許章華，劉　健，余坤勇

(1．福州大學環(huán)境與資源學院，福建福州350116；2．福建省水土流失遙感監(jiān)測評估與災害防治重點實驗室，福建福州350116；3．福建農林大學3S技術應用研究所，福建福州350002；4．福建省三明學院，福建三明365000)

?

紋理特征對松林郁閉度的判別能力研究

許章華1,2，劉健3,4，余坤勇3

(1．福州大學環(huán)境與資源學院，福建福州350116；2．福建省水土流失遙感監(jiān)測評估與災害防治重點實驗室，福建福州350116；3．福建農林大學3S技術應用研究所，福建福州350002；4．福建省三明學院，福建三明365000)

摘要：郁閉度具有獲取便捷的特點，是森林資源調查的基本因子之一，也是檢測森林狀態(tài)、檢驗營林效果的重要指標，并已成為許多重要特征遙感反演的基礎數(shù)據(jù)。另一方面，紋理特征成為遙感信息挖掘的重要方向，并被用于判別單純依靠光譜特征無法有效識別的信息，但紋理的應用范圍與可行性仍缺乏驗證。以福建省三明市、將樂縣、沙縣、延平區(qū)4縣(市、區(qū))HJ-1 CCD多光譜數(shù)據(jù)及實測松林郁閉度為主要數(shù)據(jù)，基于灰度共生矩陣法提取均值、方差、協(xié)同性、對比度、相異性、熵、角二階矩及相關性等8類紋理特征(共計32個)，利用單因素方差分析法篩選24個對松林郁閉度變化有所響應的紋理，并分別以單個、單類紋理特征及多紋理特征聯(lián)合為自變量，建立極弱度郁閉林、弱度郁閉林與中度郁閉林的Fisher判別函數(shù)。結果表明，單個紋理特征對松林郁閉度的判別能力普遍較差，僅COR2、COR4、CON1、CON2判別精度高于50%；單類紋理特征對郁閉度的判別能力有所提高，均值、方差、對比度的判別精度高于50%，而相關性的判別精度可達62.7%；多紋理特征聯(lián)合對松林郁閉度有更高的判別能力，精度達74.6%。由此證明，紋理具備郁閉度的響應能力，在其他特征的遙感反演過程中可以應用，但需要深入挖掘其相關性與響應機制。

關鍵詞：紋理特征；松林郁閉度；Fisher判別分析；HJ-1 CCD多光譜影像；判別精度

紋理特征表現(xiàn)為圖像灰度在空間上的變化和重復、反復出現(xiàn)的局部模式及排列規(guī)則，可以反映區(qū)域中像素灰度級的空間分布屬性。諸多研究已經(jīng)發(fā)現(xiàn)，依靠光譜特征開展森林指標反演或狀態(tài)監(jiān)測具有局限性，故紋理這一結構變量越來越得到重視，通過深入挖掘紋理與目標變量的耦合關系，為聯(lián)合光譜、紋理等信息提升森林資源遙感監(jiān)測水平奠定基礎。例如，紋理已成為郁閉度、蓄積量、林齡等林分指標的估算依據(jù)，吳飏等[1]在光譜等傳統(tǒng)特征的基礎上，結合遙感影像的紋理特征估測郁閉度，結果表明結合紋理特征的方法比傳統(tǒng)只基于光譜或地形特征的方法的估測精度有較大提高；劉俊等[2]建立了柞樹蓄積量與ALOS影像紋理特征及衍生紋理指數(shù)的相關關系，得到蓄積量估測的最優(yōu)模型；李進等[3]探討了航片紋理圖像與馬尾松林測樹因子間的關系，發(fā)現(xiàn)角二階矩可用于擬合林齡，方差可用于擬合平均樹高，但紋理特征與郁閉度的相關程度不高。此外，紋理在檢測森林病蟲害與生態(tài)健康領域也有重要作用[4-5]。郁閉度是傳統(tǒng)森林資源調查的一個重要指標，反映林分的疏密狀態(tài)[6]。因其實地獲取的難度較低，且遙感反演的技術也較為成熟，故許多學者通過研究獲取難度較大變量(如葉面積指數(shù)、生物量等)與郁閉度間的相關關系，來達到該變量反演的目的[7-8]，而這些變量對于監(jiān)測森林資源的存量與健康水平意義重大。雖然已有少數(shù)關于郁閉度與遙感影像紋理特征相關性的研究成果，但這種相關性是否密切，結論則不盡相同。為此，本文嘗試分析紋理特征對郁閉度的判別能力，檢驗郁閉度與紋理特征的關系，進一步奠定利用紋理特征開展蓄積量、林齡、葉面積指數(shù)等目標變量估測的理論基礎。

