摘  要： 針對(duì)森林植被分割方法中紋理尺度以及植被紋理描述問題，基于藍(lán)噪聲理論，提出一種多尺度的結(jié)合灰度、形狀以及其他紋理特征構(gòu)建森林紋理結(jié)構(gòu)基元的分割方法。該方法通過對(duì)森林植被典型區(qū)域進(jìn)行快速傅里葉變換，探測(cè)區(qū)域的藍(lán)噪聲特征，并計(jì)算森林植被紋理單元的尺度和灰度分布。然后結(jié)合區(qū)域的灰度、形狀和其他紋理特征構(gòu)建不同尺度下森林紋理結(jié)構(gòu)基元，利用森林紋理結(jié)構(gòu)基元對(duì)圖像進(jìn)行提取，獲取最終分割結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文提出的算法能夠提高植被區(qū)域分割的準(zhǔn)確性，取得了較好的分割效果。

　　關(guān)鍵詞： 藍(lán)噪聲；多尺度；森林紋理結(jié)構(gòu)基元；紋理特征；分割

0 引言

　　森林植被識(shí)別是森林資源遙感監(jiān)測(cè)的基礎(chǔ)工作，隨著遙感技術(shù)的迅速發(fā)展，遙感已成為GIS重要的數(shù)據(jù)源和數(shù)據(jù)更新手段。高分辨率影像不僅有光譜信息，而且還提供豐富的空間、紋理特征信息。影像紋理是地物的空間分布模式，也是進(jìn)行影像解譯的重要特征，被廣泛應(yīng)用于影像分割中[1-3]。針對(duì)高分辨率影像數(shù)據(jù)量巨大且地物類型多樣的特點(diǎn)，采用單一特征進(jìn)行分割具有較大的局限性，多特征結(jié)合的影像分割方法已經(jīng)成為當(dāng)前研究的熱點(diǎn)[4]。紋理尺度是遙感圖像分割中的一個(gè)重要問題，不同地物具有不同的最優(yōu)空間尺度[5]。許多學(xué)者提出了結(jié)合光譜與紋理的分割方法[6]，如JSEG[7-8]、高斯混合模型[9-10]等。其中，王雷光等人[11]提出的光譜與紋理特征加權(quán)的高分辨率遙感紋理分割算法采用光譜與紋理信息加權(quán)實(shí)現(xiàn)了影像分割，但其未能有效結(jié)合紋理尺度信息，分割難以達(dá)到理想效果。

　　針對(duì)森林植被分割方法中紋理尺度以及植被紋理描述問題，結(jié)合藍(lán)噪聲理論，提出一種多尺度的結(jié)合灰度、形狀以及紋理特征構(gòu)建森林紋理結(jié)構(gòu)基元方法。該方法首先利用自然森林植被在特定尺度呈現(xiàn)高頻的隨機(jī)特性，針對(duì)樹冠大小特征的不同區(qū)域，進(jìn)行多次藍(lán)噪聲探測(cè)，計(jì)算出森林植被的多個(gè)尺度特征和灰度分布。在此基礎(chǔ)上，依據(jù)所獲取的灰度、尺度與形狀信息構(gòu)建不同尺度下的森林紋理結(jié)構(gòu)基元，使用各個(gè)尺度下的結(jié)構(gòu)基元，分別與圖像進(jìn)行匹配，實(shí)現(xiàn)最終分割。實(shí)驗(yàn)結(jié)果表明，本文提出的算法能夠充分利用影像中的多種信息，實(shí)現(xiàn)準(zhǔn)確而高效的分割。

1 基于藍(lán)噪聲理論探測(cè)的改進(jìn)

　　本文采用的藍(lán)噪聲探測(cè)方法是劉小丹等人[12]提出的基于藍(lán)噪聲理論的遙感圖像森林植被紋理測(cè)量。該方法利用森林植被基礎(chǔ)特征快速選擇圖像的探測(cè)區(qū)域，結(jié)合自然森林植被在特定尺度呈現(xiàn)高頻隨機(jī)特性，即藍(lán)噪聲特性，通過快速傅里葉變換探測(cè)區(qū)域在不同尺度下的藍(lán)噪聲特征，當(dāng)探測(cè)到藍(lán)噪聲特征時(shí)，根據(jù)當(dāng)前區(qū)域尺寸和原區(qū)域尺寸，計(jì)算樹冠紋理尺度，即樹冠直徑的像素個(gè)數(shù)。

