王霄鵬, 張　杰, 任廣波,馬　毅

(1.大連海事大學(xué)，遼寧 大連 116026；2.青島大學(xué), 山東 青島 266071；3.國家海洋局 第一海洋研究所，山東 青島 266061)

基于光譜特征空間的監(jiān)督分類中包絡(luò)線去除效能評價

王霄鵬1,2,3, 張杰1,3, 任廣波3,馬毅3

(1.大連海事大學(xué)，遼寧 大連 116026；2.青島大學(xué), 山東 青島 266071；3.國家海洋局 第一海洋研究所，山東 青島 266061)

對覆蓋黃河口濱海濕地的PROBA CHRIS高光譜遙感影像進(jìn)行包絡(luò)線去除變換，采用6種常用的基于光譜特征空間的監(jiān)督分類算法對變換前后的影像數(shù)據(jù)進(jìn)行濱海濕地典型地物分類，通過目視對比分析和定量分析相結(jié)合的方法分析比較變換前后的分類結(jié)果，評價包絡(luò)線去除方法對該類算法影響的效果和能力。結(jié)果表明，包絡(luò)線去除方法能夠提高部分監(jiān)督分類算法針對濱海濕地典型植被類型的區(qū)分和識別能力；但由于濱海濕地內(nèi)具有面積較大的裸灘和渾濁水體，這兩類地物在影像中的光譜特征相近，而包絡(luò)線去除方法并不能解決二者的誤分問題，因此并不能提高該類算法針對CHRIS高光譜遙感影像的總體分類精度。

高光譜；CHRIS；包絡(luò)線去除；濱海濕地；分類

高光譜影像光譜分辨率高、波段眾多，能夠獲取地物幾乎連續(xù)的光譜曲線[1]。因此，高光譜影像包含豐富的地物光譜信息，而不同地物類型的光譜特征不同，這正是高光譜遙感技術(shù)應(yīng)用于遙感監(jiān)測和地物分類的理論基礎(chǔ)[2]。然而，不同數(shù)據(jù)源所獲取的光譜信息并不完全一致，這給研究者采用多源高光譜數(shù)據(jù)進(jìn)行研究帶來了困難：不同的傳感器由于其指標(biāo)參數(shù)不同，所獲取的光譜信息有所不同；相同地物的實(shí)驗(yàn)室光譜和野外光譜由于測量環(huán)境不同，也具有一定差別。為了弱化或消除這種差別，研究人員引入了多種光譜分析方法，其中之一是包絡(luò)線去除法(Continuum Removal, CR)。

包絡(luò)線去除法是一種非線性光譜分析方法，它可以有效地突出光譜曲線的吸收和反射特征，并將其歸一化到一致的光譜背景上，有利于和其他光譜曲線進(jìn)行特征數(shù)值的比較，從而提取出特征波段以供分類識別[3]。近年來，該方法被廣泛應(yīng)用于高光譜特征提取和遙感地物分類等研究領(lǐng)域。Rodger等使用簡化二次型法和包絡(luò)線去除法評估礦石光譜曲線在短波紅外范圍內(nèi)的吸收特征[4]。Youngentob等使用多端元光譜混合分析法和包絡(luò)線去除法對高光譜遙感數(shù)據(jù)中的桉樹種類進(jìn)行區(qū)分[5]。Gomez等通過對包絡(luò)線去除法和PLSR方法進(jìn)行比較，利用實(shí)驗(yàn)室和機(jī)載高光譜數(shù)據(jù)測量土壤成分[6]。Skidmore等采用包絡(luò)線去除方法分析玉米光譜曲線測量天然氣對其光譜反射率的影響[7]。白繼偉等針對原始PHI高光譜圖像文件和去包絡(luò)線后的圖像文件比較了最大似然分類法和光譜角度匹配法兩種算法的分類結(jié)果[8]。丁麗霞等基于包絡(luò)線法對不同樹種葉片ASD高光譜數(shù)據(jù)進(jìn)行了特征分析[9]。樊磊等利用包絡(luò)線去除法對巖石光譜進(jìn)行分析并提取巖石相關(guān)的特征波段[10]。趙釗等運(yùn)用包絡(luò)線去除法和相關(guān)系數(shù)法分析植物含水率與反射光譜之間的關(guān)系，揭示了9種荒漠植被的含水率和對應(yīng)的特征波段[11]。劉麗娟等利用包絡(luò)線去除方法實(shí)現(xiàn)了機(jī)載CASI和SASI高光譜數(shù)據(jù)整合，進(jìn)而應(yīng)用光譜微分及曲線匹配技術(shù)，選取SVM分類器實(shí)現(xiàn)了研究區(qū)的樹種填圖[12]。分析以上研究可以發(fā)現(xiàn)，現(xiàn)階段包絡(luò)線去除方法多作為一種歸一化手段用于特征光譜精細(xì)分析或高光譜影像分類前的預(yù)處理工作，然而針對包絡(luò)線去除方法在濱海濕地高光譜遙感分類中對多種常用監(jiān)督分類算法的影響和效能進(jìn)行系統(tǒng)、定量分析評價的工作并不多見。

