基于多源遙感影像的植被提取方法對比研究

華 鍵，岳 東，李柏霖，何紫玲，王建雄

（1.云南農業大學 水利學院/云南省高校農業遙感與精準農業工程研究中心，云南 昆明 650201；2. 云南農業大學 水利學院/云南省高校國土資源科學技術工程研究中心，云南 昆明 650201；3. 云南農業大學 水利學院，云南 昆明 650201）

0 引言

植被作為地球生態環境系統的重要因素，對土地資源、水土保持、生物固碳和氣候循環等方面具有重要作用。隨著城市化進程的日益加快，通過傳統的地面調查獲取森林資源信息的方式已難以滿足生產中對森林植被信息的快速需求。多源遙感影像具有光譜信息豐富、空間分辨率高、大面積、時效性強等特點，是目前獲取森林資源現狀及其動態變化信息不可或缺的重要途徑。同時，在遙感圖像植被識別提取上，不斷涌現出越來越多的改進分類方法，但大致可以歸結為基于像元的非監督分類和監督分類、基于特征學習的深度學習及面向對象的分類這3類方法［1-5］。目前，國內外學者展開了對植被提取方法應用方面的研究，如Yang等［6］基于深度注意力模型實現了對高分辨率衛星影像城市植被的提取；Zhuang等［7］利用多類多級特征( MCMLF )方法對野外植被進行了有效提取，解決了包括各種光照條件、陰影區域和復雜背景在內的室外挑戰；Ayhan等［8］使用不同的數據集訓練了3個DeepLab V3模型，利用Rgb影像進行了精確植被分類，結果表明使用圖像分辨率接近測試數據圖像的數據集訓練的模型性能最好；鄭舒元等［9］基于“資源一號”02D衛星可見光波段進行了植被提取，并利用支持向量機進行了植被提取精度的量化評價，結果表明以超紅指數（EXR）的提取效果最佳；張家玫等［10］采用多源高分遙感影像結合面向對象的閾值分類與模糊分類方法提取了地類信息，其具有很好的提取效果；馬海榮等［11］基于全卷積神經網絡和面向對象實現提高高分辨率遙感影像土地覆蓋分類精度；向峰城等［12］基于機器學習方法 J48決策樹的面向對象的影像分類方法，實現了研究區的土地覆被分類，分類效果較好；歐陽雯思［13］基于UNet++從城市高分辨率遙感圖像中自動、快速、高效地提取了植被信息；彭熙雯［14］通過改進經典語義分割U-Net模型并結合多源遙感數據，有效提高了地物分類精度和分類效果；丘鳴語等［15］采用面向對象的方法對研究區進行了多層次規則分類提取地物，結果表明面向對象的多層次規則分類法具有明顯的優勢。

目前，面向對象分類方法的影像基礎多以單一衛星、無人機影像為主，而多源影像融合結合面向對象的研究方法較少。其次，面向對象的分類方法與傳統分類方法的對比研究也有待補充。因此，本研究以植被作為研究對象，并從這2個方面展開深入研究。

1 研究區概況

滇池流域位于102°27′～103°3′E，24°27′～25°30′N，擁有云南省九大流域面積最大的淡水湖——滇池，流域面積2920 km2，涉及昆明市盤龍、晉寧、官渡、西山、五華、呈貢6個區及嵩明縣。流域地處長江、珠江、紅河三江水系的分水嶺地帶，屬于北亞熱帶濕潤季風氣候，并受西南季風和熱帶大陸氣團昆明—貴陽準靜止鋒的交替影響，具有低緯度高原季風氣候特征和四季如春、干濕分明、垂直差異大的氣候特點。滇池流域主要由森林、草地、落葉松林、灌木林和荒漠植被組成。森林覆蓋率最高，其中以闊葉林為主，其次是落葉松林；草地主要分布在流域的中部和下游地區；灌木林主要分布在流域的上游地區；荒漠植被主要分布在流域的下游地區。

