遥感光谱（共5篇）
遥感光谱 篇1
地表水体是人类生存和社会发展不可取代的基本要素。地表水体的研究对气候模型,农业稳定性,河流变化,湿地监管,地表水体调研和管理,环境监测等领域起着重要的作用[1,2]。准确地绘制出地表水体的空间分布是水文相关领域研究的前提,也是制定相关政策非常关键的一步[3]。传统的以实地调研为主的水体提取方式需要耗费大量的人力物力资源,且耗时较长难以获得及时的信息。遥感是一种利用非接触手段获取信息的方式,通过从遥感影像中解读水体信息,大大降低了获得地表水体信息的成本。
目前的国内外研究中,遥感影像提取水体的主要研究主要集中在特征提取和水体提取算法两个方面。合适的特征对正确的从遥感影像提取水体至关重要,目前在水体提取中研究的侧重点为水体特征的研究主要包括:
1)光谱特征:遥感影像获取的原始信息进行辐射定标、大气校正后的结果,是水体提取过程中最基本的特征,大部分水体提取过程中均会使用光谱特征。总体上来说,水体在蓝绿两波段上呈现反射特性,在近红外波段上呈现吸收的特性。根据水体和背景像素的光谱反射率差异,得到基于规则的方法得到影像中的水体,或使用光谱反射率作为特征训练分类器如支持向量机(SVM)[4],对影像进行二值分类得到水体和非水体信息。
2)水体指数:通过分析不同地物对遥感影像波段的响应情况对波段进行组合、代数运算,从而增强水体信息,并抑制其他地物信息。常见的水体指数有:NDWI[5],MNDWI[6],AEWI[7],HRWI[4]等。
3)纹理特征:使用纹理特征或纹理特征与光谱的结合,提取水体信息。文献[8]在水体提取问题上提出了方向方差算子和纹理表相结合的多纹理特征结合的水体提取算法,在高分辨率灰度影像的实验上得到了很好的提取结果。文献[9]比较了仅使用颜色特征和颜色特征加灰度共生矩阵角二阶矩特征的提取效果,实验表明,增加纹理特征后,提取结果有了很大的提高。
4)颜色特征:对影像的红绿蓝波段反射率进行颜色空间变化如HIS变换、CIELAB变换等,利用变化后的颜色空间特征作为水体提取的特征。文献[10]研究了HIS变换后的色调(H)、饱和度(S)和亮度(I),对高分辨率遥感影像进行水体提取。文献[9]通过CIELAB变换,使用亮度分量(L)进行分割,并使用颜色分量(a和b)和亮度分量的纹理特征构成特征向量提取航空影像上的水体。
5)形状特征:通过分割的方式得到对象,提取对象的形状特征,利用水体和非水体对象在形状特征上的差异,提取影像中的水体对象。文献[11]使用紧致度(Compactness)、主要点(Critical points)和对称性(Symmetry)三个形状特征成功区分了影像中的阴影和水体。
目前研究中,一般水体提取方法仅使用以上一类或两类特征,然而,由于地表水体的复杂性,以上一种或两种特征的结合并不能很好的从影像中提取水体信息。首先,“同物异谱”导致同样的水体可能具有不同的光谱、水体指数、颜色特征,而“同谱异物”现象使得水体和背景信息在这些特征上存在混淆。其次,一般的纹理特征在计算时需要进行取窗口的操作,在水体边缘上的纹理信息会产出模糊的现象,无法完全反映水体的特点。最后,自然界中的水体往往具有不确定的形状,因此,很多情况下形状特征无法准确区分水体和背景地物。针对以上问题,本文提出一种基于光谱-空间特征的遥感影像水体提取算法,结合了光谱、水体指数、像元长度指数和面积特征,多种类型特征的结合更好的描述了遥感影像上水体的特征,鲁棒地提取遥感影像中的水体信息。
1基于光谱-空间特征的水体提取算法
本文方法使用了光谱、水体指数、像元长度特征和面积特征,通过结合光谱和空间特征,一方面减轻了“同物异谱”和“同谱异物”问题对水体和非水体像素的影响,另一方面引入的像元长度特征综合影像中像素的局部结构特征,有效的反映了像元邻域内的相似性,且避免了求取纹理特征时滑动窗口操作可能产生的问题。本文方法总体上可以分为两个部分,第一部分使用双阈值分割去除影像中的大部分非水体像素,第二部分将第一步得到的水体待选像素聚集成水体待选对象,并使用面积特征和水体指数去除非水体对象,最后对得到的水体对象进行区域生长,得到精确的水体边界信息。方法的整体流程如图1所示。
1.1辐射定标
首先对遥感影像进行辐射定标预处理,根据公式(1)将卫星各载荷的通道观测技术值DN转换为卫星载荷入瞳处等效表观辐射亮度:
式中:Gain为定标斜距;DN为卫星载荷观测值;Bias为定标截距,单位为;以上参数均由实际卫星数据给出;
再根据如下公式,得到大气顶端的表观辐射量:
其中,L为上一步得到的入瞳处的表观辐射量,d为年积日即影像获取时间为一年中的第几天,θ为太阳高度角,以上数据可从影像的元数据获得,ESUN为太阳表观辐射率均值,不同的卫星传感器会给定相应的取值。
1.2基于光谱-空间特征的双阈值分割
本步骤的目标为结合光谱和像元的局部结构特征通过两步阈值分割处理,去除不符合要求的非水体像素。水体指数从光谱的角度反映了水体和非水体像素的差异,其取值范围为[-1,1],水体的ND-WI取值一般为正,且取值越大该像素为水体的可能性也越大,水体指数的计算公式如下所示:
其中,green为遥感影像上的绿波段,NIR为近红外波段的辐射量;
其次,本文引入像元长度指数(Pixel Length Index,PLI),衡量水体内部的相似性。像元长度指数是像元结构特征集合[13](Structural Feature Set,SFS)中的一种特征,该特征考虑了相邻像元的相似性,综合了像素间的上下文信息,具有减少同质性区域的噪声和光谱变化的特性。像元长度特征反映了像元在其邻域内相似性的最大值。由于同一水体对象内部的光谱差异较小,且不同水体对象之间的形态差异较大,使用像元长度指数既可以反映影像内部水体之间的相似性,也减小了水体对象形态差异造成的像元结构差异。
在获得影像的像元长度指数时,为了加大水体之间的相似性,以及水体和非水体之间的差异性,本文使用拉伸后的水体指数SNDWI(Stretched NDWI)特征计算像元长度指数。由公式得到水体指数特征(NDWI),并根据公式(4)进行拉伸。
使用SNDWI得到的光谱相似性测度为下式:
