衛(wèi)寶泉， 索安寧， 李穎， 趙建華

(1.大連海事大學(xué)航海學(xué)院，大連 116026； 2.國(guó)家海洋環(huán)境監(jiān)測(cè)中心，大連 116023)

0 引言

近年來(lái)，隨著中國(guó)衛(wèi)星遙感技術(shù)的飛速發(fā)展，資源三號(hào)(ZY-3)、高分一號(hào)和高分二號(hào)等國(guó)產(chǎn)衛(wèi)星的多傳感器、高空間分辨率光學(xué)遙感數(shù)據(jù)日益豐富，并逐漸替代國(guó)外高空間分辨率數(shù)據(jù)應(yīng)用于土地調(diào)查、海洋監(jiān)測(cè)、環(huán)境保護(hù)、森林資源調(diào)查和災(zāi)害監(jiān)測(cè)中。相比低空間分辨率遙感影像，高空間分辨率遙感影像在大幅提高地物空間細(xì)節(jié)的同時(shí)，也存在著數(shù)據(jù)量大、信息冗余多、光譜重疊多、波段關(guān)聯(lián)性強(qiáng)等問(wèn)題[1]，因此，越來(lái)越多技術(shù)人員關(guān)注于去除無(wú)用信息、消除數(shù)據(jù)冗余、減少數(shù)據(jù)處理量，獲取更多詳細(xì)、清晰、有用信息的圖像變換方法。一種好的圖像變換方法，要求變換后的圖像能很好地保留其空間分辨率、空間紋理信息和光譜信息，提高影像對(duì)比度和清晰度，突出顯示感興趣地物，以利于后續(xù)遙感解譯和動(dòng)態(tài)監(jiān)測(cè)。

國(guó)內(nèi)外學(xué)者對(duì)不同空間分辨率、不同數(shù)據(jù)源的遙感影像變換方法進(jìn)行了大量的研究，常用的變換方法有Brovey變換[2-4]、主成分分析(principal component analysis，PCA)變換[5-6]、HIS變換[7-9]、高通濾波(high-pass filter，HPF)變換[10-11]、小波變換(wavelet transform，WT)[12]、銳化變換(Pan-sharping)[13-15]、光譜銳化(Gram-Schmidt，G-S)變換等。同時(shí)，還有許多學(xué)者改進(jìn)或者提出新的變換方法，Ghanbari等[16]改進(jìn)了HIS算法，使得光譜差異更??； 劉軍等[17]提出快速離散Curvelet變換和HIS變換集成的遙感影像融合方法，采用標(biāo)準(zhǔn)差加權(quán)的融合策略，自適應(yīng)地調(diào)整空間細(xì)節(jié)與光譜信息權(quán)重，從而提高融合影像質(zhì)量； 楊桄等[18]提出多特征加權(quán)的圖像融合方法，對(duì)多尺度分解后的低頻系數(shù)進(jìn)行邊緣特征提取，對(duì)高頻系數(shù)進(jìn)行信號(hào)強(qiáng)度比特征提取，提高圖像融合效果； 張?bào)@雷等[19]針對(duì)紅外與可見光圖像融合時(shí)亮點(diǎn)目標(biāo)易丟失且背景信息不清晰的問(wèn)題，提出基于非采樣Contourlet變換與局部區(qū)域融合規(guī)則相結(jié)合的方法，從而提高融合圖像精度。

