基于光譜特征參量化的高光譜影像精細(xì)分類

李 杰，萬幼川

（1.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079）

基于光譜特征參量化的高光譜影像精細(xì)分類

李 杰1，萬幼川1

（1.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079）

從高光譜影像能夠提供地物連續(xù)光譜曲線的優(yōu)勢出發(fā)，提出了提取地物診斷性光譜吸收峰的特征參數(shù)進(jìn)行地物精細(xì)分類的方法。用OMIS高光譜數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，首先對光譜曲線進(jìn)行包絡(luò)線去除處理，然后在歸一化的曲線上提取光譜吸收峰的形態(tài)特征參數(shù)，根據(jù)不同種地物的光譜差異與分類需求進(jìn)行特征參數(shù)選擇，用于地物分層精細(xì)分類，在每一類別的地物之中實(shí)現(xiàn)不同子類的區(qū)分。分類總體精度達(dá)到81.022 6%，Kappa系數(shù)為0.748 9，尤其在植被和水體的子類區(qū)分上取得了較好的效果，證實(shí)了該方法的有效性。

高光譜；光譜吸收特征；精細(xì)分類；參量化

1 光譜吸收特征參量化

1.1 包絡(luò)線去除

光譜曲線的包絡(luò)線去除處理是為了將曲線上的光譜反射率歸一化到0～1之間，突出和增強(qiáng)地物在光譜曲線上的吸收和反射特征[1-7]。包絡(luò)線可以看作光譜曲線的“外殼”， 它由曲線上的極大值點(diǎn)逐點(diǎn)相連接構(gòu)成，要求每個極大值點(diǎn)處的折線段外角大于180°。包絡(luò)線分布勢態(tài)如圖1所示。

圖1 包絡(luò)線去除示意圖

圖1中，曲線1為光譜曲線；曲線2為包絡(luò)線；曲線3為包絡(luò)線去除結(jié)果曲線。將光譜曲線上的每一個波段的光譜值除以包絡(luò)線上對應(yīng)點(diǎn)的值，就得到了這個點(diǎn)的包絡(luò)線去除結(jié)果：

式中，r'（i）為歸一化后波段i的結(jié)果值；r（i）為歸一化前波段i對應(yīng)的光譜反射率值；h（i）為包絡(luò)線上波段i對應(yīng)的值。歸一化后，0≤r'（i）≤1。

在本文中，包絡(luò)線求取采用的是外殼系數(shù)法[8]。這種方法的缺陷是由找到的極值點(diǎn)連接起來的折線有可能與原光譜曲線的反射峰相交，會出現(xiàn)包絡(luò)線沒有“包住”原曲線的情況。針對外殼系數(shù)法的這一缺陷，在求取初始包絡(luò)線后，逐一判斷初始包絡(luò)線上的值是否小于原光譜曲線的點(diǎn)，若小于，則用原光譜曲線的點(diǎn)將其替換。

1.2 光譜吸收特征參數(shù)

地物光譜曲線上，表征地物之間區(qū)別的典型特征是地物物質(zhì)組成不同造成的診斷性光譜吸收峰。通過提取曲線上吸收峰的吸收波段的波長位置、吸收深度、吸收寬度、吸收對稱度、吸收面積等參數(shù)，可以達(dá)到識別不同地物的目的。光譜吸收特征參數(shù)有：

①吸收位置，吸收谷內(nèi)光譜最小值對應(yīng)的波長；②左肩、右肩，吸收谷的起點(diǎn)與終點(diǎn)；③吸收深度，吸收谷內(nèi)反射率最低的點(diǎn)到光譜曲線包絡(luò)線的距離；④吸收寬度，吸收谷的起點(diǎn)到終止點(diǎn)之間的波長間隔；⑤吸收對稱性，吸收位置的左邊區(qū)域與整個波谷面積之比；⑥光譜吸收指數(shù)（SAI），吸收位置上的反射率值與基線上對應(yīng)值之比的倒數(shù)[9]。

如圖2所示，一個光譜吸收峰的吸收位置為P，吸收峰的左肩右肩分別為R1和R2， R1和R2的連線稱為非吸收基線。P對應(yīng)的波長為λM、對應(yīng)的反射率為ρM，R1和R2的波長和反射率分別為λ1、λ2、ρ1、ρ2，從P點(diǎn)作垂線與非吸收基線求交點(diǎn)，其反射率為ρ，則此吸收谷的對稱性參數(shù)d為：

則SAI的計算公式為：

圖2 光譜吸收特征參數(shù)示意圖

SAI可以作為比較光譜吸收強(qiáng)弱度的標(biāo)準(zhǔn)。

2 地物光譜特征分析

精細(xì)分類的關(guān)鍵在于尋找不同子類之間的診斷性光譜特征差異。實(shí)驗(yàn)影像有3大類地物：植被、水體和建筑物，對每一大類都要進(jìn)行子類之間的光譜特征差異分析，以取得好的子類區(qū)分效果。

