逯躍鋒，和 鑫，陸黎娟，楚瀟蓉，陳 坤，趙泉華

(1.山東理工大學 建筑工程學院，山東 淄博 255049；2.遼寧工程技術大學 測繪與地理科學學院，遼寧 阜新 123000)

海冰是一種嚴重的自然災害，在我國渤海、黃海北部、遼東灣半島海域和山東半島部分海灣每年冬季都會出現(xiàn)不同程度的結冰現(xiàn)象。這種災害直接影響人類社會實踐活動[1]，所以及時、全面、準確的獲取海冰信息十分重要。衛(wèi)星遙感監(jiān)測是一種獲取海冰信息的有效方法[2]，合成孔徑雷達(SAR)具有不受天氣影響、全天時、全天候、多波段、穿透力強等特點。作為一種常見的遙感方法，它能夠提供高分辨率遙感圖像，所以近年來得以快速發(fā)展,在軍事和民用等其他領域都有重大研究價值和廣闊應用前景[3]。陳志鵬等[4]根據(jù)合成孔徑雷達圖像的特點，提出了紋理差值變化檢測方法，該方法采用紋理特征代替灰度信息來體現(xiàn)圖像特點，并使用差值變化檢測獲取城市變化情況。對于大多數(shù)特征，紋理差值法獲得了較高的變化檢測正確率，檢測性能有大幅提高。梁小祎等[5]對溢油SAR圖像建立最小距離分類模型、最大似然分類模型和人工神經(jīng)網(wǎng)絡模型，并對分類效果進行比較，認為人工神經(jīng)網(wǎng)絡方法無論從總體精度還是從Kappa系數(shù)上都要優(yōu)于另外兩種分類方法，預見SAR在監(jiān)測溢油方面是一種較為有潛力的工具。綜上所述，基于SAR圖像的研究已經(jīng)很深入，由于分類方法的精度存在差異，因此本文將基于紋理特征對SAR海冰圖像的分類方法進行研究，得出較為精確的分類方法，更好的促進圖像相關技術的發(fā)展與應用。

1 數(shù)據(jù)預處理

1.1 紋理特征選擇

紋理特征在體現(xiàn)全局特征性質的同時，也描述了圖像或圖像區(qū)域所對應景物的表面性質。由于對比度、能量、相關性和同質性這幾個紋理特征的統(tǒng)計效果比較明顯，所以在實驗部分，選擇這4個特征對SAR海冰圖像進行分類。圖1為兩幅實驗原始圖像，均為505*505像素大小，分辨率30 m的SAR海冰圖像.其中，圖1(a)為三類海冰圖像，包括海水、厚海冰和薄海冰，圖1(b)包括海水和海冰兩類，深色部分為海水，淺色部分為海冰。

(a)三類 (b)兩類圖1 原始海冰圖像Fig.1 Original sea ice images

1.2 基于紋理特征的樣本獲取

要對SAR海冰圖像進行分類，首先要獲取分類樣本，樣本的采集將對分類結果產(chǎn)生重大影響。樣本采集應遵循以下原則：突出某類地物的物理特征，包括形狀特征、顏色特征、表面粗糙度等可以分辨的內(nèi)容；體現(xiàn)出與其他樣本特征的差異性；選取具有該類別代表性的樣本；選取樣本要適時適量；對樣本的選擇要保持其特征的完整性。以圖1(a)為例，從原圖中獲得具有代表性的三類樣本，為了獲得更加準確的樣本特征值，每一類裁剪4個樣本圖像，大小均為50*50像素，圖2為海水類地物的樣本圖像；圖3為薄海冰類的樣本圖像；圖4為厚海冰類地物的樣本示例。取得三類樣本后，將SAR海冰圖像的第一波段提取出來，以便進行處理，通過計算機的統(tǒng)計功能獲得圖像紋理特征數(shù)據(jù)。

圖2 海水類樣本Fig.2 Sea water sample images

圖3 薄海冰類樣本Fig.3 Thin sea ice samples

圖4 厚海冰類樣本Fig.4 Thick sea ice samples

2 數(shù)據(jù)分析與處理

圖像分類是根據(jù)某種判別依據(jù)或圖像信息中反映的不同特征，將圖像分成幾個類別的過程。通過實驗者的操作，利用計算機軟件對圖像進行分析處理，代替容易產(chǎn)生主觀干擾的目視判讀過程。

