基于机载高光谱遥感数据的溢油信息提取方法_刘丙新_张志达_李颖_陈澎
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
7736 （ 2014 ） 01008904 文章编号： 1006-
基于机载高光谱遥感数据的溢油信息提取方法
刘丙新， 张志达， 李 颖， 陈 澎
（ 大连海事大学 航海学院 ， 辽宁 大连 116026 ） 摘要： 为减少高光谱遥感数据处理波段 ， 提高处理效率， 提 出一种基于最小噪声分离波谱的决策树分类方法 ． 利用最 小噪声分离变换 （ MNF ） 降低数据冗余度， 并将图像噪声 分离， 通过分析各地物的 MNF 特征值， 建立分类决策树， 并提取了油膜相对厚度等信息 ． 结果表明， 该方法保证了 有效利用了光谱维信息 ， 明显减小了数据处理 识别精度， 时间， 从而将高光谱数据用于溢油应急快速产品的生产 中． 关键词： 高光谱遥感； 溢油监测； 最小噪声分离 中图分类号： TP751． 1 文献标志码： A
特征提取的有效方法， 本质上是包含两次叠置处 理的主成分分析变换， 但是与主成分分析变换不 其变换后各成分不是按照方差大小进行 同的是， 排序， 而是按照信噪比进行各成分的排序 ． 因此通 过 MNF 变换， 包含信噪比最高的成分排在前面， 而噪声较多的波段则往往不再进入下一步的操 作， 这样不仅能够有效降低原数据的维度 ， 而且能 够有效地去除噪声
［12 ］
行排序， 信噪比大的排在前面， 即变换后的第一分 量中集中了大量的信息， 后续分量中所含信息依 次减少， 影像质量也逐渐下降．
．
第1 期
刘丙新， 等： 基于机载高光谱遥感数据的溢油信息提取方法
91
3
3． 1
光谱特征分析
薄油膜的 MNF 特征值在第二波段大于 0 ， 中等厚 度油膜和厚油膜的 MNF 特征值则小于 0 ， 据此可 将地物划分为两类； 对于水体、 甚薄油膜而言， 其 在第 二 波 段 值 均 大 于 第 一 波 段 值， 即 Band2 ＞ Band1 ， 而薄油膜的 MNF 值 Band1 ＞ Band2 ， 据此可 将薄油膜进行识别； 水体在 MNF 特征值第三波段 大于 0 ， 而甚薄油膜此波段的 MNF 值小于 0 ， 据此 可将这两者进行区分； 厚油膜 MNF 特征值第三波 段大于第四波段值， 而中等厚度油膜与其相反， 据 此可将厚油膜与中等厚度油膜进行区分 ．
［3 ］ 据处理时间较长， 数据应用效率降低 ． 目前学者 ［4 ］ ［5 ］ 利用 SAM 方法 、 最大似然法 ， 以及数学形态
Extraction method of oil spill information using airborne hyperspectral remote sensing data
图 1 “深水地平线” 位置图 Fig． 1 Position of deep water horizon platform
CN =
∑ N ，并将其对角化为矩阵
DN = UT CN U （ 1）
2
2． 1
数据处理方法
数据处理流程 采用 MNF 变换对该研究区高光谱数据进行
其中： D N 为 C N 的特征值按照降序排列的对角矩 阵； U 为由相应特征值对应的特征向量组成的正 交矩阵．
－1 / 2 在式（ 1 ） 基础上， 构造矩阵 P = UD N ， 则有
降维处理， 并根据降维后 MNF 特征值曲线建立分 类决策树， 从而达到溢油油膜相对厚度区分， 总流 程图如图 2 所示． 首先对高光谱遥感数据进行预 处理， 包括辐射校正、 大气校正、 掩膜处理等； 然后 利用 MNF 变换对影像数据进行降维和去噪处理， 得到 MNF 特征值图像， 该图像前 N 个波段集中了 原数据中绝大多数信息， 剩余波段则多为噪声信 不参与后续处理； 最后在 MNF 特征值图像上 息， 提取 MNF 端元波谱， 通过对波谱特征的分析建立 基于 MNF 的分类决策树， 从而 实 现 溢 油 信 息 提 取． 2． 2 最小噪声分离变换 ［11 ］ 噪声分离变换是 Green 提出的噪声消除和
运算结合空间和光谱信息 等方法对溢油信息进 行提取， 取得一些成果． 但在实际应用中由于处理 速度较低， 在进行处理前应降低高光谱维数． 本文 通过最小噪声分离法 （ MNF ） 进行降维， 同时有效 地将图像噪声分离， 达到去噪效果， 并对 MNF 特 征值波谱进行分析， 建立基于 MNF 波谱的决策树 分类方法．
0829． 收稿日期： 2013基金项目： 国家自然科学基金资助项目 （ 41071260 ） ； 中国石油天然气股份有限公司科学研究与技术开发资助项目 （ 2011A020901 ） ； 中央高校基本科研业务费专项资金资助 （ 3132014023 ） ． Email： gisbingxin@ gmail． com． 作者简介： 刘丙新（ 1984 － ） ， 男， 博士， 讲师，