其中,phi表示第i个方向线上中心像素和邻域像素之间的异质性,Psncen为中心像素的SNDWI特征,Psncen为邻域像素的SNDWI特征。
对预处理后的影像数据提取水体指数和像元长度指数,通过双阈值分割,得到水体待选像素,具体步骤如下所示:首先,对影像的SNDWI特征计算得到的像元长度特征使用给定阈值进行二值化,从像元的局部相似性,排除了影像中大量的非水体像素。获得上步中通过阈值分割的像素的NDWI特征值,使用大津法对其进行阈值分割,利用水体和非水体像素在水体指数上的差异进一步排除影像中的非水体像素。
1.3基于双阈值分割结果的水体对象提取
经过上一步的处理,得到了通过光谱和空间特征约束的像素的二值结果。首先,根据二值图上像素的连通性,将8邻域内相邻的连接像素聚集为对象,生成水体待选对象。
根据聚集的水体对象的面积进行阈值分割,给定面积阈值,若对象的面积大于给定的阈值则认为该对象为大面积水体待选对象,否则将其作为小面积水体待选对象。给定一个较大的面积阈值,如10000,则得到的大面积水体待选对象为面积很大的平滑区域,且具有较高的NDWI值。由于遥感影像上存在面积大且水体指数高的弱纹理非水体地物概率非常小,故接受大面积水体待选对象为大面积水体对象。而由于小面积的对象中含有背景地物的概率较高,故对小面积水体待选对象将进行进一步的处理以排除背景地物。
获得小面积水体待选对象覆盖范围内所有像素的NDWI特征,根据其直方图形状使用峰谷的方法(peak-and-valley method)获得阈值再一次进行阈值分割。为了减小分割时的漏检率,因此选择最左边的谷点对应的NDWI值作为分割的阈值。判断直方图上峰谷的方式为:
1)如果pn≥pn+1&pn≥pn-1,则为直方图上的峰值;
2)如果pn≥pn+1&pn≥pn-1,则为直方图上的谷值;
其中,pn表示直方图上n位置对应的频率。
然而,由上述条件得到的结果往往会包含较多的伪峰和伪谷,因此,通过对直方图进行核函数估计(Kerneldensityestimation,KDE)得到平滑后的概率密度曲线(直方图),从平滑后的结果中提取出峰值和谷值。核函数密度估计是非参数的估计随机变量概率密度函数的一种方法,常被从来实现数据平滑的目的。其计算公式如下所示:
其中,Kh(·)为核函数,本文使用高斯核函数。图2给出了经过第一步处理后剩余像素的NDWI直方图,以及对该直方图进行核函数估计的结果。从图中可以看出,蓝色部分的直方图中存在伪峰值,而平滑后的概率密度曲线上不存在伪峰值,因此,使用平滑后的结果可以得到正确的阈值。
如果概率密度估计得到的结果中不包含谷值点,则说明经过第一步的处理后,剩下的小面积水体待选对象中不包含非水体像素,则不对其进行进一步的阈值分割。
由以上两步可以看出,本文方法旨在对大面积的水体使用较小的NDWI阈值进行分割,而对面积较小的水体使用较高的NDWI阈值分割,并且在使用PLI进行阈值分割时去除了大量的与水体具有类似NDWI取值的背景像素。
由于水体边缘像素的PLI和NDWI特征比水体中心像素小,故在上述处理中可能被错误的去除,因此,在得到水体对象后,通过区域生长的方式得到更精确的水体边界。将所有水体边缘像素加入种子点堆栈,若种子点边缘像素与其邻域像素之间异质性测度小于给定阈值,则认为该邻域像素为水体,并将其加入种子点堆栈,重复进行上述操作直到所有种子点均被处理完成。这里使用的异质性测度为光谱角,因为该特征综合考虑了影像的所有光谱特征,计算公式如(7)所示,给定的阈值为thsa。
其中,SA(x,y)表示光谱向量之间的光谱角,xi和yi分别表示种子点像素和邻域像素在i波段上的光谱反射率,n表示影像的波段个数。对于具有可见光和近红外四个波段的高分辨率遥感影像来说,x和y均为四波段波谱反射率组成的四维向量。
2实验与结果
本文使用两幅高分一号卫星的8米分辨率多光谱影像进行水体提取实验。高分一号卫星是我国高分辨率对地观测系统重大专项的第一个卫星,具有重要的战略意义和地位。其8m分辨率的多光谱卫星有近红外和可见光四个波段,重访周期为4d,具有较高空间分辨率和较短的回访周期的特点,因此,具有较高的应用价值。本文使用两幅高分一号数据进行实验,通过对比人工勾选的水体提取结果定性和定量的比较了本文提取方法与使用光谱特征的支持向量机(典型的水体提取方法)的提取结果。
本文使用如下方法进行定量的精度评点:对比参考影像使用混淆矩阵统计,得到正确提取的水体像素(TP),错误提取的水体像素(FP),正确提取的非水体像素(TN),错误提取的非水体像素(FN),四类的像素个数。使用统计结果得到水体的生产者精度PA=TP/(TP+FN),生产者精度反映了水体的漏检率,使用者精度UA=TP/(TP+FP),使用者精度反映了水体的误检率,总体精度OA=(TP+TN)/N,其中N为影像中的像素总体个数和kappa系数(如式(8)所示)。
图3(a)显示了本文实验中所用的第一幅影像(影像一),图3(b)显示了相应的参考水体掩膜。影像一相幅大小为4548*4500,经度范围为120.0874度到120.5829度,纬度范围为40.0612度到40.4397度。从影像中可以看出大面积水体的光谱特征并不统一,其大部分面积呈蓝色,水体左下角颜色变深,并且在水体内部可以看到条纹状的差异。影像中的背景地物主要由黄色的裸地、深色山体和亮建筑物组成。
图4给出了使用SVM和本文方法提取的结果,表1给出了影像一提取结果的定量评价。从提取结果中可以看出,两种方法均较好的提取出了遥感影像中的水体,本文方法得到的大面积水体更为完整,小面积的误提取更少。从定量的结果可以看出,本文方法在四个指标上均优于SVM的提取结果。其中,使用者精度提高了约3%,说明本文方法极大的减小了误检情况的发生。
图5(a)显示了本文实验中所用的第二幅影像(影像二),图5(b)为其相应的参考水体掩膜。影像二相幅大小为4548*4500,经度范围为120.1701度到120.6267度,纬度范围为39.1023度到30.4952度。从影像中可以看出,大面积的水体本身的光谱发生了较大的变化,左下方主要呈现蓝色,而右上方呈现绿色,说明右上方的水体在红波段的反射率较高。不仅如此,影像中存在小面积的暗水体。影像二的背景信息复杂,既包括亮建筑物,也包括暗建筑物,还存在较多的植被、裸地以及阴影信息。
