EN中文

地球信息科学学报 >

2015 , Vol. 17 >Issue 1: 45 - 53

DOI: https://doi.org/10.3724/SP.J.1047.2015.00045

基于DEM纹理特征的月貌自动识别方法探究

  • 王琛智 ,
  • 汤国安 , * ,
  • 袁赛 ,
  • 孙建伟 ,
  • 刘凯
展开
  • 南京师范大学地理科学学院,南京 210023
*通讯作者：汤国安(1961-),男,浙江宁波人,博士生导师,教授,研究方向为地理信息系统、DEM与数字地形分析及GIS空间分析。E-mail:

作者简介：王琛智(1992-),男,江苏徐州人,本科生,主要从事DEM与数字地形分析研究。E-mail:

收稿日期: 2014-04-16

  要求修回日期: 2014-06-16

  网络出版日期: 2015-01-05

基金资助

国家自然科学基金项目(41171320)

江苏省高校自然科学基金重大项目(13KJA170001)

江苏省研究生科研创新计划项目(KYLX_0701)

收起

A Method for Identifying the Lunar Morphology Based on Texture from DEMs

  • WANG Chenzhi ,
  • TANG Guo'an , * ,
  • YUAN Sai ,
  • SUN Jianwei ,
  • LIU Kai
Expand
  • School of Geography Science, Nanjing Normal University, Nanjing 210023, China
*Corresponding author: TANG Guo'an, E-mail:

Received date: 2014-04-16

  Request revised date: 2014-06-16

  Online published: 2015-01-05

Copyright

《地球信息科学学报》编辑部 所有
Fold

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

本文引用格式

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

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

1 引言

月貌是对月球表面起伏地形的描述,被认为是各种形态特征、分布格局及其发育过程的综合体[1],月球地形地貌的特征是研究月球地质、月球演化历史的重要基础[2]。因此,月貌特征始终是国内外月球研究的核心与热点问题[3]。我国于2004年启动了“嫦娥”探月工程,并分别于2007年、2010年成功发射了“嫦娥一号”（CE-1）、“嫦娥二号”（CE-2）探月卫星,并获得了高精度的影像及高程数据[4],这为我国的月球地貌研究提供了重要的数据基础。
月球表面地貌由于营力类型与性质、物质组成、形成年代等的差异而呈现出明显的区域差异性[5-8]。根据这种差异,可将月球表面地貌分为月海和月球高地（简称月陆）,这两者构成了月貌体系最为基础也是最为核心的框架结构[2,9]。准确地识别月海与月陆,是进一步研究月貌形态的基础,同时也为探究月球撞击坑的分布、成坑机制、穹窿的构造特征等提供了详实可靠的信息[10]。
针对月海和月陆的识别问题,传统的方法是利用月球影像目视解译及分类[11-12]。随着国内外行星地貌学研究的深入,学者提出了利用DEM及其派生地形因子建立综合指标体系进行识别的方法[13-14]。传统采用月球影像对月海和月陆进行识别和分类的方法,虽然可保证较高的识别精度,但其效率较低,且人工成本较高[13],仅适用于小尺度的月貌识别上。而基于DEM及派生地形因子建立综合指标体系的方法,能从不同侧面刻画月海和月陆的差异,可在宏观上对不同月貌进行识别[14]。虽然这种方法提高了识别效率,但是,由于区域地形特征不同,难以构建通用的指标体系;同时,对于指标体系中各因子权重的设置有一定主观性[14],导致识别结果具有不确定性。
基于DEM的纹理分析法,近年来开始应用于地表地貌形态类型的划分[15]。将纹理分析方法与DEM的数字地形分析结合,被认为是实现对宏观地形识别的突破点[16]。因此,针对原有月貌识别方法的不足,本文拟从DEM纹理角度出发,实现月球地貌的定量化描述和表达,通过对纹理量化结果的分析,构建月海和月陆的特征向量,实现对月海和月陆自动准确地识别。