基于 MNF 的决策树分类法分类的结果显示 （ 图 6） ， 在该区域内主要分布为薄油膜， 占观测范
0
引
言
遥感技术作为一种监测溢油污染 的 有 效 手 段， 在国 内 外 的 溢 油 监 测 系 统 中 扮 演 着 重 要 角 ［1 ］ 色 ． 传统多光谱遥感数据在几个离散的波段获 取地物信息， 无法得到地物在某一波长范围内的 连续波谱， 从而丢失了对地物识别有用的光谱吸 收特征， 另外受大气、 海面等方面干扰， 水上油膜 ［2 ］ 信息的反演变得更加困难 ． 高光谱遥感技术能 通过对目标光谱特征 够获取地物接近连续光谱， 的分析， 能够剔除颜色和外观与油膜相同的假目 标， 使油膜信息提取结果更加精确． 但波段众多、 波段间冗余度增大等导致高光谱数据量较大， 数
T
（ 3）
计算协方差矩阵 C D －obj 的特征向量矩阵 V， 使 其中 D D －obj 为特征向量矩阵 得 V C D －obj V = D D －obj ， V 所对应的特征值按照降序排列的对角矩阵， 并
T I 为单位矩阵． 且 V V = I， 通过以上过程得到 MNF 的变换矩阵 T MNF = PV， 经过 MNF 变换后的图像数据以信噪比大小进
90
大连海事大学学报
第 40 卷
［7 － 8 ］ “最严重的一次” ． 历史上 漏油事故 机载可见光 / 红外成像光谱仪 （ AVIＲIS ） ， 波 长范围 380 ～ 2500 nm， 波段数 224 个， 光谱分辨率
10 nm［9］． 本文所用数据为该漏油区域 2010 年 7 月 9 日 的 航 空 数 据， 是具有更高空间分辨率的 AVIＲIS 高光谱遥感数据［10］， 该数据的获取平台 为 Twin Otter N70AＲ， 其覆盖区位于 DWH 平台以 北约 5 km， 方 向 为 东 南—西 北， 地面分辨率为 3． 2 m．
LIU Bingxin，ZHANG Zhida，LI Ying，CHEN Peng
（ Navigation College，Dalian Maritime University，Dalian 116026 ， China）
Abstract： Decision tree classification method was proposed on basis of the minimum noise fraction （ MNF ） to reduce dimensions of hyperspectral remote sensing data and improve processing efficiency． The data redundancy was reduced by means of MNF，and the figure noise was separated． The decision tree was established according to analyzing landmarks ’ MNF eigenvalue，and the relative thickness of the oil film was extracted． The results show that the method mentioned could ensure recognition accuracy，achieve effective use of spectral dimension information，as well as reduce the processing time significantly，so as to make the quick products for oil spill response by using hyperspectral data． Key words： hyperspectral remote sensing； oil spill monitoring； minimum noise fraction（ MNF）
图2 Fig． 2 基于 MNF 的决策树分类流程图 Flowchart of classification using decision tree based on MNF
第一次变换是基于估计的噪声协方差矩阵来 进行的， 用于分离和重新调节数据中的噪声 ， 这步 操作使变换后的噪声数据只有最小的方差且没有 波段间的相关． 对整幅影像或具有同一性质的影 像数据 块 进 行 滤 波 处 理， 得到噪声协方差矩阵
反射率光谱特征分析 在预处理后的 AVIＲIS 数据上选取已知的典 型地物类型作为感兴趣区， 并分别提取其光谱曲 厚油膜、 中 线（ 图 3 ） ． 这些地物类型包括了海水、 等厚度油膜、 薄油膜和甚薄油膜 （ sheen ） ， 通过对