图6给出了SVM和本文方法对影像二的提取结果,表2给出了定量的精度评价结果。与人工勾选的参考影像相比可以看出,SVM和本文方法均有效提取出了影像中的主要水体信息,且在小面积水体上均存在一定的误检问题,但整体上本文方法得到的结果更为完整,且误检的像素更少。从定量评价的角度可以看出,本文的生产者精度比SVM高约10%,使用者精度高约13.5%,整体精度高2.3%,因此,使用本文方法较好的提高了水体的提取精度。
从总体上了来说,本文方法的提取精度均高于SVM的提取精度,多种特征的结合以及像元长度指数的引入,有效的提高了本文方法在大面积水体提取结果上的完整度,且有效的去除了小面积的噪声。不仅如此,SVM为监督分类方法,使用该方法进行水体提取时,需要人工选择训练样本,并通过多次实验选取合适的参数。而本文方法为自动提取方法,计算速度快。
3结束语
针对目前遥感影像水体提取中使用的特征存在的多种问题,本文提出了一种基于光谱-空间特征的遥感影像水体提取算法。本文方法结合像元长度指数、光谱指数以及对象的面积特征,从光谱和空间特征的角度区分影像中的水体和非水体像素。通过两幅高分一号数据,定性和定量的比较了本文方法的有效性。从总体上来说,本文方法能够高效自动化的提取遥感影像上的水体。
参考文献
[1]Du Z,Linghu B,Ling F,et al.Estimating surface water area changes using time-series Landsat data in the Qingjiang River Basin,China[J].Journal of Applied Remote Sensing,2012,6(1):063609-063609.
[2]Sun F,Sun W,Chen J,et al.Comparison and improvement of methods for identifying waterbodies in remotely sensed im agery[J].International journal of remote sensing,2012,33(21):6854-6875.
[3]Gessner M O,Hinkelmann R,Nützmann G,et al.Urban water interfaces[J].Journal of Hydrology,2014,514:226-232.
[4]Yao F,Wang C,Dong D,et al.High-Resolution Mapping of Urban Surface Water Using ZY-3 Multi-Spectral Imagery[J].Remote Sensing,2015,7(9):12336-12355.
[5]Mc Feeters S K.The use of the Normalized Difference Water Index(NDWI)in the delineation of open water features[J].In ternational journal of remote sensing,1996,17(7):1425-1432.
[6]Xu H.Modification of normalised difference water index(NDWI)to enhance open water features in remotely sensed imagery[J].International Journal of Remote Sensing,2006,27(14):3025-3033.
[7]Feyisa G L,Meilby H,Fensholt R,et al.Automated Water Ex traction Index:A new technique for surface water mapping us ing Landsat imagery[J].Remote Sensing of Environment,2014,140:23-35.
[8]Wang H,Pan L,Zheng H.Multi-texture-model for water ex traction based on remote sensing image[C]//Image and Signal Processing,2008.CISP'08.Congress o n.IEEE,3:710-714.
[9]Zhao M,Zhang Y,Shang H,et al.Water Area Extraction from RGB Aerophotograph Based on Chromatic and Textural Analysis[C]//GEOProcessing 2011,The Third International Conference on Advanced Geographic Information Systems,Applications,and Services:46-52.
[10]柳稼航.基于视觉特征的高分辨率光学遥感影像目标识别与提取技术研究[D].上海交通大学,2011.
[11]Li B,Zhang H,Xu F.Water extraction in high resolution re mote sensing image based on hierarchical spectrum and shape features[C]//IOP Conference Series:Earth and Environmental Science.IOP Publishing,2014,17(1):012123.
[12]黄昕.高分辨率遥感影像多尺度纹理,形状特征提取与面向对象分类研究[D].武汉:武汉大学,2009.
遥感光谱 篇2
根据高光谱遥感影像数据特点,首先利用光谱相关性进行特征选择,然后引进SVM进行高光谱遥感影像分析解译,最后利用AVIRIS影像进行试验,结果显示分类精度和时间比常规方法都有很大改善.
