2013-4定稿

Size: px

Start display at page:

Download "2013-4定稿"

中於
5 years ago
Views:

1 第 15 卷第 4 期 13 年 8 月地球信息科学学报 JOURNAL OF GEO-INFORMATION SCIENCE Vol.15, No.4 Aug., 13 基于线性光谱混合模型的城市下垫面分类影响因素分析龚建周 1, 陈健飞 1 2, 刘彦随 (1. 广州大学地理科学学院, 广州 ;2. 中国科学院地理科学与资源研究所, 北京 ) 摘要 : 基于 Hyperion 高光谱与 ALOS 全色波段的融合图像, 运用线性波谱分离模型, 对影响城市下垫面分类的因子进行定量分析结果显示 : 随着空间分辨率的递增, 融合图像光谱保真性呈下降之势, 并呈现出阈值现象, 但所有相关系数值都大于 0.90, 表明以融合图像进行线性波谱分离提取城市下垫面具有可靠性 ; 下垫面分类总精度则整体明显下降,Kappa 系数值也几乎单调减少大气校正后下垫面分类的总精度和 Kappa 系数都明显高于大气校正前 ; 当丰度分割值由 10% 增至 60% 时, 生成的下垫面分类图像的精度单调降低, 表明应慎用 % 阈值分割法关键词 : 线性光谱混合模型 ; 城市下垫面 ; 定量研究 ; 高光谱融合图像 DOI: /SP.J 引言目前, 混合像元分解的地物分类识别方法被广 [1-3] 泛运用, 如线性波段预测线性光谱分离 (Linear [4] Spectral Unmixing ) 匹配滤波等, 其中以模型最简单物理意义最清楚的线性光谱分离模型的应用最为普遍宁佳等研究认为, 遥感数据来源分类系统, 分类方法, 以及不同的参数等都会影响到遥感数据应 [5-6] 用的精度而应用高光谱影像的融合图像和线性光谱分离的方法提取城市地表类型影响因素的研究不多本文以 Hyperion 高光谱与 ALOS 全色波段的融合图像为例, 采用线性光谱混合模型, 对图像融合效果大气校正空间分辨率以及丰度阈值等对城市下垫面提取的影响进行定量分析 2 数据源与分析处理方法 2.1 数据源分析研究数据主要是 :08 年 3 月 25 日的 E0-1 Hyperion 影像数据 (EO1H KA), 空间分辨率为 30m;08 年 11 月 29 日 ALOS 全色影像 (D ), 空间分辨率为 2.5m 两影像都覆盖广州市大学城区域 Hyperion 影像经过波段选取辐射校正以及两种数据同时经过几何校正, 剪裁出广州市大学城的影像, 为融合处理的数据即包括广州大学及广东省科学厅在内 ( 如图 1(a) 黄色边界线 ) 的影像, 为研究线性光谱混合分解影响因子的数据详细的 Hyperion 波段选取和辐射校正见文献 [7] 本文以同区域 09 年 TM 影像为基准, 对高光谱影像进行几何精校正, 均方根误差 (RMS) 控制在 1m 以内 ; 再基于高光谱影像, 对 ALOS 全色波段进行图对图的几何精校正, 总残差 0.082, 单点的最大残差为 0.133, 最小为影像预处理及信息提取在 ENVI 4.7 中完成, 全约束条件的线性混合像元分解需在 IDL 下编程实现 2.2 线性光谱混合模型及分解方法 (1) 线性光谱混合模型线性光谱混合模型 (Linear Spectral Mixing Model, LSMM), 其混合像元的光谱值是各地物组分的光谱值与其占该像元光谱面积比例的线性组合 ; 当这种组合应满足于光谱面积比例为非负和小收稿日期 : ; 修回日期 : 基金项目 : 国家自然科学基金重点项目和面上项目 ( ); 教育部人文社会科学研究项目 (10YJCZH031); 住房和城乡建设部科技计划项目 (11-R2-38); 广州市科技和信息化局国际科技交流与合作专项项目 (12J ) 作者简介 : 龚建周 (1970-), 女, 博士, 副教授, 从事土地资源配置环境生态与生态环境管理研究 3S 应用 gongjzh66@126.com

