星高分辨率遥感数据应用潜力与精度评价研究

1、CBERS-02B星高分辨率遥感数据应用潜力与精度评价研究以基于影像融合的土地利用分类为例刘咏梅1,2刘晓靖1王怀生1,2李京忠2杨勤科1（1.陕西省遥感中心，2.西北大学城市与资源学系）摘要：本文以评价02B星高分辨率影像数据应用潜力为目的，通过对02B星数据的辐射和彩色增强、02B星数据与较低分辨率影像的融合，并对融合前后的信息含量和分类结果进行了对比。结果表明，02B高分辨率影像的应用明显提高了土地利用信息的提取精度，在国土资源调查与生态环境监测中具有广阔的应用前景。关键词：CBERS-02B星高分辨率影像融合土地利用分类针对02B星高分辨率影像的光谱特征与空间分辨率，研究对02B星高分

2、辨率影像的增强处理方法；研究02B星高分辨率影像与CBERS多光谱影像的融合方法；通过对融合影像与原影像信息量的对比，以及基于融合前后影像的土地利用分类精度对比，对02B星高分辨率影像在资源环境领域的应用潜力与精度进行了初步探索。1研究区域与数据源1.1 研究区域研究区位于陕西省南部的西乡县（见图53-1）。经纬度范围为107.606107.97Q32.79632.86(o1.2 数据源图53-1西乡县位置图(1)研究区的02B星高分辨率相机全色波段影像(图幅号7-63-D-5-L20000014221),空间分辨率为2.36米，已作过精校正。(2)研究区的TM影像(2、3、4波段)，空间分辨

3、率为30米。已作过精校正。11.3 研究方法本研究利用了数字图像增强处理和专题分类方法，对02B星高分辨率相机全色波段的影像质量和实用性进行初步评价。(1)针对02B星HR全色波段影像光谱分辨率较低的问题，通过辐射增强、彩色增强等方法对图像进行预处理，增强图像光谱信息，改善图像质量；(2)对02B星HR全色波段影像与低分辨率影像(由于尚未得同时相的02B星多光谱图像，这里用TM替代)进行融合研究，分析融合影像信息量的变化并基于融合前后图像进行土地利用分类。分类结果的精度评价对比表明，与02B星HR全色波段影像的融合明显提高了TM影像的分类精度。TM影像的空间分辨率低于CBERS影像，因此通过与

4、02B星HR全色波段影像的融合，CBERS多光谱图像的分类精度必将明显提高。2图像预处理2.1 辐射增强02B星影像的灰度值范围较窄，为0-174,图像色调偏暗，对比度不够；为了改善图像质量，采用分段线形拉伸的方法对该图像进行了对比度拉伸，灰度值范围拉伸到0-255,使图像的对比度明显提高，细节清晰，目视效果明显改善。2.2 彩色增强对低分辨率影像的3个波段进行假彩色合成：RGB-band432,得到TM标准假彩色合成图像。2.3 投影转换与重采样主要进行了两个处理，包括：(1)对02B星高分辨率影像进行投影转换，使其与低分辨率影像投影相一致，投影参数见图53-2;(2)对投影变换后的02B星

5、高分辨率影像进行像元大小的重采样，使其像元大小变为3m。3影像融合处理3.1 融合方法多源遥感影像融合，是指采用某种算法模型，将覆盖同一地区的2幅或多幅空间配准的2影像，进行信息组合匹配，获取高质量的影像信息的技术。通常，采用低空间分辨率的多波段数据(如TM影像)和高空间分辨率的全色光谱数据(如SPOT的Pan波段）进行融合运算，获得既具有细致纹理又保持丰富光谱信息的融合影像，使不同遥感数据源的优势互补，提高图像的应用精度。目前，针对土地利用信息提取有多种融合算法模型，如Lab变换、IHS变换、Brovey变换、主成分变换、乘积运算、小波变换等11120以上述经过处理的02B星高分辨率影像和低

