基于多源遥感影像的植被提取方法对比研究

华 键，岳 东，李柏霖，何紫玲，王建雄

（1.云南农业大学 水利学院/云南省高校农业遥感与精准农业工程研究中心，云南 昆明 650201；2. 云南农业大学 水利学院/云南省高校国土资源科学技术工程研究中心，云南 昆明 650201；3. 云南农业大学 水利学院，云南 昆明 650201）

0 引言

植被作为地球生态环境系统的重要因素，对土地资源、水土保持、生物固碳和气候循环等方面具有重要作用。随着城市化进程的日益加快，通过传统的地面调查获取森林资源信息的方式已难以满足生产中对森林植被信息的快速需求。多源遥感影像具有光谱信息丰富、空间分辨率高、大面积、时效性强等特点，是目前获取森林资源现状及其动态变化信息不可或缺的重要途径。同时，在遥感图像植被识别提取上，不断涌现出越来越多的改进分类方法，但大致可以归结为基于像元的非监督分类和监督分类、基于特征学习的深度学习及面向对象的分类这3类方法［1-5］。目前，国内外学者展开了对植被提取方法应用方面的研究，如Yang等［6］基于深度注意力模型实现了对高分辨率卫星影像城市植被的提取；Zhuang等［7］利用多类多级特征( MCMLF )方法对野外植被进行了有效提取，解决了包括各种光照条件、阴影区域和复杂背景在内的室外挑战；Ayhan等［8］使用不同的数据集训练了3个DeepLab V3模型，利用Rgb影像进行了精确植被分类，结果表明使用图像分辨率接近测试数据图像的数据集训练的模型性能最好；郑舒元等［9］基于“资源一号”02D卫星可见光波段进行了植被提取，并利用支持向量机进行了植被提取精度的量化评价，结果表明以超红指数（EXR）的提取效果最佳；张家玫等［10］采用多源高分遥感影像结合面向对象的阈值分类与模糊分类方法提取了地类信息，其具有很好的提取效果；马海荣等［11］基于全卷积神经网络和面向对象实现提高高分辨率遥感影像土地覆盖分类精度；向峰城等［12］基于机器学习方法 J48决策树的面向对象的影像分类方法，实现了研究区的土地覆被分类，分类效果较好；欧阳雯思［13］基于UNet++从城市高分辨率遥感图像中自动、快速、高效地提取了植被信息；彭熙雯［14］通过改进经典语义分割U-Net模型并结合多源遥感数据，有效提高了地物分类精度和分类效果；丘鸣语等［15］采用面向对象的方法对研究区进行了多层次规则分类提取地物，结果表明面向对象的多层次规则分类法具有明显的优势。

目前，面向对象分类方法的影像基础多以单一卫星、无人机影像为主，而多源影像融合结合面向对象的研究方法较少。其次，面向对象的分类方法与传统分类方法的对比研究也有待补充。因此，本研究以植被作为研究对象，并从这2个方面展开深入研究。

1 研究区概况

滇池流域位于102°27′～103°3′E，24°27′～25°30′N，拥有云南省九大流域面积最大的淡水湖——滇池，流域面积2920 km2，涉及昆明市盘龙、晋宁、官渡、西山、五华、呈贡6个区及嵩明县。流域地处长江、珠江、红河三江水系的分水岭地带，属于北亚热带湿润季风气候，并受西南季风和热带大陆气团昆明—贵阳准静止锋的交替影响，具有低纬度高原季风气候特征和四季如春、干湿分明、垂直差异大的气候特点。滇池流域主要由森林、草地、落叶松林、灌木林和荒漠植被组成。森林覆盖率最高，其中以阔叶林为主，其次是落叶松林；草地主要分布在流域的中部和下游地区；灌木林主要分布在流域的上游地区；荒漠植被主要分布在流域的下游地区。