光谱曲线的分析可知， 厚油膜和中等厚度油膜在 395 ～ 531 nm 区间反射率明显低于海水， 甚薄油 膜在该范围内反射率高于海水． 在波长大于 531 nm 的波段处， 处中等厚度油膜反射率明显高于水 体外， 厚油膜和甚薄油膜与水体反射率光谱差异 并不大． 薄油膜在 521 ～ 19 nm 范围内波段的反射 但区别并不明显， 无法利用反射率 率比水体略低， 值的差异区分水体与薄油膜． 在波谱形态方面， 各 地物波谱形状非常相似， 尤其水体、 薄油膜和甚薄 油膜的波谱形状相似度非常高， 通过基于波形分 析的光谱角度填图法等难以区分这三类地物 ．
［6 ］
1
研究区概况及数据介绍
墨西哥湾 （ Gulf of Mexico ） 位 于 北 美 大 陆 南 端， 该海域生物呈现多样性特征． 2010 年 4 月 25 “深水地平线” （ DWH） 石油钻 日， 位于墨西哥湾的 井平台 （ 图 1 ） 发生爆炸， 导致大量原油泄漏， 至 2010 年 7 月 15 日， 新控油装置已成功罩住水下漏 油点， 泄漏总量在 1970 万 ～ 4300 万加仑， 是美国
图4 Fig． 4
典型地物的 MNFra Baidu bibliotek 特征值
MNF eigenvalue of typical objects
4
图像分类与结果分析
根据上述对 MNF 特征值波谱的分析， 建立相 应的分类决策树（ 图 5 ） ．
图5 Fig． 5
基于 MNF 的分类决策树
Classification decision tree based on MNF
I = PT CN P
（ 2）
其中： I 为单位矩阵． 当 P 应用于高光谱影像数据 X 时， 通过 Y = ， PX 变换， 可将原始数据投影到新空间 产生的变 换数据中的噪声具有单位方差， 且波段间不相关． 第二步是对噪声白化数据进行标准主成分变 换． 通过第一步中构造的矩阵 P ， 对图像总协方差 矩阵 C D 进行变换， 得到噪声调整后的总协方差矩 阵 C D －obj ， 即 P T C D P = C D －obj
第1 期
第 40 卷 第1 期
刘丙新， 等： 基于机载高光谱遥感数据的溢油信息提取方法 大 连 海 事 大 学 学 报 Journal of Dalian Maritime University
Vol． 40 No． 1
2014 年 2 月
Feb． ， 2014
基于机载高光谱遥感数据的溢油信息提取方法
刘丙新， 张志达， 李 颖， 陈 澎
（ 大连海事大学 航海学院 ， 辽宁 大连 116026 ） 摘要： 为减少高光谱遥感数据处理波段 ， 提高处理效率， 提 出一种基于最小噪声分离波谱的决策树分类方法 ． 利用最 小噪声分离变换 （ MNF ） 降低数据冗余度， 并将图像噪声 分离， 通过分析各地物的 MNF 特征值， 建立分类决策树， 并提取了油膜相对厚度等信息 ． 结果表明， 该方法保证了 有效利用了光谱维信息 ， 明显减小了数据处理 识别精度， 时间， 从而将高光谱数据用于溢油应急快速产品的生产 中． 关键词： 高光谱遥感； 溢油监测； 最小噪声分离 中图分类号： TP751． 1 文献标志码： A
特征提取的有效方法， 本质上是包含两次叠置处 理的主成分分析变换， 但是与主成分分析变换不 其变换后各成分不是按照方差大小进行 同的是， 排序， 而是按照信噪比进行各成分的排序 ． 因此通 过 MNF 变换， 包含信噪比最高的成分排在前面， 而噪声较多的波段则往往不再进入下一步的操 作， 这样不仅能够有效降低原数据的维度 ， 而且能 够有效地去除噪声
［12 ］
行排序， 信噪比大的排在前面， 即变换后的第一分 量中集中了大量的信息， 后续分量中所含信息依 次减少， 影像质量也逐渐下降．
．
第1 期
刘丙新， 等： 基于机载高光谱遥感数据的溢油信息提取方法
91
3
3． 1
光谱特征分析
薄油膜的 MNF 特征值在第二波段大于 0 ， 中等厚 度油膜和厚油膜的 MNF 特征值则小于 0 ， 据此可 将地物划分为两类； 对于水体、 甚薄油膜而言， 其 在第 二 波 段 值 均 大 于 第 一 波 段 值， 即 Band2 ＞ Band1 ， 而薄油膜的 MNF 值 Band1 ＞ Band2 ， 据此可 将薄油膜进行识别； 水体在 MNF 特征值第三波段 大于 0 ， 而甚薄油膜此波段的 MNF 值小于 0 ， 据此 可将这两者进行区分； 厚油膜 MNF 特征值第三波 段大于第四波段值， 而中等厚度油膜与其相反， 据 此可将厚油膜与中等厚度油膜进行区分 ．
［3 ］ 据处理时间较长， 数据应用效率降低 ． 目前学者 ［4 ］ ［5 ］ 利用 SAM 方法 、 最大似然法 ， 以及数学形态
