基于多角度融合的CHRIS數據提取濕地植被的研究

李偉娜，韋 瑋，張懷清，劉 華，郝 瀧

(1.中國林業科學研究院資源信息研究所，北京 100091； 2.中國林業科學研究院濕地研究所，北京 100091)

基于多角度融合的CHRIS數據提取濕地植被的研究

李偉娜1，韋 瑋2*，張懷清1，劉 華1，郝 瀧1

(1.中國林業科學研究院資源信息研究所，北京 100091； 2.中國林業科學研究院濕地研究所，北京 100091)

[目的]利用多角度高光譜數據，分析不同角度下東洞庭湖濕地典型植被群落的光譜特征，確定多角度信息融合的最佳方法，并對融合影像進行濕地植被類型精細識別。[方法]使用CHRIS多角度高光譜數據，針對洞庭湖濕地植被的光譜特征，研究計算窄波段NDVI的最佳波段組合和角度，評價CHRIS 0°影像與NDVI的像素級融合方法，進而對洞庭湖地區濕地植被進行提取。[結果]計算NDVI 的最佳紅波段和近紅外波段分別位于667.6 nm和926.95 nm，對應于CHRIS數據的第24波段和第55波段；選取HSV、Brovery、Gram-Schmidt 和PCA 4種融合方法進行融合，發現PCA融合圖像的光譜信息丟失最少、紋理細節更豐富，信息量最大；PCA融合影像的總體精度為81.36%，比單角度影像提高7.93%，Kappa系數提高0.097 6，且苔草的漏分誤差和泥蒿的錯分誤差得到明顯改善。[結論]基于NDVI 的多角度信息融合是提高濕地植被識別精度的一種有效途徑，多角度信息融合豐富了地物的信息量，提高地物識別精度。

多角度；NDVI；融合；濕地植被

濕地植被是濕地生態系統中最敏感的組成要素，直接反映濕地生態環境的變化狀況，同時制約著濕地動物的數量與分布。隨著遙感技術的發展與應用，利用遙感影像可以快速高效地監測大面積濕地植被[1-2]，有效避免了傳統方法更新速度慢、難以深入調查等問題。然而，由于濕地植被特殊的復雜性和不確定性[3]，基于多光譜遙感影像很難精細劃分濕地植被群落[4-5]。

高光譜遙感具有通道數多、波段間隔窄、圖譜合一等特點，在濕地植被的分類識別和信息提取中具有獨特的優勢[6-7]。多角度同步觀測從多個方向觀測固定目標，能夠反映地物反射率的各項異性，豐富目標的觀測信息，提高地物的識別精度。緊密型高分辨率成像光譜儀(CHRIS)搭載在歐空局PROBA平臺上，是唯一可以一次性獲得5個角度高光譜數據的星載傳感器。目前，國內外研究學者利用CHRIS數據的多角度和高光譜特性進行了許多研究。2005年，Guanter等[8]首次將CHRIS多角度數據與地面實測光譜進行對比分析，指出了高光譜和多角度結合的CHRIS數據在地球觀測系統中的優勢。2008年，Verrelst等[9]借助CHRIS多角度數據，研究森林和草地的各類植被指數對角度的靈敏性。2009年，Galv?o等[10]利用CHRIS多角度數據，對亞馬遜熱帶次生林演替進行識別，結果表明多角度結合可以提高分類精度。2010年，張西雅等[11]分析不同土地覆蓋類別的多角度特征，并對多角度組合圖像進行分類評價。2011年，韋瑋等[12]將CHRIS+36°、0°和-36°三個角度影像的組合變換，對高寒沼澤濕地進行遙感分類。同年又提出將-36°的NDVI與0°影像進行Gram-Schmidt變換融合，并采用波譜角填圖方法提取高寒沼澤濕地植被類型[13]。盡管研究者利用多角度數據進行許多研究，然而多角度信息結合的研究仍處于實驗階段，沒有足夠的理論支持。本研究利用多角度高光譜CHRIS/PROBA數據，分析不同角度下東洞庭湖濕地典型植被群落的光譜特征，研究運算NDVI的最佳角度和波段組合，同時確定多角度信息融合的最佳方法，并對融合影像進行濕地植被類型精細識別。

