星载光学遥感图像能有效用于岩石、土壤信息的提取与制图, 但主要局限在植被覆盖稀少的干旱、半干旱地区。在植被覆盖区, 由于基岩或土壤的光谱已与植被光谱混合(或被替代), 因此难以直接从光学遥感图像中直接提取, 通常需要先采取适宜的植被信息抑制技术。当前, 已经开发了大量的利用地物光谱特征进行植被覆盖区遥感信息增强的方法^{[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12]}, 另外也有间接手段, 如通过植被生物地球化学、地形地貌等分析进行下伏基岩或土壤识别^[13]。

基于混合像元分解的植被抑制技术具有抑制植被、保留其他信息的优势。目前, 针对遥感图像混合像元分解已有大量研究^{[14, 15, 16, 17, 18, 19, 20]}, 但只有少数是针对植被抑制的^{[3, 7, 8, 9, 11, 12]}。Bierwirth^[3]采用光谱分解技术对NS-001机载扫描图像进行植被光谱信息去除。然而, 由于该技术需要使用野外实地光谱数据^[18], 因此在用于卫星多光谱图像时受到很多限制。许多研究者提出了不依赖野外实地光谱数据的植被抑制技术, 如定向主成分, 或称软落叶技术^{[1, 2, 21]}, 但这些方法的缺点是只能生成单波段数据, 而且只能够对特定信息(如与热液蚀变相关的铁氧化物和粘土矿物)进行增强。

为了提高方法的适用性, 有研究采用多种方法的组合, 如“ 掩模+主成分分析+Hue色调调整” (Masking-PCA-Hue color adjustment, MPH)^[22]、“ 多源数据分析+比值+主成分分析+掩模+分类(分割)” ^[7]等具有较好植被覆盖度适应能力的蚀变弱信息的提取方法。最近, 针对植被覆盖区地质信息的增强及表达方法, Crippen和Blom^[8]提出了一种适用于干旱、半干旱地区的基于强迫不变的多光谱遥感图像上植被像元贡献度抑制的自动技术。该算法不需要先验知识的支持(如岩石成分, 野外光谱数据等), 能有效抑制遥感图像上植被的对比度, 从而增强下伏岩性信息, 有利于目视解译。Yu等^[23]对该方法进行了改进, 提出结合掩模技术、强迫不变技术和直方图均衡化技术的组合方法(Masking-Forced invariance-Histogram equalization, MFH), 并在气候湿润、植被覆盖茂密地区开展了实验, 工作只对中等分辨率TM图像进行了实验, 对于其他类型的遥感图像(如高光谱图像、低分辨率卫星图像)的适用性尚未进一步探讨。

本文采用MFH方法开展更广泛的光学遥感图像植被信息抑制实验。通过对覆盖不同研究区、不同光谱与空间分辨率的光学遥感数据(ETM⁺, Hyperion, MODIS)的实验表明, MFH方法不需要先验的岩石或土壤的光谱知识, 适用于多种光学遥感数据, 是一种通用的光学遥感图像植被抑制方法。

MFH方法是掩模、强迫不变和直方图均衡化3种处理方法的结合^[23], 具体步骤如下:

(1)利用大气校正后基于植被指数计算得到的阈值对非植被覆盖区进行掩模, 使其不参与后续的强迫不变处理, 以保存原始光谱信息;

(2)运用强迫不变方法抑制植被覆盖区的光谱响应;

(3)将处理后的植被覆盖区与被掩模的非植被覆盖区图像合并在一起, 然后进行直方图均衡化, 以减小两类地区的灰度差异, 并进一步增强反差。

其中, 第(2)步实施的步骤为^[8]: ①基于暗像元方法进行大气校正; ②计算植被指数; ③绘制植被指数与每个波段像元值相对应的散点图; ④绘制植被指数与每个波段像元值的相关关系拟合曲线, 并使拟合曲线平滑; ⑤通过拟合曲线计算每个波段像元中植被的贡献, 分离这一贡献, 将曲线平化(即使植被指数与每个波段的像元值不存在相关关系, 植被信息被分离出来)。需要说明的是, 直接采用强迫不变方法会引起非植被覆盖区像元值的失真, 这需要通过对非植被像元(如云覆盖、水体、裸露地、建设用地等)进行掩模, 使其不参与曲线拟合和植被贡献分离计算来解决^[23]。

