Hyperion影像与高分辨率影像融合影像的分类结果比较

董跃宇

摘 要：使用数据融合的手段，将Hyperion影像与SPOT影像进行融合，以期同时获得空间和光谱两方面的丰富信息。使用融合影像进行了地物分类实验，对分类的效果进行了比较。

关键词：遥感数据融合 像素级融合 高光谱遥感

中图分类号：TP3 文献标识码：A 文章编号：1672-3791（2015）03（a）-0013-02

Abstract：With approach of data fusion， aggregating the Hyperion data and SPOT data to achieve more information about both spectrum and spatiality. Terrain classification was made based on the fusion data， and classification results were compared.

Key words：remote sensing data fusion； pixel level fusion； hyperspectral remote sensing

遥感数据要同时获得空间、光谱、时间的高分辨率是很困难的。以EO-1 Hyperion数据为例，其具有极高光谱分辨率（可达10nm）的同时空间分辨率仅为30m。高光谱分辨率数据常被简称为高光谱数据。由于其极高的光谱分辨率，能够获得数十至数百波段的数据，可以形成特定地物的连续的光谱曲线，能够提供更丰富更准确的地物信息。而对于高分辨率遥感数据，其能够提供米级甚至亚米级的空间分辨率，但是仅能提供数个波段的数据，在光谱信息的丰富和精细程度上非常薄弱。数据融合作为富集多源遥感信息的最有价值手段，20世纪90年代以来就已成为遥感研究的重要主题。若将高光谱数据与高分辨率数据进行有效融合，可以预期同时获得空间和光谱两方面的更丰富信息。

1 实验过程

1.1 研究区选择

选择普达措国家公园属都湖与碧塔海周边地区作为研究区域。该区域位于滇西北生物多样性丰富区域，是入选国际名录的重要湿地保护区。具有重要的生态地位和研究价值，是高原湿地研究的热点区域。该区域中分布着高原湖泊、湖泊周边及山间谷地中的草甸和草地、以松和杉为主的林地以及几条道路。地物景观类型构成相对简单，有利将研究问题聚焦。同时草甸、林地等类型中的次一级的景观构成，为研究的深入提供了充足的空间。该文作者近年曾较详细的实地调查过该区域，积累了不少有价值的信息和数据。选择该区域作为研究区，有较充分的研究基础。

1.2 研究数据

使用于2003年12月获取的Hyperion数据和2003年11月的SPOT数据，进行校正、配准等预处理，并根据研究区界限进行裁切，获得研究区的基础遥感数据。两个数据的获取时间相差近两个月。但根据实地调查的结果和已有的相关研究，研究区由于位于重要自然保护区中，景观变化以缓慢的自然演替为主。一两个月时间的差异对后续实验的影响是可以忽略的。在2003年11—12月期间，也未发生对景观有明显改变的重大事件。根据相关文献，选择Hyperion数据的两个典型的波段组合用于后续融合和分类。高光谱数据是一个高维度数据，存在着数据冗余度高、数据量大、计算代价高等缺点。结合应用需求，针对性的选取波段组合作为分析的数据来源，能将高光谱数据的处理变为一个较低维数的数据处理问题。这两个波段组合（数字代表波段号）分别是（29：23：16）、（50：23：16），对应的波长分别是：641：580：509nm，855：580：509nm。（29：23：16）组合是用来形成真彩色图像最常用的组合。使用（50：23：16）组合来形成真彩色图像时，图像中的植被会显示成偏红的颜色。

1.3 融合与分类方法

数据融合根据信息处理层次的差别可区分为：像素级融合、特征级融合和决策级融合。实验进行的是像素级融合。像素级融合的方法主要有：Gram-Schmidt光谱锐化融合法、平滑调节滤波（SFIM）变换融合法、加权平均法（WAM）融合法和小波变换（WT）融合法等。参考前人已有的尝试，选用Gram-Schmidt光谱锐化融合法进行实验。

