基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选-张超.pdf

《基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选-张超.pdf》由会员分享，可在线阅读，更多相关《基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选-张超.pdf（7页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、第 32 卷 第 21 期 农 业 工 程 学 报 Vol.32 No.21 2016 年 11月 Transactions of the Chinese Society of Agricultural Engineering Nov. 2016 95 基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选张 超1,2，刘佳佳1，苏 伟1，乔 敏1，杨建宇1,2，朱德海1,2（ 1. 中国农业大学信息与电气工程学院，北京 100083； 2. 国土资源部农用地质量与监控重点试验室，北京 100035） 摘 要： 为寻找适宜分类的空间尺度，该文提出一种基于小波包的空间尺度选择方法。该文以无人机航拍

2、农作物影像为数据源，针对高空间分辨率遥感影像农作物分类问题，基于小波包变换对影像分类特征进行多尺度定量分析。将七种农作物影像样本进行小波包分解，从高频部分获取均值，方差，能量，能量差四种纹理信息，从低频部分获取光谱信息，构建分类特征矢量，通过作物样本之间的 J-M 距离，分析在不同小波包分解层样本之间的可分性，并进一步通过农作物面向对象分类精度和分割耗时评价适宜尺度。该文选择位于河北的涿州农场为研究区，利用无人机航空影像，对提出的方法进行试验验证，结果显示：小波包分解到第三、四层级时，即空间分辨率为 0.320.64 m 时，适宜农作物面向对象分类；在适宜尺度下，基于小波包分解的面向对象分类总

3、体分类精度可达到 89%， Kappa 系数可达到 0.85。研究结果可为高空间分辨率遥感农作物精细识别提供支撑。 关键词： 无人机；农作物；尺度；小波包；分类 doi： 10.11975/j.issn.1002-6819.2016.21.013 中图分类号： S127 文献标志码： A 文章编号： 1002-6819(2016)-21-0095-07 张 超，刘佳佳，苏 伟，乔 敏，杨建宇，朱德海 . 基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选 J. 农业工程学报， 2016， 32(21)：95101. doi： 10.11975/j.issn.1002-6819.2016.21

4、.013 http:/www.tcsae.org Zhang Chao, Liu Jiajia, Su Wei, Qiao Min, Yang Jianyu, Zhu Dehai. Optimal scale of crop classification using unmanned aerial vehicle remote sensing imagery based on wavelet packet transformJ. Transactions of the Chinese Society of Agricultural Engineering (Transactions of th

5、e CSAE), 2016, 32(21): 95 101. (in Chinese with English abstract) doi ：10.11975/j.issn.1002-6819.2016.21.013 http:/www.tcsae.org 0 引 言1农作物类型识别是农情监测重要的基础工作，农作物类型识别的精度影响后续的长势监测、灾害监测和产量估算精度。农作物类型识别也为农业生产过程中的水资源合理调配、精准施肥用药等提供基础数据。目前，遥感技术已经广泛应用于农作物类型识别。丰富的高空间分辨率遥感，为农作物精细识别提供了数据基础，但空间分辨率的提高，影像自动解译精度未必提高1。

6、 Bruzzonc等2指出影像空间分辨率过高导致类内方差变大， 类间方差变小，降低影像光谱域的统计可分性；空间分辨率过低导致混合像元增多，降低分类精度。 因此需要寻找最优的分类空间尺度，众多学者就此问题进行了研究。 Woodcok 等3通过计算局部方差的方式来确定遥感应用的最优分辨率； 明冬萍等4采用基于可变窗口与改进局部方差方法研究最佳空间分辨率； Bo 等5以变换的离散度作为类间的可分性度量，以此来获取遥收稿日期： 2016-03-11 修订日期： 2016-09-06 基金项目： 863 计划课题：星地遥感的农作物信息感知（ 2013AA10230103） ；国家自然科学基金项目： 基于

