面向?qū)ο蟮倪b感影像隱性地物信息提取

鄭惠茹 呂軍超

(1. 中國煤炭地質(zhì)總局航測遙感局, 陜西 西安 710199; 2. 陜西省地理空間信息工程技術(shù)研究中心, 陜西 西安 710199)

0 引言

從20世紀(jì)60年代發(fā)展起來的遙感技術(shù)以宏觀性、綜合性、動態(tài)性等特點(diǎn)被應(yīng)用于全球、國家、區(qū)域及局部等尺度的地物信息提取中[1]。在遙感影像上進(jìn)行地物識別與信息提取是遙感技術(shù)的一個重要環(huán)節(jié),最初的提取技術(shù)主要根據(jù)人們的經(jīng)驗(yàn)知識通過目視解譯判斷來實(shí)現(xiàn),隨著計(jì)算機(jī)的廣泛應(yīng)用與發(fā)展,遙感影像自動分類解譯技術(shù)成為研究的熱點(diǎn)[2-5]。

在長期傳統(tǒng)的計(jì)算機(jī)地物信息提取中,人們往往僅考慮了遙感影像像元的光譜特征信息,忽略了隱含在影像中更深層次的隱性信息,導(dǎo)致信息提取結(jié)果中存在“同物異譜”“異物同譜”現(xiàn)象比較嚴(yán)重,在面向地形復(fù)雜地區(qū)進(jìn)行多種地物信息提取時,這種傳統(tǒng)方法往往無法得到滿意的結(jié)果。面向?qū)ο蟮姆诸惙椒ㄋ幚淼膶ο鬄榫哂邢嗨铺卣鞯南袼丶象w,這種分類方法符合現(xiàn)實(shí)地物分布規(guī)律和特點(diǎn),同時也符合人們認(rèn)識客觀事物的思維模式[6-12]。因此,本文通過分析所使用遙感影像特征和研究區(qū)地物分布特點(diǎn),充分挖掘隱含在影像中深層次的隱性信息,使用面向?qū)ο蟮姆诸惙椒▽?shí)現(xiàn)研究區(qū)主要地物信息的提取,期望得到更加豐富、準(zhǔn)確的地物信息。

1 研究區(qū)概況

本文以位于重慶東北部的巫溪縣、巫山縣和奉節(jié)縣(長江以南地區(qū))為研究區(qū)域,面積約為9 194.46 km2,屬典型的中等山區(qū)地形。氣候類型屬亞熱帶濕潤季風(fēng)氣候區(qū),該區(qū)域?yàn)槿龒{庫區(qū)的腹心地帶,長江橫穿巫山、奉節(jié)兩縣,境內(nèi)流長分別為56.6和41.5 km。

2 數(shù)據(jù)及預(yù)處理

本文選取成像時間為2013年10月24日的Landsat8 OLI遙感影像(軌道號為126/38、126/39)兩景,數(shù)據(jù)來源于中國科學(xué)院計(jì)算機(jī)網(wǎng)絡(luò)信息中心國際科學(xué)數(shù)據(jù)鏡像網(wǎng)站(http:∥www.gscloud.cn)。其他數(shù)據(jù)類型包括重慶地區(qū)30 m數(shù)字高程模型(Digital Elevation Model，DEM)、渝東北地區(qū)2013年土地利用現(xiàn)狀圖、渝東北地區(qū)植被野外調(diào)查樣方數(shù)據(jù),遙感調(diào)查數(shù)據(jù)以及與研究有關(guān)的該區(qū)域的行政區(qū)劃、交通、地質(zhì)、地貌、巖性、土壤及農(nóng)林等方面的資料。

運(yùn)用ENVI 5.1軟件對影像數(shù)據(jù)進(jìn)行預(yù)處理,包括輻射定標(biāo)、大氣校正、研究區(qū)的拼接與裁剪等。

根據(jù)研究區(qū)資料的收集和遙感影像的特點(diǎn),通過多次判讀分析,研究區(qū)主要包含了8種地物類型:4種非植被類型(人工建筑、水體、裸地和耕地)和4種植被類型(馬尾松、柏木、闊葉林和灌草)。

3 遙感影像數(shù)據(jù)特征提取

3.1 影像中光譜信息的提取

光譜特征是遙感影像的最基本和最重要的特征,不同的地物類型具有不同的光譜特征曲線,一般來說,人工建筑、水體和裸地的光譜差異較大,可直接通過光譜特征信息來進(jìn)行區(qū)分,而植被和耕地(因季節(jié)性和不同耕種類型)等易混淆的地物須通過挖掘更深層次的特征信息進(jìn)行進(jìn)一步提取。

