基于多角度融合的CHRIS数据提取湿地植被的研究

李伟娜，韦 玮，张怀清，刘 华，郝 泷

(1.中国林业科学研究院资源信息研究所，北京 100091； 2.中国林业科学研究院湿地研究所，北京 100091)

基于多角度融合的CHRIS数据提取湿地植被的研究

李伟娜1，韦 玮2*，张怀清1，刘 华1，郝 泷1

(1.中国林业科学研究院资源信息研究所，北京 100091； 2.中国林业科学研究院湿地研究所，北京 100091)

[目的]利用多角度高光谱数据，分析不同角度下东洞庭湖湿地典型植被群落的光谱特征，确定多角度信息融合的最佳方法，并对融合影像进行湿地植被类型精细识别。[方法]使用CHRIS多角度高光谱数据，针对洞庭湖湿地植被的光谱特征，研究计算窄波段NDVI的最佳波段组合和角度，评价CHRIS 0°影像与NDVI的像素级融合方法，进而对洞庭湖地区湿地植被进行提取。[结果]计算NDVI 的最佳红波段和近红外波段分别位于667.6 nm和926.95 nm，对应于CHRIS数据的第24波段和第55波段；选取HSV、Brovery、Gram-Schmidt 和PCA 4种融合方法进行融合，发现PCA融合图像的光谱信息丢失最少、纹理细节更丰富，信息量最大；PCA融合影像的总体精度为81.36%，比单角度影像提高7.93%，Kappa系数提高0.097 6，且苔草的漏分误差和泥蒿的错分误差得到明显改善。[结论]基于NDVI 的多角度信息融合是提高湿地植被识别精度的一种有效途径，多角度信息融合丰富了地物的信息量，提高地物识别精度。

多角度；NDVI；融合；湿地植被

湿地植被是湿地生态系统中最敏感的组成要素，直接反映湿地生态环境的变化状况，同时制约着湿地动物的数量与分布。随着遥感技术的发展与应用，利用遥感影像可以快速高效地监测大面积湿地植被[1-2]，有效避免了传统方法更新速度慢、难以深入调查等问题。然而，由于湿地植被特殊的复杂性和不确定性[3]，基于多光谱遥感影像很难精细划分湿地植被群落[4-5]。

高光谱遥感具有通道数多、波段间隔窄、图谱合一等特点，在湿地植被的分类识别和信息提取中具有独特的优势[6-7]。多角度同步观测从多个方向观测固定目标，能够反映地物反射率的各项异性，丰富目标的观测信息，提高地物的识别精度。紧密型高分辨率成像光谱仪(CHRIS)搭载在欧空局PROBA平台上，是唯一可以一次性获得5个角度高光谱数据的星载传感器。目前，国内外研究学者利用CHRIS数据的多角度和高光谱特性进行了许多研究。2005年，Guanter等[8]首次将CHRIS多角度数据与地面实测光谱进行对比分析，指出了高光谱和多角度结合的CHRIS数据在地球观测系统中的优势。2008年，Verrelst等[9]借助CHRIS多角度数据，研究森林和草地的各类植被指数对角度的灵敏性。2009年，Galvão等[10]利用CHRIS多角度数据，对亚马逊热带次生林演替进行识别，结果表明多角度结合可以提高分类精度。2010年，张西雅等[11]分析不同土地覆盖类别的多角度特征，并对多角度组合图像进行分类评价。2011年，韦玮等[12]将CHRIS+36°、0°和-36°三个角度影像的组合变换，对高寒沼泽湿地进行遥感分类。同年又提出将-36°的NDVI与0°影像进行Gram-Schmidt变换融合，并采用波谱角填图方法提取高寒沼泽湿地植被类型[13]。尽管研究者利用多角度数据进行许多研究，然而多角度信息结合的研究仍处于实验阶段，没有足够的理论支持。本研究利用多角度高光谱CHRIS/PROBA数据，分析不同角度下东洞庭湖湿地典型植被群落的光谱特征，研究运算NDVI的最佳角度和波段组合，同时确定多角度信息融合的最佳方法，并对融合影像进行湿地植被类型精细识别。