2 影像來源及研究方法

2.1 影像來源與預處理

通過調查及查閱資料發現，云南省降水時間主要集中在每年的6—9月，此時成像影像云量多，在植被提取分類等研究過程中需盡量避開該時段成像的遙感影像。本研究選用Landsat 8 OLI多光譜波段、Sentinel-2A多光譜波段及GF-1號多光譜和全色波段影像作為數據源，影像成像時間主要集中在3月，最大時間跨度為29 d，在該時段內植被并無明顯變化，因此，在后續融合過程中能避免因同一像元不同地類而產生的問題。獲取的遙感影像數據如表1所示。

表1 遙感影像衛星數據

由于Landsat 8和Sentinel-2A影像數據已經由PIE-Engine 遙感與地理信息云服務平臺進行了大氣校正和輻射校正處理，因此只需將GF-1B、GF-1C、GF-1D多光譜和全色波段影像分別在ENVI5.6中進行輻射校正和大氣校正，并進行圖像拼接。最后將所有影像的地理信息配準到同一參考坐標系下，并進行不同影像同一地物點的校正。

2.2 影像融合方法

多源遙感融合影像主要是由高分辨率的全色影像和低分辨率的多光譜影像進行融合處理后得到，融合后的多光譜影像具有較高的空間分辨率和較豐富的光譜信息［16］。融合后的影像比單一特征數據源的影像在光譜豐富度和紋理清晰度上表現出更為明顯的改善［17］。

2.2.1 主成分分析法(PCA) 主成分分析法(Principal Component Analysis，PCA)，是一種將原始多波段數據通過線性變化在統計特征基礎上轉換為一組新的互相獨立的變量，這些變量被稱為主成分，其第一主分量包含原始多光譜影像的各波段信息［18］。在影像融合過程中，通過部分主成分表示多個波段影像數據所包含的信息，以達到減少數據冗余、壓縮數據量的特點。

2.2.2 Brovey變換法 Brovey變換法也稱為色彩標準化變換法(Color Normalization，CN)， 是一種將多光譜影像空間分成色度和亮度2個成分，并與全色影像進行比值運算，以實現多光譜波段的色彩標準變化，最后通過全色影像對多光譜影像進行重采樣來提高分辨率的一種方法［17］。

2.2.3 Gram-Schmidt變換法 Gram Schmidt變換也叫光譜銳化法，是一種常用于線性代數以及多元統計中的正交化融合算法，其核心是過多光譜影像模擬出一幅低分辨率的全色影像，然后將模擬影像作為Gram-Schmidt變換的第一分量與多光譜影像進行Gram-Schmidt變換。Gram-Schmidt變換后各分量之間的信息量沒有較大差異，且變換前后第一分量沒有變化［19］。

2.2.4 NND變換法 NND變換法通過設置多光譜像元光譜為最小運算單元，利用混合模型將多光譜每個鄰近像元進行加權，從而產生高分辨率融合影像，其對應的權重大小由全色波段的擴散模型來確定，該方法不受波段限制，耗時短［20］。

2.3 植被分類方法

2.3.1 ISODATA算法 ISODATA算法也叫迭代自組織分析算法，是一種基于K均值聚類的改進方法，它可以依照影像的空間結構特征及光譜統計特征自動確定聚類數目，并可以對聚類中心進行合并和分裂操作，是一種不需要具備先驗知識的分類方法。

2.3.2 最大似然法 最大似然法是一種基于概率論的分類方法，它假設每個地物類別的像元值是一個服從正態分布的隨機變量。通過分類前選取的若干分類樣本，計算每個像元值對應每個分類樣本的概率密度函數，然后選擇具有最大概率的類別作為分類結果，該方法需要具備一定的先驗知識。

2.3.3 馬氏距離法 馬氏距離法是通過計算每個像元到每個類的馬氏距離來實現的，通過像素的波段值和每個類的波段均值之間的馬氏距離計算得到，然后將其歸類為距離其最近的類。馬氏距離能夠更好地考慮特征之間的相關性，減少特征之間的冗余信息，該方法也需要具備一定的先驗知識。