2 影像来源及研究方法

2.1 影像来源与预处理

通过调查及查阅资料发现，云南省降水时间主要集中在每年的6—9月，此时成像影像云量多，在植被提取分类等研究过程中需尽量避开该时段成像的遥感影像。本研究选用Landsat 8 OLI多光谱波段、Sentinel-2A多光谱波段及GF-1号多光谱和全色波段影像作为数据源，影像成像时间主要集中在3月，最大时间跨度为29 d，在该时段内植被并无明显变化，因此，在后续融合过程中能避免因同一像元不同地类而产生的问题。获取的遥感影像数据如表1所示。

表1 遥感影像卫星数据

由于Landsat 8和Sentinel-2A影像数据已经由PIE-Engine 遥感与地理信息云服务平台进行了大气校正和辐射校正处理，因此只需将GF-1B、GF-1C、GF-1D多光谱和全色波段影像分别在ENVI5.6中进行辐射校正和大气校正，并进行图像拼接。最后将所有影像的地理信息配准到同一参考坐标系下，并进行不同影像同一地物点的校正。

2.2 影像融合方法

多源遥感融合影像主要是由高分辨率的全色影像和低分辨率的多光谱影像进行融合处理后得到，融合后的多光谱影像具有较高的空间分辨率和较丰富的光谱信息［16］。融合后的影像比单一特征数据源的影像在光谱丰富度和纹理清晰度上表现出更为明显的改善［17］。

2.2.1 主成分分析法(PCA) 主成分分析法(Principal Component Analysis，PCA)，是一种将原始多波段数据通过线性变化在统计特征基础上转换为一组新的互相独立的变量，这些变量被称为主成分，其第一主分量包含原始多光谱影像的各波段信息［18］。在影像融合过程中，通过部分主成分表示多个波段影像数据所包含的信息，以达到减少数据冗余、压缩数据量的特点。

2.2.2 Brovey变换法 Brovey变换法也称为色彩标准化变换法(Color Normalization，CN)， 是一种将多光谱影像空间分成色度和亮度2个成分，并与全色影像进行比值运算，以实现多光谱波段的色彩标准变化，最后通过全色影像对多光谱影像进行重采样来提高分辨率的一种方法［17］。

2.2.3 Gram-Schmidt变换法 Gram Schmidt变换也叫光谱锐化法，是一种常用于线性代数以及多元统计中的正交化融合算法，其核心是过多光谱影像模拟出一幅低分辨率的全色影像，然后将模拟影像作为Gram-Schmidt变换的第一分量与多光谱影像进行Gram-Schmidt变换。Gram-Schmidt变换后各分量之间的信息量没有较大差异，且变换前后第一分量没有变化［19］。

2.2.4 NND变换法 NND变换法通过设置多光谱像元光谱为最小运算单元，利用混合模型将多光谱每个邻近像元进行加权，从而产生高分辨率融合影像，其对应的权重大小由全色波段的扩散模型来确定，该方法不受波段限制，耗时短［20］。

2.3 植被分类方法

2.3.1 ISODATA算法 ISODATA算法也叫迭代自组织分析算法，是一种基于K均值聚类的改进方法，它可以依照影像的空间结构特征及光谱统计特征自动确定聚类数目，并可以对聚类中心进行合并和分裂操作，是一种不需要具备先验知识的分类方法。

2.3.2 最大似然法 最大似然法是一种基于概率论的分类方法，它假设每个地物类别的像元值是一个服从正态分布的随机变量。通过分类前选取的若干分类样本，计算每个像元值对应每个分类样本的概率密度函数，然后选择具有最大概率的类别作为分类结果，该方法需要具备一定的先验知识。

2.3.3 马氏距离法 马氏距离法是通过计算每个像元到每个类的马氏距离来实现的，通过像素的波段值和每个类的波段均值之间的马氏距离计算得到，然后将其归类为距离其最近的类。马氏距离能够更好地考虑特征之间的相关性，减少特征之间的冗余信息，该方法也需要具备一定的先验知识。

