国土资源遥感, 2021, 33(2): 55-65 doi: 10.6046/gtzyyg.2020233

技术方法

基于PROBA/CHRIS影像的归一化阴影植被指数NSVI构建与应用效果

胡新宇,1,2, 许章华,1,2,3,4,5,6, 陈文慧1,2, 陈秋霞7, 王琳1,2,3,4, 刘辉1,2,3,4, 刘智才1,2,3,4

1.福州大学环境与资源学院,福州 350108

2.福州大学地理与生态环境研究中心,福州 350108

3.空间数据挖掘与信息共享教育部重点实验室,福州 350108

4.福建省水土流失遥感监测评估与灾害防治重点实验室,福州 350108

5.3S技术与资源优化利用福建省高校重点实验室,福州 350002

6.福州大学信息与通信工程博士后科研流动站, 福州 350108

7.福建农林大学公共管理学院,福州 350002

Construction and application effect of normalized shadow vegetation index NSVI based on PROBA/CHRIS image

HU Xinyu,1,2, XU Zhanghua,1,2,3,4,5,6, CHEN Wenhui1,2, CHEN Qiuxia7, WANG Lin1,2,3,4, LIU Hui1,2,3,4, LIU Zhicai1,2,3,4

1. School of Environment and Resources, Fuzhou University, Fuzhou 350108, China

2. Research Center of Geography and Ecological Enviroment, Fuzhou University Fuzhou 350108, China

3. Key Laboratory of Spatial Data Mining and Information Sharing, Ministry of Education, Fuzhou 350108, China

4. Key Laboratory of Remote Sensing Monitoring and Assessment and Disaster Prevention of Soil and Water Loss, Fujian Province, Fuzhou 350108, China

5. University Key Lab for Geomatics Technology & Optimize Resource Utilization in Fujian Province, Fuzhou 350002, China;

6. Postdoctoral Research Station of Information and Communication Engineering, Fuzhou University, Fuzhou 350108, China

7. School of Public Administration, Fujian Agriculture and Forestry University, Fuzhou 350002, China

通讯作者: 许章华(1985-),男,博士,副教授,研究方向为资源环境与林情遥感、国土空间规划与GIS应用。Email:fafuxzh@163.com。

责任编辑: 张仙

收稿日期: 2020-07-29   修回日期: 2021-01-11   网络出版日期: 2021-06-15

基金资助: 国家自然科学基金项目“毛竹林刚竹毒蛾危害的蔓延机制及模拟研究”.  42071300
“刚竹毒蛾危害下的毛竹林遥感响应机理研究”.  41501361
福建省自然科学基金面上项目“基于XGBoost-CA的毛竹林刚竹毒蛾危害蔓延模拟研究”.  2020J01504
中国博士后面上基金一等资助项目“刚竹毒蛾危害下的毛竹林高光谱数据特征挖掘研究”.  2018M630728
3S技术与资源优化利用福建省高校重点实验室开放课题“森林生态系统健康诊断及其与景观格局的生态效应研究”.  fafugeo201901
晋江市福大科教园区发展中心科研项目“刚竹毒蛾侵染致毛竹林异常的PROBA/CHRIS数据特征挖掘”.  2019-JJFDKY-17
中国科学院战略性先导科技专项“美丽中国生态文明建设科技工程”.  XDA23100202
福建省自然科学基金面上项目“福州新区生态本底遥感调查及控制线划定研究”.  2016J01188

Received: 2020-07-29   Revised: 2021-01-11   Online: 2021-06-15

作者简介 About authors

胡新宇(1996-),男,硕士研究生,研究方向为资源环境遥感。Email: 386311895@163.com。

摘要

开展高光谱遥感影像的阴影检测研究有助于去除阴影,并进一步发挥其高光谱分辨率优势。以多角度高光谱影像PROBA/CHRIS为数据源,尝试从增大明亮区植被、阴影区植被、水体区3种典型地物间光谱的差异入手,利用连续投影算法(successive projection algorithm,SPA)选取特征波段,并分析典型地物在CHRIS影像原始波段及归一化差值植被指数上的光谱特征,由此构建该影像的归一化阴影植被指数(normalized shaded vegetation index,NSVI)。基于步长法设置合理阈值,对影像予以分类,并从分类精度及光谱差异增强效果两个角度评价NSVI对CHRIS影像阴影的检测能力。结果表明: B9和B15可作为构建CHRIS影像NSVI的特征波段; 基于NSVI阈值法对CHRIS多角度影像予以分类,各角度影像3种地物的分类精度均在94%以上,总Kappa均大于0.89,0°影像的分类效果最佳; 经掩模获取分类后3种地物的子影像,子影像光谱均值有差异,但考虑标准差后则发现其光谱重叠现象较为明显,表明NSVI可增强典型地物间的光谱差异,提高了光谱混淆像元间的可分性。通过进一步比较NSVI与归一化阴影指数和阴影指数的阴影检测效果,亦证明了NSVI的阴影检测能力,说明所构建的NSVI能够应用于PROBA/CHRIS高光谱影像的阴影检测,可为该影像的阴影去除及阴影信息修复等工作提供重要支持。