2.3.4 最小距離法 最小距離法是一種簡單但常用的分類方法，其原理是將每個像元與各個類別的樣本像元進行距離計算，將其分配到最接近的類別中。

2.3.5 基于規則的面向對象 基于規則的面向對象是ENVI 5.6軟件提供的面向對象方法中的一種，是一種更加復雜和準確的分類方法。它將像元組合成具有語義信息的對象，通過建立一系列規則來對這些對象進行分類。其優點是可以考慮到像元之間的空間關系和像元值之間的相關性，具有更好的分類精度，但它也需要更多的計算資源和專業知識來建立分類規則。其主要操作流程如圖1所示。

圖1 基于規則的面向對象技術流程圖

3 融合影像評價

本文采用像素級融合作為影像融合方法進行對比研究，選用主成分分析法(PCA)、Brovey變換法、Gram-Schmidt變換法、NND變換法4種方法對研究區域的遙感圖像進行融合處理。為了選擇出最優的融合方法，需要對影像融合結果進行定性和定量評價，定性評價主要是指通過目視判別來判斷融合影像的清晰度、分辨率、融合效果等。定量評價主要是指通過計算融合影像的均值、方差、熵值、平均交叉熵、均方根交叉熵、光譜扭曲、峰值信噪比等，定量比較不同融合方法對融合結果的影響［21-22］。

由于GF-1BCD、Landsat8和Sentinel-2A影像含有近紅外波段，因此，本研究Brovey變換增加紅外波段［Brovey(red)變換］和近紅外波段（Brovey變換）進行擴充對比。

3.1 融合結果定性評價

3.1.1 GF-1BCD全色影像與GF-1BCD多光譜影像融合 由GF-1BCD全色影像與GF-1BCD多光譜影像融合對比圖（圖2）可知，Brovey變換法光譜信息保持較好，但受波段限制，僅能保留3個波段，波譜失真較為嚴重，并有一定程度的光譜扭曲變形，而Brovey(red)變換法在植被反射率中有很大色差。采用Gram-Schmidt變換、NND變換、主成分分析法（PCA）變換融合影像能夠較好地保留原始影像的光譜特征，但NND變換相比Gram-Schmidt變換和主成分分析法（PCA）變換能夠更好地保持光譜特征，地物之間區分度更高。因此，NND變換融合效果最佳。

圖2 GF-1BCD全色影像與GF-1BCD多光譜影像融合對比圖

3.1.2 GF-1BCD全色影像與Landsat 8多光譜影像融合 由GF-1BCD全色影像與Landsat 8多光譜影像融合對比圖（圖3）可知，Brovey變換和Brovey(red)變換光譜信息保持較好，但僅能保留3個波段，波譜失真較為嚴重，可能還會使融合影像波譜范圍不均勻。主成分分析法(PCA)變換在植被和農田反射率中亮度都偏高，存在易混淆、不易區分的現象。Gram-Schmidt變換、NND變換能夠較好地保留原始影像的光譜特征。因此，NND變換和GS變換融合效果均最佳。

圖3 GF-1BCD全色影像與Landsat 8多光譜影像融合對比圖

3.1.3 GF-1BCD全色影像與Sentinel-2A多光譜影像融合 由GF-1BCD全色影像與Sentinel-2A多光譜影像融合對比圖（圖4）可知， NND變換和Gram-Schmidt變換在草地和部分植被中與農田的反射率都偏高，Brovey(red)變換存在部分植被與農田顏色接近的情況， Brovey變換中部分草地和稀疏植被存在與道路的反射率相同或接近的情況，即顏色偏亮，反射率偏高，這4種變換都存在地物分類時，易混淆的現象。主成分分析法(PCA)變換雖然融合效果沒有想象中的好，且存在光譜散射現象，但總體來說地物區分度較高，且散射現象較少、范圍較小。因此，主成分分析法(PCA)變換融合效果最佳。