本文以覆蓋黃河口濱海濕地范圍的PROBA CHRIS高光譜遙感影像為實(shí)驗(yàn)數(shù)據(jù)，首先對影像進(jìn)行包絡(luò)線去除處理，然后采用6種常用的基于光譜特征空間的監(jiān)督分類算法對包絡(luò)線去除前后的影像進(jìn)行濱海濕地典型地物分類(采用同一訓(xùn)練樣本)，分析比較包絡(luò)線去除前后各算法分類精度及受包絡(luò)線去除變化的影響，從而針對濱海濕地高光譜分類應(yīng)用中包絡(luò)線去除方法對該類監(jiān)督分類算法影響的效果和能力進(jìn)行評價。

1　數(shù)據(jù)與方法

1.1實(shí)驗(yàn)數(shù)據(jù)及預(yù)處理

PROBA是歐洲空間局于2001-10-22發(fā)射的一顆小型太陽同步軌道衛(wèi)星，軌道高度615 km，傾角97.89°。衛(wèi)星上搭載了緊湊式高分辨率成像分光計 (Compact High Resolution Imaging Spectrometer,CHRIS)，成像光譜范圍為400～1 050 nm，光譜分辨率1.25～11.00 nm，地面空間分辨率17或34 m。CHRIS傳感器有5種成像模式[13]，具體的工作參數(shù)如表1所示。每種成像模式均能獲取同一地點(diǎn)5個角度的影像，分別為0°，+36°，-36°, +55°和-55°[14]。

表1　CHRIS傳感器成像模式

本文所用的試驗(yàn)數(shù)據(jù)為2012-06-01獲取的黃河口濕地CHRIS影像[15]，傳感器工作模式為模式2，視角為0°。CHRIS數(shù)據(jù)預(yù)處理主要包括條帶噪聲去除、大氣校正等步驟。本文采用歐空局提供的BEAM軟件進(jìn)行相關(guān)預(yù)處理，該軟件的主要功能是對歐空局提供的遙感影像進(jìn)行預(yù)處理和分析。經(jīng)過BEAM軟件處理后的CHRIS影像，垂直和水平條帶噪聲被消除，影像灰度值變化不大，去噪效果良好；將原始影像的幅亮度數(shù)據(jù)轉(zhuǎn)換為反射率數(shù)據(jù)，消除了大氣影響。將整景影像作為實(shí)驗(yàn)數(shù)據(jù)，預(yù)處理后的影像(以下稱原始影像)如圖1a所示，對該影像進(jìn)行包絡(luò)線去除變換，變換后的影像(以下稱包絡(luò)線去除影像)由R為786.1 nm，G為593.2 nm，B為511.5 nm假彩色合成，如圖1b所示。

1.2現(xiàn)場踏勘

實(shí)驗(yàn)影像覆蓋的區(qū)域位于黃河口入?？谛吕虾拥澜唤缣?。該區(qū)域地物類型豐富，其中天然濕地包括蘆葦、翅堿蓬、檉柳和灘涂等地物，人工濕地包括養(yǎng)殖水面、水庫和坑塘。為了準(zhǔn)確評價實(shí)驗(yàn)的地物分類精度，于2012-09赴該區(qū)域開展現(xiàn)場踏勘，采用典型樣區(qū)和路線記錄的方法采集現(xiàn)場地物類型，共獲取高光譜數(shù)據(jù)100余組，地物照片230張。應(yīng)用上述現(xiàn)場資料，并結(jié)合同時期的高分辨率遙感影像進(jìn)行人機(jī)交互解譯，提取生成CHRIS圖像覆蓋區(qū)域的地物解譯圖像(圖2)，將研究區(qū)域分為蘆葦、裸灘/裸地、清澈水體(海水及坑塘水面)、渾濁水體(黃河河道)、堿蓬和檉柳六類濱海濕地典型地物類型，以此作為監(jiān)督分類的標(biāo)準(zhǔn)和評價依據(jù)，并選取光譜信息代表性較好且分布均勻的斑塊作為訓(xùn)練樣本，如圖3所示。

