基于K-T变换和主成分变换的植被信息提取

陈 利，林 辉

（中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004）

基于K-T变换和主成分变换的植被信息提取

陈 利，林 辉

（中南林业科技大学 林业遥感信息工程研究中心，湖南 长沙 410004）

WorldView -2能够提供1个0.5 m全色波段和8个1.8 m分辨率的多光谱波段，为用户提供进行精确变化检测和制图的能力。本研究以深圳市植被为例，采用WorldView-2高分辨率遥感影像为数据源，进行缨帽变换及主成分分析处理，利用决策树分类模型进行提取。结果表明：WorldView-2影像经过缨帽变换及主成分分析处理后，能够明显增强影像的纹理信息，突出地物特征，并以各地物在经过缨帽变换及主成分分析处理之后的灰度值作为决策树分类的阈值，分类的总体精度、Kappa系数分别为89.26%、0.87，与以往的只利用波段的灰度值及植被指数等作为阈值相比，精度明显提高，方法也得到改善，得到了比较好的分类结果。

遥感；植被信息；WorldView-2；K-T变换；主成分变换

随着遥感技术的快速发展，高光谱分辨率、高时间分辨率、高空间分辨率已成为现代遥感的发展方向，为资源与环境监测提供了宏观、实时、动态的数据,同时大大减少了工作量,提高了监测的实效性，传统的中低分辨率的目标提取技术已不再适用于地物特征更加复杂化的高分辨率遥感影像地物提取[1-2]。高分辨率遥感影像能够快速地获取地球表面信息，但如何从高分辨率遥感影像中自动获取特征信息，一直是遥感应用研究的重点，因而当前遥感信息处理的重要方向是利用计算机对遥感影像目标自动识别、特征提取。

K-T变换是为更好的提取植被信息提出的影像增强方法,如苏琦[3]等利用K-T变换进行NDVI提取研究，研究表明利用K-T变换的NDVI提取方法得到的结果图光谱保持能力强, 像纹理更清晰。主成分变换操作简单、处理速度快，在遥感数据信息提取中取得比较好的精度[4-7]。张治广[8]等利用主成分变换进行干旱区盐渍地信息提取研究，得到了盐渍地信息提取精度达到93.158%。D.LU[9]等使用融合技术对ETM+影像融合后进行分类，改善了地物专题信息的提取效果。汪小钦[10]等利用主成分变换对ASAR 数据水稻种植面积提取，用主成分分量的差值（PC2-PC5），基于面向对象分类方法，建立了水稻种植区快速提取方法，获得了比较满意的结果。杨红磊[11]等基于对数主成分变换的EM算法用于遥感影像分类，实验证明所提出的计算方案分类精度优于普通EM方法和传统的K-means方法。

本研究以WorldView-2高分辨率遥感影像为数据源，以深圳市为例，采用基于专家知识的决策树分类技术进行分类[12]，并利用最佳指数法对WorldView-2遥感影像进行最佳波段组合，且进行滤波处理、缨帽变换及主成分分析[13]，并结合地物的遥感影像特征和地物的光谱特征信息进行分类，找出适合植被信息提取的最优决策树模型。为生态城市的建设方面提供有力的基础数据和决策支持,有着十分重要的理论与现实意义。

1 研究区概况

深圳市位于祖国的南疆，广东省南部，毗邻香港。陆域位置是 113°46'～ 114°37'E，22°27'～22°52'N。深圳市所辖范围呈狭长形：东西长，南北窄。其东西向直线距离，自东宝河口至蛇口半岛南端为155.2 km，至大鹏半岛最南端为157.2 km；其南北向最窄处自北部边界至沙鱼涌海岸的直线距离仅6 km。东临大亚湾与惠州市相连，西至珠江口伶仃洋与中山市、珠海市相望，南至深圳河与香港毗邻，北与东莞市、惠州市接壤。深圳是中国经济最发达的地区之一，经济总量居中国大陆第4位。

2 材料与方法

2.1 数据源

本研究以Worldview-2高分辨率遥感影像为数据源，接收日期为2011年11月14日，影像为8个分辨率为1.8 m多光谱波段和1个分辨率为0.5 m的全色波段。

