高光譜遙感城市植被識別方法研究

梁志林，張立燕，曾現(xiàn)靈，扶丹丹，楊麗新

（1.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院三維信息獲取與應(yīng)用教育部重點實驗室，北京 100048）

高光譜遙感城市植被識別方法研究

梁志林1，張立燕1，曾現(xiàn)靈1，扶丹丹1，楊麗新1

（1.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院三維信息獲取與應(yīng)用教育部重點實驗室，北京 100048）

傳統(tǒng)的植被狀況調(diào)查方式費時、費力，并且更新困難，而高光譜遙感數(shù)據(jù)圖譜合一，能夠更精細(xì)、準(zhǔn)確地進(jìn)行遙感地物識別和分類，因此采用Hyperion高光譜數(shù)據(jù)來研究地物混合嚴(yán)重并且呈零星碎片狀的城市植被。利用混合像元分解思想改進(jìn)Gram-Schmidt融合算法，將Hyperion高光譜和ALI全色波段進(jìn)行融合，提高光譜數(shù)據(jù)的空間分辨率，來解決城市植被像元混合嚴(yán)重和分布過于零散破碎難題，進(jìn)而提高植被識別精度。為了避免高光譜植被識別陷入維數(shù)災(zāi)難，采用主成分分析對融合后的高光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)降維。最后，在地面光譜成像儀獲取的純凈像元光譜信息輔助下，選取訓(xùn)練樣本進(jìn)行最小距離分類，完成植被類型識別，總體精度達(dá)到84.9%。

高光譜遙感；城市植被；混合像元分解；Gram-Schmidt融合；植被識別

城市植被可以調(diào)節(jié)城市環(huán)境，提高居民生活質(zhì)量[1]。傳統(tǒng)的實地測量調(diào)查方式費時、費力，并且更新困難，而高光譜數(shù)據(jù)每個像素都有一條連續(xù)的光譜曲線，能夠準(zhǔn)確識別地表物質(zhì)的組成和組分[2]，利用高光譜遙感技術(shù)可以宏觀、快速地獲取城市植被信息。目前，國內(nèi)外學(xué)者主要通過波段選取、光譜微分、植被指數(shù)反演等方法來研究植被[3-5]。城市的快速發(fā)展使植被呈碎片狀，導(dǎo)致城市高光譜遙感圖像混合像元現(xiàn)象嚴(yán)重，給城市植被類型識別及長勢分析帶來較大困難。本文選取北京海淀區(qū)西山西部向東15 km的城郊結(jié)合部為研究區(qū)，該區(qū)域不僅包含了頤和園、北京植物園和西山公園等城區(qū)綠地，還有高爾夫球場、行道樹以及零星破碎的城市植被。然后基于Hyperion高光譜數(shù)據(jù)來研究地物像元混合嚴(yán)重、呈零星碎片狀的城市植被。

1 Hyperion數(shù)據(jù)準(zhǔn)備

1.1 輻射定標(biāo)

Hyperion高光譜數(shù)據(jù)使用前需要輻射定標(biāo)，將像元值轉(zhuǎn)換為絕對輻射值。由于Hyperion數(shù)據(jù)生產(chǎn)時采用擴(kuò)大因子，因此可以將可見近紅外（VNIR）波段像元值除以40，短波紅外（SWIR）波段除以80，然后合并兩個圖像文件，得到絕對輻射值圖像，完成輻射定標(biāo)。

1.2 波段選取

Hyperion高光譜影像共242波段中，有部分波段沒有定標(biāo)，像元值為0，它們是波段1～7、58～76、225～242。另外由于某些波段受水汽影響較大，包含信息量極少，需要剔除。

1.3 壞線處理

由于傳感器的標(biāo)定過程有一些誤差，導(dǎo)致Hyperion的L1級產(chǎn)品存在不正常的數(shù)據(jù)。有些數(shù)據(jù)值非常小，甚至為0，這樣的行或列為壞線。對經(jīng)過波段選取的149個波段的Hyperion圖像進(jìn)行逐波段的檢查，并記錄有壞線存在的波段和對應(yīng)的列號，然后用其相鄰行或列的平均值修復(fù)[6]。

1.4 FLAASH大氣校正

FLAASH大氣校正不僅可以校正由于漫反射引起的鄰域效應(yīng)，同時也提供了對整幅影像能見度的計算結(jié)果。此外，它還可以生成水汽含量圖、云層圖等輔助信息。利用這些信息可以去除大氣的影響，從高光譜影像中獲取地物的地表反射率信息[7]。大氣校正結(jié)果如圖1。