LBV變換是一種圖像變換概念模型[20-21]，它將遙感影像地物波譜信息經(jīng)過(guò)數(shù)據(jù)變換得到反映地物信息的3個(gè)分量圖像： 地物總體輻射水平L，可用于監(jiān)測(cè)地物輻射強(qiáng)度； 可見光—近紅外輻射平衡B，可用于監(jiān)測(cè)水體； 輻射變換矢量V，可用于監(jiān)測(cè)植被。該方法得到的彩色合成影像地物信息豐富，層次分明。由于LBV變換是一個(gè)理論概念，針對(duì)不同空間分辨率、不同波譜范圍，其變換公式也不一致，且國(guó)內(nèi)僅應(yīng)用于低空間分辨率影像[22-26]。本文在研究LBV變換理論方法基礎(chǔ)上，針對(duì)國(guó)產(chǎn)ZY-3衛(wèi)星高空間分辨率影像地物波譜特性，通過(guò)回歸分析計(jì)算推導(dǎo)針對(duì)國(guó)產(chǎn)ZY-3衛(wèi)星影像的LBV變換公式，然后將LBV進(jìn)行影像彩色合成，為ZY-3衛(wèi)星影像應(yīng)用提供豐富的地物信息。同時(shí)，將本文方法與其他圖像變換方法進(jìn)行定性、定量的比較，分析本文方法在國(guó)產(chǎn)ZY-3衛(wèi)星影像中應(yīng)用的優(yōu)勢(shì)，探討其在國(guó)情監(jiān)測(cè)應(yīng)用中的可行性。

1 ZY-3衛(wèi)星影像典型地物光譜分析

ZY-3衛(wèi)星于2012年1月9日成功發(fā)射，是我國(guó)第一顆民用高空間分辨率測(cè)繪衛(wèi)星，重訪周期為5 d，衛(wèi)星上搭載4臺(tái)高空間分辨率CCD相機(jī)，其全色波段波譜范圍為0.45～0.80 μm，星下點(diǎn)空間分辨率為2.1 m，多光譜有4個(gè)波段，波長(zhǎng)范圍分別為0.45～0.52 μm，0.52～0.59 μm，0.63～0.69 μm，0.77～0.89 μm，星下點(diǎn)空間分辨率為5.8 m。本文從北至南選取我國(guó)5—10月份的ZY-3影像21景，并利用ENVI5.2軟件FLAASH模塊對(duì)選取的ZY-3影像進(jìn)行大氣校正。ZY-3影像中心經(jīng)度、中心緯度和拍攝日期等信息如表1所示。

表1 ZY-3衛(wèi)星影像信息Tab.1 Information of ZY-3 images

從選取的ZY-3影像上選擇近岸海水、河流、水庫(kù)、草地、林地、農(nóng)田、裸地、建筑用地和道路9類典型地物，統(tǒng)計(jì)上述9類地物光譜平均值。ZY-3影像地物光譜曲線如圖1所示。從圖1中分析9類典型地物在ZY-3遙感影像4個(gè)波段光譜值大小可知，水體在波段1—波段4光譜值總體呈下降趨勢(shì)，植被光譜值在前3個(gè)波段波動(dòng)性增加和減少，在第4波段突然增加，裸地光譜值在波段1—波段3基本保持平穩(wěn)，在第4波段呈現(xiàn)減少趨勢(shì)。

圖1 ZY-3影像9類地物光譜曲線Fig.1 Spectral curves of nine ground features of ZY-3

2 ZY-3影像LBV變換

ZY-3影像的LBV變換主要是利用影像的地物光譜曲線信息和二次、線性回歸函數(shù)求解L，B，V這3個(gè)分量，其技術(shù)流程如圖2所示。

圖2 LBV變換技術(shù)流程Fig.2 Flow chart of LBV

2.1 回歸系數(shù)求解

通過(guò)LBV變換理論推導(dǎo)ZY-3遙感影像的3個(gè)分量之前，首先需要采用回歸的方法求解其回歸系數(shù)。對(duì)于ZY-3多光譜影像的4個(gè)波段，其二次和線性回歸等式分別為

(1)

(2)

影像第i個(gè)波段回歸殘差Vi公式為

(3)

選擇ZY-3影像4個(gè)波段的波長(zhǎng)值分別為0.49，0.55，0.66，0.83。根據(jù)二次回歸公式，求解回歸系數(shù)a，b和c值。其計(jì)算公式為

(4)

式中D1，D2，D3和D4分別為ZY-3遙感影像4個(gè)波段地物光譜值。

通過(guò)求解式(4)，得到二次回歸曲線的回歸系數(shù)a，b和c值，即

a=0.170 6D1-2.305 5D2-12.732 5D3+5.331 9D4，

(5)

b=-3.696D1+9.228D2+40.311D3-18.843D4，

(6)

c=21.496D1-7.873D2-30.026D3+16.402D4。

(7)

