纹理是地物光谱空间中的点到地物分布二维空间的一种映射模式，是对局部区域像元之间关系的一种度量^[1]。高空间分辨率遥感图像包含了丰富的光谱信息和空间纹理结构，在土地利用和土地覆盖变化研究中应用前景广阔^{[2, 3, 4]}。我国于2011年12月成功发射了第一颗国产高分辨率业务卫星资源一号02C星，目前该星数据的辐射与几何质量稳定，部分学者对该星的数据质量和初步应用做了一些研究^{[5, 6, 7]}。如何进一步利用好国产资源卫星数据，挖掘数据的应用潜力是一个值得探讨的课题。研究表明，光谱信息结合纹理特征是改善高分辨率遥感图像信息提取精度的有效途径^{[8, 9, 10]}。但纹理信息本身具有一定的周期性、方向性、随机性和尺度依赖性^[11]，不同的纹理分析方法适用于特定纹理，传统利用单一纹理进行图像信息提取的方法可能仅对某几种地物类型有效，而对某些地物类型的提取效果则不太理想^[12]。同时，以往凭借个人经验和目视效果选取纹理提取参数的方法^{[13, 14]}推广性较差。

支持向量机(SVM)方法是一种基于统计学习理论的机器学习方法，通过用核函数定义的非线性变换将输入空间变换到一个高维空间，在新空间中求取最优分类面，将类与类之间的间隔最大化，从而使得结构风险最小化^[15]。SVM较好的推广性和较高的分类准确率使其在高分辨率图像分类中得到广泛应用^{[16, 17, 18]}。本文以资源一号02C卫星的高分辨率相机HR数据为例，定量化纹理提取的尺度参数；在传统单一统计纹理的基础上，加入地统计学纹理和辅助分量—光谱梯度纹理参与图像分类；构建基于多源信息复合模型的国产高分辨率数据ZY-1 02C HR的有效SVM分类方法。

研究区位于中国杨凌农业示范区，东经108°0′9″～108°1′39″，北纬34°14′46″～34°16′01″，平均海拔为542 m，土地利用类型以农用地为主。数据为2012年4月27日获取的资源1号02C星的2.36 m分辨率的HR影像。首先利用影像RPC(rational polynomial coefficient)轨道参数和数字高程模型(digital elevation model,DEM)对HR数据进行正射纠正，纠正后的图像重投影为高斯克吕格投影，中央经线为111 °E；重采样为2.5 m×2.5 m，研究区图像大小为895行和895列。根据研究区的土地利用特点和遥感影像室内外判读调查结果，将研究区土地利用划分为冬小麦、大棚用地、菜地、居民地、苗木用地和道路6种类别。

地统计学中的变差函数能定量地描述图像灰度值的空间变异性和空间相关性^[19]。经典变差函数易受图像灰度异常值的影响，本文采用绝对值变差函数^[20]定量描述图像的空间相似性和结构特征：

式中，γ(d,θ)为像元在θ方向上步长为d时的绝对值变差函数；N(d,θ)为图像在θ方向上相距为d的像素对的数量,θ通常取0°、45°、90°和135°四个方向；DN(\5)为像素x_i和(x_i+d)的灰度值。

移动窗口大小和步长d是获取变差函数纹理特征的两个重要尺度参数^[21]。不同土地利用变差函数的相关性距离表明研究区纹理提取的最佳窗口为7个像元。对于步长参数，通常认为细致纹理图像的分类步长取值较小，而较大的步长距离更适合表达粗糙纹理特征，步长的变化一般不超过窗口大小的一半^{[22, 23]}。研究区地物特征多样，细糙纹理兼有；且绝对值变差函数曲线在趋于平稳之前，像元灰度值间的相关性对步长的变化较为敏感。为兼顾图像细节纹理和地物分布宏观格局的表达，构建不同步长下图像变差函数的累积平均值为该图像的变差函数纹理，提取方法为：

式中，Δ为步长d的数据集合，Δ={1，2，3}；Θ为各向异性方向θ的数据集合，Θ={0°，45°，90°，135°}；│•│是数据集合•中的元素个数；γ(d,θ)为像元在θ方向上步长间隔为d时的绝对值变差函数。