7、高分辨率遥感数据的农作物纹理特征表达及其类型识别研究 (41171337) 作者简介：张 超，男，河北定兴县人，教授，博士生导师。主要从事农业与国土资源遥感监测研究。北京 中国农业大学信息与电气工程学院， 100083。 Email: 通信作者：苏 伟，女，山东滕州人，副教授，博士生导师。主要从事农业遥感研究。北京 中国农业大学信息与电气工程学院， 100083。 Email: 感最优空间分辨率； 韩鹏等6采用信息熵的方式选取最优的空间分辨率。上述研究中存在着只能针对单波段计算、纹理信息考虑欠缺等问题。 近年来，更多学者关注于遥感影像基于小波变换的尺度转换和分类。 Chang Kim 等7

8、利用小波子带提取均值和方差等统计数据来表示纹理。 王改梅等8基于小波包从影像高频部分提取纹理特征并表征影像。 Wei 等9对比分析了基于小波包分解和统计方法提取纹理信息参与面向对象分类的精度。李明等10提出，在小波包分解的基础上，将颜色特征、纹理特征以及颜色和纹理的空间相关特征相融合进行彩色纹理特征的提取。 小波包是对小波分解的进一步完善，本文提出基于小波包分解选择适宜分类空间尺度的方法，避免了单波段选择问题，综合考虑光谱、纹理特征，同时基于小波包的面向对象分类精度满足应用需求。本文以无人飞机航拍的高空间分辨率影像为数据基础，针对作物遥感识别的特点，通过实地调查，确定农场不同作物类别样本，进行

9、基于小波包变换的作物分类特征多尺度定量分析，同时以作物面向对象分类精度和分割时间，综合确定适宜的农作物遥感分类空间尺度，以期为高空间分辨率遥感农作物精细识别提供支撑。 1 研究区和数据源 1.1 研究区域介绍 本文选择位于河北省涿州市西的涿州农场作物种植农业航空工程 万方数据农业工程学报（ http:/www.tcsae.org） 2016 年 96区为研究区，地理范围为： 1154719.31154753.5E， 392814.93928 57.4N，如图 1 所示。研究区属季风暖湿带半湿润地区，四季分明，大陆性气候特点显著，适合各种作物生长。该地区属于长日照地区，全年平均日照 2 560

10、h，作物生长季节日照为 2 015 h，无霜期178 d，年平均气温 12.6，热量能满足作物一年两熟的要求。主要种植有玉米、花生、黄豆、水稻、桃树、花卉等。 图 1 研究区地类分布及区位示意图 Fig.1 Spatial distribution of land type in study area and location of study area 1.2 数据源简介 1.2.1 无人机航拍高分辨率遥感影像 本文选取涿州农场中作物类型典型多样区域作为研究区，通过旋翼无人机航飞进行拍摄，获取高分辨率遥感影像。航拍范围为 0.58 km2，拍摄时间为 2015 年 8 月6 日，影像分辨率

11、0.08 m，为 RGB 真彩色图像。 1.2.2 无人机数据处理 对于无人机数据处理，本文以高分一号数据为基础影像，对无人机影像配准并进行几何纠正。 1.2.3 农作物样本数据 在农场进行实地调研，采集农作物样本点坐标。在获得无人机遥感影像后，结合前期实地调研数据，从影像中裁剪出七种农作物样本数据，包括：玉米、高粱、黄豆、桃树、棉花、苜蓿、黑豆、如图 2 所示。 注：黑豆、黄豆、棉花、苜蓿、桃树、玉米和高粱分别简写为 D1、 D2、 D3、D4、 D5、 D6 和 D7。 Note: D1- Black Bean; D2- Soybean; D3- Cotton; D4- Alfalfa;

12、D5- Peach; D6- Corn; D7- Sorghum. 图 2 无人机影像及样本点 Fig.2 UAV image and samples point 2 研究方法 基于小波包变换对 7 种农作物样本进行五层小波包分解，综合选取最优的小波包分解树。小波包分解的低频部分集中了影像的光谱信息，高频部分集中了影像的纹理信息11-13。 根据最优小波包分解树选取每层高频部分的最优子带图，从子带图的小波包分解系数中统计均值、方差、能量、能量差四种信息统计量，构建成纹理特征矢量14。选择样本小波包分解树每层第一个子带图作为该样本的光谱信息。将纹理特征矢量与光谱信息综合构造成分类特征矢量。通过计

