面向GF-1影像的比值建筑用地指数构建

杨文治， 张友静， 尹新沆， 王金龙

(河海大学地球科学与工程学院，南京　210098)



面向GF-1影像的比值建筑用地指数构建

杨文治， 张友静， 尹新沆， 王金龙

(河海大学地球科学与工程学院，南京210098)

摘要：针对GF-1影像缺少短波红外波段的问题，根据建筑用地信息在缨帽变换(Kauth-Thomas transformation,KT)前2个分量具有高对比度的特征，提出了一种比值建筑用地指数(ratio build-up index,RBI)。在不同的时空条件下，利用该指数分别提取了湖北省钟祥市和襄阳市樊城区的建筑用地信息，并将其结果与常规分类器和建筑用地指数等方法提取的结果进行了比较。结果表明，RBI方法提取的建筑用地信息总精度和Kappa系数均较高，且对裸地信息具有较好的抑制能力。

关键词：GF-1影像； 建筑用地指数(RBI)； 缨帽变换(KT)； 精度分析

0引言

利用遥感影像提取建筑用地信息的方法主要分为以下3类： ①基于典型地物的光谱特征或谱间关系知识等，用分类器或决策树法提取建筑用地信息[1-4]； ②基于分类技术提取建筑用地信息[5-7]； ③通过建筑用地指数模型自动提取建筑用地信息[8-9]。由于建筑物的光谱或谱间关系在不同区域和不同图像之间存在较大差异，所以前2类方法的提取精度均不高。而第3类方法仅需通过波段运算便可得到结果，具有操作简单，人工干预少且自动化程度高的特点，因此目前应用较为广泛。Zha等[10]根据裸地和建筑用地在TM4和TM5波段的光谱特征，建立了归一化差值建筑用地指数(normalized difference built-up index,NDBI)； 徐涵秋[11-12]基于数据维压缩技术，构建了指数型建筑用地指数(index-based built-up index,IBI)； 吴志杰等[13]在IBI指数的基础上，构建了增强型建筑用地指数(enhanced index-based built-up index,EIBI)。上述研究均根据建筑用地在短波红外波段的反射特征，通过谱间关系建立相应指数提取建筑用地信息。

目前高分影像数据只有蓝、绿、红和近红外4个波段，无法构建基于短波红外波段的建筑用地指数。针对这一问题，本文利用建筑用地在缨帽变换(Kauth-Thomas transformetion,KT)后的影像特征，提出了一种面向高分影像的比值建筑用地指数(ratio build-up index,RBI)，并结合实例研究证明了该指数能够准确地提取建筑用地信息，且对裸地信息具有较好的抑制能力。

1实验区概况与数据源

以湖北省钟祥市和襄阳市樊城区为实验区。钟祥市位于湖北省中北部，该区地物特征复杂，包括阴影、裸地、细小河流及江心洲等，这些地物的影像均易与建筑用地混淆。樊城区位于湖北省西北部，由于成像时间处于冬季，图像中有大量裸露的休耕地及河滩沙地影像，这些地物的影像也易与建筑用地混淆。

本研究选用钟祥市2013年8月6日的GF-1影像数据。GF-1卫星是我国高分辨率对地观测系统的首发星[14-15]，搭载6台多光谱相机(2台2 m全色/8 m多光谱相机，4台16 m多光谱相机)，具有高、中空间分辨率对地观测和大幅宽成像相结合的特点。为了比较本文提出的RBI与目前常规指数提取建筑用地的精度，选用了含有短波红外波段的Landsat8影像为对比数据，该影像的获取日期和覆盖范围均与GF-1的一致。同时，为了研究RBI在不同时空条件下的适用性，还选用樊城区2014年1月23日的GF-1影像和同日期该区域的Landsat8影像作验证。为了消除大气和光照等因素的影响，对遥感图像进行了辐射校正，将图像的灰度值转换为地物真实反射率。GF-1和Landsat8(不包括热红外波段)的部分波段参数如表1所示。