在灰度共生矩阵的基础上提取二次统计量来描述图像纹理是目前最有效的基于统计的纹理分析方法^{[24, 25]}。本文采用16级灰度级，以7个像元为最佳移动窗口分别提取不同方位和步长下的平均值、协方差、局部平稳度、对比度、相异性、熵、角二阶矩、灰度相关等8种统计纹理特征(计算公式和含义详见文献[11])，以各纹理特征的累积平均作为研究区图像的纹理信息：

式中，f_i(d,θ)是角度为θ、步长为d的第i个统计纹理特征量，其他变量同式(2)。

图像梯度信息的变化反映了图像的结构性组成，通常是通过微分算子检测图像中灰度跳变的部分。本文采用8邻域三阶反距离平方权差分算法获取图像灰度值的梯度变化，作为辅助变量突出地物的边界信息。

式中，T^*为梯度纹理；z(i,j)为图像第i行第j列的像元灰度值；R_cellsize为图像空间分辨率。

将变差函数纹理(1层)、灰度共生矩阵纹理(8层)、梯度纹理(1层)、HR光谱数据(1层)和基于灰度共生矩阵纹理的三大主成分数据(3层)共14层数据在ENVI软件中进行波段合成(layer stacking)操作，生成研究区多源复合数据并标准化到0~1之间，以消除量纲以及不同属性数据数值大小对分类结果的影响，标准化后的复合数据记为MSD。为方便分类精度的对比，将研究区多源复合数据进一步划分为三类：① 复合数据MSD1为光谱+灰度共生矩阵纹理；② 复合数据MSD2为光谱+灰度共生矩阵纹理+变差函数纹理+梯度纹理；③复合数据MSD3为光谱+灰度共生矩阵纹理主成分信息+变差函数纹理+梯度纹理。

利用手持全球定位系统(GPS)设备在研究区不同土地利用地块的中心位置采集100个样点作为训练样点，另随机采集100个样点作为检验样点。在充分考虑各种地物的光谱、结构和纹理特征的基础上，以100个训练样点为中心，利用不规则多边形在标准化后的复合数据MSD的基础上生成训练样本区，共采集到训练样本29 952个像元，占研究区总像元数的3.7%，其中冬小麦、菜地、居民地、大棚、公路和苗木所占训练样本的比例分别为32%、18%、22%、13%、9%和6%。以MSD2数据为例，计算训练区样本的J-M距离，其中公路和居民区的J-M距离最小，但也达到1.9，表明训练样本具备典型性和可分性。

本文SVM分类选用径向基核函数(radial basis function,RBF)，其中惩罚系数参数C和间隔γ是RBF必备的两个参数^[26]。将选取好的100个训练样本数据导出为文本文件，按照三种复合数据源的构成分别创建训练数据集。基于libsvm-3.17软件提供的Grid.Py“网格搜寻”模型^[27]，采用5-折交叉验证法获取C和γ的最优取值。复合数据MSD1、MSD2和MSD3的训练样本分类精度均为99%。三组数据的最佳SVM模型参数均为C=8，γ=0.5，最后运用ENVI4.8软件中的SVM分类器对不同信息源的复合数据进行分类。

在ERDAS软件中利用野外调查获取的100个检验点和精度评估系统随机生成的75个样点(共计175样点)对分类结果进行精度评估。总分类精度OCA，生产者精度PA，用户精度UA，某种地物类型的Kappa系数K_i和总体Kappa系数OCK计算见文献[28]。

从HR图像中截取7种典型地物的纹理分布子区图(由于子区范围差别较大，将公路分为普通道路和高速公路两类)，子区范围以保持典型地物纹理的完整性为佳，如大棚子区的划分尽可能将覆膜大棚以及周围空地包含在内，表达其明暗相间的纹理特征；农村居民区的范围尽可能包括建筑物、树木、街道等综合纹理特征。每种土地利用各选取三个典型子区，以三个子区图像绝对值变差函数的平均作为该土地利用方式下的绝对值变差函数γ(d)。研究区典型地物绝对值变差函数分布如图 1。

