高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于频谱和光谱特征的高光谱地物分类比较

张莹 张晓丽 李宏志 刘会玲

张莹, 张晓丽, 李宏志, 刘会玲. 基于频谱和光谱特征的高光谱地物分类比较[J]. 北京林业大学学报, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342
引用本文: 张莹, 张晓丽, 李宏志, 刘会玲. 基于频谱和光谱特征的高光谱地物分类比较[J]. 北京林业大学学报, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342
Zhang Ying, Zhang Xiaoli, Li Hongzhi, Liu Huiling. A comparative analysis on hyperspectral land-cover classification based on frequency spectrum and spectral characteristics[J]. Journal of Beijing Forestry University, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342
Citation: Zhang Ying, Zhang Xiaoli, Li Hongzhi, Liu Huiling. A comparative analysis on hyperspectral land-cover classification based on frequency spectrum and spectral characteristics[J]. Journal of Beijing Forestry University, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342

基于频谱和光谱特征的高光谱地物分类比较

doi: 10.13332/j.1000-1522.20170342
基金项目: 

“863”国家高技术研究发展计划项目“数字化森林资源监测关键技术研究” 2012AA102001

详细信息
    作者简介:

    张莹,博士生。主要研究方向:定量遥感。Email: august12@163.com 地址:100083北京市海淀区清华东路35号北京林业大学林学院

    通讯作者:

    张晓丽,教授,博士生导师。主要研究方向:遥感、GIS在资源与环境中的应用。Email: zhang-xl@263.net 地址:同上

  • 中图分类号: S771.8

A comparative analysis on hyperspectral land-cover classification based on frequency spectrum and spectral characteristics

  • 摘要: 目的频谱作为物质的能量特征进行地物的识别是可行的。本文针对国内外利用频谱进行地物分类尤其是森林植被分类研究的匮乏,探索频谱的地物识别潜力,将高光谱影像的光谱曲线转化为频谱进行地物识别研究。方法以福建将乐林场为研究区,利用国产环境小卫星高光谱影像(HJ-1A HSI)和同时成像的多光谱影像(CCD),通过能量分离变换的方法对高光谱和多光谱进行融合,获取高空间分辨率的高光谱影像;然后,将融合影像的光谱曲线转化到频率域,进而获取频谱;通过“频谱距离”对研究区进行地物分类,并将分类结果与光谱角填图(SAM)分类结果进行比较。结果在频域中植被类别和非植被类别的低阶幅度谱具有明显的可分性,频谱方法提高了马尾松、杉木和阔叶林的制图精度,对于光谱特征相似的不同森林植被具有更好的区分能力;非植被类别在1阶谐波的频谱容易区分, 植被类别需要用前7次谐波的幅度谱进行区分,随着频率的增大,频谱变化趋于相似,并且非植被类别在频域的能量累计速度高于植被类别;与SAM的分类结果比较发现,基于频谱的分类方法总体分类精度为84.19%,比SAM分类结果总体精度提高0.7%。结论利用频谱信息可以降低光谱曲线上噪声的影响,保留类别的重要区别信息,提高地类的分类精度,因此利用频域中的频谱进行地类识别具有可行性。
  • 图  1  研究区位置和外业调查点分布图

    Figure  1.  Location of the study area and points of field investigation

    图  2  HSI高光谱和CCD图像通过能量分离变换前后假彩色图像的对比图(波段41、100和68)

    Figure  2.  Comparison between HSI image and fusion image based on CN spectral sharpening (band 41, 100 and 68)

    图  3  9种地物类型参考光谱曲线

    Figure  3.  Reference spectra curves of nine ground objects in study area

    图  4  9种地物类型参考光谱曲线的频谱分布

    Figure  4.  Distribution of frequency spectrum of reference spectra curves of nine ground objects in study area

    图  5  研究区HSI高光谱融合影像的FSSM和SAM分类结果图

    Figure  5.  Comparison of FSSM and SAM classification results of HSI hyperspectral fusion image in the study area

    表  1  频谱能量累计大于99%的频率位置和相应值

    Table  1.   Frequency positions and corresponding energy values of frequency spectrum with contribution of >99% of cumulative energy

    类别Class 能量分布Energy distribution 频率位置Frequency location
    马尾松Pinus massoniana 0.991 303 7
    杉木Cunninghamia lanceolata 0.991 191 6
    阔叶林Broadleaved forest 0.991 401 7
    针阔混交林Coniferous and broadleaved mixed forest 0.990 910 6
    采伐区Felling area 0.991 289 5
    农田Farmland 0.992 764 5
    居民区Residential area 0.992 986 3
    建筑用地Building land 0.993 080 3
    水体Water body 0.990 448 5
    下载: 导出CSV

    表  2  HSI高光谱融合图像的SAM和FSSM分类误差矩阵

    Table  2.   Error matrix from SAM and FSSM based on the HJ1A-HSI fused hyperspectral image

    类别Class SAM FSSM
    生产者精度Producer accuracy(PA)/% 使用者精度User accuracy(UA)/% 生产者精度Producer accuracy(PA)/% 使用者精度User accuracy(UA)/%
    马尾松Pinus massoniana 83.5 81.1 85.4 81.5
    杉木Cunninghamia lanceolata 61.5 81.6 63.1 82.0
    阔叶林Broadleaved forest 82.7 78.2 86.5 75.0
    针阔混交林Coniferous and broadleaved mixed forest 78.6 65.7 75.0 71.2
    采伐区Felling area 93.6 100.0 93.6 100.0
    农田Farmland 100.0 91.1 95.0 91.1
    居民区Residential area 91.7 81.5 95.7 91.7
    建筑用地Building land 82.5 93.3 87.5 93.3
    水体Water body 92.6 100.0 92.6 100.0
    整体分类精度Overall classification accuracy 83.49% 84.19%
    整体Kappa系数Overall Kappa coefficient 0.807 8 0.815 8
    下载: 导出CSV
  • [1] 王珂, 顾行发, 余涛, 等.基于频谱相似性的高光谱遥感图像分类方法[J].中国科学(技术科学), 2013, 43(4): 407-416. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgkx-ce201304008