表1　GF-1和Landsat8数据部分波段参数

2原理和方法

2.1建筑用地的光谱特征

为了分析建筑用地信息在GF-1影像上的光谱特征及其与背景地物的差异,对钟祥市的水体、林地、耕地、建筑用地及裸地5 类典型地物进行了采样，其光谱特征曲线如图1所示。

图1　钟祥市实验区典型地物在GF-1影像上的

由于GF-1影像无法提供可以构建常规建筑用地指数的短波红外波段数据，且建筑用地和裸地的光谱特征相似，难以使用单个原始波段或原始波段组合提取建筑用地信息，因此有必要创建一个面向GF-1影像的建筑用地指数。

2.2比值建筑用地指数的构建

KT变换是一种特殊的线性变换，可以视为一种有固定系数的主成分变换，通过多维旋转产生新的主分量，并达到降维的目的[16]。KT变换矩阵最初是由Kauth和Thomas根据MSS图像的数据特征总结提出的[17]，且主要是针对MSS图像的绿、红和2个近红外波段所进行的变换，其模型显然不适用于GF-1影像，而IKONOS影像各波段参数与GF-1影像基本一致，因此本文采用Horne[18]在2003年针据IKONOS多光谱影像数据计算并提出的变换矩阵对GF-1影像进行KT变换。

KT变换后得到的4个分量如图2所示。

图2　典型地物在GF-1影像上经过KT变换结果

由于98%以上的图像信息主要集中在KT变换的前2个分量[19]中，所以地物在这2个分量中具有较高可分性。

KT变换的第1分量(KT1)为

KT1=0.326X蓝+0.509X绿+0.56X红+0.567X近红外，

(1)

式中：X蓝，X绿，X红，X近红外分别为蓝、绿、红和近红外波段的反射率。从式(1)可知，KT1在数值上等于4个波段反射率的加权和，反映了地物总体反射率。由图2可知，在KT1上各典型地物的变换值从高到低依次为耕地、建筑用地、裸地、林地及水体。

KT变换的第2分量(KT2)为

KT2=-0.311X蓝-0.356X绿-0.325X红+0.819X近红外，

(2)

可以看出，KT2在数值上等于近红外波段数值减去可见光波段数值。由于植被在近红外波段具有高反射率的特征，因此耕地和林地的变换值在KT2中分列第1位和第2位； 而从前文可知，由于水体反射率从红光波段到近红外波段呈现下降趋势，且在近红外波段的反射率明显低于其他地物，所以水体在KT2中变换值最低，且为负值。

在KT变换前2个分量中，建筑用地处于耕地和水体之间，但是建筑用地在前2个分量的对比度显然大于其他地物，因此可以构建一个类似于比值植被指数(ratio vegetation index,RVI)的比值建筑用地指数(ratio build-up index,RBI)，具体公式为

RBI=KT1/KT2 。

(3)

3结果与分析

3.1建筑用地信息的RBI提取

利用RBI提取GF-1影像中的建筑用地信息一般包括以下步骤： ①影像预处理(辐射校正)； ②对蓝、绿、红及近红外4个波段数据进行KT变换，得到KT1和KT2； ③利用KT1和KT2构建RBI，以增强建筑用地信息； ④目视判读，选择实验区(图3(左))中典型地物的训练样本，统计分析其在RBI中的特征值，利用建筑用地与其他地物差异显著的特征值作为判定阈值，提取建筑用地信息，提取结果如图3(右)所示。

图3钟祥市2013年8月6日GF-1影像(左)和RBI提取的建筑用地结果(右)

Fig.3GF-1 image of Zhongxiang region on August 6,2013(left) and extracted built- up result(right) using RBI

由图3可以看出，利用RBI指数可以有效地提取建筑用地信息，且有效地抑制了裸地和江心洲对建筑用地的影响。

3.2与常规分类器的比较

为了将RBI与常规分类器的提取效果进行对比，选择最大似然分类法(maximum likelihood classification,MLC)、神经网络法(neural network classification,NNC)和支持向量机法(support vector machine classification,SVMC)对实验区进行分类，提取建筑用地信息，其结果如图4所示。

