一种基于GF-6WFV传感器数据的缨帽变换方法

技术领域

本发明涉及遥感图像处理技术领域，特别是一种基于GF-6WFV传感器数据的缨帽变换方法。

背景技术

缨帽变换(Tasseled Cap Transformation,TCT)，是一种将多维光谱波段压缩至与物理场景特征密切关联的较少波段上的正交线性变换方法，可以将多波段影像从传感器的光谱空间转换为对应的地物特征空间，从而获得具有物理意义的亮度、绿度和湿度等分量，在影像融合、压缩、去噪、增强、判读和解译中都有广泛的应用。例如，利用缨帽变换可以实现多光谱数据和高分辨率全色波段数据的融合以提高多光谱数据的空间分辨率；基于缨帽变换获取的绿度分量和湿度分量可以提取农田洪水淹没范围，并对洪涝灾害进行动态监测。此外，缨帽变换的湿度分量还是构成遥感生态指数(Remote Sensing based EcologyIndex，RSEI)的重要指标，在生态环境遥感监测和评估中具有十分关键的作用。

由于不同传感器的波段设置和光谱响应的差异，虽然不同地物具有较为稳定的光谱特性，但它们在不同传感器光谱空间中的分布特性并不完全相同。因此，从传感器光谱空间到地物特征空间的缨帽变换系数仍依赖于具体的传感器，使得针对某些传感器提出的缨帽变换系数并不能直接用于其他传感器。因此，如何针对不同的卫星传感器推导出缨帽变换系数成为了十分关键的问题。进入21世纪以来，中国民用卫星对地观测系统得到了迅速的发展，许多搭载新型传感器系统的卫星相继升空，极大地推动了中国遥感卫星产业和应用水平的发展。2018年6月，我国高分六号卫星(GF-6)成功发射，该卫星搭载的多光谱宽幅相机(Wide Field ofView,WFV)传感器具有分辨率高、覆盖范围广、成像质量好、成像效率高、国产化率高等优点，可用于农业、森林、草地等资源的监测，为农林业和资源环境监测等提供了遥感影像数据。当前，GF-6WFV传感器数据已能够免费下载，极大方便了卫星数据的使用。然而，针对GF-6WFV传感器数据的缨帽变换系数至今未被提出，在一定程度上限制了其在农、林业等相关领域的应用。因此，开发GF-6WFV传感器的缨帽变换系数成为亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于GF-6WFV传感器数据的缨帽变换方法，提出先确定湿度分量、再确定亮度、绿度、蓝度、黄度、橙度、灰度和第8分量的逆推算法，并将其应用在GF-6WFV传感器数据上。

为实现上述目的，本发明采用如下技术方案：一种基于GF-6WFV传感器数据的缨帽变换方法，包括以下步骤：

步骤S1：GF-6和Landsat-8影像预处理，获取表观反射率数据；

选取覆盖不同地区、不同时相、不同季节的多幅无云的GF-6WFV影像和多幅与其同步的Landsat-8OLI影像，进行影像预处理，获取所需的GF-6和Landsat-8表观反射率数据；

步骤S2：从同步实验影像对中随机选取样本点；

从GF-6WFV和Landsat-8OLI同步实验影像随机挑选出一一对应的样本点，包括水体、植被、裸土和建筑用地；

步骤S3：提出先确定湿度分量、再确定亮度、绿度、蓝度、黄度、橙度、灰度和第8分量的逆推算法，推导出GF-6WFV缨帽变换系数；

借助Landsat-8影像缨帽变换的湿度分量，通过找出它与GF-6影像数据间的拟合关系来先求出GF-6WFV的湿度分量系数；在求出湿度分量后，从实验影像中选取干土、湿土和植被等纯净像元，按照正交化原理依次求出亮度、绿度、蓝度、黄度、橙度、灰度和第8分量系数；

步骤S4：精度验证；

对GF-6WFV缨帽变换推导结果进行精度验证，利用GF-6WFV和Landsat-8OLI验证影像缨帽变换反演分量、特征空间以及统计数据进行检验。

在一较佳的实施例中：所述步骤S1中的GF-6影像预处理具体为：首先利用ENVI对GF-6WFV影像进行RPC正射校正；然后采用中国资源卫星应用中心官方网站提供的公式和参数来进行辐射校正，将影像的亮度值转换为表观反射率，其公式为：

ρ＝[π·(gain·Q+offset)·d

式中：ρ为像元的表观反射率；Q为亮度值DN；gain和offset为对应波段的定标增益值和偏置值W·m

所述步骤S1中的Landsat-8影像预处理具体为：从USGS网站下载Landsat-8遥感影像，采用Landsat-8用户手册的算法将影像的亮度值转换为表观反射率；具体计算公式如下：