    Wang K, Gu X F, Yu T, et al. Classification of hyperspectral remote sensing images using frequency spectrum similarity[J]. Scientia Sinica (Technologica), 2013, 43(4): 407-416. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=zgkx-ce201304008
    [2] Thenkabail P S, Enclona E A, Ashton M S, et al. Hyperion, IKONOS, ALI, and ETM+ sensors in the study of African rainforests[J]. Remote Sensing of Environment, 2004, 90(1): 23-43. doi:  10.1016/j.rse.2003.11.018
    [3] 李娜, 李咏洁, 赵慧洁, 等.基于光谱与空间特征结合的改进高光谱数据分类算法[J].光谱学与光谱分析, 2014, 34(2): 526-531. doi:  10.3964/j.issn.1000-0593(2014)02-0526-06

    Li N, Li Y J, Zhao H J, et al. An improved classification approach based on spatial and spectral features for hyperspectral data[J]. Spectroscopy and Spectral Analysis, 2014, 34(2): 526-531. doi:  10.3964/j.issn.1000-0593(2014)02-0526-06
    [4] 张帆, 杜博, 张良培, 等.一种结合波段分组特征和形态学特征的高光谱图像分类方法[J].计算机科学, 2014, 41(12): 275-279. doi:  10.11896/j.issn.1002-137X.2014.12.059

    Zhang F, Du B, Zhang L P, et al. Band grouping based hyperspectral image classification using mathematical morphology and support vector machines[J]. Computer Science, 2014, 41(12): 275-279. doi:  10.11896/j.issn.1002-137X.2014.12.059
    [5] 浦瑞良, 宫鹏, 约翰R.米勤.美国西部黄松叶面积指数与高光谱分辨率CASI数据的相关分析[J].环境遥感, 1993, 8(2): 112-125.

    Pu R L, Gong P, Miqin J R, et al. Correlating leaf area index of Ponderosa pine with hyperspectral CASI data[J]. Remote Sensing of Environment China, 1993, 8(2): 112-125.
    [6] Dian Y Y, Li Z Y, Pang Y. Spectral and texture features combined for forest tree species classification with airborne hyperspectral imagery[J]. Journal of the Indian Society of Remote Sensing, 2015, 43(1): 101-107. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=b6f347e54ac90834031b325496a20dab
    [7] Ghiyamat A, Shafri H Z M, Mahdiraji G A, et al. Airborne hyperspectral discrimination of tree species with different ages using discrete wavelet transform[J]. International Journal of Remote Sensing, 2015, 36(1): 318-342. doi:  10.1080/01431161.2014.995272
    [8] 柴颖, 阮仁宗, 傅巧妮.高光谱数据湿地植被类型信息提取[J].南京林业大学学报(自然科学版), 2015, 39(1): 181-184. http://d.old.wanfangdata.com.cn/Periodical/njlydxxb201501033

    Chai Y, Ruan R Z, Fu Q N. Extraction of wetland vegetation information using hyperspectral image data[J]. Journal of Nanjing Forestry University (Natural Sciences Edition), 2015, 39(1): 181-184. http://d.old.wanfangdata.com.cn/Periodical/njlydxxb201501033
    [9] 李双, 徐新良, 付颖.基于高光谱影像的三江源区不同退化程度高寒草甸分类研究[J].遥感技术与应用, 2015, 30(1): 50-57. http://d.old.wanfangdata.com.cn/Periodical/ygjsyyy201501007

    Li S, Xu X L, Fu Y. A study on classification of different degradation level alpine meadows based on hyperpectral image data in three-river headwater region[J]. Remote Sensing Technology and Application, 2015, 30(1): 50-57. http://d.old.wanfangdata.com.cn/Periodical/ygjsyyy201501007
    [10] 童庆禧, 唐川, 励惠国.腾冲航空遥感试验推陈出新[J].地球信息科学, 1999(1): 67-75. doi:  10.3969/j.issn.1560-8999.1999.01.017

    Tong Q X, Tang C, Li H G. A creative action:the second experiment of Teng Chong aerial remote sensing[J]. Geo-information Science, 1999(1): 67-75. doi:  10.3969/j.issn.1560-8999.1999.01.017
    [11] 顾娟, 李新, 黄春林.基于时序MODIS NDVI的黑河流域土地覆盖分类研究[J].地球科学进展, 2010, 25(3): 317-326. http://d.old.wanfangdata.com.cn/Periodical/dqkxjz201003010

    Gu J, Li X, Huang C L. Land cover classification based on time series MODIS NDVI data in Heihe River Basin[J]. Advances of Earth Science, 2010, 25(3): 317-326. http://d.old.wanfangdata.com.cn/Periodical/dqkxjz201003010
    [12] 除多, 边巴次仁, 王伟, 等.利用离散傅立叶变换分析拉萨地区植被季节变化特征[J].山地学报, 2010, 28(5): 579-585. doi:  10.3969/j.issn.1008-2786.2010.05.011

    Chu D, Bianbaciren, Wang W, et al. Vegetation ponologies in Lhasa area using the discrete fourier transform[J]. Journal of Mountain Science, 2010, 28(5): 579-585. doi:  10.3969/j.issn.1008-2786.2010.05.011
    [13] 李慧静, 包玉海, 包刚, 等.基于modis-Ndvi的内蒙古植被变化遥感监测[J].测绘科学, 2009, 34(5): 25-27, 51. http://d.old.wanfangdata.com.cn/Thesis/Y1302124

    Li H J, Bao Y H, Bao G, et al. RS monitoring of vegetation change in Inner Mongolia based on MODIS-NDVI[J]. Science of Surveying and Mapping, 2009, 34(5): 25-27, 51. http://d.old.wanfangdata.com.cn/Thesis/Y1302124
    [14] 汪权方, 李家永.基于时序ndvi数据的鄱阳湖流域常绿覆被季节性变化特征[J].长江流域资源与环境, 2008, 17(6): 866-871. doi:  10.3969/j.issn.1004-8227.2008.06.008