(a) MLC提取结果(b) NNC提取结果 (c) SVMC提取结果

图4分类器提取的建筑用地结果

Fig.4Extracted built- up results using Classifiers

对比图3和图4可以发现,RBI和常规分类器的提取效果均很好，而RBI对于抑制南部丘陵地区裸地和江心洲的效果明显优于常规分类器。

为了对分类结果进行定量分析，本文结合现有的土地利用图像与实验区GF-1 PMS2 传感器获取的2 m全色/8 m多光谱数据，采用随机抽样的方式，在钟祥市实验区抽取800个验证像元作为检验样本，建立几种分类方法的混淆矩阵(表2)。从表2的生产者精度来看，4种方法对于建筑用地的提取精度都超过了89.0%，但由于“过分类”以及不能有效区分裸地，导致使用者精度较低。从总精度和Kappa系数来看，RBI的分类精度均高于常规分类器，表明RBI指数抑制裸地信息的效果明显。

表2　基于分类器所得的混淆矩阵

3.3与常规指数的比较

目前，NDBI，IBI和EIBI这3个指数在提取建筑用地信息方面应用较为广泛。NDBI是根据建筑用地信息在TM4和TM5波段中呈上升趋势的特点构建的，但是裸地信息在TM4和TM5波段上的趋势与建筑用地信息一致，并且裸地在TM5波段上的反射率最高，因此NDBI 在提取建筑用地信息时常常受到裸地信息的影响[20]； IBI采用指数型构建[21]，但是由于IBI是基于NDBI创建的，所以不可避免地包含裸地信息，裸地信息在NDBI中最高，在改进的归一化水体指数(modified normalized difference water index,MNDWI)中最低，因此，由NDBI和MNDWI创建的IBI反而加强了裸地信息； EIBI是在IBI基础上建立的，能够抑制裸地信息，增强建筑用地信息。

上述指数都需要短波红外波段来构建。为了比较RBI和目前常规指数的提取效果，选取了与前文GF-1数据采集日期和图像覆盖范围一致的Landsat8影像用于比对，主要包括以下操作： ①影像预处理(辐射校正)； ②将影像重采样为16 m，与GF-1影像分辨率一致； ③构建NDBI,IBI和EIBI指数图像，对建筑用地信息进行增强； ④统计分析典型地物在各指数中的特征值，利用建筑用地与其他地物差异显著的特征值作为判定阈值，提取建筑用地信息，结果如图5所示； ⑤使用与RBI精度验证一致的检验样本，建立混淆矩阵(表3)。

(a) NDBI提取结果 (b) IBI提取结果 (c) EIBI提取结果

图5　常规指数提取的建筑用地结果

对比图3和图5可以发现，RBI和其他3个指数对城市建筑用地信息的提取效果均较好，但RBI和EIBI抑制裸地信息的效果优于NDBI和IBI。与RBI相比，常规指数存在将江心洲错分为建筑用地的现象。为了分析造成上述现象的原因，本文利用与前文一致的训练样本，统计钟祥实验区各典型地物在4个指数图像中的均值，其结果如表4所示。

表4　钟祥市典型地物指数均值

由表4可知： ①建筑用地信息在RBI和EIBI中指数值最高； ②在RBI中，建筑用地和裸地之间的差值明显大于其他指数。然而由于各指数的构建公式不同，所以指数值的范围也不同，因此本文对4个指数图像统一做0~255的灰度拉伸，利用与前文一致的训练样本，比较了典型地物在各指数图像中的灰度值(图6)。由图6可知，RBI中建筑用地与裸地之间的灰度值之差显然大于其他指数的。由于江心洲主要由裸地构成，而RBI拉大了建筑用地与裸地之间的差异，使得RBI提取建筑用地信息的阈值范围大于其他常规指数，所以RBI在区分易与建筑用地混淆的裸地和江心洲信息方面的效果优于其他指数。

