劉 煒， 孫海霞， 楊曉波， 董建民

西藏光信息處理與可視化技術(shù)重點(diǎn)實(shí)驗室， 西藏民族大學(xué)， 陜西 咸陽 712082

引 言

星載高光譜圖像HJ-1A/HSI在波長范圍459～956 nm內(nèi)擁有115個工作波段， 平均光譜分辨率為4.32 nm。 HSI圖像攜帶精細(xì)的光譜信息， 能夠反映地物連續(xù)的波譜變化特征， 對于在大地域范圍區(qū)域開展林草資源調(diào)查、 生態(tài)環(huán)境監(jiān)測具有突出的應(yīng)用價值[1]。 進(jìn)一步對HSI圖像進(jìn)行一階導(dǎo)數(shù)計算(導(dǎo)數(shù)變換)[2]， 可以去除原始光譜數(shù)據(jù)中線性及接近線性成分， 突出反映光譜反射率的增減速率， 捕捉原始光譜曲線的拐點(diǎn)和極值點(diǎn)， 從而準(zhǔn)確定位原始光譜曲線中由于葉綠素等物質(zhì)吸收形成的峰谷特征； 另一方面， 由于對數(shù)函數(shù)在定義區(qū)間(0, 1]內(nèi)具有良好的放大增益， 因此還可以對HSI圖像先取倒數(shù)、 再進(jìn)行對數(shù)運(yùn)算(對數(shù)變換)[3]。 對數(shù)變換能夠更突出的反映地物譜線波形變化特征， 增強(qiáng)多組光譜數(shù)據(jù)之問的峰谷特征差異對比， 有利于從多譜線間的分異表現(xiàn)中提取敏感波段， 為準(zhǔn)確辨識光譜特征相近的地物創(chuàng)造條件。

模糊C-均值(FCM)算法依據(jù)最小二乘法原理， 采用迭代法解算關(guān)于隸屬度矩陣和聚類中心矩陣的目標(biāo)函數(shù)， 由此得到數(shù)據(jù)集中每個樣本點(diǎn)(即像元)到各個聚類中心的隸屬度， 再依據(jù)樣本點(diǎn)的最大隸屬度值判定樣本點(diǎn)的類別歸屬。 FCM是常用的圖像模式識別算法， 然而， 標(biāo)準(zhǔn)FCM算法在處理高光譜圖像時， 是以單個像元作為獨(dú)立的數(shù)據(jù)處理單元， 其隸屬度函數(shù)的計算過程沒有顧及中心像元的鄰域空間信息。 這導(dǎo)致采用標(biāo)準(zhǔn)FCM算法對高光譜圖像分類后， 目標(biāo)識別結(jié)果受鄰域噪聲影響大， 識別準(zhǔn)確度不高， 且分類圖中出現(xiàn)顯著的“椒鹽效應(yīng)”[4-5]， 很難被進(jìn)一步用于GIS空間分析。 為此， 設(shè)計了KICA-NFCM算法， 對標(biāo)準(zhǔn)FCM算法做出一定改進(jìn)： (1)采用核獨(dú)立成分分析(KICA)預(yù)先對HSI圖像的多波段數(shù)據(jù)進(jìn)行非線性變換， 分離出相互獨(dú)立的特征波段導(dǎo)入分類算法。 (2)采用結(jié)合鄰域加權(quán)的模糊C-均值(NFCM)分類算法。 NFCM在依據(jù)目標(biāo)像元光譜特征的同時， 能夠參考目標(biāo)像元與鄰域像元的空間關(guān)系， 并賦予鄰域像元一定的權(quán)重， 使其對目標(biāo)像元的識別結(jié)果產(chǎn)生影響。 由此降低鄰域噪聲對識別結(jié)果的干擾， 提升目標(biāo)識別精度， 抑制“椒鹽效應(yīng)”。

