LBV变换在国产ZY-3卫星影像中应用研究探讨

2019-09-12卫宝泉索安宁李颖赵建华

自然资源遥感 2019年3期

卫宝泉，索安宁，李颖，赵建华

(1.大连海事大学航海学院，大连 116026； 2.国家海洋环境监测中心，大连 116023)

0 引言

近年来，随着中国卫星遥感技术的飞速发展，资源三号(ZY-3)、高分一号和高分二号等国产卫星的多传感器、高空间分辨率光学遥感数据日益丰富，并逐渐替代国外高空间分辨率数据应用于土地调查、海洋监测、环境保护、森林资源调查和灾害监测中。相比低空间分辨率遥感影像，高空间分辨率遥感影像在大幅提高地物空间细节的同时，也存在着数据量大、信息冗余多、光谱重叠多、波段关联性强等问题[1]，因此，越来越多技术人员关注于去除无用信息、消除数据冗余、减少数据处理量，获取更多详细、清晰、有用信息的图像变换方法。一种好的图像变换方法，要求变换后的图像能很好地保留其空间分辨率、空间纹理信息和光谱信息，提高影像对比度和清晰度，突出显示感兴趣地物，以利于后续遥感解译和动态监测。

国内外学者对不同空间分辨率、不同数据源的遥感影像变换方法进行了大量的研究，常用的变换方法有Brovey变换[2-4]、主成分分析(principal component analysis，PCA)变换[5-6]、HIS变换[7-9]、高通滤波(high-pass filter，HPF)变换[10-11]、小波变换(wavelet transform，WT)[12]、锐化变换(Pan-sharping)[13-15]、光谱锐化(Gram-Schmidt，G-S)变换等。同时，还有许多学者改进或者提出新的变换方法，Ghanbari等[16]改进了HIS算法，使得光谱差异更小；刘军等[17]提出快速离散Curvelet变换和HIS变换集成的遥感影像融合方法，采用标准差加权的融合策略，自适应地调整空间细节与光谱信息权重，从而提高融合影像质量；杨桄等[18]提出多特征加权的图像融合方法，对多尺度分解后的低频系数进行边缘特征提取，对高频系数进行信号强度比特征提取，提高图像融合效果；张惊雷等[19]针对红外与可见光图像融合时亮点目标易丢失且背景信息不清晰的问题，提出基于非采样Contourlet变换与局部区域融合规则相结合的方法，从而提高融合图像精度。

LBV变换是一种图像变换概念模型[20-21]，它将遥感影像地物波谱信息经过数据变换得到反映地物信息的3个分量图像：地物总体辐射水平L，可用于监测地物辐射强度；可见光—近红外辐射平衡B，可用于监测水体；辐射变换矢量V，可用于监测植被。该方法得到的彩色合成影像地物信息丰富，层次分明。由于LBV变换是一个理论概念，针对不同空间分辨率、不同波谱范围，其变换公式也不一致，且国内仅应用于低空间分辨率影像[22-26]。本文在研究LBV变换理论方法基础上，针对国产ZY-3卫星高空间分辨率影像地物波谱特性，通过回归分析计算推导针对国产ZY-3卫星影像的LBV变换公式，然后将LBV进行影像彩色合成，为ZY-3卫星影像应用提供丰富的地物信息。同时，将本文方法与其他图像变换方法进行定性、定量的比较，分析本文方法在国产ZY-3卫星影像中应用的优势，探讨其在国情监测应用中的可行性。

1 ZY-3卫星影像典型地物光谱分析

ZY-3卫星于2012年1月9日成功发射，是我国第一颗民用高空间分辨率测绘卫星，重访周期为5 d，卫星上搭载4台高空间分辨率CCD相机，其全色波段波谱范围为0.45～0.80 μm，星下点空间分辨率为2.1 m，多光谱有4个波段，波长范围分别为0.45～0.52 μm，0.52～0.59 μm，0.63～0.69 μm，0.77～0.89 μm，星下点空间分辨率为5.8 m。本文从北至南选取我国5—10月份的ZY-3影像21景，并利用ENVI5.2软件FLAASH模块对选取的ZY-3影像进行大气校正。ZY-3影像中心经度、中心纬度和拍摄日期等信息如表1所示。

表1 ZY-3卫星影像信息Tab.1 Information of ZY-3 images

从选取的ZY-3影像上选择近岸海水、河流、水库、草地、林地、农田、裸地、建筑用地和道路9类典型地物，统计上述9类地物光谱平均值。ZY-3影像地物光谱曲线如图1所示。从图1中分析9类典型地物在ZY-3遥感影像4个波段光谱值大小可知，水体在波段1—波段4光谱值总体呈下降趋势，植被光谱值在前3个波段波动性增加和减少，在第4波段突然增加，裸地光谱值在波段1—波段3基本保持平稳，在第4波段呈现减少趋势。