同理，根據(jù)線性回歸，求解回歸系數(shù)a′和b′值，即

a′=1.598D1+1.03D2-0.01D3-1.618D4，

(8)

b′=-2.131D1-1.234D2+0.411D3+2.953D4。

(9)

2.2 LBV特征值推導(dǎo)

2.2.1L值推導(dǎo)

L值反映地物總體輻射水平，能從整體上區(qū)分裸地、植被和水體3類典型地物。L值是個(gè)經(jīng)驗(yàn)值，取值與ZY-3遙感影像各波段系數(shù)及波長(zhǎng)取值有關(guān)。在推導(dǎo)的二次回歸曲線的基礎(chǔ)上，將ZY-3遙感影像9類地物光譜曲線波長(zhǎng)往兩邊擴(kuò)展，同時(shí)調(diào)整各波段前系數(shù)。通過(guò)實(shí)驗(yàn)得出，當(dāng)?shù)?波段乘以6，λ=0.2時(shí)，可以很好地區(qū)分各類地物(圖3)。從圖3可知，裸地有較高的光譜估計(jì)值，植被光譜估計(jì)值較低，水體光譜估計(jì)值介于二者之間。

圖3 9類地物光譜二次回歸曲線Fig.3 Quadratic regression curves of nine grourd features

L=32.56D1-0.774 8D2-5.871 4D3+2.219 5D4。

(10)

2.2.2B值推導(dǎo)

根據(jù)式(8)—(9)計(jì)算ZY-3遙感影像線性回歸系數(shù)，得到9類典型地物線性回歸曲線(圖4)。由圖4可知，水體曲線與橫坐標(biāo)夾角正切值為負(fù)，植被曲線與橫坐標(biāo)夾角正切值為正，裸地曲線與橫坐標(biāo)夾角正切值介于水體和植被之間。研究發(fā)現(xiàn)，用線性回歸直線正切值取相反數(shù)可表示可見光—近紅外波段平衡B值，那么水體有較大B值，植被有較小B值，裸地的B值介于二者之間。B值可表示為

B=2.130 8D1+1.233 6D2-
0.411 2D3-2.953 3D4。

(11)

圖4 9類地物線性回歸曲線Fig.4 Linear regression curves of nine ground features

2.2.3V值推導(dǎo)

V表示地物輻射變換矢量，V值由影像地物光譜估計(jì)值和實(shí)際值之差來(lái)表示。圖5為ZY-3遙感影像建筑用地(裸地)和林地(植被)2類地物實(shí)際光譜值(實(shí)線表示)及其二次回歸估計(jì)值(虛線表示)，二者之差稱為殘差。

圖5 建筑用地和林地二次回歸曲線及殘差Fig.5 Quadratic regression curves andresiduals of building and forest

由圖5可知，植被在波段1—波段4殘差符號(hào)分別為+，-，+，-，裸地在波段1—波段4殘差符號(hào)分別為-，+，-，+，那么取V=v1-v2+v3-v4可使植被輻射殘差最大，裸地輻射殘差最小，水體輻射殘差居于植被和裸地之間。V值可表示為

V=-0.726D1+1.363D2-
0.792D3+0.155 6D4。

(12)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)結(jié)果

選取福建省寧德市作為實(shí)驗(yàn)區(qū)，ZY-3影像拍攝時(shí)間為2016年6月2日，中央經(jīng)緯度分別為E119.7°，N26.7°。首先，對(duì)實(shí)驗(yàn)用ZY-3影像各個(gè)波段數(shù)據(jù)進(jìn)行配準(zhǔn)，消除各個(gè)波段同名像素間位置誤差，并進(jìn)行輻射定標(biāo)和大氣校正，消除大氣造成的影響，提高地物光譜屬性值； 然后，根據(jù)式(10)—(12)，計(jì)算出寧德市ZY-3影像LBV變換圖像。