圖2　現(xiàn)場踏勘地物信息圖Fig.2　Interpreting image based on field work

圖3　訓(xùn)練樣本Fig.3　Training samples

1.3包絡(luò)線去除

包絡(luò)線去除是一種將反射率光譜歸一化的方法，經(jīng)過包絡(luò)線去除后的影像，噪聲得到有效抑制，突出了地物光譜的特征信息，有利于進(jìn)行地物識別和分類。包絡(luò)線是連接波譜頂部的凸起(局部波譜最大值)的直線段擬合。包絡(luò)線去除法采用的公式[16]為

(1)

式中，Scr表示包絡(luò)線去除結(jié)果；S表示初始波譜；C表示包絡(luò)曲線。

采用公式(1)對原始影像進(jìn)行包絡(luò)線去除變化，得到包絡(luò)線去除影像。對比圖1中的原始影像和包絡(luò)線去除影像，通過目視解譯可以發(fā)現(xiàn)，包絡(luò)線去除后影像整體的光譜特征發(fā)生了較明顯的變化，其中以水體和綠色植被的表現(xiàn)最為明顯。

2　光譜曲線分析

在圖1a和圖1b中的相同位置選取6種地物類型的訓(xùn)練樣本(圖3)，并提取該6種地物類型的平均光譜曲線(每種地物樣本選取約500個樣本點(diǎn)，計算其各波段反射率均值)，包絡(luò)線去除方法對平均光譜曲線的變化效果如圖4所示。圖4a原始影像中，6種地物在波長411.3 nm(波段1)至692.7 nm(波段13)的光譜范圍內(nèi)相差不大，反射率都在0.2以下，僅在波長710.7 nm(波段14)至1 026.7 nm(波段18)的光譜范圍內(nèi)差別較大，尤其是渾濁水體和裸灘/裸地兩種地物，其光譜曲線比較接近，只在波長1 026.7 nm(波段18)處差別稍大；包絡(luò)線去除變換后，如圖4b所示，6種地物光譜曲線的形狀差別增大，在波長491.8 nm(波段3)至波長878.6 nm(波段17)范圍內(nèi)，差別都比較明顯。因此，從理論上講，當(dāng)?shù)匚锕庾V數(shù)量較多、光譜形狀差別較小時，引入包絡(luò)線去除方法，可以突出光譜曲線的吸收和反射特征，增大不同地物光譜形狀的差別，提高某些地物的可分性。

圖4　典型地物光譜曲線Fig.4　Typical wetlands spectral curves

3　分類與評價

選取二進(jìn)制編碼、最小距離法、馬氏距離法、光譜角填圖、光譜信息散度和支持向量機(jī)六種典型的基于光譜特征空間的監(jiān)督分類算法，對圖1中的兩景實(shí)驗(yàn)數(shù)據(jù)進(jìn)行監(jiān)督分類(采用相同的訓(xùn)練樣本，圖3)，并基于圖2的地物信息進(jìn)行分類精度計算，對分類結(jié)果采用目視分析和定量分析兩種方法進(jìn)行比較分析，評價包絡(luò)線去除變換對各算法分類精度及對各類地物分類效果的影響。

3.1二進(jìn)制編碼(Binary Encoding，BE)