ρ＝(M

式中：ρ为影像的表观反射率；M

在一较佳的实施例中：所述步骤S2中随机获取的样本点具体为：从土地覆盖类型水平上看，水体、植被、裸土和建筑用地分别约为10万、21万、20万和13万个像元。

在一较佳的实施例中：所述步骤S3中提出逆推算法来推导GF-6WFV缨帽变换系数具体包括如下步骤：

步骤S31：首先推导出GF-6WFV的湿度分量系数，通过对Landsat-8OLI影像进行缨帽变换，并将缨帽变换后得到的湿度分量作为因变量与GF-6WFV传感器的8个波段的反射率进行多元线性回归：

Wet

式中：Wet

步骤S32：其次推导出亮度分量系数，在实验影像上选择大量的干土壤和湿土壤像元，分别对干、湿土壤像元各波段的反射率进行平均计算以得到典型的干、湿土壤样本，干、湿土壤样本8个波段反射率所组成的向量可写成s

b＝s

式中：b表示以湿土壤为起始点指向干土壤方向的向量，代表亮度分量的方向，利用G-S正交化方法使其与代表湿度方向的向量a正交，再对其进行单位化即可得到的亮度系数A

步骤S33：再求出垂直于湿度和亮度分量的绿度分量系数；确定能代表绿度的植被样本点，假设其用空间向量v表示，则v＝(z

g＝v-s

式中：s

步骤S34：再求出垂直于湿度、亮度和绿度分量的蓝度分量系数；确定能代表蓝度的样本点，假设其用空间向量r表示，则r＝(k

f＝r-s

式中：s

按照类似的方法，基于不同地物的典型样本可依次推导出黄度、橙度和灰度分量；由于第8分量满足与前7个分量垂直正交的条件，因此只需解方程组求解即可；设第8分量的方向向量A

在一较佳的实施例中：所述步骤S4中精度验证具体为：选取5幅GF-6验证影像和与其同步的2幅Landsat-8同步影像来对本发明所提出的GF-6WFV缨帽变换系数的反演结果进行验证,从缨帽变换反演分量、特征空间与统计数据相关系数R和均方根误差RMSE三个方面进行分析。

与现有技术相比，本发明具有以下有益效果：

(1)本发明提出一种先确定湿度分量、再确定亮度、绿度、蓝度、黄度、橙度、灰度和第8分量的逆推算法，解决了缺乏中红外波段传感器数据无法正确推导湿度分量的问题。

(2)本发明求得的GF-6WFV缨帽变换各分量具有稳定的特征，地物在不同分量组成的特征平面内具有典型的“缨帽”分布特征。

(3)本发明的GF-6WFV缨帽变换系数可以很好地应用在影像融合等相关研究中，为推动国产卫星数据更广泛的应用奠定一定的基础，如农业信息提取、植被健康监测、森林分类、叶面积指数估算、生物量反演、土地覆盖变化检测、遥感生态监测与评价等领域。

附图说明

图1为本发明优选实施例的基于GF-6WFV传感器数据的缨帽变换方法的流程示意图；

图2为本发明优选实施例GF-6数据原始验证影像及其缨帽变换分量图，其中(a)：荆州市原始影像；(b)：荆州市亮度分量；(c)：荆州市绿度分量；(d)：荆州市湿度分量；(e)：贺州市原始影像；(f)：贺州市亮度分量；(g)：贺州市绿度分量；(h)：贺州市湿度分量；(i)：黄山市原始影像；(j)：黄山市亮度分量；(k)：黄山市绿度分量；(l)：黄山市湿度分量；

图3为本发明优选实施例GF-6WFV典型地物在二维平面上的理论分布图，其中(a)：植被平面；(b)：土壤平面；(c)：过渡带平面；

图4为本发明优选实施例GF-6WFV和Landsat-8OLI缨帽变换二维特征空间对比图，其中(a)：GF-6WFV植被平面；(b)：GF-6WFV土壤平面；(c)：GF-6WFV过渡平面；(d)：Landsat-8OLI植被平面；(e)：Landsat-8OLI土壤平面(f)：Landsat-8OLI过渡平面。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式；如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

如图1，本发明提出一种基于GF-6WFV传感器数据的缨帽变换方法，包括以下步骤：

S1：GF-6和Landsat-8影像预处理，获取表观反射率数据

本实施例选取覆盖不同地区(中国东北、中部、东部沿海、西部和南方地区)、不同时相、不同季节的12幅无云的GF-6WFV影像和6幅与其同步的Landsat-8OLI影像(其中7幅GF-6影像和4幅Landsat-8影像作为实验数据、5幅GF-6影像和2幅Landsat-8影像作为验证数据)，如表1所示：