    Wang Q F, Li J Y. Seasonal variation of evergreen land coverage in Poyang Lake watershed using multi-temporal SPOT4-vegetation data[J]. Resources and Environment in the Yangtze Basin, 2008, 17(6): 866-871. doi:  10.3969/j.issn.1004-8227.2008.06.008
    [15] 章志都, 梁冠巍, 董建文, 等.基于植被分布因子主成分分析的福建省植被区划[J].东北林业大学学报, 2010, 38(3): 61-65. doi:  10.3969/j.issn.1000-5382.2010.03.018

    Zhang Z D, Liang G W, Dong J W, et al. Vegetation regionalization for Fujian Province based on principal component analysis of factors affectiong vegetation distribution[J]. Journal of Northeast Forestry University, 2010, 38(3): 61-65. doi:  10.3969/j.issn.1000-5382.2010.03.018
    [16] 郭芬芬, 范建容, 汤旭光, 等.基于HJ-1A高光谱数据的藏北高原草地分类方法对比[J].遥感信息, 2013, 28 (1): 77-82, 88. doi:  10.3969/j.issn.1000-3177.2013.01.016

    Guo F F, Fan J R, Tang X G, et al. Comparison of methods for grassland classification based on HJ-1A hyperspectral image data in North Tibet[J]. Remote Sensing Information, 2013, 28(1): 77-82, 88. doi:  10.3969/j.issn.1000-3177.2013.01.016
    [17] 万华伟, 王昌佐, 李亚, 等.基于高光谱遥感数据的入侵植物监测[J].农业工程学报, 2010, 26(增刊2): 59-63. http://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ200701003.htm

    Wan H W, Wang C Z, Li Y, et al. Monitoring an invasive plant using hyperspectral remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2010, 26(Suppl.2): 59-63. http://www.cnki.com.cn/Article/CJFDTOTAL-HWYJ200701003.htm
    [18] 杨可明, 刘飞, 孙阳阳, 等.谐波分析光谱角制图高光谱影像分类[J].中国图象图形学报, 2015, 20(6): 836-844. http://d.old.wanfangdata.com.cn/Periodical/zgtxtxxb-a201506014

    Yang K M, Liu F, Sun Y Y, et al. Classification algorithm of hyperspectral imagery by harmonic analysis and spectral angle mapping[J]. Journal of Image and Graphics, 2015, 20(6): 836-844. http://d.old.wanfangdata.com.cn/Periodical/zgtxtxxb-a201506014
    [19] 张莹, 张晓丽, 王书涵, 等.福建将乐林场主要树种冠层光谱反射特征分析[J].西北农林科技大学学报(自然科学版), 2016, 44(2): 83-89, 96. http://d.old.wanfangdata.com.cn/Periodical/xbnydxxb201602012