2 4 期龚建周等 : 基于线性光谱混合模型的城市下垫面分类影响分因素分析 575 于 1, 以及所有端元光谱面积比例之和等于 1 时, 线性光谱混合像元模型表示为 [8-9] : p R i = f k R ik + ER i (1) k = 1 n f i = 1 (2) i = 1 0 f i 1 (3) 式中,i=1,2,, n( 图像波段数, 本研究中 n= 158 [7] );k=1,2,, p( 地物端元数或组分数, 本研究中 p=7);r i, 一个像元的第 i 波段的光谱反射值 ;R ik, 第 k 个地物组分在第 i 波段的光谱反射值 ;f k, 在一个像元内, 第 k 组分光谱反射值所占的比例 ;ER i, 当线性模型分解后, 一个像元第 i 波段的光谱反射值的残差 ( 误差项 ) 线性混合像元分解就是求 f k 的过程, 应用最小二乘法原理, 在 IDL 下编程求解得到各种地物在各个像元的光谱面积比例的图像 ( 丰度图像 ) 利用图像分割工具, 分割丰度图像生成地物类型图一般情况下, 将同一个混合像元中视域面积最大且超 [10] 过 % 的端元, 作为该像元地表物质的类型除特殊说明外, 本研究均采用 % 为丰度阈值 (2) 下垫面分类体系的建立 [11] 根据有关城市下垫面的分类地物可分性原 [7] 则研究区的特点, 以及本项目前期研究基础, 制定了研究区域下垫面分类体系 ( 表 1) 表 1 城市下垫面分类体系及影像特征 Tab.1 Urban underlying surface classes and their characteristics on images 城市下垫面类型影像特征丰度阈值 (%) 人工地面水泥混凝土建筑物屋顶铺路混凝土用于道路广场表面高反射率表面一些新建的特色建筑屋顶, 其材质如玻璃金属等低反射率表面反射率较低但高于水体, 如阴影等自然地面林地具有植被的典型双峰反射率特征草地同林地, 且草地反射率高于林地 40 水体反射率最低, 并随波长由小到大增加, 反射率逐渐降低 (3) 纯净端元选取高空间分辨率影像包含更多数量的纯净端元, [12] 有利于手动选取端元本研究以融合生成的 2.5m 分辨率图像, 选取纯净端元, 作为后续各分离方法共享的端元首先, 从图像上手动选择端元, 利用光谱角匹配 (SAM) 法对图像进行分类, 提取每种地物类型与参考光谱夹角最小的前 10 个端元然后, 用高光谱影像目视验证端元选取正确与否, 并将人工地面类型与 ENVI 自带的 Hopkins 大学标准光谱库进行光谱角匹配自然地面类型与 USGS 波谱库进行光谱角匹配 ; 修改或重新选取端元再验证与匹配等反复端元选取的过程, 直至选取到较纯净的端元确定地物类型最后, 取 10 个端元的光谱均值, 作为各纯净端元的光谱值以选取的前 10 个端元为初始感兴趣区, 在 2.5m 融合图像上, 用增长感兴趣区的方式, 即 : 运用 Region Growing 模块和默认的参数与设置 ( 标准差和增长模式 ), 生成分类效果检验的真值 (ROI 文件 ) 然后计算分类结果和真值的混淆矩阵 [4], 获得分类精度及 Kappa 系数值, 作为结果验证的标准整体上讲, 总精度值越大, 图像分类精度越高 Kappa 系数是在用户精度和制图精度两个参数的基础上提出的一个指标, 用来评价分类图像的精度问题当两幅图一致性高时,Kappa 系数大通常认为,Kappa 系数大于 0.8, 几乎完全一致 ; 系数在时, 有好的一致性 ; 时, 具有中等一致性 [13] 3 基于 LSMM 模型的城市下垫面分类影响因素分析 3.1 城市下垫面融合图像的 LSMM 模型分类在大学城范围, 将用 Hyperion 影像与 ALOS 全色波段的融合, 探讨融合图像光谱保真性同时分大气校正前后不同空间分辨率及丰度阈值等层次, 计算 LSMM 分类精度 Kappa 系数, 进行对比分析 (1) 图像融合及不同空间分辨率融合图像

576 13 年地球信息科学学报 LSMM 分类运用软件的 Gram-Schmidt Spectral Sharpening 模块自动完成 Hyperion 和 ALOS 的融合用重采样方法生成一系列不同空间分辨率的图像运用 Compute Statistics 模块计算不同空间分辨率融合图像与相应的高光谱影像各波段之间的相关系数再计算图像之间的平均相关系数值