1研究區(qū)概況

選擇福建省三明市(26°01′～26°25′N，117°17′～117°48′E)、將樂縣(26°26′～27°04′N，117°05′～117°40′E)、沙縣(26°06′～26°4l′N，117°32′～118°06′E)、南平市(現(xiàn)南平市延平區(qū)26°51′～26°52′ N，117°50′～116°40′ E)等4個縣(市、區(qū))作為研究區(qū)。4縣(市、區(qū))是我國南方重點集體林區(qū)，在自然稟賦上相似性較高，據(jù)全國第8次森林資源清查結果，各縣(市、區(qū))森林覆蓋率均在73%以上，將樂縣更是超過85%，居全省各縣之首。研究區(qū)位置示意見圖1。

2研究方法

2.1資料收集與處理

(1)郁閉度的獲取與分組。2012年2～3月于研究區(qū)開展松林調查，每縣(市、區(qū))選擇12個左右的小班，每個小班隨機調查4個以上測點。借助兩部麥哲倫手持GPS對每個測點進行同時定位，當定位結果基本一致時記錄之，以有效降低定位誤差；采用傳統(tǒng)的抬頭望目測法估算每個測點的林冠郁閉度。隨機選擇其中128組作為本研究的基礎數(shù)據(jù)。在地形上，采樣點分布于各坡向、坡位，坡度介于10～35°；從林齡上看，采樣小班涵蓋了幼齡、中齡、近熟、成熟、過熟5個齡組?？紤]到郁閉度測定有一定的主觀性，故對其進行分組。通常認為，當郁閉度<0.2時為疏林，介于0.3～0.4時為極弱度郁閉林，介于0.5～0.6時為弱度郁閉林，介于0.7～0.8時為中度郁閉林，而介于0.9～1.0時為高度郁閉林。測點中不包含疏林及高度郁閉林，極弱度郁閉林、弱度郁閉林、中度郁閉林的測點數(shù)量分別為11、84、23個，可以反映研究區(qū)松林的實際狀況。

(2)遙感影像的獲取與預處理。經(jīng)中國資源衛(wèi)星應用中心網(wǎng)站(http://www.cresda.com)獲取1景與調查時間準同步的HJ-1 CCD多光譜影像，過境時間為：2012年3月26日，軌道號為：451/84。該影像為2級產(chǎn)品，已由地面站作了粗校正。以1∶10 000地形圖為參考，基于多項式模型實現(xiàn)該影像的快速幾何精校正，像元誤差量控制在0.5個像元以內，采用立方卷積法予以重采樣。利用三明市、將樂縣、沙縣、延平區(qū)4縣(市、區(qū))行政邊界圖裁剪出研究區(qū)影像(圖2)。

圖1　研究區(qū)位置示意圖Fig.1　Location diagram of study areas

圖2　研究區(qū)HJ-1 CCD多光譜遙感影像Fig.2　HJ-1 CCD multi-spectral image of study areas

2.2紋理特征提取

統(tǒng)計分析法、結構分析法和頻譜分析法是紋理分析的3種基本方法，其中統(tǒng)計分析法中的灰度共生矩陣法應用最為廣泛，本文亦采用該方法提取松林紋理。灰度共生矩陣(GLCM，Gray Level Co-occurrence Matrices)是紋理分析的一種常用方法，該方法提供了像元與像元、像元與整體影像間的空間關系，先依據(jù)影像的灰度級數(shù)和灰度變化情況計算出4個方向任意2個灰度級相鄰出現(xiàn)的概率矩陣，再將該矩陣對稱化和歸一化處理，得到灰度聯(lián)合矩陣[9-10]。利用該法可從多個從側面描述影像紋理特征的8個紋理量。各紋理量計算如下：

(a)均值(Mean)：反映紋理圖像亮度。公式如下：

(1)

(b)方差(Variance)：反映紋理圖像灰度的離散情況。公式如下：

(2)

(c)協(xié)同性(Homogeneity)：表征圖像紋理的同質性，值大說明圖像不同區(qū)域紋理間缺少變化，局部非常均勻，反之亦然。公式如下：

(3)