那曲地區(qū)地處西藏自治區(qū)北部， 全區(qū)高寒干旱。 藏北嵩草、 紫花針茅、 高山蒿草和小嵩草是那曲地區(qū)具有代表性的高寒草地類型[6]。 以覆蓋那曲地區(qū)那曲縣、 安多縣、 聶榮縣的HJ-1A/HSI高光譜圖像作為基礎(chǔ)數(shù)據(jù)， 利用導(dǎo)數(shù)變換、 對數(shù)變換得到上述4個草種的原始光譜、 一階導(dǎo)數(shù)光譜、 對數(shù)變換光譜； 通過譜線波形分異特征比較， 以及單因素方差分析和相關(guān)分析， 提取出這3種光譜數(shù)據(jù)各自適用的敏感譜段； 再設(shè)計KICA-NFCM算法利用敏感譜段從HSI圖像中識別出上述4個草種， 對比3種光譜數(shù)據(jù)各自分類圖的識別精度， 評價3種光譜數(shù)據(jù)敏感譜段的適用性。 并與ICA-FCM算法的分類結(jié)果比較識別精度。 本研究旨在為利用HSI圖像精準(zhǔn)開展高寒草地成像高光譜觀測提供技術(shù)基礎(chǔ)， 所用方法對于處理其他類型高光譜圖像具有一定的借鑒意義。

1 數(shù)據(jù)來源與技術(shù)路線

表1顯示了實(shí)驗所用4景HSI圖像的基本參數(shù)以及進(jìn)行的5項預(yù)處理工作(波段篩選、 圖像拼接、 大氣校正、 幾何精校正與融合)。 將圖像波段95， 71， 67(中心波長依次為805， 673和656 nm)分別輸入紅、 綠、 藍(lán)三通道合成標(biāo)準(zhǔn)假彩色圖像， 即為圖1。 為從HSI圖像上采集藏北嵩草、 紫花針茅、 高山蒿草和小嵩草的光譜反射率曲線， 于2016年8月中旬， 結(jié)合Google Earth圖像在那曲縣開展實(shí)地踏勘， 采用近距離調(diào)查法和遠(yuǎn)觀判別法為每一個草種選取樣本點(diǎn)17個。 規(guī)定在樣本點(diǎn)方圓30 m×30 m范圍內(nèi)具有相同的草種類型， 然后將樣本點(diǎn)的經(jīng)緯度坐標(biāo)導(dǎo)入HSI圖像； 之后在HSI圖像上在每個樣本點(diǎn)周圍選定5個像元， 采集它們的光譜反射率曲線并計算出它們的平均值， 以此作為該樣本點(diǎn)的光譜反射率曲線。

表1 HSI圖像基本參數(shù)

圖1 那曲地區(qū)HJ-1A/HSI圖像

采集4種高寒草地類型的3種光譜數(shù)據(jù)： 原始光譜反射率數(shù)據(jù)、 一階導(dǎo)數(shù)光譜、 對數(shù)變換光譜， 通過譜線波形分異特征比較、 以及單因素方差分析和相關(guān)分析， 提取出3種光譜數(shù)據(jù)適用的敏感譜段； 將3種光譜數(shù)據(jù)的敏感譜段分別輸入KICA-NFCM算法， 自動分類識別4種高寒草地類型； 依據(jù)分類圖對比3種光譜數(shù)據(jù)敏感譜段的適用性； 并與ICA-FCM算法比較分類精度。 技術(shù)路線如圖2。