BE算法的分類結(jié)果如圖5所示。圖5a為包絡(luò)線去除之前的原始影像分類結(jié)果，圖5b為包絡(luò)線去除之后的影像分類結(jié)果。

通過目視分析可以發(fā)現(xiàn)，包絡(luò)線去除前的影像分類結(jié)果比較平整，碎斑較少，對于蘆葦和清澈水體的分類比較準(zhǔn)確，但是影像整體有部分裸灘/裸地被誤分為渾濁水體，影像左上部部分裸灘/裸地被誤分為堿蓬，影像下部部分裸灘/裸地被誤分為蘆葦；包絡(luò)線去除以后的影像分類結(jié)果碎斑較多，對蘆葦?shù)姆诸惐容^準(zhǔn)確，但對其他地物的分類結(jié)果較差，影像上部和下部絕大部分裸灘/裸地被誤分為渾濁水體和堿蓬，影像上部部分清澈水體被誤分為渾濁水體，影像下部部分裸灘/裸地被誤分為蘆葦。

圖5　BE分類結(jié)果Fig.5　BE classification results

包絡(luò)線去除前后BE算法的分類精度見表2。由表2可知，包絡(luò)線去除后蘆葦?shù)纳a(chǎn)者精度和用戶精度均有所提高，但變化不明顯(變化量<3%)；堿蓬的生產(chǎn)者精度具有明顯(變化量≥3%)提高，用戶精度變化不明顯；檉柳的生產(chǎn)者精度有明顯降低，而用戶精度有明顯提高；清澈水體的生產(chǎn)者精度和用戶精度有明顯降低；渾濁水體的生產(chǎn)者精度有明顯提高，而用戶精度下有明顯降低；裸灘/裸地的生產(chǎn)者精度有明顯降低，而用戶精度有明顯提高；分類結(jié)果的總體分類精度和Kappa系數(shù)下降明顯。

表2　包絡(luò)線去除前、后BE算法分類精度比較

3.2最小距離法(Minimum Distance，MinD)

MinD算法的分類結(jié)果如圖6所示。圖6a為包絡(luò)線去除之前的原始影像分類結(jié)果，圖6b為包絡(luò)線去除之后的影像分類結(jié)果。

通過目視分析可以發(fā)現(xiàn)，包絡(luò)線去除前的影像分類結(jié)果比較平整，碎斑較少，對于蘆葦和清澈水體的分類比較準(zhǔn)確，但是影像上部有部分裸灘/裸地被誤分為堿蓬，影像整體下部有部分裸灘/裸地被誤分為渾濁水體；包絡(luò)線去除以后的影像分類結(jié)果碎斑較多，對蘆葦?shù)姆诸惐容^準(zhǔn)確，影像整體有大片裸灘/裸地被誤分為堿蓬和渾濁水體，影像上部有部分清澈水體被誤分為渾濁水體。

圖6　MinD算法分類結(jié)果Fig.6　MinD classification results

包絡(luò)線去除前、后MinD算法分類精度見表3。由表3可以發(fā)現(xiàn)，包絡(luò)線去除后蘆葦?shù)纳a(chǎn)者精度和用戶精度無明顯變化；堿蓬和檉柳的生產(chǎn)者精度有明顯降低，用戶精度無明顯變化；清澈水體的生產(chǎn)者精度有明顯降低，而用戶精度有明顯提高；渾濁水體的生產(chǎn)者精度有明顯提高，而用戶精度有明顯降低；裸灘/裸地的生產(chǎn)者精度和用戶精度均有明顯降低；分類結(jié)果的總體分類精度和Kappa系數(shù)下降明顯。

表3　包絡(luò)線去除前、后MinD算法分類精度比較

3.3馬氏距離(Mahalanobis Distance，MahD)

MahD算法的分類結(jié)果如圖7所示。圖7a為包絡(luò)線去除之前的原始影像分類結(jié)果，圖7b為包絡(luò)線去除之后的影像分類結(jié)果。

通過目視分析可以發(fā)現(xiàn)包絡(luò)線去除前后的影像分類結(jié)果比較接近，碎斑均比較多。包絡(luò)線去除前的分類結(jié)果，對蘆葦和渾濁水體的分類比較準(zhǔn)確，但是影像整體有部分裸灘/裸地被誤分為堿蓬，影像上部有小片裸灘/裸地被誤分為渾濁水體，影像下部有少量清澈水體被誤分為堿蓬；包絡(luò)線去除以后的影像分類結(jié)果碎斑更多，對蘆葦?shù)姆诸惐容^準(zhǔn)確，影像整體裸灘/裸地被誤分為堿蓬現(xiàn)象更為嚴(yán)重，影像上部有部分裸灘/裸地和清澈水體被誤分為渾濁水體，影像下部有小部分裸灘/裸地被被誤分為渾濁水體。

