Page 77 - 《武汉大学学报（信息科学版）》2025年第9期

第 50 卷第 9 期 刘逸娴等：融合颜色特征的随机森林特征优选的黄河三角洲植被信息分类 1805

可用于分类训练和精度验证。首先将地物分为 100 个，样本数据质量可用 J-M（Jerries-Matusita）
植被区域与非植被区域，根据研究区典型地物类 距离进行分离程度的判定。本文选取的样本点 J-
别将植被分为互花米草、柽柳、碱蓬与芦苇，其解 M 距离在 1.9 以上，说明质量优秀，其中 70% 用于
译标志如图 2 所示。研究区每种样本点数不低于 随机森林分类的训练，30% 用于精度验证。

图 2 植被类型目视解译标志
Fig. 2 Visual Interpretation of Vegetation Types

2 研究方法 取纹理特征信息。其中第一主成分累计贡献率

为 69.95%，第二主成分累计贡献率为 99.34%，因
2.1 特征提取 此取前两个主成分来提取纹理特征。通过多次
本文选取光谱特征、指数特征、颜色特征与 对比实验分析，设置滑动窗口大小为 3，步长为 1，
纹理特征构建特征集，具体内容如下： 利用 GLCM 提取了 5 个参数，共 10 个纹理特征。
1）光 谱 特 征 选 择 影 像 的 蓝（B）、绿（G）、红 4）颜色指数本是主要用于 24 位彩色图像，需
（R）、近红外（near infrared，NIR）4 个波段数据归 要计算每个像素点的红色、绿色、蓝色的分量 ［20］ 。
一化后的像元值。 将 RGB 通道数据分别除以图像像素的最大值以
2）指数特征选择遥感领域常见的归一化植 进行归一化处理。首先，对于 8 位 RGB 通道，选
被 指 数（normalized difference vegetation index， 择其最大值为 255；然后进行色彩空间归一化处
NDVI）、比 值 植 被 指 数（ratio vegetation index， 理 ，得 到 光 谱 r、g、b 色 彩 分 量 ；最 后 生 成 颜 色 指
RVI）、土 壤 调 节 植 被 指 数（soil adjusted vegeta⁃ ［21］
数。但颜色指数也能通过其他方式生成 ，如对
tion index，SAVI）、归 一 化 水 体 指 数（normalized
于多光谱图像而言，图像采集相机硬件不同，其
difference water index，NDWI）、差 值 植 被 指 数
RGB 颜色通道的值发生改变，部分学者直接将其
（difference vegetation index，DVI）等 5 种指数。
用于颜色指数的计算，但有研究表明，利用归一
3）纹理特征是遥感影像的一种重要特征，包
化色彩通道的指数可能更具有鲁棒性 ［22］ 。根据
含着每种地物呈现自己特定纹理信息及其与环
解译标志可知，黄河三角洲植被的色彩具有明显
境的相互关系。合理利用纹理信息，可以很大程
差距，首先仿照处理 24 位彩色图像的方法对可见
度提高遥感影像分类的精度。利用 ENVI 5.6 影
光谱进行了归一化处理，然后进行色彩空间归一
像纹理特征提取工具，基于灰度共生矩阵（gray-
化，得到 3 个色彩分量后生成颜色特征，用以提高
level co-occurrence matrix， GLCM）提取影像的纹
分类精度。色彩空间归一化计算式为：
理特征 ［19］ 。在进行纹理分析时，选取 5 个冗余度
ì R
较小的二阶统计量对影像进行定量分析，包括角 ï R + G + B
ï ï r =
ï
ï
二阶矩、相关性、对比度、熵和方差，分别简写为 ï G
ï ï
í g = （1）
GLCM_A、GLCM_Cor、GLCM_Con、GLCM_E ï ï R + G + B
ï
和 GLCM_V。通常计算 GLCM 的参数时，为了 ï B
ï
ïb =
î
避免得到冗余繁多的纹理特征，会将 0°、45°、90°、 ï ï R + G + B
135° 4 个方向的特征值的平均值作为最终的参数 本 文 选 取 的 颜 色 特 征 有 超 绿 指 数（excess
［23］
特征。为了避免对影像进行纹理分析时产生的统 green index，ExG） 、超红指数（excess red index，
［25］
［24］
计分量过多，造成数据冗余，增加计算难度与提取 ExR） 、超蓝指数（excess blue index，ExB） 、绿-
［26］
难度，因此对原始影像进行主成分分析之后再获 红差值指数（green-red difference index，GRDI） 、