2.3.4 最小距离法 最小距离法是一种简单但常用的分类方法，其原理是将每个像元与各个类别的样本像元进行距离计算，将其分配到最接近的类别中。

2.3.5 基于规则的面向对象 基于规则的面向对象是ENVI 5.6软件提供的面向对象方法中的一种，是一种更加复杂和准确的分类方法。它将像元组合成具有语义信息的对象，通过建立一系列规则来对这些对象进行分类。其优点是可以考虑到像元之间的空间关系和像元值之间的相关性，具有更好的分类精度，但它也需要更多的计算资源和专业知识来建立分类规则。其主要操作流程如图1所示。

图1 基于规则的面向对象技术流程图

3 融合影像评价

本文采用像素级融合作为影像融合方法进行对比研究，选用主成分分析法(PCA)、Brovey变换法、Gram-Schmidt变换法、NND变换法4种方法对研究区域的遥感图像进行融合处理。为了选择出最优的融合方法，需要对影像融合结果进行定性和定量评价，定性评价主要是指通过目视判别来判断融合影像的清晰度、分辨率、融合效果等。定量评价主要是指通过计算融合影像的均值、方差、熵值、平均交叉熵、均方根交叉熵、光谱扭曲、峰值信噪比等，定量比较不同融合方法对融合结果的影响［21-22］。

由于GF-1BCD、Landsat8和Sentinel-2A影像含有近红外波段，因此，本研究Brovey变换增加红外波段［Brovey(red)变换］和近红外波段（Brovey变换）进行扩充对比。

3.1 融合结果定性评价

3.1.1 GF-1BCD全色影像与GF-1BCD多光谱影像融合 由GF-1BCD全色影像与GF-1BCD多光谱影像融合对比图（图2）可知，Brovey变换法光谱信息保持较好，但受波段限制，仅能保留3个波段，波谱失真较为严重，并有一定程度的光谱扭曲变形，而Brovey(red)变换法在植被反射率中有很大色差。采用Gram-Schmidt变换、NND变换、主成分分析法（PCA）变换融合影像能够较好地保留原始影像的光谱特征，但NND变换相比Gram-Schmidt变换和主成分分析法（PCA）变换能够更好地保持光谱特征，地物之间区分度更高。因此，NND变换融合效果最佳。

图2 GF-1BCD全色影像与GF-1BCD多光谱影像融合对比图

3.1.2 GF-1BCD全色影像与Landsat 8多光谱影像融合 由GF-1BCD全色影像与Landsat 8多光谱影像融合对比图（图3）可知，Brovey变换和Brovey(red)变换光谱信息保持较好，但仅能保留3个波段，波谱失真较为严重，可能还会使融合影像波谱范围不均匀。主成分分析法(PCA)变换在植被和农田反射率中亮度都偏高，存在易混淆、不易区分的现象。Gram-Schmidt变换、NND变换能够较好地保留原始影像的光谱特征。因此，NND变换和GS变换融合效果均最佳。

图3 GF-1BCD全色影像与Landsat 8多光谱影像融合对比图

3.1.3 GF-1BCD全色影像与Sentinel-2A多光谱影像融合 由GF-1BCD全色影像与Sentinel-2A多光谱影像融合对比图（图4）可知， NND变换和Gram-Schmidt变换在草地和部分植被中与农田的反射率都偏高，Brovey(red)变换存在部分植被与农田颜色接近的情况， Brovey变换中部分草地和稀疏植被存在与道路的反射率相同或接近的情况，即颜色偏亮，反射率偏高，这4种变换都存在地物分类时，易混淆的现象。主成分分析法(PCA)变换虽然融合效果没有想象中的好，且存在光谱散射现象，但总体来说地物区分度较高，且散射现象较少、范围较小。因此，主成分分析法(PCA)变换融合效果最佳。

图4 GF-1BCD全色影像与Sentinel-2A多光谱影像融合对比图

3.2 融合结果定量评价

在对影像进行定量评价时，主要考虑所用的评价因子对融合后的影像是否具备全色影像的空间细节信息和多光谱影像的光谱信息等，即具体的融合效果。本文利用Matlab 2020a软件构建评价指标因子算法用于融合影像的评价，选用的评价指标因子为：

