基于地物光譜可分性的CHRIS高光譜影像波段選擇及其分類應用

吳培強, 張 杰, 馬 毅, 任廣波

(國家海洋局 第一海洋研究所, 山東 青島 266061)

濱海濕地處于海陸的交錯地帶, 其景觀結構復雜、生態系統多樣, 既是自然力作用強烈的地帶, 也是人類活動劇烈的地帶。研究濱海濕地的植被類型及其分布, 對于全球氣候變化研究、生物多樣性保持和珍稀動植物保護等, 具有重要意義。隨著對海岸帶區域開發利用和管理工作的精細化, 對該區域地物精細化監測的需求越來越高, 利用高光譜遙感數據進行濱海濕地植被類型的監測研究已成為目前遙感應用領域的研究熱點。但高光譜數據通常具有波段數多、數據量大和波段之間相關性大等特點, 導致分類過程計算量增大、計算復雜度增加, 并影響分類精度。如何在高光譜數據中有效的、準確的選擇出其典型地物的特征波段, 是當前面臨的主要問題之一。

特征波段選擇是高光譜圖像應用研究的基礎。近年來, 已有不少國內外學者開展了相關研究。王讓會等[1]通過分析土地水分的光譜數據, 利用回歸分析等方法得出了用于土壤水分遙感監測的特征波段;劉春紅等[2]在參考高光譜圖像的空間相關性和譜間相關性的基礎上, 提出了一種簡單易行的自適應波段降維方法。楊金紅等[3]結合圖像上各地物連續光譜間的可分性對自適應波段的降維方法進行了改進。蘇紅軍等[4]基于高光譜影像數據的特點, 探討了高光譜波段選擇熵及聯合熵、最佳指數因子和自動子空間劃分等算法并驗證了算法的性能。何元磊等[5]提出了一種新的高光譜圖像波段選擇方法-波段最大篩選法, 從原始波段中選擇出了信息量大、區分性好波段。郭磊等[6]構造了一種高光譜圖像融合的最佳波段選擇新模型-聯合偏度-峰度指數模型, 用于特征波段的選擇。Millette[7]利用統計學的方法對特定的地物來進行波段選擇并開展實驗。Chang等[8]將約束能量最小化的理論應用于高光譜波段選擇, 提出了約束波段選擇算法。從國內外研究可以看出大多數學者的研究集中在單純以影像波段相關信息來進行高光譜的特征波段選取, 少見利用現場實測光譜來選擇特征波段。

作者利用現場測量獲取的黃河口典型濱海濕地地物光譜數據, 開展不同地物之間光譜可分性的研究, 提取相應的地物之間的光譜可分區間, 基于此選擇影像上對應的波段作為地物區分的特征波段,開展監督分類研究。

1 研究區與數據

1.1 研究區域

本文研究區選擇黃河入海口新老河道入海口兩側(圖1), 位于黃河三角洲國家級自然保護區核心區,該區域是中國新生的濱海濕地, 植被類型豐富, 生物資源多樣, 是珍稀、瀕危鳥類的集中分布地和越冬棲息地。但由于資源開發和經濟發展需要, 黃河三角洲承受著巨大壓力, 濕地資源面臨著巨大的威脅。因此對黃河三角洲海岸濕地資源, 特別是植被資源的監測與保護意義重大。

圖1 研究區域范圍圖(CHRIS: 15, 10, 5波段)Fig.1 Location of The Study Area (CHRIS band: 15, 10, 5)

1.2 高光譜遙感數據與處理

研究采用的高光譜數據為 PROBA/CHRIS衛星數據, PROBA是歐空局(ESA)于2001年10月22日發射的小衛星, 為太陽同步軌道, 軌道高度為615 km,傾角為 97.89°, 星上搭載緊湊式高分辨率成像分光計 CHRIS, 成像角度分別為 0°、±36°和±55°。作者所使用的影像獲取的時間為2012年6月, 空間分辨率為17 m, 成像模式為2, 成像角度為0°, 其光譜為400～1 036 nm, 光譜波段為18個波段, 波段的光譜分辨率為 5.9～44.1 nm(圖1)。

由于CHRIS數據本身有嚴重的條帶噪聲, 因此利用ESA提供的HDFclean軟件對影像進行水平噪聲和垂直噪聲的去除, 然后開展影像的輻射校正、大氣校正等預處理。

1.3 現場光譜數據與處理

作者分別于 2012年 9月 11～19日和 2013年 9月24～10月2日對研究區域開展了兩次現場踏勘, 共獲取了不同地物類型現場光譜曲線 300余條, 通過對光譜的質量控制, 去除了異常光譜, 質控后共有光譜113條(表1)。

表1 地物現場光譜Tab.1 Feature spectrum in the field

2 可分性波段選擇方法

Wang[9]和 Schmidt等[10]通過采集植被光譜曲線,利用植被光譜之間的差異來區分植被種間類型。作者沿用此方法, 采用單倍標準差來作為閾值, 使用的可分性波段判別方法公式為:

式中,i和j分別為2種地物,θ為光譜波段, STDV為標準差,σθ,i,j為i與j在光譜波段θ處的光譜反射率的差值。

作者針對黃河三角洲的每一種地物類型, 以其單倍標準差為界, 將其他地物的均值光譜與之進行對比, 得到光譜不相交的光譜區間, 則這些區間內光譜對此地物可分度為1, 相交區間內光譜對此地物可分度為0; 依此方法對研究區內7種地物作兩兩比對, 獲取黃河三角洲典型地物可分度圖(圖2和圖3)。

