基于影像交叉學習的CBERS CCD波段模擬

俞 樂，曹 凱，吳 飏，張登榮

基于影像交叉學習的CBERS CCD波段模擬

俞 樂1，曹 凱2，吳 飏3，張登榮4

(1.清華大學地球系統科學研究中心，北京 100084;2.哈佛大學地理分析中心，劍橋 MA02138，美國;3.浙江大學地球科學系，杭州 310027;4.杭州師范大學遙感與地球科學研究院，杭州 310026)

與TM/ETM+相比，CBERS CCD缺少2個紅外波段(波段5和波段7)，這便導致了許多針對TM/ETM+數據的圖像處理方法難以直接應用于CBERS CCD圖像。為此，采用基于影像交叉學習的波段模擬方法，即以ETM+數據作為先驗知識，通過支持向量回歸(Support Vector Regression，SVR)，擬合CBERS CCD與ETM+7波段DN值之間的非線性關系，進而在CBERS CCD已有波段的基礎上模擬一個新的波段圖像。實驗結果表明，采用該方法模擬的CBERS CCD新波段與驗證波段之間具有較高的相關性。

波段模擬;機器學習;SVR;CBERS CCD;TM/ETM+

0 引言

中巴地球資源衛星(China－Brazil Earth Resources Satellite，CBERS)系 列 (CBERS －01、CBERS－02、CBERS－02B)已分別于1999年10月、2003年10月、2007年9月發射。該系列衛星提供了類似Landsat TM和SPOT衛星的波段設置，為我國開展資源、環境及災害等領域的遙感應用研究提供了新的數據源［1］。但是，一個制約 CBERS CCD數據應用的原因是CCD相機設置的波段較少、光譜分辨率有限，因此地物識別能力受到限制［2］。

實現光譜維的擴展可以采用波段模擬技術，即利用近似時間、近似分辨率的不同類型遙感數據進行波段模擬拓展，以生成不同時間、不同分辨率、同波段設置的不同類型的遙感數據。由于Landsat TM/ETM+和CBERS CCD這兩個系列衛星影像具有近似的波段設置、近似的空間分辨率以及穩定的獲取周期，因此可以采用Landsat系列數據對CBERS系列數據進行光譜維擴展。但是，CBERS CCD和Landsat TM/ETM+的成像特性不同，載荷的軌道高度(Landsat 705 km，CBERS 778 km)、傾角(Landsat 98.22°，CBERS 98.5°)、過境日期和時間等多項物理、幾何參數均不一致，因此難以僅采用線性的統計模型來擬合波段之間的復雜關系。

本文針對CBERS CCD相機波段設置的不足，采用非線性影像交叉學習的波段模擬方法，即參考Landsat TM/ETM+數據模擬CBERS CCD相機沒有設置的波段，從而生成CBERS的中紅外波段(以模擬光譜范圍2.08 ～2.35 μm 的 ETM+7 波段為例)，并對其模擬質量進行驗證。

1 CBERS CCD波段擴展方法

1.1 CCD數據質量改進和現存不足

自CBERS－01星發射以來，為了提高CBERS系列數據的應用價值，我國已經開展了大量數據質量評價，并開發了許多有效的質量改善方法。例如，為了提高CBERS CCD數據定量研究價值，中國資源衛星應用中心自2004年開始在敦煌絕對輻射校正場開展了CBERS－02/02B CCD傳感器的輻射定標實驗，提供了CBERS－02(2004年8月、2005年8月及2006年8月)和CBERS－02B(2007年10月、2008年10月)星傳感器的絕對輻射定標參數［3］。同時，也有采用與SPOT HRVIR1圖像、Landsat TM圖像及MODIS圖像等的交叉定標［4－6］。在改善影像質量方面，采用CCD相機三片陣列色差調整方法消除圖像的片間色差，采用調制傳遞函數(Modulation Transfer Function，MTF)補償來提高圖像清晰度;在改善幾何精度方面，通過將精軌數據代替星上下傳的輔助數據進行幾何糾正，并構造合適的偏置矩陣，使幾何糾正精度有了較大的提高，CBERS－01/02星CCD圖像幾何定位精度基本控制在1 km以內［7］。

