富屯溪交匯處，土地面積1 985 km2，經(jīng)緯度為117°30′-118°14′E， 26°39′-27°121′N。境內(nèi)以山地丘陵地貌為主，屬中亞熱帶海洋性季風(fēng)氣候，年均溫19 ℃，年均降雨2 051 mm；氣候、土壤得天獨厚，是林木生長繁衍的絕佳地區(qū)，森林覆蓋率82.8％，綠化程度95.1％，是我國南方重點林區(qū)，享有“中國竹子之鄉(xiāng)”“中國杉木之鄉(xiāng)”“中國竹蓀之鄉(xiāng)”“中國航天育種高科技應(yīng)用農(nóng)業(yè)示范基地”等美譽。

順昌縣竹林資源豐富，據(jù)2003年小班調(diào)查數(shù)據(jù)顯示，順昌縣共有竹林37 828 hm2，其中毛竹林37 278 hm2，占竹林總面積的98.5％強，而其他竹種雖涵蓋種類眾多，有苦竹、剛竹、南平綠竹、羅漢竹、四方竹等，但面積甚小，遂通稱“雜竹”。可見，順昌縣在開展竹林經(jīng)營及發(fā)展竹林產(chǎn)業(yè)時，應(yīng)著重考慮毛竹林的生長特性。作為一種多年生的高大喬木，毛竹林廣泛分布于中亞熱帶，其適宜于氣候溫暖、土壤深厚、肥沃和排水良好的環(huán)境；在氣溫變幅小，降水分配均勻，海拔800 m以下的丘陵和低山地區(qū)生長最好。順昌縣的降水、氣溫、土壤以及地形地貌條件恰好滿足毛竹林的生境需求。由于竹林尤其是毛竹林具有較顯著的生態(tài)幅，故為利用遙感與地理信息開展大區(qū)域的監(jiān)測提供了理論支撐，也為竹林信息提取算法的構(gòu)建與應(yīng)用創(chuàng)造了有利條件。

2 資料收集與影像預(yù)處理

收集的資料主要有：研究區(qū)2008年ALOS多光譜影像3景(分辨率10 m)、全色波段影像5景(分辨率2.5 m)，行政區(qū)劃邊界圖、2007年林業(yè)小班基本圖、福建省1∶10 000地形圖及2008年實地獲取的竹林(主要是毛竹)、杉木、馬尾松、闊葉樹及各種混交林等典型森林類型的GPS坐標(biāo)與利用ASD光譜測定儀測得的光譜數(shù)據(jù)。

ALOS衛(wèi)星是日本宇航研究開發(fā)機(jī)構(gòu)(JAXA)于2006年1月24日成功發(fā)射的新一代陸地觀測衛(wèi)星，載有三個傳感器，分別是全色遙感立體測繪儀(PRISM)、先進(jìn)可見光與近紅外輻射計—2(AVNIR-2)和相控陣型L波段合成孔徑雷達(dá)(PALSAR)。ALOS是典型的光學(xué)遙感衛(wèi)星，為太陽同步近極地軌道，PRISM傳感器能獲取2.5 m空間分辨率的全色影像，AVNIR-2傳感器則能獲取10 m空間分辨率的多光譜影像[9]。研究所收集的8景影像便來源于這兩個傳感器。對遙感影像的預(yù)處理包括幾何校正、配準(zhǔn)、直方圖匹配、鑲嵌、裁剪等，其中校正和配準(zhǔn)誤差均控制在0.3個像元以內(nèi)。為提高影像的可判讀性，采用主成分變換法將ALOS多光譜與全色影像進(jìn)行融合，使其既具有多光譜特征，又具有較高的空間分辨率。影像中左上角有部分云層，其他區(qū)域可視效果較好(圖1)。

圖1 順昌縣2008年ALOS影像(ALOS432)

