面向碳收支服務的HJ數據圖像變換方法研究

余曉敏，李 兵，段志強，王 賀

（1.湖北省基礎地理信息中心，湖北 武漢 430074；2.湖北省測繪成果檔案管，湖北 武漢 430074；3.深圳市海洋環境與監測中心，廣東 深圳 518003）

面向碳收支服務的HJ數據圖像變換方法研究

余曉敏1，李 兵2，段志強2，王 賀3

（1.湖北省基礎地理信息中心，湖北 武漢 430074；2.湖北省測繪成果檔案管，湖北 武漢 430074；3.深圳市海洋環境與監測中心，廣東 深圳 518003）

為了突出遙感影像中的陸地生態系統固碳主體，增強圖像的解譯性，提高分類精度，從而準確評估陸地生態系統的碳收支情況，針對碳收支遙感監測所采用的國產HJ圖像的變換方法展開研究，對HJ數據分別進行LBV變換、KL變換和KT變換實驗，同時采用面向對象分類法評價了圖像變換對碳收支土地覆蓋分類的影響。實驗結果證明，與KL、KT變換方法相比，LBV變換后的圖像具有更好的目視解譯效果，顏色更鮮艷、地物類別更易區分，能有效提高固碳主體的分類精度。

HJ數據；LBV變換；KL變換；KT變換；面向對象分類；碳收支

陸地表面各種生態系統的類型分布或面積構成（即地表分類）是估算陸地生態系統碳收支評估最基本、最關鍵的內容。因此，陸地生態系統碳收支評估要求土地覆蓋分類能夠準確提取森林、草地、農田和濕地等生態類型，突出陸地生態系統的固碳主體[1]。目前，我國面向碳收支服務的遙感監測主要采用國產的HJ-1A/B衛星遙感數據，因而亟需研究與其相適應的圖像變換方法，突出植被、水體和裸地信息，得到高質量的土地覆蓋分類產品，為陸地生態系統碳收支評估提供基礎數據。

目前已經提出了不少關于遙感圖像變換的方法，比較有代表性的是KL變換和KT變換。這些變換方法在很大程度上是純數學式的，帶有很大的盲目性[2]。曾志遠[3]于2007年提出了一種新的數據變換方法，簡稱LBV變換，該變換方法在不少方面優于已有的圖像增強方法。由于LBV變換建立在大量衛星數據分析基礎之上，不同的衛星數據對應的LBV變換公式不同[4]，王賀等[5]根據LBV變換的基本原理于2013年提出了針對國產環境衛星HJ數據的LBV數據變換公式。

本文針對面向碳收支服務的HJ數據圖像變換方法展開了研究，對HJ數據分別進行LBV變換、KL變換和KT變換實驗，并采用面向對象分類法評價了圖像變換對碳收支土地覆蓋分類的影響。

1 方法介紹

1.1 LBV變換

LBV變換通過對典型地物的輻射值進行回歸分析，總結出典型地物的3個主要遙感特性，即地物總輻射水平L、可見光–近紅外輻射平衡B以及波段輻射變化矢量V，然后選取合適的數學方法對其進行提取，從而實現遙感影像的變換。其中，L可以用來監測地物的輻射強度；B可以用來監測水體和地表層的潮濕程度，并能區分云、雪和冰；V是反映植被狀況的良好指標，可以用來監測植被的密度與活力[2]。這種方法首次將具有具體物理意義的變量與地物類型聯系起來，并且通過假彩色合成明顯地區分出植被、非植被與水體，已被廣泛應用于遙感影像解譯與分類中。HJ影像的LBV變換公式為[5]：

1.2 KL變換

KL變換是在原波段圖像統計特征基礎上的多維正交線性變換，在不減少圖像信息的同時，降低特征維數，集中表達影像信息，提高信噪比，突出影像細節特征，從而有效提取影像信息。一般可表示為[6]：