圖2 技術(shù)路線

2 四類草種光譜特征分析

2.1 原始光譜特征分析

圖3對比了在波長范圍470～925 nm內(nèi)， 藏北嵩草、 紫花針茅、 高山蒿草和小嵩草的光譜反射率曲線， 結(jié)果表明： (1)在波長范圍505～591 nm(波段21—50)、 652～692 nm(波段66—75)、 687～782 nm(波段74—92)、 788～925 nm(波段93—112)內(nèi)， 藏北嵩草的光譜曲線依次出現(xiàn)“綠峰”、 “紅谷”、 “紅邊”和“近紅外平臺”[7]， 顯現(xiàn)出典型的綠色植被光譜特征。 其中， “綠峰”最大值、 “紅谷”最小值分別位于555 nm(波段39)、 678 nm(波段72)處， 兩處光譜反射率分別為6.91%和2.69%； 在“近紅外平臺”788～925 nm波長范圍內(nèi)， 藏北嵩草的光譜反射率一直處于較高水平且平緩增加， 平均值為54.71%。 (2)與藏北嵩草相比， 小嵩草、 高山蒿草光譜曲線在“綠峰”和“紅谷”處光譜反射率增高； 但在“近紅外平臺”范圍內(nèi)的反射率卻降低。 在“綠峰”處， 小嵩草、 高山蒿草最大反射率依次為7.39%(552 nm)和8.51%(565 nm)， 分別是藏北嵩草的1.07倍、 1.23倍； 在“紅谷”處， 二者最小反射率依次為4.45%(673 nm)和8.39%(660 nm)， 分別是藏北嵩草的2.75倍、 4.32倍； 在“近紅外平臺”788～925 nm波長范圍內(nèi)， 小嵩草、 高山蒿草的反射率平均值為39.10%和32.87%， 是藏北嵩草的71.47%和60.09%。 尤其是高山蒿草， 它在“紅谷”與“近紅外平臺”這兩處的反射率差距顯著小于藏北嵩草， 致使其“紅邊”長度明顯縮短、 傾斜幅度減?。?并且高山蒿草的光譜反射率從“綠峰”頂端至“紅谷”平緩波動， 使得其在可見光范圍555～692 nm內(nèi)光譜曲線輪廓近似一個平臺， 光譜曲線總體上表現(xiàn)出了退化草地的跡象。 (3)紫花針茅光譜曲線的“綠峰”、 “紅谷”、 “紅邊”特征則進(jìn)一步弱化， 其在“綠峰”565 nm處最大反射率為10.71%， 是藏北嵩草的1.55倍； “紅谷”664 nm處最小反射率為11.31%， 是藏北嵩草的3.01倍； 在“近紅外平臺”788～925 nm內(nèi)的光譜反射率的平均值為22.26%， 是藏北嵩草的42.70%。 相較于與其他3個草種， 紫花針茅在“紅谷”與“近紅外平臺”的光譜反射率更接近， “紅邊”長度進(jìn)一步被壓縮。 光譜曲線輪廓接近于砂土地的光譜曲線輪廓， 顯現(xiàn)出荒漠化跡象。

圖3 四種高寒草地光譜反射率曲線圖

4個草種原始光譜反射率曲線出現(xiàn)“綠峰”、 “紅谷”、 “近紅外平臺”， 分別是由于草地葉片葉綠素對綠光強(qiáng)反射、 對紅光吸收、 以及葉內(nèi)細(xì)胞組織結(jié)構(gòu)對近紅外光反射、 折射所致。 這3個譜段是反演植被生化參量， 監(jiān)測植被生長狀況的敏感譜段。 依據(jù)所采集的樣本點(diǎn)(每個草種17個點(diǎn))， 將“綠峰”、 “紅谷”、 “近紅外平臺”內(nèi)各個波段的光譜反射率， 分別與4個草種(視作單因素的4個水平)進(jìn)行單因素方差分析和相關(guān)分析。 結(jié)果顯示在“近紅外平臺”范圍內(nèi)， 4個草種的光譜值在0.05顯著水平下存在差異， 相關(guān)系數(shù)最小值為0.791， 最大值為0.828； 而“綠峰”、 “紅谷”內(nèi)各波段的光譜值均沒有通過0.05水平的顯著性檢驗， 它們對4個草種區(qū)分效果不及“近紅外平臺”內(nèi)各個波段。 因此， 對于原始光譜反射率數(shù)據(jù)， 選取“近紅外平臺”的波長范圍788～925 nm作為敏感譜段用以辨識4個草種。

2.2 一階導(dǎo)數(shù)光譜特征分析

對原始反射率光譜數(shù)據(jù)進(jìn)行一階導(dǎo)數(shù)變換[8]， 可以去除原光譜數(shù)據(jù)中線性及接近線性成分， 突出反映光譜反射率的增減速率， 捕捉原光譜曲線的拐點(diǎn)和極值點(diǎn)， 從而有利于準(zhǔn)確定位光譜曲線中由于葉綠素等物質(zhì)吸收形成的峰谷特征。 鑒于此， 采用如式(1)對HSI圖像進(jìn)行導(dǎo)數(shù)變換

Dm(λi)=[Rm(λi)-Rm(λi-1)]/(λi-λi-1)

(1)

式(1)中，i為HSI圖像波段序號， 取值范圍為6～112；λi表示第i波段的波長位置；m=1～4， 分別代表藏北嵩草、 紫花針茅、 高山蒿草和小嵩草這4個草種。Rm(λi)表示第m種草地類型， 在波長位置λinm處的原始光譜反射率；D(λi)則表示第m個草種， 在表示波長位置λinm處的一階導(dǎo)數(shù)光譜值。