圖4 GF-1BCD全色影像與Sentinel-2A多光譜影像融合對比圖

3.2 融合結果定量評價

在對影像進行定量評價時，主要考慮所用的評價因子對融合后的影像是否具備全色影像的空間細節信息和多光譜影像的光譜信息等，即具體的融合效果。本文利用Matlab 2020a軟件構建評價指標因子算法用于融合影像的評價，選用的評價指標因子為：

熵(EN)：是衡量影像當中包含信息量豐富程度的一個重要的指標，熵值越大則所含信息量越多，融合效果也越好。

平均交叉熵(MCE)、均方根交叉熵（RCE）：反映融合圖像與參考標準圖像之間的差異程度，通過計算平均交叉熵和均方根交叉熵來體現，其值越小，則表明融合圖像和參考標準圖像的差別越小，融合效果也越好。

峰值信噪比(PSNR)： 區域噪聲是否有效抑制、信息量是否得到提高、邊緣信息是否有效保留、圖像均值是否得到提高等，都可以通過峰值信噪比值來體現，一般來說，峰值信噪比值越高，說明融合效果與質量越好。

在計算平均交叉熵、均方根交叉熵和峰值信噪比時，由于沒有標準參考影像，所以本文用GF-1BCD號全色影像作為標準參考影像，對融合影像質量的優劣進行評價。

由表2可知，GF-1BCD全色影像和GF-1BCD多光譜影像融合的各因子融合效果排序如下。EN：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。MCE：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。RCE：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。PSNR：GS＞主成分分析法(PCA)＞Brovey＞Brovey(red)＞NND。

表2 GF-1BCD全色影像和GF-1BCD多光譜影像融合結果

由表3 可知，GF-1BCD 全色影像和Landsat 8多光譜影像融合的各因子融合效果排序如下。EN：主成分分析法(PCA)＞NND＞GS＞Brovey(red)＞Brovey。MCE：GS＞NND＞主成分分析法（PCA）＞Brovey(red)＞Brovey。RCE：GS＞NND＞主成分分析法(PCA)＞Brovey(red)＞Brovey。PSNR：GS＞主成分分析法(PCA)＞NND＞Brovey(red)＞Brovey。

表3 GF-1BCD全色影像和Landsat 8多光譜影像融合結果

由表4所知，GF-1BCD全色和Sentinel-2A多光譜影像融合的各因子融合效果排序如下。EN：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。MCE：GS＞主成分分析法(PCA)＞NND＞Brovey(red)＞Brovey。RCE：GS＞主成分分析法(PCA)＞NND＞Brovey(red)＞Brovey。PSNR：Brovey(red)＞Brovey＞主成分分析法(PCA)＞GS＞NND。

表4 GF-1BCD全色影像和Sentinel-2A多光譜影像融合結果

3.3 綜合評價

結合上述定性和定量評價結果可以得出以下結論：

（1）GF-1BCD全色影像和GF-1BCD多光譜影像融合。在定性評價中，NND變換具有更好的光譜特征，地區之間區分度更高，具有更好的影像清晰度；在定量評價中，NND變換的EN、MCE和RCE效果最好，PSNR效果最差，即信息豐富，差距小，融合效果很好，但質量較差，但從數值上看，PSNR值各融合方法之間差距在0.1之內，因此，綜合定性和定量評價結果NND變換效果最佳。

（2）GF-1BCD全色影像和Landsat 8多光譜影像融合。在定性評價中，NND變換和GS變換均為最佳融合效果；在定量評價中，GS變換的MCE、RCE和PSNR效果最好，比NND變換更好，GS變換的EN融合效果比NND變換的差，比最好的主成分分析法(PCA)變換的低0.1333，即GS變換融合效果較好，質量最高，因此，綜合定性和定量評價結果GS變換效果最佳。

（3）GF-1BCD全色影像和Sentinel-2A多光譜影像融合。在定性評價中，主成分分析法（PCA）變換為最佳融合效果；在定量評價中，主成分分析法(PCA)變換的MCE和RCE值分別低于其效果最好的GS變換0.0051和0.0096，EN值低于其效果最好的NND變換0.2000，PSNR值低于其效果最好的Brovey(red)變換0.0054。從融合效果的比較結果來看，GS變換應作為最佳選擇，從GS變換和主成分分析法(PCA)變換兩者在數值上的比較發現，兩者差距也較小，但回歸定向評價發現，GS變換存在地物混淆現象，而主成分分析法(PCA)變換地物區分度較高，因此，綜合定性和定量評價結果，選定主成分分析法(PCA)變換作為最佳融合方法。

