孫 磊，曹曉光

（北京航空航天大學(xué) 圖像處理中心，北京 100191）

基于多種紋理特征的全色圖像云雪區(qū)特征提取

孫 磊，曹曉光

（北京航空航天大學(xué) 圖像處理中心，北京 100191）

針對(duì)全色圖像云檢測(cè)與雪檢測(cè)的問題，文中提出了一種基于多種紋理特征的特征提取方法。首先，利用自適應(yīng)的大津閾值分割算法提取云、雪區(qū)域。然后，通過分形維數(shù)、灰度共生矩陣、小波變換等方法提取云、雪區(qū)域的多種紋理特性。最后，利用徑向基核函數(shù)的支持向量機(jī)（Support Vector Machine，SVM）分類器進(jìn)行云雪自動(dòng)檢測(cè)。典型遙感數(shù)據(jù)的實(shí)驗(yàn)結(jié)果驗(yàn)證了本文算法的有效性。

全色圖像；種紋理特征；特征提取；云雪檢測(cè)

遙感圖像云、雪檢測(cè)是遙感應(yīng)用研究中的重點(diǎn)和難點(diǎn)問題之一。雪的存在會(huì)給遙感監(jiān)測(cè)人員統(tǒng)計(jì)圖像中云的覆蓋量的工作造成干擾；同時(shí)，云的存在也會(huì)降低積雪檢測(cè)的準(zhǔn)確率。因此，提出一種云、雪自動(dòng)識(shí)別的可靠方法具有十分重要的應(yīng)用意義。

何全軍等利用云和雪在近紅外波段反射率的差異來檢測(cè)云雪[1]；殷青軍等提取多個(gè)波段的反射率和亮溫差，進(jìn)行基于NORR/AVHRR數(shù)據(jù)的云雪識(shí)別[2]。然而，鑒于云、雪在全色波段的光譜特性相似，難以有效地區(qū)分云和雪，基于全色圖像的云、雪識(shí)別方法并不多見。

1 全色圖像典型云雪區(qū)域特征分析

丁海燕等的方法利用分形維數(shù)特征表征圖像整體與局部紋理的相似程度[3]。但是，實(shí)際雪區(qū)的紋理存在多樣性。圖1給出了典型的云、雪樣本。圖1（a）是全色圖像中典型的云樣本?？梢姡频恼w和局部紋理相似度較高。圖1（b）給出了覆蓋山脈的永久積雪，受地面紋理影響，雪的局部紋理與整體紋理呈現(xiàn)較大差異。然而，圖1（c）給出的積雪樣本未受地面紋理的影響，其整體和局部的紋理也存在顯著的相似性?？梢?，丁海燕等的基于分形維數(shù)作為單個(gè)紋理特征的云、雪識(shí)別方法不能用來檢測(cè)未受地面紋理影響的雪，該方法具有局限性。

圖1 典型云、雪樣本Fig.1 Typical cloud and snow samples

本文采用多種紋理特征相結(jié)合的特征提取方法進(jìn)行云、雪檢測(cè)。該方法不僅利用了分形維數(shù)特征，同時(shí)結(jié)合了灰度共生矩陣相關(guān)性特征以及小波變換的方法來進(jìn)一步描述云、雪的紋理。

灰度共生矩陣的相關(guān)性特征，體現(xiàn)了灰度共生矩陣行或者列之間的相似性，表征圖像灰度級(jí)之間的線性相關(guān)程度。也就是說，相關(guān)性反映了特定灰度值沿著特定方向延伸的長(zhǎng)度，延伸越長(zhǎng)，紋理的方向性越強(qiáng)，其相關(guān)性值也越大。比較圖1給出的云樣本（a）和雪樣本（b）?？梢姡频募y理雜亂沒有規(guī)律，而雪的紋理具有更好的方向性。

此外，云樣本（a）邊緣紋理較模糊，雪樣本（b）、（c）邊緣紋理較清晰?？梢姡频倪吘壔叶茸兓^緩慢，對(duì)應(yīng)小波變換后低頻分量較多；而雪的紋理邊緣灰度變化較快，對(duì)應(yīng)小波變換后高頻分量較多。因此，通過離散小波變換計(jì)算高頻成分能量占圖像總能量的比值可以反映云、雪邊緣紋理的差異。

