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(yīng)用

吳培強(qiáng), 張 杰, 馬 毅, 任廣波

(國(guó)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(cuò)地帶, 其景觀結(jié)構(gòu)復(fù)雜、生態(tài)系統(tǒng)多樣, 既是自然力作用強(qiáng)烈的地帶, 也是人類活動(dòng)劇烈的地帶。研究濱海濕地的植被類型及其分布, 對(duì)于全球氣候變化研究、生物多樣性保持和珍稀動(dòng)植物保護(hù)等, 具有重要意義。隨著對(duì)海岸帶區(qū)域開(kāi)發(fā)利用和管理工作的精細(xì)化, 對(duì)該區(qū)域地物精細(xì)化監(jiān)測(cè)的需求越來(lái)越高, 利用高光譜遙感數(shù)據(jù)進(jìn)行濱海濕地植被類型的監(jiān)測(cè)研究已成為目前遙感應(yīng)用領(lǐng)域的研究熱點(diǎn)。但高光譜數(shù)據(jù)通常具有波段數(shù)多、數(shù)據(jù)量大和波段之間相關(guān)性大等特點(diǎn), 導(dǎo)致分類過(guò)程計(jì)算量增大、計(jì)算復(fù)雜度增加, 并影響分類精度。如何在高光譜數(shù)據(jù)中有效的、準(zhǔn)確的選擇出其典型地物的特征波段, 是當(dāng)前面臨的主要問(wèn)題之一。

特征波段選擇是高光譜圖像應(yīng)用研究的基礎(chǔ)。近年來(lái), 已有不少國(guó)內(nèi)外學(xué)者開(kāi)展了相關(guān)研究。王讓會(huì)等[1]通過(guò)分析土地水分的光譜數(shù)據(jù), 利用回歸分析等方法得出了用于土壤水分遙感監(jiān)測(cè)的特征波段;劉春紅等[2]在參考高光譜圖像的空間相關(guān)性和譜間相關(guān)性的基礎(chǔ)上, 提出了一種簡(jiǎn)單易行的自適應(yīng)波段降維方法。楊金紅等[3]結(jié)合圖像上各地物連續(xù)光譜間的可分性對(duì)自適應(yīng)波段的降維方法進(jìn)行了改進(jìn)。蘇紅軍等[4]基于高光譜影像數(shù)據(jù)的特點(diǎn), 探討了高光譜波段選擇熵及聯(lián)合熵、最佳指數(shù)因子和自動(dòng)子空間劃分等算法并驗(yàn)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(qū)分性好波段。郭磊等[6]構(gòu)造了一種高光譜圖像融合的最佳波段選擇新模型-聯(lián)合偏度-峰度指數(shù)模型, 用于特征波段的選擇。Millette[7]利用統(tǒng)計(jì)學(xué)的方法對(duì)特定的地物來(lái)進(jìn)行波段選擇并開(kāi)展實(shí)驗(yàn)。Chang等[8]將約束能量最小化的理論應(yīng)用于高光譜波段選擇, 提出了約束波段選擇算法。從國(guó)內(nèi)外研究可以看出大多數(shù)學(xué)者的研究集中在單純以影像波段相關(guān)信息來(lái)進(jìn)行高光譜的特征波段選取, 少見(jiàn)利用現(xiàn)場(chǎng)實(shí)測(cè)光譜來(lái)選擇特征波段。

作者利用現(xiàn)場(chǎng)測(cè)量獲取的黃河口典型濱海濕地地物光譜數(shù)據(jù), 開(kāi)展不同地物之間光譜可分性的研究, 提取相應(yīng)的地物之間的光譜可分區(qū)間, 基于此選擇影像上對(duì)應(yīng)的波段作為地物區(qū)分的特征波段,開(kāi)展監(jiān)督分類研究。

1 研究區(qū)與數(shù)據(jù)

1.1 研究區(qū)域

本文研究區(qū)選擇黃河入?？谛吕虾拥廊牒？趦蓚?cè)(圖1), 位于黃河三角洲國(guó)家級(jí)自然保護(hù)區(qū)核心區(qū),該區(qū)域是中國(guó)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(niǎo)類的集中分布地和越冬棲息地。但由于資源開(kāi)發(fā)和經(jīng)濟(jì)發(fā)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(duì)黃河三角洲海岸濕地資源, 特別是植被資源的監(jiān)測(cè)與保護(hù)意義重大。

圖1 研究區(qū)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(shù)據(jù)與處理

研究采用的高光譜數(shù)據(jù)為 PROBA/CHRIS衛(wèi)星數(shù)據(jù), PROBA是歐空局(ESA)于2001年10月22日發(fā)射的小衛(wèi)星, 為太陽(yáng)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(jì) CHRIS, 成像角度分別為 0°、±36°和±55°。作者所使用的影像獲取的時(shí)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(gè)波段, 波段的光譜分辨率為 5.9～44.1 nm(圖1)。