Extraction method of oil spill information using airborne hyperspectral remote sensing data
图 1 “深水地平线” 位置图 Fig． 1 Position of deep water horizon platform
CN =
∑ N ，并将其对角化为矩阵
DN = UT CN U （ 1）
2
2． 1
数据处理方法
数据处理流程 采用 MNF 变换对该研究区高光谱数据进行
其中： D N 为 C N 的特征值按照降序排列的对角矩 阵； U 为由相应特征值对应的特征向量组成的正 交矩阵．
－1 / 2 在式（ 1 ） 基础上， 构造矩阵 P = UD N ， 则有
降维处理， 并根据降维后 MNF 特征值曲线建立分 类决策树， 从而达到溢油油膜相对厚度区分， 总流 程图如图 2 所示． 首先对高光谱遥感数据进行预 处理， 包括辐射校正、 大气校正、 掩膜处理等； 然后 利用 MNF 变换对影像数据进行降维和去噪处理， 得到 MNF 特征值图像， 该图像前 N 个波段集中了 原数据中绝大多数信息， 剩余波段则多为噪声信 不参与后续处理； 最后在 MNF 特征值图像上 息， 提取 MNF 端元波谱， 通过对波谱特征的分析建立 基于 MNF 的分类决策树， 从而 实 现 溢 油 信 息 提 取． 2． 2 最小噪声分离变换 ［11 ］ 噪声分离变换是 Green 提出的噪声消除和
运算结合空间和光谱信息 等方法对溢油信息进 行提取， 取得一些成果． 但在实际应用中由于处理 速度较低， 在进行处理前应降低高光谱维数． 本文 通过最小噪声分离法 （ MNF ） 进行降维， 同时有效 地将图像噪声分离， 达到去噪效果， 并对 MNF 特 征值波谱进行分析， 建立基于 MNF 波谱的决策树 分类方法．
0829． 收稿日期： 2013基金项目： 国家自然科学基金资助项目 （ 41071260 ） ； 中国石油天然气股份有限公司科学研究与技术开发资助项目 （ 2011A020901 ） ； 中央高校基本科研业务费专项资金资助 （ 3132014023 ） ． Email： gisbingxin@ gmail． com． 作者简介： 刘丙新（ 1984 － ） ， 男， 博士， 讲师，
基于 MNF 的决策树分类法分类的结果显示 （ 图 6） ， 在该区域内主要分布为薄油膜， 占观测范
0
引
言
遥感技术作为一种监测溢油污染 的 有 效 手 段， 在国 内 外 的 溢 油 监 测 系 统 中 扮 演 着 重 要 角 ［1 ］ 色 ． 传统多光谱遥感数据在几个离散的波段获 取地物信息， 无法得到地物在某一波长范围内的 连续波谱， 从而丢失了对地物识别有用的光谱吸 收特征， 另外受大气、 海面等方面干扰， 水上油膜 ［2 ］ 信息的反演变得更加困难 ． 高光谱遥感技术能 通过对目标光谱特征 够获取地物接近连续光谱， 的分析， 能够剔除颜色和外观与油膜相同的假目 标， 使油膜信息提取结果更加精确． 但波段众多、 波段间冗余度增大等导致高光谱数据量较大， 数
T
（ 3）
计算协方差矩阵 C D －obj 的特征向量矩阵 V， 使 其中 D D －obj 为特征向量矩阵 得 V C D －obj V = D D －obj ， V 所对应的特征值按照降序排列的对角矩阵， 并
T I 为单位矩阵． 且 V V = I， 通过以上过程得到 MNF 的变换矩阵 T MNF = PV， 经过 MNF 变换后的图像数据以信噪比大小进
90
大连海事大学学报
第 40 卷
［7 － 8 ］ “最严重的一次” ． 历史上 漏油事故 机载可见光 / 红外成像光谱仪 （ AVIＲIS ） ， 波 长范围 380 ～ 2500 nm， 波段数 224 个， 光谱分辨率
10 nm［9］． 本文所用数据为该漏油区域 2010 年 7 月 9 日 的 航 空 数 据， 是具有更高空间分辨率的 AVIＲIS 高光谱遥感数据［10］， 该数据的获取平台 为 Twin Otter N70AＲ， 其覆盖区位于 DWH 平台以 北约 5 km， 方 向 为 东 南—西 北， 地面分辨率为 3． 2 m．
LIU Bingxin，ZHANG Zhida，LI Ying，CHEN Peng
（ Navigation College，Dalian Maritime University，Dalian 116026 ， China）