綜合上述，GF-1BCD全色影像和GF-1BCD多光譜影像融合選用NND變換法，GF-1BCD全色影像和Landsat 8 多光譜影像融合選用GS變換法，GF-1BCD全色影像和Sentinel-2A多光譜影像融合選用主成分分析法（PCA）。

4 植被分類結果分析

利用計算機對影像進行分類，是將影像中的所有像元根據其空間結構特征、像元值大小、紋理特征等依據某種算法將其劃分歸類到符合訓練區特征的過程，并將訓練區屬性賦予該像元。根據是否需要選取訓練區樣本以及是否需要具備先驗知識，將分類方法分為2個大類，即非監督分類和監督分類。將融合影像定性、定量分析結果選擇的3種最佳融合影像GF_NND、Landsat_GF_GS和Sentinel_GF_PCA影像進行一級分類，即進行林地和非林地劃分。分類結果能夠直觀地反映和了解研究區域植被的覆蓋分布情況和植被覆蓋率。

對3種融合影像選用非監督分類的ISODATA算法和監督分類的最大似然法、最小距離法、馬氏距離法和基于規則的面向對象分類。其中基于規則的面向對象分類是一種通過多尺度角度對影像各類地物進行分割的方法［23］，本文構建的基于植被的面向對象分類規則集由3個層次（波譜、紋理、空間）不同尺度集成，其中L1層作為提取植被主要層，由植被與其他地物區分度高的灰度平均值（波段為歸一化植被指數［24］或紅外）和灰度最大值（波段為紅外或近紅外）構成，L2層作為剔除無規則性的其他地物類型，由卷積核內平均值（波段為紅外或藍波）構成，L3層作為剔除有規則性的其他地物類型，由矩形度、延伸性、長度、堅固性、面積等構成。各分類方法的可視化圖如圖5～圖7所示。

圖5 基于Gram-Schmidt融合的影像分類

圖6 基于NNDiffuse融合的影像分類

圖7 基于主成分分析法（PCA）融合的影像分類

對分類后的結果進行精度分析，通過在更高分辨率的衛星影像對分類精度進行評價，利用計算像元分類結果與檢驗樣本點一致的概率的總體精度和Kappa系數實現對分類效果和質量的評價。檢驗樣本點是由ArcGIS軟件隨機生成分布的1000個樣本點與更高分辨率同一成像時間的衛星影像和地面調查數據通過判別并賦予屬性生成的，總體精度和Kappa系數由這1000個樣本點與每一個分類影像進行混淆矩陣分析生成，本研究中，Kappa系數的分類結果等級使用Cohen提出的Kappa系數評價標準［25］?？傮w精度和Kappa系數結果如表5所示。

表5 影像分類后精度評價結果

由表5可知：（1）同一層次分類比較中，ISODATA算法效果最差，其總體分類精度和Kappa系數均低于最大似然法、最小距離法、馬氏距離法和基于規則的面向對象，即采用監督分類和特征學習的面向對象的效果明顯優于非監督分類，其原因包括非監督分類無需具備先驗知識，其分類結果完全依靠計算機自主分類，易受 “同譜異物，異物同譜”的影響。（2）整體來看，以GF_NND融合影像為基礎的馬氏距離法和基于規則的面向對象分類方法的分類精度最高且質量極佳，總體分類精度和Kappa系數分別為92.00%、91.60%和0.8363、0.8274，并且以GF_NND融合影像為基礎的5種分類方法，其總體分類精度和Kappa系數分列前5，總體分類精度和Kappa系數最低為89.60%和0.7878，分類精度和質量較好，分析其原因包括GF-1BCD全色影像和多光譜影像是同一衛星、同一傳感器拍攝成像生成的，無需進行影像匹配校正，減少由校正產生的誤差，致使其分類精度也更好。（3）Landsat_GF_GS融合影像下的ISODATA算法和基于規則的面向對象分類方法的分類精度最低且質量最差，總體分類精度和Kappa系數分別為73.60%、76.40%和0.4754、0.5336，一致性程度達到中等，分析其原因包括GF-1BCD全色影像與Landsat 8多光譜影像由于不是同一衛星、同一成像時間造成影像校正產生誤差，最終造成影像分類精度問題。（4）其余方法的Kappa系數均高于0.6300，即一致性程度達到較好，其原因包括Sentinel-2A多光譜影像含12個波段，具有豐富的光譜信息，同時主成分分析法（PCA）能夠通過部分主成分來保留多光譜影像所包含的信息，致使其分類精度也更好。