    Zhang Y, Zhang X L, Wang S H, et al. Spectral reflectance characteristics of canopies of main tree species in Jingle Forest Farm in Fujian[J]. Journal of Northwest A & F University (Natural Science Edition), 2016, 44(2): 83-89, 96. http://d.old.wanfangdata.com.cn/Periodical/xbnydxxb201602012
    [20] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35-46. doi:  10.1016/0034-4257(91)90048-B
  • [1] 朱怡, 吴永波, 周子尧, 张智雯, 安玉亭.  基于高光谱数据的互花米草营养成分反演 . 北京林业大学学报, 2020, 42(): 92-99. doi: 10.12171/j.1000-1522.20200008
    [2] 吴艳双, 张晓丽.  结合多尺度纹理特征的高光谱影像面向对象树种分类 . 北京林业大学学报, 2020, 42(6): 91-101. doi: 10.12171/j.1000-1522.20190155
    [3] 张颖, 张莉莉, 金笙.  基于分类分析的中国碳交易价格变化分析——兼对林业碳汇造林的讨论 . 北京林业大学学报, 2019, 41(2): 116-124. doi: 10.13332/j.1000-1522.20180198
    [4] 陈冀岱, 牛树奎.  多时相高分辨率遥感影像的森林可燃物分类和变化分析 . 北京林业大学学报, 2018, 40(12): 38-48. doi: 10.13332/j.1000-1522.20180269
    [5] 张怡卓, 苏耀文, 李超, 门洪生.  蒙古栎木材MOR与MOE的近红外光谱预测模型分析 . 北京林业大学学报, 2016, 38(8): 99-105. doi: 10.13332/j.1000-1522.20150505
    [6] 程士超, 李丹, 张求慧, 黄安民.  5种花梨木的红外光谱比较分析 . 北京林业大学学报, 2016, 38(1): 118-124. doi: 10.13332/j.1000--1522.20150181
    [7] 伏静, 戴思兰.  基于高光谱成像技术的菊花花色表型和色素成分分析 . 北京林业大学学报, 2016, 38(8): 88-98. doi: 10.13332/j.1000-1522.20150483
    [8] 白雪琪, 张晓丽, 张, 凝, 张连生, 马云波.  基于高光谱遥感的油松毛虫危害程度监测模型 . 北京林业大学学报, 2016, 38(11): 16-22. doi: 10.13332/j.1000-1522.20160139
    [9] 路端正, 王九丽, 谢磊.  黄荆种以下分类群的聚类与演化趋势分析 . 北京林业大学学报, 2015, 37(2): 55-58. doi: 10.13332/j.cnki.jbfu.2015.02.019
    [10] 闫绍鹏, 尚艳茹, 冷淑娇, 杨瑞华, 王秋玉.  欧美山杨杂种插穗不定根2个发育时期基因表达谱分析 . 北京林业大学学报, 2015, 37(10): 9-13. doi: 10.13332/j.1000-1522.20130230
    [11] 吴迪, 范文义.  激光雷达协同多角度光学遥感数据反演树高 . 北京林业大学学报, 2014, 36(4): 8-15. doi: 10.13332/j.cnki.jbfu.2014.04.006
    [12] 官凤英, 邓旺华, 范少辉.  毛竹林光谱特征及其与典型植被光谱差异分析 . 北京林业大学学报, 2012, 34(3): 31-35.
    [13] 梁新华, 郑彩霞, 张风侠, 李鹏.  甘草角鲨烯的提取及高效液相色谱分析 . 北京林业大学学报, 2010, 32(2): 123-126.
    [14] 多化琼, 王喜明, 范俊雄.  利用傅立叶变换研究铁杉木材管胞横截面尺寸 . 北京林业大学学报, 2009, 31(5): 108-111.
    [15] 贾诺, 王涛, 王辉, 冯仲科.  森林发展系统的半离散化方法 . 北京林业大学学报, 2008, 30(增刊1): 249-252.
    [16] 付晓, 王雪军, 韩爱惠, 冯仲科, .  纸浆源地桉树资源遥感动态监测与分析 . 北京林业大学学报, 2008, 30(增刊1): 89-93.
    [17] 罗凯, 罗旭, 冯仲科, 李静锐, 吴露露, .  自组织特征映射网络在遥感影像分类中的应用 . 北京林业大学学报, 2008, 30(增刊1): 73-77.
    [18] 刘杏娥, 张洪江, 秦爱光, 袁怀文, 郑小贤, 李瑞, 何亚平, 殷亚方, 魏潇潇, 王芳, 邓小文, 王费新, 杨平, 周永学, 黄荣凤, 张莉俊, 毛俊娟, 白岗栓, 张璧光, 颜绍馗, 胡胜华, 胡万良, 吴彩燕, 高黎, 杜社妮, 王正, 崔赛华, 樊军锋, 孙向阳, 赵天忠, 李猛, 汪思龙, 张克斌, 费世民, 戴思兰, 张岩, 罗晓芳, 谭学仁, 王晓欢, 乔建平, 刘燕, 王胜华, 王小青, 常旭, 王兆印, NagaoHirofumi, 孔祥文, 高荣孚, 韩士杰, 陈放, 李昀, 龚月桦, 张旭, 张占雄, 李华, 江泽慧, 刘云芳, 徐嘉, , 张双保, 范冰, 江玉林, KatoHideo, 王海燕, 杨培华, 陈宗伟, 郭树花, 常亮, 任海青, 陈秀明, , 李媛良, 刘秀英, 丁磊, IdoHirofumi, 李晓峰, 侯喜录, 陈学平, 李考学, 蒋俊明, 徐庆祥, 薛岩, 张代贵, 张桂兰, , 费本华, 高建社, , , 李雪峰, 涂代伦, 刘永红, 续九如, 王晓东, 金鑫, , , 张红丽, 丁国权.  杨扇舟蛾和杨小舟蛾危害对意大利214杨高光谱特征的影响 . 北京林业大学学报, 2007, 29(6): 148-155.
    [19] 李瑞, 姚洪军, 刘秀萍, 王顺忠, 周成理, 何亚平, 宋颖琦, 惠刚盈, 王尚德, 齐实, 王旭, 耿玉清, 马尔妮, 任琴, 王清奎, 雷加富, 白新祥, 余雁, 徐向舟, 武广涛, 徐基良, 石玉杰, 周国逸, 康向阳, 徐海, 费本华, 白翠霞, 费世民, 王飞, 杨莉, 张克斌, 胡可, 杨谦, 俞国胜, 云琦, 史军义, 崔国发, 刘大庆, 赵广杰, 陈丽华, 汪思龙, 张红武, 胡艳波, 孙阁, 胡永建, 徐秉玖, 李忠, 宋维峰, 张波, 李代丽, 冯宗炜, 赵铁蕊, 陈晓鸣, 王百田, 孙阁, 张恒明, 秦跟基, 蒋俊明, 戴思兰, 张德强, 代力民, 朱金兆, 瞿礼嘉, 王亮生, 陈华君, 陈秀明, 王戈, 王树森, 易传辉, 高荣孚, 董占地, 张慧, 杨晓晖, 乔锋, 金幼菊, 石雷, 余英, 武波, 王庆礼, 闫俊华, 肖玉保, 朱明东, 陈峻崎, 杨海龙, 杨俊杰, 李镇宇, 唐森强, 赵辉, 陈晓阳, 杨莉, SteveMcNulty.  豌豆光系统Ⅰ中脂类物质的分离及反相高效液相色谱分析 . 北京林业大学学报, 2006, 28(5): 95-98.
    [20] 徐文铎, 李吉跃, 段爱国, 张求慧, 吴斌, 温俊宝, 刘金福, 常德龙, 王云琦, 匡文慧, 谭炳香, 郑凌凌, 赵燕东, 程占红, 齐春辉, 
    ZHAOGuang-jie, 冯夏莲, 张灿, 邹大林, 李贤军, 李雪萍, 刘常富, 王玉涛, 鲁绍伟, 李雪峰, 张建国, 翟洪波, LUOWen-sheng, 张路平, 何正权, 宋湛谦, 温俊宝, 韩士杰, 白陈祥, 张树文, 何兴元, 李增元, 朱天辉, 王玉杰, 吴庆利, 何承忠, 韩烈保, 何友均, 李吉跃, 余新晓, 吴斌, 洪伟, 赵广杰, 黄文豪, 林秦文, 姜伟, 骆有庆, 陈发菊, 匡秋明, 童书振, 刘凤芹, 何静, 陈尔学, 梁小红, 郭忠玲, FurunoTakeshi, 张志毅, 张养贞, 骆有庆, ]魏晓霞, ]陈玮, 李俊清, 郑兴波, 庞勇, RENQian, 许志春, 胡伟华, 张璧光, 张军, 赵桂玲, 张振明, 曾会明, 许志春, 李颖, 梁宏伟, 安新民, 崔国发, 杨凯, 宋国正, 曹川健, 郑杰, 李凤兰, 侯伟, 刘君, PaulWolfgang, 李福海, 赵广亮, 雷渊才, 李考学, 姚永刚, 田桂芳, 董建生, 张有慧, 张全来, 李永波, 赫万成, 李长明, 张世玺.  Hyperion高光谱数据森林郁闭度定量估测研究 . 北京林业大学学报, 2006, 28(3): 95-101.
  • 加载中
图(5) / 表 (2)
计量
  • 文章访问数:  1281
  • HTML全文浏览量:  132
  • PDF下载量:  95
  • 被引次数: 0
出版历程
  • 收稿日期:  2017-09-25
  • 修回日期:  2017-04-18
  • 刊出日期:  2018-07-01

