基于最優波段組合的TM影像土地覆蓋信息分類*

劉德兒于海霞蘭小機陳元增

（1.江西理工大學建筑與測繪工程學院；2.贛州市城市規劃設計院）

·地質與測量·

基于最優波段組合的TM影像土地覆蓋信息分類*

劉德兒1于海霞1蘭小機1陳元增2

（1.江西理工大學建筑與測繪工程學院；2.贛州市城市規劃設計院）

針對TM遙感影像光譜特征利用率不高，影響土地覆蓋信息分類精度的問題，提出一種基于最優波段組合的分類方法。以贛州市章貢區2006年的TM遙感影像為研究對象，首先根據遙感影像的光譜特征和波段間的相關性計算最佳指數；其次根據研究區域特征，引入修正植被指數，并對原影像進行主成分分析，綜合分析最佳指數、修正植被指數和前3個主成分量，認為PC3、RNDVI、Band1為最優波段組合。最后結合監督分類與非監督分類法對最優波段組合成的遙感影像進行分類，得到的整體分類精度為86.237 5%，kappa系數為0.825 3。

最優波段組合 最佳指數 修正植被指數 主成分分析

20世紀90年代以來，涌現出了大量的遙感圖像分類方法［1］，如人工智能分類法、遙感與GIS結合法、面向對象的分類法、多源信息復合分類法等［2］，在這些分類方法中，地物光譜特性是分類的最重要的依據。理論上，遙感影像的光譜數量越多，所表達的信息越精細，但同時波段間數據的冗余度也會隨之加大，而且冗余的數據反而影響對地物的提取，降低其精度［3］，所以選擇最優波段組合對于遙感信息快速、準確分類具有重要意義。

總體來說，波段選擇需要滿足以下條件：①波段所含有的信息量要大；②波段間的相關性要盡量低［4］；③在所選波段組合中能夠很好區分出目標地物類型。本研究以TM遙感影像作為實驗數據，在現有相關成果基礎上，結合研究區的特點，尋找適合本區域土地覆蓋信息分類的遙感影像波段的最優波段組合，并利用監督分類與非監督分類相結合的方法對研究區進行土地覆蓋信息分類，以提高信息提取的精度。

1 研究區概況及數據預處理

贛州市章貢區為贛州市中心城區，位于章江和貢江交匯處，屬低山丘陵區，地勢由東南、西北向中部傾斜，略呈馬鞍形。東南、西北高，為丘陵山地，中部平緩，為河谷平原，自京九鐵路通車以來，區域經濟發展加速，土地覆蓋變化也隨之加快?？焖贉蚀_地獲取土地覆蓋信息成為當務之急。

圖像數據的預處理工作主要包括影像的幾何校正、研究區裁剪等。本研究以1∶5萬地形圖為基準，選取地面控制點，采用二次多項式變換，雙線性內插法對遙感影像進行重采樣，配準幾何均方差（RMS）控制在1個像元以內。然后，利用ARCGIS軟件提取研究區行政邊界，作為遙感影像裁剪的矢量文件，在ENVI中對遙感影像進行裁剪和提取。

2 最優組合波段建立

根據最優組合波段選取的原則，目前使用的主要方法有最佳指數法、衡量波段間相關系數法、各波段數據的熵和聯合熵等方法。本次綜合考慮研究區的特征以及遙感影像的波段特征等影響因素，最終確定利用最佳指數法與主成分分析法、修正植被指數相結合的辦法來確定波段的選取。

2.1 波段光譜特征分析

各波段的最大（?。┲?、均值、標準差、特征值等共同表征了波段光譜特征。其中標準差表示遙感影像中各個像元的灰度值與平均值的離散度，在一定程度上，可用它來衡量波段所含信息量大小。若標準差大，則圖像灰度級分布分散，圖像的反差大，可以看出更多的信息［5］。在選擇最優組合波段時，還要考慮波段間的相關系數。相關系數矩陣反映了兩個隨機變量之間線性關系密切程度［6］。波段間的相關系數越高則數據冗余度越高，僅選擇其中一個最佳波段。對于TM影像，第6波段分辨率較低，第8波段為全色波段，主要用于提高分辨能力，本次不將其作為最佳波段的候選項，只對1～5波段和第7波段進行光譜信息統計分析，分析結果見表1和表2。

表1 各波段光譜特征

表2 波段間相關系數矩陣

從表1可知，第5波段標準差最大，第2波段標準差最小，說明第5波段所含信息量最大，第2波段所含信息量最小。從表2可知：①可見光的3個波段之間的相關性較高，說明這3個波段所含的信息具有較高的一致性；同理，2個中紅外波段的信息也有很大的冗余性；②第4波段與除第5波段外的其他幾個波段間的相關系數相對較小，說明第4波段相對比較獨立。由此可知，分別從3個可見光波段和2個中紅外波段中各選取一個波段與第4波段進行假彩色合成，效果會比較明顯。