圖7　MahD算法分類結(jié)果Fig.7　MahD classification results

包絡(luò)線去除前、后MahD算法分類精度見表4。由表4可以發(fā)現(xiàn)，包絡(luò)線去除后蘆葦?shù)纳a(chǎn)者精度有明顯降低，用戶精度無明顯變化；堿蓬的生產(chǎn)者精度和用戶精度無明顯變化；檉柳的生產(chǎn)者精度有明顯降低，而用戶精度無明顯變化；清澈水體的生產(chǎn)者精度有明顯降低，而用戶精度有明顯提高；渾濁水體和裸灘/裸地的生產(chǎn)者精度和用戶精度均有明顯降低；分類結(jié)果的總體分類精度和Kappa系數(shù)下降明顯。

表4　包絡(luò)線去除前、后MahD算法分類精度比較

3.4光譜角填圖(Spectral Angle Mapper，SAM)

SAM算法的分類結(jié)果如圖8所示。圖8a為包絡(luò)線去除之前的原始影像分類結(jié)果，圖8b為包絡(luò)線去除之后的影像分類結(jié)果。

通過目視分析可以發(fā)現(xiàn)包絡(luò)線去除前的影像分類結(jié)果比較平整，碎斑較少，對于蘆葦?shù)姆诸惐容^準(zhǔn)確，但是影像上部和下部有部分裸灘/裸地被誤分為渾濁水體和堿蓬，影像右部和中部有部分蘆葦被誤分為檉柳；包絡(luò)線去除以后的影像分類結(jié)果碎斑較多，對蘆葦?shù)姆诸惐容^準(zhǔn)確，但影像上部和中部裸灘/裸地被誤分為渾濁水體和堿蓬的現(xiàn)象更為嚴(yán)重。

圖8　SAM算法分類結(jié)果Fig.8　SAM classification results

包絡(luò)線去除前、后SAM算法分類精度見表5。由表5可以發(fā)現(xiàn)，包絡(luò)線去除后蘆葦?shù)纳a(chǎn)者精度有明顯提高，而用戶精度無明顯變化；堿蓬和檉柳的生產(chǎn)者精度有明顯降低，用戶精度有少許提高，但不明顯；清澈水體和裸灘/裸地的生產(chǎn)者精度有明顯降低，而用戶精度有明顯提高；渾濁水體的生產(chǎn)者精度有明顯提高，而用戶精度有明顯降低；分類結(jié)果的總體分類精度和Kappa系數(shù)無明顯變化。

表5　包絡(luò)線去除前、后SAM算法分類精度比較

3.5光譜信息散度(Spectral Information Divergence，SID)

SID算法的分類結(jié)果如圖9所示。圖9a為包絡(luò)線去除之前的原始影像分類結(jié)果，圖9b為包絡(luò)線去除之后的影像分類結(jié)果。

通過目視分析可以發(fā)現(xiàn)包絡(luò)線去除前的影像分類結(jié)果比較平整，碎斑較少，對于蘆葦分類比較準(zhǔn)確，但是影像上部和下部均有部分裸灘/裸地被誤分為堿蓬和渾濁水體，影像整體有部分清澈水體被誤分為渾濁水體；包絡(luò)線去除以后的影像分類結(jié)果碎斑較多，對蘆葦?shù)姆诸惐容^準(zhǔn)確，影像上部仍有部分裸灘/裸地被誤分為堿蓬，但影像下部裸灘/裸地被誤分為堿蓬的面積有所降低，影像上部有大片裸灘/裸地被誤分為渾濁水體。

圖9　SID算法分類結(jié)果Fig.9　SID classification results

包絡(luò)線去除前、后SID算法分類精度見表6。由表6可以發(fā)現(xiàn)，包絡(luò)線去除后蘆葦?shù)纳a(chǎn)者精度有明顯提高，用戶精度有明顯降低；堿蓬和檉柳的生產(chǎn)者精度和用戶精度均有所提高，但變化并不明顯；檉柳的生產(chǎn)者精度無明顯變化，而用戶精度均有明顯提高；清澈水體和裸灘/裸地的生產(chǎn)者精度和用戶精度均有明顯降低；渾濁水體的生產(chǎn)者精度無明顯變化，而用戶精度有明顯降低；分類結(jié)果的總體分類精度和Kappa系數(shù)無明顯變化。

