空间光谱差比参量及其模拟应用

陈玉，王钦军

(中国科学院遥感与数字地球研究所，北京 100094)

0 引言

遥感影像分析的目的是反映、解释、量化与描述地表模式，如何从遥感影像的空间与光谱特征出发构建与现实地物相匹配的特征参量是遥感影像分析的关键[1-2]。多年来，地物的光谱特征参量(波形、特征吸收位置、特征吸收深度等[3-5])，空间特征参量(大小、形状、纹理、位置、布局等[6-8])均已被有效应用于遥感影像分析中，并获得了成功[9-11]。但是，随着遥感影像空间分辨率与光谱分辨率的逐步提高，数据挖掘的广度与深度也在不断增强。有些特定领域的应用还需要通过进一步挖掘目标的空间与光谱信息，构建在其所在环境背景干扰下保持一定不变性的特征参量。比如热液或油气渗漏的蚀变晕，点源污染导致的植被胁迫长势分带等。该类对象具有环形分带或渐变的特征，可表达为沿着某一位置向周边或某一侧，光谱特征呈现出有规律的变化。该类目标具有外源侵入的性质，而被侵入体类型多样，形成不同背景干扰着该类目标的识别。由于该类目标的光谱特征及形状多变，因而难以用传统的空间或光谱特征参量来表达。

1 空间光谱差比参量的提出

对于该类目标对象，由于受到各种干扰影响，线性光谱混合模型有：

(1)

(2)

0≤fk i≤1

(3)

式中：Ri b为b波段第i像元的光谱反射率；fk i为对应于第i像元的第k个组分所占比例；Ck b为第k个基本组分b波段的反射率；n为像元i所包含的基本组分数目；εi b为误差。为突出感兴趣目标地物，将公式(1)进行变形有

(4)

Ri b-Rj b=f1i(C1i b-C1j b)

(5)

同样对于其他波段b’有

Ri b′-Rj b′=f1i(C1i b′-C1j b′)

(6)

将公式(5)与公式(6)比有

(7)

公式(7)与地表干扰物的覆盖组分无关，只与感兴趣目标的空间光谱变化有关，该参量称为空间光谱差比参量Vijbb’，即不同波段空间相邻像元反射率差值的比值。

2 空间光谱差比参量的模拟应用

2.1 图像模拟

以某类热液蚀变为例，模拟存在如图1(a)所示的热液蚀变目标，其地表蚀变晕呈三层分带特征，各分带光谱特征曲线如图1(b)所示(假设有4个特征波段)。目标物之外为取值0到1之间均匀分布的随机像元。

图1 某类模拟热液蚀变目标图像及光谱特征

对于这一目标对象，若不存在混合像元现象，可以采用多种方法直接识别出目标地物。但是自然界地物环境复杂，受地质环境影响，一些热液蚀变目标在地表可能局部缺失、形状各异。此外，由于受到不同地表覆盖类型及强度的影响，这些目标的光谱特征会产生变异。为了简化分析，我们以同一类型干扰物不同强度下影响为例，假定存在9个该类热液蚀变目标均受到某一光谱曲线如图2所示地表覆盖的影响。该覆盖物在9个目标中强度占比分别从0增加到80%。并且这9个目标形状各异还有部分有缺失现象。模拟的4个波段在干扰下各波段图像如图3所示。为了考察算法去噪性能在模拟图像中加入了0～0.1之间的随机噪声。

图2 模拟的干扰地物光谱曲线

注：各个图像上目标物从左到右，从上到下干扰依次占比以10%为梯度从0增加到80%。图3 不同强度干扰下目标地物各波段图像

2.2 传统分类方法

采用传统的监督分类的方法选择图1(b)的标准曲线作为参考光谱，并利用ENVI现有软件分类功能，分别采用支持向量机法、光谱角填图法、最大似然法、平行管道法、最小距离法、光谱信息散度法对目标按照分类的方式进行识别，结果如图4所示。其中红色、黄色、绿色分别代表识别出的目标物的内环、中环、外环。黑色表示不属于目标地物。