2.2 缨帽变换和主成分变换

缨穗变换是指根据经验确定的变换矩阵将图像投影综合变换到三维空间，其立体形态形似带缨穗的帽子，变换后能看到缨穗的最大剖面，充分反映植物生长枯萎程度、土地信息变化，大气散射物理影响和其它景物变化程度的一种线性特征变换的图像处理方法。随着植被生长，在绿度图像上的信息增强，土壤亮度上的信息减弱，当植物成熟和逐渐凋落时，其在绿度图像特征减少，在黄度上的信息增强。这种解释可以应用于不同区域上的不同植被和作物，但缨穗变换无法包含一些不是绿色的植被和不同的土壤类型的信息。

缨帽变换是为更好的提取植被信息提出的影像增强方法。缨帽变换又称K-T变换，根据多光谱遥感中土壤、植被等信息在多维光谱空间中的信息分布结构对图像做的检验线性正交变换，是一种经验性多光谱波段的线性变换，且该变换能消除多光谱图像的相对光谱响应相关性，并对全色图像可视化和自动特征提取都非常有用。缨帽变换用数学公式表示为：Y=TX+r。式中Y为变换后的数据矩阵，T为缨帽变换的正交变换矩阵，X为原始图像波段数据组成的向量矩阵，r为补充向量，以避免Y出现负值，缨帽变换后的影像如图1。

多光谱图像的各波段之间经常是高度相关的，他们的DN值以及显示出来的视觉效果往往很相似，主成分分析（PCA）就是一种除去波段之间多余信息、将多波段的图像信息压缩到比原来波段更有效的少数几个转换波段的方法。一般情况下，第一成分（PCI）包含所有波段中80%的方差信息，前三个主成分包含了所有波段中95%以上的信息量，由于个波段之间不相关，主成分波段可以生成更多的颜色、饱和度更好的彩色合成图像。利用ENVI软件进行主成分变换，从图2可以看出第一、二、三分量具有很高的信息量，后面几个分量所含信息量较少，所以在植被提取时选取主成分的PCA1、PCA2 、PCA3分量。

2.3 植被提取模型建立

在ENVI遥感软件中，选取一定数量耕地、居民住宅用地、植被、道路、裸土地、水体6种类型样点，利用ENVI及ARCGIS软件提取典型地物样地点在经过缨帽变换、主成分变换后第一、二、三分量平均DN值，得到的结果如图3。

图1 缨帽变换后的影像Fig.1 Images after transformed with Tasseled Cap Transformation

图2 Worldview-2主成分变换结果Fig.2 Transformation results of Worldview-2 principal component

图3 各典型地物的DN值Fig.3 DN values of typical ground objects

由于缨帽变换的第二特征 “绿度”植被指数是可见光波段植物光合作用吸收与近红外波段植物强反射的综合响应，可以明显的区别植被以及非植被，所以选择绿度作为判断依据，实验证明当TC2的阈值小于30，且PCA1大于阈值15，则为植被，否则为非植被。在 ENVI 决策树分类中，输入 b1 lt 30 and b2 gt 15，在 Variable / File Pairings中选择 b1 = TC2，b2 = PCA1，然后执行 Execute命令，最终结果如图4。

2.4 精度评价

通过野外调查样点记录的地类经纬度资料以及遥感解译的标志，然后精确地在遥感图像上选取各类地表真实感兴趣区，再建立混淆矩阵，并计算各种统计量，进行统计检验，得出植被信息提取的总体精度、Kappa系数分别为89.26%、0.87。

图4 植被提取结果Fig.4 Vegetation extraction results

3 结论与讨论

本研究以WorldView-2高分辨率遥感影像为数据源，并对影像进行图像增强处理，缨帽变换及主成分分析处理，通过提取不同地物在进行处理后各波段的灰度值，并把所提取的灰度值作为决策树分类的阈值，通过反复的试验得到以下主要结论：

（1）利用WorldView-2高分辨率遥感影像进行植被信息的提取，找出了植被信息提取且精度比较高的决策树的阈值，从而实现了计算机自动分类，分类的总体精度、Kappa系数分别为89.26%、0.87，得到了比较好的分类效果。

（2）WorldView-2影像经过图像增强处理，缨帽变换及主成分分析处理后，能够明显增强影像的纹理信息，突出地物特征。

（3）以各地物在经过缨帽变换及主成分分析处理之后的灰度值作为决策树分类的阈值，与以往的只利用个波段的灰度值以及植被指数等作为阈值相比，精度明显提高，方法也得到改善。同时也为基于其它高分辨率遥感影像进行植被信息提取提供了重要的参考依据。

[1] 赵晓峰.高分辨率遥感影像城区道路提取方法研究[D].武汉:华中科技大学,2010.1-3.