　　不同地物具有不同的最優(yōu)尺度空間，天然森林植被存在生長(zhǎng)不規(guī)律現(xiàn)象，即使同幅影像中的森林植被也存在樹冠大小區(qū)別。因此，針對(duì)不同樹木具有不同尺度的問題，本文基于上述只針對(duì)某片典型區(qū)域進(jìn)行藍(lán)噪聲探測(cè)的方法，選取多個(gè)典型區(qū)域進(jìn)行藍(lán)噪聲探測(cè)，獲取多個(gè)尺度值。

　　使用參考文獻(xiàn)[12]中藍(lán)噪聲探測(cè)方法，其結(jié)果如圖1。圖1（a）是區(qū)域?qū)?yīng)的512×512多光譜圖像，圖1（b）是區(qū)域的全色圖像經(jīng)過增強(qiáng)處理的圖像，圖1（c）是區(qū)域縮放到64×64多光譜圖像，圖1（d）是對(duì)應(yīng)的64×64區(qū)域增強(qiáng)處理圖像，圖1（e）是區(qū)域頻譜響應(yīng)圖像。

　　尺度計(jì)算公式為：

　　其中，d為尺度大小，I１為原區(qū)域尺寸，I2為當(dāng)前區(qū)域尺寸。

　　但在典型森林植被區(qū)域（圖1（a））中，在兩個(gè)標(biāo)記區(qū)域處的樹冠大小有明顯的不同。若對(duì)此區(qū)域只做一次藍(lán)噪聲探測(cè)，必然會(huì)出現(xiàn)尺度偏差。因此，在將遙感圖像N等分，根據(jù)各區(qū)域基礎(chǔ)特征快速篩選最合適區(qū)域的基礎(chǔ)上，再將合適區(qū)域進(jìn)行等分，分別探測(cè)等分之后圖像的藍(lán)噪聲特征，統(tǒng)計(jì)其尺度特征。經(jīng)實(shí)驗(yàn)測(cè)試，圖2（a）在縮放到68×68時(shí)，藍(lán)噪聲特征明顯，圖2（b）為68×68區(qū)域圖像，圖2（c）在62×62時(shí)出現(xiàn)藍(lán)噪聲特征最明顯，圖2（d）為62×62區(qū)域圖像。根據(jù)尺度計(jì)算公式（1），可得出兩個(gè)不同尺度。

2 森林紋理結(jié)構(gòu)基元設(shè)計(jì)及分割

　　2.1 森林紋理結(jié)構(gòu)基元

　　SEFT（Structure Element of Forest Texture）森林紋理結(jié)構(gòu)基元，簡(jiǎn)稱結(jié)構(gòu)基元，是描述森林紋理結(jié)構(gòu)的一種模板，其為一個(gè)多值矩陣，用于森林植被分割。在遙感圖像中，森林紋理的微觀形態(tài)表現(xiàn)為樹冠單元。

　　本文的研究基于形態(tài)學(xué)結(jié)構(gòu)元素和特征基元思想。特征基元是指遙感影像上相互連通的一系列具有相同或相似特征的像元所組成的區(qū)域，這些特征包括光譜、紋理、空間組合關(guān)系等[13-14]，通過對(duì)典型植被（喬木）紋理微觀結(jié)構(gòu)形態(tài)分析，自然狀態(tài)生長(zhǎng)的森林植被在色調(diào)、樹冠尺寸、高光與陰影對(duì)比度等方面的特性構(gòu)成區(qū)別于其他植物，因此，利用所獲取的灰度、形狀、尺度以及其他紋理信息來(lái)構(gòu)造描述樹冠單元的結(jié)構(gòu)基元。

　　樹冠結(jié)構(gòu)形狀隨植物種類有一定變化，但在較大尺度上趨于圓形；中心與周圍對(duì)比度明顯，灰度過度平滑，中間灰度的像素居多；陽(yáng)光照射角度以及地面坡度變化，會(huì)引起對(duì)比度的反相?；谝陨咸攸c(diǎn)，構(gòu)建樹冠結(jié)構(gòu)基元的基本思想是：首先，根據(jù)樹冠形狀特性，所設(shè)計(jì)的樹冠應(yīng)當(dāng)趨于圓形，根據(jù)之前所獲取的不同尺度值，可作為圓形的直徑，設(shè)計(jì)出不同尺度的圓形結(jié)構(gòu)基元；之后，結(jié)構(gòu)基元的灰度范圍應(yīng)當(dāng)滿足之前提取的灰度范圍，根據(jù)樹冠的自然生長(zhǎng)特性，樹冠中心部分灰度值應(yīng)大于周圍值且過渡平滑到周圍。設(shè)探測(cè)樹冠尺度為d，則樹冠半徑r=d/2。