1 研究區概況及數據獲取

1.1 研究區概況

1.2 遙感數據源

表1 CHRIS數據的成像順序及角度特征

洞庭湖地區濕地植被生長茂盛，沒被水體淹沒，便于進行濕地植被提取。飛行時間為北京時間上午08:17，太陽高度角為59°。由于-55°和+55°兩幅影像存在較嚴重的幾何畸變，難以與另外3個角度的數據配準，且不能覆蓋典型植被區，因此本研究只選擇了0°、+36°和-36°影像作為原始數據進行研究。

表2 CHRIS數據模式1的波段通道

2 數據處理方法

2.1 CHRIS數據預處理

由于原始的CHRIS圖像存在條帶噪聲、輻射誤差和幾何畸變等問題，因此需要對CHRIS影像依次進行一系列預處理操作。首先，對CHRIS數據進行噪聲去除，目前普遍采用歐空局提供的HDFclean軟件對圖像進行缺失像元填充和條帶去除，操作簡單、效果較理想。其次，為了消除大氣和光照等因素對地物反射的影響，得到地表真實的輻亮度，需要對CHRIS圖像進行大氣校正。使用ENVI軟件中的FLAASH大氣校正模塊，其中輸入的參數均可從CHRIS數據頭文件中獲得。然后，以2013年4月26日的Landsat8陸地成像儀OLI圖像(空間分辨率為 30 m)為基準影像，結合先進星載熱發射和反射輻射儀全球數字高程模型(ASTER GDEM)(空間分辨率為30 m)，對CHRIS數據進行正射校正。最后，對3個角度的CHRIS圖像相互進行精確配準，將誤差保持在1個像元內。

2.2 NDVI計算

歸一化植被指數(NDVI)是植被生長狀態和空間分布特征的最佳指示因子，且能夠反映濕地植被冠層的背景影響，對濕地植被提取具有重要意義。計算公式為：

(1)

其中，DN為近紅外、紅波段的計數值(灰度值)；ρ為地表反射率。NDVI經過比值運算，可以部分消除地形、云和大氣程輻射的影響；經過歸一化處理，降低了傳感器標定誤差對不同波段的影響。大多數NDVI基于寬波段計算得到，容易受到土壤背景、潮濕地面、冠層結構等因素的影響[14-15]，而窄波段NDVI可以有效避免類似問題。

圖1 蘆葦、苔草和泥蒿3種濕地植被的冠層光譜特征Fig.1 Canopy spectral characteristics of phragmites communis, carex and wormwood

(2)

為了研究窄波段NDVI對不同觀測角度的響應，分別使用+36°影像和-36°影像計算蘆葦、苔草和泥蒿的NDVI。+36°NDVI值分別為0.774、0.743、0.699，標準偏差為0.037 5；-36°NDVI值分別為0.786、0.779、0.752，標準偏差為0.017 7。可以看出，+36°NDVI的離散度更大，更容易區分植被類型。這是由于+36°為前向觀測，能更好地表達植被前向反射特性。這與Verrels等[9]關于草地+36°NDVI比-36°NDVI更靈敏的研究成果相一致。因此計算NDVI時，+36°影像優于-36°影像。

2.3 圖像融合

將0°CHRIS影像與+36°NDVI進行像素級融合，選用下面的4種較常用的融合方法，探索CHRIS多角度數據的最佳融合方法。

(1)HSV融合

HSV融合是一種彩色變換的融合方法。其原理是先將由3個波段組合成的RGB圖像變換為色度H(Hue)、飽和度S(Saturation)和亮度V(Value)圖像，然后用高分辨率的圖像代替亮度V圖像，同時將色度H和飽和度S圖像重采樣到高分辨率像元尺寸，最后將圖像變換回RGB空間。該方法受波段限制，輸入的影像必須為3個波段，本研究選擇Band 23、 13、3作為RGB波段進行運算。

(2)Brovey變換融合

Brovey變換融合，即色彩標準化變換融合，是對彩色圖像和高分辨率數據的數學合成。其原理是將多光譜數據分解為色彩和亮度，歸一化(標準化)后的多光譜圖像與高分辨率圖像進行乘積運算，從而使圖像銳化。該算法較為簡單，輸出的RGB圖像的像元與高分辨率數據的像元大小相同。Brovey變換對圖像進行相關性加權運算，可以一定程度上消除大氣的影響，增強圖像的信息特征。

(3)PCA變換融合

主成分分析(PCA)，又稱K_L變換，是圖像編輯、數據壓縮、圖像增強、變化檢測和圖像融合的有效方法。它是一種計算多個變量之間相關性的多元統計方法，其思想是將數據的N維特征映射到相互正交的K(K