13、算不同样本分类特征矢量之间的 J-M 距离，判断在不同尺度下作物样本之间的可分性，进一步得到最优面向对象分类空间尺度。基于小波包变换对原始影像进行五层小波包分解，根据最优小波包分解树提取影像的光谱信息和纹理信息。将光谱信息和纹理信息综合构造成分类特征图。将原始影像重采样，获取对应于不同小波包分解层级分辨率的影像。以分类特征图为专题图层进行不同尺度影像的面向对象分类。通过不同尺度的分类精度和分割效率，综合评价面向对象分类尺度的合理性。具体试验流程如图 3 所示。 2.1 彩色图像变换 无人机航拍数据为 RGB 真彩色图像，首先通过式（ 1）转化为 YIQ（ Y 为亮度， I、 Q 为线性色差描述

14、量）彩色空间。通过 Y 分量计算主要的纹理特征值，包括均值、方差、能量和光谱信息值，通过 Y、 Q、 I 分量综合计算能量差。 0.299 0.587 0.1140.596 0.274 0.3220.211 0.523 0.312YRI GQB （ 1） 万方数据第 21 期 张 超等：基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选 97 图 3 基于小波包变换的面向对象农作物分类尺度评价技术图 Fig.3 Flowchart of object-oriented crop classification scale evaluation based on wavelet packet t

15、ransform 2.2 小波包分解 小波包分解是对小波分解的进一步发展，不仅对低频部分进行分解，还对高频部分不断进行分解。一维的小波包分解公式如式（ 2）所示15-17： 2 000() ( )dmmWa fxaxnbx（ 2） 式（ 2）中 f 为输入影像数据， a 是尺度要素， b 是与窗口位置相关的转换参数，0a 和0b 分别是 a 和 b 离散化后的参数。 是变换函数，即小波基；尺度函数 与小波基函数 相关， n 是小波包分解的第 n 层级， m 是第 n 层级的第 m 个节点。计算公式如式（ 3） 、式（ 4）所示： s() ()( 1,)njhnjn（ 3） w() () ( 1

16、,)njhnjn（ 4） 式（ 3） 、式（ 4）中sh 和wh 分别是低通滤波器系数和高通滤波器系数， j 为该节点的小波包分解树中的第 n 层第j 个节点。 小波包分析的二维算法是在图像的水平和垂直方向分别进行一维小波变换，得到四个子带图，对应频率成分为低频（ LL） 、水平高频（ LH） 、垂直高频（ HL） 、噪音高频（ HH） 。 2.3 纹理特征 小波包系数的统计值可以作为图像纹理特征，本文选取的纹理特征包括均值、方差、能量和能量差。将选取的小波包分解每层子带图的小波包系数设为 (, )pi j ， 计算相应的信息统计量作为影像的纹理特征，其中能量、能量差的计算公式如式（ 5） 、

17、式（ 6）所示： 1）能量 2111(, )MNijEpijMN（ 5） 其中 M 和 N 分别为影像像元的行列号。 2）能量差 d YQIEEEE （ 6） 其中dE 为能量差，YE 、QE 、IE 分别代表 Y、 Q、 I 波段计算得到的能量值。 3）纹理特征矢量 将每个子带图计算得到的信息统计量，构造成纹理特征矢量，如式（ 7）所示： , dTF M V E E （ 7） 其中 TF 为纹理特征分量， M 为均值， V 为方差， E 为能量值，dE 为能量差。 2.4 分类特征 通过小波包分解高频部分计算出来的仅仅是纹理特征，在分类时还需光谱等信息。因此，基于小波包分解每层低频子带树进行

18、不同尺度光谱信息的提取，最后构造参与分类的特征矢量，如式所示： ,CF TF SF （ 8） 其中， CF 为分类特征， TF 为纹理特征分量， SF 为光谱特征分量。 为了进行类间距离的计算，需要分别对均值、能量、方差、能量差、光谱信息进行归一化处理，使其具有可比性。 x 代表分类特征矢量中的某一分量， y 代表 x 归一化后的结果，maxx 和miny 分别代表 x 中的最大值和最小值。具体表达式如下所示： min max min()/( )yxx x x （ 9） 2.5 J-M 距离 在得到归一化后不同层级不同样本的分类特征矢量之后，计算每两类之间的 J-M 距离，判断在不同层级的条件