圖2 7種地物實測光譜擬合光譜曲線Fig.2 Spectral fitting curves of Seven kinds of field feature

根據上述方法所得出的地物光譜可分度數值,對照 CHRIS高光譜遙感影像波段范圍, 作者選擇可分度33以上的波段為可分性好的分類特征波段, 選出第 3、10、12、13、15、18波段共 6個波段為作為特征波段, 開展地物分類研究(表2)。

圖3 7種地物光譜可分度Fig.3 Spectral separability of seven kinds of objects

3 結果與分析

應用SVM、ANN和SAM等3種常用的監督分類方法, 開展利用全波段的和利用本文方法選擇特征波段的分類對比實驗。分類結果見圖4和圖5。

從表3和表4可以看出, 基于特征波段選擇方法后, 以ANN總體分類精度最高, 為82.52%, SVM次之,為82.16%, Kappa系數分別為0.76和0.75, SAM分類效果最差, 僅為65.54%。較全波段開展分類的結果, 總體分類精度都明顯有所提高, 其中SAM提高最多, 提升了7.59%, ANN和SVM分別提高了5.1%和2.89%。從由此可以看出, 基于本文特征波段選擇方法, 可以有效的提高黃河三角洲濱海濕地地物的分類精度。

對比不同類型地物的生產者精度(PA), 基于特征波段選擇后的 3種監督分類方法的分類結果, 除大米草ANN和SVM分類精度有較小下降外, 其余各地物的分類精度較全波段都有所提高; 其中蘆葦、水體、黃河水和裸灘4種地物的分類精度都在 80%以上, 以蘆葦最高, 達到 87.98%; 檉柳的分類精度最低, SVM 和 ANN分類結果后, 生產者精度約為60%, 從圖4和圖5種看出, 檉柳多為分散分布, 其分布范圍較為復雜, 經現場踏勘, 檉柳林較為稀疏,間或生有堿蓬, 有可能造成誤分。

表2 可分度33以上波段區間及對應CHRIS影像波段Tab.2 Band range above separability of 33 and corresponding band of CHRIS image

圖4 3種經典監督分類結果(3/10/12/13/15/18波段)Fig.4 Three kinds of supervised classification results(band: 3, 10, 12, 13, 15, 18)

圖5 3種經典監督分類結果(18波段)Fig.5 Three kinds of supervised classification results (18th band)

表3 3種監督分類算法的PA和總體精度(%)Tab.3 PA and Overall accuracy of three kinds of supervised classification algorithms(%)

表4 三種監督分類算法的UA(%)和Kappa系數Tab.4 UA (%) and Kappa of three kinds of supervised classification algorithms

就用戶精度(UA)來看, 除蘆葦、水體和大米草外,其余地物的用戶精度都有所提升, 其中使用特征波段的SAM分類結果較全波段都有所提升。以堿蓬提升最多, 3種監督分類結果都提升約7%; 但其用戶精度卻是最低, 最高僅為32.51%, 最低位9.62%, 從圖4和圖5種可以看出, 堿蓬主要分布于裸灘上, 結合現場踏勘, 發現堿蓬植株矮小, 約在 30 cm, 且植株間距大, 在人工解譯時, 堿蓬覆蓋度較小的區域歸入裸灘, 由此導致其使用者精度低。

4 結論與討論

作者利用地物現場實測光譜, 通過分析其光譜差異, 利用單倍標準差方法, 選擇出特征光譜進行組合, 利用三種典型的監督分類方法(SVM、ANN和SAM)開展分類研究, 結果表明: 基于本文特征波段選擇方法總體分類精度較全波段略微有所提高, 其中以ANN分類精度最高, 為82.52%; 較全波段提高了約為5.1%。蘆葦、水體、黃河水和裸灘4種地物的識別能力高, 生產者精度都在 80%以上; 堿蓬的用戶精度提升最為明顯, 約在7%。由此看見基于光譜可分度的特征波段選擇方法, 能夠將大部分地物的特征波段挑選出來, 對地物分類精度提高有較好的效果。

受CHRIS高光譜遙感影像分辨率不高、研究區內部分地物混雜, 由此造成地物解譯可能存在一定偏差, 對分類精度造成一定影響, 另使用本文方法選擇特征波段, 閾值多少可能會給分類精度帶來影響, 對此將在今后工作中開展下一步研究。

[1]王讓會, 劉培君.干旱區土壤水分遙感監測敏感波段的選擇[J].新疆氣象, 1995, 18(5): 24-26.

[2]劉春紅, 趙春暉, 張凌雁.一種新的高光譜遙感圖像降維方法[J].中國圖像圖形學報, 2005, 10(2): 218-222.

[3]楊金紅, 尹球, 周寧.一種改進的高光譜數據自適應波段選擇方法[J].遙感技術與應用, 2007, 22(4):513-519.

[4]蘇紅軍, 杜培軍, 盛業華.高光譜影像波段選擇算法研究[J].計算機應用研究, 2008, 25(4): 1093-1096.

[5]何元磊, 劉代志, 易世華.一種新的高光譜圖像波段選擇方法[J].光電工程, 2010, 37(9): 122-126.

[6]郭磊, 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.

[7]Millette T L.An Expert System Approach to Spectral Band Slection for Remote Sensing Analysis[A].International Geoscence and Remote Sensing Symposium[C]//Maryland, USA, 1990, 3: 1285-1288.

[8]Chang C, Wang S.Constrained band selection for hyperspectral image analysis[J].IEEE Trans Geosci Remote sens(S0196-2892), 2006, 44(6): 1575-1585.

[9]Wang L, Sousa P.Distinguishing mangrove species with laboratory measurements of hyperspectral leaf reflectance[J].International Journal of Remote Sensing,2009, 30(5): 1267-1281

[10]Schmidt K S, Skidmore A K.Spectral discrimination of vegetation types in a coastal wetland[J].Remote Sensing of Environment, 2003, 85(1): 92-108.