高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

亚热带人工林高分影像GLCM纹理的应用策略研究

李蓉辉 陈玲 吴明晶 余小龙 赵秀海

李蓉辉, 陈玲, 吴明晶, 余小龙, 赵秀海. 亚热带人工林高分影像GLCM纹理的应用策略研究[J]. 北京林业大学学报, 2021, 43(1): 1-9. doi: 10.12171/j.1000-1522.20200139
引用本文: 李蓉辉, 陈玲, 吴明晶, 余小龙, 赵秀海. 亚热带人工林高分影像GLCM纹理的应用策略研究[J]. 北京林业大学学报, 2021, 43(1): 1-9. doi: 10.12171/j.1000-1522.20200139
Li Ronghui, Chen Ling, Wu Mingjing, Yu Xiaolong, Zhao Xiuhai. Application strategies for GLCM textures from very high spatial resolution optical imagery over subtropical plantations[J]. Journal of Beijing Forestry University, 2021, 43(1): 1-9. doi: 10.12171/j.1000-1522.20200139
Citation: Li Ronghui, Chen Ling, Wu Mingjing, Yu Xiaolong, Zhao Xiuhai. Application strategies for GLCM textures from very high spatial resolution optical imagery over subtropical plantations[J]. Journal of Beijing Forestry University, 2021, 43(1): 1-9. doi: 10.12171/j.1000-1522.20200139

亚热带人工林高分影像GLCM纹理的应用策略研究

doi: 10.12171/j.1000-1522.20200139
基金项目: 中央高校基本科研业务费专项(2019ZY24、TD2013-1),国家自然科学基金项目(41301357)
详细信息
    作者简介:

    李蓉辉。主要研究方向:林业遥感理论与应用研究。Email:rh1634541665@163.com 地址:100083 北京市清华东路35号北京林业大学林学院森林经理学科

    通讯作者:

    陈玲,博士,副教授。主要研究方向:林业定量遥感。Email:chenling8247@126.com 地址:同上

  • 中图分类号: X17

Application strategies for GLCM textures from very high spatial resolution optical imagery over subtropical plantations

  • 摘要:   目的  探讨纹理变量及其相应参数配置范围,阐明各纹理变量随输入参数的变化规律,以便指导高分光学影像纹理在林业上的应用。  方法  以福建省将乐国有林场不同坡向不同龄组的杉木人工林为例,基于QuickBird影像的全色波段进行灰度共生矩阵(GLCM)纹理的计算与分析。  结果  结果表明:(1)除均值外的所有GLCM纹理变量对阴坡的3个龄组的区分能力均强于阳坡,且纹理变量优选需同时考虑衡量指标和纹理变量之间的相关程度。(2)窗口大小是统计组和有序组纹理最关键的输入参数,合适的窗口大小与影像的分辨率以及研究对象的空间尺度有关,对比度组纹理与窗口大小无关,可随意设置。(3)应用统计组和有序组纹理,无需关注像元间距,而应用对比度组纹理,不可忽视像元间距。(4)应用统计组纹理,像元间距越大越需关注计算方向;而对比度组和有序组纹理则相反,即像元间距越小越需关注计算方向。(5)作为最不受研究人员重视的灰度量化等级,推荐采用32或者64。  结论  高分光学影像的纹理信息对光谱重叠度较高的地物具有一定的区分能力,能部分“弥补”阴影导致的光谱信号损失,但在应用中需对纹理变量及其输入参数进行优化选择和配置。该文的研究结论能够为高分光学影像纹理信息的优化应用提供实用的参考借鉴。
  • 图  1  研究区QuickBird假彩色合成影像及踏查路线与样地分布

    Figure  1.  False color composite QuickBird image of the study area and the spatial distribution of survey routes and sample plots

    图  2  样本子区不同林龄杉木QuickBird全色波段影像

    A、B和C依次为阴坡的杉木幼龄林、中龄林和成熟林;D、E和F分别为阳坡的杉木幼龄林、中龄林和成熟林。A, B and C are young, intermediate and mature Chinese fir on shady slope; D, E and F are those on sunny slope.

    Figure  2.  QuickBird panchromatic images of subregions representing Chinese fir with different age classes under variedtopographic conditions

    图  3  GLCM纹理变量相关关系散点图

    Figure  3.  Scatter plots of correlations for GLCM texture variables

    图  4  阴坡优选纹理变量的J值排序为前5%的输入参数的直方图分布

    Figure  4.  Histogram of input parameters for optimal textural features with J ranking at the top 5% over shady slope

    图  5  阳坡优选纹理变量的J值排序为前5%的输入参数的直方图分布

    Figure  5.  Histogram of input parameters for optimal textural features with J ranking at the top 5% over sunny slope

    图  6  统计组纹理变量随输入参数的变化

    a、e、i:像元间距 = 1;b、f、j:像元间距 = 5;c、g、k:像元间距 = 9,d、h、l:像元间距 = 13。a, e, and i, displacement = 1; b, f, j, displacement = 5; c, g, k, displacement = 9; d, h, l, displacement =13.

    Figure  6.  Effects of input parameters on statistic group textures

    图  7  对比度组纹理变量随输入参数的变化

    a、e:像元间距 = 1;b、f:像元间距 = 5;c、g:像元间距 = 9,d、h:像元间距 = 13。a, e, displacement = 1; b, f, displacement = 5; c, g, displacement = 9; d, h, displacement = 13.

    Figure  7.  Effects of input parameters on contrast group textures

    图  8  有序组纹理变量随输入参数的变化

    a、c、e、g:像元间距 = 1;b、d、f、h:像元间距 = 13。a, c, e, g, displacement = 1; b, d, f, h, displacement = 13.