关键词： PROBA/CHRIS影像 ; 归一化阴影植被指数NSVI ; 阴影检测 ; 高光谱遥感 ; 光谱特征

Abstract

Shadow is a common interference factor in remote sensing image interpretation in mountainous and hilly areas. The study of shadow detection in hyperspectral remote sensing images is helpful to removing shadow and giving full play to its advantage of hyperspectral resolution. Taking the multi-angle hyperspectral image PROBA/CHRIS as the data source, this paper tries to increase the spectral differences among three typical ground objects, namely, bright area vegetation, shadow area vegetation and water area, selects the characteristic bands by using the sequential projection algorithm (SPA), and analyzes the spectral characteristics of typical ground objects in the original band of CHRIS image and normalized difference vegetation index. Therefore, the normalized shaded vegetation index (NSVI) of the image is constructed. The reasonable threshold is set based on the step-size method, and the images are classified. The ability of NSVI to detect CHRIS shadow is evaluated from two aspects of classification accuracy and spectral difference enhancement effect. The results show that B9 and B15 can be used as the characteristic bands for constructing NSVI of CHRIS images by using SPA to select the band subset with the smallest root-mean-square error (RMSE) and discard the edge bands. CHRIS multi-angle images are classified based on NSVI threshold method. The classification accuracy of three kinds of land in each angle image is above 94%, and the total Kappa is higher than 0.89. The classification effect of 0° image is the best. The sub-images of the three classified land objects are obtained through the mask, and the spectral mean values of the sub-images are different. However, considering the standard deviation, it is found that the spectral overlap phenomenon is obvious, which indicates that NSVI can enhance the spectral differences among typical land objects and improve the separability between spectral confusion pixels. By further comparing the shadow detection effects of NSVI with NDUI and SI, it also proves the shadow detection ability of NSVI, which shows that the constructed NSVI can be applied to shadow detection of PROBA/CHRIS hyperspectral image and can provide important support for shadow removal and shadow information restoration of this image.

Keywords： PROBA/CHRIS image ; normalized shaded vegetation index (NSVI) ; shadow detection ; hyperspectral remote sensing ; spectral characteristics

PDF (9435KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

胡新宇, 许章华, 陈文慧, 陈秋霞, 王琳, 刘辉, 刘智才. 基于PROBA/CHRIS影像的归一化阴影植被指数NSVI构建与应用效果. 国土资源遥感[J], 2021, 33(2): 55-65 doi:10.6046/gtzyyg.2020233

HU Xinyu, XU Zhanghua, CHEN Wenhui, CHEN Qiuxia, WANG Lin, LIU Hui, LIU Zhicai. Construction and application effect of normalized shadow vegetation index NSVI based on PROBA/CHRIS image. REMOTE SENSING FOR LAND & RESOURCES[J], 2021, 33(2): 55-65 doi:10.6046/gtzyyg.2020233

0 引言

受太阳入射角、地物自身高度及地形起伏等要素的综合影响,遥感影像上普遍存在“明亮”及“阴影”两个层次。阴影区使目标地物表现在遥感影像上的信息量减少,极大地干扰了地物识别、信息提取[1,2,3]及定量算法构建[4,5]等工作的开展。随着国产卫星技术的持续发展、遥感影像应用领域的不断扩展,如何有效地检测并消除阴影的影响已成为亟待解决的问题。

遥感影像阴影检测通常分为基于模型和基于阴影性质两类。基于模型的阴影检测方法需要有关于场景、目标和光照的先验知识,该方法涉及的大量参数不易获取,应用具有较大的局限性。基于阴影性质的检测方法则是利用了阴影区域的光谱和几何特性来检测阴影。国内外对阴影检测的研究已颇具成果,早期利用影像上阴影区域的亮度比非阴影区域亮度值低的性质,采用阈值法进行阴影检测[6,7]。Etemadnia等[8]基于RGB图像提出了基于同态滤波的检测方法; Tsai[9]提出了一种基于属性的自动方法,检测和补偿在复杂城市彩色航空影像中保留形状信息的阴影区域; Arévalo等[10]提出了一种在QuickBird特定波段上引用区域生长过程的方法对阴影像素的饱和度和强度值以及其边缘梯度施加了限制; Martel-Brisson等[11]利用高斯混合模型来构建描述前景图像表面上移动的阴影统计模型; 夏怀英等[12]提出基于混合统计模型的Google高分辨率遥感影像阴影检测; 王玥等[13]以该模型为基础,基于彩色航空影像与QuickBird影像导出用于影像阴影检测的基本算法; 许章华等[14,15]从山地丘陵阴影区植被与其他地物之间光谱的差别入手,进一步增大了阴影区植被与明亮区植被、水体区之间的差异,建立了阴影植被指数(shaded vegetation index,SVI),并进一步构建了归一化阴影植被指数(normalized shaded vegetation index,NSVI),通过验证在Landsat TM/ETM+,ALOS AVNIR-2,CBERS-02B-CCD及HJ-1-CCD等几种多光谱遥感影像数据上的检测效果,证明了上述指数的可行性。

不难发现,当前关于阴影检测与去除的研究,多基于多光谱影像数据。高光谱遥感由于光谱通道的连续性[16,17]在阴影区植被的分类识别和信息提取中具有独特的优势[18,19],但关于阴影检测的研究较为不足。如Andrews等[20]阐述了开展精确阴影检测技术的必要性,同时提出使用强制零端元和圆锥形次单纯投影来消除高光谱影像中阴影的影响; Qiao等[21]基于Jeffries-Matusita(J-M)距离验证类别之间的光谱可分离性,利用最大似然分类及支持向量机将阴影像素分类为不同的土地覆盖类型,从而实现阴影地物的识别。

尽管上述基于多光谱与高光谱遥感影像阴影检测方法在特定区域内取得了较好的检测效果,然而还存在一些不足,如: ①选取的影像范围较小,影像范围内地物种类较为单一; ②计算方法复杂,过程不稳定,人工经验干预较为突出; ③阴影检测结果中常混入其他地物,如细小水体和深蓝色地物等。高光谱遥感影像通道数更多,光谱组成更为复杂,且低频信息多,故阴影区光谱解混与地物识别也更为困难,从而在一定程度上限制了该数据的精准应用与快速发展。为此,本文以高光谱影像PROBA/CHRIS为试验数据,尝试在此影像中构建和应用NSVI,旨在为高光谱遥感阴影检测提供技术参考,同时为其阴影去除及其阴影区信息修复与提取等工作提供支持。