基于频谱和光谱特征的高光谱地物分类比较

doi: 10.13332/j.1000-1522.20170342
    基金项目:

    “863”国家高技术研究发展计划项目“数字化森林资源监测关键技术研究” 2012AA102001

    作者简介:

    张莹,博士生。主要研究方向:定量遥感。Email: august12@163.com 地址:100083北京市海淀区清华东路35号北京林业大学林学院

    通讯作者: 张晓丽,教授,博士生导师。主要研究方向:遥感、GIS在资源与环境中的应用。Email: zhang-xl@263.net 地址:同上
  • 中图分类号: S771.8

摘要: 目的频谱作为物质的能量特征进行地物的识别是可行的。本文针对国内外利用频谱进行地物分类尤其是森林植被分类研究的匮乏,探索频谱的地物识别潜力,将高光谱影像的光谱曲线转化为频谱进行地物识别研究。方法以福建将乐林场为研究区,利用国产环境小卫星高光谱影像(HJ-1A HSI)和同时成像的多光谱影像(CCD),通过能量分离变换的方法对高光谱和多光谱进行融合,获取高空间分辨率的高光谱影像;然后,将融合影像的光谱曲线转化到频率域,进而获取频谱;通过“频谱距离”对研究区进行地物分类,并将分类结果与光谱角填图(SAM)分类结果进行比较。结果在频域中植被类别和非植被类别的低阶幅度谱具有明显的可分性,频谱方法提高了马尾松、杉木和阔叶林的制图精度,对于光谱特征相似的不同森林植被具有更好的区分能力;非植被类别在1阶谐波的频谱容易区分, 植被类别需要用前7次谐波的幅度谱进行区分,随着频率的增大,频谱变化趋于相似,并且非植被类别在频域的能量累计速度高于植被类别;与SAM的分类结果比较发现,基于频谱的分类方法总体分类精度为84.19%,比SAM分类结果总体精度提高0.7%。结论利用频谱信息可以降低光谱曲线上噪声的影响,保留类别的重要区别信息,提高地类的分类精度,因此利用频域中的频谱进行地类识别具有可行性。

English Abstract

张莹, 张晓丽, 李宏志, 刘会玲. 基于频谱和光谱特征的高光谱地物分类比较[J]. 北京林业大学学报, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342
引用本文: 张莹, 张晓丽, 李宏志, 刘会玲. 基于频谱和光谱特征的高光谱地物分类比较[J]. 北京林业大学学报, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342
Zhang Ying, Zhang Xiaoli, Li Hongzhi, Liu Huiling. A comparative analysis on hyperspectral land-cover classification based on frequency spectrum and spectral characteristics[J]. Journal of Beijing Forestry University, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342
Citation: Zhang Ying, Zhang Xiaoli, Li Hongzhi, Liu Huiling. A comparative analysis on hyperspectral land-cover classification based on frequency spectrum and spectral characteristics[J]. Journal of Beijing Forestry University, 2018, 40(7): 1-8. doi: 10.13332/j.1000-1522.20170342
  • 高光谱遥感光谱范围窄,波段连续,使得高光谱遥感能探测在宽波段遥感中不可探测的物质。然而,高光谱数据波段多且相关度高,数据量大,分类时所需训练样本成倍增加[1],因此一些针对传统遥感数据的处理算法和技术不能满足高光谱遥感的应用要求。

    国内外学者利用高光谱数据进行了大量的研究,运用其丰富的光谱信息探测植被特征,以求提高陆地覆盖的识别精度[2-8]。这些研究大多数使用国外的高光谱影像,如美国的Hyperion数据、欧洲空间局的CHRIS/PROBA高光谱数据。我国环境与灾害监测预报小卫星星座中A星的高光谱影像(以下简称HJ-1A)HSI是国内首个航天高光谱数据。国内利用HSI数据进行植被分类的研究实例较少,尤其是南方地区,高光谱影像数据云量大,数据质量不高,导致高光谱在植被分类方面的研究很少。但是,当前的一些利用HSI高光谱数据的研究证明了其在植被高精度分类方面的潜力[9]

    挖掘HJ-1A高光谱遥感数据的应用潜力对森林植被的分类有深远的实际意义。频谱作为物质的能量特征之一,进行遥感地物的识别和处理是可行的[1, 10]。其在图像处理和时间序列影像的植被变动探测领域被广泛应用[11-14]。传统的二维离散Fourier变换是把遥感影像的单个波段图像从空间域变换到频率域,利用像元的灰度值变化梯度(剧烈程度)来表示频率域图像,这种变换方式只是对单波段图像的不同像元进行分析,并没有充分应用高光谱影像的光谱维信息,更没有分析和提取不同维数据的关系和特征。本研究提出利用HSI高光谱数据和CCD融合影像,从光谱维的角度分析不同地物类型的频谱差异,该方法将每一像元对应的光谱曲线信号利用一维离散傅里叶变换转化到频域,然后获取幅度谱,利用频谱能量累计函数确定谐波数目,对像元光谱与参考光谱的幅度谱进行距离计算来表示两者间的相似性,从而实现研究区的地物分类,并将分类结果与以光谱曲线间的角度表示相似性的SAM分类结果进行对比分析,探索频谱特征进行地物识别的潜力。

    • 研究区位于福建省三明市将乐县境内的将乐国有林场(图 1)。将乐县位于福建省山区的西北部,扼闽江支流金溪中下游,26°26′~27°04′N,117°05′~117°40′E。林场内森林资源丰富,土壤肥沃,以红壤为主。该区域属中亚热带季风气候区,年平均气温18.7℃,年平均降雨量1669mm。植被主要以马尾松(Pinus massoniana)林和杉木(Cunninghamia lanceolate)林为主, 以及少量的柳杉(Cryptomeria fortune)林;亚热带常绿阔叶林,以木荷(Schima superba)、厚朴(Mangnolia officinalis)、苦槠(Castanopsis sclerophyllsa)和毛竹(Phyllostachys)等为主,常混生一些落叶和半常绿树种。