(d)對比度(Contrast)：反映圖像清晰度和紋理溝紋深淺程度。對比度值大，則紋理溝紋深，視覺效果清晰；反之，則溝紋淺，效果模糊。公式如下：

(4)

(e)相異性(Dissimilarity)：反映紋理的行列差異。公式如下：

(5)

(f)熵(Entropy)：可以度量圖像所具有的信息量豐富程度，圖像沒有紋理，熵值接近為零；圖像紋理信息越豐富，圖像熵值越大。公式如下：

(6)

(g)角二階矩(Second Moment)：也稱能量，度量圖像灰度分布均勻性，圖像紋理粗，角二階矩值大，反之值小。公式如下：

(7)

(h)相關性(Correlation)：可以衡量灰度共生矩陣的元素在列方向或行方向上的相似程度。公式如下：

(8)

上述各式中，P(i，j)表示灰度聯(lián)合矩陣中i行j列的元素，μ表示P(i，j)的均值，n為像素值的最大值。

ENVI提供了基于灰度共生矩陣提取紋理特征量的模塊，該模塊的執(zhí)行還需要對步長與窗口大小兩個參數(shù)進行設置。一般地，步長設為(1，1)，而窗口大小則包括3×3、5×5、7×7、9×9、11×11等多個尺度。本文僅選擇應用較多的5×5窗口[11-12]，提取均值、方差、協(xié)同性、對比度、相異性、熵、角二階矩及相關性等8個紋理量(圖3)。

圖3　紋理特征圖Fig.3　Textual features

2.3單因素方差分析

單因素方差分析(One-way ANOVA)用于解決一個因素下多個不同水平之間的關系問題，其基本應用條件包括獨立性、正態(tài)性與方差齊性。利用箱圖法對樣本的正態(tài)性進行檢驗，剔除異常值，保留118個樣本；采用Levene法檢驗方差齊性，當方差不齊時利用Welch法予以校正。在此基礎上，若P<0.05，表示有顯著差異；若P<0.01，表示有極顯著差異；若P>0.05，表示無顯著差異。

2.4Fisher判別分析

根據(jù)松林紋理特征與郁閉度的單因素方差分析結果，可知哪些紋理特征在不同的郁閉度下具有顯著或極顯著的差異性，亦即哪些紋理特征對郁閉度的變化有所響應，由此初步篩選了可能對郁閉度具有較強判別能力的紋理特征。在此基礎上，需要進一步分析這些紋理特征對松林郁閉度的判別能力，本文采用判別分析法處理之。當收集到一個新的樣本數(shù)據(jù)，要確定該樣本數(shù)據(jù)應當歸于已知類別中的哪一類時，該問題即屬于判別分析的范疇。判別分析(Discriminant analysis)，又稱為分辨法，是在分類確定的條件下，依據(jù)研究對象的各種特征值判別其類型歸屬的一種多變量統(tǒng)計分析方法[13-14]。其基本原理是：按照一定的判別準則，建立一個或者多個判別函數(shù)，以研究對象的大量樣本資料為基礎，確定判別函數(shù)中的待定系數(shù)，并計算判別指標；依此確定新樣本數(shù)據(jù)的歸屬[15-16]。Fisher判別分析法(Fisher discriminant analysis，F(xiàn)DA)由Fisher于1936年提出，是最為基本的一類判別分析方法，亦稱為線性判別分析法，其基本思想是將k組m維樣本數(shù)據(jù)投影到某一個方向，使投影后各組之間盡可能地分開，依據(jù)組內方差盡量小、組間方差盡量大的一元方差分析原則確定判別函數(shù)，基于一定的判別準則，確定新樣本的歸屬[17，21]。分單個紋理特征、同類紋理特征及多紋理特征聯(lián)合等3個角度，通過計算Fisher判別精度、繪制判別分類圖，以綜合比較紋理特征對松林郁閉度的判別能力。為便于比較，同時考慮到實際應用的要求，重點考量各個判別函數(shù)的判別精度。若判別精度≤50%，則認為精度差，表明該紋理特征對松林郁閉度的判別能力弱；若判別精度介于50%～60%，則認為精度合格，表明該紋理特征對松林郁閉度有一定的判別能力；當判別精度介于60%～70%，則認為精度中等，表明該紋理特征對松林的判別能力尚可；若判別精度介于70%～80%，則認為精度良好，表明該紋理特征具有較強的判別能力；而當判別精度≥80%，則認為精度優(yōu)秀，該紋理特征對松林郁閉度的判別能力很強。