2.2 最佳指數（OIF）計算

計算最佳指數的目的主要是為了用一個比較客觀的衡量標準來進行波段的選取。最佳指數主要原理是計算所要選取的波段的標準差之和與波段間的相關系數之和的商與波段內的標準差成正比，與波段間的相關系數成反比，所得的OIF結果值越大，說明所選波段所含信息量越大，且波段間的相關性越差。通過計算，各波段組合方案的最佳指數OIF結果見表3。

表3 最佳指數OIF計算結果

從表3可知，排在前5位的波段組合方案OIF值按從大到小順序是Band1、4、5，Band2、4、5，Band1、4、7，Band3、4、5，Band1、3、4。綜合考慮研究區的特點以及預識別地物的光譜曲線特點，最終確定以Band1、Band4和Band7為最佳波段組合。

2.3 修正植被指數

由于研究區耕地分布零散且多林地，為了提高這些地類信息提取的精度，本次引入修正植被指數。修正植被指數是在歸一化植被指數的基礎之上建立起來的。歸一化植被指數是指由多光譜數據，經過線性或非線性組合構成的對植被有一定指示意義的各種數值［7］。歸一化植被指數計算公式為

式中，N代表近紅外波段，R代表紅外波段。由于歸一化植被指數的值域為［－1，1］，為了方便計算機計算以及圖像的處理和顯示，常將P轉化為修正植被指數Q［8］，轉化公式為

上式將植被指數的域值轉變為0～255，最終得到研究區的修正植被指數圖見圖1。

2.4 主成分分析（PCA）

黎夏等在研究珠三角地區土地利用變化時采用了主成分分析方法，大大改善了遙感動態監測精度［9］。為了達到隔離噪聲和降低數據集維數的目的，本次引入主成分分析方法。對TM影像的1～5及第7波段進行主成分分析，然后使前3個主成分分量與修正植被指數以及通過最佳指數計算得到的1、4、7波段進行波段組合，得到波段間的相關系數見表4。由表4可知，PC3、RNDVI、Band1 3個波段性質不相同且波段間的相關性相對較差，將這3個波段進行組合，并依次賦予紅、綠、藍顏色，所形成的遙感影像色彩明快，層次清晰，目視效果較佳，認為比較適合目視判讀，最終選擇這3個波段為最優組合波段。

圖1 修正植被指數

表4 波段分量間的相關系數

3 土地覆蓋信息分類

目前遙感信息分類方法有很多，對此，陳紹杰等以TM影像為例對最大似然法、最小距離法、支持向量機法和面向對象分類法進行比較，結果表明最大似然法精度最高，其次是支持向量機法［10］。但是，由于遙感數據的多源性、復雜性以及不同方法使用限制條件不同，所以需要具體情況具體分析。綜合考慮研究區特點、研究目的及現有研究成果等因素，使用非監督分類與監督分類相結合的方法對由最優波段組合成的遙感影像進行土地覆蓋信息分類，并取得了良好的分類效果。

3.1 動態聚類法（ISODATA）

首先選擇若干個樣本作為聚類中心，再按照事先確定的聚類準則進行聚類，在聚類過程中根據聚類準則對聚類中心進行反復的修改，直到分類合并為止。根據以往經驗及反復嘗試，對由最優波段組合成的遙感影像進行非監督分類，并對分類結果進行分類后處理。最終確定的分類訓練樣本有林地、草地、無農作物的耕地、有作物的耕地、水體、交通用地、城市建設用地、居民地、未利用地、類別不明確用地。

3.2 利用相關輔助性資料進行監督分類

利用較高分辨率的遙感影像、土地利用現狀圖等相關資料并結合國土資源部采用的土地資源分類系統建立解譯標志，根據解譯標志建立感興趣區，然后在非監督分類的基礎上利用監督分類中的最大似然法對遙感影像進行分類。并將分類類型進行進一步的合并，最終確定的土地覆蓋的類型有水體、林地、草地、耕地、建設用地、未利用地6類。

3.3 分類后處理

結合n維可視化散點圖、類別修改等功能對分類結果進行修改，糾正錯分、漏分的部分，以提高分類精度，然后采用主／次要分析對分類過程中產生的小斑點進行進一步處理，提高目視顯示效果，經過一系列校正得到土地覆蓋分類結果，見圖2。

圖2 土地利用／覆蓋分類信息提取

3.4 分類結果精度評價

對遙感影像信息提取結果精度進行評價是檢測分類技術的有效方法，它客觀描述了分類精度。通過精度評價，可以找出分類方法的不足并進一步查漏補缺，使得信息提取技術更加精確、完善。本次利用建立感興趣區的方法對分類結果進行精度驗證。并計算總體分類精度、Kappa系數、混淆矩陣等。最終得到整體分類精度為86.237 5%，kappa系數為0.825 3，詳細信息見表5。