1 归一化阴影植被指数NSVI构建原理

遥感影像中的明亮区植被、阴影区植被、水体区,其光谱具有差异性,但又有一定程度的“重叠”; 若对三者的原始光谱差异予以进一步增强,可提高其可判读性。许章华等[14]的试验表明,明亮区植被、阴影区植被、水体区在近红外波段的光谱值差异普遍最大,表现为水体区<阴影区植被<明亮区植被,归一化差值植被指数(normalized difference vegetation index,NDVI)也基本呈此特征,但水体与阴影区植被存在较大的混淆概率,这也是影响水体提取精度的其中一个主要原因[22]。由于植被NDVI与各地物近红外光谱值在0以上,且NDVI在明亮区植被与阴影区植被范围内差距较明显,而水体区NDVI值在0以下,故将NDVI与近红外波段相乘,既可保证明亮区植被、阴影区植被、水体区在近红外波段的绝对差异,又能对NDVI进行放大,消除可能存在的混淆现象。在此基础上构建SVI模型,其表达式为:

SVI=NDVI×NIR=(NIR-R)×NIRNIR+R

式中: NIR为近红外波段反射率; R为红光波段反射率。

为保持与NDVI尺度上的一致性,对SVI进行归一化处理得到NSVI,为:

NSVI=SVI-SVIminSVImax-SVImin

式中SVImax和SVImin分别为累积像元频率在[5%,95%]区间内SVI的最大值和最小值。

参考上述思路,本文以多角度高光谱影像PROBA/CHRIS为试验数据,分析明亮区植被、阴影区植被、水体区3种地物的典型光谱特征,尝试构建基于该影像的NSVI,并检验其应用效果。

2 数据获取与处理

2.1 PROBA/CHRIS数据介绍

PROBA是欧洲太空局于2001年10月22日发射的新一代太阳同步轨道微卫星,轨道高度615 km,倾角97.89°。星上搭载了3种传感器,其中的紧凑式高分辨率成像分光计CHRIS由一个望远镜和一个联结770列576行CCD数列检测系统成像分光计组成,以推扫方式获取可见光-近红外光谱数据; 成像光谱范围0.40~1.05 μm,光谱分辨率1.25~11.00 nm[23]。

2.2 试验影像及其预处理

该研究采用的试验数据为2016年12月22日覆盖福建省长汀县河田镇的PROBA/CHRIS影像,数据来自于欧空局官方网站( https://earth.esa.int/web/guest/home)。CHRIS传感器有5种成像模式,其中模式4主要用于对地表叶绿素的检测,可以更好地反映地表植物的生长状况。该模式共有-55°,-36°,0°,+36°,+55°等5幅影像,空间分辨率均为17 m,中心波长为489~792 nm[24]。5个角度的影像覆盖的范围略有不同。CHRIS影像预处理主要包括噪声去除、大气校正、几何纠正等。经预处理之后的B14,B6,B2(B14,B6,B2分别为该影像的第14,6,2波段,下同)假彩色合成的5角度影像如图1所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   预处理后各角度B14(R),B6(G),B2(B)合成影像

Fig.1   Preprocessed various angle images of false color synthesis with B14(R),B6(G),B2(B)


3 试验结果与分析

3.1 特征波段选取

较之于多光谱数据,高光谱影像的波段数较多,分析并筛选特征波段有利于目标地物的高效识别。连续投影算法(successive projection algorithm,SPA)是一种前向循环的特征变量选择方法,利用向量的投影分析,选取含有最低冗余度和最小共线性的有效波长,对光谱波长进行优选,减少建模所需变量个数,改善建模条件[25],故本文选用此方法选取特征波段。该算法步骤如下[26]: ①在光谱矩阵中任选一条光谱列向量作为起始向量; ②分别计算剩余列向量在起始向量的正交平面上的投影向量; ③挑选出最大投影作为下一次投影的起始向量,直到挑选变量个数达到最大所需个数; ④将提取的所有波长组合进行多元线性回归,最小的均方根误差(root-mean-square error,RMSE)所对应的组合即为最优的波长组合。

将波段依据中心波长进行归类(表1),利用SPA对影像光谱数据进行明亮区植被、阴影区植被、水体区敏感特征筛选,于RMSE最小(0.235 9)时选出B3,B9,B15作为敏感特征波段。由于算法本身易于波长范围边缘处选取波长[27],为避免出现误差,故舍弃B3,分别将B9和B15作为红光和近红外的特征波段。

表1   依据波谱范围归类波段

Tab.1  Band classification by wavelength

名称代表波段中心波长/nm
蓝B1490.8
绿B2552.1
红B3,B4,B5,B6,B7,B8,B9,B10,B11,B12,B13632.5,670.4,681.5,690.0,695.9,701.8,707.9,714.1,720.3,736.6,746.8
近红外B14,B15,B16,
B17,B18 		753.8,760.8,779.0,790.3,798.0

新窗口打开| 下载CSV


3.2 典型地物光谱特征分析

NDVI是应用最为普遍的植被指数之一,亦有不少学者将其作为水体、植被等信息提取的重要指标[28],故本文提取各角度影像的NDVI,并分析比较几种典型地物的NDVI特征。水体是山地丘陵区主要地物之一,因其易与阴影区植被混淆,将其列为一类加以讨论; 而建筑用地则予以忽略。取5个不同角度影像之间的重合区域,在此区域中选取明亮区植被、阴影区植被、水体区各50个样点,分别统计其影像各波段及NDVI的均值(本研究NDVI的取值区间为[-1,1])并予以比较(图2和图3)。试验数据中明亮区、阴影区地物均以绿色植被为主。从图2可以看出,明亮区植被的光谱曲线特征与绿色植被的理论光谱曲线相符; 而位于阴影区的植被,其光谱曲线特征则有所差异,主要有三: ①明亮区植被各波段光谱值普遍较阴影区植被高; ②阴影区植被光谱曲线与明亮区植被相比,其光谱曲线发生一定程度的改变,主要表现为蓝光波段光谱反射率高于绿光波段(图2(a)和(e)),或绿光波段反射小峰特征不明显(图3(b)和(d)); ③近红外波段光谱反射率受削弱程度较大,光谱曲线普遍呈上升趋势,但趋势较为平缓。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   不同角度影像明亮区植被、阴影区植被、水体区各波段比较

