基于小波特征融合的Hyperion影像降維方法

孫小芳

（閩江學院 地理科學系，福建 福州350121）

高光譜遙感能提供數十至數百個窄波段的光譜信息，依據地物的診斷性光譜特征進行地物識別。然而，在提供豐富光譜信息的同時，高光譜數據波段間的相關性和冗余性制約著它的應用。研究表明：對大多數地物而言，納米級的光譜分辨率是不必要的，波段間也不必要連續存在［1］。因此有必要探討高光譜波段選擇方案，進行圖像降維，在光譜分辨率與地物識別能力之間尋求最佳的平衡點。利用波段選擇進行降維、利用波段特征提取進行降維、利用融合技術進行降維［2-6］。

基于前人的研究，本文提出根據影像中地物光譜曲線的特征點確定地物識別合適的光譜分辨率，通過融合原先若干窄波段生成適合地物識別的寬波段數據，從而達到了降維目的。利用不同地物樣本光譜的小波細節系數方差、小波細節系數信息熵作為特征點，探討了各種地物有效識別的光譜分辨率，按照這個有效識別的光譜分辨率來確定降維后寬波段的光譜范圍及波段個數，以窄波段間的活躍度為指標進行融合生成降維后的寬波段，最后以福州南通地區hyperion影像為例進行地物的識別［7-9］。

1 Hyperion數據預處理

1.1 數據概況

EO-1是美國NASA研制的新型地球觀測衛星，其上搭載的Hyperion成像光譜儀是第一個星載民用成像光譜儀，空間分辨率為30m，光譜分辨率為10nm［10］。本文采用的數據獲取時間為2003-03-26，L1R數據產品的生成時間為2009-07-07。由于L1R已排除了VNIR和SWIR間的空間錯位問題，是Hyperion數據使用的主要格式。所選的福州南通影像包括：耕地、園地、林地、河流、道路、居民區等地物，能夠集中體現各類地物的交錯分布。為了保證樣本選擇的準確性，研究中還采用2004年南通地區土地利用現狀圖、2003年南通地區IKONOS衛星影像。

1.2 Hyperion數據預處理

當Hyperion探測器工作不正常或定標精度存在問題，導致波段的圖像某列數據缺少光譜信息，圖像上呈現一條黑線即壞線［11］。讀入圖像進行逐波段檢查，記錄有壞線存在的波段和對應的列號，經檢測所采用的LIR數據壞線列號：1，6，22，91，92，94，112，114，137，147，199，239，255，選 用 出現壞線的相鄰列的平均值替換壞線部分進行修復。

Smile效應指在垂直飛行方向上，像元的波長從中心位置向兩邊偏移，NVIR的偏移量為2.6～3.6nm，SWIR波段的偏移量為0.4～0.97nm，偏移量大于1nm時會影響像元光譜，因此要對NVIR波段進行糾正。Smile效應的糾正方法包括移動線性法、MNF列均值調整、交叉軌道照度校正方法。本文采用交叉軌道照度校正方法完成了Smile效應的糾正。

大氣校正是為了消除大氣和光照等因素對地物反射的影響，獲取地物的真實反射率或反射值。在大氣校正前，先要完成光譜輻射量計算，才能滿足FLAASH大氣校正模塊的輸入條件。FLAASH是基于MODTRAN4輻射傳輸模型的大氣校正模塊，運用該模塊可以還原地物的真實反射率。Hyperion的LlR產品一共242個波段，其中只有198個波段做了定標處理，其他波段的值賦為0。經過FLAASH大氣校正后，再去除噪聲嚴重，數據質量差的波段，最終用于研究的有155個波段：8～57，79，83～119，133～164，183，184，188～220。

2 小波特征圖像降維的原理及實現

2.1 基本原理

2.1.1 小波特征

研究所用的155個波段的Hyperion數據光譜分辨率為10nm，每層離散小波分解后，所得到的近似小波系數、細節小波系數出現減半現象，最多進行7次DB4小波分解。1～7次小波分解，各層所對應的光譜分辨率分別為20nm，40nm，80nm，160nm，320nm，640nm，1 280nm。小波細節系數表示光譜反射值變化較快和局部特征部分。小波方差僅為尺度函數，與位置無關，通過小波方差的峰值可以直觀的識別光譜特征尺度。小波信息熵為多尺度分解空間中各個子空間所包含的信息量。計算小波細節系數方差、小波細節系數信息熵，說明光譜特征尺度。

