基于光谱特征参量化的高光谱影像精细分类

李 杰，万幼川

（1.武汉大学 遥感信息工程学院，湖北 武汉 430079）

基于光谱特征参量化的高光谱影像精细分类

李 杰1，万幼川1

（1.武汉大学 遥感信息工程学院，湖北 武汉 430079）

从高光谱影像能够提供地物连续光谱曲线的优势出发，提出了提取地物诊断性光谱吸收峰的特征参数进行地物精细分类的方法。用OMIS高光谱数据进行实验，首先对光谱曲线进行包络线去除处理，然后在归一化的曲线上提取光谱吸收峰的形态特征参数，根据不同种地物的光谱差异与分类需求进行特征参数选择，用于地物分层精细分类，在每一类别的地物之中实现不同子类的区分。分类总体精度达到81.022 6%，Kappa系数为0.748 9，尤其在植被和水体的子类区分上取得了较好的效果，证实了该方法的有效性。

高光谱；光谱吸收特征；精细分类；参量化

1 光谱吸收特征参量化

1.1 包络线去除

光谱曲线的包络线去除处理是为了将曲线上的光谱反射率归一化到0～1之间，突出和增强地物在光谱曲线上的吸收和反射特征[1-7]。包络线可以看作光谱曲线的“外壳”， 它由曲线上的极大值点逐点相连接构成，要求每个极大值点处的折线段外角大于180°。包络线分布势态如图1所示。

图1 包络线去除示意图

图1中，曲线1为光谱曲线；曲线2为包络线；曲线3为包络线去除结果曲线。将光谱曲线上的每一个波段的光谱值除以包络线上对应点的值，就得到了这个点的包络线去除结果：

式中，r'（i）为归一化后波段i的结果值；r（i）为归一化前波段i对应的光谱反射率值；h（i）为包络线上波段i对应的值。归一化后，0≤r'（i）≤1。

在本文中，包络线求取采用的是外壳系数法[8]。这种方法的缺陷是由找到的极值点连接起来的折线有可能与原光谱曲线的反射峰相交，会出现包络线没有“包住”原曲线的情况。针对外壳系数法的这一缺陷，在求取初始包络线后，逐一判断初始包络线上的值是否小于原光谱曲线的点，若小于，则用原光谱曲线的点将其替换。

1.2 光谱吸收特征参数

地物光谱曲线上，表征地物之间区别的典型特征是地物物质组成不同造成的诊断性光谱吸收峰。通过提取曲线上吸收峰的吸收波段的波长位置、吸收深度、吸收宽度、吸收对称度、吸收面积等参数，可以达到识别不同地物的目的。光谱吸收特征参数有：

①吸收位置，吸收谷内光谱最小值对应的波长；②左肩、右肩，吸收谷的起点与终点；③吸收深度，吸收谷内反射率最低的点到光谱曲线包络线的距离；④吸收宽度，吸收谷的起点到终止点之间的波长间隔；⑤吸收对称性，吸收位置的左边区域与整个波谷面积之比；⑥光谱吸收指数（SAI），吸收位置上的反射率值与基线上对应值之比的倒数[9]。

如图2所示，一个光谱吸收峰的吸收位置为P，吸收峰的左肩右肩分别为R1和R2， R1和R2的连线称为非吸收基线。P对应的波长为λM、对应的反射率为ρM，R1和R2的波长和反射率分别为λ1、λ2、ρ1、ρ2，从P点作垂线与非吸收基线求交点，其反射率为ρ，则此吸收谷的对称性参数d为：

则SAI的计算公式为：

图2 光谱吸收特征参数示意图

SAI可以作为比较光谱吸收强弱度的标准。

2 地物光谱特征分析

精细分类的关键在于寻找不同子类之间的诊断性光谱特征差异。实验影像有3大类地物：植被、水体和建筑物，对每一大类都要进行子类之间的光谱特征差异分析，以取得好的子类区分效果。

1）植被有特定的光谱反射特征，健康绿色植物的光谱反射在可见光波段（0.38～0.76 μm）中，在0.45 μm（蓝光）和0.67 μm（红光）波段表现出较强的吸收，在这2个吸收带之间形成了一个小的反射峰，这是因为叶绿素对蓝光和红光主要产生吸收作用，而对绿光主要产生反射作用[10]。在近红外波段（0.7～0.8 μm）反射率会陡然上升，至1.l μm附近达到峰值，这个陡坡称为植被的红边，是植被独有的光谱特征[11]。在1.3～1.25 μm反射率下降，在1.4 μm、1.9 μm和2.7 μm处为水的吸收带，形成3个低谷。不同种类的植物之间，光谱差异主要体现在红光波段的吸收峰的形态差异和红边的反射率增长强度差异，如图3。所以对于植被分类，可以提取红光波段吸收峰的相关参数和红边参数进行子类区分。

图3 不同植物光谱曲线示意图

2）水体的光谱反射是水体各组分（浮游生物、悬浮物、黄色物质等）的吸收和散射等共同作用的结果。实验区的3类水体——河流、水塘、废弃鱼塘之间的区别主要在于含沙量的不同，所以不同含沙量水体的光谱差异可以作为分类的特征选取标准。含沙水体的标志性反射特征是在0.6～0.85 μm的“双峰”，如图4所示，第一个反射峰位置在 0.6～0.7 μm；第二个反射峰位置在 0.76～0.82 μm。双峰的形态特征与水体含沙量的多少有着密切的关系，图4中，曲线1含沙量为0.312 0 g/L；曲线2含沙量为0.090 5 g/L；曲线3含沙量为0.037 3 g/L；曲线4含沙量为0.018 7 g/L。因此，可以提取双峰之间吸收峰的特征参数来区分水体的不同子类。