3 “基于片層—面向類”的竹林信息提取

3.1 “基于片層—面向類”的竹林信息提取算法概述

圖2 順昌縣各典型森林類型光譜曲線圖

將野外實測的毛竹、杉木、馬尾松、闊葉樹、竹針混交、竹闊混交、杉闊混交等森林類型的光譜數(shù)據(jù)，繪制成光譜曲線圖(圖2)，可知各森林類型的光譜反射率曲線形狀相似，在520～600 nm之間都有一個反射小峰，是由各樹種的葉綠素引起的；在720 nm處反射率急劇增加上升，這是因為葉子的細(xì)胞壁和細(xì)胞間隙折射率不同，導(dǎo)致多重反射引起。在520～600 nm之間，杉木的反射率明顯偏高，杉闊混交林的反射率偏低，這兩種森林類型易于與其他類型區(qū)分開；在720～900 nm之間，杉木反射率最大，闊葉樹反射率最小，各森林類型之間的反射率差異較大，相對較易區(qū)分?？傮w上看，毛竹的反射率在720～900 nm處最小，與其他森林類型有一定的可分性；而在400～720 nm處時，與其他森林類型的反射率相互交錯，不利于解譯。由此可見，單純基于光譜特征的地物識別可利用的波段特征較少，信息提取過程中必然存在較大的干擾。前人研究也表明，地物分布多具有極強的非線性特征，空間上分布也很復(fù)雜，光利用遙感影像光譜信息難以很好地區(qū)分地物[10]。紋理是一種反映一個區(qū)域中像素灰度級的空間分布屬性，表現(xiàn)為圖像灰度在空間上的變化和重復(fù)或圖像中反復(fù)出現(xiàn)的局部模式(紋理單元)及其排列規(guī)則[8,11]。利用紋理信息提取圖像中的地物對象具有較好的應(yīng)用效果[12-14]。李春干等[15]利用光譜和紋理信息構(gòu)建了專家知識系統(tǒng)對SPOT5圖像進(jìn)行森林分類，并探討了歷史調(diào)查數(shù)據(jù)在該模式中的貢獻(xiàn)率，指出歷史數(shù)據(jù)對竹林、八角玉桂、灌木林等的分類精度影響較大，主要是由于這幾個類別的光譜和紋理信息本身存在較大的重疊部分，難以分離。諸多理論與實踐成果均表明，竹林信息的有效提取需要充分利用遙感影像的光譜與紋理等特征，通過構(gòu)造算法實現(xiàn)其更加有效的提取。這是筆者提出“基于片層—面向類”的竹林信息提取算法的依據(jù)與源泉。

“片層”定義為邊緣圍繞的連成一片的統(tǒng)計上均勻的區(qū)域，而分片所形成的不同區(qū)域可以說是空間上連接在一起的像元，即將光譜值或像元灰度值相似的像元分割出來，形成單獨的層?！盎谄瑢印嫦蝾悺钡男畔⑻崛∷惴?，是在運用光譜分析技術(shù)實現(xiàn)“片層”分割的基礎(chǔ)上，對該“片層”進(jìn)行紋理信息提取，用紋理信息識別光譜特征無法有效同譜異物的地物信息，實現(xiàn)竹林信息的有效提取[8]。其流程如圖3所示。

圖3 “基于片層-面向類”的竹林信息提取算法流程

3.2 竹林信息提取算法應(yīng)用

3.2.1 林地專題信息提取 影像中包含林地、耕地、園地、居民地、交通用地、水體、未利用地等多個土地利用類型的信息，為排除其他類型的干擾，須分割出林地的影像。林地專題信息提取的方法較為豐富，有歸一化差值植被指數(shù)(NDVI)法、神經(jīng)網(wǎng)絡(luò)法、面向?qū)ο蠓ǖ萚8,16-17]。研究利用ERDAS遙感處理軟件求得NDVI(-1≤NDVI≤1)，設(shè)置NDVI>0.25，較好地提取出林地信息，并分割出林地所對應(yīng)的ALOS影像。

3.2.2 基于光譜的竹林片層分割

1)明亮區(qū)和陰影區(qū)林地分割。

受海拔、坡向、坡度等地形因子及地物本身立體性的影響，同類地物在遙感影像上的表征可能相差較大，而不同地物在影像上的表征則可能較為類似，這種“同物異譜”“異物同譜”現(xiàn)象的普遍存在要求我們在進(jìn)行影像解譯時需要綜合考慮地形因子的影響。順昌縣多為山地丘陵地形，研究對利用ASD光譜測定儀在不同的地形條件下實測的竹林、杉木、馬尾松、闊葉樹等典型植被的光譜數(shù)據(jù)進(jìn)行分析，亦驗證了上述規(guī)律。鑒于此，經(jīng)反復(fù)嘗試，最終設(shè)置ALOS影像近紅外波段的閾值為74(DN值)，較好地將明亮區(qū)和陰影區(qū)的林地分割開來，以作分別處理。

