高分遥感影像纹理特征分析方法浅析

【摘 要】本文开展了高分遥感影像纹理特征分析方法的研究。首先利用不同尺度、不同方向的Gabor滤波器，对遥感影像进行滤波处理；再对所提取的滤波结果进行低通滤波；最后利用K-Means对上一步的结果进行聚类分析。在实验部分，利用一景Rapideye高分遥感影像开展了纹理特征分类，结果说明，本文方法可以很好地区分村庄、农田等不同纹理特征的区域。本文对遥感影像自动解译算法的设计具有一定的参考价值。

【关键词】高分遥感影像 纹理特征 聚类分析

1 引言

航空遥感测绘需要处理大量的遥感影像数据。传统的人工解译方法是十分耗时耗力的。因此，设计准确、高效、自动的遥感影像解译算法是非常必要的。高分遥感影像解译算法需要不同种类的特征进行输入，以提高地物分类、目标探测的精度。高分遥感影像的纹理特征是重要的信息，它描述了组成地物的像素在空间域和光谱域的统计特征。虽然目前存在较多有关提取图像纹理特征的方法，但对于高分遥感影像，纹理特征方法提取主要包含两种：基于灰度共生矩阵的（由Haralick提出）以及基于Gabor滤波的。本文主要利用后者来开展纹理特征提取方法的研究。

2 基于Gabor滤波的纹理特征提取方法

本文方法的流程图如图1所示。显然，本文的高分遥感影像提取算法包含三个步骤：（1）Gabor滤波；（2）低通滤波；（3）K-Means聚类分析。

在高分遥感影像中，不同的地物往往包含多种尺度和方向的纹理特征，因此需要多个尺度和方向参数来计算Gabor核函数。Gabor核函数的个数等于Nθ・log（Nw/2），其中Nθ是滤波器方向的个数，Nw是待处理影像的宽度。对于一景宽度为256像素的遥感影像，如果采用了8个方向（每个方向的间隔大小是为π/8），那么共需56个滤波器。

在步骤（2）中，要对各个波段的纹理特征量进行平滑滤波。这一步的目的是为了增强Gabor滤波结果中不同纹理特征的对比度信息。本文采用了Gauss低通滤波的方法来完成这一步骤。所选用的Gauss低通滤波器的尺度参数需要根据具体高分影像数据来进行调整。

步骤（3）是利用K-Means聚类算法对纹理特征进行分类。很多遥感影像处理软件都提供了该算法的模块。本文采用了ENVI软件中的K-Means来完成步骤（3）。

3 实验

为了测试本文纹理特征方法的效果，选取了一景Rapideye高分遥感影像来进行纹理特征分类。Rapideye是德国商用的高分多光谱遥感卫星，于2008年8月29日成功发射升空。该卫星每日的覆盖面积可以达到400多万平方公里，因此在15天内就可完成对整个中国的观测。它的一个突出特点是，除了蓝色、绿色、红色、近红外波段外，还提供了红边波段，以提供更为丰富的光谱信息。本文所采用的影像是2013年3月3日获取的，中心经纬度为：36.74898612°N，116.67967182°E。地面分辨率为5米。

在实验中，首先对实验影像（400×400像素）的5个波段进行Gabor滤波，每个波段都需要6个尺度、6个方向的滤波运算，因此纹理特征数目为：5×6×6=180。对纹理特征进行Gauss低通滤波后，就可利用K-Means进行分类计算了。根据目视解译，发现该景影像（图2a）主要包含了5种地物，因此K-Means的类别个数参数被设置为5。图2b展示了分类结果。由于采用的纹理特征较多，因此运算速度较慢，但不难看出，分类精度是较为令人满意的，建筑物、有植被的农田以及的土壤都被较好的区分开，这得益于纹理特征的贡献。

4 结语

本文探索了基于Gabor滤波的高分遥感影像纹理特征分类方法。利用一景Rapideye高分遥感影像开展了纹理分类实验，发现本文方法可以较好地区分不同纹理的地物。在实现过程中，发现本文方法运算速度较慢，可在后续研究中利用PCA（Primary Component Analysis）对提取的纹理特征降维，以提高运算速度。