　　根據(jù)樹冠灰度分布特點(diǎn)，定義結(jié)構(gòu)基元灰度分布公式：

　　G=Imax-A×dgc（3）

　　其中Imax是典型區(qū)域灰度最大值，Imin是典型區(qū)域灰度最小值，G是結(jié)構(gòu)基元灰度，dgc是距離結(jié)構(gòu)基元中心點(diǎn)像素個(gè)數(shù)，該值向下取整。在產(chǎn)生的灰度矩陣基礎(chǔ)上，運(yùn)用之前探測(cè)的典型區(qū)域，找出典型樹冠并分析和統(tǒng)計(jì)其灰度分布規(guī)律，以此生成紋理結(jié)構(gòu)基元。

　　2.2 森林植被分割

　　首先利用探測(cè)典型區(qū)域時(shí)的色調(diào)信息以及灰度范圍對(duì)圖像進(jìn)行預(yù)處理。在一幅遙感圖像中，大部分森林植被以綠色色調(diào)為主，并且物體的灰度信息和色調(diào)信息是一致的，對(duì)于森林植被其色調(diào)和灰度也是固定在某個(gè)范圍，不會(huì)因?yàn)闀r(shí)間和位置的不同而有太大的差異。因此，利用統(tǒng)計(jì)所得的灰度和色調(diào)范圍，將圖像中色調(diào)以及灰度范圍外的像素過濾。

　　定義灰度濾波運(yùn)算：假設(shè)待分割圖像I的尺寸為M×N，結(jié)構(gòu)基元T的尺寸為R×R，結(jié)構(gòu)元所覆蓋的區(qū)域記作Sij，其中（i，j）為子圖的左上角頂點(diǎn)在圖S中的坐標(biāo)。顯然，i，j的范圍應(yīng)滿足1≤i≤M-R，1≤j≤N-R，最終通過比較T和S的匹配度，判斷是否為植被樹冠區(qū)域。如圖3所示。

　　定義匹配相關(guān)系數(shù)C（i，j）為：

　　2.3 數(shù)學(xué)形態(tài)學(xué)后處理

　　數(shù)學(xué)形態(tài)學(xué)是針對(duì)圖像內(nèi)部的結(jié)構(gòu)運(yùn)算。腐蝕和膨脹是最基本的數(shù)學(xué)形態(tài)學(xué)運(yùn)算，其組合形成開運(yùn)算和閉運(yùn)算，可以有效消除特定尺寸的雜波，并將某些相連的圖像進(jìn)行分割。在所得到的分割圖像中會(huì)出現(xiàn)一些小的誤判區(qū)域，因此采用數(shù)學(xué)形態(tài)學(xué)的開運(yùn)算來(lái)消除散點(diǎn)和毛刺，對(duì)圖像進(jìn)行平滑處理。

3 實(shí)驗(yàn)結(jié)果與分析

　　本文采用MATLAB進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)所用遙感圖像為Qucick Bird衛(wèi)星（全色+多光譜）捆綁數(shù)據(jù)，本文算法對(duì)遙感圖像全色分辨率的要求是高于1.5 m，以保證樹冠紋理單元有足夠的像素用于尺寸縮小處理以及分割。

　　實(shí)驗(yàn)1選取城市與森林植被的遙感圖像進(jìn)行，如圖4（a）。圖4（b）為參考文獻(xiàn)[11]算法得到的分割結(jié)果。實(shí)驗(yàn)根據(jù)兩處標(biāo)記分別進(jìn)行藍(lán)噪聲探測(cè)，由公式（1）得到兩處尺度分別為9和11，灰度范圍為60~140，對(duì)應(yīng)的結(jié)構(gòu)基元如圖5。

　　經(jīng)過兩個(gè)尺度的結(jié)構(gòu)基元提取后，最終分割效果如圖4（c）。

　　實(shí)驗(yàn)2的場(chǎng)景中有森林和空地，如圖6（a）所示。圖6（b）為參考文獻(xiàn)[11]算法得到的分割結(jié)果。圖6（c）為本文算法的結(jié)果。

　　實(shí)驗(yàn)3的場(chǎng)景為森林道路郊區(qū)圖像，如圖7（a）所示。圖7（b）為參考文獻(xiàn)[11]算法得到的分割結(jié)果。圖7（c）為本文算法的結(jié)果。