式中，x是原圖像p個波段的像元值向量；m是原圖像p個波段的像元值的均值向量；y是變換后產生的q個特征圖像的像元值向量。若p=q，則A是p×q的變換矩陣，其每一行是協方差矩陣C的一個特征向量ti，i=1，2，…，p。這些特征向量的順序是按照對應的特征值λi大小排列的。

當選取經KL變換產生的q個變量中的前n個變量時，可以證明，此時的均方差誤差R在所有的正交變換中是最小的，由于n＜q，就可以較小的變量代替了原來的q個變量，實現了變量的壓縮。

1.3 KT變換

KT變換也叫穗帽變換，是Kauth和Thomas于1976年提出的一種線性變換方法。KT變換的基本原理是在多維光譜空間中通過線性變換、光譜空間旋轉，使植被與土壤的光譜特征得以有效分離，從而去除原始影像各波段之間的冗余信息，使變換之后的結果變成有物理意義的參數。一般來說，變換結果的前3個特征包含了影像的絕大多數信息：變換后的第1分量表征亮度，反映了土壤光譜信息；第2分量表征綠度，反映了植被光譜信息；第3 分量表征地物的水分含量，反映了地物的濕度信息。KT變換總體上能夠較好地分離土壤和植被[7]，但依賴于傳感器（主要是波段），針對不同的傳感器需要采用不同的轉換系數。根據Lvits等[8]提出的方法可以計算出HJ影像的KT變換系數。

2 實驗結果及分析

2.1 實驗數據

采用2010-11-12獲取的深圳市HJ影像（圖1）基于式（1）～（3）進行LBV數據變換實驗。該影像左上角的經緯度為22°40'、113°52'，右下角的經緯度為22°27'、114°20'。為了使變換圖像的灰度值范圍位于0～255之間，具有均勻的數據分布，還需要對變換得到的新影像進行線性拉伸。

圖1 深圳市HJ衛星RGB合成影像

2.2 變換結果分析

2.2.1 LBV變換結果分析

對HJ影像進行LBV變換，得到如圖2所示的LBV假彩色合成圖像（L、B、V分別賦予紅色、藍色和綠色）。水體基本呈藍色，且由于水庫比河流更清澈，因此其顏色更藍。而對于正在被填埋的海岸來說，由于其表面多為建筑材料，因此顏色偏藍紫色。這說明水體越純凈，顏色越藍。對于裸露地表來說，工業用地顏色較紅，而居住地偏紫色。植被大部分呈綠色，只是在背山陰影部分顏色偏藍綠色。總體看來，經過LBV變換后的影像色彩更鮮艷，水體、裸地和植被的特征得到明顯增強，使得地物類別更易區分，更有利于HJ圖像的目視解譯和分類。

圖2 LBV假彩色合成圖像

2.2.2 KL變換結果分析

對HJ影像進行KL變換，得到如圖3所示的假彩色合成圖像（第2分量、第1分量、第3分量分別賦予紅色、綠色和藍色）。KL變換的第1分量信息量最大，第2分量和第3分量的信息量依次減少。信息量大，意味著反映地物特性的效果好，但就某一類地物而言，其信息不一定分布在前幾個特征圖像中。觀察圖3發現，植被、水體和裸地均呈現2種以上的顏色，不利于地物的區分。

圖3 KL主成分假彩色合成圖像

2.2.3 KT變換結果分析

對HJ影像進行KT變換，得到如圖4所示的假彩色合成圖像（亮度、綠度、濕度分別賦予紅色、綠色和藍色）。基于HJ數據的KT變換在綠度特征上具有一定的優勢，能夠突出顯示植被，但亮度特征和濕度特征無法發揮其應有的作用。觀察圖4發現，KT變換的效果要優于KL變換，植被、水體和裸地顏色相對純凈，但與LBV變換結果相比，植被和水體信息不夠突出。