2)明亮區(qū)竹林片層分區(qū)。

經(jīng)實地調(diào)查，明亮區(qū)竹林分布面積較陰影區(qū)大得多，這與竹喜陽的生物學(xué)特性密切相關(guān)，故明亮區(qū)竹林信息提取的有效性是本研究成敗的關(guān)鍵。為增強不同植被的影像特征差異，研究對圖像進(jìn)行纓帽變換，將原始圖像數(shù)據(jù)結(jié)構(gòu)軸進(jìn)行旋轉(zhuǎn)，從而優(yōu)化圖像數(shù)據(jù)顯示效果[18]；對纓帽變換后的圖像進(jìn)行最佳波段選擇，采用最佳指數(shù)法(OIF)輔以目視效果對比，最終確定TC123的組合效果最佳。在此基礎(chǔ)上，利用ERDAS的最大似然法對TC123組合圖進(jìn)行監(jiān)督分類，得到明亮區(qū)竹林的分布圖。將此結(jié)果與小班基本圖進(jìn)行對照，發(fā)現(xiàn)該分布圖與實際情況還有所差距，說明單純利用光譜信息難以有效地將竹林與杉木、馬尾松、闊葉林等主要植被區(qū)分開來，需要引入其他特征量予以進(jìn)一步劃分?！盎谄瑢印嫦蝾悺钡闹窳中畔⑻崛∷惴▽⒈静襟E獲得明亮區(qū)竹林分布圖的過程稱作“明亮區(qū)片層分區(qū)”。片層分區(qū)時應(yīng)盡量做到：假設(shè)分區(qū)圖的總面積為S，其中劃分正確的竹林面積為S1，不正確的面積為S2，而竹林的實際面積為S'，需要滿足①S∈[1.5S'，2S']，②S1>>S2，③S1∈[0.9S'，S']，意即允許竹林在一定范圍內(nèi)多提取，而需要嚴(yán)格控制漏提的竹林面積。這就要求在選取分類模板的時候，可適當(dāng)減少非竹林的樣本數(shù)，且選取樣本毋須太過嚴(yán)格。

3)陰影區(qū)竹林片層分區(qū)。

陰影區(qū)的影像面積較之于明亮區(qū)小得多，且竹林在該區(qū)域的分布面積也較小，故陰影區(qū)竹林片層的分區(qū)可相對簡化。計算陰影區(qū)ALOS影像4個波段的標(biāo)準(zhǔn)差與相關(guān)系數(shù)，獲得各種組合方式的OIF指數(shù)值并予以排序，最終選定ALOS124為最佳組合方式。同樣參照上述片層分區(qū)應(yīng)注意的問題，利用最大似然法實現(xiàn)陰影區(qū)竹林片層的分區(qū)。

4)竹林片層分割。

將明亮區(qū)竹林片層分區(qū)圖與陰影區(qū)竹林分區(qū)圖疊加后，對ALOS影像進(jìn)行掩膜，從而分割出片層分區(qū)圖所對應(yīng)的影像，在此稱其為“竹林片層”，這是面向類的信息提取的直接數(shù)據(jù)；而其他影像區(qū)域則命名為“非片層區(qū)”。

3.2.3 面向類的竹林信息提取

1)主成分變換。

ALOS影像含4個波段，ENVI遙感處理軟件的灰度共生矩陣提供了8個紋理量，32維的數(shù)據(jù)不利于信息提取工作的有效開展，故研究首先利用主成分變換(PCA)對ALOS影像進(jìn)行降維處理。第一、二、三、四主成分的貢獻(xiàn)率依次為：99.25％、0.62％、0.12％、0.01％。