1 研究区概况及数据获取

1.1 研究区概况

1.2 遥感数据源

表1 CHRIS数据的成像顺序及角度特征

洞庭湖地区湿地植被生长茂盛，没被水体淹没，便于进行湿地植被提取。飞行时间为北京时间上午08:17，太阳高度角为59°。由于-55°和+55°两幅影像存在较严重的几何畸变，难以与另外3个角度的数据配准，且不能覆盖典型植被区，因此本研究只选择了0°、+36°和-36°影像作为原始数据进行研究。

表2 CHRIS数据模式1的波段通道

2 数据处理方法

2.1 CHRIS数据预处理

由于原始的CHRIS图像存在条带噪声、辐射误差和几何畸变等问题，因此需要对CHRIS影像依次进行一系列预处理操作。首先，对CHRIS数据进行噪声去除，目前普遍采用欧空局提供的HDFclean软件对图像进行缺失像元填充和条带去除，操作简单、效果较理想。其次，为了消除大气和光照等因素对地物反射的影响，得到地表真实的辐亮度，需要对CHRIS图像进行大气校正。使用ENVI软件中的FLAASH大气校正模块，其中输入的参数均可从CHRIS数据头文件中获得。然后，以2013年4月26日的Landsat8陆地成像仪OLI图像(空间分辨率为 30 m)为基准影像，结合先进星载热发射和反射辐射仪全球数字高程模型(ASTER GDEM)(空间分辨率为30 m)，对CHRIS数据进行正射校正。最后，对3个角度的CHRIS图像相互进行精确配准，将误差保持在1个像元内。

2.2 NDVI计算

归一化植被指数(NDVI)是植被生长状态和空间分布特征的最佳指示因子，且能够反映湿地植被冠层的背景影响，对湿地植被提取具有重要意义。计算公式为：

(1)

其中，DN为近红外、红波段的计数值(灰度值)；ρ为地表反射率。NDVI经过比值运算，可以部分消除地形、云和大气程辐射的影响；经过归一化处理，降低了传感器标定误差对不同波段的影响。大多数NDVI基于宽波段计算得到，容易受到土壤背景、潮湿地面、冠层结构等因素的影响[14-15]，而窄波段NDVI可以有效避免类似问题。

图1 芦苇、苔草和泥蒿3种湿地植被的冠层光谱特征Fig.1 Canopy spectral characteristics of phragmites communis, carex and wormwood

(2)

为了研究窄波段NDVI对不同观测角度的响应，分别使用+36°影像和-36°影像计算芦苇、苔草和泥蒿的NDVI。+36°NDVI值分别为0.774、0.743、0.699，标准偏差为0.037 5；-36°NDVI值分别为0.786、0.779、0.752，标准偏差为0.017 7。可以看出，+36°NDVI的离散度更大，更容易区分植被类型。这是由于+36°为前向观测，能更好地表达植被前向反射特性。这与Verrels等[9]关于草地+36°NDVI比-36°NDVI更灵敏的研究成果相一致。因此计算NDVI时，+36°影像优于-36°影像。

2.3 图像融合

将0°CHRIS影像与+36°NDVI进行像素级融合，选用下面的4种较常用的融合方法，探索CHRIS多角度数据的最佳融合方法。

(1)HSV融合

HSV融合是一种彩色变换的融合方法。其原理是先将由3个波段组合成的RGB图像变换为色度H(Hue)、饱和度S(Saturation)和亮度V(Value)图像，然后用高分辨率的图像代替亮度V图像，同时将色度H和饱和度S图像重采样到高分辨率像元尺寸，最后将图像变换回RGB空间。该方法受波段限制，输入的影像必须为3个波段，本研究选择Band 23、 13、3作为RGB波段进行运算。

(2)Brovey变换融合

Brovey变换融合，即色彩标准化变换融合，是对彩色图像和高分辨率数据的数学合成。其原理是将多光谱数据分解为色彩和亮度，归一化(标准化)后的多光谱图像与高分辨率图像进行乘积运算，从而使图像锐化。该算法较为简单，输出的RGB图像的像元与高分辨率数据的像元大小相同。Brovey变换对图像进行相关性加权运算，可以一定程度上消除大气的影响，增强图像的信息特征。

(3)PCA变换融合

主成分分析(PCA)，又称K_L变换，是图像编辑、数据压缩、图像增强、变化检测和图像融合的有效方法。它是一种计算多个变量之间相关性的多元统计方法，其思想是将数据的N维特征映射到相互正交的K(K

