多尺度植被信息提取模型研究

摘 要：針對遙感影像中植被信息的波譜特征，提出了整體—局部植被信息多尺度迭代轉(zhuǎn)換提取模型。首先在基于植被指數(shù)的基礎(chǔ)上對影像進行分割，并通過樣本的自動選擇，對影像進行大尺度分類；然后對分類結(jié)果進行緩沖區(qū)分析，建立局部區(qū)域?qū)ο螅龠M行小尺度的局部分割與分類；最后通過迭代，重復(fù)整體—局部的過程，使得植被與非植被信息的邊界得到最優(yōu)化分離，從而提高了植被信息提取的精度。選取江漢平原地區(qū)的LANDSAT ETM＋影像進行實驗，并與常規(guī)方法得到的結(jié)果進行了對比，實驗證明，多尺度迭代提取方法可以有效地提高植被信息提取的精度。

關(guān)鍵詞：植被提取； 多尺度； 信息提取； 高精度； 迭代

中圖分類號：TP753文獻標志碼：A

文章編號：1001-3695(2009)06-2398-03

doi:10.3969/j.issn.1001-3695.2009.06.121

Research of multi-scale iterative vegetation extraction model

LIU Wen1， 2， LUO Jian-cheng2， SHEN Zhan-feng2， ZHONG Qiu-hai1 ， GAO Li-jing2， ZHOU Gang3， FEI Hong-tao 4

(1.School of Information Science Technology， Beijing Institute of Technology， Beijing 100081，China; 2. Institute of Remote Sensing Applications， Chinese Academy of Sciences， Beijing 100101，China; 3.the 1st Oil Production Company， Daqing Oilfield Co.， Ltd.， Daqing Heilongjiang 163511， China; 4.the 4th Oil Production Company， Daqing Oilfield Co.， Ltd.， Daqing Heilongjiang 163001，China)

Abstract:

According to the spectral characteristics of vegetation， this paper proposed a new multi-scale iterative information extraction model for vegetation classification from remote sensing data. For the multi-scale iterative vegetation information extraction model， the first step is NDVI calculating， and then， segmented the whole remote sensing image based on the value of NDVI by histogram threshold segmentation method on the whole level. Combined with the spectral value of the image， this paper chose the sample point automatically by histogram and used maximum likelihood classification method to extract the vegetation information.Implemented the local level processing would build new local units by using buffer zone， and would do segmentation and classification on the local level. The last step was to do the iterative process. To repeat the segmentation， buffering， classification step by step， would sketch the outline of the vegetation information more precisely. When the result of the iteration was the same as the former one， it could get the final result， and then stopped the iteration and combined all the feature units to get the result of vegetation classification. In the end， this paper used the LANDSAT ETM+ data to do the experiment. The results show that the method can extract vegetation information more precisely than the traditional methods.

Key words：vegetation extraction; multi-scale; information extraction; high precision; iterative

0 引言

植被是生態(tài)環(huán)境重要組成因子，也是反映區(qū)域生態(tài)環(huán)境的最好標志之一，是環(huán)境遙感應(yīng)用研究的重要對象。植被遙感信息提取的目的是在遙感影像上有效確定植被的分布、類型、長勢等信息以及對植被的生物量作出估算等。植被的光譜屬性具有明顯的特征，特別是綠色植物在近紅外波段的高反射特性和在可見光紅色范圍內(nèi)的低反射特性，成為構(gòu)建植被指數(shù)的理論基礎(chǔ)，因此植被光譜成為最早的遙感基礎(chǔ)研究對象之一^[1，2]。張秀英等人^[3]根據(jù)城市植被在IKONOS 影像上的特點，利用NDVI值和藍波段光譜響應(yīng)值的閾值將實驗區(qū)分割為植被和非植被區(qū)；張友水等人^[4]根據(jù)植被與其他地物光譜特征的差異，通過分級分類提取并采用掩模的方式對實驗區(qū)影像逐級提取綠地信息；陳君穎等人^[5]基于IKONOS遙感影像，根據(jù)各種植被光譜特征建立知識庫，提出結(jié)合光譜信息和紋理信息的決策樹分類算法。