图1 ZY-3影像9类地物光谱曲线Fig.1 Spectral curves of nine ground features of ZY-3

2 ZY-3影像LBV变换

ZY-3影像的LBV变换主要是利用影像的地物光谱曲线信息和二次、线性回归函数求解L，B，V这3个分量，其技术流程如图2所示。

图2 LBV变换技术流程Fig.2 Flow chart of LBV

2.1 回归系数求解

通过LBV变换理论推导ZY-3遥感影像的3个分量之前，首先需要采用回归的方法求解其回归系数。对于ZY-3多光谱影像的4个波段，其二次和线性回归等式分别为

(1)

(2)

影像第i个波段回归残差Vi公式为

(3)

选择ZY-3影像4个波段的波长值分别为0.49，0.55，0.66，0.83。根据二次回归公式，求解回归系数a，b和c值。其计算公式为

(4)

式中D1，D2，D3和D4分别为ZY-3遥感影像4个波段地物光谱值。

通过求解式(4)，得到二次回归曲线的回归系数a，b和c值，即

a=0.170 6D1-2.305 5D2-12.732 5D3+5.331 9D4，

(5)

b=-3.696D1+9.228D2+40.311D3-18.843D4，

(6)

c=21.496D1-7.873D2-30.026D3+16.402D4。

(7)

同理，根据线性回归，求解回归系数a′和b′值，即

a′=1.598D1+1.03D2-0.01D3-1.618D4，

(8)

b′=-2.131D1-1.234D2+0.411D3+2.953D4。

(9)

2.2 LBV特征值推导

2.2.1L值推导

L值反映地物总体辐射水平，能从整体上区分裸地、植被和水体3类典型地物。L值是个经验值，取值与ZY-3遥感影像各波段系数及波长取值有关。在推导的二次回归曲线的基础上，将ZY-3遥感影像9类地物光谱曲线波长往两边扩展，同时调整各波段前系数。通过实验得出，当第1波段乘以6，λ=0.2时，可以很好地区分各类地物(图3)。从图3可知，裸地有较高的光谱估计值，植被光谱估计值较低，水体光谱估计值介于二者之间。

图3 9类地物光谱二次回归曲线Fig.3 Quadratic regression curves of nine grourd features

L=32.56D1-0.774 8D2-5.871 4D3+2.219 5D4。

(10)

2.2.2B值推导

根据式(8)—(9)计算ZY-3遥感影像线性回归系数，得到9类典型地物线性回归曲线(图4)。由图4可知，水体曲线与横坐标夹角正切值为负，植被曲线与横坐标夹角正切值为正，裸地曲线与横坐标夹角正切值介于水体和植被之间。研究发现，用线性回归直线正切值取相反数可表示可见光—近红外波段平衡B值，那么水体有较大B值，植被有较小B值，裸地的B值介于二者之间。B值可表示为

B=2.130 8D1+1.233 6D2-
0.411 2D3-2.953 3D4。

(11)

图4 9类地物线性回归曲线Fig.4 Linear regression curves of nine ground features

2.2.3V值推导

V表示地物辐射变换矢量，V值由影像地物光谱估计值和实际值之差来表示。图5为ZY-3遥感影像建筑用地(裸地)和林地(植被)2类地物实际光谱值(实线表示)及其二次回归估计值(虚线表示)，二者之差称为残差。

图5 建筑用地和林地二次回归曲线及残差Fig.5 Quadratic regression curves andresiduals of building and forest

由图5可知，植被在波段1—波段4残差符号分别为+，-，+，-，裸地在波段1—波段4残差符号分别为-，+，-，+，那么取V=v1-v2+v3-v4可使植被辐射残差最大，裸地辐射残差最小，水体辐射残差居于植被和裸地之间。V值可表示为

V=-0.726D1+1.363D2-
0.792D3+0.155 6D4。

(12)

3 实验结果与分析

3.1 实验结果

选取福建省宁德市作为实验区，ZY-3影像拍摄时间为2016年6月2日，中央经纬度分别为E119.7°，N26.7°。首先，对实验用ZY-3影像各个波段数据进行配准，消除各个波段同名像素间位置误差，并进行辐射定标和大气校正，消除大气造成的影响，提高地物光谱属性值；然后，根据式(10)—(12)，计算出宁德市ZY-3影像LBV变换图像。

为了使变换后图像像素值在0～255之间，并符合正态分布，对变换后图像进行线性拉伸。以宁德市ZY-3遥感影像变换后的B值图像为例，B标准差为242.72，令m=25/242.72，并计算B乘以m得到B1图像，即

B1=0.219 5D1+0.127 1D2-0.042 4D3-0.304 2D4。

(13)

这时B1标准差为25，其均值为-0.907 6，令n=128-(-0.907 6)，使B1两边加上n得到B2图像，即

B2=0.219 5D1+0.127 1D2-0.042 4D3-0.304 2D4+128.907 6。

(14)