熵(EN)：是衡量影像当中包含信息量丰富程度的一个重要的指标，熵值越大则所含信息量越多，融合效果也越好。

平均交叉熵(MCE)、均方根交叉熵（RCE）：反映融合图像与参考标准图像之间的差异程度，通过计算平均交叉熵和均方根交叉熵来体现，其值越小，则表明融合图像和参考标准图像的差别越小，融合效果也越好。

峰值信噪比(PSNR)： 区域噪声是否有效抑制、信息量是否得到提高、边缘信息是否有效保留、图像均值是否得到提高等，都可以通过峰值信噪比值来体现，一般来说，峰值信噪比值越高，说明融合效果与质量越好。

在计算平均交叉熵、均方根交叉熵和峰值信噪比时，由于没有标准参考影像，所以本文用GF-1BCD号全色影像作为标准参考影像，对融合影像质量的优劣进行评价。

由表2可知，GF-1BCD全色影像和GF-1BCD多光谱影像融合的各因子融合效果排序如下。EN：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。MCE：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。RCE：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。PSNR：GS＞主成分分析法(PCA)＞Brovey＞Brovey(red)＞NND。

表2 GF-1BCD全色影像和GF-1BCD多光谱影像融合结果

由表3 可知，GF-1BCD 全色影像和Landsat 8多光谱影像融合的各因子融合效果排序如下。EN：主成分分析法(PCA)＞NND＞GS＞Brovey(red)＞Brovey。MCE：GS＞NND＞主成分分析法（PCA）＞Brovey(red)＞Brovey。RCE：GS＞NND＞主成分分析法(PCA)＞Brovey(red)＞Brovey。PSNR：GS＞主成分分析法(PCA)＞NND＞Brovey(red)＞Brovey。

表3 GF-1BCD全色影像和Landsat 8多光谱影像融合结果

由表4所知，GF-1BCD全色和Sentinel-2A多光谱影像融合的各因子融合效果排序如下。EN：NND＞GS＞主成分分析法(PCA)＞Brovey(red)＞Brovey。MCE：GS＞主成分分析法(PCA)＞NND＞Brovey(red)＞Brovey。RCE：GS＞主成分分析法(PCA)＞NND＞Brovey(red)＞Brovey。PSNR：Brovey(red)＞Brovey＞主成分分析法(PCA)＞GS＞NND。

表4 GF-1BCD全色影像和Sentinel-2A多光谱影像融合结果

3.3 综合评价

结合上述定性和定量评价结果可以得出以下结论：

（1）GF-1BCD全色影像和GF-1BCD多光谱影像融合。在定性评价中，NND变换具有更好的光谱特征，地区之间区分度更高，具有更好的影像清晰度；在定量评价中，NND变换的EN、MCE和RCE效果最好，PSNR效果最差，即信息丰富，差距小，融合效果很好，但质量较差，但从数值上看，PSNR值各融合方法之间差距在0.1之内，因此，综合定性和定量评价结果NND变换效果最佳。

（2）GF-1BCD全色影像和Landsat 8多光谱影像融合。在定性评价中，NND变换和GS变换均为最佳融合效果；在定量评价中，GS变换的MCE、RCE和PSNR效果最好，比NND变换更好，GS变换的EN融合效果比NND变换的差，比最好的主成分分析法(PCA)变换的低0.1333，即GS变换融合效果较好，质量最高，因此，综合定性和定量评价结果GS变换效果最佳。

