基于ETM+影像的綠地信息提取方法研究

鮑新雪 ，王曉紅 ，吳　叢，楊　松，劉芳誠

(1.貴州大學　礦業(yè)學院，貴州 貴陽 550025；2.貴州大學　林學院，貴州 貴陽 550025)

?

基于ETM+影像的綠地信息提取方法研究

鮑新雪1，王曉紅2，吳叢1，楊松1，劉芳誠1

(1.貴州大學礦業(yè)學院，貴州 貴陽 550025；2.貴州大學林學院，貴州 貴陽 550025)

摘要：文中以ETM+影像為數(shù)據(jù)源實現(xiàn)對貴陽市某城區(qū)的綠地信息提取。對獲取的影像進行預處理，分別通過不同的方法：原始波段組合法、主成分分析法(PCA)、獨立分量分析法(ICA)、歸一化植被指數(shù)法(NDVI)及基于第一獨立分量的實驗室波段組合法，獲取研究區(qū)的假彩色合成影像。將以上方法得到的影像數(shù)據(jù)進行對比分析，表明植被景觀目視效果最好的是原始波段組合法。將得到的影像數(shù)據(jù)進行監(jiān)督分類，通過目視解譯的方法進行精度評價，結果表明，基于第一獨立分量的實驗室波段組合法綠地信息提取精度最高，是一種有效的綠地信息提取方法。

關鍵詞：綠地提取 ；波段組合；獨立分量分析；主成分分析；歸一化植被指數(shù)

城市綠地是指城市中被自然的或是人工的植被所覆蓋的場地，它的表現(xiàn)形態(tài)是復雜而多樣的。城市綠地起著改善城市的生態(tài)環(huán)境、城市的外觀風貌和旅游棲息條件的作用，同時還是衡量城市現(xiàn)代化水平的重要標志之一[1]。因此，能夠實時了解當前城市綠化狀況，不僅可以對當前的城市生活環(huán)境質量進行評估，而且還能對以后的綠化進行指導和規(guī)范。傳統(tǒng)的測量方法很難及時提供綠地的現(xiàn)狀信息，而現(xiàn)有的遙感技術則可以很好地解決這一問題，鑒于中低分辨率影像數(shù)據(jù)的便捷獲取及易于推廣，不少專家學者對綠地信息實時動態(tài)提取的實現(xiàn)進行了研究。

李寶華、孟華基于TM影像，通過提取歸一化植被指數(shù)實現(xiàn)了開封市的綠地信息提取[2]；曹曉晨等基于遙感影像，通過波段組合實現(xiàn)了徐州市的綠地信息提取及現(xiàn)狀分析[3]。王細元等以TM影像為依據(jù)，通過NDVI、子象元和神經網絡方法實現(xiàn)了淮安市建成區(qū)的綠地信息提取[4]。秦及茹、徐天蜀基于TM影像，以最大似然分類方法和最小距離分類方法實現(xiàn)了香格里拉地區(qū)的綠地信息提取[5]。本文基于TM影像，以貴陽市主城區(qū)的某一區(qū)域為例，對該山區(qū)城市的綠地信息提取研究進行探討。

1研究區(qū)概況及數(shù)據(jù)源

1.1研究區(qū)概況

貴陽市位于貴州省中部偏北，東經106°07′～107°17′，北緯26°11′～26°55′之間，地處云貴高原的東斜坡上，是全國東部向西部高原過渡地帶。地形、地貌走勢大致呈東西向延展，地勢起伏較大，南北高，中部低。奇特的喀斯特地貌大量分布，既有高原山地和丘陵，又有盆地和河谷、臺地，海拔872～1 659m。山城貴陽，已建設成一座美麗的城市，稱譽為“祖國第二個春城”，現(xiàn)在被稱為“林城”，即“森林之城”。

1.2數(shù)據(jù)源

由于貴陽市四季常青，所以遙感影像數(shù)據(jù)采用的是2014-03-16經過貴陽市的Landsat7ETMSLC-off衛(wèi)星數(shù)字產品，條帶號127，航編號47,太陽高度角51.78°，太陽方位角135.75°。該影像數(shù)據(jù)包括9個波段，其中第6波段為紅外波段，分為低增益數(shù)據(jù)和高增益數(shù)據(jù)兩個波段，分辨率均為120m；第8波段為全色波段，分辨率為15m，便于識別地物的幾何特征。其他波段的分辨均為30m。本文采用的波段主要為1、2、3、4、5、7。

