基于混合像元分解的植被覆蓋度提取方法的研究

李艷

【摘要】受傳感器分辨率、土壤濕度、樹種郁閉度等因素的影響，遙感影像中普遍存在混合像元，而遙感影像中混合像元，會(huì)在遙感應(yīng)用中帶來的較大誤差。本文通過對(duì)MNF變換、PPI處理等操作，使用最小二乘法對(duì)研究區(qū)域處理后的遙感影像進(jìn)行混合分解，得到研究區(qū)域植被、土壤、水體的豐度圖像。

【關(guān)鍵字】遙感 混合像元 端元提取

1 引言

遙感是以像元為單位記錄其傳感器接收到的地面發(fā)射或反射光譜信號(hào)，每個(gè)像元記錄了探測(cè)單元在瞬時(shí)視場(chǎng)內(nèi)對(duì)應(yīng)地面范圍所有目標(biāo)輻射能量的總和。地表覆蓋類型一般是復(fù)雜多變的，因此影像中每個(gè)像元所記錄對(duì)應(yīng)的地物光譜響應(yīng)特征是相對(duì)獨(dú)立的。

純凈像是指探測(cè)單元在瞬時(shí)視場(chǎng)角所對(duì)應(yīng)的地面范圍內(nèi)包含同一類型相同性質(zhì)目標(biāo)，它記錄了該類型地面目標(biāo)的光譜信號(hào)和光譜響應(yīng)特征。混合像元是指探測(cè)單元在瞬時(shí)視場(chǎng)角所對(duì)應(yīng)的地面范圍內(nèi)具有多種類型不同性質(zhì)目標(biāo)，它記錄了多種類型地面目標(biāo)的光譜信號(hào)和光譜響應(yīng)特征。受傳感器分辨率的影響，遙感影像中普遍存在混合像元，尤其是地物分布復(fù)雜的區(qū)域，同時(shí)土壤濕度、樹種郁閉度等因素使相近地物產(chǎn)生混合像元，另外受背景、陰影等影響也有可能形成混合像元。因此，了解遙感影像中混合像元，有助于減少遙感應(yīng)用中帶來的較大誤差。

2 常用端元提取方法

2.1 像元純凈指數(shù)PPI。像元純度指數(shù)PPI(Pixel Purity Index)是目前最成功的方法之一，它認(rèn)為多光譜和高光譜的所有數(shù)據(jù)在其特征空間中被圖像中的所有地物與之對(duì)應(yīng)的端元為頂點(diǎn)的單行體所包圍。該算法受操作人員先驗(yàn)知識(shí)的影響，并且在端元選取過程中存在很大的主觀性。

2.2 N-FINDR。N-FIND是從高光譜數(shù)據(jù)點(diǎn)集構(gòu)成的凸面單形體中，尋找一組能夠在特征空間中構(gòu)成具有最大體積單形體的一組像元。首先通過最小噪聲分離變換(MNF)降低數(shù)據(jù)的維數(shù)，隨機(jī)選擇一組向量作為初始端元，計(jì)算這些隨機(jī)選取項(xiàng)量所構(gòu)成的單形體體積。然后將圖像中每個(gè)像元點(diǎn)的光譜都帶入到各端元位置計(jì)算體積，如果引起體積增加，則把該像元作為端元點(diǎn)，重復(fù)此操作，直到再也沒有端元被替代時(shí)停止算法，此時(shí)得到的端元就可以作為終端端元。這個(gè)算法計(jì)算性能的好壞在很大程度上取決于最初選擇端元的性質(zhì)。

2.3 IEA。誤差迭代分解 (IEA)是一種不需要對(duì)原始數(shù)據(jù)進(jìn)行降維而直接進(jìn)行處理提取端元的算法，在誤差迭代分解過程中，每次都將分解誤差最小的像元作為新的端元。

3.4 SMACC。SMACC方法是基于凸錐模型(殘余最小化）借助于約束條件來識(shí)別圖像端元波譜;采用極點(diǎn)確定凸錐，并以此來定義第一個(gè)端元波譜;然后，在己有的錐體中應(yīng)用一個(gè)具有約束條件的斜投影生成下一個(gè)端元波譜;繼續(xù)增加錐體生成新的端元波譜;重復(fù)以上步驟直到生成的凸錐中包含了已有的終端端元，或者滿足了指定的端元波譜數(shù)。

3 基于PPI的端元提取

3.1 最小噪聲分離（MNF）變換。由于多光譜數(shù)據(jù)信息量大、波段之間相關(guān)性大，且存在著信息冗余現(xiàn)象，所以本文首先對(duì)TM和ETM數(shù)據(jù)剔除第6波段（熱紅外波段）進(jìn)行最小噪音分離(MNF)變換，將噪音與信號(hào)分離。該方法被用來分離數(shù)據(jù)中的噪音，確定數(shù)據(jù)內(nèi)在維數(shù)，減少隨后處理的計(jì)算量。MNF變換后，將影像有用信息集中在前幾波段，噪音集中在后面波段。MNF是一種線性變換，包含了兩次疊置的主成份分析:第一次變換是利用主成分中的噪聲協(xié)方差矩陣，分離和重新調(diào)節(jié)數(shù)據(jù)中的噪聲，減小波段間的相關(guān)性;第二次變換是對(duì)噪聲數(shù)據(jù)進(jìn)行主成分變換。數(shù)據(jù)空間被分為兩部分:一部分是聯(lián)合大特征值和相對(duì)應(yīng)的特征圖像;另一部分與近似相同的特征值和噪聲圖像。MNF變換后的波段影像如圖3-1所示。

3-1 2014年某地區(qū)第一波段最小噪聲分離變換(MNF變換)結(jié)果圖

影像經(jīng)過MNF變換后，前幾個(gè)波段清晰，地物特征明顯，說明了地物的信息主要集中在前幾個(gè)波段，后面波段圖像嘈雜，斑駁，第6波段完全由噪聲點(diǎn)組成。經(jīng)過最小噪音變換后圖像的信息集中與前幾波段，圖像信息清晰可見。

3.2 純凈像元指數(shù)的提取

純凈像元指數(shù)(PPl)是一種在多光譜和高光譜圖像中尋找波譜最純像元的方法，是一個(gè)迭代分析的過程，其認(rèn)為遙感圖像數(shù)據(jù)集合是在N維空間的一個(gè)凸集，像素向量是在N維空間上的矢量。將經(jīng)過MNF變換的數(shù)據(jù)做PPI變換，得到一幅PPI圖像。在這幅圖像上，每個(gè)像元的DN值是該像元被標(biāo)一記為純凈像元的次數(shù)，像元值越高說明像元越純凈。

N-Dimensional Visualizer（N維可視化器)可以與最小噪聲分離變換(MNF)和純凈像元指數(shù)(PPI)計(jì)算的結(jié)果相結(jié)合，用于識(shí)別、定位、聚集數(shù)據(jù)集中最純的像元，從而獲得最純凈的端元波譜。本文利用N維可視化器提取PPI圖像中像元值大于10的像元作為純凈像元，分析其MNF前3個(gè)分量，在三維散點(diǎn)圖上分別選取土壤、植被、水體終端像元。將選取的每個(gè)端元的波譜平均值作為該端元的波譜值，得到各個(gè)端元的光譜特征曲線，

4 小結(jié)

通過MNF變換、PPI處理等操作，選定土壤、植被、水體3個(gè)終端端元組分，根絕所選定的終端端元，使用最小二乘法對(duì)研究區(qū)域處理后的遙感影像進(jìn)行混合分解，分別得到研究區(qū)域植被、土壤、水體的豐度圖像。