主成分变换融合是一种基于主成分变换的融合方法，其方法是先将N个波段的多光谱数据进行主成分变换，之后对高分辨率图像进行灰度拉伸，替换第一主成分PC1，最后主成分逆变换还原到原始空间。该融合方法不受波段限制。

(4)Gram-Schmid融合

GS光谱锐化方法(Gram-Schmidt Spectral Sharpening)是线性代数中Gram-Schmidt正交化算法在遥感领域的应用。GS变换是将图像进行正交化变换，变换后的各个分量相互正交，有效地消除了矩阵的冗余信息。与PCA变换不同的是，GS变换后的各个分量信息量差异不是十分明显，改进了PCA中信息过分集中的问题。Gram-Schmidt融合不受波段限制，具有较好的空间纹理信息，并保持融合前后影像光谱特征的一致性，是一种高保真的遥感影像融合方法。

2.4 图像融合质量的评价

目前融合效果评价方法主要从主观评价和客观评价两个方面进行。

主观评价主要是依据地物的实际状况或对目标对象的了解，从色调、纹理和清晰度等方面进行主观判断，定性地评价融合图像的质量。主观评价简洁直观，是评价融合图像的第一指标，可以直接判断图像的融合效果以及目视解译的难度程度。

客观评价是基于图像像元值统计特征来评价融合图像的方法，主要从信息量大小、图像纹理细节、图像亮度和相关性4个方面进行。本文选用“均值”判断图像亮度；“标准差和平均梯度”评价影像的清晰度和细节信息；“相关系数”评价融合影像与原始影像的相关性；“最佳指数(OIF)”评定融合图像信息量的大小。本文借助于Matlab编程语言，分别对4类融合影像进行公式(3)-(7)的统计运算。

(1)均值

均值x是图像像素灰度的平均值，对人眼来说为平均亮度。其定义为：

(3)

其中，X为图像像素值，M和N分别为图像的行列数。均值可以评价图像的亮度。均值与图像亮度成正比关系，即均值越大，图像越亮。然而均值并不是越大越好，一般来说，均值在亮度值的中值附近效果最佳，亮度最为适中，人眼观测最为清楚。

(2)标准差

标准差反映图像像元值的离散情况，标准差越大，图像灰度级越离散，从一定程度上说明纹理细节越清晰。计算公式如下：

(4)

(3)平均梯度

平均梯度是指图像中像元灰度值与邻近像元的变化率，即图像微小细节反差和纹理变化的速率。平均梯度越大，灰度变化率越大，图像细节变化越快，细节特征越明显，融合效果越好。其计算公式为:

(5)

(4)相关系数

相关系数是评价融合影像与原始影像相关性的重要指标。相关系数范围在[-1,1]内，相关系数越大，融合影像与原始影像光谱特征越相似；相关系数越小，融合影像的光谱变化程度越大。计算公式为：

(6)

(5)最佳指数(OIF)

最佳指数(OIF)是由美国查维茨Chavez等于1984年提出，其数学表达式为：

(7)

式中，σi为第i个波段的标准差，Rij为i、j两波段的相关系数。OIF是图像标准差与各波段间相关系数的函数，标准差越大，图像包含的信息量越大；而相关系数越小，表示各波段的独立性越强、信息冗余度越小。因此OIF越大，该图像的信息量越大，融合融合效果越佳。

3 结果与讨论

3.1 融合效果评价与分析

将CHRIS 0°影像与+36°NDVI分别进行4种方法的融合，融合后效果如图2所示。从目视效果看，PCA和GS变换融合能够保持原始图像的光谱信息，植被群落间的区分度得到增强，道路和建筑物等边缘信息清晰明显。

3.2 湿地植被信息提取

参考东洞庭湖地区的实际情况、《湿地公约》分类系统以及《全国湿地资源调查与监测技术规程》等，同时考虑CHRIS数据的可解译性，确立洞庭湖地区的遥感分类系统为水体、泥滩、芦苇群落、苔草群落、泥蒿群落、裸地、建筑用地6类。

对于CHRIS高光谱数据，首先使用最小噪声分离变换(MNF)将噪声和数据分离，以降低高光谱影像的维数[16]。然后运用支持向量机(SVM )监督分类方法分别对0°图像和PCA融合图像两幅影像进行分类。SVM在解决小样本、非线性及高维模式识别中具有明显优势，是高光谱遥感信息提取的有效分类方法[12]。分类结果如图3所示。

