摘 要： 针对森林植被分割方法中纹理尺度以及植被纹理描述问题，基于蓝噪声理论，提出一种多尺度的结合灰度、形状以及其他纹理特征构建森林纹理结构基元的分割方法。该方法通过对森林植被典型区域进行快速傅里叶变换，探测区域的蓝噪声特征，并计算森林植被纹理单元的尺度和灰度分布。然后结合区域的灰度、形状和其他纹理特征构建不同尺度下森林纹理结构基元，利用森林纹理结构基元对图像进行提取，获取最终分割结果。实验结果表明，本文提出的算法能够提高植被区域分割的准确性，取得了较好的分割效果。

关键词： 蓝噪声；多尺度；森林纹理结构基元；纹理特征；分割

0 引言

　　森林植被识别是森林资源遥感监测的基础工作，随着遥感技术的迅速发展，遥感已成为GIS重要的数据源和数据更新手段。高分辨率影像不仅有光谱信息，而且还提供丰富的空间、纹理特征信息。影像纹理是地物的空间分布模式，也是进行影像解译的重要特征，被广泛应用于影像分割中[1-3]。针对高分辨率影像数据量巨大且地物类型多样的特点，采用单一特征进行分割具有较大的局限性，多特征结合的影像分割方法已经成为当前研究的热点[4]。纹理尺度是遥感图像分割中的一个重要问题，不同地物具有不同的最优空间尺度[5]。许多学者提出了结合光谱与纹理的分割方法[6]，如JSEG[7-8]、高斯混合模型[9-10]等。其中，王雷光等人[11]提出的光谱与纹理特征加权的高分辨率遥感纹理分割算法采用光谱与纹理信息加权实现了影像分割，但其未能有效结合纹理尺度信息，分割难以达到理想效果。

　　针对森林植被分割方法中纹理尺度以及植被纹理描述问题，结合蓝噪声理论，提出一种多尺度的结合灰度、形状以及纹理特征构建森林纹理结构基元方法。该方法首先利用自然森林植被在特定尺度呈现高频的随机特性，针对树冠大小特征的不同区域，进行多次蓝噪声探测，计算出森林植被的多个尺度特征和灰度分布。在此基础上，依据所获取的灰度、尺度与形状信息构建不同尺度下的森林纹理结构基元，使用各个尺度下的结构基元，分别与图像进行匹配，实现最终分割。实验结果表明，本文提出的算法能够充分利用影像中的多种信息，实现准确而高效的分割。

1 基于蓝噪声理论探测的改进

　　本文采用的蓝噪声探测方法是刘小丹等人[12]提出的基于蓝噪声理论的遥感图像森林植被纹理测量。该方法利用森林植被基础特征快速选择图像的探测区域，结合自然森林植被在特定尺度呈现高频随机特性，即蓝噪声特性，通过快速傅里叶变换探测区域在不同尺度下的蓝噪声特征，当探测到蓝噪声特征时，根据当前区域尺寸和原区域尺寸，计算树冠纹理尺度，即树冠直径的像素个数。

　　不同地物具有不同的最优尺度空间，天然森林植被存在生长不规律现象，即使同幅影像中的森林植被也存在树冠大小区别。因此，针对不同树木具有不同尺度的问题，本文基于上述只针对某片典型区域进行蓝噪声探测的方法，选取多个典型区域进行蓝噪声探测，获取多个尺度值。

　　使用参考文献[12]中蓝噪声探测方法，其结果如图1。图1（a）是区域对应的512×512多光谱图像，图1（b）是区域的全色图像经过增强处理的图像，图1（c）是区域缩放到64×64多光谱图像，图1（d）是对应的64×64区域增强处理图像，图1（e）是区域频谱响应图像。

　　尺度计算公式为：

　　其中，d为尺度大小，I１为原区域尺寸，I2为当前区域尺寸。

　　但在典型森林植被区域（图1（a））中，在两个标记区域处的树冠大小有明显的不同。若对此区域只做一次蓝噪声探测，必然会出现尺度偏差。因此，在将遥感图像N等分，根据各区域基础特征快速筛选最合适区域的基础上，再将合适区域进行等分，分别探测等分之后图像的蓝噪声特征，统计其尺度特征。经实验测试，图2（a）在缩放到68×68时，蓝噪声特征明显，图2（b）为68×68区域图像，图2（c）在62×62时出现蓝噪声特征最明显，图2（d）为62×62区域图像。根据尺度计算公式（1），可得出两个不同尺度。

2 森林纹理结构基元设计及分割

2.1 森林纹理结构基元

　　SEFT（Structure Element of Forest Texture）森林纹理结构基元，简称结构基元，是描述森林纹理结构的一种模板，其为一个多值矩阵，用于森林植被分割。在遥感图像中，森林纹理的微观形态表现为树冠单元。

　　本文的研究基于形态学结构元素和特征基元思想。特征基元是指遥感影像上相互连通的一系列具有相同或相似特征的像元所组成的区域，这些特征包括光谱、纹理、空间组合关系等[13-14]，通过对典型植被（乔木）纹理微观结构形态分析，自然状态生长的森林植被在色调、树冠尺寸、高光与阴影对比度等方面的特性构成区别于其他植物，因此，利用所获取的灰度、形状、尺度以及其他纹理信息来构造描述树冠单元的结构基元。