主成分變換融合是一種基于主成分變換的融合方法，其方法是先將N個波段的多光譜數據進行主成分變換，之后對高分辨率圖像進行灰度拉伸，替換第一主成分PC1，最后主成分逆變換還原到原始空間。該融合方法不受波段限制。

(4)Gram-Schmid融合

GS光譜銳化方法(Gram-Schmidt Spectral Sharpening)是線性代數中Gram-Schmidt正交化算法在遙感領域的應用。GS變換是將圖像進行正交化變換，變換后的各個分量相互正交，有效地消除了矩陣的冗余信息。與PCA變換不同的是，GS變換后的各個分量信息量差異不是十分明顯，改進了PCA中信息過分集中的問題。Gram-Schmidt融合不受波段限制，具有較好的空間紋理信息，并保持融合前后影像光譜特征的一致性，是一種高保真的遙感影像融合方法。

2.4 圖像融合質量的評價

目前融合效果評價方法主要從主觀評價和客觀評價兩個方面進行。

主觀評價主要是依據地物的實際狀況或對目標對象的了解，從色調、紋理和清晰度等方面進行主觀判斷，定性地評價融合圖像的質量。主觀評價簡潔直觀，是評價融合圖像的第一指標，可以直接判斷圖像的融合效果以及目視解譯的難度程度。

客觀評價是基于圖像像元值統計特征來評價融合圖像的方法，主要從信息量大小、圖像紋理細節、圖像亮度和相關性4個方面進行。本文選用“均值”判斷圖像亮度；“標準差和平均梯度”評價影像的清晰度和細節信息；“相關系數”評價融合影像與原始影像的相關性；“最佳指數(OIF)”評定融合圖像信息量的大小。本文借助于Matlab編程語言，分別對4類融合影像進行公式(3)-(7)的統計運算。

(1)均值

均值x是圖像像素灰度的平均值，對人眼來說為平均亮度。其定義為：

(3)

其中，X為圖像像素值，M和N分別為圖像的行列數。均值可以評價圖像的亮度。均值與圖像亮度成正比關系，即均值越大，圖像越亮。然而均值并不是越大越好，一般來說，均值在亮度值的中值附近效果最佳，亮度最為適中，人眼觀測最為清楚。

(2)標準差

標準差反映圖像像元值的離散情況，標準差越大，圖像灰度級越離散，從一定程度上說明紋理細節越清晰。計算公式如下：

(4)

(3)平均梯度

平均梯度是指圖像中像元灰度值與鄰近像元的變化率，即圖像微小細節反差和紋理變化的速率。平均梯度越大，灰度變化率越大，圖像細節變化越快，細節特征越明顯，融合效果越好。其計算公式為:

(5)

(4)相關系數

相關系數是評價融合影像與原始影像相關性的重要指標。相關系數范圍在[-1,1]內，相關系數越大，融合影像與原始影像光譜特征越相似；相關系數越小，融合影像的光譜變化程度越大。計算公式為：

(6)

(5)最佳指數(OIF)

最佳指數(OIF)是由美國查維茨Chavez等于1984年提出，其數學表達式為：

(7)

式中，σi為第i個波段的標準差，Rij為i、j兩波段的相關系數。OIF是圖像標準差與各波段間相關系數的函數，標準差越大，圖像包含的信息量越大；而相關系數越小，表示各波段的獨立性越強、信息冗余度越小。因此OIF越大，該圖像的信息量越大，融合融合效果越佳。

3 結果與討論

3.1 融合效果評價與分析

將CHRIS 0°影像與+36°NDVI分別進行4種方法的融合，融合后效果如圖2所示。從目視效果看，PCA和GS變換融合能夠保持原始圖像的光譜信息，植被群落間的區分度得到增強，道路和建筑物等邊緣信息清晰明顯。

3.2 濕地植被信息提取

參考東洞庭湖地區的實際情況、《濕地公約》分類系統以及《全國濕地資源調查與監測技術規程》等，同時考慮CHRIS數據的可解譯性，確立洞庭湖地區的遙感分類系統為水體、泥灘、蘆葦群落、苔草群落、泥蒿群落、裸地、建筑用地6類。

