融合高分辨率的珠海一号高光谱影像分类比较

赵建才,纪婷婷,2,秦慧杰,2

(1.江苏省测绘工程院,江苏 南京 210013;2.自然资源部国土卫星遥感应用重点实验室,江苏 南京 210013)

0 引 言

随着空间技术、传感器技术的发展,遥感技术也突飞猛进。当前,遥感技术正在进入一个以高光谱遥感技术和微波遥感技术为标志的时代。高光谱遥感是一门综合性技术,有很多很窄的电磁波波段,而且波段连续,可以反映较为精细的光谱特征[1-4]。高光谱遥感可用于自然资源调查和监测,生态环境监测、农作物精细分类等领域[5-6]。遥感应用最广泛的是遥感影像分类,通过分类可以确定自然资源种类的面积和空间分布,为自然资源调查和监测提供参考。论文以珠海一号影像为数据源,对高光谱影像的分类进行对比分析,从而找到适用于高光谱影像分类的方法。

高光谱影像光谱分辨率较高,但空间分辨率较低。较低的空间分辨率往往会限制其应用,在分类时也会造成细小地物的漏分。如何既保留高光谱的特征,又提高空间分辨率,是在现有装备技术条件下,进一步提升高光谱应用效果需要解决的问题。论文利用国产资源三号影像和珠海一号高光谱影像进行融合,比较融合前后的光谱特征,发现融合之后的高光谱影像的光谱特征和原高光谱影像一致,仅部分细节上稍有差别。并对其分类效果进行比较,发现融合后的高光谱影像分类效果更好。

1 实验区及数据源

实验所用数据为同时像的珠海一号高光谱影像和资源三号影像,实验区为江苏省苏州市某地,实验区大小为540×372像素。实验区内二三产业发达,建筑物密集,地物类型主要以工商业、城镇村住宅及公路等建设用地为主,其他少部分园林绿化、耕地等农用地以及河流、坑塘等水利设施用地。

珠海一号02组5颗卫星,于2018年4月26日成功发射升空,其中包含4颗高光谱卫星和一颗视频卫星OVS-2。珠海一号高光谱影像有32个波段,光谱分辨率为2.5 nm,波长范围在400～1 000 nm,空间分辨率为10 m。资源三号影像有4小波段,空间分辨率为2 m。

2 实验方法

2.1 数据预处理

“珠海一号”高光谱卫星影像数据需要进行辐射定标和大气校正,辐射定标的主要目的是将遥感影像的数字量化值(DN)转化为大气表观辐射亮度值等物理量[6]。大气校正是为了消除大气和光照等因素对地物反射的影响,从而获取地物的真实反射率[7]。数据采用FLAASH大气校正模块中的MODTRAN4辐射传输模型进行校正。校正结果如图1所示。

统一珠海一号影像和资源三号影像的坐标系统,并进行几何纠正,以方便数据的融合和分类比较。

2.2 数据融合

遥感影像融合是采用一定的算法将各影像的优点或者互补性有机结合起来并产生新的影像,融合的目的是结合高分辨率影像和高光谱影像的优点,融合为既具有较高的分辨率,又包含较多光谱波段的影像,从而提高遥感影像的应用价值。邵亚奎[8]等在研究国产高分卫星遥感影像融合方法中,得出Pansharp和Gram-Schmidt融合方法效果较好。论文采用GS法融合资源三号影像和珠海一号影像,融合后影像如图2所示。融合之后的影像空间分辨率为2 m,光谱波段为32个。

论文选取了多个点进行融合前后光谱曲线的比较,其中3个点的光谱曲线如图3-图4所示。

由图3和图4可知，融合前后的光谱曲线趋势一致，吸收峰和反射峰位置均相同，光谱值略有变化。

2.3 珠海一号高光谱影像分类比较

论文采用支持向量机分类方法对珠海一号高光谱影像的分类效果进行对比分析,基于像素和面向对象的分类比较法,对高空间分辨率影像融合前后、珠海一号和资源三号融合影像等进行分类比较。

2.3.1 光谱分析

根据所选实验区的地物类型,分为植被、人工建筑、水体和裸地四大类,并将人工建筑细分为道路、蓝顶建筑、白顶建筑和灰顶建筑,共7个类。分别选取7个类的样本,绘制珠海一号影像和资源三号影像的光谱曲线,如图5-图6所示。

