摘  要： 針對森林植被分割方法中紋理尺度以及植被紋理描述問題，基于藍噪聲理論，提出一種多尺度的結合灰度、形狀以及其他紋理特征構建森林紋理結構基元的分割方法。該方法通過對森林植被典型區域進行快速傅里葉變換，探測區域的藍噪聲特征，并計算森林植被紋理單元的尺度和灰度分布。然后結合區域的灰度、形狀和其他紋理特征構建不同尺度下森林紋理結構基元，利用森林紋理結構基元對圖像進行提取，獲取最終分割結果。實驗結果表明，本文提出的算法能夠提高植被區域分割的準確性，取得了較好的分割效果。

　　關鍵詞： 藍噪聲；多尺度；森林紋理結構基元；紋理特征；分割

0 引言

　　森林植被識別是森林資源遙感監測的基礎工作，隨著遙感技術的迅速發展，遙感已成為GIS重要的數據源和數據更新手段。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，也是進行影像解譯的重要特征，被廣泛應用于影像分割中[1-3]。針對高分辨率影像數據量巨大且地物類型多樣的特點，采用單一特征進行分割具有較大的局限性，多特征結合的影像分割方法已經成為當前研究的熱點[4]。紋理尺度是遙感圖像分割中的一個重要問題，不同地物具有不同的最優空間尺度[5]。許多學者提出了結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的高分辨率遙感紋理分割算法采用光譜與紋理信息加權實現了影像分割，但其未能有效結合紋理尺度信息，分割難以達到理想效果。

　　針對森林植被分割方法中紋理尺度以及植被紋理描述問題，結合藍噪聲理論，提出一種多尺度的結合灰度、形狀以及紋理特征構建森林紋理結構基元方法。該方法首先利用自然森林植被在特定尺度呈現高頻的隨機特性，針對樹冠大小特征的不同區域，進行多次藍噪聲探測，計算出森林植被的多個尺度特征和灰度分布。在此基礎上，依據所獲取的灰度、尺度與形狀信息構建不同尺度下的森林紋理結構基元，使用各個尺度下的結構基元，分別與圖像進行匹配，實現最終分割。實驗結果表明，本文提出的算法能夠充分利用影像中的多種信息，實現準確而高效的分割。

1 基于藍噪聲理論探測的改進

　　本文采用的藍噪聲探測方法是劉小丹等人[12]提出的基于藍噪聲理論的遙感圖像森林植被紋理測量。該方法利用森林植被基礎特征快速選擇圖像的探測區域，結合自然森林植被在特定尺度呈現高頻隨機特性，即藍噪聲特性，通過快速傅里葉變換探測區域在不同尺度下的藍噪聲特征，當探測到藍噪聲特征時，根據當前區域尺寸和原區域尺寸，計算樹冠紋理尺度，即樹冠直徑的像素個數。

　　不同地物具有不同的最優尺度空間，天然森林植被存在生長不規律現象，即使同幅影像中的森林植被也存在樹冠大小區別。因此，針對不同樹木具有不同尺度的問題，本文基于上述只針對某片典型區域進行藍噪聲探測的方法，選取多個典型區域進行藍噪聲探測，獲取多個尺度值。

　　使用參考文獻[12]中藍噪聲探測方法，其結果如圖1。圖1（a）是區域對應的512×512多光譜圖像，圖1（b）是區域的全色圖像經過增強處理的圖像，圖1（c）是區域縮放到64×64多光譜圖像，圖1（d）是對應的64×64區域增強處理圖像，圖1（e）是區域頻譜響應圖像。

　　尺度計算公式為：

　　其中，d為尺度大小，I１為原區域尺寸，I2為當前區域尺寸。

　　但在典型森林植被區域（圖1（a））中，在兩個標記區域處的樹冠大小有明顯的不同。若對此區域只做一次藍噪聲探測，必然會出現尺度偏差。因此，在將遙感圖像N等分，根據各區域基礎特征快速篩選最合適區域的基礎上，再將合適區域進行等分，分別探測等分之后圖像的藍噪聲特征，統計其尺度特征。經實驗測試，圖2（a）在縮放到68×68時，藍噪聲特征明顯，圖2（b）為68×68區域圖像，圖2（c）在62×62時出現藍噪聲特征最明顯，圖2（d）為62×62區域圖像。根據尺度計算公式（1），可得出兩個不同尺度。

2 森林紋理結構基元設計及分割

　　2.1 森林紋理結構基元

　　SEFT（Structure Element of Forest Texture）森林紋理結構基元，簡稱結構基元，是描述森林紋理結構的一種模板，其為一個多值矩陣，用于森林植被分割。在遙感圖像中，森林紋理的微觀形態表現為樹冠單元。

　　本文的研究基于形態學結構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域，這些特征包括光譜、紋理、空間組合關系等[13-14]，通過對典型植被（喬木）紋理微觀結構形態分析，自然狀態生長的森林植被在色調、樹冠尺寸、高光與陰影對比度等方面的特性構成區別于其他植物，因此，利用所獲取的灰度、形狀、尺度以及其他紋理信息來構造描述樹冠單元的結構基元。