图 1 典型地物绝对值变差函数曲线 Fig. 1 Variogram Curves of Typical Ground Objects

图选项

7类典型地物的空间结构差异性较大。变程描述了各子区图像的辐射灰度值自相关变异的尺度范围。普通道路路面较为狭窄，宽度基本上为7个像元，超过道路宽度后由于其他复杂地物类型介入子区，大的光谱反差造成函数曲线突变并下降；大棚用地的变差函数曲线具有明显的周期性，大棚和相邻空地构成一个对象，1个周期内的峰值区对应步长为7个像元；冬小麦、菜地和苗木用地变程均为7个像元；高速公路和居民地在9个像元后灰度值的空间相关性基本消失。综合考虑各曲线特征认为7个像元是典型地物纹理特征区分的最佳移动窗口。

纹理提取结果发现3×3窗口下的纹理特征较为细化，很难完整表达目标地物的综合纹理。9×9窗口下的居民区纹理平滑效果明显，引起边缘效应，降低了地物边界的识别性。7×7窗口具有最为适中的纹理提取效果。随着纹理提取步长的增加，图像基元的对比性减弱。而累积平均步长下的图像纹理对比强烈，纹理特征更为明显。

表 1中SVM参数C=8,γ=0.5,特征组合为MSD2。如表 1所示，随着移动窗口的增大，图像总体分类精度和总体Kappa系数不断提高，在7×7窗口时分类精度达到80%，总体Kappa系数为0.81，之后9×9窗口下分类精度和Kappa系数有所下降。在最佳窗口7×7下，随着步长的逐渐增加，总体分类精度和总体Kappa系数呈下降趋势，当步长取平均值时，分类精度由步长为3个像元时的75.2%提高到89.14%，准确率提升了13.94%，Kappa系数由0.7提高到0.87，增加了0.17。这表明不同步长下的累积平均纹理能有效捕捉纹理的局部和全局信息，图像中的周期性和隐含性的微纹理以及反映地物相关布局的宏观纹理在步长的累积作用下得以综合体现，显著改善了图像分类效果。

在最佳窗口7×7和最优累积步长下构建3类复合数据源，采用相同的AOI训练区分别执行SVM分类和分类后处理。表 2中结果表明，不同复合数据的SVM分类精度为MSD2＞MSD3＞MSD1。变差函数纹理和梯度纹理参与的SVM分类精度由单一灰度共生矩阵纹理的85.14%提高到87.43%，总体Kappa系数由0.82提高到0.85。多纹理参与的SVM分类在一定程度上突出了不同土地利用类型的纹理特征差异，提高了图像的分类精度。

相关性分析表明基于灰度共生矩阵提取的8个纹理信息分量之间相关性较高。灰度共生矩阵纹理的三大主成分方差贡献率分别为83.2%、8.3%和4%，累积贡献率为95.5%，第一主成分与协方差分量显著负相关，体现了纹理的周期性变化特征；第二主成分与熵纹理分量呈显著负相关，描述了图像的非均匀性和随机性，三大主成分较好地体现了图像的整体纹理走向。用灰度共生矩阵纹理的三大主成分代替8大纹理特征的分类精度由89.14%下降到87.43%，分类结果不一致区域的面积占到研究区总面积的8%。经验证，MSD3数据在该区域的错分率较高。也就是说，在图像光谱信息有限的情况下，纹理主成分之外的4.5%的信息对图像的精确解译有一定的辅助作用。本研究区范围较小，主成分降维、减少数据冗余度的优势并不能有效提高分类效率和精度，MSD2为本研究区最佳复合数据模式。

三种复合数据模式对冬小麦信息的提取均保持较高的精度，其中基于MSD2数据的冬小麦用户和制图精度均为97.14%，Kappa系数达到0.96；菜地的用户精度均为100%，说明研究区实际土地利用为菜地的地块提取精度很高，而菜地的制图精度较低，表明其他土地利用错分为菜地的概率较高。