表6　包絡(luò)線去除前、后SID算法分類精度比較

3.6支持向量機(jī)(Support Vector Machine，SVM)

SVM算法的分類結(jié)果如圖10所示。圖10a為包絡(luò)線去除之前的原始影像分類結(jié)果，圖10b為包絡(luò)線去除之后的影像分類結(jié)果。

通過目視分析可以發(fā)現(xiàn)，包絡(luò)線去除前后的影像分類結(jié)果均比較平整，碎斑較少。包絡(luò)線去除前的影像分類結(jié)果，對于蘆葦和清澈水體的分類比較準(zhǔn)確，但是影像左上部有小片的裸灘/裸地被誤分為堿蓬，影像下部有小片的裸灘/裸地被誤分為渾濁水體，影像中部有部分裸灘/裸地被誤分為蘆葦；包絡(luò)線去除以后的影像分類結(jié)果碎斑較多，對蘆葦?shù)姆诸惐容^準(zhǔn)確，但是影像左上部仍有小片的裸灘/裸地被誤分為堿蓬，影像右上部和下部有小片的裸灘/裸地被誤分為渾濁水體，影像中部仍有部分裸灘/裸地被誤分為蘆葦。

圖10　SVM算法分類結(jié)果Fig.10　SVM classification results

包絡(luò)線去除前、后SVM算法分類精度見表7。由表7可以發(fā)現(xiàn)，包絡(luò)線去除后蘆葦?shù)纳a(chǎn)者精度和用戶精度均無明顯變化；堿蓬的生產(chǎn)者精度有明顯提高，而用戶精度無明顯變化；檉柳的生產(chǎn)者精度有明顯降低，而用戶精度有明顯提高；清澈水體和裸灘/裸地的生產(chǎn)者精度有明顯降低，用戶精度無明顯變化；渾濁水體和生產(chǎn)者精度和用戶精度有明顯降低；分類結(jié)果的總體分類精度無明顯變化，而Kappa系數(shù)下降明顯。

表7　包絡(luò)線去除前、后SVM算法分類精度比較

3.7總體評價

綜上所述，以上6種典型監(jiān)督分類算法中，SVM算法的分類精度最高，其他5種算法的分類精度均比較低；所有的分類結(jié)果中，均表現(xiàn)為蘆葦?shù)姆诸惥茸罡撸鴫A蓬、裸灘/裸地和渾濁水體的分類精度較低，其誤分現(xiàn)象比較嚴(yán)重。

1)包絡(luò)線去除變換以后，6種算法中總體分類精度和Kappa系數(shù)均有較明顯降低的是BE算法、MinD算法、MahD算法和SVM算法，無明顯變化的是SAM算法和SID算法?？傮w來說，包絡(luò)線去除方法在基于光譜特征空間的濱海濕地監(jiān)督分類應(yīng)用中并不能提高遙感影像的總體分類精度，原因是濱海濕地內(nèi)部存在著大面積的裸灘/裸地和渾濁水體，這兩種地物在影像上均具有面積大、過渡平緩、光譜曲線相對平直的特點(diǎn)，包絡(luò)線去除變換后這些地物類型的光譜曲線仍舊相似，同時又忽略了原始圖像的灰度值信息，使得分類算法針對以上兩種地物類型的誤分現(xiàn)象更加嚴(yán)重，從而導(dǎo)致分類精度降低。

2)包絡(luò)線去除變換以后，6種算法中蘆葦、檉柳、堿蓬三種植被類型的分類精度有所提高的是BE算法、SID算法和SVM算法，原因是在以上算法的分類過程中，包絡(luò)線去除變換增大了植被與其他地物類型之間的特征差異，從而提高了以上算法對濱海濕地典型植被類型的區(qū)分和識別能力。

4　結(jié)　論

本研究使用包絡(luò)線去除方法對黃河口濱海濕地的PROBA CHRIS高光譜遙感影像進(jìn)行變換處理，分析變換前、后典型地物類型光譜曲線的特征變化情況，并采用6種常用的基于光譜特征空間的監(jiān)督分類算法對變換前后的影像進(jìn)行濱海濕地典型地物分類，比較評價包絡(luò)線去除方法對各算法分類能力的影響。主要結(jié)論如下：