      图  1  研究区位置和外业调查点分布图

      Figure 1.  Location of the study area and points of field investigation

    • 样地数据采用随机抽样和样地调查的方法,样地调查点的分布如图 1所示。样地主要包括杉木、马尾松、阔叶林、针阔混交林、采伐区和农田,每种地物类型调查了10~18个点。2013年6月开始采集样地数据,2014年7月补充了部分样地点。外业测定前通过高分数据WorldView-2目视解译,确定了大致的采样区域,主要沿道路两边设置样地。每个样方都用手持Garmin GPS60测定精确的坐标,并记录样地植被的林分结构,包括优势树种、林分平均高和冠层覆盖度。结合高分辨率的WorldView-2图像,获取了大部分非植被样地点。共获取190个可用样地,每一类别包含8~12个训练样地,选择86个样地作为训练样地参加分类,104个测试样地对不同分类结果进行精度验证。

      研究区植被主要以人工林为主,针叶林主要有杉木、马尾松、福建柏(Fokienia hodginsii)和柳杉等;常绿阔叶林有木荷、火力楠(Michelia macclurei)、樟树(Cinnamomum camphora)、木油桐(Vernicia montana)和苦槠栲(Castanopsis sclperophylla)等;落叶阔叶林主要包括枫香(Liquidambar formosana)、泡桐(Paulcnmici)和拟赤杨(Alniphyllum fortunei)等。根据研究目的和实地调查,参考以往研究对福建森林植被的划分方法[15],将研究区划分为马尾松、杉木、阔叶林、针阔混交林4个森林植被类别和居民区、建筑用地、农田、采伐区、水体5个非森林植被类别。采伐区在林地采伐后基本上又重新种植了冠层覆盖度小的幼林。

    • 环境一号(HJ-1)A、B卫星于2008年9月6日成功发射,搭载有可见光、红外和高光谱相机。目前该卫星数据已经大量应用在环境监测、防灾减灾中。因研究区多云,样地采集时间的HSI影像云层覆盖比例很大,最终选定2011年4月23日HJ-1A卫星云量相对较少的一景HSI高光谱影像和同时成像的一景CCD多光谱影像,其中高光谱影像共包含115个波段,波长范围为459~956nm,平均光谱分辨率为6nm,空间分辨率为100m,下载的高光谱影像是经过系统粗校正的2级产品;CCD多光谱影像包括4个波段,空间分辨率为30m。

      为获取真实的地表反射率数据,对影像数据进行了辐射校正、几何精校正和地形校正。利用ENVI5.1的HJ-1A扩展工具,读取下载的HSI和CCD影像获得辐射定标影像,采用FLAASH大气校正模块进行了大气校正;几何校正时,采用人工选取控制点的方法将高光谱影像HSI和多光谱CCD与一景已校正的2014年11月17日Landsat-8 OLI影像进行了几何精校正,其校正精度的均方根误差分别是0.22和0.2;因为研究区地形起伏较大,所以研究采用C校正模型,在ENVI中利用DEM数据对影像进行了地形校正。影像融合采用ENVI中的能量分离变换(CN Spectral Sharpening)工具对预处理的HSI高光谱和CCD多光谱数据进行融合,获取30m空间分辨率的高光谱数据,融合图像如图 2,可看出融合后的图像分辨率得到了提高,地物相对清晰。目视解译融合影像,前20个波段数据质量差,后95个波段影像质量较高,采用后95个波段数据参与分类。

      图  2  HSI高光谱和CCD图像通过能量分离变换前后假彩色图像的对比图(波段41、100和68)

      Figure 2.  Comparison between HSI image and fusion image based on CN spectral sharpening (band 41, 100 and 68)

    • 分别采用SAM和频谱相似度(frequency spectrum similarity measure,FSSM)的分类方法对试验区影像进行分类,对基于频谱相似性分类方法的分类结果与单纯利用光谱特征间“角度”相似的SAM方法的分类结果进行比较,探索频谱在提高地物分类中的潜力。

    • SAM是一种基于相关/匹配滤波器的分类方法,充分利用了光谱维的信息,强调了光谱的形状特征,大大减少了特征信息,是目前高光谱图像分类中较常用的方法。光谱角度制图法通过计算一个测试光谱(像元光谱)与一个参考光谱之间的“角度”来确定它们两者之间的相似性[16-17]。每个光谱都看成n维空间的一个向量,第i个向量和第j个向量之间存在一个夹角θij,夹角的余弦值称为相似系数,公式如下:

      $$ \cos \left( {{\theta _{ij}}} \right) = \frac{{\sum\limits_{k = 1}^n {{X_{ik}}{X_{jk}}} }}{{\sqrt {\sum\limits_{k = 1}^n {X_{ik}^2X_{jk}^2} } }} $$ (1)

      式中:ij均为n维空间向量,X为向量对应的值。

      参考光谱可以是实验室光谱或野外测定光谱或是图像上提取的像元光谱。利用野外测定的光谱时,需对遥感影像进行大气纠正,消除大气效应对光谱造成的影响。

    • 不同地物类别的光谱曲线都存在一个或数个波峰, 而且每个波峰的形状和分布范围都因不同地物类型而各具差异,为利用光谱曲线的频谱特征区分地物类型提供了可能[18]。频谱相似度FSSM分类方法是利用一维离散傅里叶变换将地物光谱变换到频域中, 得到频谱,然后计算与参考光谱频谱之间的“距离”来确定两者间的相似性。由于高光谱数据离散性的特征,本研究采用离散傅里叶变换(DFT)分析,将HSI图像中每个像元对应的光谱序列视为一维离散信号,经傅立叶变换获取离散信号的幅度谱[1, 19]。设一维离散信号为f(n),DFT可以定义为:

      $$ \begin{array}{*{20}{c}} {F\left( k \right) = \sum\limits_{n = 0}^{N - 1} {f\left( n \right){{\rm{e}}^{ - i\frac{{2{\rm{ \mathsf{ π} }}}}{N}nk}}} }\\ {i = \sqrt { - 1} ;\left| {F\left( k \right)} \right| = \sqrt {{R^2}\left( k \right) + {I^2}\left( k \right)} ;}\\ {P\left( k \right) = {R^2}\left( k \right) + {I^2}\left( k \right);{F_{{\rm{phase}}}} = \arctan \left( {I\left( k \right)/R\left( k \right)} \right)} \end{array} $$ (2)