2數(shù)據(jù)預處理

由于貴陽市處于費雷爾環(huán)流圈，屬于亞熱帶濕潤溫和型氣候，年平均相對濕度為78%，年平均總降水量為1 129.5mm，年平均陰天天數(shù)為235.1d，所以很難獲取不含云層遮擋的貴陽市影像數(shù)據(jù)，因此，首先要對獲取的影像進行去云處理。由于Landsat7在2003年出現(xiàn)技術故障，之后獲取的數(shù)據(jù)均具有條帶遮擋，因此，要對獲取的影像進行去條帶處理。以1∶50 000的貴陽市地形圖為基礎進行幾何校正，采用雙線性內插法實現(xiàn)影像的重采樣。隨后進行輻射校正、邊緣增強、拉伸處理等一系列預處理操作，最后截取部分貴陽市主城區(qū)的影像數(shù)據(jù)作為研究區(qū)域。本文采用的技術路線如圖1所示。

圖1　技術路線

3研究方法及實驗結果

3.1原始波段組合法

由于影像的各波段間存在一定的相關性，所以基于遙感圖像的專題信息提取有必要選擇合適的波段或是波段組合，以減少不必要的計算。同樣的，ETM+影像各波段間具有較高的相關性，波段間存在大量的冗余信息。為了盡量降低干擾，減少不必要的工作，在進行信息提取時要選擇波段間相關性小，且包含信息量較大的波段組合。由于波段6(1)和6(2)屬于熱紅外波段，分辨率較低，波段8是全色波段只為突出地表幾何形態(tài)，所以本次試驗均不把它們作為實驗波段。通過ERDAS的圖層信息查詢工具(Layerinfo)及空間建模工具(MakeModel)僅實現(xiàn)對波段1～5和7的光譜信息統(tǒng)計及波段間相關系數(shù)計算，其統(tǒng)計計算結果如表1、表2所示。

表1　ETM+六波段光譜信息統(tǒng)計

標準差反映了影像灰度值的離散程度，是衡量影像信息量的重要指標[6]，值越大波段所含信息量就越大。由表1可知波段5的標準差最大，波段5包含的影像信息量最大。

表2　ETM+六波段相關系數(shù)

由表2的相關系數(shù)矩陣可以看出，均為可見光波段的1、2、3波段具有極高的相關性，波段間信息量冗余度較大；同為中紅外波段的5、7波段相關性較高，冗余度也較大；處于中紅外波段的4波段與其它波段相關系數(shù)較小，具有一定的獨立性。

最佳波段的選擇應遵循如下兩個原則[7]：①波段或組合波段包含的信息量盡可能最大；②波段間相關性要盡可能小。所以本研究最佳波段組合應該選取波段1、2、3中的一個，波段4，波段5、7中的一個。本文采取常用的最佳指數(shù)(OIF)來選取最佳波段組合，OIF計算公式如下：

(1)

其中：Si代表第i個波段的標準差，Rij代表第i個波段和第j個波段間的相關系數(shù)。OIF值越大，代表波段包含的影像信息量越大。

幾個最具可能性的波段組合的OIF值統(tǒng)計結果如表3所示。

表3　備選波段組合的OIF值統(tǒng)計結果

由表3統(tǒng)計結果可知，波段組合345的最佳指數(shù)(OIF)最大，表明該波段組合包含影像信息量較大，該組合波段間相關系數(shù)較小。由波段組合345合成的假彩色影像如圖2所示。

圖2　345波段假彩色影像

3.2主成分分析法(PCA)

主成分分析法(又稱K-L變換)是建立在統(tǒng)計特征基礎上的多維正交線性變換，它可以將具有相關性的多波段數(shù)據(jù)壓縮到完全獨立的較少的幾個波段上，使得圖像數(shù)據(jù)更易于解譯，是當前遙感影像處理常用的數(shù)據(jù)壓縮方法之一。對于ETM+影像，由于波段間的高度相關性，對全部波段進行分析是沒有必要的，為了在盡可能保留信息的同時減少數(shù)據(jù)計算量，對影像進行主成分變換。經主成分變換后，95%以上的影像信息會包含在3個主分量PC1、PC2、PC3中，后面的主成分大多是噪聲，不能提供有效的影像數(shù)據(jù)信息。由于主成分變換是在保留有效的影像信息前提下進行的處理，因此，諸多影像分類、特征提取等工作可以在主成分變換后的影像上進行處理。本文影像數(shù)據(jù)，經主成分變換后的3個主分量假彩色合成圖如圖3所示。

圖3　PC1、PC2、PC3假彩色合成影像圖

3.3獨立分量分析法(ICA)