2 基于多種紋理特征相結(jié)合的特征提取

本文利用云、雪的高反射率特性，采用大津閾值分割的方法將目標(biāo)區(qū)域與背景分離[4]，之后通過分形維數(shù)、灰度共生矩陣、離散小波變換提取多種紋理特征計(jì)算云、雪的覆蓋分布。

2.1 分形維數(shù)

分形維數(shù)的具體計(jì)算方法如下：定義 f（x，y）是位置（x，y）點(diǎn)的像素灰度值，按照空間尺度r將M×M大小的圖片分割成r×r大小的小區(qū)域，每一個(gè)小區(qū)域上是一列r×r×h大小的盒子，h代表了單個(gè)盒子的高度，G表示整幅圖像的灰度級(jí)。h定義如下：

覆蓋第（i，j）個(gè)區(qū)域的盒子數(shù)目可由下式計(jì)算：

其中，l和k分別表示區(qū)域中灰度的最大值和最小值。整幅圖像的盒子數(shù)目可以通過下式獲得：

定義對(duì)應(yīng)空間尺度r的分形維數(shù)為：

對(duì)于不同的空間尺度r，求出對(duì)應(yīng)的Nr。分別以log（1/r）為橫坐標(biāo)，log（Nr）為縱坐標(biāo)，將一系列 log（1/r）和 log（Nr）描繪在圖上，利用最小二乘法擬合這些點(diǎn)，將直線的斜率作為整幅圖像的分形維數(shù)[5]。

2.2 灰度共生矩陣

灰度共生矩陣是一種通過研究灰度的空間相關(guān)特性來描述紋理的方法，相關(guān)性特征可以通過構(gòu)建灰度共生矩陣計(jì)算得到?；叶裙采仃嚨亩x如下[6]：定義為圖像中的一對(duì)像素點(diǎn)，i和j分別代表兩個(gè)點(diǎn)的灰度值，兩點(diǎn)間的空間距離為d，夾角為 θ。 通常 d取值為 1 或者 2，θ取值為 0°，45°，90°，135°。

計(jì)算灰度共生矩陣每一點(diǎn)的值如下：

其中，P（i，j，d，θ）表示像素點(diǎn)（i，j）出現(xiàn)的頻率。

相關(guān)性可以通過下式得到：

其中 μi，μj，σi，σj分別表示灰度共生矩陣第 i行和第 j列的期望和方差。

2.3 離散小波變換

本文利用基于Mallat算法的離散小波變換將圖像分解為高頻分量和低頻分量。高頻分量的總能量與圖像總能量的比值反映云、雪的邊緣紋理灰度變化快慢的不同。首先使用一組低通和高通濾波器對(duì)圖像濾波，然后對(duì)輸出結(jié)果進(jìn)行行和列的下二采樣[7]。圖像經(jīng)過一次小波變換被分解成一個(gè)低頻子圖LL和三個(gè)方向上的高頻子圖HL、LH、HH。低頻分量反映圖像的內(nèi)容和背景，高頻分量反映圖像的邊緣和細(xì)節(jié)。定義高頻分量的總能量與圖像總能量的比值ER作為表征圖像邊緣的紋理特征：

其中，Eh，E，Ed分別表示3個(gè)方向上高頻子圖的能量，表示整幅圖像的能量。

3 實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)樣本選自遙感二號(hào)衛(wèi)星采集的高分辨率全色影像，空間分辨率是2米。遙感二號(hào)衛(wèi)星主要覆蓋中國(guó)西部區(qū)域，這些地區(qū)海拔高、山地較多的特點(diǎn)適合永久積雪區(qū)域的形成，因此選擇遙感二號(hào)衛(wèi)星數(shù)據(jù)作為實(shí)驗(yàn)樣本具有非常重要的實(shí)際參考價(jià)值。