（3）GF-1BCD全色影像和Sentinel-2A多光谱影像融合。在定性评价中，主成分分析法（PCA）变换为最佳融合效果；在定量评价中，主成分分析法(PCA)变换的MCE和RCE值分别低于其效果最好的GS变换0.0051和0.0096，EN值低于其效果最好的NND变换0.2000，PSNR值低于其效果最好的Brovey(red)变换0.0054。从融合效果的比较结果来看，GS变换应作为最佳选择，从GS变换和主成分分析法(PCA)变换两者在数值上的比较发现，两者差距也较小，但回归定向评价发现，GS变换存在地物混淆现象，而主成分分析法(PCA)变换地物区分度较高，因此，综合定性和定量评价结果，选定主成分分析法(PCA)变换作为最佳融合方法。

综合上述，GF-1BCD全色影像和GF-1BCD多光谱影像融合选用NND变换法，GF-1BCD全色影像和Landsat 8 多光谱影像融合选用GS变换法，GF-1BCD全色影像和Sentinel-2A多光谱影像融合选用主成分分析法（PCA）。

4 植被分类结果分析

利用计算机对影像进行分类，是将影像中的所有像元根据其空间结构特征、像元值大小、纹理特征等依据某种算法将其划分归类到符合训练区特征的过程，并将训练区属性赋予该像元。根据是否需要选取训练区样本以及是否需要具备先验知识，将分类方法分为2个大类，即非监督分类和监督分类。将融合影像定性、定量分析结果选择的3种最佳融合影像GF_NND、Landsat_GF_GS和Sentinel_GF_PCA影像进行一级分类，即进行林地和非林地划分。分类结果能够直观地反映和了解研究区域植被的覆盖分布情况和植被覆盖率。

对3种融合影像选用非监督分类的ISODATA算法和监督分类的最大似然法、最小距离法、马氏距离法和基于规则的面向对象分类。其中基于规则的面向对象分类是一种通过多尺度角度对影像各类地物进行分割的方法［23］，本文构建的基于植被的面向对象分类规则集由3个层次（波谱、纹理、空间）不同尺度集成，其中L1层作为提取植被主要层，由植被与其他地物区分度高的灰度平均值（波段为归一化植被指数［24］或红外）和灰度最大值（波段为红外或近红外）构成，L2层作为剔除无规则性的其他地物类型，由卷积核内平均值（波段为红外或蓝波）构成，L3层作为剔除有规则性的其他地物类型，由矩形度、延伸性、长度、坚固性、面积等构成。各分类方法的可视化图如图5～图7所示。

图5 基于Gram-Schmidt融合的影像分类

图6 基于NNDiffuse融合的影像分类

图7 基于主成分分析法（PCA）融合的影像分类

对分类后的结果进行精度分析，通过在更高分辨率的卫星影像对分类精度进行评价，利用计算像元分类结果与检验样本点一致的概率的总体精度和Kappa系数实现对分类效果和质量的评价。检验样本点是由ArcGIS软件随机生成分布的1000个样本点与更高分辨率同一成像时间的卫星影像和地面调查数据通过判别并赋予属性生成的，总体精度和Kappa系数由这1000个样本点与每一个分类影像进行混淆矩阵分析生成，本研究中，Kappa系数的分类结果等级使用Cohen提出的Kappa系数评价标准［25］。总体精度和Kappa系数结果如表5所示。

表5 影像分类后精度评价结果

由表5可知：（1）同一层次分类比较中，ISODATA算法效果最差，其总体分类精度和Kappa系数均低于最大似然法、最小距离法、马氏距离法和基于规则的面向对象，即采用监督分类和特征学习的面向对象的效果明显优于非监督分类，其原因包括非监督分类无需具备先验知识，其分类结果完全依靠计算机自主分类，易受 “同谱异物，异物同谱”的影响。（2）整体来看，以GF_NND融合影像为基础的马氏距离法和基于规则的面向对象分类方法的分类精度最高且质量极佳，总体分类精度和Kappa系数分别为92.00%、91.60%和0.8363、0.8274，并且以GF_NND融合影像为基础的5种分类方法，其总体分类精度和Kappa系数分列前5，总体分类精度和Kappa系数最低为89.60%和0.7878，分类精度和质量较好，分析其原因包括GF-1BCD全色影像和多光谱影像是同一卫星、同一传感器拍摄成像生成的，无需进行影像匹配校正，减少由校正产生的误差，致使其分类精度也更好。（3）Landsat_GF_GS融合影像下的ISODATA算法和基于规则的面向对象分类方法的分类精度最低且质量最差，总体分类精度和Kappa系数分别为73.60%、76.40%和0.4754、0.5336，一致性程度达到中等，分析其原因包括GF-1BCD全色影像与Landsat 8多光谱影像由于不是同一卫星、同一成像时间造成影像校正产生误差，最终造成影像分类精度问题。（4）其余方法的Kappa系数均高于0.6300，即一致性程度达到较好，其原因包括Sentinel-2A多光谱影像含12个波段，具有丰富的光谱信息，同时主成分分析法（PCA）能够通过部分主成分来保留多光谱影像所包含的信息，致使其分类精度也更好。