作 者：沈照庆 王建宾 陶建斌 SHEN Zhaoqing WANG Jianbin TAO Jianbin 作者单位：沈照庆,陶建斌,SHEN Zhaoqing,TAO Jianbin(武汉大学遥感信息工程学院,湖北,武汉,430079)
王建宾,WANG Jianbin(山东科技职业学院,山东,潍坊,261053)
遥感光谱 篇3
1 遥感及光谱地质应用技术的概况
1.1 光谱分析技术
此技术主要包括对反射光谱进行相关的数学模拟以及对于不同阶段微分值的相关计算。通过这一技术可以提高对于光谱弯曲率及其最大、最小的反射率波长位置测定的准确率。通常情况下, 可以通过使用噪声光谱对于非线性的目标光谱等产生的影响。
1.2 混合性光谱分解技术
由于在一定程度上受到图像分辨率的限制, 在图像之中往往会存在很多的混合性像元。对于混合像元的分解技术则主要是提取像元之中不同地物类别丰度的一种方法。除此之外, 光谱吸收指数还可以实现高光谱遥感图像处理以及对于光谱吸收特征的有效识别, 也能够对混合光谱进行分解。
2 遥感及光谱技术在地质学研究中的进展
2.1 高光谱数据矿物的精细识别
对于高光谱数据矿物成分的识别, 属于光谱地质应用的关键点。在通过高光谱遥感进行矿物识别时, 主要包括矿物种类的识别、矿物含量以及矿物成分这三层次的识别。在光谱地质应用领域, 对于矿物种类的识别是其中应用最为成功的领域之一, 这一识别层次一直以来就是光谱遥感研究的一大重点。
高光谱的矿物精细识别则主要是对于相关矿物微观信息的一种探测。对于矿物光谱精细特征以及矿物微观信息之间相关信息的分析, 既有助于实现对矿物识别种类的拓展, 还可以反演其所形成的一种地质环境。此外, 这种精细的识别方法, 能够更进一步的推动遥感与光谱地质在矿产勘查中的实践应用。
2.2 基于高光谱遥感的行星地质探测
高光谱技术不仅能实现对地球表面的地质信息进行探测, 而且还能够实现对行星以及月球表面的信息探测。高光谱遥感技术所具备的这一特点是其它类似技术所不能代替的。Mars Odyssey计划卫星搭载的热辐射成像仪 (THEMIS) , 它属于多光谱的热辐射成像仪。这种成像仪虽然比TES的光谱分辨率要低一些, 但是它的空间分辨率却比较高, 从而能够有效地弥补TES数据中的不足之处。
3 遥感及光谱地质探测技术的实践应用
3.1 成像光谱的实践应用
成像光谱技术属遥感范畴, 并且作为遥感领域中的主要应用型技术为人们熟知, 这一技术的实现要以对可见性光线、近红外性光线以及短波红外型遥感监测技术的落实为基础, 在此之上将这几种技术进行一定的整合, 并且加入了高精度图像识别技术和光谱图构造技术的使用技术部分, 将这些技术元素通过一定的科学化处理整合为一种全新的集成像和光谱捕捉分析为一体的成像光谱技术, 这一技术拥有目前为止最高的分辨率, 能够对可见光以及非可见性光线进行一定的捕捉并即时成像, 通过随即产出的光谱图来进行环境数据的分析, 进而识别出相应的被探测物。这一特性与矿产勘察颇为契合, 因此作为矿产勘查领域的主流研发技术为我们所用并开发, 在数次应用以及反馈后应该就能够被大批量用于矿产的实地勘测研究活动, 从而为人们的生产活动做出一定的贡献。
矿物与人一样, 也有周身的光谱系数, 并且这种系数会随着矿物中元素成分的不同而变化, 将这一变化成像到光谱图之上就能够通过和光谱图标准数据比对而得出被探测到的矿物的具体成分, 简单便捷, 因此这一技术深受科学家所厚爱。将这一技术直接用来当作得矿物勘探技术来使用, 能够一目了然地识别出不同地质构造下的地形夹层中的物质分布, 这一技术在被用于进行因成矿作用而发生蚀变的矿物探测方面能够发挥巨大功效, 因此我们可将这一技术应用到对产生蚀性变化的矿产资源的探测, 并且根据光谱图还能够及时对发生蚀变的地形进行一定的探测, 以便于工作人员采取相关措施来遏制蚀变, 进而保护我国矿物的占有量。因此在矿产资源的实地勘测过程中, 矿产学者主要应用这种技术来对某未之土地的矿产资源占有量进行一定的评价, 进而帮助自身发掘更好的矿源, 从而解决我国的矿业危机一般矿产业现状。
3.2 热液蚀变矿物组合的成矿分析
科学家对早就已经进行了多次试验, 并且根据具体的试验结果可以得出, 就算岩体的表面被掩盖, 通过一定的数据分析也能够将岩层之下的风化痕迹探测出来, 进而发现相应的矿产资源, 为我国矿产业的发展做出一定的贡献。同时, 对于这一矿物的详尽分析也可以对承载这批矿物的矿床有一个详尽的了解, 而矿床类型的确定可以帮助我们准确定位当地的具体矿藏资源都包括了什么, 有助于矿产开采进程的合理化。这一技术的开发在地质勘查工作中起到了十分重要的作用, 有效解决了因风质化物的覆盖而无法通过一般测定勘察方法勘探的矿产分布区的资源勘探问题。
结束语
总而言之, 矿产作为非可再生资源的一种, 与我们的日常生活能源的使用息息相关, 因此必须要重视矿产资源在我们生活之中起到的作用, 并且在新时代的科技环境下将全新的科技产物, 如遥感和光谱成像地质勘测技术等切实地融入到对矿产的勘测工作中, 进而使矿产资源的勘探更为顺利地进行, 这一系列做法有利于我国矿产勘探事业的顺利开展, 有利于我国能源问题的合理化解决, 有利于使工业生产环节渐渐脱离能源的制约, 飞速发展, 同时还有利于提升我国的科技发展和进步, 在科研人员和地质监测机构负责人员的共同努力之下, 我国的矿产资源勘探事业会有一个全新的质的提升。
参考文献
[1]燕守勋, 武晓波, 周朝宪等.遥感和光谱地质进展及其对矿产勘查的实践应用[J].地球科学进展, 2011.