6、分辨率假彩色合成图像为主要信息源，分别应用主成分变换、乘积运算和Brovey变换进行融合处理。与原始低分辨率影像对比可知，乘积运算法的融合影像的光谱信息损失最少，因此，最终采用乘积运算进行02B星高分辨率影像与低分辨率彩色图像的融合处理，融合图像有3个波段，分辨率为3m。3.2 融合影像质量评价对融合前后图像质量的对比评价可以从两个方面进行分析，一般采用主观定性评价和客观定量评价相结合的方法。3.2.1 主观定性评价主观定性评价从色调、清晰度、地物形状和纹理信息等方面对原始影像和融合影像进行比较，从而对融合效果有一个定性的认识。与原始低分辨率影像相比，乘积运算融合的影像空间分辨率明显提高，纹理

7、详细丰富，色调突出，植被覆盖清晰；水域与其它地类的光谱差异增大，轮廓明显；城镇内部结构信息增强，形状清楚，平原区不同农田地块的色调对比增强，边界变的明显；山区地形沟谷细节增强；植被色调信息增强（见图53-3）。原图像图53-3融合前后影像对比融合后影像3.2.2 客观定量评价客观定量评价主要通过多种统计分析方法进行，常用的评价指标主要包括像元亮度值范围、灰度直方图、均值、以及偏差和相关系数等。均值均值指像素灰度的平均值,反映了影像的平均亮度。如果均值适中,则目视效果良好。偏差偏差指灰度影像灰度平均值与多光谱影像、融合影像灰度平均值之差；偏差反映融合影像与原多光谱影像光谱特征的变化，平均程度差值

8、越大，光谱畸变越大。相关系数反映融合影像与原多光谱影像光谱特征的相似程度，融合影像与原多光谱影像相关系数越大，融合结果就越能保持原多光谱影像的光谱特征。表53-102B星原图像、拉伸处理图像、TM图像以及融合图像的质量评价参数表图像类别02B星原图像拉伸处理图像灰度值范围0-174灰度差174均值56.74与拉伸处理图像偏差31.76与02B星原图像偏差相关系数0-25525588.50031.76R2-255253126.5938.1069.85原始图像G82-255173122.0133.5165.26B48-55207123.5135.0166.77R1-24924882.525.982

9、5.780.9604融合图像G1-22322270.0918.4113.350.9498B1-24224369.8018.7013.050.9562注：上表中，原始图像指未经融合的TM图像。从表53-1可知，经过拉伸处理的02B星图像比原图像的灰度范围明显扩大，目视效果得到改善。原始影像与融合影像对比，除均值一项外（TM影像各波段的均值特征优于融合影像），融合影像的灰度值范围、灰度差和偏差等项参数值均优于原始影像，表明融合影像的光谱质量得到明显提高。这里，由于研究所用的材料（TM影像）分辨率为30m,低与CBERS多光谱影像，所以融合无疑将对CBERS的质量有所改进。融合影像与原多光谱影像相关

10、系数对应三个波段的相关系数都很高，说明融合结果很好地保持了原TM影像的光谱信息。4土地利用分类4.1 分类方法在研究区内选取典型区域，各类地物都有，面积为10X10km2o以融合影像为信息源对典型区进行土地利用自动分类。根据本地区土地资源调查分类系统和影像的分辨力，确定土地利用为7个类别：城镇用地，水田，林地，草地，水域，河滩地，旱地。本研究中采用了非监督分类法。主要的参数设定如下：初始分类数：50,最大循环次数：24,循环收敛阈值：0.95,分类结果的面积统计见表53-2。表53-2土地利用类别面积统计类别林地水体草地旱地水田滩地城镇用地合计面积/km2百分比/%7.017.004.724.