表1GF-6和Landsat-8数据源列表

首先利用ENVI对GF-6WFV影像进行RPC正射校正；然后采用中国资源卫星应用中心官方网站提供的公式和参数来进行辐射校正，将影像的亮度值转换为表观反射率，其公式为：

ρ＝[π·(gain·Q+offset)·d

式中：ρ为像元的表观反射率；Q为亮度值(DN)；gain和offset为对应波段的定标增益值和偏置值(W·m

从USGS网站下载Landsat-8遥感影像，采用Landsat-8用户手册的算法将影像的亮度值转换为表观反射率。具体计算公式如下：

ρ＝(M

式中：ρ为影像的表观反射率；M

本实施例根据上述计算方法获取所需的GF-6和Landsat-8表观反射率数据。

S2：从同步实验影像对中随机选取样本点

本实施例从辽宁省朝阳市、河北省衡水市、江苏省南京市、贵州省贵阳市这4对GF-6WFV和Landsat-8OLI同步实验影像随机挑选出一一对应的63万个样本点，其中水体、植被、裸土和建筑用地分别约为10万、21万、20万和13万个像元。

S3：提出先确定湿度分量、再确定亮度、绿度、蓝度、黄度、橙度、灰度和第8分量的逆推算法，推导出GF-6WFV缨帽变换系数

本实例借助Landsat-8影像缨帽变换的湿度分量，通过找出它与GF-6影像数据间的拟合关系来先求出GF-6WFV的湿度分量系数；在求出了湿度分量后，从实验影像中选取干土、湿土和植被等纯净像元，按照正交化原理依次求出亮度、绿度、蓝度、黄度、橙度、灰度和第8分量系数。具体包括如下步骤：

S31：首先推导出GF-6WFV的湿度分量系数，通过利用Baig等(2014)提出的系数对Landsat-8OLI影像进行缨帽变换，并将缨帽变换后得到的湿度分量作为因变量与GF-6WFV传感器的8个波段的反射率进行多元线性回归：

Wet

式中：Wet

S32：其次推导出亮度分量系数，在实验影像上选择大量的干土壤和湿土壤像元，分别对干、湿土壤像元各波段的反射率进行平均计算以得到典型的干、湿土壤样本，干、湿土壤样本8个波段反射率所组成的向量可写成s

b＝s

式中：b表示以湿土壤为起始点指向干土壤方向的向量，代表亮度分量的方向，利用G-S正交化方法使其与代表湿度方向的向量a正交，再对其进行单位化即可得到的亮度系数A

S33：再求出垂直于湿度和亮度分量的绿度分量系数。确定能代表绿度的植被样本点，假设其用空间向量v表示，则v＝(z

g＝v-s

式中：s

S34：再求出垂直于湿度、亮度和绿度分量的蓝度分量系数。确定能代表蓝度的样本点，假设其用空间向量r表示，则r＝(k

f＝r-s

式中：s

按照类似的方法，基于不同地物的典型样本可依次推导出黄度、橙度和灰度分量。由于第8分量满足与前7个分量垂直正交的条件，因此只需解方程组求解即可。设第8分量的方向向量A

表2为上述逆推算法所求的GF-6WFV影像缨帽变换系数。研究发现：缨帽变换的亮度分量是各个波段反射率的加权和，各波段的权重均为正值，其中权重最大的为近红外(0.5416)和红边2(0.4381)波段，反映了影像中各地物的明暗程度。绿度分量的变化受近红外和红边2波段的影响最大，权重分别为0.5604和0.4315，其他波段对绿度的影响呈负方向，其中红光和黄光波段的权重相对较大(-0.3808和-0.3782)，紫光波段对绿度分量的影响最小(-0.0867)。湿度分量的变化主要是由黄光(0.4400)、绿光(0.3861)波段与红光(-0.5126)和红边1(-0.4320)波段的对比造成的，其他波段对湿度分量的贡献量相对较小，该分量能够增强水体，滩涂和植物，并且能够抑制干燥的土地和城市的建筑物。

表2GF-6WFV缨帽变换系数

S4：精度验证

本实施例中，选取5幅GF-6验证影像和与其同步的2幅Landsat-8同步影像来对本发明所提出的GF-6WFV缨帽变换系数的反演结果进行验证，从缨帽变换反演分量、特征空间与统计数据(相关系数R和均方根误差RMSE)三个方面进行分析。

