基于DEM纹理特征的月貌自动识别方法探究

doi:10.3724/SP.J.1047.2015.00045

摘要/Abstract

摘要：

月海和月陆是两种最主要的月貌单元,对于月海及月陆快速准确地识别是进行各项月球研究的重要基础。目前,月海和月陆的识别大多采用DEM结合其派生地形因子建立指标体系的方法。这种方法虽然可在宏观尺度对月海和月陆进行识别和提取,但仍存在2个问题：（1）可扩展性差,不同地区难以共用同一套地形因子构建指标体系;（2）指标体系中各因子权重设置具有较大的主观性。针对以上问题,本文以“嫦娥一号”探测器获取的全月球DEM数据,从月表地形纹理特征的角度出发,提出一种以月表DEM数据识别月海、月陆的自动快速的方法。首先,利用灰度共生矩阵模型,以DEM数据为基础,实现对典型月海、月陆地形纹理特征的量化,然后,对量化指标的筛选,构建能有效区分两类月表形貌单元的特征向量。在此基础上,选用离差平方和作为识别器,最终实现对月海和月陆的自动识别。本文识别方法的整体识别率达到85.7%;综上可知,该方法既能克服原有方法中因子权重设置的主观性,又具有较好的通用性。

关键词: 月貌识别, DEM, 纹理, 灰度共生矩阵

Abstract:

The mare and lunar highland are two major types of lunar morphology. The rapid and reliable identification of these two kinds of lunar morphology is an important basis in lunar research. Currently, major methods for identifying the mare and highland are based on the integrated evaluation index system, which is usually combined with the land surface parameters derived from DEM. Although the mare and highland can be identified by this method, it contains two problems yet. One is the lack of extensibility, because it is difficult for different regions of lunar to share one index system based on the same terrain factors. The other is the significant subjectivity in weight setting for each factor in the index system. To overcome the problems mentioned above, a new method considering the terrain texture features from lunar DEM is proposed by using the 500 m lunar DEM, which is produced from the global moon data obtained by Chinese satellite Chang’E-1(CE-1).Six typical mare sample areas and six typical highland sample areas were selected as the training zones. To construct the different terrain texture eigenvectors between the mare and highland, principal component analysis (PCA) was used to extract the main composition factors after the execution of quantitative analysis based on Gray level co-occurrence matrix (GLCM) model. Then the area located on 40° E~120° W, 0°~30° S was selected as the test area and the same approach in constructing terrain texture eigenvectors was used in this area. At last, supervised classification method was taken to identify those two types of lunar morphology. The recognition rate was about 85.7%. According to the comparative results between the new method and the traditional manual visual interpretation with Chang’E-1(CE-1) remote sensing image (in 120 m resolution),the proposed method is more effective and precise in identifying the mare and highland. Meanwhile, this method is driven by objective data, which spontaneously overcomes the subjectivity deficiency of current methods. Furthermore, this research provides a new thinking strategy of identifying and extracting different geomorphology based on the texture features from DEMs.

Key words: Lunar morphology identification, DEM, terrain texture, gray level co-occurrence matrix

王琛智, 汤国安, 袁赛, 孙建伟, 刘凯. 基于DEM纹理特征的月貌自动识别方法探究[J]. 地球信息科学学报, 2015, 17(1): 45-53.DOI:10.3724/SP.J.1047.2015.00045

WANG Chenzhi,TANG Guo'an,YUAN Sai,SUN Jianwei,LIU Kai. A Method for Identifying the Lunar Morphology Based on Texture from DEMs[J]. Journal of Geo-information Science, 2015, 17(1): 45-53.DOI:10.3724/SP.J.1047.2015.00045