11、7226.0926.0540.1440.0917.8817.861.821.822.472.47100.13100.004.2 精度分析为了进行精度对比，基于融合前后的低分辨率影像（432波段）对同一区域再进行土地利用分类，两次分类的精度报告见表53-3。表53-3显示，应用02B星高分辨率影像与原始影像融合后，土地利用各类别的提取精度都有显著提高；水田、旱地的分类正确率提高达到20%以上；草地的分类正确率提高达40%以上，林草地、旱地的混分明显减少；分类总精度从71.43 %提高至I87.14%。由于河滩地与城镇用地的光谱特征相近，并在融合中仅用了低分辨率影像的432波段，原始波段1、5、7

12、的信息损失，使河滩地与城镇用地的混分严重，造成在融合影像和TM影像上的分类精度都很低，分别为46.15%口43.55%。表53-3分类精度报告类别融合影像TM影像分类精度(%)城镇用地林地水域草地旱地水田河滩地87.5088.3388.3388.52100.00100.0046.1妙类总41度=87.14%分类精度(%)63.1688.3377.4244.4465.57分类总精度71.43%87.2743.555结论(1) 02B星高分辨率影像的空间分辨率高，达到了2.36m,但光谱特征较差，采用辐射增强方法可使该图像的灰度值范围扩大，反差增强，图像目视效果明显提Mi。(2)通过对图像质量的定

13、性和定量评价可知，基于02B星高分辨率影像的融合影像在纹理信息、目视效果和光谱质量方面均优于原始影像，同时保留了原始影像的光谱信息。(3)采用融合影像对典型区进行土地利用自动分类，与原始影像的分类结果相比，各类别的提取精度都有明显提高，分类总精度从71.43%提高到87.14%,取得了良好的分类结果。(4)本试验所用原始低分辨率多光谱影像为TM,其分辨率明显低于CBERS多光谱影像数据，因此，通过与02B星HR全色波段影像的融合，将会明显改善CBERS多光谱图像的质量，分类精度的提高也将更高。但是，这种推断有待通过实际的CBERS数据来验证。本研究结果表明，作为影像融合新的信息源，02B高分辨

14、率影像的应用明显提高了土地利用信息的提取精度，在国土资源调查与生态环境监测中具有广阔的应用前景。我们希望通过与最广泛使用的多光谱影像和较高分辨率影像数据进行对比分析，对02B图像数据做出较为全面的评价。但是限于时间关系，数据获取需要周期，与高分辨率数据的对比分析、02B图像数据本身在资源环境中应用等，尚在进行中。同时，分类结果也还没有进行野外验证。本研究工作得到了国家航天局航天遥感论证中心的项目支持、中国资源卫星应用中心的数据支持以及西北大学城市与资源学系地图学与地理信息系统”研究室的支持，特此致谢。参考文献1 PohlC,VanGenderenJL.MultisensorImageFusio

15、ninRemoteSensing:Concepts,MethodandApplicationsJ.INTJRemotesensing,1998,19(5):823-854.2 ChavesPS,SidesSC,AndersonJ.A.ComparisonoftheThreeDifferentMethodstomergeMultiresolutionandMultispectralData:TM&SPOTPanJ.PhotogrammetricEngineeringandRemoteSensing,1991,57:295-303.3 ZhangY,ANewMergingMethodand

16、ItsSpectralandSpatialEffectsJ.INTJRemotesensing,1999,20(10):2003-2014.4 FranklinSE,BloggettCF.AnExampleofSatelliteMultisensorDataFusionJ.Computer&Geosciences,1993,19(4):577-583.5 EhlersM,MultisensorsImageFusionTechniquesinRemoteSensingJ.ISPRSJournalofPhotogrammetryandRemoteSensing,1991,46:19-30.

17、6 Congaton,R.G.AReviewofAssessingtheAccuracyofClassificationofRemotelySensedData:RemoteSensingofEnvironmentM.LewisPublishers,NewYork7 SolaimanB,etal.AninformationfusionmethodformultispectralimageclassificationpostprocessingJ.IEEETransactionsonGeoscienceandRemoteSensing,1998,36(2):395-406.8 Congaton,

18、R.G.AReviewofAssessingtheAccuracyofClassificationofRemotelySensedData:RemoteSensingofEnvironmentM.LewisPublishers,NewYork.9 LiuYong-meietal,AnappliedresearchonremotesensingclassificationintheLoessPlateauJ,JournalofGeographicalSciences,2003,13(4):395-399.10 CihlarJ,etal.Classificationbyprogressivegeneralization:Anewautomatedmethodologyforremotesensingmultich