[2]黄青华, 史青瑞, 陈丽娟等.遥感和光谱地质进展及其对矿产勘查的实践应用[J].煤炭技术, 2011.
[3]王茂芝, 高光谱遥感影像处理与地质应用若干关键问题研究[D].成都:成都理工大学, 2014.
遥感光谱 篇4
关键词：多光谱遥感,核独立成分分析,小波核,分类
多光谱遥感图像各波段之间高度相关且包含的信息量巨大,将多波段的图像信息压缩到比原始波段更有效的少数几个转换波段可以减少数据处理量和处理的复杂性,提高目标分类的效率与精度。
常规的多光谱遥感图像特征提取大多基于独立成分分析(Independent Component Analysis, ICA)的算法[1,2],将混合像元分解视为一种盲源信号分离问题,将噪声去除的同时,最大程度的保留图像信息。而现有的ICA算法基于非线性形式的对比函数对盲源信号分离问题进行近似逼近,通过仔细选取非线性的经验函数获取更加复杂的算法[3,4,5]。但由于经验函数选取的局限性,导致对复杂非线性形式的多光谱遥感图像特征提取求解精度不佳。
核方法将原始空间不能线性分离的问题引入到特征空间进行求解,是处理非线性问题的有效途径。并且,基于核典型相关性分析(Kernel canonical correlation analysis, KCCA)的核独立成分分析(Kernel independent component analysis, KICA)算法已经被证明在处理复杂非线性盲源信号分离问题时具有很好的鲁棒性与求解精度[6]。因此,将KICA算法引入到多光谱遥感图像特征提取中,在相同压缩波段数的条件下,势必能够保留更多的原始图像信息,进而有助于对其实现高精度的目标分类。同时,核方法的好坏很大程度上受到核函数类型选取的影响,与常规核函数相比,多维张量积小波核函数是正交或是近似正交的,具有小波信号拥有的局部分析和特征提取的优点,能够以更高的精度逼近任意非线性函数[7]。
通过构造平移不变小波核函数,结合KCCA的理论,本文提出一种小波核独立成分分析WKICA算法对多光谱遥感图像进行特征提取,进而采用不同的监督分类方法对其进行分类实验,并与其他特征提取方法处理条件下的分类结果进行比较,从而验证WKICA算法的有效性。
1小波核独立成分分析
2.1典型相关性分析
KICA中对于随机变量相似性的评价标准来源于CCA的理论[8]。CCA借助提取成分的思路,将提取出的典型成分作为变量的综合。通过衡量典型成分之间的相关性,进而获取变量之间的相关性。
若变量已经经过标准化(零均值,单位方差)处理,一组典型成分F1,G1与它们所代表的变量X,Y之间有着如下的关系:
式(1)中ξ1,ξ2是它们的系数矩阵,则对典型成分相关性的评价可以采用典型相关系数最大化的标准,即:
当最大的相关系数趋于0时,则典型成分F1,G1之间的相关性最小,同时它们所代表的变量X,Y的相关性也达到最小值。为了在特征空间中得到一个易于计算的相关性的衡量标准,将问题引入到再生核希尔伯特空间中进行求解。如果Φ表示数据空间到特征空间的映射关系,则由希尔伯特空间的再生性可以得到:
f(x)=〈Φ(x),f〉;∀f∈F (3)
因此特征空间F中的典型相关系数可以表示为式(4)的形式:
式(4)中K1,K2是x1,x2对应的Gram矩阵,α1,α2是相应的系数矩阵。求解式(4)等价于求解式(5)的广义特征值问题[6]:
简写为Kα=λDα。假设典型成分的维度分别为p1,p2,则上面表示的广义特征值问题拥有(p1,p2)个特征值λF。
{1+ρF1,1-ρF1,…,1+ρFp,1-ρFp,1,…1} (6)
式(6)中p=min(p1,p2)。寻找最大相似性的典型成分ρFmax等价于寻找最大的广义特征值λFmax=1+ρFmax,这其实等价于寻找最小的广义特征值λFmin=1-ρFmax。
在m个变量的情况下,若取式(7)所示的对比函数来衡量λF的大小。
当IλF趋近于0时,λF趋近于1,而λFmin=1-ρFmax,因此ρFmax趋近于0,其余的ρF也必然趋近于0。这表明典型成分之间的相关性已经达到最小,同时它们所代表的源信号变量也最不相关,因而达到了分离变量的目的。
1.2WKICA算法
核是定义在原始空间的的一个双变量函数,通过核方法可以实现某一高维空间的内积,将线性学习延伸至特征空间。现有的KICA算法大多采用高斯核函数,即k(x,y)=exp(-‖x-y‖2/2σ2),结合CCA的理论,实现非线性盲源信号分离。而在本文中基于小波分析技术,进一步将应用于KICA算法中的核函数延伸为可允许的多维张量积小波核函数,以提高其学习性能。
若h(·)为母小波函数,伸缩因子为σ,其中x,y∈RN,xi,yi,σ∈R,则式(8)给出的满足平移不变性定理的张量积小波核是可允许的多维支持向量核函数。
为构造一种平移不变小波核函数,不失一般性,可选择墨西哥帽(Mexican hat)母小波函数h(x)如式(9)所示。
图1给出了Mexican hat小波核函数图。根据式(9),若给定伸缩因子为σ, x,y∈RN,xi,yi,σ∈R,则式(10)所表示的小波核函数就是一种可允许的多维张量积的支持向量核函数[7]。
因此,结合式(10),所提出的WKICA算法可概括如下:
若给定一组观测向量y1,y2,…,ym。
(1)对观测向量进行标准化以及白化处理;
(2)根据估计的源信号向量求取公式
(3)利用得到的小波核Gram矩阵计算式(5)Kα=λDα所示的广义特征值问题,并定义