設W（a，b）為信號f（n）在尺度a，位置b上的小波變換系數，則可定義尺度a上的小波尺度方差與信息熵分別為

式中：Pi（i＝1，2，…，M）是某尺度a上小波變換系數的近似概率分布，M為小波系數的區間數目。

2.1.2 波段融合降維

根據地物可識別的光譜分辨率轉折點來確定寬波段的區間范圍，將原先所對應的各高光譜波段進行小波融合，生成仿真的一個寬波段影像。同理，最后將原始的155個高光譜波段，根據不同地物的可識別光譜分辨率降維融合生成幾個仿真的寬波段。在進行融合圖像生成時，融合圖像的低頻和高頻小波系數由各原始波段的活躍度來決定。

活躍度：

式中：K為波段數；f為DN 值；M，N為圖像大小。

2.2 方法實現

2.2.1 地物特征光譜分辨率

結合2004年南通地區土地利用現狀圖、2003年IKONOS影像圖，進行目視判別，選擇圖像中八類地物，分別是不可滲透表面、居民地、密林、其他林地、水澆地、水體、水田、裸土。通過對八類地物選取樣區，得到每種地物類別的平均光譜曲線。對平均光譜曲線利用DB4小波進行分解，分別計算各分解尺度下各類地物的小波細節系數方差、小波細節系數信息熵，結果如圖1所示。

圖1 DB4小波細節系數方差與信息熵

圖1（a）小波細節系數方差在1～3尺度中，盡管隨著小波降維，光譜分辨率增大，但各地物內部的光譜細節變化程度不大，光譜曲線在1～3尺度中的細節表現能力并沒有多少下降。但在3尺度后，各層光譜曲線的細節值與原始光譜曲線相比，發生較大的變化，造成光譜方差變大。在1～3尺度內，相鄰連續光譜曲線值變化并不會很大，曲線是光滑漸變的，但隨著尺度加大到3尺度以后，光譜分辨率增大，相鄰漸變值被激變值取代，表現為方差變大。3尺度是基本的分解尺度了可以滿足八類地物的分類，即可以做為區分八類地物的基本分解尺度。

圖1（b）小波細節系數信息熵，明顯看到兩類拐點，第一類拐點出現在3尺度，所對應的地物在圖像中所占的比例較小且分散，即不可滲透表面、居民地、水田、裸土。第二類拐點出現在4尺度，所對應的地物在圖像中所占的比例較大且集中，即密林、其他林地、水澆地、水體。出現這種情況，一方面與樣本選擇的因素有關，由于地物小且分散，樣本純度受到影響。另一方面地物比較小，但由于空間分辨率不高，樣本光譜中存在著混合像元情況，需要較高的光譜分辨率來提高小比例地物的識別。所以在以3尺度為地物基本識別的尺度基礎上，進一步考慮地物實際的面積大小及分布情況，確定了不可滲透表面、居民地、水田、裸土4類地物的識別尺度為3尺度，即光譜分辨率為80nm，密林、其他林地、水澆地、水體4類地物的識別尺度為4尺度，即光譜分辨率為160nm。

2.2.2 融合降維

利用樣本平均光譜的小波細節系數方差和小波細節系數信息熵確定了兩大類地物的識別基本尺度分別為3尺度和4尺度。確定融合后影像的波段光譜范圍和波段數，如表1所示。表1中可以得出融合后的四尺度影像共有11個波段數且光譜分辨率為160nm，融合后的3尺度影像共有21個波段數且光譜分辨率為80nm，較原先155個波段數大為降低數據量。

表1 三尺度和四尺度波段融合區間

以植被為例，分別繪制出155波段、三尺度融合結果21波段、四尺度融合結果11波段的光譜曲線，如圖2所示。圖2中兩個尺度融合圖像的光譜曲線保持原曲線的走勢特征，具有原光譜曲線的峰谷特性，具有植被的紅邊特性，可用于植被識別的樣本光譜。由于四尺度融合比三尺度融合包含了更大范圍的波段區間，所以出現了植被紅邊向長波方向移動。說明融合降維方法即可以減少數據量，同時也保證了地物光譜主要的特征，可以滿足地物分類的需求。