但CBERS CCD相機采用了和SPOT VHR一致的波段設置，而與 TM/ETM+數據相比，則缺少1.55 ～1.75 μm(TM5)和 2.08 ～ 2.35 μm(TM7)兩個紅外波段，雖然其紅外多光譜掃描儀 (IRMSS)提供了這兩個波段，但其空間分辨率較低(78 m)，使其在地質應用領域受到一定的限制。

1.2 CCD 波段模擬

遙感數據的應用潛力取決于傳感器本身的空間分辨率、光譜分辨率、光譜波段設置，以及搭載平臺的重訪周期等多項技術指標。為了提高地物識別精度，通常需要采用多種足夠高分辨率(包括空間、光譜、時間等)的遙感圖像。但事實上，由于受大氣影響和傳感器觀測條件的限制(如傳感器的幾種客觀性能指標是相互制約的，在傳感器研制水平一定的情況下，在同一遙感載荷中難以實現所有客觀性能指標的最優化)，無法獲得足夠遙感數據用以滿足科學研究中對特定分辨率的需要［11］。為了生成某些衛星傳感器不能獲得但在實際應用中有迫切需求的特定遙感數據，當前已經開展了眾多有代表性的波段模擬技術研究。

波段模擬是指利用先驗數據(如地物波譜、具有目標波段的遙感圖像等)來計算獲得特定傳感器并未設計的波段數據。波段模擬可以分為多種類型:根據先驗數據的來源，可以分為以地物波譜為基礎的譜模擬［11－14］和以遙感圖像為基礎的圖模擬［15，16］兩種方式;根據模擬過程中采用的計算模型，可以分為基于生物、物理及大氣等一系列模型耦合運算的物理模型模擬［12，13］和以統計模型(包括線性［11］和非線性［14，16］模型)為基礎的經驗模型模擬;另外，也有學者［15］根據模擬的數據性能類型，分為以傳感器光學性能(光譜響應函數、MTF)為目標的靜態模擬和以傳感器成像性能(大氣狀況、成像幾何條件)為目標的動態模擬。總體而言，譜模擬可以實現光譜維上的擴展，但是由于實地采集的光譜與圖像光譜存在時間上的不一致和空間分辨率上的不一致［14］，以及大氣和成像過程的差異均能導致圖像光譜與實際地物光譜的偏差，另外，由于有限的地物波譜數據難以覆蓋傳感器獲取影像的所有地物類別(尤其是當存在混合像元時)，因此，這類方法當前還難以進行比較真實的模擬;圖模擬可以克服這一障礙，只要采用相同(或近似)時間，相同(或近似)分辨率的參考波段數據就可以獲得較為真實的目標波段［16］，但其缺點是必須依賴于包含目標波段波譜范圍的參考波段存在，因此難以方便地擴展光譜維［14］;物理模型模擬的計算復雜度較高［11］;統計模型模擬計算量相對較小，可以生成可視化圖像，但對機理的認識有所欠缺，只是一種經驗模型。另外，采用傳統的線性模擬方程不適合影像地物復雜的情況，文獻［14］提出了采用機器學習方法來擬合各類地物在不同觀測波段范圍內反射率之間的復雜非線性關系，獲得了較好的效果。

通過遙感影像模擬獲取地物在不同波段下的反射特性，有利于深化遙感成像機理的研究，在對不同類型的傳感器性能進行差異分析、對新設計的傳感器性能進行論證等方面具有很大的應用價值。此外，通過遙感影像模擬技術可解決多光譜影像波段缺損等問題，對于遙感數據預處理工作也具有重要的意義。