      式中:|F(k)|、P(k)、Fphase分别是像元对应的光谱序列的幅度谱值、能量谱和相位谱,R(k)、I(k)分别是F(k)的实部和虚部,k是DFT变换的序号;N为离散采样数据长度;n为离散采样点即对应的高光谱数据波段号;f(n)是像元在每个波段对应的反射率值,即地面光谱反射率值。

      其次,引入兰氏距离来突出较高频率谐波的贡献,以目标和参考光谱曲线的频谱之差来度量光谱的相似性达到分类的目的,其公式如下:

      $$ {\rm{FSSM}} = \frac{1}{{{N_{\rm{s}}}}}\sum\limits_{i = 0}^{{N_{\rm{s}}}} {\frac{{\left| {{F_{{\rm{tar}}}}\left( i \right) - {F_{{\rm{ref}}}}\left( i \right)} \right|}}{{\left| {{F_{{\rm{tar}}}}\left( i \right)} \right| + \left| {{F_{{\rm{ref}}}}\left( i \right)} \right|}}} $$ (3)

      式中:FtarFref分别为目标和参考光谱曲线的频谱;Ns是参加计算的低阶谐波数目,利用频谱能量累计分布函数pf(n)获取(见公式(4)),它决定了该分类方法的效率,Ns越大则算法的耗时越大,否则越小。

      $$ {p_{\rm{f}}}\left( n \right) = \frac{{\sum\limits_{i = 0}^n {\left| {F\left( i \right)} \right|} }}{{\sum\limits_{i = 0}^N {\left| {F\left( i \right)} \right|} }} \times 100\% $$ (4)

      式中:|F(i)|为第i次谐波的幅度谱值;n为第n次谐波;N为最大谐波次数。

    • 采用误差矩阵对分类结果进行精度评定,误差矩阵中整体分类精度(OCA)和Kappa系数(OKC)可以反映整体分类状况;每一类别的生产者精度(PA)和使用者精度(UA)可以反映分类的可靠性[1, 19-20]。研究对两种方法的分类结果用相同的验证样地进行精度评定。

    • 图 3对比显示了研究区9种地物的反射光谱曲线,可以看出森林植被的光谱曲线走向趋势大体相同,符合植被的一般光谱特征。特征曲线上存在“红谷”,即叶绿素强烈吸收红光的吸收带,位于可见光波段670nm左右,反射率一般为0.04~0.11;在红谷前有一个反射峰,被称为“绿峰”,这一波段地带对绿光的吸收弱,峰顶位于550nm附近,反射率为0.09~0.17;在近红外波段,有一个反射陡坡,称为“红边”,位于680~750nm光谱区间内,其光谱反射值随波长的增加而急剧升高;波长在780nm之后是一个相对平坦的较高反射率区域。

      图  3  9种地物类型参考光谱曲线

      Figure 3.  Reference spectra curves of nine ground objects in study area

      非植被类别的光谱曲线较易区分,而植被类别因相似的反射特点很难直接从光谱曲线确定关键区分波段。图 4是不同地物经傅里叶变换后的频谱图,可以看出反射光谱的关键区分波段在频域中被集中在能量较高的低频区域,因此频域中进行地物分类具有可行性,尤其是对森林植被类别,在频域更容易发现区分特征,不受噪音影响。

      图  4  9种地物类型参考光谱曲线的频谱分布

      Figure 4.  Distribution of frequency spectrum of reference spectra curves of nine ground objects in study area

    • 根据采集的样本数据,从图像上提取每个类别的光谱曲线数据,利用频谱能量累计分布函数(公式(4)),分析出不同类别的频谱能量累计大于99%的频率位置(见表 1)。从表 1看出,植被和非植被类别的能量累计大于99%的位置不同,非植被类别的居民区和建筑用地的前3次能量累计已经达到99%,而植被类别的5次以上的频谱能量累计才达到99%,尤其是森林植被需要更高的能量累计才能达到99%,这与森林植被特有的光谱曲线特征有关,其不同波长位置的吸收谷和反射峰,在频域中表现为幅度谱的差别。

      表 1  频谱能量累计大于99%的频率位置和相应值

      Table 1.  Frequency positions and corresponding energy values of frequency spectrum with contribution of >99% of cumulative energy

      类别Class 能量分布Energy distribution 频率位置Frequency location
      马尾松Pinus massoniana 0.991 303 7
      杉木Cunninghamia lanceolata 0.991 191 6
      阔叶林Broadleaved forest 0.991 401 7
      针阔混交林Coniferous and broadleaved mixed forest 0.990 910 6
      采伐区Felling area 0.991 289 5
      农田Farmland 0.992 764 5
      居民区Residential area 0.992 986 3
      建筑用地Building land 0.993 080 3
      水体Water body 0.990 448 5

      图 4展示了不同地物类别的前11次谐波频谱图。从图 4可以看出:不同光谱曲线频谱的高低频分布有一定的相似性,低频信息能量高,高频信息能量低,随着频率的增加,频谱能量迅速下降;不同类别在低频区域(尤其是前7次谐波幅度谱)的幅度谱具有可分性。在1次谐波幅度谱中,水体和建筑用地的幅度谱分别显示为最低和最高,明显区别于其他植被覆盖类型,具有显著的可分性;居民地的频谱在前7次谐波中,也表现出明显低于植被类别频谱的特征;在前3次谐波幅度谱中,阔叶林在植被中的幅度谱值为最高,呈现明显的可分性;在前3次的幅度谱中,杉木的幅度谱高于马尾松,在后面的低次频谱中,马尾松的幅度谱高于杉木,这一特征有助于马尾松和杉木的区分;随着频率的增大,所有类别的幅度谱值趋于相似,可分性不强。因此,选择前7谐波的幅度谱参与分类。

