高光譜遙感城市植被識別方法研究

梁志林，張立燕，曾現靈，扶丹丹，楊麗新

（1.首都師范大學 資源環境與旅游學院三維信息獲取與應用教育部重點實驗室，北京 100048）

高光譜遙感城市植被識別方法研究

梁志林1，張立燕1，曾現靈1，扶丹丹1，楊麗新1

（1.首都師范大學 資源環境與旅游學院三維信息獲取與應用教育部重點實驗室，北京 100048）

傳統的植被狀況調查方式費時、費力，并且更新困難，而高光譜遙感數據圖譜合一，能夠更精細、準確地進行遙感地物識別和分類，因此采用Hyperion高光譜數據來研究地物混合嚴重并且呈零星碎片狀的城市植被。利用混合像元分解思想改進Gram-Schmidt融合算法，將Hyperion高光譜和ALI全色波段進行融合，提高光譜數據的空間分辨率，來解決城市植被像元混合嚴重和分布過于零散破碎難題，進而提高植被識別精度。為了避免高光譜植被識別陷入維數災難，采用主成分分析對融合后的高光譜數據進行數據降維。最后，在地面光譜成像儀獲取的純凈像元光譜信息輔助下，選取訓練樣本進行最小距離分類，完成植被類型識別，總體精度達到84.9%。

高光譜遙感；城市植被；混合像元分解；Gram-Schmidt融合；植被識別

城市植被可以調節城市環境，提高居民生活質量[1]。傳統的實地測量調查方式費時、費力，并且更新困難，而高光譜數據每個像素都有一條連續的光譜曲線，能夠準確識別地表物質的組成和組分[2]，利用高光譜遙感技術可以宏觀、快速地獲取城市植被信息。目前，國內外學者主要通過波段選取、光譜微分、植被指數反演等方法來研究植被[3-5]。城市的快速發展使植被呈碎片狀，導致城市高光譜遙感圖像混合像元現象嚴重，給城市植被類型識別及長勢分析帶來較大困難。本文選取北京海淀區西山西部向東15 km的城郊結合部為研究區，該區域不僅包含了頤和園、北京植物園和西山公園等城區綠地，還有高爾夫球場、行道樹以及零星破碎的城市植被。然后基于Hyperion高光譜數據來研究地物像元混合嚴重、呈零星碎片狀的城市植被。

1 Hyperion數據準備

1.1 輻射定標

Hyperion高光譜數據使用前需要輻射定標，將像元值轉換為絕對輻射值。由于Hyperion數據生產時采用擴大因子，因此可以將可見近紅外（VNIR）波段像元值除以40，短波紅外（SWIR）波段除以80，然后合并兩個圖像文件，得到絕對輻射值圖像，完成輻射定標。

1.2 波段選取

Hyperion高光譜影像共242波段中，有部分波段沒有定標，像元值為0，它們是波段1～7、58～76、225～242。另外由于某些波段受水汽影響較大，包含信息量極少，需要剔除。

1.3 壞線處理

由于傳感器的標定過程有一些誤差，導致Hyperion的L1級產品存在不正常的數據。有些數據值非常小，甚至為0，這樣的行或列為壞線。對經過波段選取的149個波段的Hyperion圖像進行逐波段的檢查，并記錄有壞線存在的波段和對應的列號，然后用其相鄰行或列的平均值修復[6]。

1.4 FLAASH大氣校正

FLAASH大氣校正不僅可以校正由于漫反射引起的鄰域效應，同時也提供了對整幅影像能見度的計算結果。此外，它還可以生成水汽含量圖、云層圖等輔助信息。利用這些信息可以去除大氣的影響，從高光譜影像中獲取地物的地表反射率信息[7]。大氣校正結果如圖1。

圖1 校正前后健康植被光譜曲線

2 融合算法改進

遙感影像的空間分辨率和光譜分辨率一直存在著不可避免的矛盾，這種情況在高光譜數據中表現尤為明顯。Hyperion高光譜影像有242個波段，但是它的空間分辨率只有30 m，不夠研究零星破碎的城市植被。本文針對高光譜數據特點，引進混合像元分解思想來改進Gram-Schmidt融合變換算法，然后利用經過預處理的EO1-Hyperion航天高光譜數據和ALI全色10 m波段進行融合實驗。

2.1 混合像元分解

在高光譜遙感影像中混合像元普遍存在，像素很少由單一均勻的地物組成，大都是由幾種地物混合而成。通過混合像元分解技術可以提取光譜數據像元的各地物成分及所占比例。混合像元分解主要包括端元提取和端元組分豐度計算兩部分內容，前者可以獲得混合像元內地物種類信息，后者可以計算得到各種地物端元在混合像元中所占的比例[8]。

2.1.1 基于幾何頂點的端元提取

首先利用相關性很小的兩個圖像波段（經過PCA或者MNF變換的前兩個波段），作為X、Y軸構成二維散點圖，理想狀態下散點圖呈三角狀[9]，幾何頂點端元提取結果如圖2所示。在實際的端元選擇過程中，選擇散點圖周圍凸出部分區域，然后獲取這個區域相應原始影像圖的平均波譜作為端元波譜。在圖3中，綠色表示植被，藍色表示水體，褐色表示人造地物。通過對比實測地物光譜曲線，表明基于幾何頂點的端元提取方法較為準確地提取了較為純凈的植被、水體和人工地物端元。