(1)缨帽变换反演分量

本实施例选择了不同季节、不同区域的影像，将本发明推导的缨帽变换系数分别应用到3幅验证影像(荆州市、贺州市、黄山市)上，可以得到缨帽变换各分量的空间分布图(图2)。从图中可以看出，实验影像(衡水市)和验证影像(荆州市、贺州市、黄山市)上得到亮度、绿度和湿度分量都有较为稳定的分布特征，即亮度分量中裸土信息被显著增强(图2b,f,j)，绿度分量中植被信息被显著增强(图2c,g,k)，而湿度分量中水体信息被显著增强(图2d,h,l)。以湿度分量为例，对于缺乏中红外波段的传感器影像而言，采用常规的施密特正交化算法或者主成分分析法得到的湿度分量均存在一定程度的失真，往往会出现土壤的湿度分量大于植被或者植被的湿度分量大于水体的不合理现象。而本实施例得到的湿度分量具有较好的分布规律，在4幅影像上均呈现出水体的湿度分量最大，植被的湿度分量次之，裸土和建成区的湿度分量最小(图2d,h,l)的规律，很好地避免了常规方法中推导的湿度分量失真问题。

由于其他分量解释的信息量不多，且第8分量主要由噪音构成，所以未给出剩余分量的空间分布图。

(2)缨帽变换特征空间

图3为GF-6WFV典型地物在二维平面上的理论分布图。缨帽变换不同分量之间可以组合成不同的投影平面，得到不同的观测视角。最常用的3个投影平面分别是由亮度和绿度分量构成的“二维植被平面”、由亮度与湿度分量构成的“二维土壤平面”和由湿度和绿度分量构成的“二维平面过渡带”。在实验影像上选取了大量植被、水体、建筑、土壤等样本，将这些样本的缨帽变换结果投影到不同平面上，可以清晰地观察到地物在缨帽变换特征空间的典型分布特征。图3a表示地物在植被平面(亮度-绿度)的典型分布特征，从图中可知，土壤线在基部与亮度分量轴平行，植物从土壤线上生长，随生长期的改变，先进入成熟期，然后进入衰老阶段，即沿箭头方向运动。在土壤平面和过渡带平面中，水体、植被、土壤、人工建筑等典型地物的分布特征如图3b，c所示。将所有验证影像的缨帽变换结果全部投影到相应的平面上，发现尽管影像的成像时间和地点各不相同，但是地物在特征空间的分布都与图3一致，说明本实施例推导的缨帽变换系数能够很好地反映出地物的特征空间。

本实施例以1幅同步的验证影像对(景序列号：247481)为例，对GF-6WFV和Landsat-8OLI缨帽变换的特征空间进行对比分析，进一步检验本实施例提出GF-6WFV缨帽变换系数的可靠性。图4a,b,c为地物在GF-6WFV缨帽变换特征空间的分布，图4d,e,f为地物在Landsat-8OLI缨帽变换特征空间的分布。其中，图4a,d表示亮度-绿度组成的植被平面，图4b,e表示亮度-湿度组成的土壤平面，图4c,f表示湿度-绿度组成的过渡平面。从图中可知，虽然GF-6WFV和Landsat-8OLI的传感器设置有很大不同，但它们缨帽变换结果在投影平面上的分布特征仍然有相同的稳定模式，并且两者的分布规律有非常高的相似性，这也说明了本实施例推导的缨帽变换系数具有可靠性。

(3)统计数据检验

本实施例在GF-6WFV和Landsat-8OLI的石家庄市和阿克苏市2幅同步影像对上，采用等间距抽样法随机选取13251和13799个验证样本点，分别计算它们在亮度、绿度和湿度分量上的R和RMSE，如表3所示。

表3GF-6和Landsat-8同步影像验证

表3表明：虽然GF-6WFV和Landsat-8OLI传感器在波段个数、波段范围以及光谱响应方面存在一定的差异，但二者对应的缨帽变换各分量之间依然具有较高的相关性，其中亮度和绿度分量的R都大于0.85，湿度分量的R也大于0.75。此外，两个传感器缨帽变换对应分量之间的RMSE都低于0.1，其中绿度和湿度分量的RMSE甚至低于0.05。在缨帽变换各分量中，亮度分量集中反映了土壤的信息，所以土壤在亮度分量的值大于植被和水体。与此类似，由于绿度分量集中反映了植被的信息，植被在绿度分量的值大于土壤和水体等地物。正是由于地物在缨帽变换特征空间这种稳定的分布特征，使得GF-6WFV和Landsat-8OLI在传感器设置、光谱响应方面虽然存在差异，但它们缨帽变换对应分量之间仍具有很好的一致性，同时也从侧面进一步表明本实施例推导的GF-6WFV的缨帽变换系数是合理和有效的。