為了使變換后圖像像素值在0～255之間，并符合正態(tài)分布，對(duì)變換后圖像進(jìn)行線性拉伸。以寧德市ZY-3遙感影像變換后的B值圖像為例，B標(biāo)準(zhǔn)差為242.72，令m=25/242.72，并計(jì)算B乘以m得到B1圖像，即

B1=0.219 5D1+0.127 1D2-0.042 4D3-0.304 2D4。

(13)

這時(shí)B1標(biāo)準(zhǔn)差為25，其均值為-0.907 6，令n=128-(-0.907 6)，使B1兩邊加上n得到B2圖像，即

B2=0.219 5D1+0.127 1D2-0.042 4D3-0.304 2D4+128.907 6。

(14)

這時(shí)B2中像素平均值為128，標(biāo)準(zhǔn)差為25，圖像上所有的像素值均落在0～255之間，方便后續(xù)圖像解譯、識(shí)別和比較。

采用上述同樣方法求得寧德市ZY-3遙感影像變換后的L值和V值圖像L2和V2，其具體表達(dá)式分別為

L2=0.555 9D1-0.013 2D2-0.100 2D3+0.037 9D4+67.737 6，

(15)

V2=-0.904 4D1+1.697 2D2-0.986 6D3+0.193 8D4+128.399。

(16)

最終得到該區(qū)域LBV變換后的3個(gè)特征值圖像，如圖6所示。

(a) 原始影像 (b)L值圖像

圖6-1 LBV變換圖像

Fig.6-1LBVtransformationimages

(c)B值圖像 (d)V值圖像

圖6-2 LBV變換圖像

Fig.6-2LBVtransformationimages

圖6(a)為寧德市ZY-3原始影像，圖6(b)—(d)分別為L(zhǎng)BV變換后的L，B，V值圖像。從圖6中選擇建筑用地(裸地)、河流(水體)和林地(植被)3類地物進(jìn)行比較，圖6(b)中建筑用地光譜值最大，河流光譜值次之，植被光譜值最低； 圖6(c)中，河流光譜值最大，林地光譜值最小，建筑用地光譜值居于二者之間； 圖6(d)中，林地光譜值最大，建筑用地光譜值最小，河流光譜值介于二者之間，通過(guò)實(shí)驗(yàn)得到結(jié)果與第2章理論推導(dǎo)結(jié)論相符。同時(shí)，從目視效果看，相比原始影像，變換后影像更加清晰，層次感更強(qiáng)，細(xì)節(jié)信息也更為豐富，從而更有利于后續(xù)地物的判定、識(shí)別。

3.2 精度分析與評(píng)價(jià)

首先，選擇本文方法變換得到遙感影像，再基于原始影像采用Brovery，PCA，G-S，CNSS和Pan-sharpening等5種變換得到的遙感影像作為對(duì)比對(duì)象。為客觀評(píng)價(jià)本文方法，本文設(shè)計(jì)了2種方案： 一是從影像本身信息保有量、清晰程度及光譜失真度等方面選擇信息熵、平均梯度和偏差指數(shù)3個(gè)影像質(zhì)量精度指標(biāo)[27]，對(duì)本文方法得到的遙感影像與原始影像及其他5種變換結(jié)果進(jìn)行客觀評(píng)價(jià)； 二是從應(yīng)用角度，分別選擇最大似然法、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)3種分類器對(duì)本文方法得到的遙感影像、原始影像及其他5種變換結(jié)果進(jìn)行分類，比較用不同方法得到變換影像的分類精度。

3.2.1 影像質(zhì)量精度評(píng)價(jià)

為了定量、客觀評(píng)價(jià)影像質(zhì)量精度，本文選擇信息熵、平均梯度和偏差指數(shù)3個(gè)精度指標(biāo)對(duì)本文方法得到的影像、原始影像和其他5種變換結(jié)果的信息量、清晰度、光譜畸變等方面進(jìn)行定量評(píng)價(jià)(表2)。信息熵反映影像信息量，值越大，信息量越大； 平均梯度反映影像色彩層次感和清晰度，值越大，清晰度越高； 偏差指數(shù)反映影像光譜保真度，值越小，光譜保真度越好。