　　實(shí)驗(yàn)結(jié)果表明，相比于參考文獻(xiàn)[11]本文分割效果更加清晰、準(zhǔn)確。三幅圖像中文獻(xiàn)[11]對(duì)于紋理相對(duì)細(xì)密地區(qū)存在欠分割現(xiàn)象，以箭頭指示，而本文算法減少了區(qū)域內(nèi)的像素錯(cuò)分，提高了正確分割率，得到了較好的分割效果。

4 結(jié)論

　　本文提出了基于藍(lán)噪聲理論的多尺度遙感森林植被分割方法，實(shí)現(xiàn)了利用藍(lán)噪聲特征進(jìn)行多尺度探測(cè)，并結(jié)合其他有效特征構(gòu)造結(jié)構(gòu)基元實(shí)現(xiàn)植被分割。但本文方法中，結(jié)構(gòu)基元的構(gòu)建是建立在較充分的先驗(yàn)知識(shí)的基礎(chǔ)上，結(jié)構(gòu)基元的準(zhǔn)確性將直接影響到分割效果。為進(jìn)一步提高分割效果，在本文的基礎(chǔ)上，對(duì)樹冠結(jié)構(gòu)基元的優(yōu)化以及結(jié)構(gòu)基元與圖像區(qū)域的運(yùn)算有待進(jìn)一步研究。

參考文獻(xiàn)

　　[1] GARTANO R， SCARPA G， POGGI G.  Hierarchical texture-based segmentation of multiresolution remote sensing images[J]. IEEE Transactions on Geoscience and Remote Sensing，2009，47（7）：2129-2141.

　　[2] OJALA T， PIETIKAINEN M. Unsupervised texture segmentation using feature distribution[J]. Pattern Recongition， 1999， 32（3）：477-486.

　　[3] 余鵬，張震龍，侯至群.基于高斯馬爾科夫隨機(jī)場(chǎng)混合模型的紋理圖像分割[J].測(cè)繪學(xué)報(bào)，2006，35（8）：224-228.

　　[4] 巫兆聰， 胡忠文， 張謙， 等.結(jié)合光譜、紋理與形狀結(jié)構(gòu)信息的遙感影像分割方法[J].測(cè)繪學(xué)報(bào)，2013，42（1）：44-45.

　　[5] 張學(xué)良，肖鵬峰，馮學(xué)智.基于圖像內(nèi)容層次表征的遙感圖像分割方法[J].中國(guó)圖象圖形學(xué)報(bào)，2012，17（1）：142-149.

　　[6] TRIAS-SANZ R， STAMON G， LOUCHET J.  Using colour， texture and hierarchical segmentation for high-resolution remote sensing[J].  ISPRS Journal of Photogrammetry and Remote Sensing， 2008，63：156-168.

　　[7] LIU  T  T， ZHANG  L  P， LI  P  X， et al. Region segmentation of multi-spectral remote sensing images using improved JSEG algorithm[J]. Joumal of Remote Sensing，2009，13（1）：30-34.

　　[8] DENG Y， MANJUNATH B S. Unsupervised segmentation  of color-texture regions in image and video[J]. IEEE Trans-actions on Pattern Analysis and Machine Intelligence，2001，23（8）：800-810.

　　[9] CARSON C， BELONGIE S， GREENSPAN H， et al. Blobworld： image segmentation using expectation maximization  and pattern analysis and machine intelligence[J]. IEEE Trans Pattern Analysis and Machine Intelligence， 2002，24（8）：1026-1038.

　　[10] PERMUTER H， FRANCOS J， JERMYN I. A study of  Gaussian mixture models of color and texture features for image classification and segmentation[J]. Pattern Recognition， 2006，39：695-706.

　　[11] 王雷光，劉國(guó)英.一種光譜與紋理特征加權(quán)的高分辨率遙感紋理分割算法[J].光學(xué)學(xué)報(bào)，2009，29（11）：10-17.

　　[12] 劉小丹，楊燊.基于藍(lán)噪聲理論的遙感圖像森林植被紋理測(cè)量[J].國(guó)土資源遙感，2015，27（2）：63-68.

　　[13] MAURO C， EUFEMIA T. Accuracy assessment of per-field classification integrating very fine spatial resolution  satellite imagery with topographic data[J]. Journal of  Geospatial Engineering， 2001，3（2）：127-134.

　　[14] BENZ U， HOFMANN P， WILLHAUCK G， et al. Multiresoluting，object-oriented fuzzy analysis of remote sensing  data for GIS-ready information[J]. ISPRS Journal of Photogrammetry & Remote Sensing， 2004，58：239-258.