基于主被动遥感影像融合的土地覆盖分类

何曙光，庞　蕾，张学东

(北京建筑大学 测绘与城市空间信息学院，北京 100044)



基于主被动遥感影像融合的土地覆盖分类

何曙光，庞蕾，张学东

(北京建筑大学 测绘与城市空间信息学院，北京 100044)

土地覆盖分类是土地利用规划的一个重要依据，可以为制定可持续发展政策提供重要的参考。运用小波变换的方法融合高分辨率的TerraSAR影像与Quickbird光学影像，采用融合后的影像进行土地覆盖分类。以北京市某地区为例，经过数据预处理、影像纠正、试验区裁剪、影像融合、最大似然法分类、分类后处理、精度评定等一系列图像处理后，实现了试验区域的土地覆盖分类，证明了该方法的可行性。

TerraSAR影像；小波变换；影像融合；最大似然分类；土地覆盖

光学遥感影像具有丰富的光谱信息，目标的识别与检测都相对容易，但是其易受天气的影响，而主动的微波遥感具有固定重访周期，全天时、全天候作业，穿透能力强，纹理信息丰富等特点，但受介电特性、频率、目标的几何信息以及SAR成像系统固有的斑点噪声等因素的影响，降低了图像的解译能力，导致对单独的雷达图像进行分类变得十分困难。遥感影像融合解决了海量信息充分高效利用的问题，实现了多源数据信息互补和综合利用[1-2]。

目前，利用主被动遥感影像融合进行的应用主要有:利用小波的方法将SAR数据与光学影像进行融合后用于建筑屋顶等典型目标的提取[3-4];邹丽丽等将SAR和SPOT数据融合结果应用于道路提取[5-7];赵静等将光学影像与SAR进行融合后解译煤矿信息[8];余凡等将光学影像与雷达影像融合，并协同提取土壤湿度信息[2,9];满其霞将激光雷达和高光谱数据进行融合后运用到城市土地利用分类中[10]。数据信息融合的最终目的是为分类和其他应用提供服务支持。分类作为遥感应用领域最重要的分支,已受到更多的重视[11-14]。

本文两种影像高分辨率的TerraSAR影像和Quickbird影像，以北京市某试验区为例，运用小波变换融合;采用最大似然分类的方法对试验区的土地覆盖进行分类，为城市规划和建设提供了参考依据。

1　影像融合与分类方法

1.1小波变换融合

为了充分利用光学影像和SAR影像的优势，对二者进行融合是有效的手段。目前，遥感影像融合方法主要分为像素级、特征级和决策级。本文采用像素级的小波变换融合方法。

基于小波变换的影像融合方法，是对原始的影像进行小波变换，将其分解在不同频段的不同特征域上，然后在不同的特征域内进行融合，构成新的小波金字塔结构，最后用小波逆变换得到合成图像的过程[15]。其定义为：一个函数φ(t)L2(R)，满足条件

ʃφ(t)dt=0

(1)

通过φ(t)对进行平移和伸缩变换，得到一个函数簇

(2)

式中：a为伸缩因子；b为平移因子；φ(t)为基本小波；φa,b(t)为分析小波。图1为影像融合示意图。

图1　Quickbird影像与TerraSAR影像融合示意图

1.2最大似然分类

最大似然分类又称为基于最小错误概率的贝叶斯分类方法，是一种传统监督分类方法，在进行分类前已经事先定义了类别信息。利用统计的方法根据最大似然比判断准则法建立非线性判别函数集，并假设各类分布函数遵循正态分布，选择足够数量和面积的训练样本，然后通过计算影像中每个像元的归属概率，最终将该像元归属为概率最高的一类。最大似然分类算法是遥感图像监督分类的经典算法，在土地覆盖分类中有广泛的应用[16]。

2　试验数据与方法

2.1试验数据

本文采用北京地区2013年9月的“TerraSAR-X”HH极化模式下的雷达影像(见图2a)和同时段的Quickbird多光谱影像(见图2b)，其具体参数如表1所示。

表1　TerraSAR-X和Quickbird数据参数

(a)TerraSAR雷达影像

(b)Quickbird多光谱影像

2.2试验方法

图3　数据处理流程

基于主被动遥感影像融合的土地覆盖分类需要经过数据预处理、影像纠正、试验区裁剪、影像融合、最大似然法分类、分类后处理、精度评定等步骤。SAR影像是基于雷达坐标的，需要将其转换为大地坐标系，通常是通过人工选取标志点，然后根据多项式实现数据的重采样和投影关系的转换，最后通过多项式配准的方式实现子像素级的自动精配准[17]。试验数据处理流程如图3所示。

应用小波的方法进行主被动遥感影像的融合。首先，对经过影像纠正配准后的TerraSAR影像和Quickbird多光谱影像分别进行小波正变换，以获得各自的纹理、细节和低频影像；其次，用小波变换后的多光谱影像的低频成分代替TerraSAR影像的低频成分；最后，用TerraSAR影像的高频成分与替换后的多光谱影像的低频成分进行小波逆变换，从而得到融合后的影像。小波变换融合的结果如图4所示。

本文试验采用最大似然分类法进行土地用地分类，该方法操作简单并有较好的分类结果和精度。将该区域的土地类别定义为植被、水体、道路和建筑物。分类结果中会出现一些小面积的图斑，要对小图斑进行重新分类或直接剔除。分类后的结果如图5所示。

图4　小波变换融合后的影像

图5　土地覆盖分类

从图5可以很清楚地辨别出植被、水体、道路和建筑物。对分类结果进行抽样调查，评价分类的精度。在图5上均匀、随机地选取每类地物与光学影像对比，并进行实地调查，分析各类地物分类的精度。分类精度统计如表2所示。