2.1 灰度共生矩陣提取特征值

灰度共生矩陣指的是一種通過研究灰度的空間相關特性來描述紋理的常用方法，它描述了成對像素的灰度組合分布[6]，也是一種簡單有效的紋理分析方法。紋理是由一種或多種紋理基元按一定規(guī)則有序或無序的排列而形成的一種圖形結構，一般是表示存在于圖像上的某一范圍內(nèi)的、形狀比較小的、具有半周期性以及有規(guī)律地排列的圖案，是計算機用于監(jiān)督分類、圖像處理和模式識別的重要特征之一，一般的紋理特征包括：對比度、相關性、能量、同質性、方向度和粗略度等，它們可以廣泛的應用于軍事、地理、計算機科學等方面[7]。當圖像中相隔的距離像素之間存在一定灰度關系時，紋理將會存在一種圖像灰度的空間相關性，更適用于處理灰度共生矩陣法[8]。本文利用灰度共生矩陣提取SAR海冰圖像的紋理特征，根據(jù)公式計算出每個類別中所有樣本的特征值，然后將均值作為分類標準，充分利用了圖像中的各種紋理信息，進行了有效的分類[9],公式如下。

2.2 最小距離分類法

最小距離分類法是一種較簡便易行的分類方法[10]，是指求出未知類別向量到要識別各類別代表向量中心點的距離，將未知類別向量歸屬于距離最小一類的一種圖像分類方法，實現(xiàn)起來方便準確。

2.3 分類精度

本文將實際數(shù)據(jù)與分類結果進行比較，以確定分類結果的準確程度。對于圖像分類結果的評價，通常運用誤差矩陣來完成。在誤差矩陣中，反映評估結果常用的評估參量是總分類精度和Kappa系數(shù)，公式如下。

3 結果與討論

3.1 紋理特征標準

通過MATLAB軟件的灰度共生矩陣函數(shù)對樣本的對比度、能量、同質性和相關性4個特征進行訓練，得到如下結果。表1、表2和表3分別為對海水樣本、薄海冰樣本和厚海冰樣本進行訓練所得的特征值數(shù)據(jù)表。

表1 海水樣本的特征值數(shù)據(jù)
Tab.1 Feature value data of sea water samples

特征參數(shù)樣本1樣本2樣本3樣本4均值對比度0.02570.03300.05710.01790.0334能量0.94620.93600.90490.96040.9369同質性0.98710.98560.97840.99100.9855相關性0.10990.41540.51240.18530.3058

表2 薄海冰樣本的特征值數(shù)據(jù)
Tab.2 Feature value data of thin sea ice samples

特征參數(shù)樣本1樣本2樣本3樣本4均值對比度0.49180.46280.49380.51020.4896能量0.22830.24600.22590.22160.2304同質性0.77790.79660.77900.77300.7816相關性0.25300.30560.27860.24210.2698

表3 厚海冰樣本的特征值數(shù)據(jù)
Tab. 3 Feature value data of thick sea ice samples

特征參數(shù)樣本1樣本2樣本3樣本4均值對比度1.02280.85551.02401.63061.1332能量0.08960.12390.16070.13650.1277同質性0.70490.72710.74880.71580.7241相關性0.67300.58760.69600.64930.6514

3.2 紋理特征分類

通過對樣本的分析及數(shù)據(jù)提取，獲得了三類樣本的不同紋理特征的分類參考中心，然后利用最小距離分類法進行分類，即通過計算每個像素到各個類別中心的距離，把該像素歸入到與其距離最小的一類中去。

通過處理對比度特征，得出分類結果，如圖5所示。其中，圖5(a)、(b)分別為圖1(a)、(b)的基于對比度的分類結果。圖 5中黑色系代表海水類，白色系表示厚海冰，而灰色系則代表薄海冰。由于海水和海冰相互包含，所以圖像上沒有明顯的過渡，但三類的差別可以清晰地分開。從圖5中可以看出，利用對比度特征能夠很好地對SAR海冰圖像進行分類。與原始圖像比較可以看出，對比度特征對圖像信息的描述比較全面的，不論是三類海冰圖還是兩類海冰圖，利用對比度特征都能清楚地將圖像類別分開，并區(qū)分類別之間的差異。

(a)三類 (b)兩類圖5 對比度分類成果圖Fig. 5 Contrast classification chart

相關性的圖像處理效果較不明顯，如圖6所示。在計算每類的樣本特征值時，得到的三類樣本的相關性特征值差別較不明顯，所以分類結果不甚理想。不論是區(qū)分三類海冰圖還是兩類海冰圖，分類效果均有待改善，雖然紋理特征能反映很多圖像內(nèi)容，但相關性的圖像處理沒有將圖像區(qū)分開。與其它幾種紋理特征相比，相關性分類結果較低，證明其在描述SAR海冰圖像內(nèi)在規(guī)律的能力上比較弱。

(a)三類 (b)兩類圖6 相關性分類成果圖Fig. 6 Correlation classification chart

通過對能量特征的圖像分類成果分析，發(fā)現(xiàn)與原圖相比，圖7(a)中三種類別之間過度趨近柔和，圖像灰度分布均勻。圖7(b)非常直觀的將海水和海冰兩個類別區(qū)分出來，較強的表現(xiàn)了能量特征在刻畫圖像信息方面的能力。