1）植被有特定的光譜反射特征，健康綠色植物的光譜反射在可見光波段（0.38～0.76 μm）中，在0.45 μm（藍(lán)光）和0.67 μm（紅光）波段表現(xiàn)出較強(qiáng)的吸收，在這2個吸收帶之間形成了一個小的反射峰，這是因?yàn)槿~綠素對藍(lán)光和紅光主要產(chǎn)生吸收作用，而對綠光主要產(chǎn)生反射作用[10]。在近紅外波段（0.7～0.8 μm）反射率會陡然上升，至1.l μm附近達(dá)到峰值，這個陡坡稱為植被的紅邊，是植被獨(dú)有的光譜特征[11]。在1.3～1.25 μm反射率下降，在1.4 μm、1.9 μm和2.7 μm處為水的吸收帶，形成3個低谷。不同種類的植物之間，光譜差異主要體現(xiàn)在紅光波段的吸收峰的形態(tài)差異和紅邊的反射率增長強(qiáng)度差異，如圖3。所以對于植被分類，可以提取紅光波段吸收峰的相關(guān)參數(shù)和紅邊參數(shù)進(jìn)行子類區(qū)分。

圖3 不同植物光譜曲線示意圖

2）水體的光譜反射是水體各組分（浮游生物、懸浮物、黃色物質(zhì)等）的吸收和散射等共同作用的結(jié)果。實(shí)驗(yàn)區(qū)的3類水體——河流、水塘、廢棄魚塘之間的區(qū)別主要在于含沙量的不同，所以不同含沙量水體的光譜差異可以作為分類的特征選取標(biāo)準(zhǔn)。含沙水體的標(biāo)志性反射特征是在0.6～0.85 μm的“雙峰”，如圖4所示，第一個反射峰位置在 0.6～0.7 μm；第二個反射峰位置在 0.76～0.82 μm。雙峰的形態(tài)特征與水體含沙量的多少有著密切的關(guān)系，圖4中，曲線1含沙量為0.312 0 g/L；曲線2含沙量為0.090 5 g/L；曲線3含沙量為0.037 3 g/L；曲線4含沙量為0.018 7 g/L。因此，可以提取雙峰之間吸收峰的特征參數(shù)來區(qū)分水體的不同子類。

圖4 不同含沙量水體光譜曲線示意圖

3）建筑物的3類道路、廠房、居民地都屬于人工地物，其光譜特性由其建筑鋪面材料決定。由于人工建筑材料沒有特定的標(biāo)志性光譜反射特征，故在建筑物的光譜曲線上選取光譜吸收指數(shù)最大的幾個吸收峰作為分類特征。

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)分析

本次實(shí)驗(yàn)采用的數(shù)據(jù)是128波段OMIS高光譜影像，影像大小為512行×512列，圖5展示了實(shí)驗(yàn)區(qū)影像的假彩色合成圖和實(shí)地調(diào)查圖。根據(jù)實(shí)地調(diào)查圖，本實(shí)驗(yàn)區(qū)的地物可以分成3大類：水體、植被和建筑物。其中，水體又可以分為3類：河流、水塘、廢棄魚塘；植被可以分為2類：草地、小麥；建筑物可以分為3類：道路、廠房、居民地。

圖5 實(shí)驗(yàn)區(qū)影像

3.2 分類實(shí)驗(yàn)

從實(shí)地調(diào)查圖中可以看出，實(shí)驗(yàn)區(qū)地物類型呈現(xiàn)明顯的層次特點(diǎn)，可以先進(jìn)行一次粗分類，把圖像的3 大類水體、植被和建筑物分出來。粗分類完成后，對于每一個大類，再進(jìn)行基于光譜吸收特征參數(shù)提取的精細(xì)分類。

根據(jù)對不同地物的光譜特征差異分析結(jié)果，對于植被分類，提取植被紅光波段吸收峰的吸收位置、左肩位置、右肩位置、吸收指數(shù)、吸收寬度、吸收深度、吸收面積和吸收對稱性，還有紅邊變化率這幾個參數(shù)進(jìn)行子類區(qū)分。對于不同水體，提取其標(biāo)志性反射雙峰之間（0.7～0.76 μm）的光譜吸收峰的吸收位置、左肩位置、右肩位置、吸收指數(shù)、吸收寬度、吸收深度、吸收面積和吸收對稱性參數(shù)進(jìn)行區(qū)分。對于人工建筑物，選取光譜曲線上光譜吸收指數(shù)最大的3個吸收峰，提取其吸收位置、吸收指數(shù)、吸收寬度、吸收深度、吸收面積和吸收對稱性參數(shù)用于分類。表1給出了光譜吸收特征提取的一個示例，提取了實(shí)驗(yàn)影像上一個草地像元的光譜曲線上的7個特征吸收峰的參數(shù)。