植被的光譜特征比較明顯，因此植被信息的提取較其他地物相對簡單，但是遙感影像“同物異譜、異物同譜”以及混合像元等現(xiàn)象的普遍存在^[6]，都給植被信息的精確、定量提取帶來了困難。傳統(tǒng)的基于光譜、基于指數(shù)的分類方法，不可避免地會有錯分和漏分現(xiàn)象的存在，精度有待提高；而且提取方法的普適性不強，往往只能針對其選取的研究區(qū)^[4，7，8]。

1 全自動植被信息分類

1.1 多尺度遙感信息提取模型

在植被遙感研究中，基于植物波譜特性的植被指數(shù)研究一直是植被遙感信息提取研究的主流^[9]。本文提出的整體—局部多尺度植被信息提取模型將定量化指數(shù)計算和智能化信息處理方法的優(yōu)勢結(jié)合起來，整個方法體系包含了植被指數(shù)計算、整體信息提取、局部區(qū)域選擇、局部信息提取等幾個相互銜接的過程。首先以原始影像作為整體對象，經(jīng)過全自動植被信息提取生成局部對象；在此基礎(chǔ)上，通過對植被像元的搜索獲得各個單元的局部空間位置，并對各個單元進行緩沖區(qū)分析，選擇確定局部信息提取的各個區(qū)域。整體—局部的過程對應(yīng)于從大尺度到小尺度的作用過程，將局部對象區(qū)域作為小尺度上的整體對象^[10]，重復(fù)之前的植被信息提取和緩沖區(qū)處理，經(jīng)過整體—局部的不斷迭代過程，實現(xiàn)植被信息與背景信息精確邊緣的逐步逼近，從而實現(xiàn)植被信息的高精度提取。具體流程如圖1所示。

1.2 植被指數(shù)計算

植被指數(shù)是反映植被狀況的一個重要遙感參數(shù)，也是植被信息提取的基石之一。在原始遙感數(shù)據(jù)基礎(chǔ)上，通過地物波譜特征計算其植被指數(shù)，獲得對全域范圍內(nèi)植被的定量化增強信息。植被在紅光波段吸收而對近紅外波段強反射作為經(jīng)典的植被光譜特征被廣泛應(yīng)用，應(yīng)用這兩個波段求得的植被指數(shù)可以反映植被的生長狀態(tài)。歸一化差異植被指數(shù)(NDVI)對綠色植被表現(xiàn)敏感，是植物生長狀態(tài)和植被空間分布密度的指示因子，與植被分布密度呈線性相關(guān)，該指數(shù)廣泛應(yīng)用于區(qū)域和全球的植被狀態(tài)研究^[11]，因此，本文也選擇了NDVI，其計算公式為NDVI =（NIR－R）/（NIR＋R）。其中:NIR為近紅外波段的反射率；R表示可見光紅波段的反射率。

1.3 全自動植被信息提取

植被信息的提取是模型中的關(guān)鍵環(huán)節(jié)，本文提出了一種全自動的提取算法。a）對通過植被指數(shù)計算獲得的波段進行直方圖閾值分割^[12]，初步分離植被與非植被信息；b)根據(jù)閾值點自動選取植被與非植被信息的樣本，使得樣本的選取遵循直方圖特性，同時記錄各個樣本的位置并加入更多的波段特征，讀出與各個樣本點相對應(yīng)的像元點灰度向量，得到樣本集合；c）進行分類，在樣本集合的基礎(chǔ)上分別建立植被和非植被的最大似然函數(shù)^{[3， 13]}，逐步計算影像中各個像元點的類別歸屬，提取出植被信息。