19、下， 任意两两样本之间的可分性大小。 具体如式 （ 10）所示。 2(1 e )BJ （ 10） 其中 J 为 J-M 距离， B 为某一特征维上的巴氏距离， 计算如式（ 11）所示： 222 121222 2212 121() ln822Bmm （ 11） 其中im 代表某类特征的均值；2i 代表某类特征的方差。 3 结果与分析 3.1 不同作物样本分类特征 本文选择的七种作物样本，每种作物样本均需要基于小波包变换计算不同尺度下的分类特征矢量，此处选择玉米样本作为代表性样本，对玉米样本进行小波包分解，结果如图 4 所示。 图 4a是玉米样本， 图 4b是选取的最优小波包分解树，图 4c 是对

20、应最优小波包分解树的每个节点的子带图。从最优小波包分解树的高频部分选择每层的子带图，对子带图的小波包分解系数统计分析，得到纹理特征矢量。万方数据农业工程学报（ http:/www.tcsae.org） 2016 年 98选择每层的低频部分的子带图，统计得到光谱信息。两者结合得到玉米样本在不同尺度下的分类特征矢量，进行归一化处理。表 1 为玉米样本基于小波包分解得到的不同尺度下的分类特征值。 图 4 玉米样本 5 层小波包分解 Fig.4 Five layer wavelet packet decomposition of corn sample 表 1 玉米样本的分类特征矢量 Table 1

21、Classification characteristic vector of corn sample 指标 Index 第二层级 Second level第三层级 Third level 第四层级Fourth level第五层级Fifth level均值 Mean 0.39 0.45 0.55 0.69 方差 Variance 0.55 0.54 0.59 0.70 能量 Energy 0.46 0.28 0.25 0.23 能量差 Energy difference 0.26 0.11 0.10 0.09 光谱信息 Spectral information 0.28 0.10 0.12 0

22、.08 3.2 不同尺度的作物样本间 J-M 距离 计算七种作物样本，每两种作物的分类特征矢量进行类间距计算，可以得到 21 种 J-M 距离。 J-M 距离值域为 0,2，数值越大，类间可分程度越高。将 21 种 J-M 距离对比分析，对四层中的类间距较大值进行统计，可以得到 21 种类间距的较大值分布。表 2 中展示了不同作物分类矢量的类间距在五个层级分布情况。 表 2 的结果显示，大多数作物样本与其余作物分类特征区分度在小波树第三层级和第四层级时，类间距离较大。在各个小波层级下高粱的分类特征与其他作物样本的类间距离都较大，与其他作物都较好区分，这是由于当前生育期的高粱纹理特征中的能量值较

23、高。除高粱外，玉米与其他类别也较易区分，尤其是桃树。第二层级对应的空间分辨率过高，像元之间的异质性非常小，纹理上的差异主要体现的是作物植株本身纹理间差异，从而影响不同作物之间分类，例如苜蓿和桃树、棉花和桃树；第五层级对应的分辨率过低，作物种植方式（行间距、方向）引起的纹理差异就会相对突出，例如黄豆和玉米、苜蓿和桃树18。对类间距离的最大值分布进行统计，再从小波包分解的原理出发，将小波层级与空间分辨率相对应，可以得到最优的分类尺度，如表 3 所示。 表 3 将小波树的层级与空间分辨率对应，空间分辨率为 0.16 m 时， 较大类间距个数为 3， 空间分辨率为 0.32 m，较大类间距个数为 20

24、，空间分辨率为 0.64 m 时，较大类间距个数为 15，空间分辨率为 1.28 m 时，较大类间距离个数为 4。所以，基于小波包变换定量分析，得出的较优面向对象分类尺度为 0.320.64 m。 表 2 不同层级样本间的 J-M 距离 Table 2 Inter-class distance in different level 种类Type第二层级 Second level 第三层级 Third level 第四层级 Fourth level 第五层级 Fifth level D1-D2 1.12 1.68 1.60 1.05 D1-D3 1.24 1.67 1.49 1.12 D1-D4

