基于小波特征融合的Hyperion影像降維方法

孫小芳

（閩江學(xué)院 地理科學(xué)系，福建 福州350121）

高光譜遙感能提供數(shù)十至數(shù)百個(gè)窄波段的光譜信息，依據(jù)地物的診斷性光譜特征進(jìn)行地物識(shí)別。然而，在提供豐富光譜信息的同時(shí)，高光譜數(shù)據(jù)波段間的相關(guān)性和冗余性制約著它的應(yīng)用。研究表明：對大多數(shù)地物而言，納米級的光譜分辨率是不必要的，波段間也不必要連續(xù)存在［1］。因此有必要探討高光譜波段選擇方案，進(jìn)行圖像降維，在光譜分辨率與地物識(shí)別能力之間尋求最佳的平衡點(diǎn)。利用波段選擇進(jìn)行降維、利用波段特征提取進(jìn)行降維、利用融合技術(shù)進(jìn)行降維［2-6］。

基于前人的研究，本文提出根據(jù)影像中地物光譜曲線的特征點(diǎn)確定地物識(shí)別合適的光譜分辨率，通過融合原先若干窄波段生成適合地物識(shí)別的寬波段數(shù)據(jù)，從而達(dá)到了降維目的。利用不同地物樣本光譜的小波細(xì)節(jié)系數(shù)方差、小波細(xì)節(jié)系數(shù)信息熵作為特征點(diǎn)，探討了各種地物有效識(shí)別的光譜分辨率，按照這個(gè)有效識(shí)別的光譜分辨率來確定降維后寬波段的光譜范圍及波段個(gè)數(shù)，以窄波段間的活躍度為指標(biāo)進(jìn)行融合生成降維后的寬波段，最后以福州南通地區(qū)hyperion影像為例進(jìn)行地物的識(shí)別［7-9］。

1 Hyperion數(shù)據(jù)預(yù)處理

1.1 數(shù)據(jù)概況

EO-1是美國NASA研制的新型地球觀測衛(wèi)星，其上搭載的Hyperion成像光譜儀是第一個(gè)星載民用成像光譜儀，空間分辨率為30m，光譜分辨率為10nm［10］。本文采用的數(shù)據(jù)獲取時(shí)間為2003-03-26，L1R數(shù)據(jù)產(chǎn)品的生成時(shí)間為2009-07-07。由于L1R已排除了VNIR和SWIR間的空間錯(cuò)位問題，是Hyperion數(shù)據(jù)使用的主要格式。所選的福州南通影像包括：耕地、園地、林地、河流、道路、居民區(qū)等地物，能夠集中體現(xiàn)各類地物的交錯(cuò)分布。為了保證樣本選擇的準(zhǔn)確性，研究中還采用2004年南通地區(qū)土地利用現(xiàn)狀圖、2003年南通地區(qū)IKONOS衛(wèi)星影像。

1.2 Hyperion數(shù)據(jù)預(yù)處理

當(dāng)Hyperion探測器工作不正?；蚨?biāo)精度存在問題，導(dǎo)致波段的圖像某列數(shù)據(jù)缺少光譜信息，圖像上呈現(xiàn)一條黑線即壞線［11］。讀入圖像進(jìn)行逐波段檢查，記錄有壞線存在的波段和對應(yīng)的列號(hào)，經(jīng)檢測所采用的LIR數(shù)據(jù)壞線列號(hào)：1，6，22，91，92，94，112，114，137，147，199，239，255，選 用 出現(xiàn)壞線的相鄰列的平均值替換壞線部分進(jìn)行修復(fù)。

Smile效應(yīng)指在垂直飛行方向上，像元的波長從中心位置向兩邊偏移，NVIR的偏移量為2.6～3.6nm，SWIR波段的偏移量為0.4～0.97nm，偏移量大于1nm時(shí)會(huì)影響像元光譜，因此要對NVIR波段進(jìn)行糾正。Smile效應(yīng)的糾正方法包括移動(dòng)線性法、MNF列均值調(diào)整、交叉軌道照度校正方法。本文采用交叉軌道照度校正方法完成了Smile效應(yīng)的糾正。