图4 基于传统各分类算法识别结果

2.3 利用空间光谱差比参量的方法

对于该类目标对象，在不同强度或类型的背景干扰下其空间光谱差比参量保持不变。由公式(7)，对于这一目标对象，若不存在混合像元现象，可以采用多种方法直接识别出目标地物。但是自然界地物环境复杂，受地质环境影响，一些热液蚀变目标在地表可能局部缺失、形状各异。此外，由于受到不同地表覆盖类型及强度的影响，这些目标的光谱特征会产生变异。为了简化分析，我们以同一类型干扰物不同强度下影响为例，假定存在9个该类热液蚀变目标均受到某一光谱曲线如图2所示地表覆盖的影响。该覆盖物在9个目标中强度占比分别从0增加到80%，并且这9个目标形状各异还有部分有缺失现象。模拟的4个波段在干扰下各波段图像如图3所示。为了考察算法去噪性能在模拟图像中加入了0～0.1之间的随机噪声。

假设Vijbb′-(Rib-Rjb)/(Rib′-Rjb′)表示空间上相邻i、j位置处光谱波段b、b’的空间光谱差比参量。以字母下标n代表内环，z代表中环，w代表外环，数字下标1～4分别代表相应的波段。Vnz12代表空间上内环与中环，波段1与波段2之间的空间光谱差比参量。可知对于图1所示的模拟图像有：Vnz12=(Rn1-Rz1)/(Rn2-Rz2)=-1、Vzw12=2/3、Vnz23=-2、Vzw23=-3/2、Vnz34=-1、Vzw34=-2/3这些空间光谱差比参量在9个目标地物中保持不变，与覆盖物的强度与类型无关，可用于该类目标地物识别。为此设计的算法流程如图5所示。首先进行图像分割(分割过程中参数仅考虑光谱特性)，然后，分别对分割后的图斑计算其与相邻图斑的空间光谱差比参量，在满足给定误差限的情况下输出匹配结果。图6为图像分割结果(借助eCognition软件实现)，最终识别输出结果如图7所示(基于ArcGIS二次开发实现)。

图5 基于空间光谱差比参量的识别流程

图6 图像分割结果

图7 基于空间光谱差比参量的识别结果

2.4 精度评价

对比图4及图7各方法识别结果，采用整体精度及Kappa系数评价各分类方法(表1)可以看出，传统的分类方法在背景干扰下均会出现识别出错的情况，由于模拟图像的波段设置问题，这种错误在不同的算法中有不同程度的体现。而基于空间光谱差比参量的识别方法有效消除了背景干扰，整体精度达到99.98%，Kappa系数为0.998，可以很好地将9个目标识别出来。

表1 各类方法分类整体精度及Kappa系数比较

3 结束语

本文通过理论分析与公式推导首次提出了空间光谱差比参量的概念，该参量可有效用于表达光谱特征随空间呈现规律性变化的一类地物。基于模拟图像，利用该参量构建的识别方法总体识别精度达到了99.8%，大大高于传统方法。本次实验方法是在图像分割的基础上，以图斑为单位开展算法设计。实际上，也可不经过图像分割以像元代替图斑开展应用，但是算法的时间与空间复杂度均大大增强，且误差限的设计需要更具有灵活性，这些有待后续进一步的深入研究。此外，该参量也具有一定的局限性。首先，在公式推导过程中假设了临近的像元受到的干扰类型及强度差异远小于距离较远的像元，该假设要求背景干扰在单个目标物范围内应该保持尽可能一致，对于不一致的情况则需要我们进一步抽析出其中不变的特征参量。其次，该参量在推导过程中忽略了误差项，误差项对结果的影响随着临近图斑光谱反射率差值的增大而减小，这就提醒我们在利用该参量时选择光谱随空间变化较大的特征波段组合效果更佳。