25、 1.34 1.64 1.18 1.50 D1-D5 1.77 1.68 1.26 1.12 D1-D6 0.99 1.82 1.50 1.05 D1-D7 1.08 1.86 1.21 1.12 D2-D3 1.28 1.58 1.64 1.04 D2-D4 1.37 1.53 1.59 1.50 D2-D5 1.39 1.58 1.60 1.47 D2-D6 1.10 1.80 1.65 0.90 D2-D7 1.16 1.82 1.62 1.04 D3-D4 1.40 1.41 1.47 1.49 D3-D5 0.75 1.46 1.50 1.00 D3-D6 1.23 1.81 1.5

26、8 1.04 D3-D7 1.26 1.78 1.52 1.11 D4-D5 0.70 1.32 1.28 0.61 D4-D6 1.34 1.79 1.49 1.50 D4-D7 1.35 1.77 1.26 1.49 D5-D6 1.91 1.83 1.52 1.51 D5-D7 1.37 1.77 1.32 1.00 D6-D7 1.06 1.97 1.54 1.04 注：黑豆、黄豆、棉花、苜蓿、桃树、玉米和高粱分别简写为 D1、 D2、 D3、D4、 D5、 D6 和 D7。 Note: D1- Black Bean; D2- Soybean; D3- Cotton; D4- Alfa

27、lfa; D5- Peach; D6- Corn; D7- Sorghum. 3.3 面向对象作物分类 基于小波包变换定量分析作物分类的最优尺度后，进一步通过研究区面向对象作物分类验证作物识别的适万方数据第 21 期 张 超等：基于小波包变换的农作物分类无人机遥感影像适宜尺度筛选 99 宜尺度。通过小波包变换计算出不同尺度影像的分类特征，并将其已灰度值的形式表现，如图 5 所示。将研究区的遥感影像进行重采样，得到分辨率分别为 0.16、 0.32、0.64、 1.28 m 的影像。在进行分类时，将分类特征图作为专题图参与分类。 表 3 J-M 距离在不同层级分布分布 Table 3 Distr

28、ibution of maximal inter-class distance 指标 Index 第二层级 Second level 第三层级 Third level 第四层级 Fourth level 第五层级Fifth level总计Total空间分辨率 Spatial resolution/m 0.16 0.32 0.64 1.28最大类间距个数 Number of maximum separation distance 2 14 4 1 21第二大类间距离个数 Number of second major separation distance 1 6 11 3 21较大类间距离个数总

29、计Statistic of separation distance 3 20 15 4 42注：图a,b,c,d分别表示在不同空间分辨率下的分类特征。 Note: Fig.a,b,c,d respectively present the classification feature of image with 0.16, 0.32, 0.64 and 1.28 m spatial resolution 图 5 不同空间尺度下分类特征 Fig.5 Classification feature of samples in different spatial scales 从图 5 中可以看出，在进

30、行基于小波包变换的分类特征提取时，分辨率过高由于作物类别内部之间的光谱信息差异影响，导致不同作物类别之间的差异性有所降低；而分辨率过低时混合像元现象较为严重，提取的分类特征会有很多类似 “椒盐噪声 ”， 降低了不同作物之间的可区分性。以 0.32 m 分辨率的分类特征图为例，灰度值在 020 之间为黄豆； 2074 之间为苜蓿； 74120 之间为大豆； 120140之间为棉花； 140220之间为玉米； 225255之间的是高粱，依据这些信息进行接下来的分类。在本文中采用面向对象分类。面向对象分类方法是适合高分辨率遥感影像的分类方法，该方法处理的基本单元是影像对象。对象是通过多尺度分割产生的

31、，在分割过程中除利用影像的光谱特征外，还充分利用影像丰富的空间位置、纹理特征、形状特征等属性。影像分割关键是确定分割尺度以及均质性参数。影像多尺度分割中的尺度参数决定了生成最小多边形的大小，分割的质量及信息提取的精度；均质性由光滑度和形状因子来描述。通过反复试验，确定了不同分辨率下的分割尺度及均质性参数，如表 4。 表 4 分割参数设置 Table 4 Segmentation parameters 均质性参数 Composition of homogeneity criterion分辨率 Spatial resolution/m 尺度参数 Scale parameter形状因子 Shape