圖1 校正前后健康植被光譜曲線

2 融合算法改進(jìn)

遙感影像的空間分辨率和光譜分辨率一直存在著不可避免的矛盾，這種情況在高光譜數(shù)據(jù)中表現(xiàn)尤為明顯。Hyperion高光譜影像有242個波段，但是它的空間分辨率只有30 m，不夠研究零星破碎的城市植被。本文針對高光譜數(shù)據(jù)特點，引進(jìn)混合像元分解思想來改進(jìn)Gram-Schmidt融合變換算法，然后利用經(jīng)過預(yù)處理的EO1-Hyperion航天高光譜數(shù)據(jù)和ALI全色10 m波段進(jìn)行融合實驗。

2.1 混合像元分解

在高光譜遙感影像中混合像元普遍存在，像素很少由單一均勻的地物組成，大都是由幾種地物混合而成。通過混合像元分解技術(shù)可以提取光譜數(shù)據(jù)像元的各地物成分及所占比例?；旌舷裨纸庵饕ǘ嗽崛『投嗽M分豐度計算兩部分內(nèi)容，前者可以獲得混合像元內(nèi)地物種類信息，后者可以計算得到各種地物端元在混合像元中所占的比例[8]。

2.1.1 基于幾何頂點的端元提取

首先利用相關(guān)性很小的兩個圖像波段（經(jīng)過PCA或者M(jìn)NF變換的前兩個波段），作為X、Y軸構(gòu)成二維散點圖，理想狀態(tài)下散點圖呈三角狀[9]，幾何頂點端元提取結(jié)果如圖2所示。在實際的端元選擇過程中，選擇散點圖周圍凸出部分區(qū)域，然后獲取這個區(qū)域相應(yīng)原始影像圖的平均波譜作為端元波譜。在圖3中，綠色表示植被，藍(lán)色表示水體，褐色表示人造地物。通過對比實測地物光譜曲線，表明基于幾何頂點的端元提取方法較為準(zhǔn)確地提取了較為純凈的植被、水體和人工地物端元。

圖2 幾何頂點端元提取

圖3 對應(yīng)端元波普曲線

2.1.2 基于線性混合的高光譜圖像解混

線性混合模型（linear mixing model）是目前應(yīng)用最廣泛的光譜混合模型?；旌舷裨木€性混合模型中，每個像元的反射率是由它的端元組分反射率與各自對應(yīng)豐度線性組合而成[10]。因此，第i波段像元反射率ri可以表示為：

式中，aij表示第i個波段第j個端元的反射率；xj是該像元第j個端元的豐度。ei是第i波段的誤差，i=1，2，…，m；j=1，2，…，n；m表示波段數(shù)；n表示選定的端元數(shù)。

可表示為矩陣形式：

利用公式（1）或（2）可以求得每個像元內(nèi)各個端元組分的豐度xj。另外，還需要滿足xj之和為1。通過線性混合像元分解得到各端元的豐度圖，各波段像元的灰度值表示端元在該像元中的百分比，灰度值越高，百分比越大。

2.2 Gram-Schmidt正交化變換

上世紀(jì)70年代Schmidt提出了Gram-Schmidt融合方法。從本質(zhì)上來看，它是多維線性正交變換，經(jīng)常用于線性代數(shù)和多元統(tǒng)計[11]。在任意可內(nèi)積空間條件下，如果一組向量相互獨立，通過Gram-Schmidt變換可以找到該向量對應(yīng)的一組正交基。假設(shè)一組相互獨立的向量{u1，u2，…，un}，可以通過Gram-Schmidt變換構(gòu)造它的正交向量{v1，v2，…，vn}。假設(shè)v1=u1，通過公式（3）和（4）依次計算第i+1個正交向量：

式中，wi為已經(jīng)計算的前i個正交向量跨越的空間，projwiui+1是ui+1在wi的正交投影。

2.3 結(jié)合混合像元分解和Gram-Schmidt融合算法

在Gram-Schmidt正交化變換中，第一分量模擬圖像v1的質(zhì)量對融合后圖像質(zhì)量影響較大。通常情況下可以通過計算 m個光譜波段的平均值進(jìn)行模擬；或者將高分辨率全色波段進(jìn)行局域均值化處理來模擬全色圖像。然而，前者雖然空間信息增強(qiáng)效果較好，但在Gram-Schmidt反變換過程中，光譜特征受到全色波段的影響，導(dǎo)致圖像融合后光譜特征存在一定的扭曲。由于光譜特征與Gram-Schmidt反變換時采用的全色波段的影響，融合圖像光譜特征有一定的扭曲。后者光譜保真度較好，然而空間信息增強(qiáng)效果較差[12-13]。為了使融合后的圖像在達(dá)到較好的空間信息增強(qiáng)效果的同時，又保證較高的光譜保真度[13-15]，可以利用混合像元分解思想來改進(jìn)Gram-Schmidt融合變換方法。