獨立分量分析法是一種高效的影像數(shù)據(jù)壓縮技術，是從盲信號分離技術發(fā)展起來的一種新方法，從觀測信號出發(fā)，對已知信息量很少的源信號進行估計，獲得相互獨立的原始信號的近似值[8]。獨立分量分析不同于主成分分析，主成分分析是基于二階統(tǒng)計量的協(xié)方差矩陣，獨立分量分析是基于高階的統(tǒng)計量，所以獨立分量分析不僅能夠實現(xiàn)主成分分析的去相關特性，而且能夠獲得分量之間相互獨立的特性，因此，獨立分量分析能夠獲得較主成分分析更好的效果。影像數(shù)據(jù)經過獨立分量分析可以獲得較好的解譯效果，本實驗研究的影像數(shù)據(jù)，只生成包含影像有效信息的3個獨立分量的波段影像，ICA1、ICA2、ICA3，3個獨立分量的假彩色合成影像如圖4所示。

圖4　ICA1、ICA2、ICA3假彩色合成影像圖

3.4歸一化植被指數(shù)法(NDVI)

植被指數(shù)是多光譜遙感應用領域對植被進行研究的主要技術手段，植被光譜表現(xiàn)為植被、土壤、陰影、環(huán)境等的復雜混合反應，而且還受大氣空間時相變化等的影響，因此，植被指數(shù)不是一個固定的值，是一個變化的量[9]。植被指數(shù)的種類有很多，包括歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、全球環(huán)境監(jiān)測植被指數(shù)(GEMI)、比值植被指數(shù)(RVI)等[10]。最為常用的是歸一化植被指數(shù)，經比值處理的NDVI不僅能夠削弱與大氣條件相關的負影響而且也可減輕云層、角度等的影響；在裸露的地表NDVI為負數(shù)有植被覆蓋的情況下NDVI值大于零，且隨著植被覆蓋度的增大而增大[11]。

本文實驗研究采用歸一化植被指數(shù)(NDVI)實現(xiàn)綠地信息的提取，NDVI是通過近紅外波段和可見光波段進行比值運算的結果，計算式如下:

(2)

通過ERDAS中的空間建模工具(Spatial Modeler)建立植被指數(shù)計算模型,獲取影像的NDVI提取結果，如圖5所示。

圖5　NDVI提取結果圖

3.5實驗室波段組合法

為了更好地進行影像信息的提取，有時僅僅只考慮影像的原始波段數(shù)據(jù)是不夠的，應該把主成分分析、植被指數(shù)等衍生的波段數(shù)據(jù)考慮在內。目前常用的方法是首先把選中的進行原始波段組合的各波段、第一主成分波段及植被指數(shù)波段進行波段間相關性分析，然后選擇波段間相關性較小的波段進行組合。本文在前人研究的基礎之上，提出用第一獨立分量波段數(shù)據(jù)代替第一主成分波段數(shù)據(jù)和ETM+3，4，5波段及NDVI波段數(shù)據(jù)進行相關性分析，分析結果如表4所示。

表4　ETM+3，4，5，ICA1，NDVI波段間相關系數(shù)矩陣

由表4分析可知,波段4、ICA1、NDVI間相關性最差，用這3個代表著不同性質的差值影像計算波段進行組合，其假彩色合成影像如圖6所示。

圖6　實驗室波段組合影像圖

3.6 結果分析與評價

把上述通過不同方法獲得的影像根據(jù)研究區(qū)實際情況和目視效果，反復對比表明，基于原始波段組合的方法能夠獲取最好的植被景觀目視效果，通過該方法得到的合成影像可以看出，該研究區(qū)處于樹木蔥郁的山林之中。為了獲取不同方法植被信息的提取精度，需要在對影像實現(xiàn)分類的基礎上進行精度評定。本實驗研究采用監(jiān)督分類的方法實現(xiàn)對不同方法獲取的影像進行分類，借助Erdas軟件的精度評價功能，隨機生成200個點，通過目視解譯及實地考察的方法對研究區(qū)影像的分類結果進行精度評定。結果表明：雖然原始波段組合法的植被目視景觀效果最好，但是容易把草皮和裸地誤分，而且很難區(qū)別開喬木叢和灌木叢；主成分分析法能夠突出體現(xiàn)道路和房屋區(qū)域；獨立分量法獲取的影像較主成分分析法獲取的影像層次更加鮮明，地物分類更為細致；歸一化植被指數(shù)法獲取的影像可以很好地區(qū)分植被和非植被，但是容易出現(xiàn)植被多判的情況；基于第一獨立分量的實驗室波段合成法能夠較好地區(qū)分開草皮和裸地、喬木叢和灌木叢，精度較高。不同研究方法的結果分類精度如表5所示。