    • 运用SAM方法和FSSM方法分别从空间域和频率域对研究区进行分类,其中FSSM方法根据能量累计的情况(表 1),选择前7次幅度谱参与距离计算,分类精度结果见表 2图 5是两种方法的分类专题图。从表 2可知:SAM方法的总体分类精度为83.49%,Kappa系数(OKA)是0.8078;FSSM分类的精度验证结果显示,总体分类精度为84.19%,Kappa系数(OKA)是0.8158。FSSM的分类精度比SAM提高了0.7%,具有更好的分类效果,而马尾松、杉木和阔叶林的生产者精度分别提高了1.9%、1.6%和3.8%。误差矩阵分析发现,由于研究区阔叶林夹杂在针叶林中且分布较少,导致了两种植被类型的混淆;居民区包括的地类成分较为复杂,明暗不均匀的不透水表面,与建筑用地和采伐区极易混淆;水体的误分,主要是由于图像成像于4月份,部分河面水位低,裸露的河床光谱反射率较高与建筑用地和居民地易于混淆。

      图  5  研究区HSI高光谱融合影像的FSSM和SAM分类结果图

      Figure 5.  Comparison of FSSM and SAM classification results of HSI hyperspectral fusion image in the study area

      表 2  HSI高光谱融合图像的SAM和FSSM分类误差矩阵

      Table 2.  Error matrix from SAM and FSSM based on the HJ1A-HSI fused hyperspectral image

      类别Class SAM FSSM
      生产者精度Producer accuracy(PA)/% 使用者精度User accuracy(UA)/% 生产者精度Producer accuracy(PA)/% 使用者精度User accuracy(UA)/%
      马尾松Pinus massoniana 83.5 81.1 85.4 81.5
      杉木Cunninghamia lanceolata 61.5 81.6 63.1 82.0
      阔叶林Broadleaved forest 82.7 78.2 86.5 75.0
      针阔混交林Coniferous and broadleaved mixed forest 78.6 65.7 75.0 71.2
      采伐区Felling area 93.6 100.0 93.6 100.0
      农田Farmland 100.0 91.1 95.0 91.1
      居民区Residential area 91.7 81.5 95.7 91.7
      建筑用地Building land 82.5 93.3 87.5 93.3
      水体Water body 92.6 100.0 92.6 100.0
      整体分类精度Overall classification accuracy 83.49% 84.19%
      整体Kappa系数Overall Kappa coefficient 0.807 8 0.815 8

      通过两种方法的分类结果比较,可看出FSSM方法对于光谱特征相似的森林植被具有一定的分辨能力。研究区马尾松、杉木和阔叶林的分类结果显示,FSSM方法的制图精度均高于SAM方法的结果,尤其是阔叶林的生产者精度提高了3.8%。虽然不同的树种光谱曲线的走向大体相同,然而不同树种由于叶片形状、叶绿素和水分含量及叶片结构等因素的影响,光谱反射曲线之间又存在着差异,通过频谱可以提取出不同波长位置的主要波谷和波峰,保留光谱曲线上的有用信息,降低噪音影响,因此相对于单纯利用光谱间角度度量相似性的分类方法,基于频谱的FSSM方法提高了对树种的区分能力。

      从以上分析可以看出,相对SAM分类方法,FSSM分类方法对不同森林类型间的区分具有更高的敏感性,不同树种的冠层光谱均具有各自独特的波峰和波谷,将像元光谱转化到频域,能够降低光谱曲线上的噪声影响,因此从频域的角度进行森林类型识别具有可行性。

    • 利用HJ-1A高光谱影像从频域出发通过计算频谱距离进行分类,与基于像元光谱和参考光谱间“角度”的SAM分类方法在划分类别的算法上是相同的。SAM算法是对高光谱图像的整个光谱向量集进行相似性测量,容易受噪声波段的影响,且对局部特征和辐射强度不敏感,影响分类精度。同时,所有波段都参与分类,容易产生Hughes(维数灾难)现象,无法获得理想分类结果。本研究从频域角度进行地物区分,将高光谱影像每个像元对应的完整光谱作为序列信号,通过DFT变换后在频域获取信号的频谱,能够在压缩信号的同时有效抑制噪音和Hughes现象,从而可以将不同地物光谱曲线不同波长位置的主要波谷和波峰的频谱有效提取出来,保留了光谱曲线上有益于分类的信息,提高了地物类别的识别速度和精度。

      本研究将频谱引入分类,发现频谱不仅有益于植被和非植被类别的区分,对树种的识别也具有优越性。同时,频谱识别的优越性也在近期一些研究中得到验证,如杨可明等[18]将谐波分析用于EO-1卫星的Hyperion高光谱影像分类,通过对比试验证明了谐波分析具有普适性,提高了传统高光谱影像分类的效率和精度,证明了其具有良好的应用前景;王珂等[1]将频谱分析用于Salinas高光谱图像的分类,提高了农作物的分类精度。

    • 通过利用高光谱图像的频谱进行分类的结果证明了将光谱曲线从空间域转化到频率域进行分类,降低了噪声的影响,不仅可以提高植被和非植被的区分精度,而且有利于区分具有相似光谱特征的不同树种。不同类别的频谱特征分析发现,植被和非植被类别的频谱特征具有明显的可分性,非植被类型频谱能量累计达到99%的速度比植被类别要快。

      基于频谱FSSM方法的分类结果与SAM分类结果比较显示,频谱的运用提高了马尾松、杉木和阔叶林的分类精度,尤其是阔叶林的制图精度,相对提高了3.8%。因此,利用高光谱数据,从频域的角度进行森林树种识别具有可行性。

      从频谱角度进行分类的方法为利用高光谱图像进行地物识别尤其是树种识别提供了一个新的研究方向和方法。该分类方法克服了SAM方法对不同地物所具有的特征不敏感的缺陷,放大了类别间的差异,提高了相似地物的识别能力,具有良好的应用前景。

参考文献 (20)

目录

    /

    返回文章
    返回