本文采取核函數(shù)為徑向基函數(shù)的SVM分類器來驗(yàn)證算法的有效性。通過雙交叉驗(yàn)證算法[8]進(jìn)行參數(shù)尋優(yōu)，得到誤差懲罰系數(shù)C=32.0，徑向基核寬度σ=2.0。截取了200幅64x64大小的圖像作為SVM分類器的訓(xùn)練樣本，其中100幅云樣本，100幅雪樣本。同時(shí)，從其他實(shí)驗(yàn)數(shù)據(jù)截取另外200幅64x64大小的圖像作為測(cè)試樣本，用來評(píng)估SVM分類器的性能。

3.2 實(shí)驗(yàn)步驟和結(jié)果分析

實(shí)驗(yàn)步驟如下：

1）通過大津閾值分割算法得到分離圖像背景與云雪區(qū)域的最佳閾值；

2）把被測(cè)圖像分割成若干64x64大小的子塊，并且計(jì)算每個(gè)子塊的平均灰度值；

3）提取平均灰度值大于的子塊構(gòu)成云雪區(qū)域；4）利用SVM分類器對(duì)目標(biāo)區(qū)域進(jìn)行云雪判別。圖2給出了基于遙感二號(hào)衛(wèi)星數(shù)據(jù)的實(shí)驗(yàn)結(jié)果。

圖2（a）、（b）是兩組遙感二號(hào)衛(wèi)星拍攝的實(shí)驗(yàn)樣本。圖2（c）、（d）是經(jīng)過大津閾值分割后的結(jié)果，通過大津閾值實(shí)現(xiàn)了云雪區(qū)域（白色）與背景區(qū)域（黑色）的分離。圖2（e）、（f）給出僅采用分形維數(shù)特征進(jìn)行特征提取的實(shí)驗(yàn)結(jié)果?？梢?，圖2（e）利用分形維數(shù)特征可以區(qū)分大部分云、雪，而圖2（f）中的云和雪都被檢測(cè)成雪。結(jié)果表明，圖 2（e）中的積雪受山脈紋理的影響，其整體紋理與局部紋理呈現(xiàn)出較大的差異性，分形維數(shù)特征可以起到作用；然而圖2（f）中的積雪并未覆蓋紋理明顯的地物，因而造成分形維數(shù)特征失效，不能實(shí)現(xiàn)云、雪的準(zhǔn)確識(shí)別。圖2（g）、（h）是本論文提出的基于多種紋理特征結(jié)合應(yīng)用的實(shí)驗(yàn)結(jié)果?？梢?，圖 2（g）、（h）基本消除了圖 2（e）、（f）中存在的云塊和雪塊的誤檢。實(shí)驗(yàn)結(jié)果證明，相對(duì)于僅采用分形維數(shù)特征，基于多種紋理特征結(jié)合的方法可以更全面地衡量云、雪的紋理特征，明顯提升云雪自動(dòng)識(shí)別的準(zhǔn)確率。

圖2 實(shí)驗(yàn)結(jié)果對(duì)比Fig.2 Experimental results

3.3 對(duì)比實(shí)驗(yàn)結(jié)果分析

為了更加客觀地說明算法的有效性并且衡量SVM分類器的性能。本文利用兩個(gè)常用的圖像分類器——BP神經(jīng)網(wǎng)絡(luò)分類器、K近鄰分類器，與SVM分類器對(duì)測(cè)試樣本進(jìn)行正確率對(duì)比實(shí)驗(yàn)。

表1為3種分類器對(duì)比實(shí)驗(yàn)的結(jié)果。3種分類器對(duì)檢測(cè)雪的正確率（TN）均為100%，但是，SVM分類器對(duì)云的識(shí)別效果更好（TP=98）。分類結(jié)果顯示，3種分類器的正確率均大于90%，進(jìn)一步驗(yàn)證了本文算法的有效性。

表1 3種分類器的準(zhǔn)確率Tab.1 Accuracy of the three classifiers

4 結(jié) 論

本論文提出一種針對(duì)全色圖像云雪自動(dòng)判別問題的解決方法。該方法采用分形維數(shù)、灰度共生矩陣相關(guān)性、小波變換高頻能量與圖像總能量比值等特征綜合衡量云、雪的紋理信息。分類結(jié)果表明，這些特征的結(jié)合使用可以解決雪區(qū)紋理的多樣性問題，有效提高了云、雪檢測(cè)的準(zhǔn)確率。

[1]何全軍，曹靜，黃江，等.基于多光譜綜合的MODIS數(shù)據(jù)云檢測(cè)研究[J].國(guó)土資源遙感，2006（3）:19-22.