1)包絡(luò)線去除方法能夠提高部分基于光譜特征空間的監(jiān)督分類算法對高光譜遙感影像濱海濕地典型植被類型的區(qū)分和識別能力。

2)濱海濕地高光譜遙感影像內(nèi)部存在面積較大的裸灘/裸地和渾濁水體區(qū)域，而包絡(luò)線去除方法并不能很好地解決所采用的監(jiān)督分類算法中該類地物類型的誤分問題，因此不能提高該類影像的總體分類精度。

3)由于所獲取的與現(xiàn)場踏勘時間對應(yīng)的高光譜遙感影像資源有限，本文僅對一景CHRIS影像進(jìn)行分析。在進(jìn)一步的研究中，將嘗試包絡(luò)線去除方法應(yīng)用于光譜分辨率更高、波段更多的高光譜數(shù)據(jù)(Hyperion高光譜遙感影像和現(xiàn)場光譜數(shù)據(jù))，針對更細(xì)致的分類體系(濱海濕地植被類型精細(xì)分類等方向)進(jìn)行研究。

4)此外，濱海濕地衛(wèi)星高光譜遙感影像中存在大面積的堿蓬、裸灘/裸地和渾濁水體等區(qū)域，其中堿蓬一般比較稀疏，遙感影像在該范圍采集的光譜實(shí)際為堿蓬和土壤的混合光譜，裸灘/裸地和渾濁水體為水和泥沙、土壤的混合光譜，以上3種地物在影像中均表現(xiàn)為混合像元的特性。在進(jìn)一步的研究中，應(yīng)嘗試包絡(luò)線去除方法與線性光譜分解方法進(jìn)行結(jié)合，以解決高光譜遙感影像分類中混合像元的誤分問題。

[1]ZHANG B, GAO L R. Hyperspectral image classification and target detection[M].Beijing:Scinece Press, 2011. 張兵, 高連如. 高光譜圖像分類與目標(biāo)探測[M]．北京：科學(xué)出版社，2011.

[2]GOETZ A F H. Three decades of hyperspectral remote sensing of the earth: A personal view[J].Remote Sensing of Environment, 2009, 113(supp.1):5-16.

[3]TONG Q X, ZHANG B, ZHENG L F. Hyperspectral remote sensing[M].Beijing: Higher Education Press, 2006. 童慶禧, 張兵, 鄭蘭芬. 高光譜遙感——原理、技術(shù)與應(yīng)用[M].北京：高等教育出版社, 2006.

[4]RODGER A, LAUKAMP C, HAEST M, et al. A simple quadratic method of absorption feature wavelength estimation in continuum removed spectra[J].Remote Sensing of Environment, 2012, 118: 273-283.

[5]YOUNGENTOB K N, ROBERTS D A, HELD A A, et al. Mapping two eucalyptus subgenera using multiple endmember spectral mixture analysis and continuum-removed imaging spectrometry data[J].Remote Sensing of Environment, 2011, 115: 1115-1128.

[6]GOMEZ C, LAGACHERIE P, COULOUMA G. Continuum removal versus PLSR method for clay and calcium carbonate content estimation from laboratory and airborne hyperspectral measurements[J].Geoderma, 2008, 148: 141-148.

[7]SKIDMORE A K, PRINS H H T, VAN DER MEER F D, et al. Continuum removed band depth analysis for detecting the effects of natural gas, methane and ethane on maize reflectance[J].Remote Sensing of Environment, 2006, 105: 262-270.

[8]BAI J W, ZHAO Y C, ZHANG B, et al. Study on the classification methods of the hyperspectral image based on the continuum removed[J].Computer Engineering and Application, 2003, 38 (13): 88-100. 白繼偉, 趙永超, 張兵, 等. 基于包絡(luò)線消除的高光譜圖像分類方法研究[J].計算機(jī)工程與應(yīng)用, 2003, 38 (13): 88-100.

[9]DING L X, WANG Z H, GE H L. Continuum removal based hyperspectral characteristic analysis of leaves of different tree species[J].Journal of Zhejiang Forestry College, 2010, 27(6): 809-81. 丁麗霞, 王志輝, 葛宏立. 基于包絡(luò)線法的不同樹種葉片高光譜特征分析[J].浙江林學(xué)院學(xué)報, 2010, 27(6): 809-81.