表1 草地光譜吸收特征提取示例

從表1可以看出，提取的草地光譜吸收峰的位置、形態(tài)與植被的典型特征光譜是相吻合的，有可見光波段的葉綠素吸收造成的2個吸收峰和近紅外波段的水吸收造成的3個吸收峰。

根據(jù)上述特征選擇方式提取光譜吸收特征進(jìn)行分類，得到分類結(jié)果，并與常見的高光譜影像分類方法光譜角填圖（SAM）的分類結(jié)果比較。圖6a為基于光譜特征參量化的分類結(jié)果，圖6b為SAM分類結(jié)果。

圖6 分類結(jié)果對比

基于光譜特征參量化的分類總體精度為81.022 6%，Kappa系數(shù)為0.748 9，8種地物分類精度矩陣如表2。

表2 分類精度矩陣/%

由表2可知，不同大類地物之間得到了比較理想的區(qū)分，同種大類不同子類之間，河流、水塘和廢棄魚塘的區(qū)分度較好；草地和小麥之間也有效地區(qū)分開來；建筑物的居民地、廠房和道路之間分類效果較差；分析以上地物光譜特征差異可知，不同水體的含沙量區(qū)別較大造成提取的光譜特征之間區(qū)別明顯，不同種植物如草地和小麥的紅谷吸收峰和紅邊參數(shù)也有很高的區(qū)分度，而人工建筑的道路、居民地和廠房的建筑材料相似或相同，造成光譜特征相似或相同，所以分類效果較差。SAM分類的總體精度為65.524 0%，Kappa系數(shù)為0.559 6，對于草地和小麥，河流、魚塘和廢棄魚塘之間有較多的錯分現(xiàn)象。相對于SAM，基于光譜特征參量化的分類方法精度更高，對于同類地物的不同子類的區(qū)分更為準(zhǔn)確。

[1] 浦瑞良,宮鵬. 高光譜遙感及其應(yīng)用[M]. 北京:高等教育出版社, 2001[2] Du Peijun, Tan Kun, Xing Xiaoshi. A Novel Binary Tree Support Vector Machine for Hyperspectral Remote SensingImage Classification[J]. Optics Communications, 2012, 285(13-14): 3 054-3 060

[3] Debba P,van Ruitenbeek F J A,Meer F D,et al. Optimal Field Sampling for Targeting Minerals Using Hyperspectral Data[J].Remote Sensing of Environment, 2005, 99(4): 373-386

[4] 暢文娟,何明一. 高光譜圖像組合光譜特征研究[J]. 現(xiàn)代電子技術(shù), 2013, 36(14):104 -107

[5] 杜培軍, 譚琨, 夏俊士. 高光譜遙感影像分類與支持向量機(jī)應(yīng)用研究[M].北京:科學(xué)出版社, 2012

[6] Meer F D. Analysis of Spectral Absorption Features in Hyperspectral Imagery[J]. Journal of Applied Earth Observation and Geoinformation, 2004, 5(1): 55-68

[7] 徐元進(jìn),胡光道,張振飛. 包絡(luò)線消除法及其在野外光譜分類中的應(yīng)用[J]. 地理與地理信息科學(xué),2005, 21(6): 11-14

[8] 徐元進(jìn). 面向找礦的高光譜遙感巖礦信息提取方法研究[D].武漢:中國地質(zhì)大學(xué),2009

[9] 王晉年,鄭蘭芬,童慶禧. 成像光譜圖像光譜吸收鑒別模型與礦物填圖研究[J]. 環(huán)境遙感, 1996, 11(1): 20-31

[10] 譚昌偉,郭文善,王紀(jì)華,等.淺析遙感光譜特征參量的原理及基本方法[J].遙感技術(shù)與應(yīng)用,2010,25(1):155-160

[11] 楊可明, 郭達(dá)志, 陳云浩. 高光譜植被遙感數(shù)據(jù)光譜特征分析[J]. 計算機(jī)工程與應(yīng)用, 2006, 42(31): 213-215

P237.4

B

1672-4623（2015）04-0086-03

10.3969/j.issn.1672-4623.2015.04.031

李杰，碩士，研究方向?yàn)檫b感圖像處理。

2015-03-11。

項(xiàng)目來源：國家科技支撐計劃資助項(xiàng)目（2014BAL05B07）；高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目（20130141130003）。