32、parameter 光滑度 Compactness parameter 0.16 450 0.2 0.6 0.32 150 0.3 0.6 0.64 100 0.2 0.6 1.28 40 0.3 0.6 不同尺度面向对象分类结果如图 6 所示。从图 6 中可以看出，在空间分辨率为 0.32 和 0.64 m 时的分类效果较好，与基于小波包变换定量计算的最优面向对象分类尺度相吻合。从图 6 的细节对比并结合图 5 可以看出看出，在空间分辨率为 0.16 m 时，细节 2 完全错分，细节1、 3 有部分错分情况，在分辨率过高的情况下，分类目标的信息高度细节化， “同物异谱”现象严重，同一类作物植

33、株本身之间的光谱、纹理差异性变大，异类作物植株之间分类特征相互重叠，造成类内方差变大，类间方差变小，影响分类精度，导致错分；在空间分辨率为 1.28 m时，细节 1、 2、 3 在进行分割时，未能与周围其他作物分开，这是由于分辨率过低时，混合像元增多，一些细节的部分难以区分。 注：图a,b,c,d分别表示在不同空间分辨率下的分类结果图；1、2、3为分类细节，以表述不同尺度分类效果。 Note: Fig.a,b,c,d respectively present the classification result of image with 0.16m, 0.32m, 0.64m and 1.28

34、m spatial resolution; 1, 2, 3 is the details to describe classification effect in different spatial resolution. 图 6 不同分辨率影像的分类结果 Fig.6 Classification result for remote sensing image of different resolutions 万方数据农业工程学报（ http:/www.tcsae.org） 2016 年 100为了定量评价分类精度，以野外实地调研样本作为真值进行检验，构建混淆矩阵，选取总体精度指数及Kappa

35、 系数进行精度评价。在面向对象分类结果的对比中，不仅需要考虑到分类的效果，还需要考虑到分类的时间效率。在分类过程中分割是属于较为关键、耗时的一个步骤，以此来判断分类效率。表 5 是不同分辨率下的总体精度及 Kappa 系数，从分类结果及其对应的精度评价不难发现，分辨率高并不代表分类精度高，当分辨率为 0.32 m 或 0.64 m 时获得了较好的分类效果。 表 5 不同空间尺度影像分类的精度评价和分割效率 Table 5 Accuracy assessment and segmentation efficiency for remote sensing image of different r

36、esolutions 空间尺度 Spatial resolution/m 整体分类精度 Overall Accuracy/% Kappa 系数 Kappa coefficient 分割时间 Segmentation time /s0.16 81 0.79 40 0.32 90 0.87 7 0.64 89 0.85 4 1.28 68 0.60 3 4 结 论 空间尺度的研究对高分辨率遥感农作物类型识别至关重要。本文所使用的基于小波包变换的高分遥感影像农作物分类最优空间尺度选择方法，在准确选择适宜空间尺度的同时，也反映出基于小波包变换农作物识别的优势。可以得到以下结论： 1) 多尺度纹理和光谱

37、信息能够更好地描述地物特征，提高分类精度。本文基于小波包变换对影像进行四层分解，获取不同尺度的光谱信息和纹理特征，构建了一种高分多尺度分类特征选择方法。 2) 空间尺度在 0.320.64 m 时，进行农作物类型遥感识别精度较优，效率较佳。空间尺度过小，造成作物类间差异变大，尺度过大，则混合像元增多，均会影响分类效果。本文所提方法通过彩色图像变换解决了波段选择问题，并结合光谱信息和纹理特征定量分析分类特征。 3) 在适宜的空间尺度下，基于小波包变换进行面向对象农作物类型识别，整体分类精度可达到 89%， Kappa系数可达到 0.85。 本文的研究能够指导高分辨率遥感影像农作物类型识别中的空间