3結果與分析

3.1松林紋理特征單因素方差分析

在SPSS 13.0上分別將極弱度郁閉林、弱度郁閉林、中度郁閉林歸類為組1、2、3，基于118個樣本得到紋理特征的單因素方差分析結果(表1)。表1顯示，對于HJ-1 CCD多光譜影像的第1波段，不同郁閉度松林的對比度、相關性兩個紋理特征有極顯著差異，均值、方差、協(xié)同性及相異性等4個紋理特征有顯著差異，而熵、角二階距兩個紋理特征的差異不顯著；不同郁閉度松林在第2波段的所有紋理特征中均有顯著差異，其中方差、對比度、相異性、熵與相關性5個紋理特征的差異達到極顯著水平；不同郁閉度松林的均值紋理有顯著差異，方差、協(xié)同性、對比度、相異性、相關性5個紋理有極顯著差異；對于第4波段而言，不同郁閉度松林的熵紋理有顯著差異，而方差、對比度與相關性紋理的差異達到極顯著水平。對比各紋理的P值，可知相關性紋理的差異性最大，其次為對比度與方差。

表1松林紋理特征單因素方差分析結果

Tab.1ANOVA results of pine forests textual features

3.2紋理特征對松林郁閉度的判別能力分析

3.2.1單個紋理特征對松林郁閉度的判別能力分析分別以多光譜遙感影像各波段生成的8個紋理特征量為自變量，建立極弱度郁閉度、弱度郁閉林、中度郁閉林的Fisher判別函數(shù)(表2)。判別函數(shù)用于郁閉度的分類，將自變量代入3個判別函數(shù)中，可分別求出3個判別函數(shù)的值，哪一個判別函數(shù)值最大，即表示該樣本屬于哪一類。表2列出了分別以MEA1等32個紋理特征為自變量的松林郁閉度判別函數(shù)，但很顯然，以單個紋理為自變量的判別函數(shù)對松林郁閉度的判別精度普遍較差，僅有CON1、CON2、COR2、COR4等4個紋理對松林郁閉度有一定的判別能力，以此為自變量的判別函數(shù)對郁閉度的判別精度分別為50.8%、52.5%、55.9%、55.9%。具有一定判別能力的紋理特征集中于對比度與相關性，HJ-1 CCD影像的2、4兩波段的相關性紋理及1、2波段的對比度紋理對松林郁閉度的狀態(tài)及其變化具備一定的響應能力。

表2　以單個紋理為自變量的Fisher判別函數(shù)及其判別精度

續(xù)表2　以單個紋理為自變量的Fisher判別函數(shù)及其判別精度

3.2.2同類紋理特征對松林郁閉度的判別能力分析HJ-1 CCD影像有4個波段，分別對應藍光、綠光、紅光與近紅外波長，進一步研究不同波段生成的同類紋理特征對松林郁閉度的判別能力有重要意義。以單因素方差分析的結果為依據(jù)，將有顯著性差異的同類紋理特征作為自變量，建立松林郁閉度的Fisher判別函數(shù)(表3)。由于角二階矩紋理中，僅第2波段的差異達到顯著水平，故其所建立的判別函數(shù)與3.2.1中一致，不再贅述。表2列示了以同類紋理特征為自變量的松林郁閉度判別函數(shù)，并統(tǒng)計了各函數(shù)的判別精度。以協(xié)同性、相異性、熵等紋理為自變量的函數(shù)的判別精度仍不足50%，表明上述類別的紋理特征對松林郁閉度的判別能力弱；均值、方差、對比度3類紋理特征對松林郁閉度具有一定的判別能力，判別精度分別為55.1%、55.1%、51.7%；而以相關性紋理特征為自變量的函數(shù)的判別精度達62.7%，達到中等水平，表明其對松林郁閉度的判別能力尚可，可以在郁閉度遙感估算中加以應用。進一步基于典型判別函數(shù)制作判別分類圖，并將其劃分為4個象限(圖4)。通過判別分類圖可看出118個樣本落入不同的象限，而極弱度郁閉林、弱度郁閉林與中度郁閉林則分別形成組中心，離哪個中心越近，則被判定為該類型。對比各圖亦可發(fā)現(xiàn)，均值、方差、對比度與相關性判別分類圖中判定類別與原類別一致的樣本數(shù)量更多，而其他紋理特征的分類圖中的樣本分布更為分散。