小波核函数相比较常规核函数具有如下的优点:首先,小波核函数具有对突变信号逐步精细描述的特性,能够以很高的精度逼近任意函数,而常规核函数不具备这样的优势。其次,小波核函数是正交或近似正交的,而常规核函数是相关甚至冗余的。最后,小波核函数具有小波信号局部分析、信噪分离以及信号检测时多分辨率分析的优点。因此小波核函数的非线性逼近能力要优于常规核函数,采用小波核的WKICA算法能够以很高的精度对复杂的非线性盲源信号进行分离,因而更加适合对复杂非线性形式的多光谱遥感图像进行特征提取。
2多光谱遥感图像分类实验
多光谱遥感数据波段间隔小,相邻波段相关性很强,使得海量数据之间存在高度冗余,同时由于成像能量不足,导致多光谱图像的信噪比(Signal to Noise Ratio,SNR)提高比较困难,因此在高度非线性条件下尽可能的压缩噪声,有效的提取特征维度,是实现精确目标分类的前提与条件[9,10]。为验证WKICA算法的有效性,选取一幅美国Indiana地区的AVIRIS卫星图像(220波段,145×145,波长范围400—2 498 nm),从中提取9个波段(第8,16,27,39,46,70,86,136,186波段)作为实验对象。
根据表1可知该地区包含了16种地物,分别为不同的农作物以及人工建筑,共计10 366个像素点,在实验中每一类均选取20个像素点作为训练集。图2显示了全波段合成的图谱立方体以及作为参考的地表的真实地理信息。
将选取的9个波段的光谱图像中的每个像元分别按照波段数展开成列向量,对原始波段进行PCA变换后,检查各波段的信息量,发现前6维包含了99%以上的能量,将其作为提取的特征维数。同样的,在其它特征提取算法预处理条件下,依然选取前6维作为对比,利用不同的监督分类方法对特征提取后的多光谱遥感图像进行目标分类实验。由于训练集规模较小,为了提高训练结果的统计真实性,将实验重复十次取均值作为最后的结果。
用于对比的常规核函数如下所示,实验中,使用交叉验证方法,选取多项式核函数的阶次d=3,高斯核函数超参数σ=1,Mexican hat小波核函数的超参数σ=2.8。
(1)多项式核函数 k(x,y)=(1+xy)d;
(2)高斯核函数 k(x,y)=e-‖x-y‖2/2σ2。
从表2可以看出,基于WKICA特征提取算法条件下的各种目标分类方法的分类精度最高,其中,基于SVM监督分类器的的总体精度与Kappa系数分别达到71.088 5%,0.662 2,相比较于ICA算法以及基于常规核函数的KICA算法特征提取条件下的监督分类结果均有了大幅度的提高。实验中,采用多项式核函数的KICA算法由于核函数自身相互冗余,无法对高度冗余的多光谱遥感图像进行有效的特征提取,目标分类结果维持在较低水平。而采用多维张量积小波核函数的WKICA算法具有小波核函数近似正交的优点,可以更加精确的对目标特征进行提取,进而提高目标分类的效果。图3给出了基于不同特征提取算法预处理条件下利用SVM监督分类方法得到的目标分类效果图。
从图3中可以看出,基于WKICA特征提取算法预处理条件下的SVM监督分类效果最好,这与表2中的实验数据是一致的。通过实验可以证明,WKICA算法优于常规的多光谱遥感图像特征提取算法,更好的保留了原始图像信息,有助于提高后续监督分类的分类结果。
4结束语
多光谱遥感图像信息容量大,波段之间高度冗余,对其进行有效的特征提取有助于缩减数据处理量并实现高精度的目标分类。本文借助核方法的理论将传统的ICA特征提取算法引入到特征空间进行求解,结合小波核函数固有的对复杂非线性信号进行逐步分析的优势,提出了一种新颖的WKICA算法。实验结果证明,相比较常规的特征提取算法,利用WKICA算法对多光谱遥感图像进行预处理,可以有效的提高目标分类结果,为多光谱遥感图像目标识别与分类提供了一种有效的新途径。
参考文献
[1] Andres A.Independent component analysis of MODIS-NDVI data in alarge South American wetland.Remote Sensing Letters,2012;3(5):38—45
[2]梁亮,杨敏华,李英芳.基于ICA与SVM算法的高光谱遥感影像分类.光谱学与光谱分析.2010;30(10):2724—2728
[3]汤影,李建平,吴淮.一种分离低维信号的ICA快速算法(英文).自动化学报.2011;37(7):794—799
[4] Hualiang L,Tulay A.Algorithm for complex ML ICA and their sta-bility analysis using Wirtinger calculus.IEEE Transactions on SignalProcessing.2010;58(12):6156—6167
[5]刘智勇,乔红.偏度在独立元分析模型中的作用分析及算法设计.中国科学:信息科学.2011;41(8):998—1012
[6] Bach F R,Jordan M I.Kernel independent component analysis.Journal of Machine Learning Research,2002;3:1—48
[7]李军,董海鹰.基于小波核偏最小二乘回归方法的混沌系统建模研究.物理学报,2008;57(8):4756—4765
[8] Nina O.Restricted kernel canonical correlation analysis.Linear Al-gebra and Its Applications.2012;437(1):1—13