　　树冠结构形状随植物种类有一定变化，但在较大尺度上趋于圆形；中心与周围对比度明显，灰度过度平滑，中间灰度的像素居多；阳光照射角度以及地面坡度变化，会引起对比度的反相。基于以上特点，构建树冠结构基元的基本思想是：首先，根据树冠形状特性，所设计的树冠应当趋于圆形，根据之前所获取的不同尺度值，可作为圆形的直径，设计出不同尺度的圆形结构基元；之后，结构基元的灰度范围应当满足之前提取的灰度范围，根据树冠的自然生长特性，树冠中心部分灰度值应大于周围值且过渡平滑到周围。设探测树冠尺度为d，则树冠半径r=d/2。

　　根据树冠灰度分布特点，定义结构基元灰度分布公式：

　　G=Imax-A×dgc（3）

　　其中Imax是典型区域灰度最大值，Imin是典型区域灰度最小值，G是结构基元灰度，dgc是距离结构基元中心点像素个数，该值向下取整。在产生的灰度矩阵基础上，运用之前探测的典型区域，找出典型树冠并分析和统计其灰度分布规律，以此生成纹理结构基元。

2.2 森林植被分割

　　首先利用探测典型区域时的色调信息以及灰度范围对图像进行预处理。在一幅遥感图像中，大部分森林植被以绿色色调为主，并且物体的灰度信息和色调信息是一致的，对于森林植被其色调和灰度也是固定在某个范围，不会因为时间和位置的不同而有太大的差异。因此，利用统计所得的灰度和色调范围，将图像中色调以及灰度范围外的像素过滤。

　　定义灰度滤波运算：假设待分割图像I的尺寸为M×N，结构基元T的尺寸为R×R，结构元所覆盖的区域记作Sij，其中（i，j）为子图的左上角顶点在图S中的坐标。显然，i，j的范围应满足1≤i≤M-R，1≤j≤N-R，最终通过比较T和S的匹配度，判断是否为植被树冠区域。如图3所示。

　　定义匹配相关系数C（i，j）为：

2.3 数学形态学后处理

　　数学形态学是针对图像内部的结构运算。腐蚀和膨胀是最基本的数学形态学运算，其组合形成开运算和闭运算，可以有效消除特定尺寸的杂波，并将某些相连的图像进行分割。在所得到的分割图像中会出现一些小的误判区域，因此采用数学形态学的开运算来消除散点和毛刺，对图像进行平滑处理。

3 实验结果与分析

　　本文采用MATLAB进行实验。实验所用遥感图像为Qucick Bird卫星（全色+多光谱）捆绑数据，本文算法对遥感图像全色分辨率的要求是高于1.5 m，以保证树冠纹理单元有足够的像素用于尺寸缩小处理以及分割。

　　实验1选取城市与森林植被的遥感图像进行，如图4（a）。图4（b）为参考文献[11]算法得到的分割结果。实验根据两处标记分别进行蓝噪声探测，由公式（1）得到两处尺度分别为9和11，灰度范围为60~140，对应的结构基元如图5。

　　经过两个尺度的结构基元提取后，最终分割效果如图4（c）。

　　实验2的场景中有森林和空地，如图6（a）所示。图6（b）为参考文献[11]算法得到的分割结果。图6（c）为本文算法的结果。

　　实验3的场景为森林道路郊区图像，如图7（a）所示。图7（b）为参考文献[11]算法得到的分割结果。图7（c）为本文算法的结果。

　　实验结果表明，相比于参考文献[11]本文分割效果更加清晰、准确。三幅图像中文献[11]对于纹理相对细密地区存在欠分割现象，以箭头指示，而本文算法减少了区域内的像素错分，提高了正确分割率，得到了较好的分割效果。

4 结论

　　本文提出了基于蓝噪声理论的多尺度遥感森林植被分割方法，实现了利用蓝噪声特征进行多尺度探测，并结合其他有效特征构造结构基元实现植被分割。但本文方法中，结构基元的构建是建立在较充分的先验知识的基础上，结构基元的准确性将直接影响到分割效果。为进一步提高分割效果，在本文的基础上，对树冠结构基元的优化以及结构基元与图像区域的运算有待进一步研究。

参考文献

　　[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] 余鹏，张震龙，侯至群.基于高斯马尔科夫随机场混合模型的纹理图像分割[J].测绘学报，2006，35（8）：224-228.

　　[4] 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，2013，42（1）：44-45.

　　[5] 张学良，肖鹏峰，冯学智.基于图像内容层次表征的遥感图像分割方法[J].中国图象图形学报，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，刘国英.一种光谱与纹理特征加权的高分辨率遥感纹理分割算法[J].光学学报，2009，29（11）：10-17.

　　[12] 刘小丹，杨燊.基于蓝噪声理论的遥感图像森林植被纹理测量[J].国土资源遥感，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.