    Figure  8.  Effects of input parameters on orderliness group textures

    表  1  各GLCM纹理变量在阴坡和阳坡的最大J

    Table  1.   The maximum J values for each GLCM textural variable on shady slope and sunny slope

    GLCM 纹理变量
    GLCM textural variable
    统计组 Statistic group对比度组 Contrast group有序组 Orderliness group
    均值
    Mean
    方差
    Variance
    对比度
    Contrast
    差异性
    Dissimilarity
    均一性
    Homogeneity

    Entropy
    角二阶矩
    Angular second moment
    阴坡最大J
    The maximum J value for shady slope
    0.771.312.882.892.701.613.00
    阳坡最大J
    The maximum J value for sunny slope
    1.191.081.952.102.511.342.00
    下载: 导出CSV
  • [1] Aguilar M A, Agüera F, Aguilar F J, et al. Geometric accuracy assessment of the orthorectification process from very high resolution satellite imagery for Common Agricultural Policy purposes[J]. International Journal of Remote Sensing, 2008, 29(24): 7181−7197. doi:  10.1080/01431160802238393.
    [2] 朱仁璋, 丛云天, 王鸿芳, 等. 全球高分光学星概述(一): 美国和加拿大[J]. 航天器工程, 2015, 24(6):85−106. doi:  10.3969/j.issn.1673-8748.2015.06.0.15.

    Zhu R Z, Cong Y T, Wang H F, et al. Global high-resolution optical satellite overview (1): USA and Canada[J]. Spacecraft Engineering, 2015, 24(6): 85−106. doi:  10.3969/j.issn.1673-8748.2015.06.0.15.
    [3] 朱仁璋, 丛云天, 王鸿芳, 等. 全球高分光学星概述(二): 欧洲[J]. 航天器工程, 2016, 25(1):95−118. doi:  10.3969/j.issn.1673-8748.2016.01.015.

    Zhu R Z, Cong Y T, Wang H F, et al. Global high-resolution optical satellite overview (2): Europe[J]. Spacecraft Engineering, 2016, 25(1): 95−118. doi:  10.3969/j.issn.1673-8748.2016.01.015.
    [4] 朱仁璋, 丛云天, 王鸿芳, 等. 全球高分光学星概述(三): 亚洲与俄罗斯[J]. 航天器工程, 2016, 25:70−96. doi:  10.3969/j.issn.1673-8748.2016.02.012.

    Zhu R Z, Cong Y T, Wang H F, et al. Global high-resolution optical satellite overview (3): Asia and Russia[J]. Spacecraft Engineering, 2016, 25: 70−96. doi:  10.3969/j.issn.1673-8748.2016.02.012.
    [5] Ørka H O, Hauglin M. Use of remote sensing for mapping of non-native conifer species[R]. Olso: Norwegian University of Life Sciences (NMBU), 2016.
    [6] Chen L, Mei G Y, Yan K, et al. Species discrimination of plantations in subtropical China using 4-band VHR imagery and an operational image analysis framework[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(8): 2800−2813. doi:  10.1109/JSTARS.2018.2837884.
    [7] Haralick R M, Shanmugam K, Dinstein I H. Textural features for image classification[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1973, 3(6): 610−621.
    [8] Franklin S E, Wulder M A, Gerylo G R. Texture analysis of IKONOS panchromatic data for Douglas-fir forest age class separability in British Columbia[J]. International Journal of Remote Sensing, 2001, 22(13): 2627−2632. doi:  10.1080/01431160120769.
    [9] 姜青香, 刘慧平, 孔令彦. 纹理分析方法在TM图像信息提取中的应用[J]. 遥感信息, 2003(4):24−27. doi:  10.3969/j.issn.1000-3177.2003.04.007.

    Jiang Q X, Liu H P, Kong L Y. The application of texture analysis in TM image information extraction[J]. Remote Sensing Information, 2003(4): 24−27. doi:  10.3969/j.issn.1000-3177.2003.04.007.
    [10] Marceau J, Howaeth J, Dubois M, et al. Evaluation of the gray-level co-occurrence matrix method for landcover classification using SPOT imagery[J]. IEEE Trans Geosci Remote Sens, 1990, 28(4): 513−518. doi:  10.1109/TGRS.1990.572937.
    [11] 陈玲, 郝文乾, 高德亮. 光学影像纹理信息在林业领域的最新应用进展[J]. 北京林业大学学报, 2015, 37(3):1−12.

    Chen L, Hao W Q, Gao D L. Recent application progress of optical image texture information in forestry field[J]. Journal of Beijing Forestry University, 2015, 37(3): 1−12.
    [12] Zhou J, Guo R Y, Sun M, et al. The effects of GLCM parameters on LAI estimation using texture values from Quickbird satellite imagery[J]. Scientific Reports, 2017, 7(1): 7366. doi:  10.1038/s41598-017-07951-w.
    [13] 孟楚, 郑小贤, 罗梅. 福建将乐林场杉木人工林主导功能研究[J]. 中南林业科技大学学报, 2016, 36(3):63−66.