圖4 四種高寒草地一階導(dǎo)數(shù)光譜曲線圖

圖4對比了在“紅邊”687～782 nm波長范圍(波段74—92)內(nèi)， 藏北嵩草、 紫花針茅、 高山蒿草和小嵩草的一階導(dǎo)數(shù)光譜曲線， 結(jié)果表明： (1)在“紅邊”范圍內(nèi)， 4個草種的一階導(dǎo)數(shù)光譜均呈現(xiàn)出“凸”狀特征峰， 但特征峰形態(tài)差異明顯。 其中， 藏北蒿草具有典型的“雙峰”特征， 其“次峰”、 “主峰”分別位于701 nm(波段77)、 737 nm(波段84)； 小嵩草、 高山嵩草、 紫花針茅的“次峰”/“主峰”則分別位于701 nm(波段77)/732 nm(波段83)、 711 nm(波段79)/726 nm(波段82)、 721 nm(波段81)/732 nm(波段83)。 相較于其他3個草種， 在紫花針茅“凸”狀特征峰頂部， 主、 次峰之間的波長距離最小， 主、 次峰的振幅差值也最小， “次峰”特征被弱化。 (2)在綠色植被“紅邊”特征中， 一階導(dǎo)數(shù)光譜曲線的“紅邊位置”、 “紅邊振幅”、 “紅邊面積”被認(rèn)為是用來跟蹤葉綠素、 生物量和物侯變化的最具顯著性的3個診斷性指標(biāo)[9]。 高山蒿草、 小嵩草、 藏北嵩草的“紅邊位置”分別位于726， 732和737 nm， 依次向長波方向移動； 藏北嵩草、 紫花針茅、 高山蒿草和小嵩草的“紅邊振幅”分別為62.61， 33.06， 24.92和10.14。 其中， 紫花針茅的“紅邊振幅”最小， 分別是藏北嵩草的16.20%、 小嵩草的30.67%和高山蒿草的40.69%； 另外， 通過數(shù)值積分可以得到藏北蒿草、 小嵩草、 高山嵩草和紫花針茅的“紅邊面積”分別為518.703， 305.241， 198.322， 98.171。 藏北蒿草的“紅邊面積”分別是小嵩草、 高山蒿草和紫花針茅的1.70倍、 2.62倍和5.28倍。 顯然， 相較于其他3個草種， 紫花針茅的“紅邊”特征表現(xiàn)最弱， 顯示出其生長旺盛程度不及其他3個草種； 而藏北蒿草則顯現(xiàn)出旺盛的生長狀況。

“紅邊位置”能夠捕捉到原始光譜反射率增長速度由快到慢變化轉(zhuǎn)折的“拐點(diǎn)”， 常被用作分析植被生長狀況、 跟蹤植被營養(yǎng)虧缺程度的重要指標(biāo)。 圖4表明在“紅邊位置”附近， 4個草種原始光譜反射率增速存在明顯差異。 依據(jù)所采集的樣本點(diǎn)， 將“紅邊位置”兩側(cè)687～782 nm范圍內(nèi)的一階導(dǎo)數(shù)光譜值， 分別與4個草種(作為單因素的4個水平)進(jìn)行單因素方差分析和相關(guān)分析。 結(jié)果表明， 只有在波長范圍711 nm(波段79)～742 nm(波段85)內(nèi)， 4個草種的一階導(dǎo)數(shù)光譜值在0.05水平下存在顯著差異； 相關(guān)系數(shù)最小值、 最大值分別為0.783和0.812。 因此， 對于一階導(dǎo)數(shù)光譜數(shù)據(jù)， 可以選取“紅邊位置”兩側(cè)波長范圍711～742 nm， 作為敏感親段用以辨識4個草種。

2.3 對數(shù)變換光譜特征分析

對數(shù)函數(shù)在定義區(qū)間(0, 1]內(nèi)具有良好的放大增益。 通過對植被原始光譜反射率數(shù)據(jù)先取倒數(shù)、 然后再進(jìn)行對數(shù)運(yùn)算(對數(shù)變換)， 可以突出表現(xiàn)譜線波形變化特征， 增強(qiáng)多組光譜數(shù)據(jù)之問的峰谷特征差異， 從而有利于從多譜線間的分異表現(xiàn)中提取敏感波段， 改善對光譜特征相近地物的識別精度。 鑒于此， 采用如式(2)對HSI圖像進(jìn)行對數(shù)變換

RLm(λi)={ln[Rm(λi+1)]-1}3

(2)

