面向碳收支服务的HJ数据图像变换方法研究

余晓敏，李 兵，段志强，王 贺

（1.湖北省基础地理信息中心，湖北 武汉 430074；2.湖北省测绘成果档案管，湖北 武汉 430074；3.深圳市海洋环境与监测中心，广东 深圳 518003）

面向碳收支服务的HJ数据图像变换方法研究

余晓敏1，李 兵2，段志强2，王 贺3

（1.湖北省基础地理信息中心，湖北 武汉 430074；2.湖北省测绘成果档案管，湖北 武汉 430074；3.深圳市海洋环境与监测中心，广东 深圳 518003）

为了突出遥感影像中的陆地生态系统固碳主体，增强图像的解译性，提高分类精度，从而准确评估陆地生态系统的碳收支情况，针对碳收支遥感监测所采用的国产HJ图像的变换方法展开研究，对HJ数据分别进行LBV变换、KL变换和KT变换实验，同时采用面向对象分类法评价了图像变换对碳收支土地覆盖分类的影响。实验结果证明，与KL、KT变换方法相比，LBV变换后的图像具有更好的目视解译效果，颜色更鲜艳、地物类别更易区分，能有效提高固碳主体的分类精度。

HJ数据；LBV变换；KL变换；KT变换；面向对象分类；碳收支

陆地表面各种生态系统的类型分布或面积构成（即地表分类）是估算陆地生态系统碳收支评估最基本、最关键的内容。因此，陆地生态系统碳收支评估要求土地覆盖分类能够准确提取森林、草地、农田和湿地等生态类型，突出陆地生态系统的固碳主体[1]。目前，我国面向碳收支服务的遥感监测主要采用国产的HJ-1A/B卫星遥感数据，因而亟需研究与其相适应的图像变换方法，突出植被、水体和裸地信息，得到高质量的土地覆盖分类产品，为陆地生态系统碳收支评估提供基础数据。

目前已经提出了不少关于遥感图像变换的方法，比较有代表性的是KL变换和KT变换。这些变换方法在很大程度上是纯数学式的，带有很大的盲目性[2]。曾志远[3]于2007年提出了一种新的数据变换方法，简称LBV变换，该变换方法在不少方面优于已有的图像增强方法。由于LBV变换建立在大量卫星数据分析基础之上，不同的卫星数据对应的LBV变换公式不同[4]，王贺等[5]根据LBV变换的基本原理于2013年提出了针对国产环境卫星HJ数据的LBV数据变换公式。

本文针对面向碳收支服务的HJ数据图像变换方法展开了研究，对HJ数据分别进行LBV变换、KL变换和KT变换实验，并采用面向对象分类法评价了图像变换对碳收支土地覆盖分类的影响。

1 方法介绍

1.1 LBV变换

LBV变换通过对典型地物的辐射值进行回归分析，总结出典型地物的3个主要遥感特性，即地物总辐射水平L、可见光–近红外辐射平衡B以及波段辐射变化矢量V，然后选取合适的数学方法对其进行提取，从而实现遥感影像的变换。其中，L可以用来监测地物的辐射强度；B可以用来监测水体和地表层的潮湿程度，并能区分云、雪和冰；V是反映植被状况的良好指标，可以用来监测植被的密度与活力[2]。这种方法首次将具有具体物理意义的变量与地物类型联系起来，并且通过假彩色合成明显地区分出植被、非植被与水体，已被广泛应用于遥感影像解译与分类中。HJ影像的LBV变换公式为[5]：

1.2 KL变换

KL变换是在原波段图像统计特征基础上的多维正交线性变换，在不减少图像信息的同时，降低特征维数，集中表达影像信息，提高信噪比，突出影像细节特征，从而有效提取影像信息。一般可表示为[6]：

式中，x是原图像p个波段的像元值向量；m是原图像p个波段的像元值的均值向量；y是变换后产生的q个特征图像的像元值向量。若p=q，则A是p×q的变换矩阵，其每一行是协方差矩阵C的一个特征向量ti，i=1，2，…，p。这些特征向量的顺序是按照对应的特征值λi大小排列的。

当选取经KL变换产生的q个变量中的前n个变量时，可以证明，此时的均方差误差R在所有的正交变换中是最小的，由于n＜q，就可以较小的变量代替了原来的q个变量，实现了变量的压缩。

1.3 KT变换

KT变换也叫穗帽变换，是Kauth和Thomas于1976年提出的一种线性变换方法。KT变换的基本原理是在多维光谱空间中通过线性变换、光谱空间旋转，使植被与土壤的光谱特征得以有效分离，从而去除原始影像各波段之间的冗余信息，使变换之后的结果变成有物理意义的参数。一般来说，变换结果的前3个特征包含了影像的绝大多数信息：变换后的第1分量表征亮度，反映了土壤光谱信息；第2分量表征绿度，反映了植被光谱信息；第3 分量表征地物的水分含量，反映了地物的湿度信息。KT变换总体上能够较好地分离土壤和植被[7]，但依赖于传感器（主要是波段），针对不同的传感器需要采用不同的转换系数。根据Lvits等[8]提出的方法可以计算出HJ影像的KT变换系数。

2 实验结果及分析

2.1 实验数据

采用2010-11-12获取的深圳市HJ影像（图1）基于式（1）～（3）进行LBV数据变换实验。该影像左上角的经纬度为22°40'、113°52'，右下角的经纬度为22°27'、114°20'。为了使变换图像的灰度值范围位于0～255之间，具有均匀的数据分布，还需要对变换得到的新影像进行线性拉伸。