表3　以單類紋理為自變量的Fisher判別函數(shù)及其判別精度

圖4　基于單類紋理的典型判別函數(shù)的判別分類圖Fig.4　Discriminant classification figures based on typical discriminant functions with single class textures

圖5　基于多紋理特征的典型判別函數(shù)的判別分類圖Fig.5　Discriminant classification figures based on typicaldiscriminant functions with multiple textures

3.2.3多紋理特征聯(lián)合對松林郁閉度的判別能力分析顯然，較之于單個波段的紋理特征，單類紋理特征對松林郁閉度的判別能力普遍有較大的提升，并找到已基本上可用于實際應用的紋理量——相關性紋理。在遙感信息分析領域，往往會通過多源信息、多種指標的組合實現(xiàn)目標信息的提取或反演。例如，Ouma et al[22]利用均值、方差等8個紋理特征組合對土地利用類型進行分類，證明紋理可識別光譜無法有效識別的信息，為遙感分類提供重要的數(shù)據(jù)支持；張錦水等[23]復合光譜、紋理和結構信息等多源數(shù)據(jù)，對IKONOS高空間分辨率圖像進行分類；彭光雄等[24]則選取了CBERS02星CCD5全色波段圖像灰度共生矩陣的角二階矩、對比度、熵和相關性等4個統(tǒng)計量，將其與CCD1-4波段的多光譜圖像聯(lián)合，得到光譜、紋理特征結合的分類精度遠高于單純光譜分類精度的結論；劉健等[11]通過構建最佳紋理量組合實現(xiàn)了竹南方地區(qū)竹資源專題信息的有效提取。為此，本文進一步考量多紋理特征聯(lián)合對松林郁閉度的判別能力。將不同松林郁閉度下差異顯著或極顯著的24個紋理量作為自變量，利用逐步回歸法建立Fisher判別函數(shù)(式9～11)，并基于典型判別函數(shù)繪制判別分類圖(圖5)。所建立的Fisher判別函數(shù)剔除了DIS1、DIS2、DIS3等3個紋理，即1、2、3波段的相異性紋理，保留其余21個紋理作為函數(shù)自變量。118個樣本中，88個樣本判別正確，30個樣本判別錯誤，判別精度達74.6%，遠高于單個及同類紋理特征對松林郁閉度的判別精度。按前文對判別精度的分級，該精度已達良好水平，表明多紋理特征聯(lián)合對松林郁閉度具有較強的判別能力，已經(jīng)能夠滿足實際應用要求。由圖5可見，極弱度郁閉度的組中心位于2、3象限，而該郁閉度樣本亦基本分布于這一區(qū)域；弱度郁閉林的組中心位于第1象限，該等級樣本也更多地分布于該象限；中度郁閉林的組中心則位于第4象限，該郁閉度等級的樣本亦更多地接近于該組中心。

極弱度郁閉林(i)=-2 254.449+54.413MEA1+27.751VAR1+748.165HOM1+214.815CON1-76.556COR1+10.262MEA2-25.179VAR2+1 321.744HOM2+39.876CON2+545.301ENT2+628.571SM2+91.463COR2-30.935MEA3-17.599VAR3+444.574HOM3+76.593CON3+4.745COR3-8.830VAR4+11.756CON4+253.990ENT4+25.322COR4

(9)

弱度郁閉林(j)=-2 261.165+53.278MEA1+30.342VAR1+759.861HOM1+216.132CON1-66.537COR1+11.325MEA2-25.194VAR2+1 301.607HOM2+39.398CON2+558.530ENT2+665.576SM2+95.752COR2-31.355MEA3-16.863VAR3+431.499HOM3+73.597CON3+5.487COR3-10.297VAR4+12.925CON4+258.379ENT4+26.834COR4

(10)

中度郁閉林(k)=-2 262.182+53.927MEA1+28.109VAR1+742.388HOM1+214.574CON1-61.893COR1+11.872MEA2-24.843VAR2+1 313.510HOM2+39.793CON2+558.722ENT2+657.567SM2+94.286COR2-32.448MEA3-17.928VAR3+433.021HOM3+73.699CON3+5.957COR3-10.369VAR4+12.594CON4+259.676ENT4+26.879COR4