式(2)中，i，λi，m，Rm(λi)的意義同式(1)。RLm(λi)表示第m個草種， 在波長位置λinm處的對數(shù)變換光譜值。

圖5 四種高寒草地對數(shù)變換光譜曲線圖

圖5對比了波長范圍472～925 nm內(nèi)， 藏北嵩草、 小嵩草、 高山蒿草和紫花針茅的對數(shù)變換光譜曲線， 結(jié)果表明： (1)在505～591 nm(波段21—50)范圍內(nèi)， 4個草種對數(shù)光譜值均呈現(xiàn)先下降、 后上升的“凹”狀波谷。 在“凹”狀波谷中部， 藏北嵩草、 小嵩草、 高山蒿草、 紫花針茅對數(shù)光譜出現(xiàn)最小值， 依次為-60.37(555 nm)， -64.04(552 nm)， -29.60(565 nm)和-106.75(565 nm)。 相較之圖3中的“綠峰”， 在圖5所示“凹”狀波谷的中部， 4個草種譜線之間的距離有所增加， 但仍容易混淆藏北嵩草與小蒿草的譜線。 (2)在652～692 nm(波段66—75)范圍內(nèi)， 藏北嵩草、 小嵩草、 高山蒿草、 紫花針茅對數(shù)光譜的最大值依次為-1.64(678 nm)， -18.83(673 nm)， -42.01(660 nm)和-111.69(664 nm)。 與圖3中的“紅谷”比較， 在652～692 nm范圍內(nèi)， 4種草地譜線之間的距離顯著增加， 能夠被準(zhǔn)確分辨。 (3)在687～925 nm(波段74—112)范圍內(nèi)， 4個草種對數(shù)變換光譜值均呈現(xiàn)出先快速下降、 再小幅波動延伸的變化趨勢。 其中， 在788～925 nm(波段93—112)內(nèi)， 藏北嵩草、 小嵩草、 高山蒿草、 紫花針茅對數(shù)變換光譜值變化穩(wěn)定， 其平均值依次為： -499.58， -381.27， -329.82和-240.87， 與圖3中的“近紅外平臺”比較， 在圖5中788～925 nm內(nèi)各譜線之間相互距離明顯增加， 因而分異表現(xiàn)更為顯著。

依據(jù)所采集的樣本點(diǎn)， 將505～591 nm(波段21—50)、 652～692 nm(波段66—75)、 788～925 nm (波段93—112)內(nèi)的對數(shù)變換光譜值， 分別與4個草種(視作單因素的4個水平)進(jìn)行單因素方差分析和相關(guān)分析。 結(jié)果顯示， 在波長范圍669～682 nm(波段70—73)、 788～925 nm(波段93—112)內(nèi)， 4個草種的一階導(dǎo)數(shù)光譜值在0.05顯著水平下存在差異； 相關(guān)系數(shù)最小值、 最大值分別為0.795和0.837。 因此， 對于對數(shù)變換光譜數(shù)據(jù)， 可以選取兩個波長范圍669～682和788～925 nm， 作為敏感譜段用以辨識4個草種。

3 KICA-NFCM算法

3.1 KICA非線性變換

高光譜圖像每個像元在各波段的灰度值(即觀測信號的各個分量)由該像元覆蓋的多種地物的光譜特征(即源信號的各個分量)混合而成， 源信號各分量之間彼此獨(dú)立。 獨(dú)立成分分析(ICA)是一種線性變換， ICA基于高階統(tǒng)計矩分析觀測信號， 能夠從觀測信號中提取出相互統(tǒng)計獨(dú)立且呈非高斯分布的源信號估計值。 HSI圖像光譜分辨率高， 相鄰多波段之間存在高相關(guān)性和高冗余度。 利用ICA線性變換， 可以將HSI圖像各波段轉(zhuǎn)換成光譜信息相互獨(dú)立的分量， 去除相關(guān)性對圖像分類的不利影響。 然而， 囿于100 m的空間分辨率， 一個HSI圖像像元通常覆蓋相互獨(dú)立的多種地物。 受太陽光照射角度、 地形高程差異等因素的影響， 這個HSI像元在每個波段的灰度值(觀測信號的一個分量)實(shí)則為其覆蓋的多種地物的光譜特征(源信號各個分量)的非線性組合。 因此， 直接利用ICA線性變換處理HSI圖像就存在一定的局限性。

