基于分类结果的多光谱遥感影像端元提取方法

基于分类结果的多光谱遥感影像端元提取方法

作者：张云飞岳彩荣马明

来源：《科技视界》2014年第05期

【摘要】本文针对凸面体分析理论应用于多光谱影像端元提取时的端元数目的限制，提出了一种集成监督分类、纯净像元指数计算、凸面体分析理论的端元提取方法。通过TM影像端元提取实验表明，该方法能够克服端元提取数目的限制，有效的提取多光谱影像的端元。

【关键词】多光谱；混合像元；端元

0 引言

遥感影像的像元很少是由单一均质的地表覆盖类型组成，一般都是几种地物的混合。因此影像中像元的光谱特征并不是单一地物的光谱特征，而是几种地物光谱特征的混合反映，这给遥感解译造成困扰。混合像元问题不仅是遥感技术向定量化深入发展的重要障碍，而且也严重影响计算机处理的效果或计算机技术在遥感领域中的应用[1]。

遥感影像端元提取是理解遥感影像空间与特征空间的纽带，它是进行遥感影像混合像元分解的首要步骤，直接影响混合像元分解的精度，是进行定量遥感反演的基础，因而混合像元分解理论在遥感影像的理解与运用上占据重要的地位[2]。现行的端元来源有两种，一是使用光谱仪在地面或实验室测量到的“参考端元”[3]；二是在遥感图像上得到的“图像端元”[4]。但是由于各种因素，诸如不同传感器光谱响应、大气影响、辐射条件等，地面实测光谱很难与影响建立起关系，并且实测有较大的主观性。而从影像本身获取端元简单、方便，且获取的端元具有与影像数据相同的度量尺度[5]，因此从影像本身获取端元是目前获取有效端元的主要途径和研究的热点。

目前，国内外针对端元提取的算法大都集中于高光谱影像，高光谱影像以其图谱合一技术为端元的提取提供了广阔的空间[6]，而对于高空间分辨率低光谱分辨率的多光谱影像端元提取算法很少。如何从多光谱影像仅有的几个波段中有效的提取端元信息，是多光谱遥感影像混合像元分解的关键。现行的端元提取算法集中于凸面体分析，通过求取影像的本征维数来确定端元的数目，端元数目即为本征维数加一[7]。以TM多光谱影像为例，分辨率为30米的多光谱影像有6个波段，即便这6个波段互不相关，其本征维数不会超过6维，最多能够提取7个端元。对于实际应用来说，端元提取的理论在TM等多光谱影像上是难以应用的。为此，本文提出了一种基于分类结果的多光谱遥感影像端元提取方法。该方法结合监督分类、纯净像元指数提取和凸面体理论来提取端元，解决了多光谱遥感影像端元提取数量限制和精度问题，为多光谱遥感影像端元提取提供了新的思路。

1 端元提取方法思路与实现

本文设计的多光谱遥感影像分类和端元提取方法用到了监督分类算法（最大似然法）、像元纯净指数算法和凸面体分析理论。

该方法的基本思想如下：首先通过监督分类将原始数据划分为不同的区块，分块后的影像块间差异较大，有效抑制了背景信息的影响；然后通过对每个区块的光谱特征分析，确定分块端元的数目；最后对图像进行MNF变换，利用纯净像元提取方法提取端元光谱。具体流程图如图1。该方法的实现步骤如下：

（1）对原图像进行监督分类，根据图像所显示区域实际土地覆盖情况将原图像分为若干类别，所有类别依次对原图像进行掩膜处理，将原图像裁剪成若干区块。

（2）对每个区块进行光谱特征分析。根据分块的结果，将影像投影到二维散点图空间，分析光谱特征散点图空间分布特点和复杂程度，确定区块端元数目。

（3）通过凸面体分析技术，采用沙漏流程，首先对影像进行MNF变换，根据光谱特征分析确定的端元数目，设置MNF变换输出的维数。降维之后借助纯净像元指数和n维可视化工具收集端元波谱。