1.3 基于SVR影像交叉學習的波段擴展

20世紀90年代以來，支持向量機方法受到很高的重視，其原因在于它對有限樣本情況下模式識別中的一些根本性問題進行了系統的理論研究，并且在此基礎上建立了一種較好的通用學習算法［17］。研究表明，SVM較傳統方法(包括神經網絡)具有更好的適應和推廣能力［18］，且該模型不受“維數災難”影響，適合于高維遙感數據綜合信息的提取。SVM方法的另一個重要優點是所得的分類器的復雜度可由支持向量的個數、而非變換空間的維數來表示。因此，SVM往往不像其他方法一樣易產生過擬合現象［19］，在遙感影像分類中得到了眾多應用［20－23］。

基于 SVM的回歸方法，又稱 SVR(Support Vector Regression)，其機制與分類有一些相似，主要是通過將學習樣本從低維空間映射到高維空間后，再在高維空間中構造線性決策函數來實現線性回歸。當前，有研究采用SVR進行地物波譜學習來進行遙感影像波段模擬，但該方法的精度受制于地物波譜庫的完整性和空間尺度［14］。

本文提出的基于SVR影像交叉學習的波段模擬方法流程如圖1所示。

圖1 CBERS CCD波段擴展流程Fig.1 Workflow of CBERS CCD bands simulation

首先在研究區范圍內隨機采集學習樣本，然后利用SVR構建CBERS CCD的4個波段和對應的ETM+紅外波段(本文以光譜范圍 2.08 ～ 2.35 μm的波段為例，即Landsat TM/ETM+波段7)的非線性關系模型，進而將CBERS CCD的已知波段作為輸入參數模擬出未知的紅外波段。

2 實驗數據與預處理

以覆蓋天津市區的CBERS CCD和Landsat ETM+圖像為實驗數據，其中CBERS CCD圖像(1景，Path/Row 373/56)獲取時間為2000年6月12日，從中國資源衛星應用中心CBERS－01/02星數據服務系統網站(http://211.100.254.226/)下載;Landsat ETM+(2景，Path/Row 122/33)獲取時間分別為2000年5月25日和2000年6月10日，從美國地質調查局(USGS)地球資源觀測與科學(EROS)中心網站(http://eros.usgs.gov/)下載。所有圖像(除2000 年6月10日的ETM+外)均沒有云覆蓋。

在數據預處理階段，首先以CCD的B1圖像為基準，將CCD的B2～B4圖像與其配準，隨后將兩期Landsat ETM+圖像向 CBERS CCD配準，并將ETM+30 m空間分辨率重采樣為CBERS CCD的19.5 m空間分辨率，糾正后的誤差均控制在2個像元以內。獲取的3景遙感圖像均為DN值。在嚴格的波段光譜反射率模擬中，需將DN值經輻射定標轉化為表觀反射率，并進一步通過大氣校正轉化為地表反射率。由于本文的目的并非嚴格地定量模擬出波段光譜反射率，而是擴展出能代表新波段特征的信息，因此只對DN值進行了模擬。

對于一個模擬的且原本并不存在的波段(即CBERS CCD 的2.08 ～2.35 μm 的波段)，是難以找到真實波段對其模擬結果進行驗證的，因此這里采用較近時間內(相差18 d)的Landsat ETM+數據進行交叉學習，用臨近時間(2 d)內的Landsat ETM+第7波段影像來進行驗證。即兩景ETM+圖像中，前一景(2000年5月25日)用作CBERS(2000年6月12日)波段交叉學習，后一景(2000年6月10日)用于驗證模擬后波段的真實性。驗證用的ETM+圖像與CBERS數據時隔2 d，地物變化相對較少，作為驗證圖像具有合理性。為了減少兩類傳感器成像上的色調差異，在擴展新波段之前，采用直方圖匹配處理將CBERS CCD影像的DN值調整到臨近時間的ETM+的對應波段(波段1～波段4)。

3 波段擴展實驗

3.1 定性比較

實驗區圖像大小為400像元×400像元。該圖像上沒有云覆蓋，包含的地物主要是農田、水體和道路等。通過ETM+波段間的相關系數(以2000年5月25日數據為例)可知(表1)，兩個短波紅外波段(ETM+5和ETM+7)與ETM+1～ETM+4的相關性均比較高，說明這兩個波段中的部分信息可以由ETM+1～ETM+4來表達。