2 基于DEM纹理特征的月貌自动识别方法

纹理作为表征地面固有自然特征,可作为区分不同地貌类型的一个重要特征[16]。通过对地貌纹理特征的量化,可对地貌类型进行识别和分类。而DEM作为对地表起伏形态的真实模拟[17],相比遥感影像,能更加准确地反映不同地貌类型区的地形结构差异。因此,利用DEM的纹理特征对月表不同地貌单元进行识别,可认为是一种行之有效的方法。
基于DEM纹理特征的月貌识别流程如图1所示。具体步骤为：
Fig. 1 Flow chart of automatic identification on lunar geomorphology

图1 月表地貌自动识别流程图

（1）样本区域选择
根据已有月球研究资料,选择典型月海和月陆区域作为训练样本,选择包含月海和月陆两种基本月貌单元的区域作为测试样本。
（2）DEM纹理模型构建及参数调整
纹理的分析主要分为空间域的纹理特征量化和频率域的纹理特征量化两大类算法[18]。其中,统计型纹理分析方法作为空间域纹理特征量化的一种,被认为更适合分析自然纹理[16,19]。因此,本文选择了统计型纹理分析方法中的灰度共生矩阵模型,作为月貌纹理量化模型。灰度共生矩阵模型的原理是统计一定方向、一定距离条件下不同的图像灰度组合的规律,从而对图像纹理特征进行表达。研究表明[20],该模型可以有效实现对地形特征的量化。
由于DEM数据表达的是三维空间上的连续曲面[17],其栅格属性值代表了高程值,因此,以DEM构建灰度共生矩阵需要DEM,将所表达的高程数据进行相应的灰度域映射。假设DEM中任意两栅格点对间距离为d,栅格点对间方向角为θ。统计DEM映射成灰度域后的图像中灰度为i的栅格与图像中灰度j的栅格,在点对间距为d,点对方向为θ的条件下同时出现的频度 P ( i , j , d , θ ) ,构成灰度共生矩阵 C ( d , θ ) 。
由灰度共生矩阵的表达式可知,栅格点对间距离d与栅格点对间方向角θ,会直接影响模型最终结果。故在进行纹理量化前,需要分别考虑模型各个参数对量化结果的影响,通过实验确定较为适宜的模型参数,以保证灰度共生矩阵模型的稳定性[20-21]。
（3）月貌纹理特征量化
在对量化模型参数稳定性分析的基础上,分别对训练样本和测试样本进行纹理特征量化。
（4）月貌特征向量构建
由于灰度共生矩阵量化的纹理特征参数较多,信息之间存在冗余。故利用主成分分析法对灰度共生矩阵统计得到的若干纹理参数进行降维,提取主成分因子,进而构建能够表征不同类型月表地貌的特征向量。
（5）利用Ward法进行识别
以训练样区得到的月海和月陆两种不同月貌类型的特征向量为基础,利用Ward法[22],对测试样本各样本进行识别,并对识别精度进行评价。

3 月貌识别实验与结果分析

3.1 实验数据和样区

本文实验数据为嫦娥一号（CE-1）探测器所获取的空间分辨率120 m的遥感影像和空间分辨率为500 m的全月DEM数据。其中,利用DEM数据进行月貌识别,利用遥感影像数据来验证识别结果的精度。全月DEM数据的平面定位精度和高程测量精度分别为445 m和60 m[4,23]。为减少投影方式对实验精度的影响,数据采用正轴等积切圆柱投影。
根据已有研究[24],选择典型月海和月陆区域作为训练样区。月海样区大部分位于月球的风暴洋、雨海和岛海地区,少部分位于知海、云海;月陆样区大多位于30° S~60° N之间,多为斜长岩组成,月陆样区的撞击坑直径范围为10 km到530 km,大多为复合型撞击坑,其中,也包括Hertzsprung和Korolev这两个典型的撞击盆地。选择40° E~120° W,0°~30° S范围作为测试样区,测试样区包括风暴洋南部、东海、湿海为主的月海地区,其余地区为月陆,中间存在过渡地带。
为满足纹理基元的重复性和模型的稳定性,选择512×512像元大小[15-16]的分析范围来构建灰度共生矩阵模型。所选样区内共计得到512×512像元大小的样本123个,其中,A1所示框中为48个月陆样本,A2框中为48个月海样本,B框中为48个测试样本。样区分布示意如图2所示,其中部分典型样本如图3所示。
Fig. 2 Sample areas distribution