對于CHRIS高光譜數據，首先使用最小噪聲分離變換(MNF)將噪聲和數據分離，以降低高光譜影像的維數[16]。然后運用支持向量機(SVM )監督分類方法分別對0°圖像和PCA融合圖像兩幅影像進行分類。SVM在解決小樣本、非線性及高維模式識別中具有明顯優勢，是高光譜遙感信息提取的有效分類方法[12]。分類結果如圖3所示。

表4 不同融合方法結果的定量評價

圖3 原始影像與融合影像的分類結果Fig.3 The classification results of the original image and the fused image

從目視效果看，CHRIS 0°圖像中建筑用地的錯分現象嚴重；PCA融合圖像中苔草群落和泥蒿群落交錯分布，更加符合植被群落自然生長的特點。根據野外調查樣點，同時結合多期google earth影像，在CHRIS影像上隨機選取3 800個驗證樣點，計算混淆矩陣，得到精度評價表(表5)。由表得出，PCA融合影像的總體分類精度為81.36%，比0°圖像提高7.93%，且Kappa系數提高0.097 6。0°圖像中苔草群落的生產者精度(42.89%)和泥蒿群落的用戶精度(52.01%)較低，通過PCA融合，苔草群落的漏分誤差和泥蒿群落的多分誤差得到明顯改善。這是由于0°影像的地面特征信息豐富，而+36°為前向觀測，包含更多的地物反射信息，多角度信息融合豐富了地物的信息量，提高地物識別精度。

4 結論

針對東洞庭湖濕地植被，利用CHRIS多角度高光譜數據，探討計算窄波段NDVI的最佳波段組合和角度，評價在多角度信息結合中不同融合方法的效果，通過對比分析0°影像和融合影像的分類結果，說明多角度信息融合的優勢。主要結論如下：

表5 不同分類結果精度評價的比較

注：OA為總體精度；PA為生產者精度；UA為用戶精度。

Note:OAis overall accuracy;PAis producers’precision;UAis users’precision.

(1)統計分析蘆葦、苔草和泥蒿3種植被的光譜特征，發現計算NDVI的最佳紅波段和近紅外波段分別位于667.6 nm和926.95 nm，對應于CHRIS數據的第24波段和第55波段。

(2)從色調、紋理和清晰度等方面進行主觀判斷，同時計算均值、標準差、平均梯度、相關系數和最佳指數等指標，對4種融合方法進行融合質量評價。結果表明：PCA融合方法融合圖像的信息量最大，OIF高達384.04，且紅綠藍波段的均值、標準差、平均梯度和相關系數均高于其它融合方法，說明PCA融合方法的光譜信息丟失最少、紋理細節更豐富，融合效果最好。

(3)運用SVM方法分別對CHRIS 0°影像和PCA融合影像進行監督分類，發現PCA融合影像總體精度為81.36%，比單角度影像提高7.93%，Kappa系數提高0.0976，且苔草群落的漏分誤差和泥蒿群落的多分誤差得到明顯改善。

綜上所述，多角度信息融合是提高濕地植被提取精度的有效途徑，為今后利用多角度數據進行信息提取提供一定的技術參考。

[1] Petus C, Lewis M, White D. Monitoring temporal dynamics of Great Artesian Basin wetland vegetation, Australia, using MODIS NDVI[J]. Ecological Indicators, 2013, 34(11):41-52.

[2] 韋 瑋, 崔麗娟, 李勝男, 等. 基于偏差平均值的烏梁素海濕地變化監測研究[J]. 林業科學研究, 2012, 25(6):719-725.

[3] Hestir E L, Khanna S, Andrew M E,etal. Identification of invasive vegetation using hyperspectral remote sensing in the California Delta ecosystem[J]. Remote Sensing of Environment, 2008, 112(11): 4034-4047.

[4] Laba M, Blair B, Downs R,etal. Use of textural measurements to map invasive wetland plants in the Hudson River National Estuarine Research Reserve with IKONOS satellite imagery[J]. Remote Sensing of Environment, 2010,114 (4):876-886.

[5] Cecilia D L, Toffolon M, Woodcock C E,etal. Interactions between river stage and wetland vegetation detected with a Seasonality Index derived from LANDSAT images in the Apalachicola delta, Florida[J]. Advances in Water Resources, 2016, 89:10-23.

[6] Siciliano D, Wasson K, Potts D C. Evaluating hyperspectral imaging of wetland vegetation as a tool for detecting estuarine nutrient enrichment[J]. Remote Sensing of Environment, 2008, 112(11):4020-4033.