HE Quan-jun，CAO Jing，HUANG Jiang，et al.Cloud detection in MODIS data based on multi-spectrum synthesis[J].Remote sensing for land&Resources，2006（3）:19-22.

[2]殷青軍，楊英蓮，徐維新.NOAA衛(wèi)星資料云雪識(shí)別方法的研究[J].高原氣象，2002，21（5）:526-528.

YIN Qing-jun，YANG Ying-lian，XU Wei-xin.Research on distinguishing between cloud and snow with NOAA images[J].Plateau Meteorology，2002，21（5）:526-528.

[3]丁海燕，馬靈玲，李子揚(yáng)，等.基于分形維數(shù)的全色影像云雪自動(dòng)識(shí)別方法[J].遙感技術(shù)與應(yīng)用，2013，28（1）:52-57.

DING Hai-yan，MA Ling-ling，LI Zi-yang，et al.Automatic identification of cloud and snow based on fractal dimension[J].Remote sensing technology and application，2013，28 （1）:52-57.

[4]楊俊，呂偉濤，馬穎，等.基于自適應(yīng)閾值的地基云自動(dòng)檢測(cè)方法[J].應(yīng)用氣象學(xué)報(bào)，2009，20（6）:713-721.

YANG Jun，LV Wei-tao，MA Ying，et al.Anautomatic ground-based cloud detection method based on adaptive threshold[J].Journal of applied meteorological science，2009，20（6）:713-721.

[5]單娜，鄭天垚，王貞松.快速高準(zhǔn)確度云檢測(cè)算法及其應(yīng)用[J].遙感學(xué)報(bào)，2009，13（6）:1138-1155.

SHAN Na，ZHENG Tian-yao，WANG Zhen-song.High-speed and high-accuracy algorithm for cloud detection and its application[J].Journal of remote sensing，2009，13（6）:1138-1155.

[6]JIA Long-hao，ZHOU Zhong-fa，LI Bo.Study of SAR image texture feature extraction based on GLCM in GuiZhou Karst mountainous region [C]//Proceedings of 2012 2nd InternationalConference on Remote Sensing.Nanjing:Environment and Transportation Engineering （RSETE），2012:1-4.

[7]張波，季民河，沈琪.基于小波變換的高分辨率快鳥遙感圖像薄云去除[J].遙感信息，2011（115）:38-43.

ZHANG Bo，JI Min-he，SHEN Qi.Wavelet based cloud removalfrom high-resolution remote sensing data:an experiment with QuickBird imagery [J].Remote sensing Information，2011（115）:38-43.

[8]QIAN Zhang，KI Jung-Lee，Taeg Keun-whangbo.K-means and double cross-validation algorithm for LS-SVM in Sasang typology classification [C]//Proceedings of2007 IEEE International Conference on Automation and Logistics，Jinan:[s.n.].2007:426-430.

Feature extraction based on combined textural features from panchromatic cloud and snow region

SUN Lei，CAO Xiao-guang
（Image Processing Center of Beihang University， Beijing 100191， China）

A feature extraction algorithm based on several combined textural features is presented to distinguish cloud and snow from panchromatic images.Firstly，the target region of the image including cloud and snow is picked up by an adaptive threshold segmentation method based on Ostu algorithm.Secondly，different kinds of textural features are extracted from the target region by fractal dimension，Gray Level Co Occurrence Matrix （GLCM）and Discrete Wavelet Transform.At last，SVM classifier with RBF kernel is used to distinguish cloud and snow automatically.Experimental results indicate that the proposed method can obviously improve the accuracy under the typical remote sensing data.

panchromatic images； combined textural features； feature extraction； cloud and snow detection

TN919.8

A

1674-6236（2014）02-0174-03

2013-06-21 稿件編號(hào)：201306140

孫 磊（1989—），男，天津人，碩士研究生。研究方向：圖像處理、模式識(shí)別與智能系統(tǒng)。