圖2 幾何頂點端元提取

圖3 對應端元波普曲線

2.1.2 基于線性混合的高光譜圖像解混

線性混合模型（linear mixing model）是目前應用最廣泛的光譜混合模型。混合像元的線性混合模型中，每個像元的反射率是由它的端元組分反射率與各自對應豐度線性組合而成[10]。因此，第i波段像元反射率ri可以表示為：

式中，aij表示第i個波段第j個端元的反射率；xj是該像元第j個端元的豐度。ei是第i波段的誤差，i=1，2，…，m；j=1，2，…，n；m表示波段數；n表示選定的端元數。

可表示為矩陣形式：

利用公式（1）或（2）可以求得每個像元內各個端元組分的豐度xj。另外，還需要滿足xj之和為1。通過線性混合像元分解得到各端元的豐度圖，各波段像元的灰度值表示端元在該像元中的百分比，灰度值越高，百分比越大。

2.2 Gram-Schmidt正交化變換

上世紀70年代Schmidt提出了Gram-Schmidt融合方法。從本質上來看，它是多維線性正交變換，經常用于線性代數和多元統計[11]。在任意可內積空間條件下，如果一組向量相互獨立，通過Gram-Schmidt變換可以找到該向量對應的一組正交基。假設一組相互獨立的向量{u1，u2，…，un}，可以通過Gram-Schmidt變換構造它的正交向量{v1，v2，…，vn}。假設v1=u1，通過公式（3）和（4）依次計算第i+1個正交向量：

式中，wi為已經計算的前i個正交向量跨越的空間，projwiui+1是ui+1在wi的正交投影。

2.3 結合混合像元分解和Gram-Schmidt融合算法

在Gram-Schmidt正交化變換中，第一分量模擬圖像v1的質量對融合后圖像質量影響較大。通常情況下可以通過計算 m個光譜波段的平均值進行模擬；或者將高分辨率全色波段進行局域均值化處理來模擬全色圖像。然而，前者雖然空間信息增強效果較好，但在Gram-Schmidt反變換過程中，光譜特征受到全色波段的影響，導致圖像融合后光譜特征存在一定的扭曲。由于光譜特征與Gram-Schmidt反變換時采用的全色波段的影響，融合圖像光譜特征有一定的扭曲。后者光譜保真度較好，然而空間信息增強效果較差[12-13]。為了使融合后的圖像在達到較好的空間信息增強效果的同時，又保證較高的光譜保真度[13-15]，可以利用混合像元分解思想來改進Gram-Schmidt融合變換方法。

2.3.1 模擬低分辨率全色圖像

通過混合像元分解算法提取高光譜圖像各端元波譜曲線；利用對應端元豐度值xj賦予權重系數，最后通過計算它們的權重之和來模擬全色低分辨率圖像PSim，計算方法如公式（5）、（6）所示：

式中，Bi為i波段對應的值；Sj為j端元波譜曲線的平均值；xj為j端元的豐度值；m為高光譜波段數；n為高光譜端元數。

2.3.2 Gram-Schmidt正交變換

利用步驟§2.3.1產生的模擬圖像作為Gram-Schmidt變換的第一分量進行計算，那么第T分量 GST的計算如公式（7）：

式中，BT為原始高光譜第T波段；μT為原始高光譜波段灰度均值；（BT，GS1）為協方差。

2.3.3 Gram-Schmidt反變換

首先需要調整高分辨率圖像使之與模擬第一分量相匹配。然后把第一分量替換掉，進行Gram-Schmidt反變換，可得到融合圖像。Gram-Schmidt反變換如公式（8）：

2.4 改進融合算法精度分析

由圖4所示，圖4a為Hyperion原始圖像，圖4b為通過計算 m個光譜波段的平均值進行模擬全色波段融合后的圖像，圖4c為經過改進的融合算法結果圖。經過對比分析可知，融合后的影像空間分辨率都得到明顯提高，道路、河堤、人工建筑都可以看到清晰的紋理，不存在輕微的馬賽克現象，并且整個圖像的色調都有很大提升。

圖4 融合前后對比圖

從亮度、對比度、清晰度和波譜扭曲等方面進行初步判斷后，為了更加準確地評判融合圖像質量，還需要在主觀評價的基礎上進行客觀的定量評價[13-14]。本文選取第15波段，對比融合前后的圖像的標準差、信息熵、平均梯度和相關系數進行分析評判，各參數信息如表1所示。通過對比均值和標準差可知，二種融合方法都與原始高光譜圖像光譜信息有稍微偏差，但經過混合像元分解改進的融合方法與原始高光譜數據和ALI全色波段的相關性更強，光譜信息損失更少，而均值模擬法的標準差變化較大，相關系數也比較低。另外，通過信息熵和平均梯度可知，經過圖像融合，二種方法的空間信息都得到明顯增強。