将基于多源复合数据MSD2的SVM分类结果和传统最大似然法(maximum likehood classfication,MLC)以及决策树法(decision tree,DT)的分类结果进行比较(分类结果见表 3和图 2)，其中最大似然法的训练样本和SVM分类的样本保持一致。决策树法是根据典型地物训练样本光谱和纹理特征，使用CART算法获取图像分类规则，在ENVI软件中利用决策树分类提取土地利用信息。从图 2中可以看出，MLC分类法存在明显的“椒盐现象”，由于苗木与耕地的光谱和纹理特征比较接近，在耕地中存在误分的苗木斑点，图像总体分类结果破碎；DT分类法结果较为整齐，破碎度降低，但居民区和图像东南角的部分苗木用地分类效果较差；多源复合数据的SVM分类效果较好，有效地反映了地物分布的细节，对地物边界的划分更为精确，分类结果更接近于地表土地利用实际情况。

图 2 基于MSD2复合数据的SVM、决策树法和最大似然法方法分类结果对比 Fig. 2 A Result Comparison of SVM, Decision Tree, and Maximum Likehood Classfication Methods Based on MSD2

图选项

SVM分类法对多源复合数据的分类总精度和Kappa系数分别为89.14%和0.87，比基于MLC方法和DT方法的分类精度分别提高了6.85%和10.84%。DT方法的分类精度最低，这和空间数据特征以及训练样本数目多少有一定的关系。对SVM和MLC法的分类结果进行求异逻辑运算，差异地类占研究区总面积的30%，主要分布在各土地利用的边缘过渡带，SVM分类对地物边界信息的识别能力更强。各土地利用类型中冬小麦和菜地的Kappa系数基本稳定，不同分类方法的Kappa系数分别在0.92和0.95以上，具有较高的识别度。大棚用地和农村居民地的提取效果次之。研究区苗木地零星分布在耕地中，部分地块为新移栽的苗木，纹理表达接近于裸地特征，分类的精度明显低于其他地类。在MLC法和DT法中，苗木用地和道路的误分率较高，道路的用户精度分别为64.86%和57.14%，Kappa系数分别为0.57和0.48，SVM分类法显著提高了道路和苗木的分类精度，总体Kappa系数分别提升到0.75和0.89。总体上，基于多源信息复合数据的SVM分类法很好地利用了图像的纹理特征，改善了同谱异物和异物同谱现象。

随着国产高分辨率资源卫星的陆续发射，将会有更多的遥感数据在农业资源调查和利用中发挥重要作用。本文针对ZY-1 02C星HR数据构建了基于光谱信息和多种纹理特征的多源复合数据SVM分类模型，对比了SVM分类、MLC方法和DT方法分类法的分类效果，得出以下结论。

1) HR单波段高分辨率光谱数据在提取土地利用信息时存在一定的局限性，光谱结合变差函数纹理、图像梯度纹理和传统灰度共生矩阵纹理增加了地物目标识别的变量数目，增强了目标地物的识别能力。在光谱信息有限的情况下，纹理特征的细微差别会引起分类精度较大的差异。

2) 通过绝对值变差函数曲线所反映的图像灰度值的空间变化可以有效估算纹理提取窗口的大小。累积步长下的纹理综合考虑了图像的全局和局部纹理特征，相对于传统单一固定步长下的纹理能显著提高图像的分类精度，分类精度由75.2%提高到89.14%，Kappa系数由0.7提升到0.87。

3) 基于ZY-1 02C星HR数据构建的多源复合信息的SVM图像分类方法与传统的MLC分类、DT方法分类相比，土地利用提取精度分别提高了6.85%和10.84%，Kappa系数由DT分类法的0.74提升到0.87，图像破碎度明显降低，分类结果与实际土地利用的吻合度较高。

4) 基于3种多源复合数据的SVM分类对冬小麦信息均有较高的提取精度，基于MSD2数据的不同分类方法保持了冬小麦信息提取的准确率。不同复合数据和分类方法对菜地信息提取的用户精度较高，但制图精度较低。相信结合更多的纹理估算模型和ZY-1 02C的多光谱以及全色波段的多源信息复合SVM模型能进一步提高图像的分类精度，为我国精准农业专题信息的获取提供更为准确的基础数据。