大氣校正是為了消除大氣和光照等因素對地物反射的影響，獲取地物的真實(shí)反射率或反射值。在大氣校正前，先要完成光譜輻射量計(jì)算，才能滿足FLAASH大氣校正模塊的輸入條件。FLAASH是基于MODTRAN4輻射傳輸模型的大氣校正模塊，運(yùn)用該模塊可以還原地物的真實(shí)反射率。Hyperion的LlR產(chǎn)品一共242個(gè)波段，其中只有198個(gè)波段做了定標(biāo)處理，其他波段的值賦為0。經(jīng)過FLAASH大氣校正后，再去除噪聲嚴(yán)重，數(shù)據(jù)質(zhì)量差的波段，最終用于研究的有155個(gè)波段：8～57，79，83～119，133～164，183，184，188～220。

2 小波特征圖像降維的原理及實(shí)現(xiàn)

2.1 基本原理

2.1.1 小波特征

研究所用的155個(gè)波段的Hyperion數(shù)據(jù)光譜分辨率為10nm，每層離散小波分解后，所得到的近似小波系數(shù)、細(xì)節(jié)小波系數(shù)出現(xiàn)減半現(xiàn)象，最多進(jìn)行7次DB4小波分解。1～7次小波分解，各層所對應(yīng)的光譜分辨率分別為20nm，40nm，80nm，160nm，320nm，640nm，1 280nm。小波細(xì)節(jié)系數(shù)表示光譜反射值變化較快和局部特征部分。小波方差僅為尺度函數(shù)，與位置無關(guān)，通過小波方差的峰值可以直觀的識(shí)別光譜特征尺度。小波信息熵為多尺度分解空間中各個(gè)子空間所包含的信息量。計(jì)算小波細(xì)節(jié)系數(shù)方差、小波細(xì)節(jié)系數(shù)信息熵，說明光譜特征尺度。

設(shè)W（a，b）為信號(hào)f（n）在尺度a，位置b上的小波變換系數(shù)，則可定義尺度a上的小波尺度方差與信息熵分別為

式中：Pi（i＝1，2，…，M）是某尺度a上小波變換系數(shù)的近似概率分布，M為小波系數(shù)的區(qū)間數(shù)目。

2.1.2 波段融合降維

根據(jù)地物可識(shí)別的光譜分辨率轉(zhuǎn)折點(diǎn)來確定寬波段的區(qū)間范圍，將原先所對應(yīng)的各高光譜波段進(jìn)行小波融合，生成仿真的一個(gè)寬波段影像。同理，最后將原始的155個(gè)高光譜波段，根據(jù)不同地物的可識(shí)別光譜分辨率降維融合生成幾個(gè)仿真的寬波段。在進(jìn)行融合圖像生成時(shí)，融合圖像的低頻和高頻小波系數(shù)由各原始波段的活躍度來決定。

活躍度：

式中：K為波段數(shù)；f為DN 值；M，N為圖像大小。

2.2 方法實(shí)現(xiàn)

2.2.1 地物特征光譜分辨率

結(jié)合2004年南通地區(qū)土地利用現(xiàn)狀圖、2003年IKONOS影像圖，進(jìn)行目視判別，選擇圖像中八類地物，分別是不可滲透表面、居民地、密林、其他林地、水澆地、水體、水田、裸土。通過對八類地物選取樣區(qū)，得到每種地物類別的平均光譜曲線。對平均光譜曲線利用DB4小波進(jìn)行分解，分別計(jì)算各分解尺度下各類地物的小波細(xì)節(jié)系數(shù)方差、小波細(xì)節(jié)系數(shù)信息熵，結(jié)果如圖1所示。

圖1 DB4小波細(xì)節(jié)系數(shù)方差與信息熵

圖1（a）小波細(xì)節(jié)系數(shù)方差在1～3尺度中，盡管隨著小波降維，光譜分辨率增大，但各地物內(nèi)部的光譜細(xì)節(jié)變化程度不大，光譜曲線在1～3尺度中的細(xì)節(jié)表現(xiàn)能力并沒有多少下降。但在3尺度后，各層光譜曲線的細(xì)節(jié)值與原始光譜曲線相比，發(fā)生較大的變化，造成光譜方差變大。在1～3尺度內(nèi)，相鄰連續(xù)光譜曲線值變化并不會(huì)很大，曲線是光滑漸變的，但隨著尺度加大到3尺度以后，光譜分辨率增大，相鄰漸變值被激變值取代，表現(xiàn)為方差變大。3尺度是基本的分解尺度了可以滿足八類地物的分類，即可以做為區(qū)分八類地物的基本分解尺度。