　　樹冠結構形狀隨植物種類有一定變化，但在較大尺度上趨于圓形；中心與周圍對比度明顯，灰度過度平滑，中間灰度的像素居多；陽光照射角度以及地面坡度變化，會引起對比度的反相。基于以上特點，構建樹冠結構基元的基本思想是：首先，根據樹冠形狀特性，所設計的樹冠應當趨于圓形，根據之前所獲取的不同尺度值，可作為圓形的直徑，設計出不同尺度的圓形結構基元；之后，結構基元的灰度范圍應當滿足之前提取的灰度范圍，根據樹冠的自然生長特性，樹冠中心部分灰度值應大于周圍值且過渡平滑到周圍。設探測樹冠尺度為d，則樹冠半徑r=d/2。

　　根據樹冠灰度分布特點，定義結構基元灰度分布公式：

　　G=Imax-A×dgc（3）

　　其中Imax是典型區域灰度最大值，Imin是典型區域灰度最小值，G是結構基元灰度，dgc是距離結構基元中心點像素個數，該值向下取整。在產生的灰度矩陣基礎上，運用之前探測的典型區域，找出典型樹冠并分析和統計其灰度分布規律，以此生成紋理結構基元。

　　2.2 森林植被分割

　　首先利用探測典型區域時的色調信息以及灰度范圍對圖像進行預處理。在一幅遙感圖像中，大部分森林植被以綠色色調為主，并且物體的灰度信息和色調信息是一致的，對于森林植被其色調和灰度也是固定在某個范圍，不會因為時間和位置的不同而有太大的差異。因此，利用統計所得的灰度和色調范圍，將圖像中色調以及灰度范圍外的像素過濾。

　　定義灰度濾波運算：假設待分割圖像I的尺寸為M×N，結構基元T的尺寸為R×R，結構元所覆蓋的區域記作Sij，其中（i，j）為子圖的左上角頂點在圖S中的坐標。顯然，i，j的范圍應滿足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域。如圖3所示。

　　定義匹配相關系數C（i，j）為：

　　2.3 數學形態學后處理

　　數學形態學是針對圖像內部的結構運算。腐蝕和膨脹是最基本的數學形態學運算，其組合形成開運算和閉運算，可以有效消除特定尺寸的雜波，并將某些相連的圖像進行分割。在所得到的分割圖像中會出現一些小的誤判區域，因此采用數學形態學的開運算來消除散點和毛刺，對圖像進行平滑處理。

3 實驗結果與分析

　　本文采用MATLAB進行實驗。實驗所用遙感圖像為Qucick Bird衛星（全色+多光譜）捆綁數據，本文算法對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。

　　實驗1選取城市與森林植被的遙感圖像進行，如圖4（a）。圖4（b）為參考文獻[11]算法得到的分割結果。實驗根據兩處標記分別進行藍噪聲探測，由公式（1）得到兩處尺度分別為9和11，灰度范圍為60~140，對應的結構基元如圖5。

　　經過兩個尺度的結構基元提取后，最終分割效果如圖4（c）。

　　實驗2的場景中有森林和空地，如圖6（a）所示。圖6（b）為參考文獻[11]算法得到的分割結果。圖6（c）為本文算法的結果。

　　實驗3的場景為森林道路郊區圖像，如圖7（a）所示。圖7（b）為參考文獻[11]算法得到的分割結果。圖7（c）為本文算法的結果。

　　實驗結果表明，相比于參考文獻[11]本文分割效果更加清晰、準確。三幅圖像中文獻[11]對于紋理相對細密地區存在欠分割現象，以箭頭指示，而本文算法減少了區域內的像素錯分，提高了正確分割率，得到了較好的分割效果。

4 結論

　　本文提出了基于藍噪聲理論的多尺度遙感森林植被分割方法，實現了利用藍噪聲特征進行多尺度探測，并結合其他有效特征構造結構基元實現植被分割。但本文方法中，結構基元的構建是建立在較充分的先驗知識的基礎上，結構基元的準確性將直接影響到分割效果。為進一步提高分割效果，在本文的基礎上，對樹冠結構基元的優化以及結構基元與圖像區域的運算有待進一步研究。

參考文獻

　　[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場混合模型的紋理圖像分割[J].測繪學報，2006，35（8）：224-228.

　　[4] 巫兆聰， 胡忠文， 張謙， 等.結合光譜、紋理與形狀結構信息的遙感影像分割方法[J].測繪學報，2013，42（1）：44-45.

　　[5] 張學良，肖鵬峰，馮學智.基于圖像內容層次表征的遙感圖像分割方法[J].中國圖象圖形學報，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，劉國英.一種光譜與紋理特征加權的高分辨率遙感紋理分割算法[J].光學學報，2009，29（11）：10-17.

　　[12] 劉小丹，楊燊.基于藍噪聲理論的遙感圖像森林植被紋理測量[J].國土資源遙感，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.