圖2 三種光譜分辨率的植被光譜曲線

3 地物識別

對八類地物：不可滲透表面、居民地、密林、其他林地、水澆地、水體、水田、裸土選取樣區，對比hyperion影像、IKONOS影像、土地利用現狀圖，目視解譯判讀八類地物。不可滲透表面是指公路用地、交通用地、橋梁、廣場、各種人工建設不可滲透表面。圖中的居民區為鄉鎮、村莊民房，在水系邊上或位于山腳下，分布較為零散且面積不大，紋理信息不豐富不明顯。密林指大面積山體林地，遠離居民區，有成林。其他林地包括：疏林地、有林地、其他園地、果園，靠近人們居住地，林木較少，如草地、灌木、果樹、苗圃，在水系邊上，方便澆灌，但較植被覆蓋較稀少。水澆地包括菜地、旱地，面積較小，不規則分布，多在水田縫系中或處于居民地邊上。水體包括河流水面、養殖水面、坑塘水面。水田面積較大且有規則，多分布于河流或坑塘邊上。三月底水田已經翻曬，放水泡田，水淺有反光。裸土包括土路、灘涂。對所選出的八類地物樣區光譜計算JM距離，樣區兩兩之間的距離計算結果均大于1.9的值，說明所選的感興趣區之間分離性較好，可以做為光譜分類的樣本。利用光譜角度填圖進行分類，分類結果如圖3所示。利用混淆矩陣方法，結合矢量圖以及IKONOS影像目視解譯進行分類精度評定，結果如表2所示。

圖3 四尺度和三尺度分類結果

表2 地物分類精度

4 結果與討論

圖3（a）為四尺度即光譜分辨率為160nm時，對基本可識別的四類地物：密林、其他林地、水澆地、水體的分類。圖3（b）為三尺度即光譜分辨率為80nm時，對基本可識別的四類地物：不可滲透表面、居民地、水田、裸土的分類，圖3（c）為三尺度下對八類地物的分類結果，利用混淆矩陣進行檢測，在尺度3下識別的地物精度略小于在尺度4下識別的地物精度，但全部地物的識別精度均大于70%，而且由于降維，數據量減少，提高了分類速度。從分類結果中可以看出，四尺度下基本可識別的地物面積較大且較為集中，三尺度下基本可識別的地物面積較小且分布較為分散，這個結果與小波特征的兩個參數計算所得到的結論相一致，結果說明降維影像能滿足應用需要。

通過以hyperion影像的地物識別為例，說明高光譜影像的降維工作可以從數據應用的適用性出發，根據不同地物的適宜識別光譜分辨率來判定數據降維的程度，使得數據降維滿足生產應用。本文提出的方法適用于光譜分辨率在十幾納米左右的機載及地面高光譜成像數據，可以根據圖像中具體的研究對象確定合適的對象識別光譜分辨率，進行保證地物光譜重要特征點的存在，同時減少數據量。在本研究中，由于影像空間分辨率不高且某些地物較破碎，所以直接利用影像中的光譜樣本，會因為混合像元的存在造成樣本光譜的偏差，在后繼研究中需要進一步提高樣本光譜的純度，也可以采用野外樣本光譜采集，或者利用目前存在的各種光譜數據庫。

［1］李顯彬，姜小光，劉亮，等.基于光譜重建的高光譜特征參數選擇方法—以蘇北地區Hyperion數據為例［J］.遙感學報，2007，11（4）：589-594.

［2］高燕，蘇奮振，周成虎，等.面向對象的遙感影像時空特征模型研究［J］.測繪工程，2013，22（5）：29-33.

［3］郭雷，常威威，付朝陽.高光譜圖像融合最佳波段選擇方法［J］.宇航學報，2011，32（2）：374-379.

［4］臧卓，林輝，楊敏華.利用PCA算法進行喬木樹種高光譜數據降維與分類［J］.測繪科學，2014，39（2）：146-149.

［5］陳剛，陳小梅，李婷，等.基于小波分解的光譜特征提取算法研究［J］.光譜學與光譜分析，2010，30（11）：3027-3030.

［6］SONG S，GONG W，ZHU B，et al.Wavelength selection and spectral discrimination for paddy rice，with laboratory measurements of hyperspectral leaf reflectance［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：672-682.

［7］ROSHAN PANDE-CHHETRI，AMR ABD-ELRAHMAN.De-striping hyperspectral imagery using wavelet transform and adaptive frequency domain filtering［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：620-636.

［8］龔建周，陳健飛，劉彥隨.E0-1Hyperion高光譜影像的FLAASH大氣校正與評價［J］.廣州大學學報：自然科學版，2011，10（5）：69-75.

［9］周清，祝民強.EO-1Hyperion高光譜數據FLAASH模塊大氣糾正及評價［J］.測繪與空間地理信息，2011，34（6）：149-151.

［10］高艷妮，陳瑋，何興元，等.基于二維小波分析的景觀特征尺度識別［J］.應用生態學報，2010，21（6）：1523-1529.

［11］朱蕊，邱茂，胡英男.面向空間數據更新的多源數據融合關鍵技術研究［J］.測繪工程，2013，22（4）：22-25.