表5　不同實驗方法分類精度

由表5數(shù)據(jù)分析可知，5種方法均能在某種程度上滿足人們分類信息提取精度的要求，但是基于第一獨立分量的實驗室波段組合方法的綠地信息提取精度最高，是一種可行的綠地信息提取方法，基于該方法的研究區(qū)地物分類圖如圖7所示。

圖7　研究區(qū)分類專題圖

4結束語

本文利用遙感技術，對研究區(qū)遙感影像各波段進行相關性分析并通過計算最佳指數(shù)(OIF)，選取相關性最小且包含影像信息量最大的波段ETM+3，4，5，實現(xiàn)3個波段影像的組合。同時對影像進行獨立分量分析、植被指數(shù)分析等，并實現(xiàn)了5個波段的相關性分析，選取分別代表不同性質的3個波段完成實驗波段組合，結果表明，基于獨立分量的實驗室波段組合法是一種便捷、有效的植被信息提取方法，能夠滿足當前對城市綠地信息獲取的要求。本實驗研究的創(chuàng)新之處在于首次提出將第一獨立分量波段參與到其他波段的組合分析中，結果表明是一種可行的綠地信息提取方法。但是本次試驗沒有顧忌到研究區(qū)的山區(qū)陰影問題及混合象元的問題，有待進一步探究。

參考文獻

[1]王慶日.城市綠地的價值及其評估研究[D].杭州:浙江大學,2003.

[2]李寶華,孟華.基于TM影像的開封市綠地信息提取研究分析[J].泰山學院學報,2005,27(6):94-98.

[3]曹曉晨,景海濤,趙明福.基于TM影像的徐州市的城市綠地信息提取及現(xiàn)狀分析[J].蘇州科技學院學報(自然科學版),2009,26(3):72-75.

[4]王細元,孟君陶,程楊.基于TM影像的城市建成區(qū)綠地提取方法研究[J].測繪與空間地理信息,2014,37(12):53-55.

[5]秦及茹,徐天蜀.基于TM數(shù)據(jù)的遙感分類方法對比研究[J].綠色科技,2015(1):272-273.

[6]郭娜,劉劍秋.TM遙感影像植被信息提取的最佳波段組合選擇——以福建省松溪至建甌高速公路為例[J].福建師范大學學報(自然科學版),2012,28(1):103-107.

[7]許泉立,易俊華.一種基于最佳指數(shù)模型的TM遙感影像最佳波段組合計算方法[J].測繪與空間地理信息,2014,37(4):32-35.

[8]黨安榮.ERDAS IMAGINE遙感圖像處理教程[M].北京:清華大學出版社,2013.

[9]姚靜,武文波,康停軍.基于TM影像的城市綠地信息提取方法研究[J].測繪科學,2010,35(1):113-115.

[10] BRUZZONE L. Detection of Changes in Remotely-sensed Images by the Selective Use of Multispectral information [J]. Int J Remote Sensing,1997,18(18):3883-3888.

[11] 白蘭東,茍葉培,邵文文,等.基于多角度的植被指數(shù)與葉面積知識的線性關系研究[J].測繪工程,2016,25(1):1-4.

[責任編輯：劉文霞]

DOI:10.19349/j.cnki.issn1006-7949.2016.10.006

收稿日期：2016-03-29

基金項目：貴州省科技計劃課題(黔科合LH字[2014]7649)；貴州省自然科學基金資助項目(黔科合J字[2014]2070號)

作者簡介：鮑新雪(1991-),女,碩士研究生.

中圖分類號：TP75

文獻標識碼：A

文章編號：1006-7949(2016)10-0026-05

Research on information extraction method of green space basedon ETM+remote sensing image

BAO Xinxue1, WANG Xiaohong2, WU Cong1,YANG Song1, LIU Fangcheng1

(1.CollegeofMining,GuizhouUniversity,Guiyang550025,China; 2.CollegeofForestry,GuizhouUniversity,Guiyang550025,China)

Abstract：Using the TM image as data source, this paper accomplishes the green land information extraction of Guiyang City with the original bands combination method, independent components analysis method(ICA), normalized difference vegetation index(NDVI), laboratory band combination method and the first time independent component(ICA1) band. Comparing and analyzing the images data obtained from the above methods it indicates that the vegetation landscape of the original band combination method has the best visual effects, and the laboratory band combination method based on first independent component has the highest accuracy, which is a good method of city green space information extraction.

Key words：green space extraction; band combination; independent components analysis; principal component analysis; normalized difference vegetation index