2)基于灰度共生矩陣的紋理信息提取。

因第一主成分的貢獻(xiàn)率高達(dá)99.25％，基本上可代表原圖像的信息，故研究僅抽取該主成分進(jìn)行紋理信息提取?；叶裙采仃?GLCM)是紋理分析的方法之一，它提供了影像中像元與像元、像元與整體影像間的空間關(guān)系，可從多個側(cè)面描述影像的紋理特征[19]。ENVI中提供的紋理量有：均值、方差、協(xié)同性、對比度、相異性、熵、角二階矩、相關(guān)性。在進(jìn)行紋理信息提取前，需要先確定窗口大小和步長兩個重要參數(shù)。經(jīng)不同窗口大小和步長的測試，選定窗口大小為5×5、步長為(1，1)。

3)最佳紋理量選擇。

紋理信息提取后得到一幅8維紋理圖，為提高面向類的竹林信息提取效率，選擇最佳的紋理量組合。在此，除利用上述OIF指數(shù)法外，引入香農(nóng)信息熵、相關(guān)系數(shù)兩個指標(biāo)加以分析。香農(nóng)信息熵可表征一幅圖像信息量的多少[20]，而利用相關(guān)系數(shù)進(jìn)行分析，可有效地剔除冗余信息，既能保證質(zhì)量，又能減少工作量。因所使用的ALOS影像數(shù)據(jù)穩(wěn)定性相對較差，相關(guān)性紋理出現(xiàn)了較多的異常值，無法用于計算，故予以剔除。這樣綜合分析剩余7個紋理量的香農(nóng)信息熵、相關(guān)系數(shù)及相應(yīng)組合的OIF指數(shù)，最終確定均值、方差、對比度為最佳紋理量組合(圖4)。

4)面向類的竹林信息提取。

觀察最佳紋理量組合圖可以發(fā)現(xiàn)，圖中主要表征為紅色與藍(lán)黑兩種顏色，結(jié)合林業(yè)小班基本圖和實測樣點，可知紅色調(diào)區(qū)主要為竹林，而其他樹種則主要顯示為藍(lán)黑色調(diào)，且二者的影像連續(xù)性有較大差異，可見經(jīng)竹林片層分割后引入“紋理類”可十分有效地增強竹林信息的可判讀性。為檢驗“基于片層—面向類”竹林信息提取算法的有效性，分別采用傳統(tǒng)的基于像元與新興的面向?qū)ο蟮姆诸愃季S進(jìn)行竹林信息提取。

傳統(tǒng)的基于像元統(tǒng)計特征的監(jiān)督分類方法以具體像元為處理對象，主要考慮像元的鄰近關(guān)系和統(tǒng)計特征，分類規(guī)則的建立主要依據(jù)像元的統(tǒng)計規(guī)律[21]。本研究基于像元的竹林信息提取在ERDAS中實現(xiàn)，結(jié)果見圖5。

基于像元的分類結(jié)果往往由于個別像元的不確定性而呈椒鹽狀，而圖像分析時非常重要的語義信息不通過單個像元表達(dá)，面向?qū)ο蠓▽D像分割成具有一定意義的均質(zhì)對象，用一組特征來描述對象，最后建立對象與類結(jié)構(gòu)之間的關(guān)系和差別規(guī)則，將對象分配到相應(yīng)的類中，所以理論上面向?qū)ο蠓ǜm于影像信息的挖掘[21-23]。研究利用ENVI Zoom的特征提取模塊，通過影像分割、合并分塊、精煉分割、屬性計算等步驟實現(xiàn)目標(biāo)物體的尋找，爾后定義竹林與非竹林的訓(xùn)練區(qū)，執(zhí)行K臨近法實現(xiàn)面向?qū)ο蟮闹窳中畔⑻崛?圖6)。

3.2.4 非片層區(qū)竹林信息的進(jìn)一步提取

雖然非片層區(qū)中竹林面積所占比重很小，但為了進(jìn)一步提高精度，在完成“基于片層—面向類”的竹林信息提取的基礎(chǔ)上，利用ERDAS對非片層區(qū)也進(jìn)行監(jiān)督分類，從而獲得該區(qū)域的竹林信息，并將結(jié)果圖分別與圖5,6進(jìn)行疊加，得到進(jìn)一步提取后的竹林信息圖(圖7,8)。