1.4 局部對象區(qū)域建立

為了提高提取的精度，本文建立了多尺度轉(zhuǎn)換模型，重新建立了植被的局部提取區(qū)域。單元多邊形的最小外接矩形是目前普遍采用的局部區(qū)域選擇方法，但是因為多邊形的形狀復(fù)雜及相互交錯等原因，使得作用區(qū)域內(nèi)外范圍不均或相互干擾，在一定程度上會帶來局部提取的不確定性，從而影響局部區(qū)域信息提取的精確程度^[14]。本文采用了緩沖區(qū)分析的方法來進行局部區(qū)域的搜索與選擇，重新構(gòu)造了局部區(qū)域。具體步驟如下：

a)植被像元搜索，在植被信息二值分類圖像上搜索植被像元，直到找到像元點V為植被像元。

b)植被單元搜索，從V點開始進行區(qū)域填充，直到將包含V點的植被單元P全部搜索到。

c)植被單元的緩沖區(qū)分析，對P進行數(shù)學(xué)形態(tài)學(xué)的多次膨脹，并在膨脹過程中跳過外圍植被像元，當膨脹面積等于（或者略大于）P的面積時停止，從而得到P的局部信息提取的工作區(qū)域A。

d)不斷重復(fù)前三步，直到找到區(qū)域圖像的所有局部區(qū)域，構(gòu)成新的局部植被對象區(qū)域。

1.5 高精度迭代計算

通過對整體圖像的植被信息提取和緩沖區(qū)分析，得到局部信息提取的工作區(qū)域，再開展局部的植被信息的精確提取。在局部單元工作區(qū)域內(nèi)，由于植被信息與背景的范圍大致均勻，同時單元內(nèi)植被信息也不受周圍其他植被信息的干擾，數(shù)據(jù)統(tǒng)計特性更為單純，從而降低了局部提取模型的不確定性，并且本文采用迭代計算方法實現(xiàn)了局部植被邊界的精確逼近。對經(jīng)過緩沖區(qū)分析處理生成的局部植被對象區(qū)域，重復(fù)進行單元搜索、分割以及分類等處理，判斷新生成的分類圖像較迭代前的圖像有沒有變化，如果趨于穩(wěn)定則停止迭代過程。最后對各個局部對象區(qū)域進行組合歸并，得到植被信息分類結(jié)果。

2 實驗及結(jié)果分析

本研究選擇LANDSAT獲取的ETM+影像數(shù)據(jù)，ETM+多光譜影像數(shù)據(jù)光譜分辨率較高，對植被有很好的反映，30 m空間分辨率也能滿足本研究的要求。本文選取了2002年7月的江漢平原的一景ETM+影像作為實驗數(shù)據(jù)，這時植被生長較為茂盛，光譜特征也更為明顯。對該影像，首先進行NDVI指數(shù)計算，在此基礎(chǔ)上進行整體分割和分類，得到粗分類的結(jié)果；然后進行緩沖區(qū)分析；再進行局部分割和分類以提高精度，并進行迭代，以得到高精度的植被信息提取結(jié)果。同時采用了ENVI軟件中的最大似然方法進行了實驗。圖2是對該影像進行植被提取的結(jié)果示意圖，其中綠色區(qū)域為植被信息。

圖2中，(a)是從原始影像中選取4、3、2波段組合形成的影像，植被顯示出明顯的紅色；(b)是對影像進行歸一化植被指數(shù)（NDVI）計算，圖像上植被信息得到加強，非植被信息被抑制；(c)是整體分類后的結(jié)果，分類精度已經(jīng)較高，但在部分區(qū)域仍存在錯分和漏分現(xiàn)象；(d)是第一次局部分類的結(jié)果，由于緩沖區(qū)面積和植被單元面積大致相等，直方圖上反映為兩個很明顯的峰，有助于選擇最恰當?shù)拈撝颠M行直方圖分割，每個作用域內(nèi)都有其對應(yīng)的閾值，與整體分割時只有一個閾值相比，可有效屏蔽區(qū)域間影像差異并提高信息提取的精度；（e）是反復(fù)迭代后得到的最終結(jié)果，植被邊界更加清晰，錯分和漏分現(xiàn)象減少，經(jīng)過整體—局部處理過程，消除了大量碎小多邊形，精度明顯得到提高；(f)是只用最大似然法分類后的結(jié)果圖，可以看出其分類精度較低，存在大量錯分漏分現(xiàn)象。