图6　4种指数图像灰度值特征

从表3的生产者精度来看，常规指数与RBI提取建筑用地信息的精度相差不大，最低也达到了84.0%，说明4种指数都具有增强建筑用地信息的效果。RBI和EIBI对于非建筑用地信息提取的精度明显高于NDBI和IBI，说明RBI和EIBI抑制裸地信息的效果优于NDBI和IBI。从总精度和Kappa系数来看，RBI依然最高，故RBI提取建筑用地信息的效果优于其他指数。

3.4方法验证

为了验证RBI在不同时空条件下的适用性，本文选用2014年1月23日湖北省襄阳市樊城区的GF-1影像和同日期该区域的Landsat8影像，分别利用RBI，SVMC和EIBI 3种方法提取建筑用地信息，其结果如图7所示。

(a) 原始真彩色合成图像(b) RBI提取结果(c) SVMC提取结果 (d) EIBI提取结果

图7樊城区2014年1月23日GF-1号原始影像和RBI，SVMC,EIBI提取的建筑用地结果

Fig.7GF-1 image of Fancheng region on January 23,2014 and extracted built- up results using RBI,SVMC and EIBI

对比3种方法的提取结果可以发现，RBI和EIBI抑制裸地信息的效果优于SVMC； RBI提取城市建筑用地的效果优于EIBI。

为了定量比较3种方法的提取精度，本文采用随机抽样的方式，在樊城实验区抽取700个验证像元作为检验样本，建立混淆矩阵(表5)。

表5　樊城实验区精度验证数据

由表5可知，RBI法的总精度和Kappa系数指标均高于SVMC和EIBI。

4结论

1)在目前GF-1影像没有短波红外波段的情况下，采用KT变换前2个分量构建的比值建筑用地指数(ratio build-up index,RBI)提取建筑用地的方法是可行的。利用该指数提取建筑用地信息的总体精度达到89.0%以上，明显高于目前几种常规分类方法的提取精度。

2)RBI与目前常规的建筑用地指数相比，在突出建筑用地信息的同时，能抑制裸地信息。

3) 在不同时空条件下，利用RBI提取建筑用地信息依然可行。

需要说明的是： ①由于RBI构建时要用到受大气影响较大的蓝光波段，故对遥感影像需做辐射定标和大气校正。②RBI与其他指数相比虽然增强了建筑用地信息，但是由于裸地和建筑用地光谱特征具有相似性，使得二者始终存在重叠区域，因此，为了抑制裸地信息的影响，单独依靠RBI设定阈值一定会造成建筑用地信息的遗漏，对于农村建筑用地这类建筑用地和裸地的混合像元影响尤其明显，这也是RBI法提取建筑用地的局限性。③由于目前还没有针对GF-1影像的KT变换模型，所以本文使用的是基于IKONOS影像的KT变换模型。

参考文献(References)：

[1]赵萍,冯学智,林广发.SPOT卫星影像居民地信息自动提取的决策树方法研究[J].遥感学报,2003,7(4):309-315.

Zhao P,Feng X Z,Lin G F.The decision tree algorithm of automatically extracting residential information from SPOT images[J].Journal of Remote Sensing,2003,7(4):309-315.

[2]彭正林,毛先成,刘文毅,等.基于多分类器组合的遥感影像分类方法研究[J].国土资源遥感,2011,23(2):19-25.doi:10.6046/gtzyyg.2011.02.04.

Peng Z L,Mao X C,Liu W Y,et al.Method for classification of remote sensing images based on multiple classifiers combination[J].Remote Sensing for Land and Resources,2011,23(2):19-25.doi:10.6046/gtzyyg.2011.02.04.

[3]饶萍,王建力,王勇.基于多特征决策树的建设用地信息提取[J].农业工程学报,2014,30(12):233-240.