表1 Landsat ETM+波段間相關系數矩陣Tab.1 Correlation matrix of Landsat ETM+bands

SVR學習需要給定參數(如不敏感系數ε、正則化參數c、核函數參數gamma)，參數的選擇對預測效果有很大影響。本文在交叉學習過程中從圖像上隨機選取1 000個像元作為樣本，選用epsilon－SVR回歸方法，以 RBF為核函數，通過交叉驗證(n－folder cross－validation)選擇最佳參數c=10，gamma=10，ε=0.1。并以這些參數建立CBERS與ETM+的關系模型，最后進行SVR回歸，得到模擬的CBERS CCD第7波段圖像(記為B7，下同)。

為了驗證所模擬波段的可靠性，將模擬波段與原始波段進行比較，如圖2所示。從目視效果看，整體上模擬波段影像與原始波段影像一致。

由于3景圖像獲取時間不同，局部地物發生了變化，如圖3(a)中部的旱田變成了水田(圖3(b))，CBERS模擬影像(圖3(c))與圖3(b)一致。這是因為，圖3(c)反映的是2000年6月12日的情況，與2000年6月10日情況一致，而與2000年5月25日不同則符合該期間土地耕作方式變化的實際。

圖3 變化信息比較(RGB 741，圖2的局部放大)Fig.3 Changed information comparison(RGB 741，zoom in of Fig.2)

3.2 定量比較

通過定量比較相關性發現，模擬圖像保持了較好的時間相關性和光譜相關性。從表2可以看出，CBER CCD波段(B1～B4和模擬B7)與ETM+的相應波段之間的相關系數體現了時間一致性。即2000年6月12日獲取的CBERS數據與2000年6月10日ETM+各波段的相關性均較2000年5月25日中ETM+各波段的相關性高。

表2 CBERS B1～B4，模擬B7與兩期ETM+同波段的相關系數Tab.2 Band correlation coefficients of CBERS B1 ～ B4，simulated B7 and two ETM+datasets

從表3可以看出，模擬的波段(B7)與CBERS其他波段，以及與ETM+1～4、ETM+7的相關性相比，與ETM+兩景圖像的第7波段相關性最高，這表明了模擬的圖像保持了較好的光譜相關性。

表3 CBERS模擬B7與兩期ETM+1～4、7波段的相關性Tab.3 Band correlation coefficients of CBERS simulated B7 vs ETM+1 ～4、7

上述實驗通過 ETM+7(2000－05－25)與CBERS CCD B1～B4(2006－06－12)之間的交叉學習建立模型，并模擬CBERS(2006－06－12)的對應B7，該模擬波段與驗證波段 ETM+7(2000－06－10)之間的相關系數為0.920 1(表2和表3)。實驗還表明，采用臨近時間的ETM+7(2000－06－10)作為訓練波段后進行交叉學習，獲得的模擬波段與驗證波段之間的相關性提高到0.926 8。說明采用時間上盡可能接近的數據進行波段交叉學習，可以獲得更高精度的模擬結果。

3.3 討論

由于在訓練過程中，只需要選擇少量樣本進行訓練，如在上面的實驗中，僅選擇了1 000個樣本，這些樣本只占圖像總像素數量的0.625%(1000/160000)，因此也適合于有部分云覆蓋或者ETM+SLC－off的情況。即從非云覆蓋或從非條帶中挑選出足夠的訓練點來進行波段交叉學習，建立SVR模型。

另外，上面提到通過波段交叉學習可以實現Landsat與CBERS數據的協同應用。如本文的實驗區影像中的部分區域在ETM+(2000－06－10)影像中存在較多的云覆蓋，但ETM+(2000－05－25)與CBERS(2000－06－10)均沒有云覆蓋。因此可以通過圖1所示的交叉學習獲得CBERS原本不具備的且與ETM+相對應的波段(圖4和圖5)。由于CBERS數據與被云覆蓋的ETM+數據的獲取時間接近，而且通過模擬之后波段設置也已相同，因此可以采用CBERS數據來替代該景有云覆蓋的ETM+數據進行后續的變化檢測及分析。