从光谱曲线可以看出,珠海一号影像4个大类的光谱曲线差异较大。植被的光谱曲线很明显在700～750 nm附近有一个陡升,即珠海一号高光谱影像的第16波段-第20波段,也即是植被在该光谱范围内的一个“红边”。波长范围720～750 nm,7种地物的光谱曲线互不交叉。而资源三号影像4个波段的光谱曲线并不能反映光谱的细节(图6)。根据所选的样本,分别计算珠海一号和资源三号影像7个类的可分离度,如表1所示。

表1 地物可分离性比较

从可分离度可以看出,珠海一号影像中道路和灰顶建筑的可分离度最低为1.71,其次是灰顶建筑和裸地,可分离度为1.94,其余90%的地类可分离度均在1.99以上。而资源三号影像中各地类的可分离度最高的也只有1.9。从光谱可分离性对比分析可见,珠海一号影像中所有可分离度值均大于资源三号影像,珠海一号的高光谱影像对分类还是具有一定优势的。

2.3.2 珠海一号高光谱影像分类比较

(1)基于像素和面向对象的分类结果比较

基于像素的分类,就是以像素为最小单元进行聚类和合并。面向对象的分类首先要对影像进行分割,形成影像对象,以对象为最小单元进行聚类和合并。其中分割尺度的选择尤其重要,分割尺度的大小对分类结果影响较大。通过比较,本试验中分割尺度为90较合适。图7为未融合的珠海一号影像面向对象的分类结果。基于像素的分类和面向对象的分类均能把7类分出,但基于像素的分类存在许多细小的零碎像素,而且道路和一些细小河流没有完全分出。由图7可知，面向对象的方法分类结果较好。以下两种分类比较均采用面向对象的分类方法。

(2)和资源三号全色影像融合前后分类比较

和资源三号全色影像融合之后的珠海一号高光谱影像既具有较高的空间分辨率,又具有较多的波段,那么融合之后的影像分类效果是否更好,论文就该问题进行了分类比较。图8为融合后珠海一号影像的分类结果。

与图7未融合的珠海一号影像的分类结果对比可以看出,融合前的影像分出了较多的白顶建筑,一些裸地被误分为白顶建筑,细小的河流未被分出,道路大多被误分为灰色建筑,阴影被分为道路。而图8中融合后的珠海一号影像面向对象分类结果中,细小河流均被分出来,道路也能被较好的提取出来,白顶建筑的提取效果也较好。通过分析可以看出,融合后的影像分类效果更好。

(3)珠海一号高光谱影像和资源三号影像分类比较

为了进一步验证珠海一号和资源三号全色影像融合后的分类效果,论文将融合后的珠海一号高光谱影像和资源三号影像的分类结果进行比较。图9为资源三号影像分类结果。

从分类结果来看,总体分类效果都比较好,没有太大的差异。左上角部分,资源三号影像分出了道路两边的绿化带,但道路被误分为水体,珠海一号影像中未分出绿化带,水体则被正确分类。资源三号影像的细碎图斑较多,部分道路和建筑存在误分类,蓝顶建筑存在较多误分类,部分阴影被分为水体,另一部分阴影被分为建筑,部分裸地和白顶建筑存在误分类。珠海一号影像中阴影大部分被分为水体,对蓝顶建筑和白顶建筑的和裸地的分类控制的较好。从以上分析可以看出,融合后的珠海一号影像和资源三号影像分类效果总体相当,但资源三号对光谱的敏感性不高,存在一些误分类,珠海一号则对不同光谱地物的分离效果较好。

(4)分类精度评价

为了定量说明和高空间分辨率融合后珠海一号影像的分类优势,论文在实验区范围内随机选取124个检验点来验证分类精度,评价结果如表2-表4所示。

表2 融合后珠海一号影像分类精度评价表

表3 融合前珠海一号影像分类精度评价表

表4 资源三号影像分类精度评价表

从评价结果来看,珠海一号和资源三号全色影像融合之后的分类精度更高,相比没有融合的珠海一号影像,总体分类精度提高了10.49%;相比资源三号影像,总体分类精度提高了4.84%。可见,高光谱影像更适合和高分辨率进行融合后再分类。

3 结 语

论文通过分析珠海一号光谱,基于像素和面向对象的分类方法,分别对高分辨率影像融合前后、珠海一号和资源三号融合后影像等进行分类,对分类效果进行了定性分析,并随机选取验证点进行精度评价。结果显示,珠海一号影像更适合用面向对象的分类方法;并且珠海一号高光谱影像和高分辨率影像融合之后,影像既保留了高光谱的特征,又提高了空间分辨率,同时具备了高光谱和高分辨率的性质,更好地发挥了两者的优势,分类精度更高、效果更好,所以高光谱影像更适于和高分辨率影像融合之后使用。