Rao P,Wang J L,Wang Y.Extraction of information on construction land based on multi-feature decision tree classification[J].Transactions of the Chinese Society of Agricultural Engineering,2014,30(12):233-240.

[4]陈波,张友静,陈亮.结合纹理的SVM遥感影像分类研究[J].测绘工程,2007,16(5):23-27.

Chen B,Zhang Y J,Chen L.RS image classification based on SVM method with texture[J].Engineering of Surveying and Mapping,2007,16(5):23-27.

[5]Weng Q H,Hu X F.Medium spatial resolution satellite imagery for estimating and mapping urban impervious surfaces using LSMA and ANN[J].IEEE Transactions on Geoscience and Remote Sensing,2008,46(8):2397-2406.

[6]Zhang Y J,Chen L,He C.Estimating urban impervious surfaces using LS-SVM with multi-scale texture[C]//Urban Remote Sensing Event,2009 Joint.Shanghai,China:IEEE,2009:1-6.

[7]Ridd M K.Exploring a V-I-S(vegetation-impervious surface-soil) model for urban ecosystem analysis through remote sensing:Comparative anatomy for cities[J].International Journal of Remote Sensing,1995,16(12):2165-2185.

[8]吴宏安,蒋建军,张海龙,等.比值居民地指数在城镇信息提取中的应用[J].南京师大学报:自然科学版,2006,29(3):118-121.

Wu H A,Jiang J J,Zhang H L,et al.Application of ratio resident-area index to retrieve urban residential areas based on Landsat TM data[J].Journal of Nanjing Normal University:Natural Science,2006,29(3):118-121.

[9]徐涵秋,杜丽萍.遥感建筑用地信息的快速提取[J].地球信息科学学报,2010,12(4):574-579.

Xu H Q,Du L P.Fast extraction of built-up land information from remote sensing imagery[J].Journal of Geo-Information Science,2010,12(4):574-579.

[10]Zha Y,Gao J,Ni S.Use of normalized difference built-up index in automatically mapping urban areas from TM imagery[J].International Journal of Remote Sensing,2003,24(3):583-594.

[11]徐涵秋.基于压缩数据维的城市建筑用地遥感信息提取[J].中国图象图形学报,2005,10(2):223-229.

Xu H Q.Remote sensing information extraction of urban built up land based on a data dimension compression technique[J].Journal of Image and Graphics,2005,10(2):223-229.

[12]Xu H Q.Extraction of urban built-up land features from Landsat imagery using a thematic-oriented index combination technique[J].Photogrammetric Engineering and Remote Sensing,2007,73(12):1381-1392.

[13]吴志杰,赵书河.基于TM图像的“增强的指数型建筑用地指数”研究[J].国土资源遥感,2012,24(2):50-55.doi:10.6046/gtzyyg.2012.02.10.

Wu Z J,Zhao S H.A study of enhanced index-based built-up index based on Landsat TM imagery[J].Remote Sensing for Land and Resources,2012,24(2):50-55.doi:10.6046/gtzyyg.2012.02.10.

[14]路云阁,刘采,王姣.基于国产卫星数据的矿山遥感监测一体化解决方案——以西藏自治区为例[J].国土资源遥感,2014,26(4):85-90.doi:10.6046/gtzyyg.2014.04.14.

Lu Y G,Liu C,Wang J.Integrated solutions for mine remote sensing monitoring based on domestic satellite images:A case study of Tibet[J].Remote Sensing for Land and Resources,2014,26(4):85-90.doi:10.6046/gtzyyg.2014.04.14.

[15]白照广.高分一号卫星的技术特点[J].中国航天,2013(8):5-9.

Bai Z G.The technical features of GF-1[J].Aerospace China,2013(8):5-9.

[16]费鲜芸,张志国,高祥伟.基于缨帽变换的IKONOS数据融合[J].计算机工程与应用,2008,44(2):233-235.

Fei X Y,Zhang Z G,Gao X W.Study on IKONOS data fusion based on tasseled cap transformation[J].Computer Engineering and Applications,2008,44(2):233-235.