圖4 B7模擬效果比較Fig.4 Simulation result comparison(B7)

圖5 實驗圖像(RGB 741)變化信息比較(圖4的局部放大)Fig.5 Changed information comparison(RGB 741，zoom in of Fig.4)

實驗表明，采用影像交叉學習的方法可以通過從受噪聲影響(如云覆蓋、ETM+的條帶缺失等)的原始影像中挑選出少量未受影響的訓練點進行學習，建立CBERS CCD數據和ETM+數據之間的關系模型。因此，只要CBERS CCD數據本身未受這些噪聲影響，將仍然能夠進行準確的波段擴展。這一方法也為在實際應用中，當研究區特定時相的ETM+數據存在云覆蓋或條帶缺失時，提供了一種除了尋求對原始數據進行去云和gap－filling處理以外的方案，即采用近時相的CBERS CCD數據在擴展出波段5和波段7后來替代ETM+數據。由于這兩類傳感器數據具有相似的空間分辨率，并且通過模擬之后也得到了相同的波段，因此為采用一致的遙感信息提取方法進行處理提供了基礎。

4 結論

針對CBERS CCD數據與Landsat TM/ETM+數據相比波段少的缺點，采用基于SVR的影像交叉學習方法進行CBERS CCD波段擴展模擬。實驗表明，模擬的CBERS CCD新波段與驗證波段之間的相關系數達到0.9以上。通過視覺比較發現，模擬影像能夠較好地保持實際時間的地物光譜。進一步實驗表明，本文方法為CBERS CCD數據與Landsat TM/ETM+數據相互協同應用提供了一種方案。一方面是擴展了CBERS CCD的波段，擴大了其應用領域，另一方面也為多源遙感數據之間的協同應用提供了一種思路。

［1］ Qiao Y L，Zhao S M，Zhen L，et al.Application of China － Brazil Earth Resources Satellite in China［J］.Advances in Space Research，2009，43(6):917 －922.

［2］ 張振生.CBERS－02數據在土地沙化、礦山環境、土地利用監測中的應用［J］.CBERS應用簡訊，2006(3):10－11.

［3］ 中國資源衛星應用中心［EB/OL］.［2010－06－10］.http://www.cresda.com/n16/n1115/n1522/n2103/index.html.

［4］ 彭光雄，何宇華，李 京，等.中巴地球資源衛星02星CCD圖像交叉定標與大氣校正研究［J］.CBERS應用簡訊，2007(3):14－15.

［5］ Tang J W，Gu X F，Niu S L，et al.Water Target Based Cross－calibration of CBERS － 02 CCD Camera with MODIS Data［J］.Science in China Series E:Engineering and Materials Science，2005，48:61 －71.

［6］ Li X，Gu X，Min X.Radiometric Cross－calibration of the CBERS－ 02 CCD Camera with the TERRA MODIS［J］.Science in China Series E:Engineering and Materials Science，2005，48:40 －60.

［7］ 國土資源部02B星數據應用與推廣辦公室.CBERS－02B星數據國土資源應用評價［J］.CBERS應用簡訊，2008(1):14.

［8］ Elvidge C D，Lyon R J P.Estimate of the Vegetation Contribution to the 1.65/2.22 μm Ratio in Airborne Thematic － mapper Imagery of the Virginia Range，Nevada［J］.International Journal of Remote Sensing，1985，6(1):75 －88.

［9］ Fraser S J，Green A A.A Software Defoliant for Geological Analysis of Band ratio［J］.International Journal of Remote Sensing，1987，8(3):525－532.

［10］ Rowan L C，Pawlewicz M J，Jones O D.Mapping Thermal Maturity in the Chainman Shale，Near Eureka，Nevada，with Landsat Thematic Mapper Images［J］.American Association of Petroleum Geologists Bulletin，1992，76(7):1008 －1023.