图2 实验样区分布

Fig.3 Typical samples of lunar mares and lunar highlands

图3 典型月海、月陆样本示意图

3.2 月表地形纹理特征量化

由灰度共生矩阵 C ( d , θ ) 构建原理可知,灰度共生矩阵为对称矩阵,构建模型时仅需计算O取0、45、90、135°时的值,即可求得 C ( d , θ ) 在O的整个坐标空间中的值。Haralick提出共计14种灰度共生矩阵的纹理特征参数[20],本文选取了其中能充分反映纹理特征的10个常用参数[16,21,25]：二阶角矩、对比度、均值和、相关度、方差、方差和、逆差矩、熵、和熵、差的方差,相关纹理参数的计算均根据其定义使用Matlab实现。
点对间距离d和点对间方向θ是影响灰度共生矩阵稳定性的两个主要参数,也是决定该模型在纹理分析上能否具有较好适用性的核心变量。因此,在对月表地貌特征进行量化前,需要通过实验选择较为合适的参数使得灰度共生矩阵模型较为稳定。
在对点对间距d进行讨论时,应该减少点对方向θ的影响。故实验时取0、45、90、135°共4个方向分别计算其各项纹理特征参数,并取其平均值作为特征值,通过改变点对距离d来探究该模型参数对最终得到的特征参数的影响,对训练样区96个样本进行实验后可得出不同纹理参数对d变化的敏感性（表1）。
Tab. 1 Sensitivity of texture parameters responding to the change of pixel pair distance

表1 纹理参数对点对间距变化的敏感性

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d敏感的参数,须再进一步探讨其变化情况。针对本文使用的500 m分辨率的DEM数据,可认为灰度共生矩阵模型较为适宜的分析点对间距至少为8个栅格大小。
在讨论点对间方向θ取值时,以点对间距为8,探究96个训练样区对不同参数对θ的敏感性,结果见表2。
Tab. 2 Sensitivity of texture parameters responding to the change of pixel pair direction

表2 纹理参数对点对方向变化的敏感性

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
进一步探究对角度θ敏感的纹理参数与θ之间的关系。实验结果表明,虽然这些参数对方向θ敏感,但不同方向θ对其造成的影响很小,极差范围在0.08-0.2之间,因此,在量化地表纹理模型时可以用4个方向计算得到的特征值取均值,作为模型中各参数的特征值。
根据上述相关内容,本文在进行实验时分别取d=8,以4个方向计算的特征值的平均作为灰度共生矩阵的参数特征值对训练样区的96个样本进行量化。在物理意义上,参数均值和仅反映样本区域整体的明暗程度,量化结果没有意义,故将其剔除。其余9项参数对月海和月陆的差异性有一定反映,其中上述12个较为典型的样本量化结果如图4所示,其中,横坐标代表样区编号,纵坐标代表特征值。
Fig. 4 Texture quantification of typical samples