表2　分类精度统计

由表2可知：利用小波变换融合后的遥感影像进行土地覆盖分类的精度较高。各类地物的分类图斑与其光学影像的对比效果如图6所示。

(a)植被

(b)水体

(c)道路

(d)建筑屋

图6各类地物分类图斑与光学影像对比

由图6可以看出:每类地物的分类都存在着一定的误差，这主要是由于雷达获取的数据源中会存在一些斑点噪声，这会引起影像中产生伪变信息，而这类信息目前还没有方法可以将其完全去除，因此会造成每类地物分类的误差。另外，在对植被进行分类时，会将一些诸如足球场等绿色地面的区域错分为植被。水体的分类精度是最高的，它的边界比较清晰，水体的颜色也与其他用地类型的颜色区别较大，不易与其他类型的地物混淆。在分类时水体分类的误差主要来源于水面周围植被遮挡，会出现水体与植被重叠的现象，因此在分类图中无法看出被植被遮挡的水体，从而造成误差。道路和建筑屋分类精度相对较低的原因主要有：(1)建筑屋四周和道路两侧的植被遮挡；(2)建筑屋和道路在结构单元上的相似及城市立交桥等立交系统的存在会造成一些建筑物和道路的混淆。

3　结论

本文运用小波变换的方法融合了TerraSAR雷达影像和Quickbird多光谱光学影像，并用最大似然分类法对融合后的影像进行分类。试验以北京市某区域为例，利用融合后的影像将试验区的土地覆盖情况进行了分类，经验证，该方法的精确度较高。试验结果表明，将主被动遥感影像通过小波变换的方法进行融合，融合后的影像结合了二者的优势，具有比光学影像更容易分辨的光谱信息和边界，再用最大似然分类法对融合后的影像进行土地覆盖分类的方法是可行的。

[1]杜培军.遥感科学与进展[M].徐州：中国矿业大学出版社，2007.

[2]余凡, 赵英时.基于主被动遥感数据融合的土壤水分信息提取[J].农业工程学报,2011,27(6):187-192.

[3]朱俊杰.高分辨率光学和SAR遥感数据融合及典型目标提取方法研究[D].北京：中国科学院研究生院(遥感应用研究所),2005.

[4]朱俊杰,范湘涛,邵芸.高分辨率SAR与光学图像融合用于建筑物屋顶提取[J].中国科学院大学学报,2006,23(2):178-185.

[5]邹丽丽.SAR与SPOT 数据融合方法在道路提取中的应用[D].广东：广州大学,2010.

[6]朱昌盛,周伟,姜涛,等.基于ERS-2SAR和Landsat TM图像融合的道路提取算法[J].电光与控制, 2011,18(9):27-30.

[7]陈颖, 陈绍杰,杜培军,等.高分辨率SAR与光学遥感影像中道路提取方法的研究[J].测绘与空间地理信息,2011,34(4):40-44.

[8]赵静, 武文波.SAR 与光学影像在煤矿信息解译中的应用[J].辽宁工程技术大学学报(自然科学版),2013 (6):768-772.

[9]Jonard F,Weihermuller L,Schwank M,et al.Estimation of Hydraulic Properties of a Sandy Soil Using Ground-Based Active and Passive Microwave Remote Sensing[J].Geoscience and Remote Sensing,2015,53(6):3095-3109.

[10]满其霞.激光雷达和高光谱数据融合的城市土地利用分类方法研究[D].上海：华东师范大学,2015.

[11]Mather P,Tso B.Classification methods for remotely sensed data[M].Boca Raton：CRC press,2009.

[12]Yang X.Remote Sensing and Geospatial Technologies for Coastal Ecosystem Assessment and Management [M].Berlin：Springer-Verlag,2011.

[13]Cheng J,Liu H,Liu T,et al.Remote sensing image fusion via wavelet transform and sparse representation[J].ISPRS Journal of Photogrammetry and Remote Sensing,2015,104:158-173.

[14]Johnson B.Remote Sensing Image Fusion at the Segment Level Using a Spatially-Weighted Approach:Applications for Land Cover Spectral Analysis and Mapping[J].ISPRS International Journal of Geo-Information,2015,4(1):172-184.

[15]雷宁.基于小波变换的多源遥感图像融合[D].西安：西北工业大学,2007.

[16]李全,王海燕,李霖.基于最大似然分类算法的土地覆盖分类精度控制研究[J].国土资源科技管理,2005,22(4):42-45.

[17]张瑞,刘国祥,李涛,等.基于高分辨率TerraSAR-X影像的城市土地利用变化检测[J].铁道勘察,2011,37(4):17-21.

Land cover classification based on integration of active and passive remotely sensed data

HE Shu-guang,PANG Lei,ZHANG Xue-dong

(SchoolofGeometricsandUrbanInformation,BeijingUniversityofCivilEngineeringandArchitecture,Beijing100044,China)

Land cover classification is of importance to the land use planning.Besides,it also provides an important reference for the development of sustainable development policies,so it is very significative to research the land cover classification.This paper proposes a method of the land cover classification based on image fusion,which combine TerraSAR image with quickbird image by using wavelet transform.According to above method，tacking some an area in Beijing as the test area,through the data preprocessing,image correction,image clipping,image fusion,Maximum likelihood classification,post classification,and precision evaluation，the land cover classification of the test area is successfully extracted.Experimental results confirm the effectiveness of proposed technique.

TerraSAR image;wavelet transform;image fusion;maximum likelihood classification;land cover

2015-12-21

北京市教育委员会科技计划一般项目(SQKM201610016008)；北京市自然科学基金(8154043)

何曙光(1992—)，男，河南信阳人，硕士研究生。

1674-7046(2016)02-0058-05

10.14140/j.cnki.hncjxb.2016.02.011

P237

A