表5 誤差／精度統計結果 %

經分析，影響影像分類結果精度的主要原因為：①研究區的地形復雜使得耕地多零散分布，且形狀不規則，大量的水田與水體相混淆使耕地分類精度較低。②遙感影像的質量及相關輔助資料對分類精度影響較大，并存在“同物異譜，同譜異物”的現象，增加分類的難度。

4 結 論

為了充分利用遙感影像的光譜信息來提高土地覆蓋信息分類精度，本研究對遙感影像進行預處理后，通過計算最佳指數和修正植被指數并結合主成分分析來獲取最佳波段組合，并認為第4波段、修正植被指數以及第3主成分分量為最佳的波段組合，結合非監督分類中的動態聚類法和監督分類的最大似然法進行土地覆蓋信息分類，利用n維可視化散點圖、類別修改、主／次要分析等方法進行分類后處理，得到6種地物的土地覆蓋分類結果圖，并利用高分辨率的遙感影像、土地利用現狀圖等輔助資料對分類結果進行精度評價，最終整體分類精度為86.237 5%，kappa系數為0.825 3，說明分類精度較高，達到了預期的分類效果，具有現實意義。

［1］韓 鵬，龔健雅，李志林，等.遙感影像分類中的空間尺度選擇方法研究［J］.遙感學報，2010，14（3）：507-518.

［2］史澤鵬，馬友華，王玉佳，等.遙感影像土地利用／覆蓋分類方法研究進展［J］.中國農學通報，2012，28（12）：273-278.

［3］曹 敏，史照良，沈泉飛.ALOS影像在土地覆被分類中最佳波段選取的研究［J］.測繪學報，2008（9）：16-18，27.

［4］王培忠，嚴衛東，邊 輝，等.提取蝕變信息時TM影像的最佳波段組合研究［J］.地球科學與環境學報，2010（2）：173-175.

［5］許 菡，燕 琴，徐泮林，等.多源遙感影像融合最佳波段選擇及質量評價研究［J］.測繪科學，2007，32（3）：72-74.

［6］孫 華，林 輝，熊育久，等.Spot5影像統計分析及最佳組合波段選擇［J］.遙感信息，2006（4）：57-60，88.

［7］劉 瑜，韓 震，李 睿.基于主成分分析和植被指數的潮灘植被信息提取研究［J］.遙感信息，2010（4）：45-50.

［8］師慶東，呂光輝，潘曉玲，等.遙感影像中分區分類法及在新疆北部植被分類中的應用［J］.干旱區地理，2003，26（3）：264-268.

［9］黎 夏，葉嘉安.利用主成分分析改善土地利用變化的遙感監測精度——以珠江三角洲城市用地擴張為例［J］.遙感學報，1997，1（4）：282-289.

［10］陳紹杰，單丹丹，趙衛常.土地覆蓋遙感分類方法的比較與分析［J］.遼寧工程技術大學學報：自然科學版，2010，29（4）：567-570.

Land Cover Information Classification Based on the Optimal Band Combination of TM Image

Liu De＇er1Yu Haixia1Lan Xiaoji1Chen Yuanzeng2
（1.School of Architectural and Surveying Engineering，Jiangxi University of Science and Technology；2.Urban Planning and Design Institute of Ganzhou）

The accuracy of land cover classification is affected by the low utilization efficiency of the TM image spectral characteristics.Aimed at this issue，a classification method is proposed based on the optimal band combination.Taking the TM image in 2006 in Zhanggong district of Ganzhou as a study goal，the optimum index factor（OIF）is firstly calculated by the spectral characteristics of remote sensing image and the relation of bands.Then，the revised normalized difference vegetation index（RNDVI）is introduced according to the topographic feature in study region，and the original image is analyzed by principal componentanalysis（PCA）.Through comprehensive analysis on the optimum index factor，the revised normalized difference vegetation index and three former principal components，it is concluded that the optimal band combinations are PC3，RNDVI and Band1.Finally，with combination of supervised classification and unsupervised classification，the composite remote sensing image is classified，obtaining that the overall classification accuracy is 86.2375%and the kappa factor is 0.8253.

The optimal band combination，Optimum index factor（OIF），Revise normalized difference vegetation index（RNDVI），Principal component analysis（PCA）

2013-07-24）

*國家自然科學基金項目（編號：40971234），江西省教育廳科學研究項目（編號：GJJ13431），江西理工大學基金項目（編號：jxxj11012）。

劉德兒（1976—），男，博士研究生，副教授，碩士研究生導師，341000江西省贛州市紅旗大道86號。