Hyperion影像與高分辨率影像融合影像的分類結果比較

董躍宇

摘 要：使用數據融合的手段，將Hyperion影像與SPOT影像進行融合，以期同時獲得空間和光譜兩方面的豐富信息。使用融合影像進行了地物分類實驗，對分類的效果進行了比較。

關鍵詞：遙感數據融合 像素級融合 高光譜遙感

中圖分類號：TP3 文獻標識碼：A 文章編號：1672-3791（2015）03（a）-0013-02

Abstract：With approach of data fusion， aggregating the Hyperion data and SPOT data to achieve more information about both spectrum and spatiality. Terrain classification was made based on the fusion data， and classification results were compared.

Key words：remote sensing data fusion； pixel level fusion； hyperspectral remote sensing

遙感數據要同時獲得空間、光譜、時間的高分辨率是很困難的。以EO-1 Hyperion數據為例，其具有極高光譜分辨率（可達10nm）的同時空間分辨率僅為30m。高光譜分辨率數據常被簡稱為高光譜數據。由于其極高的光譜分辨率，能夠獲得數十至數百波段的數據，可以形成特定地物的連續的光譜曲線，能夠提供更豐富更準確的地物信息。而對于高分辨率遙感數據，其能夠提供米級甚至亞米級的空間分辨率，但是僅能提供數個波段的數據，在光譜信息的豐富和精細程度上非常薄弱。數據融合作為富集多源遙感信息的最有價值手段，20世紀90年代以來就已成為遙感研究的重要主題。若將高光譜數據與高分辨率數據進行有效融合，可以預期同時獲得空間和光譜兩方面的更豐富信息。

1 實驗過程

1.1 研究區選擇

選擇普達措國家公園屬都湖與碧塔海周邊地區作為研究區域。該區域位于滇西北生物多樣性豐富區域，是入選國際名錄的重要濕地保護區。具有重要的生態地位和研究價值，是高原濕地研究的熱點區域。該區域中分布著高原湖泊、湖泊周邊及山間谷地中的草甸和草地、以松和杉為主的林地以及幾條道路。地物景觀類型構成相對簡單，有利將研究問題聚焦。同時草甸、林地等類型中的次一級的景觀構成，為研究的深入提供了充足的空間。該文作者近年曾較詳細的實地調查過該區域，積累了不少有價值的信息和數據。選擇該區域作為研究區，有較充分的研究基礎。

1.2 研究數據

使用于2003年12月獲取的Hyperion數據和2003年11月的SPOT數據，進行校正、配準等預處理，并根據研究區界限進行裁切，獲得研究區的基礎遙感數據。兩個數據的獲取時間相差近兩個月。但根據實地調查的結果和已有的相關研究，研究區由于位于重要自然保護區中，景觀變化以緩慢的自然演替為主。一兩個月時間的差異對后續實驗的影響是可以忽略的。在2003年11—12月期間，也未發生對景觀有明顯改變的重大事件。根據相關文獻，選擇Hyperion數據的兩個典型的波段組合用于后續融合和分類。高光譜數據是一個高維度數據，存在著數據冗余度高、數據量大、計算代價高等缺點。結合應用需求，針對性的選取波段組合作為分析的數據來源，能將高光譜數據的處理變為一個較低維數的數據處理問題。這兩個波段組合（數字代表波段號）分別是（29：23：16）、（50：23：16），對應的波長分別是：641：580：509nm，855：580：509nm。（29：23：16）組合是用來形成真彩色圖像最常用的組合。使用（50：23：16）組合來形成真彩色圖像時，圖像中的植被會顯示成偏紅的顏色。

1.3 融合與分類方法

數據融合根據信息處理層次的差別可區分為：像素級融合、特征級融合和決策級融合。實驗進行的是像素級融合。像素級融合的方法主要有：Gram-Schmidt光譜銳化融合法、平滑調節濾波（SFIM）變換融合法、加權平均法（WAM）融合法和小波變換（WT）融合法等。參考前人已有的嘗試，選用Gram-Schmidt光譜銳化融合法進行實驗。