图4 典型样区纹理量化结果

从图4典型月海和月陆样本的纹理量化结果可看出：除相关度和方差和之外,两种不同月球地貌单元在其余各项纹理指标上确实存在明显差异。根据Haralick等的理论[20]：相关度用来度量灰度共生矩阵模型在行或列上的相似性,反映了纹理的各向异性;方差和在物理意义上反映了纹理变化快慢程度,而月海和月陆这两种地貌单元在相关度和方差和这两个参数上差异并不明显,反映出这两类地貌单元的纹理的各向异性不明显,纹理变化程度不大;二阶角距、逆差矩在物理意义上分别代表了纹理特征的粗细均匀程度和纹理规则程度,从图4可以看出,月海样本的二阶角距、逆差矩明显大于月陆,这反映出月海DEM较为细致、均匀、纹理规则程度不明显,月陆的纹理较粗糙;对比度能反映纹理基元的明显程度,从柱状图中可以看出,月海样本明显小于月陆样区,这反映出月海样本纹理特征不明显的特点;方差和差的方差这两个参数,分别代表了纹理变化的快慢和邻近栅格对比的强烈程度,从图4中可以看出,在这两个纹理参数上,月陆样本大于月海样本,表明月陆样本邻近栅格对比强烈,纹理效应明显,纹理变化快的特点。灰度共生矩阵中,特征参数熵表征了图像的信息量,指示纹理的复杂情况,月海的熵参数小于月陆说明月陆信息量大于月海,月陆复杂程度更高。量化结果反映出不同月貌类型在纹理角度存在明显差异与区别,可以利用这种差异性对不同月貌类型进行识别。

3.3 基于纹理特征的月貌识别

3.3.1 月貌特征向量构建
根据图3各个典型样区量化结果可以看出,虽然10个纹理参数都表征着某些特定信息,但是过多的特征值之间还是存在着信息冗余与重复问题[16,19]。因此,在根据纹理特征参数进行月貌识别前需对其进行筛选与分类,尽可能多的保留信息,同时,又能够减少特征值的数量。
首先依据纹理特征的定义,结合量化结果,剔除物理含义相近且月海与月陆量化结果不明显的纹理参数。故选择差异性更为明显的方差与熵作为特征值,而去掉方差和与和熵2个派生参数。为进一步筛选纹理参数,利用主成分分析法对96个样区的7项纹理指标（二阶角矩、对比度、方差、逆差矩、相关度、熵、差的方差）进行降维,提取关键因子,构建不同月貌类型的特征向量。
7项纹理指标的相关性如表3所示,利用相关系数矩阵计算纹理参数的主成分因子。从表4可看出,二阶角矩、方差、熵3个参数相似性较高,对比度、逆差矩、差的方差相似性较高,以此为基础,提取主成分因子。
Tab. 3 Correlation coefficients between texture parameters of sample areas

表3 样区纹理参数相关性分析

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
Tab. 4 Eigen value of principal components analysis based on texture parameters

表4 纹理参数提取的主成分特征值

序号 初始特征值
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
使用主成分分析法进行公因子选择时,通常以特征值作为选择依据。一般选择特征值大于1的前N个主成分。基于7个纹理参数提取的主成分因子特征值与方差特征如表4所示。
由主成分分析特征值表可知,前3个主成分即可表达原始纹理参数98.5%的信息,因此可通过这3个公因子对原始参数进行综合表达,通过旋转成分矩阵计算出主成分因子。
从各个特征参数构成的主成分因子（表5）可知,第Ⅰ主成分能较好地解释对比度、逆差矩、差的方差3个参数,已有结论认为这几个纹理参数反映了纹理的强弱信息和规则程度;第Ⅱ主成分主要包括二阶角距、方差和熵3个参数,体现了地形纹理的复杂性和周期性;第Ⅲ主成分则更好地反映了纹理的各向异性。文中48个月陆样区与48个月海样区3个主成分因子的均值如表6所示。
Tab. 5 Construction of factors

表5 主成分因子构成

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
Tab. 6 Analysis of means on lunar mare principal components and lunar highlands principal components