Abstract： Decision tree classification method was proposed on basis of the minimum noise fraction （ MNF ） to reduce dimensions of hyperspectral remote sensing data and improve processing efficiency． The data redundancy was reduced by means of MNF，and the figure noise was separated． The decision tree was established according to analyzing landmarks ’ MNF eigenvalue，and the relative thickness of the oil film was extracted． The results show that the method mentioned could ensure recognition accuracy，achieve effective use of spectral dimension information，as well as reduce the processing time significantly，so as to make the quick products for oil spill response by using hyperspectral data． Key words： hyperspectral remote sensing； oil spill monitoring； minimum noise fraction（ MNF）
图2 Fig． 2 基于 MNF 的决策树分类流程图 Flowchart of classification using decision tree based on MNF
第一次变换是基于估计的噪声协方差矩阵来 进行的， 用于分离和重新调节数据中的噪声 ， 这步 操作使变换后的噪声数据只有最小的方差且没有 波段间的相关． 对整幅影像或具有同一性质的影 像数据 块 进 行 滤 波 处 理， 得到噪声协方差矩阵
反射率光谱特征分析 在预处理后的 AVIＲIS 数据上选取已知的典 型地物类型作为感兴趣区， 并分别提取其光谱曲 厚油膜、 中 线（ 图 3 ） ． 这些地物类型包括了海水、 等厚度油膜、 薄油膜和甚薄油膜 （ sheen ） ， 通过对
光谱曲线的分析可知， 厚油膜和中等厚度油膜在 395 ～ 531 nm 区间反射率明显低于海水， 甚薄油 膜在该范围内反射率高于海水． 在波长大于 531 nm 的波段处， 处中等厚度油膜反射率明显高于水 体外， 厚油膜和甚薄油膜与水体反射率光谱差异 并不大． 薄油膜在 521 ～ 19 nm 范围内波段的反射 但区别并不明显， 无法利用反射率 率比水体略低， 值的差异区分水体与薄油膜． 在波谱形态方面， 各 地物波谱形状非常相似， 尤其水体、 薄油膜和甚薄 油膜的波谱形状相似度非常高， 通过基于波形分 析的光谱角度填图法等难以区分这三类地物 ．
［6 ］
1
研究区概况及数据介绍
墨西哥湾 （ Gulf of Mexico ） 位 于 北 美 大 陆 南 端， 该海域生物呈现多样性特征． 2010 年 4 月 25 “深水地平线” （ DWH） 石油钻 日， 位于墨西哥湾的 井平台 （ 图 1 ） 发生爆炸， 导致大量原油泄漏， 至 2010 年 7 月 15 日， 新控油装置已成功罩住水下漏 油点， 泄漏总量在 1970 万 ～ 4300 万加仑， 是美国
图4 Fig． 4
典型地物的 MNFra Baidu bibliotek 特征值
MNF eigenvalue of typical objects
4
图像分类与结果分析
根据上述对 MNF 特征值波谱的分析， 建立相 应的分类决策树（ 图 5 ） ．
图5 Fig． 5
基于 MNF 的分类决策树
Classification decision tree based on MNF
I = PT CN P
（ 2）
其中： I 为单位矩阵． 当 P 应用于高光谱影像数据 X 时， 通过 Y = ， PX 变换， 可将原始数据投影到新空间 产生的变 换数据中的噪声具有单位方差， 且波段间不相关． 第二步是对噪声白化数据进行标准主成分变 换． 通过第一步中构造的矩阵 P ， 对图像总协方差 矩阵 C D 进行变换， 得到噪声调整后的总协方差矩 阵 C D －obj ， 即 P T C D P = C D －obj
第1 期
第 40 卷 第1 期
刘丙新， 等： 基于机载高光谱遥感数据的溢油信息提取方法 大 连 海 事 大 学 学 报 Journal of Dalian Maritime University
Vol． 40 No． 1
2014 年 2 月
Feb． ， 2014