表4 不同融合方法结果的定量评价

图3 原始影像与融合影像的分类结果Fig.3 The classification results of the original image and the fused image

从目视效果看，CHRIS 0°图像中建筑用地的错分现象严重；PCA融合图像中苔草群落和泥蒿群落交错分布，更加符合植被群落自然生长的特点。根据野外调查样点，同时结合多期google earth影像，在CHRIS影像上随机选取3 800个验证样点，计算混淆矩阵，得到精度评价表(表5)。由表得出，PCA融合影像的总体分类精度为81.36%，比0°图像提高7.93%，且Kappa系数提高0.097 6。0°图像中苔草群落的生产者精度(42.89%)和泥蒿群落的用户精度(52.01%)较低，通过PCA融合，苔草群落的漏分误差和泥蒿群落的多分误差得到明显改善。这是由于0°影像的地面特征信息丰富，而+36°为前向观测，包含更多的地物反射信息，多角度信息融合丰富了地物的信息量，提高地物识别精度。

4 结论

针对东洞庭湖湿地植被，利用CHRIS多角度高光谱数据，探讨计算窄波段NDVI的最佳波段组合和角度，评价在多角度信息结合中不同融合方法的效果，通过对比分析0°影像和融合影像的分类结果，说明多角度信息融合的优势。主要结论如下：

表5 不同分类结果精度评价的比较

注：OA为总体精度；PA为生产者精度；UA为用户精度。

Note:OAis overall accuracy;PAis producers’precision;UAis users’precision.

(1)统计分析芦苇、苔草和泥蒿3种植被的光谱特征，发现计算NDVI的最佳红波段和近红外波段分别位于667.6 nm和926.95 nm，对应于CHRIS数据的第24波段和第55波段。

(2)从色调、纹理和清晰度等方面进行主观判断，同时计算均值、标准差、平均梯度、相关系数和最佳指数等指标，对4种融合方法进行融合质量评价。结果表明：PCA融合方法融合图像的信息量最大，OIF高达384.04，且红绿蓝波段的均值、标准差、平均梯度和相关系数均高于其它融合方法，说明PCA融合方法的光谱信息丢失最少、纹理细节更丰富，融合效果最好。

(3)运用SVM方法分别对CHRIS 0°影像和PCA融合影像进行监督分类，发现PCA融合影像总体精度为81.36%，比单角度影像提高7.93%，Kappa系数提高0.0976，且苔草群落的漏分误差和泥蒿群落的多分误差得到明显改善。

综上所述，多角度信息融合是提高湿地植被提取精度的有效途径，为今后利用多角度数据进行信息提取提供一定的技术参考。

[1] Petus C, Lewis M, White D. Monitoring temporal dynamics of Great Artesian Basin wetland vegetation, Australia, using MODIS NDVI[J]. Ecological Indicators, 2013, 34(11):41-52.

[2] 韦 玮, 崔丽娟, 李胜男, 等. 基于偏差平均值的乌梁素海湿地变化监测研究[J]. 林业科学研究, 2012, 25(6):719-725.

[3] Hestir E L, Khanna S, Andrew M E,etal. Identification of invasive vegetation using hyperspectral remote sensing in the California Delta ecosystem[J]. Remote Sensing of Environment, 2008, 112(11): 4034-4047.

[4] Laba M, Blair B, Downs R,etal. Use of textural measurements to map invasive wetland plants in the Hudson River National Estuarine Research Reserve with IKONOS satellite imagery[J]. Remote Sensing of Environment, 2010,114 (4):876-886.

[5] Cecilia D L, Toffolon M, Woodcock C E,etal. Interactions between river stage and wetland vegetation detected with a Seasonality Index derived from LANDSAT images in the Apalachicola delta, Florida[J]. Advances in Water Resources, 2016, 89:10-23.

[6] Siciliano D, Wasson K, Potts D C. Evaluating hyperspectral imaging of wetland vegetation as a tool for detecting estuarine nutrient enrichment[J]. Remote Sensing of Environment, 2008, 112(11):4020-4033.

[7] Adam E, Mutanga O, Rugege D. Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation: a review[J]. Wetlands Ecology and Management, 2010, 18(3):281-296.