3 年地球信息科学学报 LSMM 分类运用软件的 Gram-Schmidt Spectral Sharpening 模块自动完成 Hyperion 和 ALOS 的融合用重采样方法生成一系列不同空间分辨率的图像运用 Compute Statistics 模块计算不同空间分辨率融合图像与相应的高光谱影像各波段之间的相关系数再计算图像之间的平均相关系数值对比分析光谱保真性空间分辨率分别为 m 并将不同空间分辨率对应的图像分别编序为 1-12 对这些融合图像分别图 1 研究区 Hypersion 高光谱影像及融合图像(51/30/ RGB Fig.1 Hyperion image (a) and merged image (b) by 51/30/ RGB in the study area 进行全约束线性混合像元分解及其效果的对比分析色变化较大色泽偏暗尤其是水体颜色偏蓝 2 大气校正前后的融合图像 LSMM 分类一是未经大气校正的图像与 ALOS 全色波段进行图像融合二是由大气校正后的图像与 ALOS 色 2 不同空间分辨率融合图像的光谱保真性将不同空间分辨率融合图像与相应的高光谱全色波段进行融合再分别进行 LSMM 分解其需影像各波段图像的平均相关系数绘制成曲线图 2 利用 ENVI 软件内嵌的 FLAASH 模块进行图像的大可以看出各波段图像之间呈显著相关的关系表气校正[7,9] 现为平均相关系数值大于 0.90 并以 30m 空间分辨 3 不同丰度阈值下 LSMM 分类率图像的相关关系最强曲线末端即序号 12 除 LSMM 分解得到丰度图像后一般以丰度最大且 %为阈值分割生成地物类型图据混合像 [7] 此之外图像空间分辨率值由小变大相关关系总体呈减弱的态势元的原理当某像元内包含类型较多并且各面积比 0.92 像元的误差文献[14]指出需要结合先验知识丰度图直方图上特征峰的形状和位置同时对照图像等方法进行阈值的确定相关系数例均衡的地物光谱时 %阈值可能会导致未分类 0.91 以 2.5m 融合图像的 LSMM 丰度图分设 10% % 30% 40% % 60%的分割阈值进行实验一是观察不同地物类型丰度图的图像特征反复用不同的阈值分割丰度图观察分割效果并将其与实地检验样本和区域土地利用图进行核对二是参考丰度图对应的直方图观察图像峰值对应的丰度大小或者位置特征最后结合以上 2 个方面确定不同类型下垫面分割地表类型丰度阈值见表 1 最后一列数据由此生成城市下垫面类型图波段序号图 2 融合与高光谱图像各波段的相关系数曲线 Fig.2 Correlative coefficient curve of spectrum between each merged image and raw image 注序号 1-12 分别为 m 详细的图像波段之间的相关关系如图 3 不论图像空间分辨率高低与否随着图像的波段序号由 3.2 LSMM 模型分类结果与分析小增大融合图像与原始图像各波段之间的相关关融合图像光谱保真性系呈减弱之势表现为相关系数曲线几乎持续下 1 融合图像可视化效果比较图 1 为高光谱影像及融合图像 51/30/ RGB 降直至最后一个波段时相关系数值最小按其下滑趋势曲线分成快速下降和缓慢下降两段尽可以看出地物细节表达力增强边缘清晰度增管如此序列号为 124 的波段图 3 以三角标注加图像视觉效果大大改善但是融合图像颜处其相关系数曲线有一个较大幅度的下凹对应

4 4期 577 龚建周等基于线性光谱混合模型的城市下垫面分类影响分因素分析图 3 融合图像与原始图像各波段图像之间的相关系数曲线 Fig.3 Correlative coefficient curves of spectrum between both bands from merged image and raw image 于高光谱的第 184 波段属于长波近红外光谱 1100~2526nm 区域和相对于真值 ROI 而言分类结果分别属于好的中等的一致性等级取自定义分割阈值综上所述无论从图像整体还是从波段之间时分类结果总精度则为和分类效果光谱保真性来看 2.5m 空间分辨率融合图像与高光有所改善 Kappa 表征的图像一致性也提高其值为谱图像之间都具有最佳的光谱保真性故用此图和像进行线性混合像元分解影响因素不确定性的研究是可靠的大气校正及城市下垫面分类效果正如文献资料报道表 2 大气校正前后图像 LSMM 分类精度 Tab.2 Overall image classification accuracy by LSMM before and after atmospheric correction [7,15] 大气对电磁辐射的吸收大气校正前和散射作用叠加在地物的反射信号上致使遥感图像清晰度和对比度下降影响了遥感图像应用的质量大气校正前后融合图像 LSMM 的下垫面分类结果如图 4 所示可以看出大气校正对 LSMM 下垫面分类有明显的影响未经大气校正的图像的下垫面分类图破碎建筑层顶面积偏少与实际情况偏差较大分类的总精度和 Kappa 系数如表 2 其中系数 Def 分别表示丰度图分割阈值 %和自定义阈值如表 1 最后一列大气校正后的融合图像下垫面分类的总精度和 Kappa 都明显偏大取阈值 % 总精度分别为和 Kappa 系数为大气校正后 Def Def 总精度(%) Kappa 系数不同空间分辨率及城市下垫面分类效果不同空间分辨率融合图像 LSMM 分类效果如表 3 所示随图像空间分辨率由高到低变化图像分辨率值由小到大线性混合像元分解的下垫面分类总精度呈明显的下降趋势 Kappa 系数值也几乎单调减少只有空间分辨率 10m 和 17.5m 的图像下垫面分类精度值小幅度波动而在空间分辨率图 4 LSMM 分解的下垫面分类图 Fig.4 Underlying surface identification of the study area by LSMM