采用核獨(dú)立成分分析(KICA)方法對HSI圖像進(jìn)行預(yù)處理。 KICA先以滿足Mercer條件的對稱函數(shù)作為核函數(shù)K(xi,xj)， 代替兩向量間的內(nèi)積運(yùn)算(ICA是以內(nèi)積運(yùn)算表達(dá)源信號各分量之間的線性組合)， 實(shí)現(xiàn)對多波段數(shù)據(jù)的非線性變換， 將其映射到高維希爾伯特空間， 使其線性可分； 然后再在高維空間中對被映射的數(shù)據(jù)進(jìn)行ICA分析。 KICA改善了ICA處理非線性問題時的缺陷， 能夠從高光譜圖像中有效分離出增強(qiáng)目標(biāo)和背景光譜特征差異的獨(dú)立信源， 凸顯出在原低維光譜空間沒有表現(xiàn)出的特征， 支持后續(xù)圖像通過聚類分析準(zhǔn)確識別4個草種。 KICA算法的應(yīng)用描述如下：

(1) 設(shè)單波段HSI圖像有M行N列個像元， 將具有H個波段的HSI圖像的按波段序號展開為H行(M×N)列的矩陣X，X即為觀察信號。

(4) 采用FastICA算法分析(Φ(xi))′,i=1, 2, …n， 計算出解混矩陣WΦ， 得到源信號的估計值yΦ。

3.2 NFCM分類

由于FCM算法是以單個樣本點(diǎn)作為數(shù)據(jù)處理單元， 它忽略了樣本點(diǎn)的空間鄰域信息， 導(dǎo)致算法對孤立點(diǎn)敏感， 抗噪性能差， 以致在對HSI圖像聚類分析后， 生成的地物圖斑散碎， 同質(zhì)區(qū)域在拓?fù)淇臻g上連通性低。 實(shí)際上， 在那曲地區(qū)， 城區(qū)以外地表上各種地物通常連續(xù)分布， 反映到HSI圖像上， 相鄰像元同屬一個類別的概率大， 因此在對HSI圖像聚類分析時， 不但要考慮目標(biāo)像元的光譜特征， 而且還應(yīng)考慮該像元與鄰域像元的空間關(guān)系， 賦予鄰域像元一定的權(quán)重， 使其對中心像元的識別結(jié)果產(chǎn)生一定影響。 由此降低HSI圖像的光譜噪聲對孤立點(diǎn)識別結(jié)果的影響， 改善同質(zhì)區(qū)域的連通性， 得到更為連續(xù)、 完整的地物分類圖斑。 鑒于此， 設(shè)計了結(jié)合鄰域加權(quán)的模糊C-均值 (NFCM)算法， 對傳統(tǒng)FCM算法做出一定改進(jìn)。

設(shè)第H號波段圖像f為M行N列，fH(i,j)為坐標(biāo)(i,j)處的圖像像元的灰度值， 1≤i≤M, 1≤j≤N。 定義一個窗口半徑為r的方形鄰域窗口E={e(i+a,j+b)|a,b∈[-r,r]}(即窗口尺寸為(2r+1)×(2r+1))， 其中e(i+a,j+b)是鄰域內(nèi)各個像元的權(quán)重系數(shù)， 反映了像元(i+a,j+b)對中心像元(i,j)的影響力

e(i+a,j+b)=

a,b∈[-r,r]∧(a,b)≠(0, 0)

(3)

(4)

4 三種高光譜數(shù)據(jù)和2種算法應(yīng)用對比

按圖2所示技術(shù)路線從4個草種的原始光譜、 一階導(dǎo)數(shù)光譜、 對數(shù)變換光譜中提取各自適用的敏感譜段(表2)； 然后將上述3種光譜數(shù)據(jù)的敏感譜段分別導(dǎo)入KICA進(jìn)行非線性變換， 之后對KICA各個輸出特征計算方差， 并按方差值大小對KICA所有輸出特征進(jìn)行排序。 設(shè)定累積方差百分比貢獻(xiàn)率閾值為95%， 選取達(dá)到該閾值時排序在前的KICA輸出特征； 將3種光譜數(shù)據(jù)各自的優(yōu)選特征分別導(dǎo)入至NFCM， 并設(shè)置初始條件(模糊隸屬度加權(quán)指數(shù)m=2.0， 加權(quán)控制參數(shù)θ=4)， 和迭代收斂條件(隸屬度最小變化量為ε=1×10-6， 允許最大迭代次數(shù)為Tmax=200， 窗口半徑為r=1)。 KICA-NFCM算法對上述3種光譜數(shù)據(jù)圖像進(jìn)行分類， 結(jié)果如圖6(a)—(c)。