为了较为全面地探讨本文方法对不同植被覆盖条件(稀疏植被覆盖、浓密植被覆盖)、不同光学遥感图像(多光谱、高光谱)以及不同分辨率遥感图像(中等空间分辨率, 低空间分辨率)的应用效果, 设计了下面4个实验。为了避免重复, 本文只在实验一中详细介绍MFH方法处理流程, 其他研究区则只给出实验数据和结果分析。

2.1 实验一: 茂密植被覆盖区的多光谱图像

2.1.1 研究区背景

研究区位于浙江省杭州市。选用2004年6月18日(茂密植被覆盖季节)获取的Landsat ETM⁺图像(Path/Row 119/39)对本文方法进行试验。图像大小为400像元× 500像元, 对应于杭州西约24 km、面积约157 km²的地区。该研究区为低山丘陵地区, 部分山区植被茂密。

2.1.2 MFH方法的使用

(1)大气校正、植被指数计算和掩模处理。大气的散射和吸收使遥感数据具有辐射误差, 但是否进行大气校正, 取决于研究的问题本身^{[24, 25, 26, 27]}。本研究采用暗像元法进行大气校正。经过大气校正后, 计算归一化植被指数(NDVI)^[28], 估量遥感图像中植被的丰度值。NDVI值域范围为-1~1, 通过分段线性拉伸函数将其换算到0~255。

(2)掩模处理。掩模的目的是保护非植被覆盖区的其他光谱信息(如水体等)不被修改, 即让植被信息抑制处理不导致其他专题信息的丢失。掩模的阈值通过NDVI图像来确定。以NDVI< 0.3来作为非植被覆盖区的标准, 然后只对植被覆盖区做下述处理。

(3)强迫不变。通过ETM⁺各波段图像像元值和NDVI值的散点图, 可以发现二者之间的相关关系, 如波段1, 2, 3和7图像像元值和NDVI值之间的负相关关系比较明显; 波段4像元值和NDVI值正相关比较明显; 波段5像元值与NDVI值具有较弱的正相关^{[8, 23]}。通过NDVI值与各波段值的散点图来获得拟合曲线, 并对曲线进行平滑(通过均值滤波和中值滤波实现), 以消除无用信息, 获得正确的相互关系(即让NDVI值的改变与各波段的像元值失去相关性, 也即强迫不变), 从而分离出像元中的植被贡献量, 只保留下伏基岩和土壤的对比度^[8]。

(4)直方图均衡化。掩模后进行过“ 强迫不变” 处理的植被覆盖区像元值已经删除了植被贡献量, 但对不参与“ 强迫不变” 处理的非植被覆盖区像元值没有改变, 因此将这两部分进行合并后发现图像像元值的分布直方图存在明显的双峰, 即这两部分像元值存在一个差值。通过采用直方图均衡化处理, 把合并后图像的灰度直方图从两个比较集中的灰度区间变成在0~255灰度范围内的均匀分布。

2.1.3 实验结果

对ETM⁺图像(图1(a))按上述步骤处理后, 得到植被抑制结果(图1(b))。

图1

Fig.1

	Figure Option ViewDownloadNew Window
	图1 杭州地区ETM+ 741合成图像植被抑制效果Fig.1 Vegetation suppression result for Hangzhou ETM+ 741 dataset

通过比较植被抑制处理前后的图像可以发现, 原始图像(图1(a))显示了许多植被覆盖(绿色), 而处理后的图像(图1(b))减少了绿色信息, 并表现出了清晰的条带, 这可能与下伏基岩的岩性变化有关。

2.2 实验二: 稀疏植被覆盖区的多光谱图像

研究区主要位于云南省富宁县(图2(a))。选取的图像为2000年11月4日获取的ETM⁺图像(Path/Row 127/44), 覆盖面积约为6 300 km²。该区气候属亚热带季风气候, 年均气温为19.3℃, 年均降雨量为1 200 mm, 区内主要植被为半湿性常绿阔叶林及云南松林^[29]。采用MFH处理后的结果如图2(b)所示。