由于CHRIS數(shù)據(jù)本身有嚴(yán)重的條帶噪聲, 因此利用ESA提供的HDFclean軟件對(duì)影像進(jìn)行水平噪聲和垂直噪聲的去除, 然后開(kāi)展影像的輻射校正、大氣校正等預(yù)處理。

1.3 現(xiàn)場(chǎng)光譜數(shù)據(jù)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(duì)研究區(qū)域開(kāi)展了兩次現(xiàn)場(chǎng)踏勘, 共獲取了不同地物類型現(xiàn)場(chǎng)光譜曲線 300余條, 通過(guò)對(duì)光譜的質(zhì)量控制, 去除了異常光譜, 質(zhì)控后共有光譜113條(表1)。

表1 地物現(xiàn)場(chǎng)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(guò)采集植被光譜曲線,利用植被光譜之間的差異來(lái)區(qū)分植被種間類型。作者沿用此方法, 采用單倍標(biāo)準(zhǔn)差來(lái)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(biāo)準(zhǔn)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(duì)黃河三角洲的每一種地物類型, 以其單倍標(biāo)準(zhǔn)差為界, 將其他地物的均值光譜與之進(jìn)行對(duì)比, 得到光譜不相交的光譜區(qū)間, 則這些區(qū)間內(nèi)光譜對(duì)此地物可分度為1, 相交區(qū)間內(nèi)光譜對(duì)此地物可分度為0; 依此方法對(duì)研究區(qū)內(nèi)7種地物作兩兩比對(duì), 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(shí)測(cè)光譜擬合光譜曲線Fig.2 Spectral fitting curves of Seven kinds of field feature

根據(jù)上述方法所得出的地物光譜可分度數(shù)值,對(duì)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(gè)波段為作為特征波段, 開(kāi)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(jié)果與分析

應(yīng)用SVM、ANN和SAM等3種常用的監(jiān)督分類方法, 開(kāi)展利用全波段的和利用本文方法選擇特征波段的分類對(duì)比實(shí)驗(yàn)。分類結(jié)果見(jiàn)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(shù)分別為0.76和0.75, SAM分類效果最差, 僅為65.54%。較全波段開(kāi)展分類的結(jié)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(duì)比不同類型地物的生產(chǎn)者精度(PA), 基于特征波段選擇后的 3種監(jiān)督分類方法的分類結(jié)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(dá)到 87.98%; 檉柳的分類精度最低, SVM 和 ANN分類結(jié)果后, 生產(chǎn)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(fù)雜, 經(jīng)現(xiàn)場(chǎng)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(qū)間及對(duì)應(yīng)CHRIS影像波段Tab.2 Band range above separability of 33 and corresponding band of CHRIS image

圖4 3種經(jīng)典監(jiān)督分類結(jié)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(jīng)典監(jiān)督分類結(jié)果(18波段)Fig.5 Three kinds of supervised classification results (18th band)

表3 3種監(jiān)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(jiān)督分類算法的UA(%)和Kappa系數(shù)Tab.4 UA (%) and Kappa of three kinds of supervised classification algorithms

就用戶精度(UA)來(lái)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(jié)果較全波段都有所提升。以堿蓬提升最多, 3種監(jiān)督分類結(jié)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(jié)合現(xiàn)場(chǎng)踏勘, 發(fā)現(xiàn)堿蓬植株矮小, 約在 30 cm, 且植株間距大, 在人工解譯時(shí), 堿蓬覆蓋度較小的區(qū)域歸入裸灘, 由此導(dǎo)致其使用者精度低。

4 結(jié)論與討論

作者利用地物現(xiàn)場(chǎng)實(shí)測(cè)光譜, 通過(guò)分析其光譜差異, 利用單倍標(biāo)準(zhǔn)差方法, 選擇出特征光譜進(jìn)行組合, 利用三種典型的監(jiān)督分類方法(SVM、ANN和SAM)開(kāi)展分類研究, 結(jié)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(shí)別能力高, 生產(chǎn)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(jiàn)基于光譜可分度的特征波段選擇方法, 能夠?qū)⒋蟛糠值匚锏奶卣鞑ǘ翁暨x出來(lái), 對(duì)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(qū)內(nèi)部分地物混雜, 由此造成地物解譯可能存在一定偏差, 對(duì)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(huì)給分類精度帶來(lái)影響, 對(duì)此將在今后工作中開(kāi)展下一步研究。

[1]王讓會(huì), 劉培君.干旱區(qū)土壤水分遙感監(jiān)測(cè)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(guó)圖像圖形學(xué)報(bào), 2005, 10(2): 218-222.

[3]楊金紅, 尹球, 周寧.一種改進(jìn)的高光譜數(shù)據(jù)自適應(yīng)波段選擇方法[J].遙感技術(shù)與應(yīng)用, 2007, 22(4):513-519.

[4]蘇紅軍, 杜培軍, 盛業(yè)華.高光譜影像波段選擇算法研究[J].計(jì)算機(jī)應(yīng)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(yáng).高光譜圖像融合最佳波段選擇方法[J].宇航學(xué)報(bào), 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.