这时B2中像素平均值为128，标准差为25，图像上所有的像素值均落在0～255之间，方便后续图像解译、识别和比较。

采用上述同样方法求得宁德市ZY-3遥感影像变换后的L值和V值图像L2和V2，其具体表达式分别为

L2=0.555 9D1-0.013 2D2-0.100 2D3+0.037 9D4+67.737 6，

(15)

V2=-0.904 4D1+1.697 2D2-0.986 6D3+0.193 8D4+128.399。

(16)

最终得到该区域LBV变换后的3个特征值图像，如图6所示。

(a) 原始影像 (b)L值图像

图6-1 LBV变换图像

Fig.6-1LBVtransformationimages

(c)B值图像 (d)V值图像

图6-2 LBV变换图像

Fig.6-2LBVtransformationimages

图6(a)为宁德市ZY-3原始影像，图6(b)—(d)分别为LBV变换后的L，B，V值图像。从图6中选择建筑用地(裸地)、河流(水体)和林地(植被)3类地物进行比较，图6(b)中建筑用地光谱值最大，河流光谱值次之，植被光谱值最低；图6(c)中，河流光谱值最大，林地光谱值最小，建筑用地光谱值居于二者之间；图6(d)中，林地光谱值最大，建筑用地光谱值最小，河流光谱值介于二者之间，通过实验得到结果与第2章理论推导结论相符。同时，从目视效果看，相比原始影像，变换后影像更加清晰，层次感更强，细节信息也更为丰富，从而更有利于后续地物的判定、识别。

3.2 精度分析与评价

首先，选择本文方法变换得到遥感影像，再基于原始影像采用Brovery，PCA，G-S，CNSS和Pan-sharpening等5种变换得到的遥感影像作为对比对象。为客观评价本文方法，本文设计了2种方案：一是从影像本身信息保有量、清晰程度及光谱失真度等方面选择信息熵、平均梯度和偏差指数3个影像质量精度指标[27]，对本文方法得到的遥感影像与原始影像及其他5种变换结果进行客观评价；二是从应用角度，分别选择最大似然法、支持向量机和神经网络3种分类器对本文方法得到的遥感影像、原始影像及其他5种变换结果进行分类，比较用不同方法得到变换影像的分类精度。

3.2.1 影像质量精度评价

为了定量、客观评价影像质量精度，本文选择信息熵、平均梯度和偏差指数3个精度指标对本文方法得到的影像、原始影像和其他5种变换结果的信息量、清晰度、光谱畸变等方面进行定量评价(表2)。信息熵反映影像信息量，值越大，信息量越大；平均梯度反映影像色彩层次感和清晰度，值越大，清晰度越高；偏差指数反映影像光谱保真度，值越小，光谱保真度越好。

表2 ZY-3影像质量评价指标Tab.2 Evaluation indexes of ZY-3 image

由表2可知，从遥感影像质量评价指标来看，在原始影像及各种变换方法得到的遥感影像中，本文方法信息熵和平均梯度值最大，偏差系数仅次于CNSS。从变换方法来看，Pan-sharpening变换的信息量和清晰度保持均较好，同时光谱畸变较小，是一种很好的高空间分辨率影像融合方法； CNSS变换能很好地保持光谱信息，同时影像信息量和清晰度适中，也是一种不错的图像变换方法； PCA变换和G-S变换信息量保持较大，但是清晰度和光谱畸变也较大； Brovery变换信息量和清晰度均较低，影像光谱畸变比较大；本文方法同其他5种方法相比，影像信息量最大、清晰度最高，光谱畸变较小，是一种很好的高空间分辨率图像变换方法。

3.2.2 应用评价

为了验证本文方法在实际应用中的有效性，分别对本文方法得到的影像、原始影像和其他5种变换结果进行分类并比较分类结果精度。选择的分类器为最大似然法、支持向量机和神经网络。参考分类结果采用经过实地验证的人工目视解译提取结果。选择总体精度和Kappa系数对分类结果进行分析评价(表3)。

表3 ZY-3影像分类精度

Tab.3ClassificationaccuracyofZY-3image

方法最大似然法支持向量机神经网络总体精度/%Kappa系数总体精度/%Kappa系数总体精度/%Kappa系数原始影像68.420.579 272.400.630 271.120.621 0Brovery71.100.620 573.570.651 373.470.648 1PCA76.050.673 779.300.743 480.190.746 8G-S74.210.664 277.560.727 784.760.821 6CNSS78.300.734 182.450.778 083.100.805 7Pan-shar-pening81.390.751 086.870.840 587.060.853 4本文方法84.470.816 388.760.866 789.710.875 3

由表3可知，从总的分类精度来看，本文方法的分类精度最高，最高总体精度为89.71%，Kappa系数为0.875 3。从分类器比较，在最大似然法、支持向量机和神经网络3种分类方法中，本文方法得到的变换图像分类精度均为最高，神经网络分类器的分类效果最好。从变换方法比较，本文方法最好，Pan-sharpening分类效果次之，CNSS，G-S，PCA和Brovery几种变换方法分类效果一般。通过分类结果对比，可以看出应用本文方法分类结果精度高于其他变换方法。