5 討論與結論

從結果中可以看出，Landsat_GF_GS融合影像下的分類方法存在分類精度偏低的情況較多，質量在同一層次分類方法的比較中也較低，其中ISODATA算法效果最差，其原因可以從融合影像評價方面的PSNR這一因子值看出， PSNR值越低，說明其融合效果與質量越差，在一定程度上也能夠間接地反映出分類精度的質量和效果。其次，以GF_NND融合影像為基礎的馬氏距離法和基于規則的面向對象分類方法的分類精度最高且質量最好，一方面能夠通過融合影像效果反映得出，另一方面，對于面向對象的分類方法來說，其分類精度與規則的選取和調節的尺度有關，對于馬氏距離法來說，能夠更好地考慮特征之間的相關性，減少了特征之間的冗余信息，提高了分類精度。最后，所有分類方法的分類精度和Kappa系數全部都沒有呈現出非常優質的分類效果，其原因一方面跟影像選取的時間節點有關，3月的研究區域已有部分露天農田的農作物處于綠色狀態，特別是在研究區的下部區域，在一定程度上會影響植被的提取效果；另一方面，GF-1BCD全色影像與Landsat 8 多光譜影像和Sentinel-2A多光譜影像由于不是同一衛星和同一成像時間，造成影像校正和融合產生誤差，最終造成影像分類精度問題。

本研究以多源遙感影像為基礎，運用面向對象下的基于規則的分類方法，利用規則下的多尺度分割、多層次分類方法進行分割，根據不同尺度和層次下植被的表現特征，建立植被的分類規則集，最后對基于規則的面向對象的分類方法，分別與常用的ISODATA算法、最大似然法、最小距離法和馬氏距離法進行對比研究，得出以下結論：

（1）以GF_NND融合影像為基礎的5種分類方法的總體分類精度和Kappa系數效果均較好，其中馬氏距離法和基于規則的面向對象的分類方法的分類精度最高且質量最佳，總體分類精度和Kappa系數分別為92.00%、91.60%和0.8363、0.8274。Landsat_GF_GS融合影像下的ISODATA算法和基于規則的面向對象的分類方法的分類精度最低且質量最差，總體分類精度和Kappa系數分別為73.6%、76.40%和0.4754、0.5336。除以上分類方法以外，其余分類方法的總體分類精度和Kappa系數介于82%～91%和0.63～0.82之間，即分類精度較好，分類質量中等。

（2）馬氏距離法在本研究中凸顯了分類優勢，在同一層次分類方法的比較中總體分類精度和Kappa系數均較好。其次，基于規則的面向對象的分類方法并沒有呈現出一致的高分類精度效果，原因在于面向對象尺度的選擇和層次的分割以及在最終規則集的構建過程中，其規則集中尺度的構建更依賴于人工根據現有分析結果和經驗來確定特征值。因此，受經驗和效率的影響，后續可考慮通過機器語義學習的方法進行特征的選取和值的確定，以減少對人工的依賴，進而提高分類精度和效果。同時，本研究在面向對象分類時，引入特征只有歸一化植被指數，且分類對象單一，在后續研究中可加入更多輔助數據，使分類對象多樣化，以增加面向對象分類的研究。