3.2 影像中隱性信息的提取

通過分析Landat-8遙感影像的波譜特征和研究區(qū)以中山地為主、各地物依山勢分布的特點(diǎn),在綜合對比分析可能對地物信息提取有影響作用的因素后,選取了對地物提取影響較大的植被指數(shù)、紋理特征指數(shù)和纓帽變換指數(shù)進(jìn)行影像隱性信息的挖掘與提取。

3.2.1植被指數(shù)的提取

植被光譜受到大氣和時相變化的影響較大,且所能探測到的植被的光譜一般為植被、土壤亮度、陰影等的混合反映,而植被指數(shù)能通過不同遙感光譜波段間線性或非線性組合,定量地表達(dá)植被的活力[13-14],因此,引入植被指數(shù)對于植被信息精確提取具有十分重要的意義。

最常見的植被指數(shù)有歸一化植被指數(shù)(Normalized Difference Vegetation Index,NDVI)、比值植被指數(shù)RVI、垂直植被指數(shù)PVI等。其中,歸一化植被指數(shù)NDVI可以很好地檢測植被生長狀態(tài)、植被覆蓋度等,被公認(rèn)為監(jiān)測區(qū)域甚至全球植被生態(tài)環(huán)境變化的有效指標(biāo)[15],同時消除了由于云、大氣等因素造成的部分輻射誤差。

(1)

式(1)中,NIR與R分別代表近紅外波段和紅光波段;D為灰度值;ρ為反射率。

經(jīng)對研究區(qū)植被指數(shù)運(yùn)算,得到研究區(qū)歸一化植被指數(shù)(圖1)和各典型地物的NDVI曲線圖(圖2)。

圖1 歸一化植被指數(shù)圖

圖2 各地物類型NDVI曲線

3.2.2紋理特征提取

遙感影像的紋理反映的是圖像灰度在空間位置上相隔一定距離的兩像素之間存在的灰度關(guān)系。紋理特征是地物規(guī)則度、密度、細(xì)致度、均一性等固有屬性特征的重要反饋,兼顧了地物的宏觀結(jié)構(gòu)和微觀細(xì)節(jié)特征,在遙感影像地物識別中具有很強(qiáng)的優(yōu)勢?；叶裙采仃嘒LCM(grey-level co-occurrence matrix)通過對影像灰度級之間聯(lián)合條件概率密度的計(jì)算表示紋理[16]。它是從圖像f(x,y)灰度為i的像素出發(fā),統(tǒng)計(jì)與其距離為d灰度為j的像素f(x+Δx,y+Δy)同時出現(xiàn)的概率P(i,j,d,θ)。用數(shù)學(xué)公式表示即

P(i,j,d,θ)={[(x,y),(x+Δx,y+Δy)]|

(x,y)=i,f(x+Δx,y+Δy)=j};

x=0,1,…,Nx-1;y=0,1,…,

Ny-1;i,j=0,1,…,L-1。

(2)

式中,(x,y)是圖像中像素的坐標(biāo)；L為圖像的灰度級數(shù)；Nx和Ny分別表示圖像的行、列數(shù)；GLCM是距離和方向的函數(shù),通常為4個方向。在實(shí)際的計(jì)算中,分別在4個方向上計(jì)算GLCM作為紋理分析的特征量。常用的用于提取遙感影像中紋理信息的特征統(tǒng)計(jì)量主要有:對比度、同質(zhì)性、差異性、均值、自相關(guān)性、熵、二階距及標(biāo)準(zhǔn)差等。

紋理特征影像的生成是通過先計(jì)算整個影像中一個小窗口的影像灰度共生矩陣和紋理特征值,然后通過移動窗口來擴(kuò)大區(qū)域并重新計(jì)算新的較大區(qū)域的共生矩陣和紋理特征值,直至計(jì)算完整幅影響區(qū)域的紋理特征矩陣,最終將整個區(qū)域形成的紋理特征值矩陣轉(zhuǎn)換成紋理特征影像。

本文通過在ENVI 5.1軟件中先使用Principal Components進(jìn)行正向主成分分析,然后使用Texture選項(xiàng)中的Co-occurrence Measures完成基于二階統(tǒng)計(jì)概率的濾波,得到研究區(qū)8個紋理濾波圖如圖3所示。