［11］陳 方，牛 錚，覃馭楚，等.基于寬光譜光學遙感圖像的細分光譜光學遙感圖像的模擬［J］.光電工程，2007，34(5):89 －96.

［12］ Verhoef W，Bach H.Simulation of Hyperspectral and Directional Radiance Images Using Coupled Biophysical and Atmospheric Radiative Transfer Models［J］.Remote Sensing of Environment，2003，87(1):23 －41.

［13］蘇里宏，李小文，梁順林，等.典型地物波譜庫的數據體系與波譜模擬［J］.地球信息科學，2006，4(4):7 －15.

［14］程熙，沈占鋒，駱劍承，等.利用地物波譜學習的遙感影像波段模擬方法［J］.紅外與毫米波學報，2010，29(1):45 －48，62.

［15］葉澤田，顧行發.利用MIVIS數據進行遙感圖像模擬的研究［J］.測繪學報，2000，29(3):235 －239.

［16］ Srivastava A N，Oza N C，Stroeve J.Virtual Sensors:Using Data Mining Techniques to Efficiently Estimate Remote Sensing Spectra［J］.IEEE Transactions on Geoscience and Remote Sensing，2005，43(3):590－600.

［17］邊肇祺，張學工.模式識別［M］.2版.北京:清華大學出版社，2000:338.

［18］ Burges C J.A Tutorial on Support Vector Machines for Pattern Recognition［J］.Data Mining and Knowledge Discovery，1998，2(2):121－167.

［19］ Duda R O，Hart P E，Stock D G.Pattern Classification［M］.2nd ed.United States:John Wiley ＆ Sons Inc，2001.

［20］ Melgani F，Bruzzone L.Classification of Hyperspectral Remote Sensing Images with Support Vector Machines［J］.IEEE Transactions on Geoscience and Remote Sensing，2004，42(8):1778 －1790.

［21］ Foody G M，Mathur A.A Relative Evaluation of Multiclass Image Classification by Support Vector Machines［J］.IEEE Transactions on Geoscience and Remote Sensing，2004，42(6):1335 －1343.

［22］ Pal M，Mather P M.Support Vector Classification in Remote Sensing［J］.International Journal of Remote Sensing，2005，26(5):1007－1011.

［23］ Oommen T，Misra D，Twarakavi N K C，et al.An Objective Analysis of Support Vector Machine Based Classification for Remote Sensing［J］.Mathematical Geosciences，2008，40(4):409 －422.

Using Cross－sensor Image Learning for CBERS CCD Bands Simulation

YU Le1，CAO Kai2，WU Yang3，ZHANG Deng －rong4
(1.Center for Earth System Science，Tsinghua University，Beijing 100084，China;2.Center for Geographic Analysis，Harvard University，Cambridge MA02138，USA;3.Department of Earth Sciences，Zhejiang University，Hangzhou 310027，China;4.Institute of Remote Sensing and Geoscience，Hangzhou Normal University，Hangzhou 310026，China)

The absence of two infrared bands(i.e.1.55 ～1.75 μm(TM 5)and 2.08 ～2.35 μm(TM 7))in CBERS CCD camera compared with Landsat TM/ETM+results in a limitation that many algorithms developed for TM/ETM+images are not applicable for CBERS CCD camera data directly.In this paper，a cross－ sensor image learning approach is used to simulate new Landsat－like infrared bands so as to extend spectrum coverage for CBERS CCD camera data.A support vector regression(SVR)technique is used to model nonlinear relationship between a priori knowledge from ETM+DN values and four CBERS CCD bands，and then new CBERS CCD bands are predicted.Experimental result shows good correlation between simulated band and corresponding ETM+band.Key words:Band simulation;Machine learning;Support Vector Regression(SVR);China－Brazil Earth Resource Satellite(CBERS)CCD;TM/ETM+

TP 751.1

A

1001－070X(2011)03－0048－06

2010－11－30;

2011－02－05

俞 樂(1982－)，男，博士，主要從事多源遙感數據處理與遙感地質研究。

(責任編輯:刁淑娟)