面向亚像元级积雪信息提取的MODIS影像波段融合方法研究

MODIS影像因其共享性和时间序列的完整性而成为大区域积雪监测研究广泛使用的数据源,进行MODIS影像波段间融合,能够为积雪研究提供较高分辨率的影像数据源。为了充分利用MODIS影像250 m分辨率波段的空间和光谱信息,提取亚像元级的积雪面积,使用两种具有高光谱保真度的影像融合方法：基于SFIM变换和基于小波变换的融合方法,采取不同的波段组合策略,对MODIS影像bands 1~2和bands 3~7进行融合,并以Landsat TM影像的积雪分类图作为“真值”,对融合后影像进行混合像元分解得到的积雪丰度图的精度进行评价。结果表明：利用基于SFIM变换和小波变换方法融合后影像提取的积雪分类图精度较高,数量精度为75%,比未融合影像积雪分类图的精度提高了6%,表明MODIS影像波段融合是一种提取高精度积雪信息的有效方法。     

ETM影像融合的评价分析

针对Landsat-7 ETM影像，对采用HIS变换、Brovey变换、相关系数加权法、SFIM变换、ISVR变换5种方法实现的ETM全色波段与ETM多光谱波段融合结果进行分析，并以均值、标准差、信息熵、平均梯度及相对偏差作为评价指标，通过试验对融合影像进行综合定量评价。结果表明，HIS变换光谱失真最大；Brovey变换在光谱保真和保持空间分辨率方面都不理想；相关系数加权法的融合结果严重地依赖权系数的取值；基于SFIM变换的融合方法，能最大限度地保留光谱特征，但空间分辨率提高不明显；而基于ISVR变换的融合方法，光谱失真小，空间分辨率高，其最大优势是考虑了多光谱影像与全色影像间的波段关系，可作为ETM影像融合的最佳方法。
     

Sentinel-2卫星影像融合方法与质量评价分析

Sentinel-2卫星传感器获取的是3种不同空间分辨率的光学遥感影像,如何通过融合方法提高较低空间分辨率波段的空间分辨率成为Sentinel-2数据应用面临的问题之一。以Sentinel-2B影像为数据源,利用相关系数最大法、中心波长最近邻法、像元值最大法和主成分分析等4种方法从4个10 m分辨率的波段中产生一个高分辨率波段;采用主成分分析、高通滤波、小波变换、Gram-Schmidt变换以及Pansharp共5种融合方法,对产生的高分辨率数据和6个20 m分辨率的多光谱数据进行融合,并从定性、定量(信息熵、平均梯度、光谱相关系数、均方根误差和通用图像质量指数)以及融合影像的分类精度3个方面对融合效果进行评价,结果表明:相关系数最大法的Pansharp方法融合图像质量优于其他融合方法,分类精度略低于最高的像元值最大法的GS方法,并且远高于4个原始10 m分辨率的多光谱影像的分类精度。从实验数据的分类精度分析,不同融合方法在不同地物提取中各有优势,在实际应用中,应根据实际研究需要,选择适宜的方案。该研究可为Sentinel-2卫星以及相似卫星数据处理和应用提供参考。     

基于亮度平滑滤波调节(SFIM)的SPOT5影像融合

遥感影像融合不仅要求提高原多光谱影像的空间分辨率,更重要的是保留影像的光谱信息,减少失真。为分析SFIM算法融合SPOT-5影像的光谱保真效果,首先采用IHS、小波和SFIM算法对SPOT-5的全色影像和多光谱影像进行融合,生成新的高分辨率多光谱影像。然后采用均值、相关系数、熵、标准差、梯度五个指标对SFIM不同滤波窗口的融合结果评价;最后采用以上定量评价指标对不同方法的融合结果进行分析评价。结果表明:和传统的IHS、小波融合方法相比,SFIM融合不仅提高了影像的空间分辨率和清晰度,而且较好地保持了原多光谱影像的光谱特征。     