2 实验与分析

2.1 实验数据

实验所用数据为经过预处理的云南省大理市TM多光谱遥感影像数据。TM数据在可见光/近红外/短波红外/热红外0.45～12.5μm的大气窗口上设置了7个波段，而出TM6波段空间分辨率为120m外，其他波段空间分辨率均为30m。本文采用TM1～TM5、TM7这六个波段进行处理，波长范围为0.45～2.35μm，如图2所示（5，4，3波段彩色合成），图像大小为400行×400列。

2.2 实验过程

根据实验数据所示区域实际土地覆盖情况以及数据图像的可分性，将实验区土地覆盖划分为建筑用地、农地、水域、林地和裸地等5类。在影像区域内均匀地选取各类型的样本数据，使用样本数据对影像进行最大似然法监督分类。分类结果如图3所示，其中红色代表建筑用地、黄色代表农地、蓝色代表水域、绿色代表林地、青色代表裸地。

根据分类结果，对实验数据进行裁剪，得到5块类别不一的影像，在此选取农地和林地影像进行研究。分块影像如图4所示（5，4，3波段彩色合成），其中a为农地影像，b为林地影像。

根据分块的结果，将影像投影到二维散点图空间，如图5所示，其中a为农地影像二维散点图，b为林地影像二维散点图。分析光谱特征散点图空间分布特点和复杂程度，确定分块影像的端元数目。农地影像二维散点图呈直线型分布，分布结构比较简单，从该区域影像空间能够提取2个有效端元。林地影像二维散点图明显有3个犄角，说明从该影像空间能够提取3个有效端元。

对分块影像进行MNF变换，MNF变换实现降维与噪声白化作用，目的是寻找影像的本征维数。根据光谱特征分析确定的端元数目，设置MNF变换的波段输出维数。农地和林地影像MNF变换的波段输出维数分别设置为2和3。降维之后进行像元纯净指数计算（PPI），PPI 算法的实质是把端元往给定的投影线上投影，查看端元的投影次数，端元一般位于投影次数最多的地方。根据纯净像元落在相应影像中的位置，判断农地影像中的两个端元为水田（主要作物为水稻）和旱地（主要作物为玉米、土豆等），林地影像中的三个端元为阔叶林、针叶林和灌木林。最终提取的端元波谱曲线如图6所示，其中a为农地影像端元提取结果，实线所示为水田光谱曲线，虚线所示为旱地光谱曲线；b为林地影像端元提取结果，实线所示为阔叶林光谱曲线，点虚线为针叶林光谱曲线，长虚线为灌木林光谱曲线。

2.3 实验结果分析

在混合像元分解过程中，端元的选择尤为重要，因为它直接影响混合像元分解的精度。为了检验本文提出的端元提取方法的有效性，在此从遥感影像中手动选取相应地物，绘制平均光谱曲线，与提取到的端元光谱曲线作对比。由于TM影像空间分辨率较低，很难从影像中判别相应的地物，借助森林资源二类调查数据，从相应地物的小班中勾画感兴趣区，绘制成平均光谱曲线。如图7所示，a中实线所示为水田平均光谱曲线，虚线所示为旱地平均光谱曲线；b 中实线所示为阔叶林平均光谱曲线，点虚线为针叶林平均光谱曲线，长虚线为灌木林平均光谱曲线。对比图6可以看到，各地类的平均光谱曲线差异性明显小于端元光谱曲线，这是由于混合像元大量存在造成的；而从曲线特征来看，平均光谱曲线与端元光谱曲线的折点位置相似，这表明提取到的端元有效，能够表征相应的地物。

3 结束语

本文针对多光谱遥感影像光谱分辨率较低，波段较少，并且波段间的相关性较大，影像噪声严重的现象，提出了一种基于分类结果的端元提取方法，该方法能够克服凸面体分析理论应用到多光谱影像端元提取的数量限制，提高了端元提取的精度。这种通过光谱先聚再分的思想，充分利用了遥感影像的空间和光谱信息，为多光谱遥感影像的端元提取提供了一种新的思路。

本文提出的端元提取方法基于最大似然法监督分类结果，分类的误差会传递给后续的端元提取过程。本文还可以尝试采用其他的分类方法代替，以降低分类结果的误差，如支持向量机、随机森林、面向对象的分类方法等。但是如何减少分类误差向下传导将会是今后一个重要的研究方向。