(11)

4結論

(1)單個紋理特征判別能力分析表明，僅有以2、4波段的相關性紋理及1、2波段的對比度紋理為自變量的函數(shù)的判別精度高于50%，這些紋理對松林郁閉度有一定的判別能力，而其他紋理特征的判別能力均弱，單個紋理特征對松林郁閉度的判別能力普遍較差。

(2)若以同類紋理特征為自變量，所建立的Fisher判別函數(shù)的判別精度普遍得到提高，自變量為均值、方差、對比度紋理特征的函數(shù)的判別精度均高于50%，對松林郁閉度具有一定判別能力；而以相關性紋理特征為自變量的函數(shù)的判別精度為62.7%，達到中等水平，該類紋理特征對郁閉度的判別能尚可。

(3)聯(lián)合單因素方差分析所篩選的24個紋理特征量，建立的Fisher判別函數(shù)的判別精度達74.6%，判別能力遠優(yōu)于單個及同類紋理特征。

(4)總體而言，多紋理特征聯(lián)合對松林郁閉度的判別能力優(yōu)于同類紋理特征，而同類紋理特征的判別能力則普遍優(yōu)于單個紋理特征。由此表明，郁閉度與紋理特征間存在密切聯(lián)系，紋理特征具備對郁閉度的響應能力，但需要深入挖掘這種相關性與響應機制，由此可助于林分因子的遙感估算及森林狀態(tài)的動態(tài)監(jiān)測。

參考文獻：

[1]吳飏,張登榮,張漢奎,等.結合圖像紋理特征的森林郁閉度遙感估測[J].林業(yè)科學,2012,48(2):48-53.

[2]劉俊,畢華安,朱沛林,等.基于ALOS遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹蓄積量估測[J].農業(yè)機械學報,2014,45(7):245-254.

[3]李進,王鑫,張園.灰度共生矩陣紋理特征與馬尾松林測樹因子關系初探[J].浙江林業(yè)科技,2010,30(3):68-71.

[4]Moskal L M,Franklin S E.Relationship between airborne multispectral image texture and aspen defoliation[J].International Journal of Remote Sensing,2004,25(14):2701-2711.

[5]Kayitakire F,Hamel C,Defouray P.Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery[J].Remote Sensing of Environment,2006,102(3-4):390-400.

[6]許章華,龔從宏,劉健,等.利用郁閉度與HJ-1多光譜數(shù)據(jù)估算馬尾松林葉面積指數(shù)[J].植物資源與環(huán)境學報,2013,22(1):29-35.

[7]Ex S A,Smith F W.Stand density index estimates leaf area index in uneven-aged ponderosa pine stands[J].Western Journal of Applied Forestry,2013,28(1):9-12.

[8]李明澤,毛學剛.基于郁閉度聯(lián)立方程組模型的森林生物量遙感估測[J].林業(yè)科學,2014,50(2):85-91.

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

[10]Kulkarni S B,Kulkarni R B,Kulkarni U P,et al.GLCM-Based multiclass iris recognition using FKNN and KNN[J].International Journal of Image and Graphics,2014,14(3):1450010.

[11]劉健,余坤勇,許章華,等.竹資源專題信息提取紋理特征量構建研究[J].遙感信息,2010(6):87-94.

[12]何春陽,曹鑫,史培軍,等.基于Landsat7 ETM+全色數(shù)據(jù)紋理和結構信息復合的城市建筑信息提取[J].武漢大學學報：信息科學版,2004,29(9):800-804.

[13]Alonzo M,Roth K,Roberts D.Identifying Santa Barbara's urban tree species from AVIRIS imagery using Canonical Discriminant Analysis[J].Remote Sensing Letters,2013,4(5):513-521.

[14]Liao W Z,Pizurica A,Scheunders P,et al.Semisupervised local discriminant analysis for feature extraction in hyperspectral images[J].IEEE Transactions on Geoscience and Remote Sensing,203,51(1):184-198.

[15]Wang Y W,Dunn B L,Arnall D B.Assessing nitrogen status in potted geranium through discriminant analysis of ground-based spectral reflectance data[J].Hortscience,2012,47(3):343-348

[16]Prades C,Gomez-Sanchez I,Garcia-Olmo J,et al.Discriminant analysis of geographical origin of cork planks and stoppers by near infrared spectroscopy[J].Journal of Wood Chemistry and Technology,2012,32(1):54-70.