[2] 朱 炜.基于图像特征的遥感图像道路提取[D].北京:北京化工大学,2008.2-5.

[3] 苏 琦,杨凤海,王明亮,等. 基于K-T变换的NDVI提取方法研究[J]. 测绘与空间地理信息,2010, 33(1):150-152.

[4] N. -W. PARK, -H. CHI. Integation of multitemporal/polarization C-band SAR data sets for land-cover classif i cation[J].International Journal of Remote Sensing, 2008, 29(16): 4667-4688.

[5] 武文波,康停军,姚 静. 基于 IHS 变换和主成分变换的遥感影像融合[J].辽宁工程技术大学学报,2009,28(1):28-31.

[6] Mitternieht,G.I.andJ.A.Zinck,Remote Sensing of Soill Salinity:Potentials and Constraints[J].Remote Sensing of Environment,2003,85:1-20.

[7] Zhao G, A L Maclean.A Comparision of Canonieal Diseriminant Analysis and Prineipal Component Analysis for Speetral Tansformation[J]. photogrammetric Engineering & Remote sensing, 2000,66(7):841-847.

[8] 张治广,塔西甫拉提·特依拜,王 飞,等. 基于主成分变换的干旱区盐渍地信息提取研究[J]. 新疆大学学报:自然科学版,2010, 27(2):136-141.

[9] D.LU,M.BATISTELLA and E.MoRAN. Land-cover classification in the Brazilian Amazon with the integration of Landsat ETM+ and Radarsat data[J].International Journal of Remote Sensing,2007,28(24):5447-545.

[10] 汪小钦,王钦敏,史晓明,等.基于主成分变换的 ASAR 数据水稻种植面积提取[J].农业工程学报,2008,24(10),122-125.

[11] 杨红磊,彭军还,李淑慧,等. 基于对数主成分变换的EM算法用于遥感影像分类[J].测绘学报,2010,39(4):378-382.

[12] 陈 利,林 辉,孙 华,等.基于决策树分类的森林信息提取研究[J].中南林科技大学学报,2013,33(1):46-50.

[13] 涂云燕,彭道黎. 基于 PCA 与 SPOT-5的森林碳储量估测[J].中南林业科技大学学报,2012,32(6):101-103.

Vegetation information extraction based on K-T transform and principal component transform

CHEN Li, LIN Hui
(Research Center of Forestry Remote Sensing & Information Engineering, Central South University of Forestry & Technology,Changsha 410004, Hunan, China)

∶ WorldView-2 can provide one band that the panchromatic band is 0.5 meters, and eight resolution multispectral bands that the panchromatic bands all are 1.8 meters, and have the ability for users to provide accurate change detection and mapping. With vegetation in Shenzhen city as an example, by adopting the Worldview-2 high resolution remote sensing images as data sources, the Tasseled Cap Transformation and Principal Components Analysis treatment for the vegetation information of Shenzhen city were conducted, further the data extraction was carried out by using decision tree classif i cation model. The results show that having been deal with Tasseled Cap Transformation and Principal Component Analysis, the image texture information was signif i cantly enhanced, the characteristics of ground objects were highlighted; by taking the gray values of all ground objects that were treated with Tasseled Cap Transformation and Principal Component Analysis as the decision tree classif i cation thresholds, the overall precision of plant classif i cation and the Kappa coeff i cient were calculated, being respectively 89.26% and 0.87, compared with the threshold only with previous bands of gray values and vegetation index, the new methods obviously improve the precision, the method is improved, better classif i cation results were obtained.

∶ remote sensing; vegetation information; Worldview-2；K-T transform; principal component transform

S771.8；X826

A

1673-923X(2014)06-0081-04

2013-11-14

“十二五”国家高技术研究发展计划（863计划）课题：“数字化森林资源监测关键技术研究”（2012AA102001）和国家自然科学基金项目“森林资源遥感监测波段窗口研究”（31370639）资助

陈 利（1987-），男，湖南衡阳人，硕士研究生,研究方向：林业遥感和地理信息系统

林 辉（1965-），女，湖北黄冈人，教授，博士生导师，主要从事森林经理学、遥感技术与地理信息系统的教学和科研工作

[本文编校：文凤鸣]