[9] Brandt T,Paul M.Classification Methods for Remotely Sensed Data,Second Edition.New York:CRC Press,2009:1—153
遥感光谱 篇5
土地资源是人类赖以生存的环境条件和基本的生产资料。管好用好土地资源,不仅要掌握土地资源数量,同时要了解其质量状况,离开土地质量,土地面积是不具有实用价值的。随着人口的增加,人类过度的开垦、开发土地,使土地荒漠化、盐碱化、贫瘠化等土地退化现象日趋严重,生态环境更加恶化。可喜的是,人类已意识到了这一点,通过各种方法恢复生态平衡。内蒙古河套平原,我国重要的粮油生产基地,位于内蒙古自治区西部,在黄河“几”字形的左上角,北依阴山南临黄河,东邻草原钢城包头市,西接乌兰布和大沙漠,处于华北与西北的连接带上。河套平原平均海拔在1 000 m以上,属温带大陆性气候,多年平均降水量176 mm,多年平均蒸发量达2 056 mm,是降水量的11.7倍,降水少而蒸发强,是典型的干旱少雨地区[1]。在我国西部干旱半干旱地区,干旱的气候、富含盐分的母质、地表和地下水动力作用以及特殊的地形等因素的综合作用下,形成了大面积的盐碱化土地[2]。盐碱化会引起土壤板结、肥力下降、作物减产、弃耕和土地撂荒等诸多后果[3]。河套平原上的盐碱化土地是比较严重的,盐碱程度较重且分布广泛,在一定程度上制约着河套灌区经济持续快速的发展。因此,有必要对灌区的土地类型进行普查,了解灌区内土地利用现状。
在LandSat和SPOT卫星之后,中巴资源卫星CBERS、印度IRS、北京1号等许多新的地球资源卫星开始发射,计算机硬件性能与普及程度极大提升,遥感图像处理软件逐步集成使用,遥感技术全面快速地发展,利用遥感技术对灌区土地进行普查成为现实,尤其是对盐碱地的分布与变化进行动态监测是普查中的重点。相比传统的土地普查方法,利用卫星遥感影像对土地类型进行普查在经济性、时效性等方面无疑具有十分明显的优势。
1 土壤线特征
1.1 土壤线
土壤在红和近红外波段反射率之间存在线性关系,即土壤线[4],即以多光谱影像的红波段为横轴,近红外波段为纵轴生成坐标,影像中的所有像元由于DN值的不同在坐标中位置不同,但呈现明显的线性关系。
土壤线能较好地描述不同土壤类型的光学特性,不同类型的土壤在土壤线上有不同的位置区间,可用于区分盐碱土和其他不同类型的土壤。
1.2 基于IRS遥感卫星的土壤线特征
图1是2006年3月8日印度IRS卫星河套灌区中游试验区影像,这个时节河套地区植物还未生长,土壤含水率较低。经实地考查、取样、定位,在原影像上标明了各种地物,再以该影像的红波段为横轴,近红外波段为纵轴,生成了中游实验区的土壤线散点图,见图1。再根据不同地物固有的反射值差异,利用目视解译和实地查勘相结合方法,通过反复比对与调整,实验区的不同地物在散点图中可找到其对应的位置区间,见图2。
说明与分析:通过图1和图2可以看出,实验区的散点呈明显的线性关系,在散点的中上端是土壤部分,散点集中,方差小,像元相对比较单一,受水分与植物的影响不明显;在散点中下端,近红外波段有明显的下降,表现出水吸收的特征。盐碱地(红色区域,这里的盐碱地指长有少量盐生植物或寸草不生的中重盐碱地,一般无法耕作)处于散点土壤线的上端,其在红和近红外的DN值大于其他类别;湖泊由于水对光的吸收作用处在散点土壤线的最下端,因水深的不同和水生植物的影响,散点比较分散;沙丘、非盐碱地、村庄等地物在红与近红外波段的DN值大于湖泊小于盐碱地,村庄对近红外的反射值较高而处于散点的上端;沙丘在红和近红外波段的DN值大于非盐碱地;散点图中的白色部分不能判定其类别归属,但分类时可根据相似概率自动判定其应归属的类别。由此可见,通过土壤线,可以在影像散点图中找到各种地物的对应位置。
2 河套灌区土地分类
2.1 影像时相选择
遥感卫星影像分类通常用多光谱数据来进行。地物的光谱反射是多种因素共同影响的综合效应,其特征主要由矿物组成、地表形态、土壤水分、植物生长状况等因素决定[1]。季节变化引起的土地覆被发生变化,对盐碱土信息的提取会造成干扰,增加遥感变化检测的难度。雨季盐会溶解,且水分的光谱吸收特性不仅直接影响土壤的光谱特征,同时水分还控制盐分垂直运动和物理化学性质的表现,从而影响盐碱化土壤的遥感信息表现[4]。初生的绿色植物会增高近红外波段的反射值,对土壤的光谱信息产生极大的干扰,出现类型混淆。所以,土壤分类应选择在干季,把水分和植物的对分类影响降到最低,提高分类精度。因河套平原到了秋季收割结束要秋浇保墒,土壤含水率很高,所以此次分类所用影像为河套地区春季影像。另外,春季为泛盐季节,干旱多风,地下盐分运移到地表,盐渍土表层出现盐霜、盐壳、盐皮,地表反射率高,在影像上易于识别[5]。
2.2 分类方法
常用的分类方法有监督分类和非监督分类,监督分类同非监督分类相比,可选择性地决定分类类别,从而避免出现一些不必要的类别,且能通过检查训练样本来决定训练样本是否被精确分类,从而能避免分类中的严重错误,在有针对性的分类中得到广泛运用[5]。所以此次分类采用的是监督分类中最常用的最大似然法。监督分类的关键是选择训练样区,利用土壤线特征在散点图中划定各类别区间选择训练样区需要同目视解译充分结合起来,这需要分析者对所要分类的区域有一定程度的了解和很好的实地调查研究。
2.3 河套灌区分类结果