(a)三類 (b)兩類圖7 能量分類成果圖Fig. 7 Energy classification chart

通過對圖像同質性特征的計算分析，分類產(chǎn)生的三類海冰圖更接近真實的海冰圖像，從厚海冰到薄海冰再到海水有直觀的過度，分類清晰，如圖8(a)所示；兩類海冰圖針對海水和海冰兩類地物的分類圖像比較接近原始圖像的真實地物分類情況，如圖8(b)所示。

(a)三類 (b)兩類圖8 同質性分類成果圖Fig.8 Homogeneity classification chart

3.3 分類結果精度評價

生產(chǎn)者精度表示正確分到該類的像素占應該分到該類的像素的比例；用戶精度表示正確分到該類的像素占被分到該類的所有像素的比例；總精度表示正確分類的所有像素占總像素的比例；Kappa值表示算法分類較隨機分類減少錯誤的比例。表4-表7分別從對比度、能量、同質性和相關性4個特征進行分類精度評價。由表4可以看出，基于對比度的精度評價計算得到的總精度為88.67%，Kappa系數(shù)為0.83，具有很高的精度，能很好地反映分類情況，基本滿足了遙感圖像分類的要求，能比較直觀地分辨圖像。

表4 對比度分類精度評價
Tab.4 Accuracy evaluation on contrast classification

混淆矩陣實 際 值海水厚冰薄冰總和預 測 值海水423550厚冰147250薄冰244450總和455451150生產(chǎn)者精度84.00%94.00%用戶精度93.33%87.04%88.00%86.27%總體精度88.67%Kappa系數(shù)0.83

能量分類圖像的分析結果較好，不僅總體精度達到87.33%，Kappa系數(shù)也達到很好地等級，高達0.81，分類圖像充分區(qū)分了三類地物，貼近真實地理情況，能夠作為分類成果進行地物分析，見表5。

表5 能量分類精度評價
Tab. 5 Accuracy evaluation of energy classification

混淆矩陣實 際 值海水厚冰薄冰總和預 測 值海水461350厚冰244450薄冰634150總和544848150生產(chǎn)者精度92.00%88.00%用戶精度85.19%91.67%82.00%85.42%總體精度87.33%Kappa系數(shù)0.81

同質性圖像分類成果也和能量成果圖一樣，具有很高的準確性，總體精度83.33%，整體分類都趨近于有利的方向，Kappa系數(shù)0.75，同樣屬于分類較好的圖像，分類精度較高，為以后的工作打下了良好的基礎，證明同質性特征在對圖像信息進行刻畫的方面是比較有效的，可以應用在實際圖像分類處理工作中，見表6。

表6 同質性分類精度評價
Tab. 6 Accuracy evaluation on of homogeneity classification

混淆矩陣實 際 值海水厚冰薄冰總和預測值海水385750厚冰343450薄冰334450總和445155150生產(chǎn)者精度76.00%86.00%用戶精度86.36%84.31%88.00%80.00%總體精度83.33%Kappa系數(shù)0.75

利用相關性特征值獲得的分類圖像效果尚不理想， 三類地物之間不能清晰地區(qū)分。由表7可以看出，總體精度為67.33%，Kappa系數(shù)只有0.51，屬于中等的分類精度等級，證明相關性在刻畫圖像信息方面的能力較弱，不建議僅通過相關性特征對圖像進行分類。

表7 相關性分類精度評價
Tab. 7 Accuracy evaluation on correlation classification

混淆矩陣實 際 值海水厚冰薄冰總和預 測 值海水385750厚冰343450薄冰334450總和445155150生產(chǎn)者精度76.00%86.00%用戶精度86.36%84.31%88.00%80.00%總體精度83.33%Kappa系數(shù)0.75

4 結束語

紋理的自相關體現(xiàn)了圖像紋理的一致性，它能較好的衡量空間灰度共生矩陣元素在各方向上的相似程度?；诨叶裙采仃嚨募y理特征提取是分析圖像紋理的有利工具，本文通過對灰度共生矩陣提取能量、對比度、相關性和同質性這4種紋理特征，分析了不同特征下的分類情況以及分類精度，結果如下：基于對比度和能量特征的精度相對而言較高，基本滿足了遙感圖像分類的要求，能更加精確的進行SAR海冰圖像分類，而基于同質性和相關性特征進行SAR海冰圖像分類的精度則相對而言偏小，其中基于相關性特征的分類精度最小，表明相關性在刻畫圖像信息方面的能力較弱，不建議僅通過相關性特征對圖像進行分類。