表2 分類精度比較

圖6 三種光譜數(shù)據(jù)KICA-NFCM算法分類

為與KICA-NFCM算法比較， 還將3種光譜數(shù)據(jù)敏感譜段內(nèi)的各波段, 直接導(dǎo)入結(jié)合ICA與標(biāo)準(zhǔn)FCM的算法， 分類結(jié)果如圖7(a)—(c)。 在圖像分類后， 從原HSI圖像中隨機(jī)抽取426個像元， 從圖像元目視判別類別歸屬， 再與圖6(a)—(c)， 圖7(a)—(c)所示分類結(jié)果依次進(jìn)行比較， 然后據(jù)此計算每個分類圖的混淆矩陣以及總體精度、 Kappa系數(shù)(表2)。

圖7 三種光譜數(shù)據(jù)ICA-FCM算法分類

對比圖6(a)—(c)、 圖7(a)—(c)表明： 采用“對數(shù)變換光譜/KICA-NFCM算法”組合能夠最準(zhǔn)確的識別出4個草種[圖6(c)]， 圖6(c)的總體精度、 Kappa系數(shù)分別為87.65%， 0.823， 較之圖6(a)分別提高18.31%， 20.15%； 較圖6(b)分別提高7.86%， 9.44%， 并且在圖6(c)中， 4個草種的圖斑輪廓位置準(zhǔn)確， 可與原HSI圖像準(zhǔn)確疊加復(fù)合； 疊加對比圖6(a)—(c)進(jìn)行目視檢查還可以發(fā)現(xiàn)， 在圖6(a)和(b)中， 混分藏北嵩草與小蒿草、 在水體圖斑邊界處將水體圖斑誤分為藏北嵩草、 將高山蒿草誤分為小嵩草或紫花針茅、 將紫花針茅誤分為砂土地的情況主要出現(xiàn)在不同草種相互鄰接的地帶， 而在圖6(c)的相同地域， 上述遺漏、 錯誤判別小斑類別的情況顯著減少。 另一方面， 疊加對比圖6(a)—(c)和圖7(a)—(c)進(jìn)行目視檢查發(fā)現(xiàn)， 在圖7(a)—(c)中分類圖斑內(nèi)部分布有孤立的噪聲碎斑， 圖像“椒鹽效應(yīng)”顯著， 部分砂土地圖斑輪廓線雜亂， 發(fā)生了位置偏移。 而在圖6(a)—(c)中， 同質(zhì)區(qū)域的連通性得到改善， “椒鹽效應(yīng)”被抑制， 為進(jìn)一步執(zhí)行GIS分析創(chuàng)造條件。

5 結(jié) 論

對數(shù)函數(shù)在定義區(qū)間(0, 1]內(nèi)具有良好的放大增益， 通過對4個草種原始光譜反射率數(shù)據(jù)進(jìn)行對數(shù)變換， 可有效增強(qiáng)多組相似光譜數(shù)據(jù)之問的峰谷特征差異， 有利于通過譜線波形分異特征比較提取敏感譜段辨識4個草種； 較之ICA-FCM算法， KICA-NFCM算法能夠提高從HSI圖像上識別4個草種的準(zhǔn)確度， 并有效去除分類圖中的噪聲碎斑， 抑制“椒鹽效應(yīng)”。 2018年4月、 5月， 我國陸續(xù)發(fā)射了珠海一號星座群4顆高光譜衛(wèi)星、 以及高分5號高光譜衛(wèi)星[10]。 在后續(xù)研究中， 研究團(tuán)隊將協(xié)同使用上述高光譜衛(wèi)星數(shù)據(jù)與HSI圖像， 在更大尺度的地域范圍內(nèi)， 測試、 改進(jìn)本文提出的“對數(shù)變換光譜/KICA-NFCM算法”， 為在那曲地區(qū)開展高寒草地成像高光譜觀測提供技術(shù)支持。

致謝: 感謝中國資源衛(wèi)星應(yīng)用中心提供HJ-1A/HSI和HJ-1A/CCD數(shù)據(jù)。