5 578 地球信息科学学报 13 年表 3 不同空间分辨率图像线性混合像元分解的下垫面分类精度 Tab.3 Overall classification accuracy for images with different spatial resolutions 空间分辨率 (m) 总精度 (%) Kappa 系数图 5 不同丰度阈值下的下垫面分类精度 Fig.5 Overall classification accuracy (a) and Kappa coefficient (b) for different thresholds 注 :Def 表示自定义阈值 ( 见表 1 最后一列数据 ) m 和 22.5m 时, 图像 LSMM 类型图的 Kappa 系数出现界值, 由一致性好的等级降为中丰度阈值及城市下垫面分类效果将下垫面分类结果图的总精度及 Kappa 系数绘制成曲线 ( 图 5) 可以看出, 当分割丰度图像生成类型图时, 不同的阈值将对分类总体精度和 Kappa 系数产生明显的影响随丰度分割阈值由 10% 至 60% 增大, 分类总体精度和 Kappa 系数都呈减少之势 4 结论与讨论本文以 Hyperion 高光谱与 ALOS 全色波段的融合图像为例, 通过计算融合图像在城市下垫面分类的总精度和 Kappa 系数, 分析了影响线性光谱混合分解效果的主要因子, 包括大气校正空间分辨率图像分割的阈值等主要结论 : (1) 随着空间分辨率由高变低, 融合图像光谱保真性呈现以下特点 :1 从整幅图像来看, 光谱保真性呈下降之势但是, 由于混合像元现象的存在, 重采样生成不同空间分辨率图像后, 以上光谱保真性的特点呈现出阈值现象, 如当空间分辨率达到 30m( 图 2 曲线末端 ), 相关系数值突然明显地增大, 说明光谱保真性的特点呈现出阈值现象, 是进行图像处理中值得注意的问题尽管如此, 所有相关系数值都大于 0.90, 表明以重采样生成的图像进行线性混合像元分解影响因素进一步研究仍然具有可靠性 ;2 从图像的各波段来看, 随图像的波段号由小变大, 相关关系减弱, 并且在长波近红外光谱区域存在跳跃点, 表明融合图像与原始图像的相关关系因波段而异, 即光谱保真性在波段之间存在区别 (2) 大气校正图像空间分辨率, 以及分割阈值等都是影响线性光谱混合分解的重要因子以大气校正后的图像进行城市下垫面分类, 总精度和 Kappa 系数都明显大于大气校正前图像空间分辨率由高到低, 线性光谱混合分解的分类精度几乎单调减小, 表明提高图像空间分辨率将有利于高光谱影像分类识别 ; 实际应用中, 当数据源精度受限时, 提高图像空间分辨率的融合技术值得考虑对线性光谱混合分解生成的丰度图像进行分割时, 不同的阈值对分类结果影响较大, 当阈值由 10% 增至 60% 时, 分类图的精度单调降低原因是在没有绝对占优势的地物光谱时, 各地物光谱在某像元内的面积比可能趋于均衡为此, 要慎用普遍采用的 % 阈值分割法, 地物的丰度分割值需视具体情况而定, 甚至应以不同的地物设定不同的值, 否则, 很可能导致大量未分类图斑的出现, 降低分类精度