图/表 14

图1

图2

图3

表1

表2

图4

表3

表4

表5

表6

图5

图6

表7

测试样区月海月陆自动识别与目视解译的结果结比

样区编号	$Δ d 1$	$Δ d 2$	$D$	自动识别地貌类型	目视解译地貌类型
1	112.02	108.52	3.50	月陆	月陆
2	117.11	108.51	8.60	月陆	月陆
3	111.79	109.99	1.80	月陆	月陆
4	112.08	110.42	1.66	月陆	月陆
5	110.58	111.99	-1.41	月陆	月陆
6	110.11	111.94	-1.83	月海	月海月陆过渡
7	109.28	115.23	-5.95	月陆	月海
8	112.37	128.35	-15.98	月海	月海
9	109.94	120.27	-10.33	月海	月海
10	159.44	207.28	-47.84	月海	月海
11	119.03	141.25	-22.22	月海	月海
12	115.16	112.17	2.99	月海	月陆
13	111.58	110.67	0.91	月陆	月陆
14	112.24	110.22	2.02	月陆	月陆
15	112.81	116.04	-3.23	月海	月海
16	120.79	109.78	11.01	月海	月陆
17	112.27	109.80	2.46	月陆	月陆
18	111.45	110.54	0.91	月陆	月陆
19	166.24	133.03	33.21	月陆	月海月陆过渡
20	112.54	109.55	2.99	月陆	月陆
21	113.37	109.44	3.93	月陆	月陆
22	111.84	110.20	1.64	月陆	月陆
23	117.23	109.28	7.95	月海	月陆
24	117.53	109.41	8.12	月海	月海月陆过渡
25	110.71	124.36	-13.65	月海	月海
26	112.61	130.71	-18.10	月海	月海
27	125.44	129.78	-4.34	月海	月海
28	123.67	109.76	13.91	月陆	月海月陆过渡
29	118.34	109.03	9.31	月陆	月陆
30	113.68	109.57	4.11	月陆	月陆
31	144.69	118.23	26.46	月陆	月陆
32	109.74	123.80	-14.06	月陆	月海
33	111.05	110.72	0.33	月陆	月陆
34	112.98	109.57	3.41	月海	月陆
35	120.17	109.55	10.62	月陆	月海月陆过渡
36	113.07	109.23	3.83	月陆	月陆
37	114.37	109.38	4.99	月陆	月陆
38	112.26	110.58	1.68	月陆	月陆
39	112.54	109.55	2.99	月陆	月陆
40	111.04	121.44	-10.40	月海	月海月陆过渡
41	109.41	119.46	-10.05	月海	月海
42	109.36	116.78	-7.43	月海	月海
43	109.34	118.58	-9.24	月海	月海
44	115.07	109.44	5.63	月陆	月陆
45	122.85	109.95	12.90	月陆	月陆
46	115.20	109.26	5.93	月陆	月陆
47	124.51	109.74	14.77	月陆	月陆
48	119.92	108.75	11.17	月陆	月陆