2.3.1 模擬低分辨率全色圖像

通過混合像元分解算法提取高光譜圖像各端元波譜曲線；利用對應(yīng)端元豐度值xj賦予權(quán)重系數(shù)，最后通過計算它們的權(quán)重之和來模擬全色低分辨率圖像PSim，計算方法如公式（5）、（6）所示：

式中，Bi為i波段對應(yīng)的值；Sj為j端元波譜曲線的平均值；xj為j端元的豐度值；m為高光譜波段數(shù)；n為高光譜端元數(shù)。

2.3.2 Gram-Schmidt正交變換

利用步驟§2.3.1產(chǎn)生的模擬圖像作為Gram-Schmidt變換的第一分量進(jìn)行計算，那么第T分量 GST的計算如公式（7）：

式中，BT為原始高光譜第T波段；μT為原始高光譜波段灰度均值；（BT，GS1）為協(xié)方差。

2.3.3 Gram-Schmidt反變換

首先需要調(diào)整高分辨率圖像使之與模擬第一分量相匹配。然后把第一分量替換掉，進(jìn)行Gram-Schmidt反變換，可得到融合圖像。Gram-Schmidt反變換如公式（8）：

2.4 改進(jìn)融合算法精度分析

由圖4所示，圖4a為Hyperion原始圖像，圖4b為通過計算 m個光譜波段的平均值進(jìn)行模擬全色波段融合后的圖像，圖4c為經(jīng)過改進(jìn)的融合算法結(jié)果圖。經(jīng)過對比分析可知，融合后的影像空間分辨率都得到明顯提高，道路、河堤、人工建筑都可以看到清晰的紋理，不存在輕微的馬賽克現(xiàn)象，并且整個圖像的色調(diào)都有很大提升。

圖4 融合前后對比圖

從亮度、對比度、清晰度和波譜扭曲等方面進(jìn)行初步判斷后，為了更加準(zhǔn)確地評判融合圖像質(zhì)量，還需要在主觀評價的基礎(chǔ)上進(jìn)行客觀的定量評價[13-14]。本文選取第15波段，對比融合前后的圖像的標(biāo)準(zhǔn)差、信息熵、平均梯度和相關(guān)系數(shù)進(jìn)行分析評判，各參數(shù)信息如表1所示。通過對比均值和標(biāo)準(zhǔn)差可知，二種融合方法都與原始高光譜圖像光譜信息有稍微偏差，但經(jīng)過混合像元分解改進(jìn)的融合方法與原始高光譜數(shù)據(jù)和ALI全色波段的相關(guān)性更強(qiáng)，光譜信息損失更少，而均值模擬法的標(biāo)準(zhǔn)差變化較大，相關(guān)系數(shù)也比較低。另外，通過信息熵和平均梯度可知，經(jīng)過圖像融合，二種方法的空間信息都得到明顯增強(qiáng)。

表1 波段15圖像融合質(zhì)量定量評價

通過對EO1-Hyperion航天高光譜數(shù)據(jù)和ALI全色波段融合前后圖像的定性和定量分析可知，引入混合像元分解思想的Gram-Schmidt高光譜融合算法，考慮了原始高光譜數(shù)據(jù)的光譜信息，綜合了圖像的空間分辨率和光譜分辨率信息，生成的融合圖像提高了圖像空間分辨率的同時，減少了之前融合算法的光譜扭曲，較好地保留了原始光譜信息，提高了融合圖像的質(zhì)量。

3 植被類型識別

高光譜數(shù)據(jù)經(jīng)過融合后，采用最小距離方法進(jìn)行植被類型識別。最小距離監(jiān)督分類通過訓(xùn)練樣本先確定類別數(shù)目和類別中心，建立判別函數(shù)，然后再進(jìn)行分類。一般在訓(xùn)練樣本時，樣本數(shù)要達(dá)到波段數(shù)的10倍，本文選用的高光譜圖像有224個波段，則需要2 240個樣本，這樣會導(dǎo)致高光譜分類陷入維數(shù)災(zāi)難[15]。另外，如果參加分類的波段相關(guān)性較強(qiáng)，則方差、協(xié)方差的逆矩陣可能不存在或不穩(wěn)定，進(jìn)而影響分類判別函數(shù)。為了避免上述問題，需要在分類之前用主成分變換（PCA）對融合后的高光譜圖像進(jìn)行降維和去相關(guān)性處理。植被識別結(jié)果如圖5。