Fig.2   Comparison of bands of bright area vegetation, shadow area vegetation, water body under different angle images


图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   不同角度影像NDVI取值

Fig.3   NDVI from different angle images


水体的光谱响应特征通常受水文状况的影响,但其光谱曲线仍存在两个基本特征: ①水体区的光谱曲线总体上呈现下降趋势,但在绿光波段有一个小的反射峰,之后持续下降,在近红外波段,水体区的光谱值较阴影区植被高; ②在红光波段末段前,水体区光谱值与明亮区植被、阴影区植被相比均较大,水体区光谱曲线在红光波段中段(B7—B9)与明亮区植被相交,之后水体的光谱值逐步下降,至近红外波段末段处,其光谱值已与阴影区植被较为接近。根据图3可知,植被为正值,而水体为负值; 处于阴影区的植被,由于红光波段与近红外波段光谱信息均受削弱较多,故阴影区植被NDVI值与明亮区植被较为接近。水体的NDVI基本为负值; 当水体遭受污染时,水体中的含沙量增加,导致水体反射率增高,水体与其他地物的可分性降低。

上述分析表明,PROBA/CHRIS高光谱数据中明亮区植被、阴影区植被、水体区的光谱特征与前述多光谱数据类似,故基于该影像构建NSVI指数具有理论可行性。然而,其对该影像阴影的检测效果如何还有待验证,且高光谱数据的特征波段选择要比多光谱数据复杂。

3.3 NSVI构建

试验数据中含有部分建筑信息,本阶段研究暂不考虑之,故先将其掩模。本研究基于IBI指数[29]提取该影像的建筑信息,但CHRIS影像的光谱范围为可见光至近红外,缺失中红外波长,借助同时相Landsat8 OLI影像的近红外波段与光谱匹配法对中红外波段信息予以模拟。光谱匹配法是一种常见的根据像元之间光谱响应曲线本身的相似程度,从而探索其拟合关系的一种聚类分析,其思路为将已知的波段信息作为自变量,所求波段信息作为因变量,构建二者之间的回归方程以实现对目标波段信息的求取[30]。

基于掩模后的PROBA/CHRIS影像及3.1中筛选的特征波长,计算影像NDVI(图4); 再将计算结果依次代入式(1)和式(2),由此构建出CHRIS影像的归一化阴影植被指数NSVI(式(3)),据此提取该影像的NSVI(图5)。为分析比较NSVI、NDVI的数据分布特征,分别统计绘制各角度影像两个指数的直方图,用以描述像元分布特征。图4和图5显示,NDVI直方图普遍呈现“左偏”分布,即当地面植被越来越茂密时,NDVI出现“易饱和”现象,无法实现同步增长[31],这也是制约该指数提取效果的重要因素,反观NSVI的期望值则相对集中均匀

NSVI=B15-B9×B15B15+B9-B15-B9×B15B15+B9minB15-B9×B15B15+B9max-B15-B9×B15B15+B9min

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   各角度影像NDVI及其直方图

Fig.4   NDVI and histogram of each angle image


图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   各角度影像NSVI及其直方图

Fig.5   NSVI and histogram of each angle image


地分布于参考线两侧,故NSVI的正态性更为显著。

为了进一步对该判定进行定量验证,统计两个指数的峰度与偏度。表2显示,NSVI的峰度与偏度的绝对值均小于NDVI,其值均介于[-1,1],由此进一步说明本文所构建的NSVI可拉大地物间的相对差异,使植被指数更接近正态分布,NSVI能够更为真实地反映地表植被的实际情况。

表2   各角度影像NDVI与NSVI直方图峰度与偏度对比

Tab.2  Comparison of kurtosis and skewness of NDVI and NSVI gray histograms of various angle images

角度/
(°) 		NDVI直方
图峰度 		NSVI直方
图峰度 		NDVI直方
图偏度 		NSVI直方
图偏度
07.255-0.250-2.2640.573
363.252-0.198-1.6970.489
-363.093-0.216-1.5600.664
557.329-0.198-1.9680.223
-554.396-0.020-1.6400.539

新窗口打开| 下载CSV


3.4 效果评价

3.4.1 分类精度评价

基于阈值法的分类,其精度往往受操作者阈值选取的主观性影响,不同阈值下的地物分类精度不同。为了更为科学合理地确定各典型地物的NSVI阈值,获取其最佳分类效果,本文采用步长法分别计算不同阈值下的分类精度,据此确定阈值区间。随机生成300个点对不同阈值下的分类结果予以精度评估(图6(a)),图6(b)—(d)显示,总分类精度—阈值、Kappa系数—阈值间均表现为随着阈值的增大,精度评估指标呈现先上升后下降的开口向下的“抛物线”特征,据此即可确定分类效果最佳的阈值。基于所确定的明亮区植被、阴影区植被及水体区分类最佳阈值,提取5个角度影像的明亮区植被、阴影区植被及水体区信息(图7)。表3显示,0°影像的提取精度最佳,±36°次之,最后为±55°,但其分类精度均在94%以上,Kappa系数普遍在0.89以上(表4),由此表明所构建的NSVI可有效区分明亮区植被、阴影区植被与水体区。随着飞行天顶角的扩大,影像发生一定程度的畸变,质量较差且整体较为模糊,也会对阴影的检测产生一定的影响。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   步长法选取阈值结果