38、尺度选择和作物分类问题。本文仅选择了若干常用的纹理特征，下一步尝试更多的纹理特征表达算法，更好的描述不同作物的纹理特征；本文的方法选择适宜的分类尺度是一个分辨率范围，下一步通过算法改进得到确切空间分辨率值。 参 考 文 献 1 Myint S W, Lam N, Tyler J. An evaluation of four different wavelet decomposition procedures for spatial feature discrimination in urban areasJ. Transactions in Gis, 2002, 6(4): 403429. 2

39、 Bruzzone L, Carlin L. A multilevel context-based system for classification of very high spatial resolution imagesJ. IEEE Transactions on Geoscience & Remote Sensing, 2006, 44(9): 2587 2600. 3 Woodcock C E, Strahler A H, Jupp D L B. The use of variograms in remote sensingIJ. Remote Sensing of Enviro

40、nment, 1988, 25(88): 349 379. 4 明冬萍，王群，杨建宇 . 遥感影像空间尺度特性与最佳空间分辨率选择 J. 遥感学报， 2010， 12(4)： 529 537. Ming Dongping, Wang Qun, Yang Jianyu. Spatial scale of remote sensing image and selection of optimal spatial resolutionJ. Journal of Remote Sensing, 2010, 12(4): 529 537. 5 Bo Y, Wang J, Li X. Exploring

41、the scale effect in land cover mapping from remotely sensed data: the statistical separability- based methodC/Seoul, Korea: Geoscience and Remote Sensing Symposium, 2005. 6 韩鹏，龚健雅，李志林，等 . 遥感影像分类中的空间尺度选择方法研究 J. 遥感学报， 2010， 14(3)： 507 518. Han Peng, Gong Jianya, Li Zhilin, et al. Selection of optimal

42、scale in remotely sensed image classificationJ. Journal of Remote Sensing, 2010, 14(3): 507 518. 7 Chang Kim, Tae Jin Kang. Texture classification and segmentation using wavelet packet frame and Gaussian mixture modelJ. Pattern Recognition, 2007, 40: 12071221. 8 王改梅，刘瑞光，刘芳 . 基于小波包变换的纹理图像检索J. 计算机工程与应

43、用， 2004， 40(18)： 44 46. Wang Gaimei, Liu Ruiguang, Liu Fang. Texture image retrieval based-on wavelet package transformationJ. Computer Engineering and Applications, 2004, 40(18): 44 46. 9 Wei Su, Chao Zhang, Jianyu Yang, et al. Analysis of wavelet packet and statistical textures for object-oriented

44、 classification of forest-agriculture ecotones using SPOT 5 imageryJ. International Journal of Remote Sensing, 2012, 33(11): 3557 3579. 10 李明，吴艳，吴顺君 . 彩色纹理分析中的多特征数据融合方法 J. 光学学报， 2004， 24(12)： 1617 1622. Li Ming, Wu Yan, Wu Junru. Multiple feature data fusion method in color texture analysisJ. Acta O

45、ptica Sinica, 2004, 24(12): 1617 1622. 11 Sengur A, Turkoglu I, Ince M C. Wavelet packet neural networks for texture classificationJ. Expert Systems with Applications, 2007, 32(2): 527 533. 12 Lee M C, Pun C M. Texture classification using dominant wavelet packet energy featuresC/ Image Analysis and

46、 Interpretation, 2000. Proceedings. IEEE Southwest Symposium. IEEE, 2000:301-304. 13 Selvan S, Ramakrishnan S. A novel wavelet packet transform based feature extraction algorithm for image texture classificationC/. Australia: TENCON 2005-2005 IEEE Region 10 Conference,2005. 14 吴央，袁运能 . 基于小波包分解和 FCM

47、聚类的纹理图像分割方法 J. 北京航空航天大学学报， 2008， 34(5)： 572 575. Wu Yang, Yuan Yunneng. Texture image segmentation method based on wavelet packet transform and FCM clustRingJ.Journal of Beijing University of Aeronautics and Astronautics, 2008, 34(5): 572 575. 15 陈孝敬 . 小波变换在光谱和多光谱图像的应用与研究 D. 厦门：厦门大学， 2009. Chen Xiaojing. Research and application of wavelet transform on spectroscopy and multi-spectral imageD. Xiamen: Xiamen University, 2009. 16 陈孝敬，吴迪，