采用非监督分类方法对融合数据进行分类。从最常用的非监督分类方法K-均值聚类方法和ISODATA聚类方法中选用ISODATA方法进行此次实验。使用ISODATA方法的关键是确定分类是所使用的主要参数：迭代次数、分类数量的范围、变化阈值、类别最大标准差、类别最小距离等。通过使用样本数据多次尝试，确定了所需要的参数数值。在实地调查信息的基础上，结合对实验所用影像的观察，确定了地物景观类型。共分为：水体、林地阳坡、林地阴坡、草甸、草地、公路及裸地6类。ISODATA分类的结果，类别数大于地物景观类型数。在分类的后处理中，进行了类别合并，将ISODATA分类的结果归并成地物景观类型。同时，由于融合影像分辨率较高，分类结果中小斑块过多，还使用Majority/Minority分析方法进行了小斑块去除。

1.4 分类结果评价

从主观定性和客观定量的两种途径，对分类结果进行评价。主观定性途径主要依据景观格局的吻合程度、地物显著特征点的分类细节情况，参照同时期研究区的高分辨率影像和实地调查信息，进行判断。客观定量途径则进行了混淆矩阵的计算，使用总体分类精度、Kappa系数及类别间错分情况来进行评价。参照研究区的实地调查数据，依据高分辨率影像，通过人工解译，建立了验证数据，用于计算混淆矩阵。

2 实验结果及分析

观察融合影像，并与原高光谱影像、高分辨率影像比较，可以发现：融合影像的空间分辨率改善明显，公路等较细小地物已能看清；精细光谱信息的引入，使得不同地物类型的差异得到凸显。这是进步的一面。同时，也注意到农地等一些地物的轮廓，相较原高分辨率影像变形明显。高光谱影像的较低空间分辨率拖累了融合影像的图像质量。

直观观察分类结果，（29：23：16）波段组合融合影像的分类结果中，斑块较为破碎和凌乱。属都湖、碧塔海水体的轮廓已不完整，景观格局与实际情况有明显差别。（50：23：16）波段组合融合影像的分类结果中，景观格局保持较好。尤其是水体的识别十分准确。与原高分辨率影像分类结果相比，（50：23：16）波段组合融合影像的分类结果虽然在面积较小地物的识别上有退化，但在强化不同地类的差别、凸显景观格局方面，进步明显。（29：23：16）波段组合融合影像的分类结果，则明显不及原高分辨率影像的分类结果。

通过计算混淆矩阵，可以看出（50：23：16）波段组合融合影像的分类精度明显优于原高分辨率影像。（29：23：16）波段组合融合影像的分类精度相比原高分辨率影像没有明显改善，Kappa系数则明显下降。通过数据融合，在融合影像中集聚了更丰富的信息。高光谱数据的精细光谱信息确实能够有效改善原高分辨率影像的地物分类结果。当然，波段数据的选择是关键，（29：23：16）波段组合在当前研究区的地物识别中无助益。

3 结语

通过使用Hyperion数据不同波段组合与高分辨率影像进行数据融合，并进行地物分类的实验表明，通过数据融合，能够在融合影像中兼具高空间分辨率和高频谱分辨率的优势。高光谱数据中的不同波段组合能够突显的信息存在较大差别。波段组合选择既是降低维数、降低计算代价，有效利用高光谱数据的重要方法，也是高光谱数据能够发挥积极作用的关键。

参考文献

[1] TRW.Space， Defense & Information System.EO-1/Hyperion Science Data Users Guide，Level 1_B[M].2001.

[2] 赵书河.多源遥感信息融合技术与应用[M].南京：南京大学出版社，2008.

[3] 林志垒，晏路明.地球观测1号高光谱与全色图像融合的最佳方法[J].计算机应用，2014，34（8）.

[4] 赵春晖，陈万海，杨雷.高光谱遥感图像最优波段选择方法的研究进展与分析[J].黑龙江大学自然科学学报，2007（10）.

[5] 刘建平，赵英时，孙淑玲.高光谱遥感数据最佳波段选择方法试验研究[J].遥感技术与应用，2001（3）.

[6] 黄健元.模糊ISODATA聚类分析方法的改进[J].南京航空航天大学学报，2000（4）.