圖1（b）小波細(xì)節(jié)系數(shù)信息熵，明顯看到兩類拐點(diǎn)，第一類拐點(diǎn)出現(xiàn)在3尺度，所對應(yīng)的地物在圖像中所占的比例較小且分散，即不可滲透表面、居民地、水田、裸土。第二類拐點(diǎn)出現(xiàn)在4尺度，所對應(yīng)的地物在圖像中所占的比例較大且集中，即密林、其他林地、水澆地、水體。出現(xiàn)這種情況，一方面與樣本選擇的因素有關(guān)，由于地物小且分散，樣本純度受到影響。另一方面地物比較小，但由于空間分辨率不高，樣本光譜中存在著混合像元情況，需要較高的光譜分辨率來提高小比例地物的識(shí)別。所以在以3尺度為地物基本識(shí)別的尺度基礎(chǔ)上，進(jìn)一步考慮地物實(shí)際的面積大小及分布情況，確定了不可滲透表面、居民地、水田、裸土4類地物的識(shí)別尺度為3尺度，即光譜分辨率為80nm，密林、其他林地、水澆地、水體4類地物的識(shí)別尺度為4尺度，即光譜分辨率為160nm。

2.2.2 融合降維

利用樣本平均光譜的小波細(xì)節(jié)系數(shù)方差和小波細(xì)節(jié)系數(shù)信息熵確定了兩大類地物的識(shí)別基本尺度分別為3尺度和4尺度。確定融合后影像的波段光譜范圍和波段數(shù)，如表1所示。表1中可以得出融合后的四尺度影像共有11個(gè)波段數(shù)且光譜分辨率為160nm，融合后的3尺度影像共有21個(gè)波段數(shù)且光譜分辨率為80nm，較原先155個(gè)波段數(shù)大為降低數(shù)據(jù)量。

表1 三尺度和四尺度波段融合區(qū)間

以植被為例，分別繪制出155波段、三尺度融合結(jié)果21波段、四尺度融合結(jié)果11波段的光譜曲線，如圖2所示。圖2中兩個(gè)尺度融合圖像的光譜曲線保持原曲線的走勢特征，具有原光譜曲線的峰谷特性，具有植被的紅邊特性，可用于植被識(shí)別的樣本光譜。由于四尺度融合比三尺度融合包含了更大范圍的波段區(qū)間，所以出現(xiàn)了植被紅邊向長波方向移動(dòng)。說明融合降維方法即可以減少數(shù)據(jù)量，同時(shí)也保證了地物光譜主要的特征，可以滿足地物分類的需求。

圖2 三種光譜分辨率的植被光譜曲線

3 地物識(shí)別

對八類地物：不可滲透表面、居民地、密林、其他林地、水澆地、水體、水田、裸土選取樣區(qū)，對比hyperion影像、IKONOS影像、土地利用現(xiàn)狀圖，目視解譯判讀八類地物。不可滲透表面是指公路用地、交通用地、橋梁、廣場、各種人工建設(shè)不可滲透表面。圖中的居民區(qū)為鄉(xiāng)鎮(zhèn)、村莊民房，在水系邊上或位于山腳下，分布較為零散且面積不大，紋理信息不豐富不明顯。密林指大面積山體林地，遠(yuǎn)離居民區(qū)，有成林。其他林地包括：疏林地、有林地、其他園地、果園，靠近人們居住地，林木較少，如草地、灌木、果樹、苗圃，在水系邊上，方便澆灌，但較植被覆蓋較稀少。水澆地包括菜地、旱地，面積較小，不規(guī)則分布，多在水田縫系中或處于居民地邊上。水體包括河流水面、養(yǎng)殖水面、坑塘水面。水田面積較大且有規(guī)則，多分布于河流或坑塘邊上。三月底水田已經(jīng)翻曬，放水泡田，水淺有反光。裸土包括土路、灘涂。對所選出的八類地物樣區(qū)光譜計(jì)算JM距離，樣區(qū)兩兩之間的距離計(jì)算結(jié)果均大于1.9的值，說明所選的感興趣區(qū)之間分離性較好，可以做為光譜分類的樣本。利用光譜角度填圖進(jìn)行分類，分類結(jié)果如圖3所示。利用混淆矩陣方法，結(jié)合矢量圖以及IKONOS影像目視解譯進(jìn)行分類精度評定，結(jié)果如表2所示。