图1 深圳市HJ卫星RGB合成影像

2.2 变换结果分析

2.2.1 LBV变换结果分析

对HJ影像进行LBV变换，得到如图2所示的LBV假彩色合成图像（L、B、V分别赋予红色、蓝色和绿色）。水体基本呈蓝色，且由于水库比河流更清澈，因此其颜色更蓝。而对于正在被填埋的海岸来说，由于其表面多为建筑材料，因此颜色偏蓝紫色。这说明水体越纯净，颜色越蓝。对于裸露地表来说，工业用地颜色较红，而居住地偏紫色。植被大部分呈绿色，只是在背山阴影部分颜色偏蓝绿色。总体看来，经过LBV变换后的影像色彩更鲜艳，水体、裸地和植被的特征得到明显增强，使得地物类别更易区分，更有利于HJ图像的目视解译和分类。

图2 LBV假彩色合成图像

2.2.2 KL变换结果分析

对HJ影像进行KL变换，得到如图3所示的假彩色合成图像（第2分量、第1分量、第3分量分别赋予红色、绿色和蓝色）。KL变换的第1分量信息量最大，第2分量和第3分量的信息量依次减少。信息量大，意味着反映地物特性的效果好，但就某一类地物而言，其信息不一定分布在前几个特征图像中。观察图3发现，植被、水体和裸地均呈现2种以上的颜色，不利于地物的区分。

图3 KL主成分假彩色合成图像

2.2.3 KT变换结果分析

对HJ影像进行KT变换，得到如图4所示的假彩色合成图像（亮度、绿度、湿度分别赋予红色、绿色和蓝色）。基于HJ数据的KT变换在绿度特征上具有一定的优势，能够突出显示植被，但亮度特征和湿度特征无法发挥其应有的作用。观察图4发现，KT变换的效果要优于KL变换，植被、水体和裸地颜色相对纯净，但与LBV变换结果相比，植被和水体信息不够突出。

2.3 图像变换对固碳主体分类的影响

图4 亮度、绿度、湿度假彩色合成图像

为了能够客观评价图像变换对碳收支土地覆盖分类的影响，利用面向对象分类的最近邻分类法对变换后的假彩色影像和原始多光谱影像进行分类。分类前采用相同的分割尺度和分割参数，分别对HJ原始影像以及变换后的影像进行分割。分类结果如图5所示，其中，深绿色为森林，浅绿色为草地，红色代表人工表面，蓝色表示水体，黄色代表其他。

图5 原始图像与变换图像分类结果比较

原始图像与变换图像的分类精度如表1所示。原始图像分类后的总体分类精度为77．15%，总体Kappa系数为0．686 5,其中森林和草地的分类精度分别为78．87%和73．92%。LBV变换后的图像总体分类精度为89．21%，总体Kappa系数为0．831 5，其中森林和草地的分类精度分别为89．68%和84．45%；KL变换后的图像总体分类精度为80．46%，总体Kappa系数为0．745 8，其中森林和草地的分类精度分别为81．52%和76．33%；KT变换后的图像总体分类精度为85．67%，总体Kappa系数为0．809 2，森林和草地的分类精度分别为86．14%和81．87%。显然，经过LBV变换后的图像其分类精度明显优于未经变换的假彩色合成图像和KL及KT变换后的图像，尤其是森林和草地的分类精度得到明显改善，因此使用LBV变换方法对HJ图像进行处理能有效提高固碳主体的分类精度。

表1 原始图像与变换图像的分类精度评价表

3 结 语

本研究针对碳收支遥感监测所采用的国产HJ图像的变换方法展开研究，将HJ数据的LBV变换结果与KL变换和KT变换结果进行对比分析。实验结果证明，LBV变换得到的新图像比HJ原始图像和KL及KT变换后的图像颜色更鲜艳、具有更好的目视解译效果，不但总体分类精度得到明显提高，森林、草地等固碳主体的分类精度也得到了明显改善。因此LBV变换非常适用于面向碳收支土地覆盖分类的遥感图像变换。

[1] 余晓敏． 面向生态系统碳收支服务的HJ-1AB影像分类关键技术[D]．武汉:武汉大学,2012

[2] 曾志远．陆地卫星数据信息提取的一个新方法[J]．环境遥感,1990,5(2):128-139

[3] Zeng Z Y．A New Method of Data Transformation for Satellite Images: I． Methodology and Transformation Equations for Tmimages[J]．International Journal of Remote Sensing,2007, 28(18):4 095-4 124

[4] 张成雯,唐家奎,米素娟,等．中巴02B 卫星多光谱影像中LBV数据变换方法研究 [J]．地理与地理信息科学, 2011, 27(3):21-25

[5] 王贺,陈劲松,余晓敏．HJ数据的LBV变换及其在面向对象分类中的应用[J]．遥感科学与技术,2013,28(6):1 020-1 026

[6] 陆灯盛．KL及KT变换在遥感图像处理中的应用[J]．华东森林经理,1990,4(3):42-46

[7] 刘永昌,张平,严卫东,等．基于KL变换的TM图像变化信息提取方法[J]．计算机工程与应用,2002(4):69-71

[8] Lvits E, Lamb A, Langar F, et al．Orthogonal Transformation of Segmented SPOT5 Images: Seasonal and Geographical Dependence of the Tasseled Cap Parameters[J]． Photogrammetric Engineering and Remote Sensing, 2008, 74(11):1 351-1 364

P237.4

B

1672-4623（2016）02-0060-03

10.3969/j.issn.1672-4623.2016.02.021

余晓敏，博士，工程师，主要从事遥感动态变化监测研究。

2015-03-02。

项目来源：数字制图与国土信息应用工程国家测绘地理信息局重点实验室开放研究基金资助项目（GCWD201410）。