Fig.6   Threshold results selected by step size method


图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   5个角度影像分类结果

Fig.7   Five different angle image classification results


表3   明亮区植被、阴影区植被及水体区分类最佳阈值确定

Tab.3  Best threshold determining of bright vegetation area, shaded vegetation area and water area

类型0°36°-36°55°-55°
明亮区植被NSVI≥0.28 NSVI≥0.26 NSVI≥0.26 NSVI≥0.32 NSVI≥0.32
阴影区植被0.06<NSVI<0.28 0.1<NSVI<0.26 0.1<NSVI<0.26 0.12<NSVI<0.32 0.12<NSVI<0.32
水体区NSVII≤0.06 NSVI≤0.1 NSVI≤0.1 NSVI≤0.12 NSVI≤0.12

新窗口打开| 下载CSV


表4   5个角度影像地物分类精度评估

Tab.4  Accuracy assessment of different ground objects extracted from five angles

角度/
(°) 		类别生产者
精度/% 		使用者
精度/% 		总精度/%Kappa
0明亮区植被92.9199.1696.330.938 2
阴影区植被99.2894.52
水体区97.0694.29
36明亮区植被91.4198.3295.670.926 9
阴影区植被98.5693.84
水体区100.0094.29
-36明亮区植被91.4198.3295.670.927 6
阴影区植被98.5693.84
水体区100.0094.29
55明亮区植被93.5597.4895.670.927 6
阴影区植被97.1493.79
水体区91.6791.67
-55明亮区植被93.4495.0094.020.899 5
阴影区植被95.1093.79
水体区91.6791.67

新窗口打开| 下载CSV


3.4.2 光谱差异增强效果评价

基于3.4.1的分类结果,利用掩模技术获取3种地物各角度子影像(图8)。图8显示,明亮区植被、阴影区植被、水体区的光谱均值有差异,这也是上述地物可分及阴影识别的基础。但是,如果考虑标准差指标则会发现,地物间的光谱重叠现象较为明显,“同物异谱”与“异物同谱”现象仍然较广泛存在。由此可见,NSVI增强了典型地物间的光谱差异,将CHRIS影像中原始光谱混淆的像元进行了有效解译,提高了光谱混淆像元的可分性。由此进一步证明了本研究基于CHRIS影像所构建的NSVI具备该影像的阴影检测能力。

图8-1

新窗口打开| 下载原图ZIP| 生成PPT

图8-1   5个角度影像3种地物波段均值及标准差比较

Fig.8-1   Comparison of mean and standard deviation of three kinds of ground objects in five angle images


图8-2

新窗口打开| 下载原图ZIP| 生成PPT

图8-2   5个角度影像3种地物波段均值及标准差比较

Fig.8-2   Comparison of mean and standard deviation of three kinds of ground objects in five angle images


4 讨论

为了验证NSVI对阴影检测的有效性,本研究选取常见的阴影指数: 归一化阴影指数(normalized different umbra index,NDUI)和阴影指数(shadow index,SI)对上述研究区进行阴影检测,公式如下:

NDUI=(S-I)/(S+I)
SI=(PC1nor-I)×(1+S)(PC1nor+I+S)
PC1nor=PC1正/max(PC1)PC1nor=PC1负/min(PC1)

式中: S和I分别为HIS色彩模型中的饱和度和强度,PC1正和PC1负分别为影像主成分变换后的第一主成分正大值取正和负小值取负结果。

对计算结果采用阈值法,选取合适的阈值。为了评价三种指数对阴影区域的检测效果,将分类结果二值化处理为阴影区与非阴影区(图9),采用上述验证点对实验结果进行统计,结果如图10所示。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   NDUI和SI阴影区监测结果

Fig.9   Monitoring Results of Shaded Areas of NDUI and SI


图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   不同方法阴影检测比较

Fig.10   Comparison of different shadow detection methods


不难发现,较本文所实验的NSVI指数而言,SI和NDUI的阴影检测结果精度均较低,其检测精度由高到低分别为: NSVI指数>NDUI指数>SI指数,主要原因出现在以下3个方面: ①SI和NDUI指数均运用到了HIS色彩变幻的方法,常见的色彩变幻方法主要是运用遥感影像的可见光波段进行运算,而本文所涉及的高光谱遥感影像的波长范围却在蓝光波段的波长范围之外,故本文使用标准假彩色,即将近红外波段置于红光通道,红光波段置于绿光通道,绿光波段置于蓝光通道进行计算,故结果可能较使用原始可见光波段而言略有差异[32]; ②无论如何选取阈值,SI和NDUI都无法避免提取出水体的状况,是因为遥感影像中水体区的饱和度和强度与阴影区差异不明显,故仅使用这二者进行计算无法有效甄别水体区与阴影区,从而导致结果精度下降(表5中水体区域); ③阴影区植被和明亮区植被的差异主要体现于近红外范围内,上述两种方法虽然在计算时使用了近红外波段,但是这种差异没有被扩大,导致部分阴影区植被由于亮度不够深出现与明亮区植被混淆的情况(表5中多阴影区域)。

表5   不同区域阴影检测结果放大

Tab.5  Shadow detection results in different areas are enlarged

区域原始影像NSVI指数NDUI指数SI指数
水体区域
多阴影区域

新窗口打开| 下载CSV


NSVI基于SVI归一化实现,而SVI由NDVI与NIR相乘而得。目前,已有学者将其应用于对细小水体的提取[33],Wang等[34]还用其实现光合作用与总初级生产力的估算。由此可见,NSVI有较为广泛的应用潜力,值得我们进一步研究发现。