图2

Fig.2

	Figure Option ViewDownloadNew Window
	图2 云南省富宁地区ETM+741合成图像植被抑制效果Fig.2 Vegetation suppression result for Yunnan Funing ETM+741 dataset

由图2可见, 区内绿色信息得到了有效消除, 区域内线性形迹和环形形迹得到了增强。

2.3 实验三: 高光谱图像

研究区位于江西省荣塘镇, 地处平原丘陵地带。研究所用Hyperion图像获取于2005年12月6日, 数据处理级别为L1Gst, 图像大小为150像元× 150像元, 覆盖面积约为20 km²。

原始Hyperion图像包含242个波段, 但辐射定标的波段共有198个。本研究排除波段重叠、信噪比差以及受水汽影响大的波段, 保留了158个波段(分别是: 8~57, 79~119, 133~164, 188~220等波段)用于分析^[30]。对植被抑制试验采用Hyperion第32波段(0.67 μ m)和第54波段(0.89 μ m)作为NDVI计算公式中的红光谱波段和近红外波段。植被抑制的结果如图3(b)所示。

图3

Fig.3

	Figure Option ViewDownloadNew Window
	图3 江西省荣塘镇地区Hyperion图像植被抑制效果(R: Band 29, G: Band 20, B: Band 11)Fig.3 Vegetation suppression result for Jiangxi Rongtang Hyperion dataset (R: Band 29, G: Band 20, B: Band 11)

由图3(b)可以看出, 图3(a)上的植被信息得到了较大程度的抑制, 许多绿色区域变成了土黄色, 与周边土壤颜色接近。

2.4 实验四: 低分辨率多光谱图像

研究区位于广东省中西部。广东省属于东亚季风区, 从北向南分别为中亚热带、南亚热带和热带气候, 是全国光、热和水资源最丰富的地区之一, 植被四季常青。研究所用MODIS图像获取于2004年11月20, 为MOD 09地表反射率产品, 图像大小为300像元× 300像元, 地面覆盖面积约为22 500 km²。研究区覆盖广州、佛山、肇庆及清远等市, 主要为城市地貌。研究区西北部、北部、西部属丘陵地貌。

图4

Fig.4

	Figure Option ViewDownloadNew Window
	图4 广东地区MODIS图像植被抑制效果 (R: Band 1, G: Band 4, B: Band 3)Fig.4 Vegetation suppression result for Guangdong MODIS dataset (R: Band 1, G: Band 4, B: Band 3)

比较图4(a)、(b)发现, 图4(a)中的绿色信息几乎消失, 代之以灰蓝色, 水体颜色未发生改变; 广东和佛山等建筑物密度较大的大片城区依旧为偏紫色, 其余原是偏紫色的城区部分由于直方图拉伸表现为白色。植被覆盖区, 处理后的影像表现为更清晰的斑块, 线性信息也更为清晰。

本文在介绍了MFH光学遥感图像植被抑制方法的基础上, 对4个地区进行了方法实验。实验结果表明, 原始图像中的植被覆盖特征已被消除。

该方法的特点在于: ①MFH方法是基于植被指数计算的植被抑制, 对于其他的多光谱数据, 如CBERS、HJ-1、ASTER、SPOT及IRS等, 只要其波段设置中包括能计算植被指数的波段, 如近红外波段和红光波段, 都能够应用此方法; ②该方法同样也适用于具有植被指数计算波段的高光谱遥感数据(高光谱有不同的植被指数计算方法, 各类方法在植被抑制方面的效果还有待进一步比较); ③该方法是一种较为通用的方法, 即在没有先验知识及野外光谱数据的前提下可以方便地进行植被抑制。

需要指出的是, 最佳植被抑制方法的选择应考虑多种因素, 如植被覆盖度、植被抑制的特定目的(如矿化蚀变图的制作, 地质图的制作等)、遥感数据的光谱和空间分辨率、先验知识、实地光谱数据及大气条件等。本文介绍的方法旨在抑制植被信息, 以提高非植被信息的对比度。更为精确地恢复出不同植被覆盖度下的岩土光谱信息的定量方法, 还有待进一步深入研究。