5 讨论与结论

从结果中可以看出，Landsat_GF_GS融合影像下的分类方法存在分类精度偏低的情况较多，质量在同一层次分类方法的比较中也较低，其中ISODATA算法效果最差，其原因可以从融合影像评价方面的PSNR这一因子值看出， PSNR值越低，说明其融合效果与质量越差，在一定程度上也能够间接地反映出分类精度的质量和效果。其次，以GF_NND融合影像为基础的马氏距离法和基于规则的面向对象分类方法的分类精度最高且质量最好，一方面能够通过融合影像效果反映得出，另一方面，对于面向对象的分类方法来说，其分类精度与规则的选取和调节的尺度有关，对于马氏距离法来说，能够更好地考虑特征之间的相关性，减少了特征之间的冗余信息，提高了分类精度。最后，所有分类方法的分类精度和Kappa系数全部都没有呈现出非常优质的分类效果，其原因一方面跟影像选取的时间节点有关，3月的研究区域已有部分露天农田的农作物处于绿色状态，特别是在研究区的下部区域，在一定程度上会影响植被的提取效果；另一方面，GF-1BCD全色影像与Landsat 8 多光谱影像和Sentinel-2A多光谱影像由于不是同一卫星和同一成像时间，造成影像校正和融合产生误差，最终造成影像分类精度问题。

本研究以多源遥感影像为基础，运用面向对象下的基于规则的分类方法，利用规则下的多尺度分割、多层次分类方法进行分割，根据不同尺度和层次下植被的表现特征，建立植被的分类规则集，最后对基于规则的面向对象的分类方法，分别与常用的ISODATA算法、最大似然法、最小距离法和马氏距离法进行对比研究，得出以下结论：

（1）以GF_NND融合影像为基础的5种分类方法的总体分类精度和Kappa系数效果均较好，其中马氏距离法和基于规则的面向对象的分类方法的分类精度最高且质量最佳，总体分类精度和Kappa系数分别为92.00%、91.60%和0.8363、0.8274。Landsat_GF_GS融合影像下的ISODATA算法和基于规则的面向对象的分类方法的分类精度最低且质量最差，总体分类精度和Kappa系数分别为73.6%、76.40%和0.4754、0.5336。除以上分类方法以外，其余分类方法的总体分类精度和Kappa系数介于82%～91%和0.63～0.82之间，即分类精度较好，分类质量中等。

（2）马氏距离法在本研究中凸显了分类优势，在同一层次分类方法的比较中总体分类精度和Kappa系数均较好。其次，基于规则的面向对象的分类方法并没有呈现出一致的高分类精度效果，原因在于面向对象尺度的选择和层次的分割以及在最终规则集的构建过程中，其规则集中尺度的构建更依赖于人工根据现有分析结果和经验来确定特征值。因此，受经验和效率的影响，后续可考虑通过机器语义学习的方法进行特征的选取和值的确定，以减少对人工的依赖，进而提高分类精度和效果。同时，本研究在面向对象分类时，引入特征只有归一化植被指数，且分类对象单一，在后续研究中可加入更多辅助数据，使分类对象多样化，以增加面向对象分类的研究。