    Meng C, Zheng X X, Luo M. Study on the dominant function of Chinese fir plantation in Jiangle Forest Farm, Fujian Province[J]. Journal of Central South University of Forestry & Technology, 2016, 36(3): 63−66.
    [14] Mei G Y, Sun Y J, Xu H, et al. A mixed-effects model with different strategies for modeling volume in Cunninghamia lanceolata plantations[J]. PLoS ONE, 2015, 10(10): 1−14.
    [15] Chen G S, Yang Z J, Gao R, et al. Carbon storage in a chronosequence of Chinese fir plantations in southern China[J]. Forest Ecology and Management, 2013, 300: 68−76. doi:  10.1016/j.foreco.2012.07.046.
    [16] Karuse K. Radiance conversion of QuickBird data:technical note[M/OL]. Longmont, Colorado: Digital Globe, 2003 [2020−02−28]. http://www.mendeley.com/research/radiometric-quickbird-imagery/.
    [17] Hall-Beyer M. GLCM texture: a tutorial. V. 3.0[Z/OL]. Calgary: Department of Geography, University of Calgary, 2017 [2017−04−04]. https://prism.ucalgary.ca/handle/1880/51.
    [18] 李进. 基于灰度共生矩阵的森林纹理构造因子确定方法研究[D]. 临安: 浙江农林大学, 2010.

    Li J. Determination of forest texture construction factors based on GLCM[D]. Lin’an: Zhejiang A&F University, 2010.
    [19] Tuominen S, Pekkarinen A. Performance of different spectral and textural aerial photograph features in multi-source forest inventory[J]. Remote Sensing of Environment, 2005, 94(2): 256−268. doi:  10.1016/j.rse.2004.10.001.
    [20] Lu D S. The potential and challenge of remote sensing-based biomass estimation[J]. International Journal of Remote Sensing, 2006, 27(7): 1297−1328. doi:  10.1080/01431160500486732.
    [21] Ghosh A, Joshi P K. A comparison of selected classification algorithms for mapping bamboo patches in lower Gangetic Plains using very high resolution WorldView 2 imagery[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 26: 298−311. doi:  10.1016/j.jag.2013.08.011.
    [22] Wood E M, Pidgeon A M, Radeloff V C, et al. Image texture as a remotely sensed measure of vegetation structure[J]. Remote Sensing of Environment, 2012, 121: 516−526. doi:  10.1016/j.rse.2012.01.003.
    [23] Kayitakire F, Hamel C, Defourny P. Retrieving forest structure variables based on image texture analysis and IKONOS-2 imagery[J]. Remote Sensing of Environment, 2006, 102(3 –4): 390−401.
    [24] 王政权. 地统计学及在生态学中的应用[M]. 北京: 科学出版社, 1999.

    Wang Z Q. Geostatistics and its application in ecology[M]. Beijing: Science Press, 1999.
  • [1] 郭正齐, 张晓丽, 王月婷.  Sentinel-2A多特征变量反演针叶林地上生物量能力评估 . 北京林业大学学报, 2020, 42(11): 27-38. doi: 10.12171/j.1000-1522.20200097
    [2] 李云, 张王菲, 崔鋆波, 李春梅, 姬永杰.  参数优选支持的光学与SAR数据森林地上生物量反演研究 . 北京林业大学学报, 2020, 42(10): 11-19. doi: 10.12171/j.1000-1522.20190389
    [3] 吴艳双, 张晓丽.  结合多尺度纹理特征的高光谱影像面向对象树种分类 . 北京林业大学学报, 2020, 42(6): 91-101. doi: 10.12171/j.1000-1522.20190155
    [4] 曹梦, 潘萍, 欧阳勋志, 臧颢, 吴自荣, 杨阳, 占常燕.  基于哑变量的闽楠天然次生林单木胸径和树高生长模型研究 . 北京林业大学学报, 2019, 41(5): 88-96. doi: 10.13332/j.1000-1522.20190026
    [5] 王安正, 关惠元.  塑−木插接节点的配合特性及参数优化 . 北京林业大学学报, 2019, 41(11): 137-145. doi: 10.13332/j.1000-1522.20190226
    [6] 刘嘉政, 王雪峰, 王甜.  基于深度学习的5种树皮纹理图像识别研究 . 北京林业大学学报, 2019, 41(4): 146-154. doi: 10.13332/j.1000-1522.20180242
    [7] 陈曦, 高永, 娜仁格日勒, 翟波, 王余彦, 史万林.  风场及光伏电场配置对阵列风沙结构影响的模拟分析 . 北京林业大学学报, 2017, 39(8): 68-76. doi: 10.13332/j.1000-1522.20170137
    [8] 魏晶昱, 毛学刚, 方本煜, 包晓建, 许振宇.  基于Landsat 8 OLI辅助的亚米级遥感影像树种识别 . 北京林业大学学报, 2016, 38(11): 23-33. doi: 10.13332/j.1000-1522.20160054
    [9] 李超, 刘思佳, 曹军, 于慧伶, 张怡卓.  基于PSO优选特征的实木板材缺陷的压缩感知分选方法 . 北京林业大学学报, 2015, 37(7): 117-122. doi: 10.13332/j.1000-1522.20140385
    [10] 刘怀鹏, 安慧君, 王冰, 张秋良.  基于递归纹理特征消除的WorldView-2树种分类 . 北京林业大学学报, 2015, 37(8): 53-59. doi: 10.13332/j.1000-1522.20140311
    [11] 张凝, 冯跃文, 张晓丽, 樊江川.  结合航空影像纹理和光谱特征的单木冠幅提取 . 北京林业大学学报, 2015, 37(3): 13-19. doi: 10.13332/j.1000-1522.20140309
    [12] 陈玲, 郝文乾, 高德亮.  光学影像纹理信息在林业领域的最新应用进展 . 北京林业大学学报, 2015, 37(3): 1-12. doi: 10.13332/j.1000-1522.20140304
    [13] 曹林, 代劲松, 徐建新2, 许子乾, 佘光辉.  基于机载小光斑LiDAR 技术的亚热带森林参数信息优化提取 . 北京林业大学学报, 2014, 36(5): 13-21. doi: 10.13332/j.cnki.jbfu.2014.05.009
    [14] 张怡卓, 马琳, 许雷, 于慧伶.  基于小波与曲波遗传融合的木材纹理分类 . 北京林业大学学报, 2014, 36(2): 119-124.
    [15] 郑冬梅, 曾伟生.  用哑变量方法构建东北落叶松和栎类分段地上生物量模型 . 北京林业大学学报, 2013, 35(6): 23-27.
    [16] 王丹, 王兵, 戴伟, 李萍.  杉木人工林土壤有机质相关变量的敏感性分析 . 北京林业大学学报, 2011, 33(1): 78-83.
    [17] 曾涛, 琚存勇, 蔡体久, 刘文彬, 姚月锋.  利用变量投影重要性准则筛选郁闭度估测参数 . 北京林业大学学报, 2010, 32(6): 37-41.
    [18] 王春玲, 王鹏.  防护林体系空间配置优化系统的研究与应用 . 北京林业大学学报, 2008, 30(4): 126-130.
    [19] 李树伟, 冯仲科, 龚威平, 汪波, .  基于QuickBird遥感影像的城市绿地系统评价 . 北京林业大学学报, 2008, 30(增刊1): 68-72.
    [20] 张洪江, 秦爱光, 王费新, 胡胜华, 吴彩燕, 袁怀文, 张璧光, 周永学, 白岗栓, 魏潇潇, 邓小文, 何亚平, 殷亚方, 郑小贤, 高黎, 王芳, 张莉俊, 李瑞, 毛俊娟, 颜绍馗, 刘杏娥, 黄荣凤, 杨平, 胡万良, 王小青, NagaoHirofumi, 杜社妮, 常旭, 张岩, 汪思龙, 王胜华, 王正, 张克斌, 刘燕, 乔建平, 谭学仁, 罗晓芳, 孙向阳, 王晓欢, 费世民, 赵天忠, 樊军锋, 戴思兰, 王兆印, 李猛, 崔赛华, 孔祥文, 江泽慧, 范冰, 徐嘉, 李昀, 江玉林, KatoHideo, 王海燕, 龚月桦, , 高荣孚, 张双保, 张占雄, 张旭, 韩士杰, 李华, 陈放, 刘云芳, 郭树花, 杨培华, IdoHirofumi, 任海青, 丁磊, 常亮, 陈秀明, 侯喜录, , 李晓峰, 陈宗伟, 刘秀英, 李媛良, 高建社, 费本华, 张桂兰, 李考学, 张代贵, 徐庆祥, 蒋俊明, , 薛岩, 陈学平, , 续九如, 刘永红, , 涂代伦, 金鑫, 王晓东, 李雪峰, , , 张红丽, 丁国权, .  乌鲁木齐市城市绿地景观结构特征研究 . 北京林业大学学报, 2007, 29(6): 93-98.
  • 加载中
图(8) / 表 (1)
计量
  • 文章访问数:  160
  • HTML全文浏览量:  50
  • PDF下载量:  15
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-05-11
  • 修回日期:  2020-06-16
  • 网络出版日期:  2020-12-14
  • 刊出日期:  2021-02-05

亚热带人工林高分影像GLCM纹理的应用策略研究

doi: 10.12171/j.1000-1522.20200139
    基金项目:  中央高校基本科研业务费专项(2019ZY24、TD2013-1),国家自然科学基金项目(41301357)
    作者简介:

    李蓉辉。主要研究方向:林业遥感理论与应用研究。Email:rh1634541665@163.com 地址:100083 北京市清华东路35号北京林业大学林学院森林经理学科

    通讯作者: 陈玲,博士,副教授。主要研究方向:林业定量遥感。Email:chenling8247@126.com 地址:同上
  • 中图分类号: X17

摘要:   目的  探讨纹理变量及其相应参数配置范围,阐明各纹理变量随输入参数的变化规律,以便指导高分光学影像纹理在林业上的应用。  方法  以福建省将乐国有林场不同坡向不同龄组的杉木人工林为例,基于QuickBird影像的全色波段进行灰度共生矩阵(GLCM)纹理的计算与分析。  结果  结果表明:(1)除均值外的所有GLCM纹理变量对阴坡的3个龄组的区分能力均强于阳坡,且纹理变量优选需同时考虑衡量指标和纹理变量之间的相关程度。(2)窗口大小是统计组和有序组纹理最关键的输入参数,合适的窗口大小与影像的分辨率以及研究对象的空间尺度有关,对比度组纹理与窗口大小无关,可随意设置。(3)应用统计组和有序组纹理,无需关注像元间距,而应用对比度组纹理,不可忽视像元间距。(4)应用统计组纹理,像元间距越大越需关注计算方向;而对比度组和有序组纹理则相反,即像元间距越小越需关注计算方向。(5)作为最不受研究人员重视的灰度量化等级,推荐采用32或者64。  结论  高分光学影像的纹理信息对光谱重叠度较高的地物具有一定的区分能力,能部分“弥补”阴影导致的光谱信号损失,但在应用中需对纹理变量及其输入参数进行优化选择和配置。该文的研究结论能够为高分光学影像纹理信息的优化应用提供实用的参考借鉴。

English Abstract

李蓉辉, 陈玲, 吴明晶, 余小龙, 赵秀海. 亚热带人工林高分影像GLCM纹理的应用策略研究[J]. 北京林业大学学报, 2021, 43(1): 1-9. doi: 10.12171/j.1000-1522.20200139
引用本文: 李蓉辉, 陈玲, 吴明晶, 余小龙, 赵秀海. 亚热带人工林高分影像GLCM纹理的应用策略研究[J]. 北京林业大学学报, 2021, 43(1): 1-9. doi: 10.12171/j.1000-1522.20200139
Li Ronghui, Chen Ling, Wu Mingjing, Yu Xiaolong, Zhao Xiuhai. Application strategies for GLCM textures from very high spatial resolution optical imagery over subtropical plantations[J]. Journal of Beijing Forestry University, 2021, 43(1): 1-9. doi: 10.12171/j.1000-1522.20200139
Citation: Li Ronghui, Chen Ling, Wu Mingjing, Yu Xiaolong, Zhao Xiuhai. Application strategies for GLCM textures from very high spatial resolution optical imagery over subtropical plantations[J]. Journal of Beijing Forestry University, 2021, 43(1): 1-9. doi: 10.12171/j.1000-1522.20200139
  • 高分光学卫星数据是精细尺度资源调查的理想数据源之一,它具有稳定的平台、较大的视场以及规律的拍摄周期[1]。它的传感器丰富(如IKONOS,QuickBird,GeoEye,WorldView,Pleiades,KOMPSAT,SkySat,TripleSat,Deimos以及高分2号和北京2号等国产高分数据)[2-4],存档数据价格较低[5]。若无有效存档数据,可用高出存档数据50%左右的价格进行编程预约拍摄[6]。高分光学卫星影像的优势在于能够反映空间细节特征,而定量化空间细节的指标正是影像纹理。对于光谱可分性差的不同地物,若空间结构上存在差异,就会呈现出不同的纹理特征。因此,准确充分地利用纹理特征可有效地弥补遥感反演过程中由“异物同谱”所带来的精度损失。比如,在林业领域,同一树种不同龄组之间可能光谱相似性很大,但其纹理却存在差异,故利用高分光学影像进行森林资源监测研究有必要准确充分地挖掘纹理的潜力。

    纹理是一个复杂的空间属性。目前应用最为广泛的纹理计算方法是1973年由Haralick提出的灰度共生矩阵法(gray level co-occurrence matrix,GLCM)[7]。GLCM纹理一般包括8个典型的纹理变量(均值、方差、相关性、对比度、差异性、均一性、熵和角二阶距),每个纹理变量需设定4个相应的输入参数(窗口大小、像元间距、计算方向和量化等级)。除此之外,它还随着目标地物的空间结构以及太阳−地形−观测角度的变化而变化。遗憾的是,很少有研究深入探讨GLCM法的变量优选问题以及其相应的输入参数配置问题[8-10],对于纹理变量的选择及其输入参数的组合尚无定论,在一定程度上阻碍着其价值的充分发挥[11-12]

    本文基于QuickBird影像的全色波段,以福建省将乐国有林场不同坡向上不同龄组的杉木(Cunninghamia lanceolata)人工林为例,在寻找用于有效区分不同龄组的纹理变量及其相应合理的参数配置的基础上,试图阐明各纹理变量随其输入参数的变化规律。研究目的如下:(1)在具体应用方面,确定适合我国亚热带杉木人工林龄组分级研究的有效纹理变量及其参数组合,从而为应用高分影像精准监测我国亚热带人工林提供技术指导;(2)在普适性方面,指导纹理变量的合理选择及其输入参数的配置,为高分光学影像纹理信息的准确应用提供分析思路。

    • 本文的研究区位于福建省三明市将乐国有林场(26°26′ ~ 27°03′N,117°05′ ~ 117°38′E),属于典型的亚热带季风气候区,海拔为80 ~ 775 m(图1)。根据将乐县气象站提供的53 年(1960 — 2012)的月均温和月降水数据统计,年最低气温为−2.8 ~ 7.5 ℃,年最高气温为32.2 ~ 38.5 ℃;年均降雨量为840 ~ 2 050 mm[6]。根据将乐林场森林资源规划设计调查资料,林场土地总面积为7 133.6 hm2,有林地面积6 568.9 hm2,森林覆盖率为94.8%,为全省之最[13]。该区域的森林类型较为单一,分布最为广泛的是杉木和马尾松(Pinus massoniana)人工林,用途主要为商品林和实验林[14]。过去的40多年,我国大面积的造林计划使得该区域的针叶人工林涵盖了所有龄组,尤其是杉木[15]

      图  1  研究区QuickBird假彩色合成影像及踏查路线与样地分布

      Figure 1.  False color composite QuickBird image of the study area and the spatial distribution of survey routes and sample plots

    • QuickBird影像包括1个空间分辨率为0.61 m的全色波段(450 ~ 900 nm)和4个空间分辨率为2.44 m的多光谱波段(蓝波段:450 ~ 520 nm,绿波段:520 ~ 600 nm,红波段:630 ~ 690 nm和近红外波段:760 ~ 900 nm)。因本研究关注的是纹理信息,故仅采用空间细节最为丰富的全色波段。影像拍摄于2012年7月2日当地时间上午10:18,太阳天顶角和方位角分别为26.5°和91.4°,观测天顶角和方位角分别为12.8°和324.1°。

      影像预处理包括以下两个常规步骤:(1)大气层顶(TOA)反射率计算:先基于定标系数和有效波宽计算TOA辐亮度,然后结合太阳光谱辐照度、太阳天顶角余弦以及日地距离计算出TOA反射率,更多计算细节见参考文献[16];(2)大气校正:由于该影像为理想的无云晴空影像,且本研究并非遥感定量反演,故仅需采用简单的暗目标法部分去除大气影响。预处理步骤均在ENVI5.1中进行,采用WGS-84椭球体和UTM投影。

    • 常用GLCM纹理变量有8个,分别是均值(mean)、方差(variance)、相关性(correlation)、对比度(contrast)、差异性(dissimilarity)、均一性(homogeneity)、熵(entropy)和角二阶距(angular second moment)。可根据其计算原理分为统计组(包括均值、方差和相关性)、对比度组(包括对比度、差异性和均一性)和有序组(包括熵和角二阶矩)[17],各纹理的具体描述及计算公式见参考文献[11]。利用IDL调用ENVI5.1中GLCM纹理变量的计算模块,根据Haralick提出的GLCM纹理参数设置标准,将各个纹理的具体输入参数分段设置如下:(1)4个纹理计算方向:0°、45°、90°和135°;(2)13个窗口大小:5、9、13、17、21、25、29、33、37、41、45、49和53;(3) 8个像元间距:1、3、5、7、9、11、13和15;(4)5个量化等级:16、32、64、128和256。可见,针对任一纹理变量均可输出2 080景纹理影像。需指出的是,相关性的取值范围理论上是[−1, 1],然而反复多次试验发现ENVI5.1计算的相关性取值范围明显有误,为避免因此得出错误的结论,故在本研究中暂不探讨该纹理。

    • 挖掘纹理信息的应用潜力目的在于研究光谱重叠度较大的不同地物,即试图在纹理信号中寻求光谱信号无法描述的不同地物间的差异性。为此,本研究通过详细的杉木人工林样地调查(图1),采用Trimble GeoXH手持差分GPS外接天线进行精准定位,最终在QuickBird全色波段影像上选取6类典型样本进行纹理特征的分析,分别为代表阴坡的幼龄林、中龄林和成熟林;阳坡的幼龄林、中龄林和成熟林(图2)。此6类样本基本涵盖了研究区所有地形条件下所有龄级的杉木人工林,故在样本的全面性和有效性方面有所保障。需指出的是,由于本文的研究目的之一是探讨纹理变量的合理选择及其输入参数的合理配置,故针对任一纹理变量均生成了2 080景纹理影像,针对每一类林分参与分析的纹理影像数共计14 560景。

      图  2  样本子区不同林龄杉木QuickBird全色波段影像

      Figure 2.  QuickBird panchromatic images of subregions representing Chinese fir with different age classes under variedtopographic conditions

    • 一般来说,不同类的样本因其所属特征空间中的类域是不同的区域而可以被区分。显然,若这些区域重叠的部分越小,类别的可分性越好,即这些区域间的距离越大,类别的可分性就越大。基于距离的类别可分性判据的原理,构造一个适合描述类别可分离度的衡量指标J[18]

      $$J = \frac{{\displaystyle\sum\limits_{i = 1}^N {\sum\limits_{j \ne i}^N {\left| {{{\overline {x}_i}} - {{\overline {x}_j}}} \right|} } }}{{\displaystyle\sum\limits_{i = 1}^N {\sum\limits_{j \ne i}^N {({\sigma _i} + {\sigma _j})} } }}$$ (1)

      式中:N为类别数;${\overline {x}_i}$${\overline {x}_j}$分别是两个不同类别的样本均值;${\sigma _i}$${\sigma _j}$分别是两个不同类别的样本标准差。J值若小于1,说明类别之间重叠度较高,不易区分;J值若大于1,说明类别之间是可分的,且J值越大越容易区分。因此,J值能够用来衡量本研究各参数组合下GLCM纹理变量进行龄组划分的能力,从而优选出GLCM纹理变量以及相应的参数组合。

    • 根据式(1)计算出任一纹理变量的2 080个参数组合下的J值,表1为2 080个参数组合中每个GLCM纹理变量在阴坡和阳坡的最大J值。容易看出,GLCM的3个纹理变量组中对比度组和有序组比统计组的能力强;除了均值之外的所有GLCM纹理变量对阴坡3个龄组的区分能力均高于阳坡。在遥感研究中,阴影一般被认为是光谱信息的干扰因素,而本文的统计结果却表明大多数GLCM纹理对阴坡的3个龄组的区分能力反而更强,这在一定程度上说明阴影对纹理信息的干扰并不显著。事实上,有研究也曾发现,纹理有可能还原被阴影所掩盖的地表信息[19],选择合适的影像纹理能够降低冠层阴影对森林生物量遥感估算精度的影响[20]

      表 1  各GLCM纹理变量在阴坡和阳坡的最大J

      Table 1.  The maximum J values for each GLCM textural variable on shady slope and sunny slope

      GLCM 纹理变量
      GLCM textural variable
      统计组 Statistic group对比度组 Contrast group有序组 Orderliness group
      均值
      Mean
      方差
      Variance
      对比度
      Contrast
      差异性
      Dissimilarity
      均一性
      Homogeneity

      Entropy
      角二阶矩
      Angular second moment
      阴坡最大J
      The maximum J value for shady slope
      0.771.312.882.892.701.613.00
      阳坡最大J
      The maximum J value for sunny slope
      1.191.081.952.102.511.342.00

      从纹理变量的计算公式可以看出,对比度组和有序组组内纹理变量之间可能存在较大的相关性[8]图3为GLCM纹理变量相关关系散点图,容易看出,统计组组内的两个变量均值和方差之间的相关性较弱,对比度组和有序组的组内变量具有非常强的相关性,而组间变量的相关性较弱。因此,在纹理的应用研究中,为了降低自变量之间的相关性以及计算量,可分别从对比度组和有序组中优选出1个变量。比如本研究可以以最大J值为依据,针对阴坡优选出差异性和角二阶矩,针对阳坡优选出均一性和角二阶矩。由于统计组的两个变量对应的J值低于其他两个组,故对于统计组的两个变量,也可从降低计算量方面考虑选择J值更大的纹理变量,比如阴坡优选出方差,阳坡优选出均值即可。总之,实际应用中,建议先采用数字高程模型(DEM)简单区分坡向,然后针对不同坡向分别计算优选出的相应纹理变量,无需计算全部纹理变量。

      图  3  GLCM纹理变量相关关系散点图

      Figure 3.  Scatter plots of correlations for GLCM texture variables

    • GLCM纹理的计算一般需要设置4个输入参数,分别是计算方向,像元间距,窗口大小和量化等级。高分光学影像纹理信息的应用极为广泛,然而研究人员对于变量优选以及相应输入参数的合理配置均未给予充分重视[11],大多数应用型的研究倾向于直接采纳软件平台的默认设置,比如ENVI的默认设置是计算方向为135°,像元间距为1,窗口大小为3 × 3,量化等级为64。考虑到本研究中最大J值对应的特定一组参数配置可能推广性较低,故采用直方图的形式统计出2 080个组合下J值排序处于前5%的组合所对应的4个输入参数频率分布。针对阴坡选出的3个纹理变量(方差、差异性和角二阶矩),J值排序前5%的组合所对应的4个输入参数直方图分布如图4;针对阳坡优选出的3个纹理变量(均值、均一性和角二阶矩),J值排序前5%的组合所对应的4个输入参数直方图分布如图5

      图  4  阴坡优选纹理变量的J值排序为前5%的输入参数的直方图分布

      Figure 4.  Histogram of input parameters for optimal textural features with J ranking at the top 5% over shady slope

      图  5  阳坡优选纹理变量的J值排序为前5%的输入参数的直方图分布

      Figure 5.  Histogram of input parameters for optimal textural features with J ranking at the top 5% over sunny slope

      可以看出,不同纹理变量对应的有效输入参数组合有一定差异。换句话说,通常针对所有纹理变量设定同一套输入参数的做法实际上是不可取的。就本研究而言,排序前5%的所有组合中对应的窗口大小均在29以上,故优选出的纹理变量均应在较大窗口下计算,比如统计组的方差出现频率最高的窗口是41,其次是45,阴坡优选出的另外两个变量出现频率最高的窗口均为本研究设定的最大值53(图4);在排序前5%的所有组合中,阳坡优选变量均值对应的窗口大小均为53;其他两个优选变量的窗口大小分布相对均匀,其中均一性以53出现的频率最高,而角二阶矩以45最高(图5)。总之,采用亚米级高分森林影像的纹理信息进行龄组区分,需要较大的窗口,不可直接采用默认的3 × 3或者其他较小的窗口,因为较小的窗口仅能捕捉到小尺度上的纹理变化,比如单个树冠内部的变化。当然,这个结果也证明了窗口大小是最重要的输入参数,具体研究需要根据不同的应用目的设定合适的窗口大小。

      其他3个参数在排序前5%的组合中出现的频率较为均衡。对于4个计算方向,统计组两个纹理在45°方向上表现较为特殊,阴坡优选出的方差出现频率最高的是45°,而45°在阳坡优选出的均值的前5%的组合中却未出现,其他3个方向在统计组的这两个变量上出现的频率较为平衡;无论是阴坡还是阳坡,对比度组的两个优选纹理出现频率最高的计算方向均为0°和90°;相比之下,角二阶矩的4个计算方向出现频率最为均一,可考虑随意选择。对于像元间距,统计组的两个纹理所有的像元间距出现的频率几乎一致,尤其是阳坡优选出的均值;对比度组需要设定较小的像元间距,尤其是阳坡的均一性,默认的像元间距1出现频率明显高于其他7个像元间距;与之相反的是角二阶矩,无论是阴坡还是阳坡,在J值排序前5%的组合中像元间距1均未出现,其他7个像元间距均有不同程度的分布。现存研究中最不受重视的输入参数是量化等级[11],事实上,不同的纹理变量对应的有效量化等级是不同的,从计算量的角度考虑,量化等级越低,计算量越低,本研究J值排在前5%的组合中,128以上的量化等级出现频率较低,只有阳坡的角二阶矩128出现的频率最高;大部分情况下选择32或者64即可,不建议设置最低值16。

    • 由2.1节的分析可知,窗口大小的确定最为关键,与影像的空间分辨率以及目标地物的空间尺度有关,这与已有研究的论断是一致的[11]。2.1节是以林分尺度上的龄组分级为例,故相对于亚米级的高分影像而言,其空间尺度较大,故优选出的窗口均为29以上的大窗口。小窗口的优势在于能够捕捉小尺度上纹理的变化[21-22],比如单个树冠尺度。因此,本节重点关注各纹理变量随其窗口大小的变化规律,其次关注计算方向和像元间距的影响,且将对窗口敏感的纹理变量分为较小窗口(< 29)和较大窗口(> 29)两种情况进行规律分析,以期为不同尺度上的研究提供纹理计算的指导。需要指出的是,本节未考虑量化等级,是因为量化等级控制着纹理变量的数量级,与其他参数对纹理变量的影响之间无可比性,况且每个纹理变量的绝对数值无具体意义[23],故仅需固定一个量化等级,本文选择ENVI默认的64。此外,因对比度和差异性的高度正相关,故二者随所有参数变化规律是一致的(图3),为简洁起见,本节仅选择差异性进行展示,且从8个像元间距中选出可以描述规律的4个进行展示。

    • 图6可见,均值随窗口的增大有略微减小的趋势,像元间距对0°,90°和135°方向上的均值没有影响。45°方向均值纹理较为特别,随着像元间距的增大而减小,因此与其他3个方向之间的差异随着像元间距的增大而增大,说明样本图像的均值纹理具有明显单一的方向性,具体的方向性特征可能与目标地物本身的空间排列格局以及太阳−观测方向有关。方差随着窗口的增大而增大,值的大小与像元间距基本无关。4个方向上差异很小,随着像元间距的增加,45°方向与其他3个方向的差异逐渐有所体现。可见,方差纹理的方向性不如均值纹理明显。由于均值在较小窗口(< 29)和较大窗口(> 29)下,随输入参数的变化规律是完全一致的,故图6中仅展示其在较小窗口下的变化。然而,方差随窗口变化的幅度有明显差别,较小窗口下(< 29)的变化幅度明显大于较大窗口(> 29)。因此,在使用统计组纹理时,应在像元间距较大的情况下关注其计算方向,像元间距较小时可任意选择计算方向。此外,窗口大小对方差的影响较大,故在利用方差纹理时需要重视窗口大小,尤其是在窗口较小的情况下。

      图  6  统计组纹理变量随输入参数的变化

      Figure 6.  Effects of input parameters on statistic group textures

    • 图7可见,对比度组纹理的值基本不随窗口大小的变化而改变。差异性随像元间距的增大而增大,均一性则相反,这种现象在像元间距达到一定程度后饱和。像元间距为1时,计算的是相邻像元之间的相关关系,而对于亚米级高分影像而言,相邻像元属于同一目标的可能性很大,故对比度和差异性均较小是合理的。距离越近,相似性越大,在一定距离后差异性达到饱和也是地统计学中的空间自相关规律,该距离阈值也可理解为半变异图(semivariogram)中的变程(range)[24]。对比度组纹理的方向性也呈现较为一致的规律,像元间距越小,各个方向之间纹理变量的差异越大,即方向性特征越强,其中0°和45°方向的值非常接近,处于90°和135°之间。可见,在像元间距设定较小的情况下,比如ENVI默认的1,对比度组纹理的计算方向是需要关注的;而在像元间距较大的情况下,纹理的计算方向可不必过于关注。因此,在应用对比度组纹理时,窗口大小可随意选择;若选择较小像元间距,则同时需要关注计算方向的选择。

      图  7  对比度组纹理变量随输入参数的变化

      Figure 7.  Effects of input parameters on contrast group textures

    • 两个有序组的纹理变量仅在像元间距为1时表现出较为明显的方向性,且不同方向上的差异随着窗口的增大而增大,与对比度组相似之处在于,0°和45°方向的纹理变量非常接近,也是介于90°和135°之间(图8)。如前所述,纹理变量具体的方向性特征可能与目标地物本身的空间排列格局以及太阳−观测方向有关。熵随窗口的增大而显著增大,角二阶矩则相反,二者均在窗口达到一定程度后趋于饱和。从数值上看,大窗口(> 29)情况下,二者随窗口的变化幅度非常小。此外,由于二者基本上不随像元间距而变化,故图8中仅代表性地展示了像元间距为1和13两种情况下有序组纹理变量的变化。可见,在应用有序组的2个纹理变量时,无需关注像元间距,且在像元间距大于1之后也无需关注计算方向的选择,相比之下,窗口大小的确定比较关键,尤其是在窗口较小的情况下。

      图  8  有序组纹理变量随输入参数的变化

      Figure 8.  Effects of input parameters on orderliness group textures

    • 本文基于QuickBird影像的全色波段,以福建省将乐国有林场不同坡向上不同龄组的杉木人工林为例,采用可分离度J值优选出适合进行龄组区分的纹理变量及其相应的参数配置范围,并在解读具体研究结果的基础上,进一步阐明了各纹理变量随其输入参数的普适性变化规律,为高分光学森林影像的纹理信息的合理应用提供了技术指导。具体结论如下:

      (1)除了均值之外的所有GLCM纹理变量对阴坡的3个龄组的区分能力均比阳坡强,侧面证明了纹理可弥补阴影所导致的信息损失。

      (2)不同纹理变量对应的有效输入参数组合有一定差异,故通常针对所有纹理变量设定同一套输入参数的做法是不可取的。

      (3)窗口大小是最为重要的输入参数,具体研究需要根据影像的分辨率以及研究对象的空间尺度设定合适的窗口大小。

      (4)应用统计组纹理时,应在像元间距较大的情况下关注其计算方向,像元间距较小时可任意选择计算方向。窗口大小对方差的影响较大,尤其是在窗口较小的情况下,故在利用方差纹理时需要重视窗口大小。

      (5)对比度组纹理与窗口大小无关,但其随像元间距的变化较大,若选择较小像元间距,则同时需要关注计算方向的选择。

      (6)在应用有序组纹理时,基本无需关注像元间距和计算方向,且仅在像元间距很小的情况下(如像元间距为1),纹理变量在4个方向上有较小差异,相比之下,窗口大小的确定比较关键。

      综上所述,高分光学影像的纹理信息对光谱重叠度较高的地物具有一定的区分能力,能够“弥补”阴影带来的光谱信号损失,然而,在应用中需要对纹理变量及其输入参数进行优化选择和配置。本文的具体研究策略以及普适性的纹理优化应用规则均能为相关研究人员提供实用的参考借鉴。

参考文献 (24)

目录

    /

    返回文章
    返回