表1 波段15圖像融合質量定量評價

通過對EO1-Hyperion航天高光譜數據和ALI全色波段融合前后圖像的定性和定量分析可知，引入混合像元分解思想的Gram-Schmidt高光譜融合算法，考慮了原始高光譜數據的光譜信息，綜合了圖像的空間分辨率和光譜分辨率信息，生成的融合圖像提高了圖像空間分辨率的同時，減少了之前融合算法的光譜扭曲，較好地保留了原始光譜信息，提高了融合圖像的質量。

3 植被類型識別

高光譜數據經過融合后，采用最小距離方法進行植被類型識別。最小距離監督分類通過訓練樣本先確定類別數目和類別中心，建立判別函數，然后再進行分類。一般在訓練樣本時，樣本數要達到波段數的10倍，本文選用的高光譜圖像有224個波段，則需要2 240個樣本，這樣會導致高光譜分類陷入維數災難[15]。另外，如果參加分類的波段相關性較強，則方差、協方差的逆矩陣可能不存在或不穩定，進而影響分類判別函數。為了避免上述問題，需要在分類之前用主成分變換（PCA）對融合后的高光譜圖像進行降維和去相關性處理。植被識別結果如圖5。

圖5 最小距離監督分類圖

經過融合處理后的高光譜圖像分類精度達到84.9%，kappa系數為0.81，尤其是水體分類精度達到百分之百，其他植被分類精度分別為：草地80.3%、喬木74.5%、人工建筑71%、灌木89.30%、裸地93.45%，基本上達到植被類型識別的目的。在城市研究區內，人工建筑與建筑周圍的植被混雜地塊較多，比如行道樹與道路，住宅區與綠化帶之間的混雜，在分辨率偏低的高光譜圖像中像元混合情況較為嚴重，導致喬木與人工建筑分類比較低。

4 結 語

通過利用高光譜數據研究城市植被，發現引入混合像元分解思想的Gram-Schmidt高光譜融合算法，不僅提高了圖像空間分辨率，相比之前融合算法減少了光譜扭曲，較好地保留了原始光譜信息，提高了融合圖像的質量，為之后植被識別精度的提高奠定了基礎。經過融合處理后的高光譜圖像總體分類精度達到84.9%，尤其是水體分類精度達到百分之百，各植被類別精度均在74%以上，基本上滿足了植被類型識別的精度要求。

[1] 王伯蓀.城市植被與城市植被學[J].中山大學學報,1998,37(4): 32-38

[2] 浦瑞良,宮鵬.高光譜遙感及應用[M].高等教育出版社,2000

[3] WANG L,SOUSA WP. Distinguishing Mangrove Species with Laboratory Measurement of Hyperspectral leaf Reflectance[J]. International Journal of Remote Sensing, 2009, 30(5):267-281

[4] 潘灼坤,王芳,等.高光譜遙感城市植被脅迫檢測研究[J].遙感技術與應用,2012,27(1):69-80

[5] LUCAS R,BUNTING P,PATERSON M,et al. Classification of Australian Forest Communicaties Using Aerial Photography, CASI and Hymap Data [J].Remote Sensing of Environment, 2008,112(5):2 088-2 103

[6] 譚炳香,李增元.EO-Hyperion高光譜數據的預處理[J].應用技術,2005,23(1):36-40

[7] 袁金國,牛錚.基于FLAASH的Hyperion高光譜影像大氣校正[J].光譜學與光譜分析,2009,29(5):1 182-1 187

[8] 許菡,李小娟.Normalized Cut與分水嶺變換在高光譜影像混合像元端元提取中的應用[J].中國圖像圖形學報,2012,17(7):880-885

[9] 張立燕,諶德榮,等.端元提取技術在高光譜圖像壓縮中的應用[J].光譜學與光譜分析,2008,28(7):1 445-1 449

[10] 陶秋香,陶華學,張連蓬.線性混合光譜模型在植被高光譜遙感分類中的應用研究[J].勘查科學技術,2004(1):21-24

[11] 趙韜,劉俊,等.Gram-Schmidt算法及其并行實現[J].微電子學與計算機,2007,24(9):137-141

[12] 李曉.像素級圖像融合方法[J].信息通信,2015,148(4):41–50

[13] 閆利,岳喜娟.一種定量確定遙感融合圖像空間分辨率的方法[J].武漢大學學報（信息科學版）, 2007,32(8):665-675

[14] 馬一薇.高光譜遙感圖像融合技術與質量評價方法研究[D].鄭州:解放軍信息工程大學,2010

[15] MASSOUR K,MUTANGA O.Discriminating Indicator Grass Species for Rangeland Degradation Assessment Using Hyperspectral Data Resampled to AISA Eagle Resolution [J].Isprs Journal of Photogrammetry and Remote Sensing,2012,70(4):56-65

P237

B

1672-4623（2017）02-0072-04

10.3969/j.issn.1672-4623.2017.02.023

2015-11-26。

項目來源：國家自然科學基金資助項目（41201075）；北京市教委科技資助項目（KM201210028012）。

梁志林，研究方向為高光譜遙感應用。