随着高光谱遥感技术在森林监测方面的快速发展和广泛应用,使森林类型精准识别、森林冠层生化组分遥感反演和生物多样性监测成为可能。然而,遥感影像上的阴影区域一直是制约高光谱遥感对地物精准识别的重要因素。一方面,阴影造成遥感影像信息失真,对图像配准、图像分割特征提取和目标变化检测等影像处理造成严重影响。另一方面,阴影是遥感影像的特征之一,阴影可以用来提取地物的三维信息,如山体、建筑物的高度等。因此,阴影检测是阴影去除、补偿及利用的重要前提,提高阴影检测精度具有重要意义。

5 结论

本文针对遥感影像上普遍存在的阴影问题,通过扩大阴影区植被与明亮区植被、水体区之间的差异,构建了基于PROBA/CHRIS影像的归一化阴影植被指数NSVI,并检验该指数的有效性。

1)利用SPA对影像光谱数据进行明亮区植被、阴影区植被、水体区敏感特征筛选,于RMSE最小时选出B3,B9,B15作为敏感特征波段。综合考虑RMSE、各波段和光谱边缘的算法特征后,将B9和B15作为构建CHRIS影像NSVI红光和近红外的特征波段。

2)基于NSVI阈值法对CHRIS各角度影像予以分类,结果表明,各角度影像明亮区植被、阴影区植被、水体区3种地物的分类精度均在94%以上,总Kappa均大于0.89,其中0°影像的分类效果最佳,分类精度为96.33%,总Kappa为0.938 2。

3)为进一步分析NSVI的有效性,掩模出各典型地物的子影像,统计均值和标准差指标并予以比较分析。结果表明,明亮区植被、阴影区植被、水体区的光谱均值有差异,但如果考虑标准差指标则会发现,地物间的光谱重叠现象较为明显。NSVI增强了典型地物间的光谱差异,将CHRIS影像中原始光谱混淆的像元进行了有效解译,提高了光谱混淆像元的可分性。

多角度遥感作为一种新的观测方式,是在传统光学单角度观测的模式下,增加了角度维的信息,正因为观测角度的差异,才有可能观测到森林场景中的树干部分以及不同位置的阴影量,这为反演森林的树高和生物量的空间结构信息提供了可能。PROBA/CHRIS作为目前世界上唯一可以同时获取高光谱和多角度数据的星载传感器,它不但有5种工作模式,而且空间分辨率较高,光谱范围宽,在生物物理、生物化学方面可作为重要的信息来源。此外,该遥感数据可一次性获取同一地点5个不同角度的成像,在估测植被或森林冠层结构、叶面积指数反演等研究中十分有用。为此,深入解析基于该影像源的阴影检测方法具有一定的研究意义。

综上所述,本文基于PROBA/CHRIS多角度高光谱影像所构建的归一化阴影植被指数NSVI,具备较强的阴影检测能力,能够应用于该影像的阴影检测,并可为该影像的阴影去除及阴影信息修复等工作提供重要支持。

参考文献

陈一祥, 秦昆, 胡忠文, 等.

一种高分影像建筑区分块表示与合并提取方法

[J]. 武汉大学学报(信息科学版), 2019, 44(6):908-916.

[本文引用: 1]

Chen Y X, Qin K, Hu Z W, et al.

Built-up extraction based on patch representation and for high-resolution satellite images

[J]. Geomatics and Information Science of Wuhan University, 2019, 44(6):908-916.

[本文引用: 1]

Silvoster M L, Govindan V K.

Enhanced CNN based electron microscopy image segmentation

[J]. Cybernetics & Information Technologies, 2013, 12(2):84-97.

[本文引用: 1]

Dong S G, Qin J X, Guo Y K.

Shadow detection method for high-resolution remote sensing images supported by generalized stereoscopic image pair

[J]. Jouenal of Electronic Measurement and Instrumentation. 2019, 33(3):105-111.

[本文引用: 1]

Vupparaboina K K, Dansingani K K, Goud A, et al.

Quantitative shadow compensated optical coherence tomography of choroidal vasculature

[J]. Scientific Reports, 2018, 8(1):6461.

DOI:10.1038/s41598-018-24577-8      PMID:29691426      [本文引用: 1]

Conventionally rendered optical coherence tomography (OCT) images of the posterior segment contain shadows which influence the visualization of deep structures such as the choroid. The purpose of this study was to determine whether OCT shadow compensation (SC) alters the appearance of the choroid and the apparent choroidal vascularity index (CVI), an OCT-derived estimated ratio of luminal to total choroidal volume. All scans were shadow compensated using a previously published algorithm, binarized using a novel validated algorithm and extracted binarized choroid to estimate CVI. On 27 raw swept-source OCT volume-scans of healthy subjects, the effect of SC on CVI was established both qualitatively and quantitatively. In shadow compensated scans, the choroid was visualized with greater brightness than the neurosensory retina and the masking of deep tissues by retinal blood vessels was greatly reduced. Among study subjects, significant mean difference in CVI of -0.13 was observed between raw and shadow compensated scans. Conventionally acquired OCT underestimates both choroidal reflectivity and calculated CVI. Quantitative analysis based on subjective grading demonstrated that SC increased the contrast between stromal and luminal regions and are in agreement with true tissue regions. This study is warranted to determine the effects of SC on CVI in diseased eyes.

Jinxiang S, Xuan J I.

Cloud and cloud shadow multi-feature collaborative detection from remote sensing image

[J]. Journal of Geo-Information Science, 2016, 18(5):599-605.

[本文引用: 1]

Dare P M.

Shadow analysis in high-resolution satellite imagery of urban area

[J]. Photogrammetric Engineering & Remote Sensing, 2005, 71(2):169-177.

[本文引用: 1]

Otsu N.

A threshold selection technique from grey-level histograms

[J]. IEEE Transaction Systems & Man and Cybernetics, 2007, 9(1):62-66.

[本文引用: 1]

Etemadnia H, Alsharif M R.

Automatic image shadow identification using LPF in homomorphic processing system

[C]// Proceedings of VII Digital Image Computing: Techniques and Applications,Sydney:Committee of DICTA, 2003:429-438.

[本文引用: 1]

Tsai V J D.

A comparative study on shadow compensation of color aerial images in invariant color models

[J]. IEEE Transactions on Geoscience and Remote Sensing, 2006, 44(6):1661-1671.

DOI:10.1109/TGRS.2006.869980      URL     [本文引用: 1]

Arévalo V, González J, Ambrosio G.

Shadow detection in colour high-resolution satellite images

[J]. International Journal of Remote Sensing, 2008, 29(7):1945-1963.

DOI:10.1080/01431160701395302      URL     [本文引用: 1]

Martel-Brisson N, André Z.

Learning and removing cast shadow through a multidistribution approach

[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007, 29(7):1133-1146.

PMID:17496373      [本文引用: 1]

Moving cast shadows are a major concern for foreground detection algorithms. The processing of foreground images in surveillance applications typically requires that such shadows be identified and removed from the detected foreground. This paper presents a novel pixel-based statistical approach to model moving cast shadows of nonuniform and varying intensity. This approach uses the Gaussian mixture model (GMM) learning ability to build statistical models describing moving cast shadows on surfaces. This statistical modeling can deal with scenes with complex and time-varying illumination, including light saturated areas, and prevent false detection in regions where shadows cannot be detected. The proposed approach can be used with pixel-based descriptions of shadowed surfaces found in the literature. It significantly reduces their false detection rate without increasing the missed detection rate. Results obtained with different scene types and shadow models show the robustness of the approach.

夏怀英, 郭平.

基于统计混合模型的遥感影像阴影检测

[J]. 遥感学报, 2011, 15(4):778-791.

[本文引用: 1]

Xia H Y, Guo P.

A shadow detection of remote sensing images based on statistical texture features

[J]. Journal of Remote Sensing. 2011, 15(4):778-791.

[本文引用: 1]

王玥, 王树根.

高分辨率遥感影像阴影检测与补偿的主成分分析方法

[J]. 应用科学学报, 2006, 31(8):663.

[本文引用: 1]

Wang Y, Wang S G.

Detection and compensation of shadow in high resolution remote sensing images using PCA

[J]. Journal of Applied Sciences, 2006, 31(8):663.

[本文引用: 1]

许章华, 刘健, 余坤勇, 等.

阴影植被指数SVI的构建及其在四种遥感影像中的应用效果

[J]. 光谱学与光谱分析, 2013, 33(12):3359-3365.

[本文引用: 2]

Xu Z H, Liu J, Yu K Y, et al.

Construction of vegetation shadow index (SVI) and application effects in four remote sensing images

[J]. Spectroscopy and Spectral Analysis, 2013, 33(12):3359-3365.

[本文引用: 2]

许章华, 林璐, 王前锋, 等.

归一化阴影植被指数NSVI的构建及其应用效果

[J]. 红外与毫米波学报, 2018, 37(2):154-162.

[本文引用: 1]

Xu Z H, Lin L, Wang Q F, et al.

Construction and application effects of normalized shaded vegetation index(NSVI)

[J]. Infrared Millim Waves, 2018, 37(2):154-162.

[本文引用: 1]

陈云浩, 王思佳, 赵逸飞, 等.

农业高光谱遥感研究进展及发展趋势

[J]. 地理信息科学, 2019, 35(5):1-8.

[本文引用: 1]

Chen Y H, Wang S J, Zhao Y F, et al.

Progress and development trend of agricultural hyperspectral remote sensing research

[J]. Geography and Geo-Information Science, 2019, 35(5):1-8.

[本文引用: 1]

张淳民, 穆廷魁, 穆廷昱, 等.

高光谱遥感技术发展与展望

[J]. 航天返回与遥感, 2018, 39(3):104-114.

[本文引用: 1]

Zhang C M, Mu T K, Yan T Y, et al.

Overview of hyperspectral remote sensing technology

[J]. Spacecraft Recoverry and Remote Sensing, 2018, 39(3):104-114.

[本文引用: 1]

Siciliano D, Wasson K, Potts D C.

Evaluating hyperspectral imaging of wetland vegetation as a tool for detecting estuarine nutrient enrichment

[J]. Remote Sensing of Enviroment, 2008, 112(11):4020-4033.

DOI:10.1016/j.rse.2008.05.019      URL     [本文引用: 1]

Adam E, Mutanga O, Rugege D.

Multispectral and hyperspectral remote sensing for identification and mapping of wetland vegetation:A review

[J]. Wetlands Ecology and Management, 2010, 18(3):281-296.

DOI:10.1007/s11273-009-9169-z      URL     [本文引用: 1]

Andrews M, Roper T.

Shadow modelling and correction techniques in hyperspectral imaging

[J]. Electronics Letters, 2013, 49(7):458-460.

DOI:10.1049/ell2.v49.7      URL     [本文引用: 1]

Qiao X, Yuan D, Li H.

Urban shadow detection and classification using hyperspectral image

[J]. Journal of the Indian Society of Remote Sensing, 2017, 45(6):945-952.

DOI:10.1007/s12524-016-0649-3      URL     [本文引用: 1]

张红梅, 王大卫, 高杨, 等.

基于OLI数据与决策树法的去山体阴影水体信息提取研究

[J]. 测绘工程, 2017, 26(11):45-48.

[本文引用: 1]

Zhang H M, Wang D W, Gao Y, et al.

A study of extraction method of mountain surface water based on OLI data and decision tree method

[J]. Engineering of Surveying and Mapping, 2017, 26(11):45-48.

[本文引用: 1]

Guimbatan R, Baguilat T.

