植被信息提取方法研究论文

植被及其有机质的反射光谱主要受植物色素、纤维素、木质素、水、淀粉和蛋白质等多种成分的影响。生长状态下的绿色植物光谱以色素和水的成分为主；而木质素和纤维素的光谱特征在非生长状态下的植物有机质中则显得突出。植物色素主要有叶绿素和叶红素（Carotenoid）组成。在可见光区间叶绿素在 0.68μm和0.45μm产生强吸收。尤其在0.68μm的吸收对叶绿素十分敏感，是由光谱场中镁元素的电子跃迁引起。0.83～1.3μm的高反射率被称为“近红外高原”，由叶片组织和细胞结构决定，可用于鉴别植物种类。

植被遥感信息的提取通常采用归一化植被指数、比值植被指数、双差植被指数、主成分分析等方法。基本原理都是采用0.68μm的强吸收和红—近红外波段的陡坡特征进行各种组合，从而提取生物量和植被覆盖度的信息。其中最常用的是归一化植被指数（ND-VI）。本项研究依据EMT+的波段，归一化植被指数定义如下：

NDVI=（ch3-ch4）/（ch3+ch4）

图像处理结果表明，NDVI图像很好地反映了2000年5月7日工作区内植被分布现状。依据NDVI图像进一步进行彩色密度分割分类，定性划分了不同覆盖度的6个量级。结合地形、地势，用NDVI彩色密度分割图像有效地区分麦田、稀疏的山地草地、山地灌丛草地、林地和裸地等类型。

从植被分类结果图中可以看出，植被最发育的地区在赞皇县的虎寨口—障石岩一带沟两侧800m标高以上地区和井陉县南寺掌一带的变质火山岩区。这些地区的植被覆盖率达95%以上，多为森林区，在植被覆盖程度图中为橘红色调。其次为井陉仙台山—平山县的天桂山一带的石灰岩区，呈弧形分布；另一地区是平山县和灵寿县的西北部与山西交界的边缘地带。这一类型的分布面积最大，在植被覆盖程度图中呈黄色或黄绿色，植被覆盖度达85%以上，多为次生林区，少量原生林。第三种类型分布在横山岭水库的西北部和西南部及平山县的宅北和孟家庄以北地区，以灌丛为主，少量次生林，植被覆盖程度在75%以上，在植被覆盖程度图中呈绿色调或蓝绿色调。第四种类型主要分布在平山县西部的中低山区，以零星分布的灌草丛为主，植被覆盖程度不到30%，其余为裸地或裸岩为主，植被发育处在植被覆盖程度图中为蓝绿色调。第五种类型为裸地或裸岩区，主要分布在丘陵区，行唐县的全部丘陵区植被覆盖程度最低，其次是赞皇和灵寿。

地物在遥感图像上的特征是极其复杂的，如果想用一种方法一次将有用的信息全部提取出来往往是非常困难的，特别是对不同植被类型之间的识别。为了解决此问题，通过逐级分层分类的方法进行植被类型的提取。其基本思路为: 根据图像上地物的光谱特征，从分析地物类型在各波段及其组合上的可分性入手，先将图像上的地物划分为几个一级层，每一层包含着若干种地物类型，然后将其进一步分为不同的二级层、三级层……根据地物类型在层中分离的难易程度，由易至难，针对预分类地物的光谱特征，选择不同的特征参数和分类方法，逐层提取信息，并制定相应的模板，将已经提取出的信息从图像上掩膜掉，以消除它对其他类型地物提取的影响，使得图像上剩余的类型越来越少，下一层地物的分离也就越来越容易，最后将逐层分类的结果叠加成最终的分类结果。

逐级分层分类可以针对不同的分类目标，选择最佳的波段组合，避免一次划分多种类别的方法在选择特征参数时可能遇到的参数间的矛盾。而对于识别某种类地物可分性最大的波段对于另一类地物可分性并不一定最大，甚至可能较小，因此不能兼而得之。波段的好坏是相对的，而不是绝对的。

植被类型专题信息提取功能模块采用的分级分类方法思想，首先利用植被指数 NDVI将地物分为植被类和非植被类，进而通过 ROI ( 感兴趣区选择工具) 选择各种地物类型的典型样方，运用监督分类的思想来进行划分。图 5 －7 为植被类型信息提取流程图。

图 5 －7 植被类型信息提取流程图

植被类型信息提取具体流程为:

1. 植被与非植被的分离

首先利用 NDVI 将图像分为植被与非植被两大类。由于植被与非植被类型在 NDVI 图像上的差异很大，因此可以用 NDVI 将它们准确地分开。

2. 植被区的进一步分类

光谱角度分类器: 大气的衰减在图像的各领域之间是变换的，会对数据的分析产生严重的影响。光谱角度匹配器运算法则基于这样一个假设，光照条件变化将导致原来波段空间的线性变化。因此，在时间、空间及环境条件显著变化影响光照时，基于最小距离基础上的分类在区分一些特征时有一定的困难，而基于角度的分类则可以克服此类干扰。光谱角度匹配器利用最小角度接近。本质上，它将每一个像元光谱作为一个矢量，通过比较未知像元矢量与各已知类矢量的角度，确定未知像元的类别。设βi在m维空间中(空间维数与图像的波段数相同)未知像元矢量与已知第I类矢量间的角度，如满足:

式中:n为类别总数，则未知像元属于第k类。

(1)乔木、灌木提取。先将非植被部分掩膜掉，然后对仅含植被的图像进行分类。植被区包括乔木、灌木和草丛类、农田四种类型，在这四种类型中，乔木与灌木、农田与草丛类植被指数相近，而两大类间的差异较明显，尤其是在NDVI通道上差异较大，所以先将乔木、灌木信息从植被指数图像中提取出来。具体步骤为首先参照知识库在图像上选择对应于乔木和灌木的具有代表性的典型样区。

根据光谱角度匹配算法的具体要求建立标准光谱库，然后设定一门限值，对图像上的每个像元进行角度匹配分类，每一像元的光谱曲线依次与各类标准曲线比较，得到一系列角度值，将像元划分到角度最小的那一类中。当图像上的待分像元与标准光谱库里的光谱曲线之间的夹角大于门限值时，该像元被拒分，需要根据像元在各类别的角度分布图调整门限值，直至得到满意的分类结果。

(2)草丛与农田的分离。利用掩膜方法将乔木、灌木信息从整个植被区中去掉，这样就可以使植被区只剩下农田和草丛两类地物。地物类型减少，类型间的光谱干扰也随之减少，使得分类更容易、准确。由于农田的面积较小，分布零碎，不适合用基于统计学的分类方法，因为基于统计学的分类方法要求有足够准确的训练样本以获得分类所需的正确的统计参数。因此农田和草丛的分类还是采用光谱角度匹配方法，得到分类结果。

3.非植被的分类

在植被指数图像上将植被部分掩膜掉，以减少植被区域对非植被区分类的影响，仅对非植被地区进行分类。由于水体、裸土地各具有特殊的光谱特性，所以很容易提取出来。选择图像上对应于这两类地物的具有代表性的典型样区，提取光谱曲线，用最简单的最小距离法提取。

最小距离分类器是用输入模式与特征空间作为模板的点之间的距离作为分类的准则。假定有m类，给出m个参考向量R1、R2、R3、…、Rm、Ri与模式类ωi相联系。对于Ri的最小距离分类就是把输入的新模式X分为ωi类，其分类准则就是X与参考模式原型R1、R2、R3、…、Rm、Ri之间的距离，跟哪一个最近就属于那一类。X和R之间的距离可表示为: