2. 广州市城市规划勘测设计研究院,广东 广州 510060
2. Guangzhou Urban Planning & Design Survey Research Institute, Guangzhou 510060, China
高分辨率遥感影像有着丰富的纹理信息,对纹理特征描述准确,可以有效区分复杂的土地利用类别。从统计学的角度出发,最有代表性的纹理特征提取算法是灰度共生矩阵算法(grey level co-occurrence matrix,GLCM)[1-2],它建立在特定范围、特定方向的灰度频数联合概率之上,可以计算出对比度、相关度、均匀性等14种纹理特征[1],从而直观地描述影像的重复空间结构特性。但是基于GLCM的纹理统计分析方法也存在极大的缺陷,即参数选取的困难性与随机性[1-5],导致算法耗时且结果不稳定。
GLCM的尺度参数选择问题引起了学者们的广泛重视和研究。文献[3—4]指出尺度参数对纹理特征有效性的影响在80%以上。传统的选取方法有经验法和枚举法,其中,经验法容易受主观因素的影响,而枚举法在选出有效尺度的同时不得不面对庞大冗余的计算量[4-5]。此外,研究中还提出了经典的局部方差法和地统计学法[6-7],但缺陷是它们仅依赖于图像的局部统计特征,并且只选出一个最优尺度值,导致纹理特征对复杂地类的描述能力不足[8]。近年来,通过多尺度分割实现纹理的多尺度计算成为一种新的研究思路。学者们在融合多种特征的基础上,基于场论、图论或粒度理论等,实现多尺度特征的对比、评价与选择,可以充分运用影像的局部和全局信息,研究成果丰富[9-12],但仍存在尺度选取结果不确定的问题。由于尺度选择是在初级过分割的基础上,通过尺度合并实现的,不同算法往往得到不同的结果,合并的误差也不可逆,使得很多成果都只停留在特定研究图像中,没能扩展到复杂的专题应用中。
在GLCM的方向参数选择上,针对性的研究还比较少。传统算法是基于4个基本方向进行统计,并直接求取各方向上的平均值,该方法易于实现但是忽略了地物实际的方向特性,因此纹理图像的分类精度受限[12]。随后,学者们意识到许多分类对象都具有显著的方向特性,如气象云图、居民点影像、道路影像、规则农田等人工地物影像[13-16],因此,提出将方向特性加入到GLCM算法中,以提高信息获取的精度。目视观察法由文献[3]提出,但结果比较随机,缺乏可靠性和推广性。此外,大部分学者利用影像梯度信息来描述方向,如文献[13]基于傅里叶变换和Hough变换,通过检测频谱空间中的极值点,确定图像的主纹理方向,从而提高了居民点影像的提取精度[13];文献[14]利用高阶方向测度窗口获得每个像元在8个方向上的灰度变化规律,并与GLCM特征进行加权融合,提高了标准纹理图的分类精度[14];还有一些学者利用分水岭、高斯滤波器等形态学算子检测局部边缘走势,再统计图像的方向特征[15-17]。然而,上述研究中存在一些共性问题,即主要依赖于影像自身的局部信息做分析,导致算法受图像噪声影响很大,容易与全局信息之间产生偏差,并且这些研究主要提取单一类型的目标,当面向复杂的土地利用分类时,无法区别描述各类地物的方向特征,因此很难从测试图像过渡到实际大尺度影像应用。
本文引入领域空间知识,为GLCM纹理尺度与方向因子的提取提供启发和指导。领域知识是针对分类目标,从历史数据和经验中提炼出来的,它可以从全局角度对地物的空间结构进行一些稳定的规律性描述,具有强烈的现实意义,可与图像理解的范畴相结合[18],在已有研究中,它为图像样本选择、边界提取、类别细分等提供了有效支持[19-23]。因此,本文基于GIS与RS数据的集成计算,首先从GIS历史数据库中渐近式地挖掘稳定的地类形态知识,并在其辅助下计算融合多尺度与主方向因子的GLCM纹理特征,以期更好地描述复杂地物的空间结构,从而有效实现遥感影像土地利用专题分类。
1 渐近式GIS领域形态知识挖掘形态知识主要包括位置、形状、大小、方向、方位、拓扑等描述算子,它作为一种重要的领域空间知识,普遍存在于GIS土地利用数据库中。本文为描述各类别地物的重复空间结构,采用渐近的策略,将GIS空间分析中的经典算子MBR和LDM融合起来,先得到单个地理要素的形态特征,再针对每个类别,统计一组地理要素综合表现出来的主要形态大小和方向特征。
(1)对GIS与RS数据进行精确配准,它是数据集成分析中的一个基础步骤。多项式变换作为常用的配准模型,能够考虑多种复杂的几何变形,只要相对于图像来说变形不大,那么其精度可以达到亚米级,从而保证了数据空间范围的一致性和领域知识的有效性[24-25]。具体的,将GIS数据库中已有的水准点等典型地物点直接作为参考图像的控制点,再采用人工方式补充选取其他控制点,并将其代入多项式模型中解算参数。当同名点对的数量和最小二乘法解算的残差值满足精度要求时,就可以完成影像配准。
(2)对于单个GIS土地利用图斑,采用面状格式存储,其方向特征及相应的轴距并不能直接观测,因此引入最小外接矩形(minimum bounding rectangle,MBR)对其进行描述。如图 1(a)所示,计算MBR的方法是将面状要素在90°范围内等间隔地旋转,每次记录其外接矩形边界点坐标,旋转到某一个角度后,外接矩形的面积达到最小,即可获得该图斑的主轴长度l及其方向θ。
(3)统计GIS数据库中各类别的平均形态分布特征。为此,采用线状地物均值算法(linear directional mean,LDM),如图 1(b)所示,该算法中输入的线要素即为单个图斑对应的主轴,那么对于每个类别,则可输出该组线状要素的平均统计结果,包括平均长度L、平均方向D、圆方差CV等。其中,线平均长度L的计算方法如式(1)所示
式中,li代表某类别中第i个图斑的主轴长度;N代表某类别图斑的总数。同时,利用该类图斑主轴的旋转角度θ统计其平均分布方向D,其计算方法如式(2)所示
此外,为了评价主方向特征值D的有效性,定义了一个圆方差指标CV,它类似于统计标准差,计算方法如式(3)所示
式中,圆方差CV值域范围是[0,1],用于描述主方向特征在多大程度上代表输入的地理要素。如果输入地理要素具有完全相同(或相似)的方向特征,那么圆方差值就较小(接近于0);反之,则较大(接近于1)。
2 融合多尺度与主方向因子的GLCM纹理特征计算为提高GLCM纹理特征对于地类的区分能力,本文在领域形态知识的辅助下,计算多尺度级别、各向异性的灰度共生矩阵,即基于几何统计学的理论框架,通过分析、描述空间数据间的关系,以达到推断所测对象几何特征的本质。具体的方案设计如下。
(1)多尺度纹理窗口确定。不同的土地利用类别之间具有结构迥异的形态特征,而类内结构之间又具有相似性。因此,在GLCM算法中,应该采用与类别一一对应的多级尺度窗口来测算纹理特征,从而有效描述分类目标。由于图斑的实际形状大小决定了其空间范围,因而,引入领域知识库中的指标L,即根据各类别图斑的主轴分布规律而计算得到的平均距离值来描述GLCM尺度。在相应的尺度范围内,基本能保证类内纹理观测的有效性。设土地利用类别总数为M,根据L值及影像分辨率δ的大小,可获得各类别的纹理窗口尺度S(图 2(a)),记为式(4)
(2)纹理主方向权值确定。传统的GLCM算法将像素对的分布方向简化为4个离散值:0°、45°、90°、135°,在此基础上,本文考虑各类别的实际方向分布特征,将其与多尺度GLCM算法融合起来进行统计。
首先,领域知识库中的指标D显示了某类图斑的主要分布方向,它与GLCM的统计方向应该保持一致。为避免将D值简单离散化为4个方向所带来的空间信息损失,本文根据D值对图像进行反向旋转,则可以在该类别纹理特征统计时将主方向分布的细微差异反映出来。将整幅影像旋转后,新图像中存在缺失的边角区域,如图 2(b)所示,其中A1-A4区域将采用镜像法或裁剪更大范围的影像进行补充。
接着,在新图像的4个离散方向上分配统计权值。如图 2(c)所示,0°对应着地类的主方向,应取得最大方向权重,其余3个方向的权值相应较小,即各方向权值β可以根据主方向特征的代表性来设定。由于领域知识库中的指标cv正好反映了这一特性,因此,cv值越小,主方向特征的代表性越高,相应0°方向的权值越大;反之,cv值越大,0°方向的权值越小。由此定义各方向权值的计算公式,如式(5)所示
(3)基于GLCM的纹理特征统计。目前共提出了14种基于GLCM的纹理特征,但经过研究者测算,其中只有角二阶矩、熵、相关性这3个特征值是互不相关的,且分类能力最强[26-27],因此,综合考虑算法的精度和复杂度,将其选为纹理特征描述算子,记为:T={ASM, ENT, COR},设它们在各离散方向ε上的特征向量为T(ε)Si,则yji表示某像元j在尺度Si下融合主方向权值的纹理特征,如式(6)所示
(4)纹理特征有效性测度。本文采用Fisher准则函数来定量测度纹理特征的有效性。作为特征评价的常用方法之一,该指标易于计算和理解,且效果较好[28]。设类别总数为M,且N1、N2、L1、…、NM表示各类别样本像元的数量,那么样本的总体类内散布矩阵Sw和类间散布矩阵Sb可以采用式(7)表示
式中,yji表示第i类中第j个样本的纹理特征向量;yi表示第i类样本特征向量的均值;y表示所有样本的特征向量的均值。则可以根据式(8)定义基于Fisher距离的类别可分性判据J,即
式中,tr{·}表示样本总体散布矩阵的迹,即矩阵对角线元素之和,将其作为类别的可分性判据。该值越大,表示类间的样本特征越分散,类别的可分性就越好,相应的纹理特征也越有效。
3 试验与讨论 3.1 试验数据及预处理本文选取某农村地区的遥感影像土地利用分类问题进行研究,试验区位于典型农作物生产区内(图 3(a))。具体试验数据包括:①2011年的GIS土地利用类别图,制图比例尺为1∶10000,采用2011年最新的分类体系建库,共包含12个丰富地类,拟用于领域形态知识的提取; ②2014年的SPOT 5遥感影像,空间分辨率为2.5m,拟将其用于1∶10000的专题分类制图,与GIS本底数据形成有效对应。该组GIS和RS数据的时间跨度为3年,根据规划方案,期间未发生过重大的人工改造土地利用情况,且属于景观生态学中设定的“短期可持续”级别[29],从客观上保证了领域知识的效用性。由于本文采用Matlab平台进行GLCM纹理特征提取,考虑到算法效率问题,从试验区中截取了一幅图像进行分类计算。如图 3(b)、(c)所示,所选区域大小为5000m×5000m,共包含2000 × 2000个像元,相当于一个标准图幅的大小。
3.2 土地利用图斑的形态指标计算
首先,对GIS和RS数据进行几何配准。配准模型采用二次多项式,直接利用了GIS数据库中原有布设在该区域居民点内的2个四级水准点作为控制点,另通过人工方式选取了15个控制点(图 4)。最终建立的几何纠正模型的残差值达到0.5m以下,满足了影像配准精度需要达到0.22像素的要求(即按像元空间分辨率为2.5m计算,为0.55m)[25]。
其次,基于ArcGIS空间分析功能,对GIS土地利用本底数据进行领域知识挖掘。根据式(1)—式(3),首先利用MBR算法获取每个图斑的主方向,表达成主轴线要素,如图 5(a)所示;再对新的线要素图层进行统计,利用LDM算法按类别提取它们的形态特征,如图 5(b)所示。最终统计结果如表 1所示。
Class Index | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
ClassName | 水田 | 旱地 | 果园 | 其他 园地 |
有林地 | 其他 林地 |
坑塘 水面 |
河流 水面 |
农村 住宅 |
城镇 住宅 |
公路 用地 |
农村 道路 |
L | 395.42 | 259.44 | 171.65 | 279.31 | 244.83 | 160.40 | 136.64 | 597.23 | 68.46 | 259.12 | 1918.93 | 226.28 |
Lstd | 59.21 | 51.33 | 33.30 | 50.27 | 39.46 | 44.51 | 13.76 | 102.72 | 29.69 | 41.65 | 10.80 | 19.61 |
K=Lstd/L | 0.15 | 0.20 | 0.19 | 0.18 | 0.16 | 0.28 | 0.10 | 0.17 | 0.43 | 0.16 | 0.01 | 0.04 |
D | 4.78 | 11.66 | 18.77 | 6.6 | 9.08 | 23.17 | 11.69 | 8.05 | 12.58 | 13.71 | 42.99 | 2.16 |
cv | 0.36 | 0.39 | 0.35 | 0.36 | 0.37 | 0.38 | 0.48 | 0.20 | 0.38 | 0.08 | 0 | 0.38 |
表 1中,①L代表地类主轴的平均长度,Lstd代表L值的统计方差,由此可以计算出各类别的方差占平均值的比重K,其中,类别9和类别6的K值相对较大,说明其类内图斑的大小不均一,因而L值的代表性相对较弱,其他地类的K值都在0.2以下,说明这些地类图斑的大小较一致,在平均尺度范围内可以包含大部分图斑,保证有效的纹理观测;②D值显示出各地类的主方向分布特征,值域为[2°, 45°]。可以发现,相邻地类之间具有相似的方向分布统计结果,如类别2、3、7、9、10,分别代表旱地、果园、坑塘水面、农村住宅和城镇住宅用地,它们在空间布局上相互邻接,而且都属于人类改造土地利用方式,取得了较一致的方向分布,一致性达到70%以上;③cv值反映了类内图斑偏离平均方向的程度,根据统计结果,每类别的cv值均小于0.48,类别11甚至等于0,且占均值比重较低。可见,相应的主方向值D具有显著代表性,在其辅助下对影像进行方向旋转后再做加权统计,更能准确地表达地类的空间结构属性。
3.3 基于多尺度和主方向因子的GLCM纹理特征构建将表 1中所示的各项形态指标值,代入式(5)和式(6),则可以计算出各类别的纹理尺度以及4个方向的统计权值,结果如表 2所示。统计显示,采用该方法提取纹理空间因子的算法复杂度非常低,仅与GIS图斑的个数成正比关系,而传统的枚举法、影像分析法等则需耗费与像元个数呈几何级倍数的时间。
ClassIndex | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 |
S | 79 | 52 | 34 | 56 | 49 | 32 | 27 | 119 | 14 | 52 | 384 | 45 |
β(0°) | 0.64 | 0.61 | 0.65 | 0.64 | 0.63 | 0.62 | 0.52 | 0.8 | 0.62 | 0.92 | 1 | 0.62 |
β(45°) | 0.12 | 0.13 | 0.12 | 0.12 | 0.12 | 0.13 | 0.16 | 0.07 | 0.13 | 0.03 | 0 | 0.13 |
β(90°) | 0.12 | 0.13 | 0.12 | 0.12 | 0.12 | 0.13 | 0.16 | 0.07 | 0.13 | 0.03 | 0 | 0.13 |
β(135°) | 0.12 | 0.13 | 0.12 | 0.12 | 0.12 | 0.13 | 0.16 | 0.07 | 0.13 | 0.03 | 0 | 0.13 |
根据上述计算结果,分别采用不同构造因子来计算纹理特征,从而获得不同的像元特征值来实现分类。如表 3所示,可以得到4种方案,其中,方案2中采用的平均纹理尺度值是根据表 2中的S值取平均得到。
特征 空间构建 |
光谱 特征 |
GLCM纹理特征 | |||
平均 尺度 |
当前类 别尺度 |
平均 方向 |
主方向 权值 |
||
方案1 | √ | ○ | ○ | ○ | ○ |
方案2 | √ | √ | ○ | √ | ○ |
方案3 | √ | ○ | √ | √ | ○ |
方案4 | √ | ○ | √ | ○ | √ |
3.4 分类结果及评价
为测试表 3中不同方案构造的纹理特征的有效性,本文引入支持向量机模型(SVM)实现影像分类,并进行分类精度对比分析。作为经典可靠的统计学习监督分类方法,SVM在解决小样本、非线性及高维模式识别中表现出许多特有的优势。经试验,当本组训练样本与测试样本的数据比例大于3∶7以后,分类精度值趋于稳定,最终得到基于不同特征空间的分类结果如图 6所示。
对上述分类结果采用混淆矩阵进行精度评价,结果如表 4所示。
特征空间构建 | user accuracy/(%) | total accuracy /(%) |
Kappa | |||||||||||
C1 | C2 | C3 | C4 | C5 | C6 | C7 | C8 | C9 | C10 | C11 | C12 | |||
方案1 | 41.9 | 39.6 | 41.1 | 58.6 | 61.7 | 33.0 | 66.3 | 54.8 | 62.0 | 63.3 | 51.2 | 57.9 | 47.2 | 0.40 |
方案2 | 66.2 | 66.1 | 59.9 | 64.3 | 69.5 | 66.0 | 60.1 | 61.1 | 63.3 | 64.9 | 52.3 | 64.4 | 64.4 | 0.58 |
方案3 | 78.2 | 71.5 | 66.1 | 81.0 | 80.9 | 75.6 | 79.3 | 71.1 | 68.9 | 71.0 | 76.4 | 72.8 | 76.5 | 0.71 |
方案4 | 80.6 | 75.2 | 70.8 | 86.9 | 86.1 | 81.2 | 83.3 | 71.3 | 71.5 | 70.6 | 81.5 | 83.2 | 81.3 | 0.75 |
(1)在表 4中,按总体分类精度和Kappa系数对不同特征空间的分类能力进行排序,结果是:方案4>方案3>方案2>方案1。在方案1中,仅利用光谱信息分类,总体分类精度只有47.2%。由于同谱异物现象,导致易误分的地类包括:类别2和3、4,类别5和6,类别7和8,类别9和10,类别11和12。因此,当方案2中加入平均尺度纹理特征后,总体分类精度提高了17.2%;方案3中,将纹理尺度设定为多级尺度,与各类别图斑的形态大小相对应,那么分类精度又提高了12.1%,尤其是在尺度值差异较大的地类之间,分类结果得到了明显改善;进一步地,方案4中按方向权值统计纹理特征,得到的总体分类精度比方案3又高出了4.8%,可达到81.3%。
(2)在多级尺度下,方案4与方案3采用了不同的统计方向权值,前者的总体分类精度较后者高,但由用户者精度的变化可知:类别8的分类精度变化不大,同时类别10的分类精度反而有所下降。究其原因,试验区中这两类地物的规模都比较小,图斑均未表现出明显的方向走势,因此,融入主方向权重后,其纹理特征的区分性反而会降低;反之,在其他方向特征显著的地类中,方案4明显具有比方案3优越的分类能力。为此,借助2组地类的特征空间分布散点图,进一步直观描述纹理方向权值变化对分类精度的贡献。如图 7和图 8所示,第1组地类是果园和其他园地,第2组地类是公路用地和农村道路,它们都属于人工地物,均存在典型的同谱异物现象,图中三维空间则对应着由{角二阶距,熵,相关}组成的3个纹理特征量。两组试验结果均显示,方案3按平均方向统计纹理,导致不同地类中存在部分特征区域的重叠,而方案4按主方向权值进行统计,其纹理值可以反映细微的方向变化规律,使同谱异物地类的区分能力得到有效提高。
(3)需要注意的是,不同类别之间形态特征的相关性,将极大影响纹理特征的分类能力。为进行直观描述,首先针对方案4中所采用的形态因子S和β进行类间相关性计算。检验结果如图 9所示,横、纵坐标分别代表地物类别,如果某组因子间的相关系数R≥0.6,则认为其形态特征的相关性强;同时,如果显著性P≤0.05,则表示其相关性显著。由于该检验矩阵是对称的,因此只显示对角线上的统计结果。可以看出,对于同时满足以上两个条件的类别,如类别2和4,类别2和5等,其类间形态高度相似,实际图斑也呈现大面积胶着分布状态。
接着,使用Fisher距离对方案4中纹理特征的有效性进行评价。本文采用一个可分性矩阵来表示计算结果,如图 10所示,横轴代表尺度级别,纵轴代表地物类别,各级尺度下纹理特征值的类间Fisher距离由大到小采用红色→蓝色表示。与图 9进行对比观察,可以发现:Fisher距离越大,表示在该级尺度中,类间纹理特征的可分性就越高,而其形态相关性则越低;反之,随着类间形态的相似度增加,如类别2和类别4,类别2和类别5等,均属于显著强相关的类别,则相应Fisher距离变小,其纹理特征的代表性和可分性都降低;此外,对于类别1和类别2,虽然两者的平均形态值高度相关,但却不显著,说明类别1和类别2的形态分布呈现较大分异,导致两者间总体的Fisher距离反而增大,纹理特征的可分性也有所提升。因此,当类间形态特征呈显著分布时,说明类内形态分布集中,则GLCM纹理的分类能力主要随着两者间的相似度而反向变化;当类间形态特征呈显著强相关分布时,GLCM纹理特征趋于相似,则此时影像的分类精度将主要依赖于光谱特征和其他空间特征;当类间形态特征呈相关但不显著分布时,说明某类别形态分布分散,则GLCM纹理的分类能力将受到相反的作用力。可以推知,随着影像空间分辨率的提高以及分类体系的细化,类内的形态特征分布将变得更集中,与平均特征值之间的差距更小,同时与类间的差异性更显著,从而使纹理特征的有效性更高。
4 结论
本文通过GIS数据到RS数据的集成计算和关联分析,构建了领域形态知识与GLCM纹理构造因子的响应关系,得到如下结论:
(1)两者之间具有强相关性。GIS本底数据库中蕴含了大量的领域形态知识,可以有效地反映分类目标的实际涵义和空间结构特征,为提取GLCM纹理空间因子提供启发信息。
(2)本文研究中,各类地物的实际图斑大小和走向决定了其最佳纹理观测尺度和方向,在此基础上设计的基于地类形状指数的多尺度窗口建立算法,以及基于地类主方向分布指数的方向权值测度算法,其复杂度低,性能优越,可以有效区分专题地物,并进一步解决同谱异物的分类不确定性问题。
(3)需要注意的是,当类间形态特征呈显著分布时,GLCM纹理的分类能力主要随着形态相似度而反向变化;当类间形态特征呈显著强相关分布时,GLCM纹理特征趋于相似,则此时影像的分类精度将主要依赖于光谱特征和其他空间特征。
[1] | HARALICK R M, SHANMUGAM K, DINSTEIN I H. Textural Features for Image Classification[J]. IEEE Transactions on Systems, Man, and Cybernetics , 1973, SMC-3 (6) : 610 –621. |
[2] | GONG P, HOWARTH P J. Frequency-based Contextual Classification and Gray-level Vector Reduction for Land-use Identification[J]. Photogrammetric Engineering and Remote Sensing , 1992, 58 (4) : 423 –437. |
[3] | 崔林丽.遥感影像解译特征的综合分析与评价[D].北京:中国科学院遥感应用研究所, 2005. CUI Linli.Integrative Analysis and Evaluation of the Interpretation Features in Remote Sensing Image[D].Beijing:Institute of Remote Sensing Applications, Chinese Academy of Sciences, 2005. http://www.cnki.com.cn/article/cjfdtotal-ylzy201404009.htm |
[4] | 陈忠.高分辨率遥感图像分类技术研究[D].北京:中国科学院遥感应用研究所, 2006. CHEN Zhong.Research on High Resolution Remote Sensing Image Classification Technology[D].Beijing:Institute of Remote Sensing Applications, Chinese Academy of Sciences, 2006. http://www.oalib.com/references/19444344 |
[5] | FRANKLIN S E, WULDER M A, LAVIGNE M B. Automated Derivation of Geographic Window Sizes for Use in Remote Sensing Digital Image Texture Analysis[J]. Computers&Geosciences , 1996, 22 (6) : 665 –673. |
[6] | 马洪超, 李德仁. 基于空间统计学的空间数据窗口大小的确定[J]. 武汉大学学报(信息科学版) , 2001, 26 (1) : 18–23. MA Hongchao, LI Deren. Geographic Window Fixing and Its Application Based on Spatial Statistics[J]. Geomatics and Information Science of Wuhan University , 2001, 26 (1) : 18 –23. |
[7] | CHICA-OLMO M, ABARCA-HERNáNDEZ F. Computing Geostatistical Image Texture for Remotely Sensed Data Classification[J]. Computers&Geosciences , 2000, 26 (4) : 373 –383. |
[8] | GOODCHILD M F. Metrics of Scale in Remote Sensing and GIS[J]. International Journal of Applied Earth Observation and Geoinformation , 2001, 3 (2) : 114 –120. DOI:10.1016/S0303-2434(01)85002-9 |
[9] | PENG Bo, ZHANG Lei, ZHANG D. A Survey of Graph Theoretical Approaches to Image Segmentation[J]. Pattern Recognition , 2013, 46 (3) : 1020 –1038. DOI:10.1016/j.patcog.2012.09.015 |
[10] | 巫兆聪, 胡忠文, 张谦, 等. 结合光谱纹理与形状结构信息的遥感影像分割方法[J]. 测绘学报 , 2014, 42 (1) : 44–50. WU Zhaocong, HU Zhongwen, ZHANG Qian, et al. On Combining Spectral, Textural and Shape Features for Remote Sensing Image Segmentation[J]. Acta Geodaetica et Cartographica Sinica , 2014, 42 (1) : 44 –50. |
[11] | 骆剑承, 梁怡, 周成虎. 基于尺度空间的分层聚类方法及其在遥感影像分类中的应用[J]. 测绘学报 , 1999, 28 (4) : 319–324. LUO Jiancheng, LEUNG Yee, ZHOU Chenghu. Scale Space Based Hierarchical Clustering Method and Its Application to Remotely Sensed Data Classification[J]. Acta Geodaetica et Cartographica Sinica , 1999, 28 (4) : 319 –324. |
[12] | 张桂峰.粒度理论下的多尺度遥感影像分割[D].武汉:武汉大学, 2010. ZHANG Guifeng.Multi-scale Remote Sensing Image Segmentation Based on Granularity Theory[D].Wuhan:Wuhan University, 2010. http://www.oalib.com/references/17551213 |
[13] | 金飞, 张占睦, 芮杰. 纹理主方向的遥感影像居民地提取[J]. 测绘科学 , 2010, 35 (4) : 139–141. JIN Fei, ZHANG Zhanmu, RUI Jie. Residential Area Extraction from Remote Sensing Image Based on Texture Principal Directions[J]. Science of Surveying and Mapping , 2010, 35 (4) : 139 –141. |
[14] | 刘天时, 肖敏敏, 李湘眷. 融合方向测度和灰度共生矩阵的纹理特征提取算法研究[J]. 科学技术与工程 , 2014, 14 (32) : 271–275. LIU Tianshi, XIAO Minmin, LI Xiangjuan. Textural Feature Extraction Algorithm Fused with Direction Measure and GLCM Method[J]. Science Technology and Engineering , 2014, 14 (32) : 271 –275. |
[15] | 于晓晗, 袁保宗. 方向测度及其在纹理识别中的应用[J]. 自动化学报 , 1990, 16 (4) : 347–351. YU Xiaohan, YUAN Baozong. Direction Measure and Its Application to Texture Classification[J]. Acta Automatica Sinica , 1990, 16 (4) : 347 –351. |
[16] | 雷小奇, 王卫星, 赖均. 一种基于形状特征进行高分辨率遥感影像道路提取方法[J]. 测绘学报 , 2009, 38 (5) : 457–465. LEI Xiaoqi, WANG Weixing, LAI Jun. A Method of Road Extraction from High-resolution Remote Sensing Images Based on Shape Features[J]. Acta Geodaetica et Cartographica Sinica , 2009, 38 (5) : 457 –465. |
[17] | 蔡利平, 史文中, 张华, 等. 边缘走向自适应的多尺度分水岭分割算法[J]. 中国矿业大学学报 , 2015, 44 (4) : 739–746. CAI Liping, SHI Wenzhong, ZHANG Hua, et al. An Edge Direction Adaptive Multi-scale Watershed Segmentation Algorithm[J]. Journal of China University of Mining&Technology , 2015, 44 (4) : 739 –746. |
[18] | 李德仁, 王树良, 李德毅. 空间数据挖掘理论与应用[M]. 北京: 科学出版社, 2006 . LI Deren, WANG Shuliang, LI Deyi. Spatial Data Mining Theories and Applications[M]. Beijing: Science Press, 2006 . |
[19] | 杨存健, 周成虎. 基于知识的遥感图像分类方法的探讨[J]. 地理学与国土研究 , 2001, 17 (1) : 72–77. YANG Cunjian, ZHOU Chenghu. Investigation on Classification of Remote Sensing Image on Basis of Knowledge[J]. Geography and Territorial Research , 2001, 17 (1) : 72 –77. |
[20] | 术洪磊. GIS辅助下的基于知识的遥感影像分类方法研究--以土地覆盖/土地利用类型为例[J]. 测绘学报 , 1997, 26 (4) : 328–336. SHU Honglei. Knowledge Based Image-classification Approach Supported by a GIS[J]. Acta Geodaetica et Cartographica Sinica , 1997, 26 (4) : 328 –336. |
[21] | 吴田军, 骆剑承, 夏列钢, 等. 迁移学习支持下的遥感影像对象级分类样本自动选择方法[J]. 测绘学报 , 2014, 43 (9) : 908–916. WU Tianjun, LUO Jiancheng, XIA Liegang, et al. An Automatic Sample Collection Method for Object-oriented Classification of Remotely Sensed Imageries Based on Transfer Learning[J]. Acta Geodaetica et Cartographica Sinica , 2014, 43 (9) : 908 –916. DOI:10.13485/j.cnki.11-2089.2014.0163 |
[22] | 韩敏, 孙杨. 一种基于分组式蛇模型的GIS矢量边界更新方法[J]. 测绘学报 , 2009, 38 (2) : 168–174. HAN Min, SUN Yang. A Method of Vector Edge Updating Based on Grouping Snake Model in GIS[J]. Acta Geodaetica et Cartographica Sinica , 2009, 38 (2) : 168 –174. |
[23] | 朱长明, 骆剑承, 沈占锋, 等. DEM辅助下的河道细小线性水体自适应迭代提取[J]. 测绘学报 , 2013, 42 (2) : 277–283. ZHU Changming, LUO Jiancheng, SHEN Zhanfeng, et al. River Linear Water Adaptive Auto-extraction on Remote Sensing Image Aided by DEM[J]. Acta Geodaetica et Cartographica Sinica , 2013, 42 (2) : 277 –283. |
[24] | 张晓东.基于遥感影像与GIS数据的变化检测理论和方法研究[D].武汉:武汉大学, 2005. ZHANG Xiaodong.The Theory and Methods of Change Detection Based on Remotely Sensed Imagery and GIS[D].Wuhan:Wuhan University, 2005. |
[25] | 张晓东, 李德仁, 龚健雅, 等. 一种基于面特征的遥感影像与GIS数据配准方法[J]. 遥感学报 , 2006, 10 (3) : 373–380. ZHANG Xiaodong, LI Deren, GONG Jianya, et al. A Matching Method of Remote Sensing Image and GIS Data Based on Area Feature[J]. Journal of Remote Sensing , 2006, 10 (3) : 373 –380. |
[26] | 朱晓芳.基于支持向量机的田间杂草识别方法研究[D].镇江:江苏大学, 2010. ZHU Xiaofang.Research of Weed Recognition Method Based on Support Vector Machine[D].Zhenjiang:Jiangsu University, 2010. |
[27] | ULABY F T, KOUYATE F, BRISCO B, et al. Textural Information in SAR Images[J]. IEEE Transactions on Geoscience and Remote Sensing , 1986, 24 (2) : 235 –245. |
[28] | 尹洪涛, 付平, 沙学军. 基于DCT和线性判别分析的人脸识别[J]. 电子学报 , 2009, 37 (10) : 2211–2214. YIN Hongtao, FU Ping, SHA Xuejun. Face Recognition Based on DCT and LDA[J]. Acta Electronica Sinica , 2009, 37 (10) : 2211 –2214. |
[29] | 邬建国. 景观生态学--概念与理论[J]. 生态学杂志 , 2000, 19 (1) : 42–52. WU Jianguo. Landscape Ecology:Concepts and Theories[J]. Chinese Journal of Ecology , 2000, 19 (1) : 42 –52. |