表6 月海和月陆主成分均值分析

第Ⅰ主成分 第Ⅱ主成分 第Ⅲ主成分
月陆样区 -0.521 0.424 0.299
月海样区 0.608 -0.474 0.308
从表5可看出,月陆样区第1因子较月海样区的大,说明由玄武岩构成的月海较为均质。第2因子呈现的月陆与月海的差异性,主要原因是月陆样区纹理较复杂,信息量大。这与月陆高地撞击坑较为密集,地表形态复杂有关。而两种月貌类型第3因子的值相差不大,说明对于纹理各向异性的响应两者没有明显差距。通过该表也能说明基于DEM的纹理特征能反映不同月貌类型的差异。
由96个实验样区的主成分分析结果,可根据因子得分系数矩阵构造月表地形特征向量 α → = ( F 1 → , F 2 → , F 3 → ) 。其中,
F 1 → = - 0.922 f 2 + 0.904 f 5 + 0.905 f 10 + 0.335 f 1 + 0.091 f 4 - 0.619 f 9 + 0.395 f 7 F 2 → = - 0.072 f 2 + 0.350 f 5 + 0.340 f 10 + 0.933 f 1 + 0.720 f 4 - 0.780 f 9 + 0.917 f 7 F 3 → = - 0.323 f 2 + 0.211 f 5 + 0.199 f 10 + 0.089 f 1 + 0.685 f 4 - 0.042 f 9 + 0.917 f 7 （1）
根据式（1）可构造实验样区的特征向量 α 1 → , α 2 → , α 3 → , ⋯ , α 96 → ,其中, α 1 → ~ α 48 → 可作为月陆区域典型特征向量, α 49 → ~ α 96 → 可作为月海区域典型特征向量。
3.3.2 月貌的识别
针对月海和月陆的识别和自动提取,已有的研究[7,13-14]大多采用聚类的方法。在月球影像的月海和月陆识别中,大多根据灰度值特征进行K-Means聚类或者ISO聚类。虽然上述两种传统的聚类算法较易实现月海月陆的识别,但是很难直接确定全局最优分类中心和分类个数,导致分类结果不能完全满足要求[26]。同时,非监督分类方法对于数据中的异常值较为敏感,这些都会影响识别精度。已有的研究发现,使用诸如MLC聚类等监督分类的方法,可实现对不同月表形貌较精确的提取。
因此,本文同样采用监督分类的方法识别月海和月陆高地,以已有典型样区的特征向量作为训练样区,使用系统聚类中的Ward法计算待识别区域特征与已知样区特征之间的距离,对其进行识别。已有研究表明[13]Ward法在对于类间距的处理上有很好的效果。如果分类正确,则同类样品的离差平方和应当较小,而不同类之间的离差平方和应当较大。
设将n个样品分成k类 G 1 , G 2 , ⋯ , G k ,用 x it 表示类 G t 中的第i个样品(其中, x it 是多维向量), n t 表示类 G t 中的样品个数, x t ¯ 是类 G t 的重心,则在类 G t 中的样品的离差平方和 S t 的计算方法为：
S t = ∑ i = 1 n t ( x it - x t ¯ ) ′ ( x it - x t ¯ ) （2）
式（2）中, w t 为一数值。 k 个类的总离差平方和 S 为：
S = ∑ i = 1 k S t = ∑ t = 1 k ∑ i = 1 n t ( x it - x t ¯ ) ′ ( x it - x t ¯ ) （3）
当k固定时,选择使S达到极小的分类。
Ward法对月海和月陆进行识别时,首先,分别计算月陆与月海区域特征向量的离差平方和,然后,从实验样区中任取一子样区,假设其为月海,重新计算月海特征向量的离差平方和 d 1 ,与原月海的离差平方和的差值为 Δ d 1 ;假设其为月陆,重新计算月陆特征向量的离差平方和 d 2 ,与原月陆的离差平方和的差值为 Δ d 2 。设 Δ d 1 与 Δ d 2 的差值为 D , D > 0 表示该子样区特征向量与已知月陆特征向量距离近,将其分为月陆; D ≤ 0 则表示该子样区特征向量与已知月海特征向量距离近,将其分为月海。测试样区48个样本示意如图5所示。
Fig. 5 Spatial location of areas to be tested