采用非監督分類方法對融合數據進行分類。從最常用的非監督分類方法K-均值聚類方法和ISODATA聚類方法中選用ISODATA方法進行此次實驗。使用ISODATA方法的關鍵是確定分類是所使用的主要參數：迭代次數、分類數量的范圍、變化閾值、類別最大標準差、類別最小距離等。通過使用樣本數據多次嘗試，確定了所需要的參數數值。在實地調查信息的基礎上，結合對實驗所用影像的觀察，確定了地物景觀類型。共分為：水體、林地陽坡、林地陰坡、草甸、草地、公路及裸地6類。ISODATA分類的結果，類別數大于地物景觀類型數。在分類的后處理中，進行了類別合并，將ISODATA分類的結果歸并成地物景觀類型。同時，由于融合影像分辨率較高，分類結果中小斑塊過多，還使用Majority/Minority分析方法進行了小斑塊去除。

1.4 分類結果評價

從主觀定性和客觀定量的兩種途徑，對分類結果進行評價。主觀定性途徑主要依據景觀格局的吻合程度、地物顯著特征點的分類細節情況，參照同時期研究區的高分辨率影像和實地調查信息，進行判斷。客觀定量途徑則進行了混淆矩陣的計算，使用總體分類精度、Kappa系數及類別間錯分情況來進行評價。參照研究區的實地調查數據，依據高分辨率影像，通過人工解譯，建立了驗證數據，用于計算混淆矩陣。

2 實驗結果及分析

觀察融合影像，并與原高光譜影像、高分辨率影像比較，可以發現：融合影像的空間分辨率改善明顯，公路等較細小地物已能看清；精細光譜信息的引入，使得不同地物類型的差異得到凸顯。這是進步的一面。同時，也注意到農地等一些地物的輪廓，相較原高分辨率影像變形明顯。高光譜影像的較低空間分辨率拖累了融合影像的圖像質量。

直觀觀察分類結果，（29：23：16）波段組合融合影像的分類結果中，斑塊較為破碎和凌亂。屬都湖、碧塔海水體的輪廓已不完整，景觀格局與實際情況有明顯差別。（50：23：16）波段組合融合影像的分類結果中，景觀格局保持較好。尤其是水體的識別十分準確。與原高分辨率影像分類結果相比，（50：23：16）波段組合融合影像的分類結果雖然在面積較小地物的識別上有退化，但在強化不同地類的差別、凸顯景觀格局方面，進步明顯。（29：23：16）波段組合融合影像的分類結果，則明顯不及原高分辨率影像的分類結果。

通過計算混淆矩陣，可以看出（50：23：16）波段組合融合影像的分類精度明顯優于原高分辨率影像。（29：23：16）波段組合融合影像的分類精度相比原高分辨率影像沒有明顯改善，Kappa系數則明顯下降。通過數據融合，在融合影像中集聚了更豐富的信息。高光譜數據的精細光譜信息確實能夠有效改善原高分辨率影像的地物分類結果。當然，波段數據的選擇是關鍵，（29：23：16）波段組合在當前研究區的地物識別中無助益。

3 結語

通過使用Hyperion數據不同波段組合與高分辨率影像進行數據融合，并進行地物分類的實驗表明，通過數據融合，能夠在融合影像中兼具高空間分辨率和高頻譜分辨率的優勢。高光譜數據中的不同波段組合能夠突顯的信息存在較大差別。波段組合選擇既是降低維數、降低計算代價，有效利用高光譜數據的重要方法，也是高光譜數據能夠發揮積極作用的關鍵。

參考文獻

[1] TRW.Space， Defense & Information System.EO-1/Hyperion Science Data Users Guide，Level 1_B[M].2001.

[2] 趙書河.多源遙感信息融合技術與應用[M].南京：南京大學出版社，2008.

[3] 林志壘，晏路明.地球觀測1號高光譜與全色圖像融合的最佳方法[J].計算機應用，2014，34（8）.

[4] 趙春暉，陳萬海，楊雷.高光譜遙感圖像最優波段選擇方法的研究進展與分析[J].黑龍江大學自然科學學報，2007（10）.

[5] 劉建平，趙英時，孫淑玲.高光譜遙感數據最佳波段選擇方法試驗研究[J].遙感技術與應用，2001（3）.

[6] 黃健元.模糊ISODATA聚類分析方法的改進[J].南京航空航天大學學報，2000（4）.