为了比较河套灌区近二十年的土地覆盖变化,尤其是盐碱地的动态变化,采用监督分类中的最大似然法对1988年4月4日、1996年4月21日、2001年3月3日、2006年3月8日影像进行了分类。由于获取的影像覆盖范围不同,只有2006年影像包括全部河套灌区,2001年影像包括河套灌区绝大部分,其余两幅只包括河套灌区大部,其中以1988年影像欠缺部分较大,下面是各年度影像分类图,左列为河套灌区原图像,右列为分类图像。影像在分类前已经过辐射校正、去噪处理和几何校正,每一像元为32 m×32 m,见图3。
因各年度影像大小不同,所以总面积不相同,但各类别面积在总面积中所占比例也能反映土地的覆盖变化。1988、1996、2001、2006年度土地覆盖面积与比例的汇总表见表1。
为了直观比较,根据表1生成了柱状图,见图4。
需要说明的是,因分类面积较大且影像地面分辨率和光谱分辨率较低,所以较小的地物在影像上无法识别或分类精度较差,故非盐碱地类包括耕地、村庄、树林、道路、渠沟等地物,水体包括湖泊、低洼积水等。另外,在1988年和1996年的图像分类中没有列城镇类,因当时城镇规模不大,在影像中不明显,分类时同非盐碱地相混淆,于是合并到非盐碱地类中,而2001年和2006年城镇在影像中比较明显,于是单独分为一类,城镇中柏油地面对光有吸收作用,其在散点图中的位置处在水体与非盐地之间,受建筑物影响,散点比较分散,但与其他类可分性较好。从图4中可以很明显看出,随着年代的推移,河套灌区的盐碱地和沙丘地所占比例在呈下降趋势,非盐碱地呈上升趋势,水体的比例也在上升,城镇所占比例2006年比2001年略有上升。需要注意的是,上述得出的分类结果并不完全准确,分类时图像分辨率、各波段组成和波长、图像清晰度、原始图像经过镶嵌、配准、剪切、校正等各种影像处理会丢失一些图像中的信息等等,所有这些因素都会对分类结果产生影响。
3 精度评价
3.1 精度评价方法
精度评价对于遥感分类是很重要的,分类图像的精度直接影响到对分类数据进行研究的合理性,以及实际运用的价值。分类图像精度是指分类图像和一幅假设准确的图像(参考图)之间的吻合度,但实际中要取得准确的图像是不现实的,因而,大多时候都是利用建立真实地表区与分类图进行对比,即在分类图中有多少像元与建立的真实地表区吻合[5]。精度评价最常用的方法是建立误差矩阵(也称混淆矩阵),以此计算各种统计量,得出各类别的精度指标。在基于类别与类别比较的基础上,误差矩阵比较已知的参照数据(真实地面数据)与对应的自动分类的结果。误差矩阵为方阵,它的行与列的数目相等,并且与要进行精度评价的类别的数目相等。
3.2 分类图像精度评价
因为已无法取得1988、1996、2001年的真实地表区,所以只对2006年的分类结果进行误差验证,因所用分类方法一样,误差验证结果对另3幅分类图像分类精度也具有很好的参考价值。下面是2006年3月8日分类图像误差矩阵表,见表2。
总体精度 417 175/ 461 382=90.418 6%
Kappa Coefficient = 0.866 7
从上表中看出,水体的分类精度98.97%最高,城镇的分类精度66.83%最低,盐碱地的分类精度是86.51%,非盐碱地的分类精度88.57%,沙丘地分类精度89.96%,总体分类精度是90.418 6%,Kappa系数为0.866 7。
根据分类精度指标显示,影像的分类结果具有较高准确率,对研究河套灌区的土地覆盖类型年代变化有很好的参考作用。但是,利用精度评价检验区建立误差矩阵进行精度评价有很大的局限性,得出的精度指标主要是描述分类图中各类别有多少像元正确的归到各自的精度评价检验区(一般是建立真实地表区)内,而对检验区以外的像元是否被正确分类并没有进行统计。所以,还应该利用简单随机采样、聚点或集群采样、分层采样等进行实地采样验证,最终得出总体和各类别的分类精度值[5]。
4 总 语
本文利用土壤线特征对河套灌区内大的土地类别进行识别与分类,利用不同年度的四幅影像分类比较了灌区近20年的土地覆盖变化,提供了灌区近二十年来的土地覆盖的动态监测数据。不足的是,无法对土地类别进行细分,如 无法通过土壤线特征对土地盐碱轻重程度进行定量分析。因地下水埋深和矿化度与盐碱化程度有着明显的相关关系[6,7],所以应结合灌区地下水位、地下水矿化度,通过实地考察和经验判断并结合实验室化验数据,进一步研究地下水水位和矿化度变化对盐碱地的产生的影响。
从分类结果可以看出,河套灌区的盐碱地和沙丘随年代的推移呈下降趋势,但仍然占有较大比例,在一定程度上制约着灌区经济的快速发展,而引起土地覆盖变化的原因是多方面的,需要结合气候变化、地下水埋深和矿化度、人为改造等因素进行总结和探索其相关关系。
参考文献
[1]高鸿永,伍靖伟.地下水位对灌区生态环境的影响[J].干旱区资源与环境,2008,22(4):134-137.
[2]亢庆,于蝾,张增祥,等.基于多源数据的土地盐碱化遥感快速监测[J].遥感信息,2005,6:42-45.
[3]亢庆,于嵘,张增祥,等.土地盐碱化遥感应用研究进展[J].遥感技术与应用,2005,20(4):447-454.
[4]亢庆.土地退化评价中土壤因子的遥感信息提取研究[J].中国学位论文全文数据库,2006.
[5]赵英时.遥感应用分析原理与方法[M].北京:科学出版社,2006.
[6]彭望碌.土地盐碱化量化的遥感与GIS实验[J].遥感学报,1997,3:237-240.
[7]骆玉霞,陈焕伟.GIS支持下的TM图像土地盐碱化分级[J].遥感信息,2001,4:12-15.