3.3 “基于片層—面向類”的竹林信息提取結(jié)果分析

為驗證分類有效性，選取2008年實測的樣點539個，其中205個為竹林，剩余334個為非竹林，利用精度評估法對竹林信息提取結(jié)果進(jìn)行評價(表1)。

從表1可以看出，對非片層區(qū)竹林信息進(jìn)一步提取下，面向?qū)ο蟮姆诸惪偩扰cKappa略高于傳統(tǒng)的基于像元的分類，且兩種方法下的竹林信息提取精度均達(dá)到84％以上，滿足林業(yè)生產(chǎn)實踐需求。對比圖5與圖6、圖7與圖8可以發(fā)現(xiàn)，基于像元的分類結(jié)果圖呈一定程度的椒鹽狀，其影像連續(xù)性與目視效果亦較面向?qū)ο笥兴啡?。兩種方法結(jié)果雖相差不大，但面向?qū)ο蠓椒赡芨m用于諸如ALOS這樣的高分辨率遙感影像。基于像元與面向?qū)ο髢煞N方法的應(yīng)用結(jié)果共同表明，“基于片層—面向類”算法適用于南方山地丘陵區(qū)的竹林信息提取。

圖4 最佳紋理量組合圖(均值、方差、對比度)

圖5 基于像元提取的竹林信息圖

圖6 面向?qū)ο筇崛〉闹窳中畔D

圖8 進(jìn)一步提取后面向?qū)ο蟮闹窳中畔D

表1 竹林信息提取分類精度

4 結(jié)論與討論

1)本文運用“基于片層—面向類”的竹林信息提取算法，以ALOS高分辨率遙感影像為數(shù)據(jù)源，分別采用基于像元與面向?qū)ο蟮姆诸愃枷?，較好地實現(xiàn)了南方山地丘陵區(qū)順昌縣的竹林信息提取，并對非片層區(qū)進(jìn)行進(jìn)一步提取，結(jié)果表明，基于像元與面向?qū)ο蟮奶崛【确謩e達(dá)84.42％、86.46％，Kappa系數(shù)分別為0.677 3、0.723 4。

2)從精度上看，面向?qū)ο蠓詢?yōu)于傳統(tǒng)的基于像元的監(jiān)督分類；從圖像目視效果上看，面向?qū)ο蠓ǖ倪B續(xù)性更佳。兩種方法結(jié)果雖相差不大，但面向?qū)ο蠓椒赡芨m用于諸如ALOS這樣的高分辨率遙感影像。二者共同表明，“基于片層—面向類”算法適用于南方山地丘陵區(qū)的竹林信息提取。

3)在單純利用光譜特征難以有效實現(xiàn)信息提取的前提下，可引入紋理信息，從而增強竹林的可判讀性，這也是深入挖掘影像信息的必然要求。

4)對竹林生境分析可知，地形是竹林信息提取工作需重點考慮的因子，本文僅考慮了坡向因子，然而竹的分布與海拔、坡度等亦有緊密聯(lián)系，若加入這些因子，分多種地形組合情況予以分別考慮，提取精度應(yīng)還會有所提高。影像中云層分布區(qū)域尚有部分竹林信息無法自動提取，本研究予以了舍棄。在研究開展過程中，我們發(fā)現(xiàn)，ALOS影像的分辨率雖可達(dá)2.5 m，但由于其占用空間十分龐大，且數(shù)據(jù)質(zhì)量欠穩(wěn)定，故給本研究尤其是面向?qū)ο蠓ǖ姆诸愡^程增加了不少困難。

參考文獻(xiàn)：

[1]李亦秋,馮仲科,鄧歐,等.基于3S技術(shù)的山東省森林蓄積量估測[J].林業(yè)科學(xué),2009,45(9): 85-93.

[2]許章華,劉健,余坤勇.基于RS與GIS地震災(zāi)害后森林植被重建的關(guān)鍵技術(shù)探討[J].江西農(nóng)業(yè)大學(xué)學(xué)報,2009,31(3): 437-440.