6 4 期龚建周等 : 基于线性光谱混合模型的城市下垫面分类影响分因素分析 579 综上所述, 以线性光谱混合模型进行城市下垫面类型的提取时, 尽量提高图像的空间分辨率, 或者选择适当的丰度图像分割阈值, 可得到较高精度的分类图像当实际的遥感图像空间分辨率受限时, 可采取多源遥感图像融合技术, 进一步提高图像的空间分辨率, 以提高精度本文将高光谱与高空间分辨率遥感影像作为数据源, 对其融合图像的线性光谱混合模型分解的影响分析, 将是其应用于地物类型高精度提取中值得进一步深入探讨的问题参考文献 : [1] Lu D S, Moran E, Batistella M. Linear mixture model applied to Amazonian vegetation classification [J]. Remote Sensing of Environment, 03,87(4): [2] 杨国鹏, 余旭初, 刘伟, 等. 面向高光谱遥感影像的分类方法研究 [J]. 测绘通报,07(10):17-. [3] 李素, 李文正, 周建军, 等. 遥感影像混合像元分解中的端元选择方法综述 [J]. 地理与地理信息科学,07,23(5):35-38, 42. [4] 李小娟, 刘晓萌, 胡德勇, 等.ENVI 遥感影像处理教程 ( 升级版 )[M]. 北京 : 中国环境科学出版社,08. [5] 宁佳, 张树文, 蔡红艳, 等.MOMIS 和 GLOBOCOVER 全球土地覆盖数据集对比分析以黑龙江流域为例 [J]. 地球信息科学学报,12,14(2): [6] Van der Meer F D, Jia X P. Collinearity and orthogonality of end members in linear spectral unmixing[j]. International Journal of Applied Earth Observation and Geoinformation, 11(18): [7] 龚建周, 陈健飞, 刘彦随. 高光谱影像地物识别不同方法的效果比较 [J]. 广州大学学报 ( 自然科学版 ),11,10(5): [8] 赵锐. 混合像元线性分解的精度估算 [J]. 测绘与空间地理信息,10,33(6): [9] 罗红霞, 龚健雅.UFCLS 线性光谱混合分析法在遥感图像分类识别中的效果分析 [J]. 武汉大学学报信息科学版,04,29(7): [10] 陈健飞, 林征, 陈颖彪. 基于高光谱线性混合光谱分解识别人工地物 [J]. 应用基础与工程科学学报,09,17(2): [11] 王帅杰, 朱坦, 冯银厂, 等. 改变城市下垫面类型及控制道路尘环境效益评估方法 [J]. 安全与环境学报,04,4(5): [12] 胡潭高, 张锦水, 贾斌, 等. 不同分辨率遥感图像混合像元线性分解方法研究 [J]. 地理与地理信息科学,08,24(3): -23,40. [13] 于萍, 黄冬雁,Revis Joana, 等. 不同嗓音样本对嗓音听感知评估的影响 [J]. 听力学及言语疾病杂志,04,12(3): ,170. [14] 赵英时. 美国中西部沙山地区环境变化的遥感研究 [J]. 地理研究,01,(2): [15] 张秋爽, 祝民强, 刘碧洪. Hyperion 高光谱遥感数据大气校正方法 [J]. 计算机测量与控制,10,18(1): Quantitative Study on Factors for Urban Underlying Surface Classification Using Linear Spectral Mixing Model GONG Jianzhou 1*, CHEN Jianfei 1 and LIU Yansui 2 (1. School of Geographical Sciences, Guangzhou University, Guangzhou , China; 2. Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing , China) Abstract:Based on fusion images of Hyperion and ALOS, using linear spectral mixing model, quantitative analysis on fusion effect and its factors was explored, which included atmospheric correction via FLAASH in ENVI, spatial resolution of image, threshold value for classification of rule images. The results showed that much information would be lost with spatial resolutions becoming coarser, as well as a threshold value existed. Still, correlative coefficients between raw images and coarser resolution images were all larger than 0.90 which indicated images kept their raw spectrum and could be used to identify surface of land. Meanwhile, total accuracy and Kappa coefficient presented downward trend. Total accuracy and Kappa values for classification corrected by FLAASH were larger than that for uncorrected images, while classification map was turned into pieces which were not in accord with the actual condition. Segment threshold of fraction was one of key factors when fraction

7 580 地球信息科学学报 13 年 images were separated into patches to create classification images. While threshold value was from 10% to 60%, total accuracy of classification maps displayed the opposite trend to decrease. The spectrum in a pixel within the area ratio may tend to be balanced, and there was not absolutely dominant spectrum in the pixels. This revealed the value of %, commonly adopted, should be used on condition. And Here the different thresholds should be given for different objects. Key words:linear spectral mixing model; urban underlying surface; quantitative study; fusion image from high spectrum images *Corresponding author: GONG Jianzhou, gongjzh66@126.com

GeomaticsandInformationScienceofWuhanUniversity Vol.38No.9 Sept.2013 : (2013) :A LandsatETM+ EO-1ALI 1,2 1,2 (1, 2,35010

38 9 20139 GeomaticsandInformationScienceofWuhanUniversity Vol.38o.9 Sept.2013 1671-8860(2013)09-1068-05 A LandsatETM+EO-1ALI 1 2 12 (1 2350108) (2 2350108) 利用线性光谱分解模型对同日过境的 LandsatETM+ 和 EO-1ALI 影像的不透水面信息反演结果进行对比研究