圖3 8種紋理指數(shù)圖

3.2.3纓帽變換

纓帽變換也稱為K-T變換,是Kauth等于1976年提出,是一種經(jīng)驗(yàn)性的線性變換圖像處理方法,其使空間坐標(biāo)發(fā)生旋轉(zhuǎn),旋轉(zhuǎn)后的坐標(biāo)軸指向與植物生長、土壤狀況等有密切關(guān)系的幾個方向上,組成了新的特征空間[17]。不僅實(shí)現(xiàn)了信息的增強(qiáng),還實(shí)現(xiàn)了數(shù)據(jù)壓縮。變換公式為:

Y=BX+r

(3)

其中,X為變換前多光譜空間的像元矢量；Y為變換后的新坐標(biāo)空間的像元矢量；B為變換矩陣；r為補(bǔ)充向量。

對于Landsat TM/MSS影像來說,纓帽變換后得到亮度(Brightness)、綠度(Greenness)和濕度(Wetness)三組分量,這三組分量相互獨(dú)立,且能明顯地表現(xiàn)出地物信息。本次使用同樣的方法對OLI數(shù)據(jù)進(jìn)行處理,且主要使用纓帽變換后的第一分量亮度值,它不僅能很好地區(qū)分植被與非植被(一般植被區(qū)的亮度值低于非植被區(qū)),而且能反映植被的長勢、覆蓋度等信息(不同的植被類型具有不同的亮度值),對于識別不同的植被有重要的參考作用。

3.3 軟件平臺

使用的軟件平臺包括ENVI 5.1專業(yè)遙感圖像處理系統(tǒng),ArcGIS 10.2地理信息系統(tǒng)軟件以及德國Definiens公司開發(fā)的面向?qū)ο蟮倪b感影像分類軟件eCognition(developer9.0版本)等。

4 結(jié)果與分析

在對研究區(qū)8種主要地物信息提取完成后,得到研究區(qū)主要地物類型如圖4所示。通過在研究區(qū)建立隨機(jī)抽樣采樣點(diǎn)對提取結(jié)果進(jìn)行精度驗(yàn)證。驗(yàn)證樣本主要來源于研究區(qū)野外實(shí)地調(diào)查點(diǎn)、遙感估算點(diǎn)、研究區(qū)土地利用現(xiàn)狀圖及該地區(qū)大比例尺高清航拍影像圖共得到約229個檢驗(yàn)樣本點(diǎn),通過運(yùn)用混淆矩陣的方法對分類結(jié)果進(jìn)行精度驗(yàn)證。結(jié)果表示,總體分類精度達(dá)到了81.35%,比僅使用影像光譜信息的傳統(tǒng)監(jiān)督分類方法精度提高了5.73%。

圖4 研究區(qū)分類圖

這表明,在影像光譜分辨率有限但又欲獲取較為詳細(xì)地物信息的情況下,通過了解研究區(qū)域的背景地形情況、遙感影像特征、地物光譜特性等,充分發(fā)現(xiàn)并挖掘隱含在影像中關(guān)于地物的深層次特征如形狀特征、紋理特征、拓?fù)潢P(guān)系等信息。并采用面向?qū)ο蟮姆诸惙椒芊奖愕匾攵喾N特征數(shù)據(jù)的加入,通過在不同分割尺度上將具有相同或相似光譜特征、形狀特征、紋理特征、拓?fù)潢P(guān)系的像素組合成一個多邊形實(shí)體,并在此基礎(chǔ)上進(jìn)行規(guī)則集的建立和對象信息的提取。該方法突破了傳統(tǒng)僅使用像素信息的局限性,對于提高地物識別與提取精度具有十分重要的意義。

5 結(jié)束語

本文是在所獲取影像的基礎(chǔ)上,針對研究區(qū)域地物的分布特點(diǎn),對隱性在影像內(nèi)部且可能影響地物信息提取的因素進(jìn)行挖掘的基礎(chǔ)上,使用面向?qū)ο蟮姆椒ㄟM(jìn)行信息提取,并與傳統(tǒng)分類方法相比取得了較好的效果。只是本文僅在Landsat 8數(shù)據(jù)基礎(chǔ)上對特定地區(qū)進(jìn)行試驗(yàn),所挖掘并使用的隱性信息是否適用于其他類型的數(shù)據(jù)以及對區(qū)域的適用性還有待于進(jìn)一步考證。