[10]FAN L, ZHAO W J, GONG Z N, et al. Correspondence analysis of rock spectra based on continuum removing[J].Journal of Jilin University: Earth Science Edition, 2012, 42 (2): 575-582. 樊磊, 趙文吉, 宮兆寧, 等. 基于包絡(luò)線消除法的巖石光譜對應(yīng)分析[J].吉林大學(xué)學(xué)報: 地球科學(xué)版, 2012, 42 (2): 575-582.

[11]ZHAO Z, LI X, YIN Y B, et al. Analysis of spectral features based on water content of desert vegetation[J].Spectroscopy and Spectral Analysis, 2010,30(9): 2500-2503. 趙釗, 李霞, 尹業(yè)彪, 等. 荒漠植物含水量的光譜特征分析[J].光譜學(xué)與光譜分析, 2010,30(9): 2500-2503.

[12]LIU L J, PANG Y, FAN W Y, et al. Integration of airborne hyperspectral CASI and SASI data for tree species mapping in the boreal forest,China[J].Remote Sensing Technology and Application, 2011, 26(2): 129-136. 劉麗娟, 龐勇, 范文義, 等. 整合機(jī)載CASI和SASI高光譜數(shù)據(jù)的北方森林樹種填圖研究[J].遙感技術(shù)與應(yīng)用, 2011, 26(2): 129-136.

[13]CAO B, TAN B X. Characteristics and preprocessing of multi-angle hyperspectral CHIRS data[J].Journal of Anhui Agricultural Sciences, 2010, 38(22): 12289-12294. 曹斌, 譚炳香. 多角度高光譜CHRIS數(shù)據(jù)特點(diǎn)及預(yù)處理研究[J].安徽農(nóng)業(yè)科學(xué), 2010, 38(22): 12289-12294.

[14]BARNSIEY M J, SETTLE J J, CUTTER M A, et a1. The PROBA/CHRIS mission：A low-cost smallsat for hyperspectral multiangle observations of the Earth surface and atmosphere[J].IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(7): 1512-1520．

[15]EUROPEAN SPACE AGENCY. Online Archives[EB/OL].[2013-02-10].http:∥earth.esa.int/web/guest/data-access/online-archives.

[16]DENG S B. ENVI remote sensing image[M].Beijing: Science Press, 2010. 鄧書斌. ENVI遙感圖像處理方法[M].北京：科學(xué)出版社, 2010.

Received: February 10, 2013

Validity Evaluation of Continuum Removal in the Supervised Classification Based on Spectral Feature Space

WANG Xiao-peng1,2,3， ZHANG Jie1,3，REN Guang-bo3, MA Yi3

(1.DalianMaritimeUniversity, Dalian 116026, China; 2.QingdaoUniversity, Qingdao 266071, China;3.TheFirstInstituteofOceanography,SOA, Qingdao 266061, China)

The continuum removal method was applied on the PROBA CHRIS hyperspectral remote sensing image of the coastal wetland in the Yellow River Estuary. Six classical supervised classification methods were implemented on the image before and after the continuum removal transformation for the land cover classification, and then the classification results were compared by artificial interpretation and quantitative analysis. The aim of this research is to evaluate the effect of the continuum removal transformation on the supervised classification. Experimental results show that, the continuum removal transformation is capable of improving the classification ability of certain supervised classification algorisms in the coastal wetlands classification by hyperspectral images. But the continuum removal method cannot solve the issue of misclassification between the bare beach and turbid water, which generally co-exist in the coastal wetlands and share the similar characteristics. Therefore it could not improve the overall classification accuracy of the supervised classification methods on CHRIS hyperspectral images.

CHRIS; continuum removal; coastal wetland; classification

2013-02-10

國家自然科學(xué)青年基金——海岸帶遙感影像半監(jiān)督學(xué)習(xí)自動化分類方法研究——以黃河三角洲濱海濕地分類為例(41206172)

王霄鵬(1981-)，男，山東棗莊人，博士研究生，實(shí)驗(yàn)師，主要從事遙感圖像處理、數(shù)據(jù)挖掘方面研究.E-mail：qduwxp@163.com

(王燕編輯)

TP751.1

A

1671-6647(2015)02-0195-12