[8] Guanter L, Alonso L, Moreno J,etal. First Results From the PROBA/CHRIS Hyperspectral/ Multiangular Satellite System Over Land and Water Targets[J]. IEEE Geoscience and Remote Sensing, 2005,2(3):250-254.

[9] Verrelst J, Schaepman M E, Koetz B.etal. Angular Sensitivity Analysis of Vegetation Indices Derived from CHRIS/PROBA data[J]. Remote Sensing of Environment, 2008,112:2341-2353.

[10] Galvão L S, Ponzoni F J, Liesenberg V,etal. Possibilities of discriminating tropical secondary succession in Amaznia using hyperspectral and multiangular CHRIS/PROBA data[J]. International Journal of Applied Earth Observation & Geoinformation, 2009, 11(1):8-14.

[11] 张西雅, 金慧然, 李培军. 多角度高光谱CHRIS/PROBA数据在土地覆盖分类中的应用[J]. 地理与地理信息科学, 2010, 26(5):68-71.

[12] 韦 玮, 李增元, 谭炳香, 等. 基于多角度高光谱CHRIS影像的隆宝滩湿地遥感分类方法研究[J].林业科学研究, 2011,24(2):159-164.

[13] 韦 玮, 李增元. 基于高光谱影像融合的湿地植被类型信息提取技术研究[J].林业科学研究,2011,24(3):300-306.

[14] Middleton E M. Solar Zenith Angle Effects on Vegetation Indices in Tall Grass Prairie[J]. Remote Sensing of Environment, 1991, 38(1):45-62.

[15] 林贤彪, 何 诗, 林 啸, 等. 波段位置和宽度对河口湿地4种植被NDVI的影响[J]. 遥感技术与应用, 2013,28(4):714-720.

[16] 魏新华, 吴 姝, 徐来齐, 等. 基于最小噪声分离的籽棉异性纤维高光谱图像识别[J]. 农业工程学报, 2014(9):243-248.

(责任编辑：彭南轩)

Research on the Extraction of Wetland Vegetation Information from CHRIS-PROBA Data Based on Multi-angle Image Fusion

LIWei-na1,WEIWei2,ZHANGHuai-qing1,LIUHua1,HAOShuang1

(1.Research Institute of Forest Resource Information Techniques，Chinese Academy of Forestry，Beijing 100091, China; 2.Institute of Wetland Research, Chinese Academy of Forestry，Beijing 100091, China)

[Objective]The purpose of this paper is to analyze the spectral characteristics of typical vegetation communities in East Dongting Lake Wetland using spaceborne angular hyperspectral imagery and research on the best fusion method based on multi angle information to identify the wetland vegetation types precisely. [Method]According to the spectral feature of wetland vegetation in Dongting Lake, the optimal angle and the best band combination were studied to calculate narrow-band NDVI using CHRIS data. It focuses on evaluating the methods of fusing 0 degree image and NDVI in pixel level. And then wetland vegetation information in Dongting Lake was extracted. [Result]The results show that the best red band and near infrared band to calculate NDVI locate at 667.6 nm and 926.95 nm, corresponding to the 24th and 55th band of CHRIS data. HSV, Brovery, Gram-Schmidt and PCA fusion methods were selected to evaluate the fusion effect. It is found that the image used PCA fusion method suffered from the least loss of spectral information and had the richest texture details and maximum information content. The overall classification accuracy of multi-angle fusion image is 81.36%, 7.93% higher than that of single angle image. The Kappa coefficient improved 0.097 6. In addition, the omission error of Carex and the misclassification error ofArtemisiaselengensisgot obvious improvement. [Conclusion]It shows that multi-angle fusion based on NDVI is an effective way to improve the accuracy extracting vegetation information. Multi-angle information fusion can enrich the information of the observation target and improve the accuracy of recognition accuracy.

multi-angle; NDVI; fusion; wetland vegetation

2016-04-05 基金项目： 国家自然科学基金(31370712)、国家高分重大专项课题(21-Y30B05-9001-13/15-2)。 作者简介： 李伟娜(1990—)，女，在读研究生。主要研究方向：湿地遥感监测技术。E-mail : angel860514@gmail.com。 * 通讯作者.

10.13275/j.cnki.lykxyj.2017.02.011

S771.8

A

1001-1498(2017)02-0260-08