Misunderstanding the notion of conservation in the philippine rice terraces-cultural landscapes

[J]. International Social Science Journal, 2006, 58:59-67.

DOI:10.1111/issj.2006.58.issue-187      URL     [本文引用: 1]

曹斌, 谭炳香.

多角度高光谱CHRIS数据特点及预处理研究

[J]. 安徽农业科学, 2010, 38(22):12289-12294.

[本文引用: 1]

Cao B, Tan B X.

Characteristics and preprocessing of multi-angle hyperspectral CHRIS data

[J]. Journal of Anhui Agricultural Sciences, 2010, 38(22):12289-12294.

[本文引用: 1]

司绍博, 周真, 杨旭, 等.

紫外-可见光谱法定量检测牛乳中大肠杆菌总数

[J]. 分析试验室, 2019, 38(7):782-786.

[本文引用: 1]

Si S B, Zhou Z, Yang X, et al.

Quantitative detection of escherichia coli in milk by UV-VIS spectroscopy

[J]. Chinese Journal of Analysis Laboratory, 2019, 38(7):782-786.

[本文引用: 1]

Soares S, Gomes A A.

The successive projections algorithm

[J]. Trends in Analytical Chemistry, 2013, 42(42):84-98.

DOI:10.1016/j.trac.2012.09.006      URL     [本文引用: 1]

刘明博, 唐延林, 李晓利, 等.

水稻叶片氮含量光谱监测中使用连续投影算法的可行性

[J]. 红外与激光工程, 2014, 43(3):1265-1271.

[本文引用: 1]

Liu M B, Tang Y L, Li X L, et al.

Feasibility of using successive projection algorithm in spectral monitoring of rice leaves nitrogen contents

[J]. Infrared and Engineering, 2014, 43(3):1265-1271.

[本文引用: 1]

Fu G, Sun W, Li S W, et al.

Response of plant growth and biomass accumulation to short-term experimental warming in a highland barley system of the tibet

[J]. Journal of Resources and Ecology, 2017, 8(1):42-49.

DOI:10.5814/j.issn.1674-764x.2017.01.006      URL     [本文引用: 1]

徐涵秋.

基于压缩数据维的城市建筑用地遥感信息提取

[J]. 中国图象图形学报, 2005, 10(2):223-229.

[本文引用: 1]

Xu H Q.

Remote sensing information extraction of urban built up land based on a data dimension compression technique

[J]. Journal of Image and Graphics, 2005, 10(2):223-229.

[本文引用: 1]

施婷婷, 徐涵秋, 王帅.

ZY-3 MUX传感器数据的缨帽变换系数推导

[J]. 遥感学报, 2019, 23(3):514-525.

[本文引用: 1]

Shi T T, Xu H Q, Wang S.

Derivation of tasselled cap transformation coefficients for ZY-3 MUX sensor data

[J]. Journal of Remote Sensing, 2019, 23(3):514-525.

[本文引用: 1]

郭仲伟, 吴朝阳, 汪箫悦.

基于卫星遥感数据的森林病虫害监测与评价

[J]. 地理研究, 2019, 38(4):831-843.

DOI:10.11821/dlyj020180299      [本文引用: 1]

森林病虫害由于在森林资源中造成的重大破坏而被人们称为“不冒烟的火灾”,其对生态系统的研究具有重要意义。现有基于遥感数据的病虫害研究多集中在森林病虫害的监测、爆发原因以及发病区域内生产力的变化情况,而对于森林病虫害发生后森林中植被指数与叶面积指数之间的相关性的变化情况还相对较少,处于需要持续性深入探讨的阶段。以加拿大不列颠哥伦比亚地区2002—2012年森林病虫害数据为基础,分析不同严重程度的病虫害对叶面积指数（LAI）与归一化植被指数（NDVI）和增强型植被指数（EVI）的影响。结果表明：① 受病虫害感染的像元在轻度（Light）、中度（Moderate）和重度（Severe）三个严重级别中,NDVI与LAI之间的相关性由弱变强,又由强变弱;② EVI与LAI之间的相关性,在轻度（Light）、中度（Moderate）和重度（Severe）三个严重级别的像元中则依次变强。这一研究将为今后利用遥感数据识别病虫害、评价生态系统影响提供基础。

Guo Z W, Wu C Y, Wang X Y, et al.

Forest insect-disease monitoring and estimation based on satellite remote sensing data

[J]. Geographical Research, 2019, 38(4):831-843.

[本文引用: 1]

李小曼, 王刚, 田杰.

TM影像中水体提取方法研究

[J]. 西南农业大学学报(自然科学版), 2006, 28(4):580-582.

[本文引用: 1]

Li X M, Wang G, Tian J.

Study of the method of picking-up small water-bodies in Landsat TM remote sense image

[J]. Journal of Southwest Agriculture University(Nature Science), 2006, 28(4):580-582.

[本文引用: 1]

李艳华, 丁建丽, 闫人华.

基于国产GF-1遥感影像的山区细小水体提取方法研究

[J]. 资源科学, 2015, 37(2):408-416.

[本文引用: 1]

Li Y H, Ding J L, Yan R H.

Extraction of small river information based on China-made GF-1 remote sense images

[J]. Resources Science, 2015, 37(2):408-416.

[本文引用: 1]

Wang X P, Jing M C, Ju W M.

Photochemical reflectance index (PRI) can be used to improve the relationship between gross primary productivity (GPP) and sun-induced chlorophyll fluorescence (SIF)

[J]. Remote Sensing of Environment, 2020, 246:111888.

DOI:10.1016/j.rse.2020.111888      URL     [本文引用: 1]

/

〈 〉

京ICP备05055290号-2
版权所有 © 2015 《自然资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编：100083
电话:010-62060291/62060292 E-mail:zrzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发