表2 ZY-3影像質(zhì)量評(píng)價(jià)指標(biāo)Tab.2 Evaluation indexes of ZY-3 image

由表2可知，從遙感影像質(zhì)量評(píng)價(jià)指標(biāo)來(lái)看，在原始影像及各種變換方法得到的遙感影像中，本文方法信息熵和平均梯度值最大，偏差系數(shù)僅次于CNSS。從變換方法來(lái)看，Pan-sharpening變換的信息量和清晰度保持均較好，同時(shí)光譜畸變較小，是一種很好的高空間分辨率影像融合方法； CNSS變換能很好地保持光譜信息，同時(shí)影像信息量和清晰度適中，也是一種不錯(cuò)的圖像變換方法； PCA變換和G-S變換信息量保持較大，但是清晰度和光譜畸變也較大； Brovery變換信息量和清晰度均較低，影像光譜畸變比較大； 本文方法同其他5種方法相比，影像信息量最大、清晰度最高，光譜畸變較小，是一種很好的高空間分辨率圖像變換方法。

3.2.2 應(yīng)用評(píng)價(jià)

為了驗(yàn)證本文方法在實(shí)際應(yīng)用中的有效性，分別對(duì)本文方法得到的影像、原始影像和其他5種變換結(jié)果進(jìn)行分類并比較分類結(jié)果精度。選擇的分類器為最大似然法、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)。參考分類結(jié)果采用經(jīng)過(guò)實(shí)地驗(yàn)證的人工目視解譯提取結(jié)果。選擇總體精度和Kappa系數(shù)對(duì)分類結(jié)果進(jìn)行分析評(píng)價(jià)(表3)。

表3 ZY-3影像分類精度

Tab.3ClassificationaccuracyofZY-3image

方法最大似然法支持向量機(jī)神經(jīng)網(wǎng)絡(luò)總體精度/%Kappa系數(shù)總體精度/%Kappa系數(shù)總體精度/%Kappa系數(shù)原始影像68.420.579 272.400.630 271.120.621 0Brovery71.100.620 573.570.651 373.470.648 1PCA76.050.673 779.300.743 480.190.746 8G-S74.210.664 277.560.727 784.760.821 6CNSS78.300.734 182.450.778 083.100.805 7Pan-shar-pening81.390.751 086.870.840 587.060.853 4本文方法84.470.816 388.760.866 789.710.875 3

由表3可知，從總的分類精度來(lái)看，本文方法的分類精度最高，最高總體精度為89.71%，Kappa系數(shù)為0.875 3。從分類器比較，在最大似然法、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)3種分類方法中，本文方法得到的變換圖像分類精度均為最高，神經(jīng)網(wǎng)絡(luò)分類器的分類效果最好。從變換方法比較，本文方法最好，Pan-sharpening分類效果次之，CNSS，G-S，PCA和Brovery幾種變換方法分類效果一般。通過(guò)分類結(jié)果對(duì)比，可以看出應(yīng)用本文方法分類結(jié)果精度高于其他變換方法。

4 結(jié)論

本文基于LBV變換理論模型，提出并推導(dǎo)了專門針對(duì)國(guó)產(chǎn)ZY-3衛(wèi)星遙感影像的變換公式，并通過(guò)具體變換實(shí)驗(yàn)將該方法用于ZY-3遙感影像數(shù)據(jù)處理中，討論了本文方法在提高影像質(zhì)量及應(yīng)用上的效果。主要得出如下結(jié)論：

1)從提高遙感影像質(zhì)量效果來(lái)看，無(wú)論是從目視效果還是定量評(píng)價(jià)結(jié)果，本文方法得到的影像層次感最強(qiáng)，信息量和光譜保真度也都較好; 從遙感影像地物分類結(jié)果來(lái)看，本文方法的總體精度和Kappa系數(shù)均最好。可見，本文方法更適用于提高ZY-3遙感影像質(zhì)量。

2)從遙感數(shù)據(jù)應(yīng)用上考慮，本文方法B波段能很好地識(shí)別水中地物，因此在后續(xù)工作中考慮將其應(yīng)用到海上地物目標(biāo)識(shí)別和信息提取工作。