[7] Adam E, Mutanga O, Rugege D. Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: a review[J]. Wetlands Ecology and Management, 2010, 18(3):281-296.

[8] Guanter L, Alonso L, Moreno J,etal. First Results From the PROBA/CHRIS Hyperspectral/ Multiangular Satellite System Over Land and Water Targets[J]. IEEE Geoscience and Remote Sensing, 2005,2(3):250-254.

[9] Verrelst J, Schaepman M E, Koetz B.etal. Angular Sensitivity Analysis of Vegetation Indices Derived from CHRIS/PROBA data[J]. Remote Sensing of Environment, 2008,112:2341-2353.

[10] Galv?o L S, Ponzoni F J, Liesenberg V,etal. Possibilities of discriminating tropical secondary succession in Amaznia using hyperspectral and multiangular CHRIS/PROBA data[J]. International Journal of Applied Earth Observation & Geoinformation, 2009, 11(1):8-14.

[11] 張西雅, 金慧然, 李培軍. 多角度高光譜CHRIS/PROBA數據在土地覆蓋分類中的應用[J]. 地理與地理信息科學, 2010, 26(5):68-71.

[12] 韋 瑋, 李增元, 譚炳香, 等. 基于多角度高光譜CHRIS影像的隆寶灘濕地遙感分類方法研究[J].林業科學研究, 2011,24(2):159-164.

[13] 韋 瑋, 李增元. 基于高光譜影像融合的濕地植被類型信息提取技術研究[J].林業科學研究,2011,24(3):300-306.

[14] Middleton E M. Solar Zenith Angle Effects on Vegetation Indices in Tall Grass Prairie[J]. Remote Sensing of Environment, 1991, 38(1):45-62.

[15] 林賢彪, 何 詩, 林 嘯, 等. 波段位置和寬度對河口濕地4種植被NDVI的影響[J]. 遙感技術與應用, 2013,28(4):714-720.

[16] 魏新華, 吳 姝, 徐來齊, 等. 基于最小噪聲分離的籽棉異性纖維高光譜圖像識別[J]. 農業工程學報, 2014(9):243-248.

(責任編輯：彭南軒)

Research on the Extraction of Wetland Vegetation Information from CHRIS-PROBA Data Based on Multi-angle Image Fusion

LIWei-na1,WEIWei2,ZHANGHuai-qing1,LIUHua1,HAOShuang1

(1.Research Institute of Forest Resource Information Techniques，Chinese Academy of Forestry，Beijing 100091, China; 2.Institute of Wetland Research, Chinese Academy of Forestry，Beijing 100091, China)

[Objective]The purpose of this paper is to analyze the spectral characteristics of typical vegetation communities in East Dongting Lake Wetland using spaceborne angular hyperspectral imagery and research on the best fusion method based on multi angle information to identify the wetland vegetation types precisely. [Method]According to the spectral feature of wetland vegetation in Dongting Lake, the optimal angle and the best band combination were studied to calculate narrow-band NDVI using CHRIS data. It focuses on evaluating the methods of fusing 0 degree image and NDVI in pixel level. And then wetland vegetation information in Dongting Lake was extracted. [Result]The results show that the best red band and near infrared band to calculate NDVI locate at 667.6 nm and 926.95 nm, corresponding to the 24th and 55th band of CHRIS data. HSV, Brovery, Gram-Schmidt and PCA fusion methods were selected to evaluate the fusion effect. It is found that the image used PCA fusion method suffered from the least loss of spectral information and had the richest texture details and maximum information content. The overall classification accuracy of multi-angle fusion image is 81.36%, 7.93% higher than that of single angle image. The Kappa coefficient improved 0.097 6. In addition, the omission error of Carex and the misclassification error ofArtemisiaselengensisgot obvious improvement. [Conclusion]It shows that multi-angle fusion based on NDVI is an effective way to improve the accuracy extracting vegetation information. Multi-angle information fusion can enrich the information of the observation target and improve the accuracy of recognition accuracy.

multi-angle; NDVI; fusion; wetland vegetation

2016-04-05 基金項目： 國家自然科學基金(31370712)、國家高分重大專項課題(21-Y30B05-9001-13/15-2)。 作者簡介： 李偉娜(1990—)，女，在讀研究生。主要研究方向：濕地遙感監測技術。E-mail : angel860514@gmail.com。 * 通訊作者.

10.13275/j.cnki.lykxyj.2017.02.011

S771.8

A

1001-1498(2017)02-0260-08