圖5 最小距離監(jiān)督分類圖

經(jīng)過融合處理后的高光譜圖像分類精度達(dá)到84.9%，kappa系數(shù)為0.81，尤其是水體分類精度達(dá)到百分之百，其他植被分類精度分別為：草地80.3%、喬木74.5%、人工建筑71%、灌木89.30%、裸地93.45%，基本上達(dá)到植被類型識別的目的。在城市研究區(qū)內(nèi)，人工建筑與建筑周圍的植被混雜地塊較多，比如行道樹與道路，住宅區(qū)與綠化帶之間的混雜，在分辨率偏低的高光譜圖像中像元混合情況較為嚴(yán)重，導(dǎo)致喬木與人工建筑分類比較低。

4 結(jié) 語

通過利用高光譜數(shù)據(jù)研究城市植被，發(fā)現(xiàn)引入混合像元分解思想的Gram-Schmidt高光譜融合算法，不僅提高了圖像空間分辨率，相比之前融合算法減少了光譜扭曲，較好地保留了原始光譜信息，提高了融合圖像的質(zhì)量，為之后植被識別精度的提高奠定了基礎(chǔ)。經(jīng)過融合處理后的高光譜圖像總體分類精度達(dá)到84.9%，尤其是水體分類精度達(dá)到百分之百，各植被類別精度均在74%以上，基本上滿足了植被類型識別的精度要求。

[1] 王伯蓀.城市植被與城市植被學(xué)[J].中山大學(xué)學(xué)報,1998,37(4): 32-38

[2] 浦瑞良,宮鵬.高光譜遙感及應(yīng)用[M].高等教育出版社,2000

[3] WANG L,SOUSA WP. Distinguishing Mangrove Species with Laboratory Measurement of Hyperspectral leaf Reflectance[J]. International Journal of Remote Sensing, 2009, 30(5):267-281

[4] 潘灼坤,王芳,等.高光譜遙感城市植被脅迫檢測研究[J].遙感技術(shù)與應(yīng)用,2012,27(1):69-80

[5] LUCAS R,BUNTING P,PATERSON M,et al. Classification of Australian Forest Communicaties Using Aerial Photography, CASI and Hymap Data [J].Remote Sensing of Environment, 2008,112(5):2 088-2 103

[6] 譚炳香,李增元.EO-Hyperion高光譜數(shù)據(jù)的預(yù)處理[J].應(yīng)用技術(shù),2005,23(1):36-40

[7] 袁金國,牛錚.基于FLAASH的Hyperion高光譜影像大氣校正[J].光譜學(xué)與光譜分析,2009,29(5):1 182-1 187

[8] 許菡,李小娟.Normalized Cut與分水嶺變換在高光譜影像混合像元端元提取中的應(yīng)用[J].中國圖像圖形學(xué)報,2012,17(7):880-885

[9] 張立燕,諶德榮,等.端元提取技術(shù)在高光譜圖像壓縮中的應(yīng)用[J].光譜學(xué)與光譜分析,2008,28(7):1 445-1 449

[10] 陶秋香,陶華學(xué),張連蓬.線性混合光譜模型在植被高光譜遙感分類中的應(yīng)用研究[J].勘查科學(xué)技術(shù),2004(1):21-24

[11] 趙韜,劉俊,等.Gram-Schmidt算法及其并行實現(xiàn)[J].微電子學(xué)與計算機(jī),2007,24(9):137-141

[12] 李曉.像素級圖像融合方法[J].信息通信,2015,148(4):41–50

[13] 閆利,岳喜娟.一種定量確定遙感融合圖像空間分辨率的方法[J].武漢大學(xué)學(xué)報（信息科學(xué)版）, 2007,32(8):665-675

[14] 馬一薇.高光譜遙感圖像融合技術(shù)與質(zhì)量評價方法研究[D].鄭州:解放軍信息工程大學(xué),2010

[15] MASSOUR K,MUTANGA O.Discriminating Indicator Grass Species for Rangeland Degradation Assessment Using Hyperspectral Data Resampled to AISA Eagle Resolution [J].Isprs Journal of Photogrammetry and Remote Sensing,2012,70(4):56-65

P237

B

1672-4623（2017）02-0072-04

10.3969/j.issn.1672-4623.2017.02.023

2015-11-26。

項目來源：國家自然科學(xué)基金資助項目（41201075）；北京市教委科技資助項目（KM201210028012）。

梁志林，研究方向為高光譜遙感應(yīng)用。