圖3 四尺度和三尺度分類結(jié)果

表2 地物分類精度

4 結(jié)果與討論

圖3（a）為四尺度即光譜分辨率為160nm時(shí)，對基本可識(shí)別的四類地物：密林、其他林地、水澆地、水體的分類。圖3（b）為三尺度即光譜分辨率為80nm時(shí)，對基本可識(shí)別的四類地物：不可滲透表面、居民地、水田、裸土的分類，圖3（c）為三尺度下對八類地物的分類結(jié)果，利用混淆矩陣進(jìn)行檢測，在尺度3下識(shí)別的地物精度略小于在尺度4下識(shí)別的地物精度，但全部地物的識(shí)別精度均大于70%，而且由于降維，數(shù)據(jù)量減少，提高了分類速度。從分類結(jié)果中可以看出，四尺度下基本可識(shí)別的地物面積較大且較為集中，三尺度下基本可識(shí)別的地物面積較小且分布較為分散，這個(gè)結(jié)果與小波特征的兩個(gè)參數(shù)計(jì)算所得到的結(jié)論相一致，結(jié)果說明降維影像能滿足應(yīng)用需要。

通過以hyperion影像的地物識(shí)別為例，說明高光譜影像的降維工作可以從數(shù)據(jù)應(yīng)用的適用性出發(fā)，根據(jù)不同地物的適宜識(shí)別光譜分辨率來判定數(shù)據(jù)降維的程度，使得數(shù)據(jù)降維滿足生產(chǎn)應(yīng)用。本文提出的方法適用于光譜分辨率在十幾納米左右的機(jī)載及地面高光譜成像數(shù)據(jù)，可以根據(jù)圖像中具體的研究對象確定合適的對象識(shí)別光譜分辨率，進(jìn)行保證地物光譜重要特征點(diǎn)的存在，同時(shí)減少數(shù)據(jù)量。在本研究中，由于影像空間分辨率不高且某些地物較破碎，所以直接利用影像中的光譜樣本，會(huì)因?yàn)榛旌舷裨拇嬖谠斐蓸颖竟庾V的偏差，在后繼研究中需要進(jìn)一步提高樣本光譜的純度，也可以采用野外樣本光譜采集，或者利用目前存在的各種光譜數(shù)據(jù)庫。

［1］李顯彬，姜小光，劉亮，等.基于光譜重建的高光譜特征參數(shù)選擇方法—以蘇北地區(qū)Hyperion數(shù)據(jù)為例［J］.遙感學(xué)報(bào)，2007，11（4）：589-594.

［2］高燕，蘇奮振，周成虎，等.面向?qū)ο蟮倪b感影像時(shí)空特征模型研究［J］.測繪工程，2013，22（5）：29-33.

［3］郭雷，常威威，付朝陽.高光譜圖像融合最佳波段選擇方法［J］.宇航學(xué)報(bào)，2011，32（2）：374-379.

［4］臧卓，林輝，楊敏華.利用PCA算法進(jìn)行喬木樹種高光譜數(shù)據(jù)降維與分類［J］.測繪科學(xué)，2014，39（2）：146-149.

［5］陳剛，陳小梅，李婷，等.基于小波分解的光譜特征提取算法研究［J］.光譜學(xué)與光譜分析，2010，30（11）：3027-3030.

［6］SONG S，GONG W，ZHU B，et al.Wavelength selection and spectral discrimination for paddy rice，with laboratory measurements of hyperspectral leaf reflectance［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：672-682.

［7］ROSHAN PANDE-CHHETRI，AMR ABD-ELRAHMAN.De-striping hyperspectral imagery using wavelet transform and adaptive frequency domain filtering［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：620-636.

［8］龔建周，陳健飛，劉彥隨.E0-1Hyperion高光譜影像的FLAASH大氣校正與評價(jià)［J］.廣州大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，10（5）：69-75.

［9］周清，祝民強(qiáng).EO-1Hyperion高光譜數(shù)據(jù)FLAASH模塊大氣糾正及評價(jià)［J］.測繪與空間地理信息，2011，34（6）：149-151.

［10］高艷妮，陳瑋，何興元，等.基于二維小波分析的景觀特征尺度識(shí)別［J］.應(yīng)用生態(tài)學(xué)報(bào)，2010，21（6）：1523-1529.

［11］朱蕊，邱茂，胡英男.面向空間數(shù)據(jù)更新的多源數(shù)據(jù)融合關(guān)鍵技術(shù)研究［J］.測繪工程，2013，22（4）：22-25.