[3]趙志平,邵全琴,黃麟.2008年南方特大冰雪凍害對森林損毀的NDVI響應(yīng)分析——以江西省中部山區(qū)林地為例[J].地球信息科學(xué)學(xué)報,2009,11(4): 536-540.

[4]劉濤,谷建才,陳鳳娟,等.“3S”技術(shù)在森林資源調(diào)查中的應(yīng)用與展望[J] 中國農(nóng)學(xué)通報,2008,24(11): 156-159.

[5]曾慶偉,武紅敢,蘇淼.基于TM數(shù)據(jù)的林冠狀態(tài)變化遙感監(jiān)測研究[J].遙感技術(shù)與應(yīng)用,2009,24(2): 186-191.

[6]MUUKKONEN P,HEISKANEN J.Biomass estimation over a large area based on stand wise forest inventory data and ASTER and MODIS satellite data: A possibility to verify carbon inventories[J].Remote Sensing of Environment,2007 (107): 617-624.

[7]MANI S,PARTHASARATHY N.Above ground biomass estimation in ten tropical dry evergreen forest sites of peninsular India[J].Biomass and Bioenergy,2007 (31): 284-290.

[8]余坤勇,劉健,許章華,等.南方地區(qū)竹資源專題信息提取研究[J].遙感技術(shù)與應(yīng)用,2009,24(4): 449-455.

[9]吳海平,劉順喜,張榮慧.ALOS在土地資源調(diào)查與監(jiān)測中的應(yīng)用研究[J].測繪與空間信息,2009,32(5): 87-91.

[10]謝麗軍,張友靜,張子衡,等.結(jié)合KPCA和多尺度紋理的IKONOS遙感影像決策樹分類[J].遙感信息,2010 (3): 88-93.

[11]楊志剛.紋理信息在遙感影像分類中的應(yīng)用[D].南京: 南京林業(yè)大學(xué),2006.

[12]SOFOUA,EVANGELOPOULOS G,MARAGOS P.Soil image segmentation and texture analysis: A computer vision approach[J].Geoscience and Remote Sensing Letters,2005,2(4): 394-398.

[13]WANG Z Y,SONG C Y,WU Z Z,et al.Improved watershed segmentation algorithm for high resolution remote sensing images using texture[C].Geoscience and Remote Sensing Symposium， 2005: 3721-3723.

[14]鮑海英,李艷,趙萍.輔以紋理特征的面向?qū)ο蟮倪b感影像分類方法研究——以陜西省楊凌縣為例[J].遙感信息,2009 (4): 33-37.

[15]李春干,代華兵.基于光譜紋理信息和知識挖掘的SPOT5遙感圖像分類研究[J].福建林學(xué)院學(xué)報,2009,29(3): 231-236.

[16]呂婷婷,孫曉宇,于伯華.基于MODIS數(shù)據(jù)的泰國林地資源提取[J].資源科學(xué),2008,30(7): 1076-1083.

[17]李曉峰,張樹清,那曉東,等.利用Contourlet域紋理特征在高分辨率遙感影像上提取林地邊界[J].林業(yè)科學(xué)研究,2008,21(s): 142-145.

[18]黨安榮,王曉棟,陳曉峰,等.遙感圖像處理方法[M].北京: 清華大學(xué)出版社,2003: 116.

[19]顏梅春,張友靜,鮑艷松.基于灰度共生矩陣法的IKONOS影像中竹林信息提取[J].遙感信息,2004 (2): 31-34.

[20]李俊杰,何隆華,戴錦芳,等.基于遙感影像紋理信息的湖泊圍養(yǎng)殖區(qū)提取[J].湖泊科學(xué),2006,18(4): 337-342.

[21]孫永軍,童慶禧,秦其明.利用面向?qū)ο蠓椒ㄌ崛竦匦畔J].國土資源遙感,2008 (1): 79-82.

[22]張建國,李憲文,吳延磊.面向?qū)ο蟮亩←湻N植面積遙感估算研究[J].農(nóng)業(yè)工程學(xué)報,2008,24(5): 156-160.

[23]蘇簪鈾,邱炳文,陳崇成.基于面向?qū)ο蠓诸惣夹g(shù)的景觀信息提取研究[J].遙感信息,2009 (2): 42-46.