图5 测试区域分布图

3.4 月貌识别结果分析

对识别结果的精度进行评价时,选择嫦娥一号（CE-1）所获得的120 m分辨率的高精度全月遥感影像数据,目视解译月海和月陆,并与本文识别结果进行对比。可将月球地质学中对月海和月陆地貌的定义作为目视解译的特征：月海是由体积巨大的低粘滞玄武岩构成,其反照率小,在月球影像上呈暗色;月陆是由斜长石构成,反照率较大,在月球影像上呈亮色。利用嫦娥一号遥感影像对测试区域进行目视解译,利用灰度值差异（通过对测试样区灰度影像的分析发现月海区域灰度值大致为50,月陆值大致为100）,找出月海和月陆边界,从而区分月海和月陆。从图6样区内较为典型的月海和月陆边缘可以看出,月海和月陆灰度差异大,有较为明显的边界。
Fig. 6 Boundary between lunar mares and lunar highlands of test area

图6 测试样区月海和月陆边缘示意图

表7中列出了目视解译结果与本文方法自动识别的结果,其中,目视解译出月陆样区29个、月海样区13个、月海与月陆过渡样区6个;利用本文的方法自动识别出月陆样区30个、月海样区18个。由于月海和月陆过渡地貌类型是一个模糊的概念,难以描述和量化,所以,没有专门针对这种地貌的训练样本,故最后评估精度时,不考虑编号6、19、24、28、35、40这6个样本的识别结果,即只对15个月海、27个月陆共计42个样本进行评估（表8）。
Tab. 7 Result of automatic identification and manual visual interpretation on sample areas

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 Δd1 Δd2 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
Tab. 8 Assessment of automatic identification of lunar geomorphology

表8 月貌自动识别结果评价

类别 月海 月陆 总体
识别正确数 12 24 36
识别错误数 3 3 6
识别率（%） 80 88.90 85.74
从表8可看出,利用纹理特征对42个样本进行识别,正确识别36个样本,总体识别率达到85%,说明本文提出的方法可较好地对规则样本的月海和月陆地貌进行识别。从两种地貌类型识别结果来看,月陆识别率较高,一方面是月海本身的样本较少导致其识别率低,另一方面,月陆纹理特征较为突出,对特征向量的响应度更好。从识别结果也能看出,对于真实月表中月海和月陆地貌的过渡区域,难以给出一个具体的量化模型,其原因在于数据的分辨率低,难以满足更小尺度的要求。进一步的研究中希望能利用高分辨率的数据对月海月陆过渡地带进行自动识别和提取。

4 结论

本文从DEM纹理角度出发,对月球两种典型地貌单元（月海和月陆）进行了量化识别,研究表明：
（1）月海和月陆作为月球表面两种主要地貌,在纹理特征上确实存在较大的差异。利用灰度共生矩阵模型对典型月海和月陆样区纹理特征进行量化,各项参数结果的差异性反映出月海较月陆质地均匀、纹理不突出;月陆地形复杂、纹理明显、纹理蕴含信息量大等特点。
（2）基于月海与月陆纹理上的差异,本文提出的方法可以较精确地实现月海和月陆的识别。相比以DEM及其派生因子进行月貌识别的方法,利用DEM纹理特征对月貌进行识别,克服了不同地区地形因子选择的差异性,避免了因子权重设置的主观性,同时,回避了不同月表区域因地形因子选择不同而产生的不确定性。将自动识别结果与目视解译结果进行对比,得出总体识别率为85.7%,其中,月陆识别率为88.9%,月海识别率为80%,表明识别精度较为理想。
（3）本文以纹理分析为切入点,利用DEM的纹理特征,定量化地表达月表地形形态,实现了对不同月貌单元的识别。这表明,即使在行星地貌学中,纹理分析方法也能够在宏观尺度上很好地揭示出不同地貌类型的特征与差异。由于本文采用的纹理模型受到分析单元的尺度与数据分辨率的影响,对于月海月陆过渡地区较多撞击物质覆盖的边界不能很好处理,因此,今后的研究将考虑结合不同纹理研究模型,重点探究纹理特征的小尺度月貌自动识别和提取问题。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[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.

Options
文章导航

/

〈 〉