2.3 圖像變換對固碳主體分類的影響

圖4 亮度、綠度、濕度假彩色合成圖像

為了能夠客觀評價圖像變換對碳收支土地覆蓋分類的影響，利用面向對象分類的最近鄰分類法對變換后的假彩色影像和原始多光譜影像進行分類。分類前采用相同的分割尺度和分割參數，分別對HJ原始影像以及變換后的影像進行分割。分類結果如圖5所示，其中，深綠色為森林，淺綠色為草地，紅色代表人工表面，藍色表示水體，黃色代表其他。

圖5 原始圖像與變換圖像分類結果比較

原始圖像與變換圖像的分類精度如表1所示。原始圖像分類后的總體分類精度為77．15%，總體Kappa系數為0．686 5,其中森林和草地的分類精度分別為78．87%和73．92%。LBV變換后的圖像總體分類精度為89．21%，總體Kappa系數為0．831 5，其中森林和草地的分類精度分別為89．68%和84．45%；KL變換后的圖像總體分類精度為80．46%，總體Kappa系數為0．745 8，其中森林和草地的分類精度分別為81．52%和76．33%；KT變換后的圖像總體分類精度為85．67%，總體Kappa系數為0．809 2，森林和草地的分類精度分別為86．14%和81．87%。顯然，經過LBV變換后的圖像其分類精度明顯優于未經變換的假彩色合成圖像和KL及KT變換后的圖像，尤其是森林和草地的分類精度得到明顯改善，因此使用LBV變換方法對HJ圖像進行處理能有效提高固碳主體的分類精度。

表1 原始圖像與變換圖像的分類精度評價表

3 結 語

本研究針對碳收支遙感監測所采用的國產HJ圖像的變換方法展開研究，將HJ數據的LBV變換結果與KL變換和KT變換結果進行對比分析。實驗結果證明，LBV變換得到的新圖像比HJ原始圖像和KL及KT變換后的圖像顏色更鮮艷、具有更好的目視解譯效果，不但總體分類精度得到明顯提高，森林、草地等固碳主體的分類精度也得到了明顯改善。因此LBV變換非常適用于面向碳收支土地覆蓋分類的遙感圖像變換。

[1] 余曉敏． 面向生態系統碳收支服務的HJ-1AB影像分類關鍵技術[D]．武漢:武漢大學,2012

[2] 曾志遠．陸地衛星數據信息提取的一個新方法[J]．環境遙感,1990,5(2):128-139

[3] Zeng Z Y．A New Method of Data Transformation for Satellite Images: I． Methodology and Transformation Equations for Tmimages[J]．International Journal of Remote Sensing,2007, 28(18):4 095-4 124

[4] 張成雯,唐家奎,米素娟,等．中巴02B 衛星多光譜影像中LBV數據變換方法研究 [J]．地理與地理信息科學, 2011, 27(3):21-25

[5] 王賀,陳勁松,余曉敏．HJ數據的LBV變換及其在面向對象分類中的應用[J]．遙感科學與技術,2013,28(6):1 020-1 026

[6] 陸燈盛．KL及KT變換在遙感圖像處理中的應用[J]．華東森林經理,1990,4(3):42-46

[7] 劉永昌,張平,嚴衛東,等．基于KL變換的TM圖像變化信息提取方法[J]．計算機工程與應用,2002(4):69-71

[8] Lvits E, Lamb A, Langar F, et al．Orthogonal Transformation of Segmented SPOT5 Images: Seasonal and Geographical Dependence of the Tasseled Cap Parameters[J]． Photogrammetric Engineering and Remote Sensing, 2008, 74(11):1 351-1 364

P237.4

B

1672-4623（2016）02-0060-03

10.3969/j.issn.1672-4623.2016.02.021

余曉敏，博士，工程師，主要從事遙感動態變化監測研究。

2015-03-02。

項目來源：數字制圖與國土信息應用工程國家測繪地理信息局重點實驗室開放研究基金資助項目（GCWD201410）。