從圖2可以看出，采用整體—局部多尺度迭代模型較傳統(tǒng)方法可以大幅度提高分類精度，說明從整體到局部的轉(zhuǎn)換過程中，隨著轉(zhuǎn)換過程的細化、不同層次知識的逐步融合、統(tǒng)計模型純化，植被提取的精確度得到了有效提高。

3 結(jié)束語

植被是地球的最表層資源，獲取植被的動態(tài)變化信息對揭示區(qū)域、全球生態(tài)環(huán)境演變規(guī)律有著重要意義。本文針對植被信息的特點，提出了整體—局部植被信息多尺度迭代轉(zhuǎn)換提取模型，選用LANDSAT ETM＋遙感數(shù)據(jù)源進行了實驗，將植被指數(shù)計算、分割分類方法、緩沖區(qū)分析等過程有機地組合起來，通過迭代計算方法實現(xiàn)了植被與非植被信息的逐步優(yōu)化分類，獲得了高精度的信息提取結(jié)果。其中所使用的分割和分類方法可以通過進一步實驗，選擇更合理、更有效的算法，從而更大幅度地提高精度。

植被信息豐富多樣，本文所做的工作是將植被信息從遙感影像中提取出來，并通過迭代方法得到較高的精度。在此基礎(chǔ)上，融合影像的波譜特征、空間形態(tài)及空間作用關(guān)系等更多的特征進行進一步的計算，得到更精確的植被類型分類。因此，高精度的植被信息提取是深入研究的關(guān)鍵。

參考文獻：

[1]趙英時.遙感應(yīng)用分析原理與方法[M].北京：科學(xué)出版社，2003.

[2]COBURN C A， ROBERTS A C B. A multiscale texture analysis procedure for improved forest stand classification [J]. International Journal of Remote Sensing， 2004， 25(20): 4287-4308.

[3]張秀英，馮學(xué)智，丁曉東，等.基于面向?qū)ο蠓椒ǖ腎KONOS影像城市植被信息提取[J]. 浙江大學(xué)學(xué)報：農(nóng)業(yè)與生命科學(xué)版，2007，33(5)：568-573.

[4]張友水，馮學(xué)智，都金康，等.IKONOS影像在城市綠地提取中的應(yīng)用[J].地理研究，2004，23(2)：274-280.

[5]陳君穎，田慶久.高分辨率遙感植被分類研究[J].遙感學(xué)報，2007，11(2)：221-227.

[6]明冬萍，駱劍承，沈占鋒，等.高分辨率遙感影像信息提取與目標識別技術(shù)研究[J].測繪科學(xué)，2005，30(3)：18-20.

[7]WITTICH K P， HANSING O. Area-averaged vegetative cover fraction estimated from satellite data [J]. International Journal of Biometeo-rology， 1995， 38(4): 209-215.

[8]顏梅春.高分辨率影像的植被分類方法對比研究[J].遙感學(xué)報，2007，11(2)：235-240.

[9]王正興，劉闖，HUETE A.植被指數(shù)研究進展：從AVHRR-NDVI到MODIS-EVI[J].生態(tài)學(xué)報，2003，23(5)：979-987.

[10]鄔建國.景觀生態(tài)—格局、過程、尺度與等級[M].北京：高等教育出版社，2000.

[11]張鐿鋰，丁明軍，張瑋，等.三江源地區(qū)植被指數(shù)下降趨勢的空間特征及其地理背景[J].地理研究，2007，26(3)：500-508.

[12]蘇偉，李京，陳云浩，等.基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯縖J].遙感學(xué)報，2007，11(4)：521-530.

[13]DEMPSTER A P， LAIRD N M， RUBIN D B. Maximum likelihood estimation from incomplete data via EM algorithm [J]. Journal of the Royal Statistical Society， 1977， B39（1）: 1-38.

[14]李科，杜琳.基于膨脹算法的緩沖區(qū)分析的設(shè)計與實現(xiàn)[J].測繪學(xué)院學(xué)報，2005，22(3)：229-231.