[17]Chen X H,Wang S Q,Chen J,et al.New algorithm for spectral mixture analysis based on Fisher Discriminant Analysis:evidence from laboratory experiment[J].Journal of Infrared and Millimeter Waves,2009,28(6):476-480

[18]Du Q.Modified Fisher’s Linear Discriminant analysis for hyperspectral imagery[J].IEEE Geoscience and Remote Sensing Letters,2007,4(4):503-507.

[19]李秀珍,王成華,宋剛.基于Fisher判別分析法的潛在滑坡判識模型及其應用[J].中國地質災害與防治學報,2009,20(4):23-26.

[20]朱永生.實驗數(shù)據(jù)多元統(tǒng)計分析[M].北京:科學出版社,2009.

[21]王文川,吳海波,趙曉慎,等.基于Fisher判別分析法的泥石流預報模型研究[J].水土保持通報,2011,31(6):104-107.

[22]Ouma Y O,Tetuko J,Tateishi R.Analysis of co-occurrence and discrete wavelet transform textures for differentiation of forest and non-forest vegetation in very-high-resolution optical-sensor imagery[J].International Journal of Remote Sensing,2008,29(12):3417-3456.

[23]張錦水,何春陽,潘耀忠,等.基于SVM的多源信息復合的高空間分辨率遙感數(shù)據(jù)分類研究[J].遙感學報,2006,10(1):49-57.

[24]彭光雄,李京,何宇華,等.利用紋理分析方法提取CBERS02星CCD圖像土地覆蓋信息[J].遙感技術與應用,2007,22(1):8-13.

Discriminant Abilities of Textual Features on

Pine Forest Canopy Density

XU Zhang-hua1,LIU Jian3,4,YU Kun-yong3

(1.College of Environment and Resources,Fuzhou University,Fuzhou 350116，China；2.Fujian Provincial Key Laboratory of Remote Sensing of Soil Erosion and Disaster Protection,Fuzhou 350116，China；3.Institute of Geomatics Application,Fujian Agriculture and Forestry University,Fuzhou 350002，China；4.Sanming University,Sanming 365000，China)

Abstract:Canopy density,which can be easily obtained,is one of the basic factors in forest resources survey,and also an important factor in forest state detection and forest management effect test,and has become a basic datum in remote sensing retrieval of many features.On the other hand,texture has become the significant direction of remote sensing data probing,but the application scope and feasibility of texture are still to be verified.Taking HJ-1 CCD multi-spectral image and measured pine forest canopy density materials in four counties (cities,districts) of Sanming,Jiangle,Shaxian and Yanping of Fujian Province as the main data,eight classes of textual features (total 32) such as mean,variance,homogeneity,contrast,dissimilarity,entropy,second moment,

correlation were extracted with GLCM,24 textures affecting changes in canopy density were screened with ANOVA,and Fisher discriminant functions of very-weak canopy forest,weak canopy forest and moderate canopy forest independent variables respectively as single texture,single class textures,combination of multiple textures were constructed.The results showed that the discriminant abilities of single textual features on pine forests canopy density were generally poor,only the accuracies of COR2,COR4,CON1,CON2were above 50%;the discriminant accuracies of single class textures increased,the accuracies of mean,variance,contrast were above 50%,the correlation reached 62.7%;the combination of multiple textures had higher discriminant ability on pine forests canopy density with an accuracy up to 74.6%.Therefore,texture has response ability to canopy density,and can be used in remote sensing retrieval of other features,but the relationships and response mechanisms should be deeply probed.

Key words:textual features;pine forest canopy density;Fisher Discriminant Analysis;HJ-1 CCD multi-spectral image;discriminant accuracy

作者簡介：許章華(1985—) ，男，博士，講師，主要從事資源環(huán)境遙感、城鄉(xiāng)規(guī)劃與GIS應用，E-mail：fafuxzh@163.com。

基金項目：國家自然科學基金項目(30871965)、福建省科技計劃重點項目(2011N0031)和福州大學人才基金項目(XRC-1345)

收稿日期：2015-04-22修回日期：2015-06-17

中圖分類號：S771.8；TP753

文獻標志碼：A

文章編號：1000-2286(2015)06-1016-11

許章華，劉健，余坤勇.紋理特征對松林郁閉度的判別能力研究[J].江西農業(yè)大學學報，2015，37(6)：1016-1026.