表7

表8

参考文献 26

[1]	法文哲. 月球微波遥感的理论建模与参数反演[D].上海:复旦大学,2008.
[2]	欧阳自远. 月球地质学[J].地球科学进展,1994,9(2):80-81.
[3]	欧阳自远,李春来,邹永廖,等. 深空探测的进展与我国深空探测的发展战略[J].中国航天,2002(12):29-33.
[4]	李春来,刘建军,任鑫,等.嫦娥一号图像数据处理与全月球影像制图[J].中国科学:地球科学,2010,40(3):294-306.
[5]	Chabot N L, Hoppa G V, Strom R G.Analysis of lunar lineaments: Far side and polar mapping[J]. Icarus, 2000,147(1):301-308.
[6]	Morota T, Furumoto M.Asymmetrical distribution of rayed craters on the Moon[J]. Earth and Planetary Science Letters, 2003,206(3-4):315-323.
[7]	Urbach E R, Stepinski T F.Automatic detection of sub-km craters in high resolution planetary images[J]. Planetary and Space Science, 2009,57(7):880-887.
[8]	岳宗玉. 月球构造特征与遥感影像解译初步研究[D]. 北京:中国地质大学(北京),2008.
[9]	欧阳自远. 月球科学概论[M].北京:中国宇航出版社,2005:2-25.
[10]	王杰,曾佐勋,岳宗玉,等.月球主要构造特征:嫦娥一号月球影像初步研究[J].空间科学学报,2011,31(4):482-491.
[11]	Tanaka K L, Moore H J.The Venus geologic mappers' handbook[M]. Washington DC:US Department of the Interior, US Geological Survey, 1994:25-35.
[12]	Wilhelms D E.Planetary Mapping[M]. Cambridge:Cambridge University Press, 1990:209-260.
[13]	Bue B D, Stepinski T F.Automated classification of landforms on Mars[J]. Computers & Geosciences, 2006,32(5):604-614.
[14]	周增坡,程维明,周成虎,等.基于“嫦娥一号”的月表形貌特征分析与自动提取[J].科学通报,2011,56(1):18-26.
[15]	刘凯,汤国安,陶旸,等.基于灰度共生矩阵的DEM地形纹理特征量化研究[J].地球信息科学学报,2012,14(6):751-760.
[16]	陶旸. 基于纹理分析方法的DEM地形特征研究[D].南京:南京师范大学,2011.
[17]	汤国安,刘学军,闾国年.数字高程模型及地学分析的原理与方法[M].北京:科学出版社,2005.
[18]	刘丽,匡纲要.图像纹理特征提取方法综述[J].中国图象图形学报,2009,14(4):622-635.
[19]	于海鹏,刘一星,张斌,等.应用空间灰度共生矩阵定量分析木材表面纹理特征[J].林业科学,2004,40(6):121-129.
[20]	Haralick R M.Statistical and structural approaches to texture[J]. Proceedings of the IEEE, 1979,67(5):786-804.
[21]	于海鹏. 基于数字图像处理学的木材纹理定量化研究[D].哈尔滨:东北林业大学,2005.
[22]	Ward Jr J H. Hierarchical grouping to optimize an objective function[J]. Journal of the American statistical association, 1963,58(301):236-244.
[23]	李春来,任鑫,刘建军,等.嫦娥一号激光测距数据及全月球DEM模型[J].中国科学:地球科学,2010,40(3):281-293.
[24]	Joliff B L, Wieczorek M A, Shearer C K, et al.New views of the Moon[M]. Chantilly: Mineralogical Society of America, Geochemical Society, 2006:360-385.
[25]	薄华,马缚龙,焦李成.图像纹理的灰度共生矩阵计算问题的分析[J].电子学报,2006,34(1):155-158.
[26]	赵春霞,钱乐祥.遥感影像监督分类与非监督分类的比较[J].河南大学学报(自然科学版).2004,34(3):90-93.

对点对间距d的敏感性	纹理参数
敏感	对比度、熵、和熵、二阶角距、逆差矩、方差和、相关度
不敏感	方差、均值和、差的方差

对角度θ的敏感性	纹理参数
较敏感	对比度、二阶角距、逆差矩、相关度
不敏感	方差、方差和、均值和、和熵、熵、差的方差

	二阶角矩	对比度	方差	逆差矩	相关度	熵	差的方差
二阶角矩	1.000
对比度	-0.356	1.000
方差	-0.699	-0.248	1.000
逆差矩	0.609	-0.910	-0.022	1.000
相关度	0.019	-0.650	0.685	0.538	1.000
熵	-0.926	0.642	0.477	-0.839	-0.258	1.000
差的方差	0.599	-0.897	-0.022	0.982	0.529	-0.831	1.000

序号	初始特征值
序号	合计	方差所占百分比（%）	累积百分比（%）
1	4.335	60.023	60.023
2	2.229	31.744	91.767
3	0.333	6.753	98.521
4	0.067	0.957	99.478
5	0.016	0.232	99.710
6	0.015	0.217	99.927
7	0.005	0.073	100.000

	主成分Ⅰ	主成分Ⅱ	主成分Ⅲ	解释主成分
对比度	-0.922	-0.072	-0.323	纹理的强弱和规则性
逆差矩	0.904	0.350	0.211
差的方差	0.905	0.340	0.199
二阶角距	0.335	0.933	-0.089	纹理的粗细、均匀性反映纹理的复杂程度和周期变化规律
方差	0.091	-0.720	0.685
熵	-0.619	-0.780	-0.042
相关度	0.395	-0.032	0.917	纹理的各向异性