[17]Kauth R J,Thomas G S.The tasseled cap——a graphic description of the spectral-temporal development of agricultural crops as seen by Landsat[C]//Proceedings of the Symposium on Machine Processing of Remotely Sensed Data.Indiana,1976:159.

[18]Horne J H.A tasseled cap transformation for IKONOS images[C]//ASPRS 2003 Annual Conference Proceedings.2003:60-70.

[19]周家香,朱建军,左廷英.IKONOS图像的缨帽变换方法[J].矿山测量,2006(1):13-14,50.

Zhou J X,Zhu J J,Zuo T Y.Tasseled cap transformation method for IKONOS images[J].Mine Surveying,2006(1):13-14,50.

[20]杨智翔,何秀凤.基于改进的NDBI指数法的遥感影像城镇用地信息自动提取[J].河海大学学报:自然科学版,2010,38(2):181-184.

Yang Z X,He X F.Automatic extraction of urban land-use information from remote sensing images based on improved NDBI method[J].Journal of Hohai University:Natural Sciences,2010,38(2):181-184.

[21]Xu H.A new index for delineating built-up land features in satellite imagery[J].International Journal of Remote Sensing,2008,29(14):4269-4276.

(责任编辑： 刁淑娟)

下期要目

闫利多光谱遥感影像植被覆盖分类研究进展

李万伦矿山环境高光谱遥感监测研究进展

王思胜基于ALOS/PALSAR数据的山地冰川流速估算方法比较研究——以喀喇昆仑地区斯克洋坎力冰川为例

李亮融合时间特征的高分辨率遥感影像分类方法

陆丁滒基于Google Earth影像的漓江水系形态特征提取与分析

毋兆鹏基于CLUE_S 模型的精河流域绿洲土地利用空间格局多情景模拟

王雪利用机载LiDAR数据和高分辨率图像提取复杂城区的建筑物

郭红燕面向石油遥感信息服务的多时相影像数据管理

张微高分辨率遥感卫星在东昆仑成矿带找矿预测中的应用

张焜高分一号卫星影像在中印边界楚鲁松杰村一带地质灾害调查中的应用

Construction of ratio build-up index for GF-1 image

YANG Wenzhi, ZHANG Youjing, YIN Xinhang, WANG Jinlong

(SchoolofEarthSciencesandEngineering,HohaiUniversity,Nanjing210098,China)

Abstract:In view of the facts that the high resolution image is usually lack of shortwave infrared wavelengths and that the first two components of KT transformation have the characteristics of high contrast, this paper proposes a ratio build-up index (RBI) with GF-1 images as the data source. Under different temporal-spatial conditions, the ratio build-up index was used to extract the build-up land information of Zhongxiang City and Fancheng District of Xiangyang City in Hubei Province, and the result was compared with results of the common classifiers and the common build-up index’s extractions. It is shown that the accuracy and Kappa of RBI extraction are better, and RBI has good inhibition capability on bare land information.

Keywords:GF-1 Image； ratio build-up index (RBI)； KT transformation； accuracy analysis

作者简介：第一 杨文治(1989-)，男，硕士研究生，主要从事遥感技术机理与应用研究。Email： 199962972@qq.com。

中图法分类号：TP 751.1

文献标志码：A

文章编号：1001-070X(2016)01-0035-08

基金项目：高分水利遥感应用示范系统(一期)项目(编号： 08-Y30B07-9001-13/15)资助。

收稿日期：2014-08-08；

修订日期：2014-11-15

doi:10.6046/gtzyyg.2016.01.06

引用格式： 杨文治，张友静，尹新沆,等.面向GF-1影像的比值建筑用地指数构建[J].国土资源遥感,2016,28(1):35-42.(Yang W Z,Zhang Y J,Yin X H,et al.Construction of ratio build-up index for GF-1 image[J].Remote Sensing for Land and Resources,2016,28(1):35-42.)