图4 不同含沙量水体光谱曲线示意图

3）建筑物的3类道路、厂房、居民地都属于人工地物，其光谱特性由其建筑铺面材料决定。由于人工建筑材料没有特定的标志性光谱反射特征，故在建筑物的光谱曲线上选取光谱吸收指数最大的几个吸收峰作为分类特征。

3 实验与分析

3.1 实验数据分析

本次实验采用的数据是128波段OMIS高光谱影像，影像大小为512行×512列，图5展示了实验区影像的假彩色合成图和实地调查图。根据实地调查图，本实验区的地物可以分成3大类：水体、植被和建筑物。其中，水体又可以分为3类：河流、水塘、废弃鱼塘；植被可以分为2类：草地、小麦；建筑物可以分为3类：道路、厂房、居民地。

图5 实验区影像

3.2 分类实验

从实地调查图中可以看出，实验区地物类型呈现明显的层次特点，可以先进行一次粗分类，把图像的3 大类水体、植被和建筑物分出来。粗分类完成后，对于每一个大类，再进行基于光谱吸收特征参数提取的精细分类。

根据对不同地物的光谱特征差异分析结果，对于植被分类，提取植被红光波段吸收峰的吸收位置、左肩位置、右肩位置、吸收指数、吸收宽度、吸收深度、吸收面积和吸收对称性，还有红边变化率这几个参数进行子类区分。对于不同水体，提取其标志性反射双峰之间（0.7～0.76 μm）的光谱吸收峰的吸收位置、左肩位置、右肩位置、吸收指数、吸收宽度、吸收深度、吸收面积和吸收对称性参数进行区分。对于人工建筑物，选取光谱曲线上光谱吸收指数最大的3个吸收峰，提取其吸收位置、吸收指数、吸收宽度、吸收深度、吸收面积和吸收对称性参数用于分类。表1给出了光谱吸收特征提取的一个示例，提取了实验影像上一个草地像元的光谱曲线上的7个特征吸收峰的参数。

表1 草地光谱吸收特征提取示例

从表1可以看出，提取的草地光谱吸收峰的位置、形态与植被的典型特征光谱是相吻合的，有可见光波段的叶绿素吸收造成的2个吸收峰和近红外波段的水吸收造成的3个吸收峰。

根据上述特征选择方式提取光谱吸收特征进行分类，得到分类结果，并与常见的高光谱影像分类方法光谱角填图（SAM）的分类结果比较。图6a为基于光谱特征参量化的分类结果，图6b为SAM分类结果。

图6 分类结果对比

基于光谱特征参量化的分类总体精度为81.022 6%，Kappa系数为0.748 9，8种地物分类精度矩阵如表2。

表2 分类精度矩阵/%

由表2可知，不同大类地物之间得到了比较理想的区分，同种大类不同子类之间，河流、水塘和废弃鱼塘的区分度较好；草地和小麦之间也有效地区分开来；建筑物的居民地、厂房和道路之间分类效果较差；分析以上地物光谱特征差异可知，不同水体的含沙量区别较大造成提取的光谱特征之间区别明显，不同种植物如草地和小麦的红谷吸收峰和红边参数也有很高的区分度，而人工建筑的道路、居民地和厂房的建筑材料相似或相同，造成光谱特征相似或相同，所以分类效果较差。SAM分类的总体精度为65.524 0%，Kappa系数为0.559 6，对于草地和小麦，河流、鱼塘和废弃鱼塘之间有较多的错分现象。相对于SAM，基于光谱特征参量化的分类方法精度更高，对于同类地物的不同子类的区分更为准确。

[1] 浦瑞良,宫鹏. 高光谱遥感及其应用[M]. 北京:高等教育出版社, 2001[2] Du Peijun, Tan Kun, Xing Xiaoshi. A Novel Binary Tree Support Vector Machine for Hyperspectral Remote SensingImage Classification[J]. Optics Communications, 2012, 285(13-14): 3 054-3 060

[3] Debba P,van Ruitenbeek F J A,Meer F D,et al. Optimal Field Sampling for Targeting Minerals Using Hyperspectral Data[J].Remote Sensing of Environment, 2005, 99(4): 373-386

[4] 畅文娟,何明一. 高光谱图像组合光谱特征研究[J]. 现代电子技术, 2013, 36(14):104 -107

[5] 杜培军, 谭琨, 夏俊士. 高光谱遥感影像分类与支持向量机应用研究[M].北京:科学出版社, 2012

[6] Meer F D. Analysis of Spectral Absorption Features in Hyperspectral Imagery[J]. Journal of Applied Earth Observation and Geoinformation, 2004, 5(1): 55-68

[7] 徐元进,胡光道,张振飞. 包络线消除法及其在野外光谱分类中的应用[J]. 地理与地理信息科学,2005, 21(6): 11-14

[8] 徐元进. 面向找矿的高光谱遥感岩矿信息提取方法研究[D].武汉:中国地质大学,2009

[9] 王晋年,郑兰芬,童庆禧. 成像光谱图像光谱吸收鉴别模型与矿物填图研究[J]. 环境遥感, 1996, 11(1): 20-31

[10] 谭昌伟,郭文善,王纪华,等.浅析遥感光谱特征参量的原理及基本方法[J].遥感技术与应用,2010,25(1):155-160

[11] 杨可明, 郭达志, 陈云浩. 高光谱植被遥感数据光谱特征分析[J]. 计算机工程与应用, 2006, 42(31): 213-215

P237.4

B

1672-4623（2015）04-0086-03

10.3969/j.issn.1672-4623.2015.04.031

李杰，硕士，研究方向为遥感图像处理。

2015-03-11。

项目来源：国家科技支撑计划资助项目（2014BAL05B07）；高等学校博士学科点专项科研基金资助项目（20130141130003）。