基于小波变换的MODIS与ETM数据融合研究

遥感影像融合方法多样，但针对空间分辨率相差十倍、甚至十几倍的不同数据源影像进行融合的研究很有限。有效算法也较少。MODIS影像高光谱数据具有36个相互配准的光谱波段信息，然而其0．25km～1km的低空间分辨率，却限制了其应用潜力。本文基于小波变换的算法思想提出了一种MODIS与Landsat ETM(空间分辨率30m)数据融合的方法，能够有效的将MODIS的光谱信息和ETM的空间几何信息结合起来，并在此基础上分析了地形阴影对融合的影响，为MODIS数据用于制作较大比例尺的土地利用现状图等提供了可能。     

基于MODIS遥感数据的宏观土地覆盖特征分类方法与精度分析研究

针对宏观土地覆盖遥感分类的现状,充分利用MODIS相对于AVHRR数据具有的多光谱和分辨率优势,提出了利用MODIS数据进行分类特征选择与提取并结合多时相特征进行宏观土地覆盖分类的分类方法,并在中国山东省进行了分类试验,得出以下结论:①不同比例下的训练样本与验证样本影响着总体分类精度;②从MODIS数据中得到的植被指数EVI、白天地表温度Tday、水体指数NDWI、纹理特征局部平稳Homogeneity等可以作为分类特征配合参与到多波段地表反射率Ref1-7遥感影像中,能明显提高分类精度,而土壤亮度指数NDSI则没有贡献;③提取的分类特征对总体分类精度贡献大小为:EVI贡献最大,提高近6个百分点,其次是Homogeneity、NDWI,均提高近4个百分点,而最少的Tday也贡献了近3个百分点;④各分类特征对不同地物类别具有不同的分离度,在提高某些类别的分离性时,有可能降低了其它类别的分离性。试验结果表明:在没有其它非遥感信息的前提下,仅利用MODIS遥感自身信息对宏观土地覆盖分类就可达到较高精度。     

基于MODIS遥感数据的宏观土地覆盖特征分类方法与精度分析研究

针对宏观土地覆盖遥感分类的现状,充分利用MODIS相对于AVHRR数据具有的多光谱和分辨率优势,提出了利用MODIS数据进行分类特征选择与提取并结合多时相特征进行宏观土地覆盖分类的分类方法,并在中国山东省进行了分类试验,得出以下结论:①不同比例下的训练样本与验证样本影响着总体分类精度;②从MODIS数据中得到的植被指数EVI、白天地表温度Tday、水体指数NDWI、纹理特征局部平稳Homogeneity等可以作为分类特征配合参与到多波段地表反射率Ref1-7遥感影像中,能明显提高分类精度,而土壤亮度指数NDSI则没有贡献;③提取的分类特征对总体分类精度贡献大小为:EVI贡献最大,提高近6个百分点,其次是Homogeneity、NDWI,均提高近4个百分点,而最少的Tday也贡献了近3个百分点;④各分类特征对不同地物类别具有不同的分离度,在提高某些类别的分离性时,有可能降低了其它类别的分离性。试验结果表明:在没有其它非遥感信息的前提下,仅利用MODIS遥感自身信息对宏观土地覆盖分类就可达到较高精度。     

标准化变换对高光谱影像波段选择影响

针对高光谱影像波段选择方法常采用方差大小度量波段信息量、忽略了地物不同波段光谱响应差异的问题,提出了基于标准化变换的波段选择方法。以江苏省里下河地区2009年9月7号的Hyperion影像为例,系统比较了影像标准化变换对3个经典波段选择指数(OIF、SI和CI指数)的影响以及3个指数各自最优波段组合对影像分类结果的影响,同时考虑了波段个数(3、4和5)对分类精度的影响。得出结论:标准化变换提高了OIF和SI指数对应最优波段组合的分类精度;OIF指数随着波段个数的增加表现力下降;CI指数表现最稳定,在波段个数为5时,分类结果达到最好,总体分类精度达到90.06%,Kappa系数为0.871 7。     

一种基于分类的融合算法

提出了一种基于分类的融合算法 ,可用于融合低分辨率多光谱影像和配准的高分辨率全色波段影像 .算法的主要步骤如下 :(1)将 1m高分辨率全色波段影像和 4 m低分辨率多光谱影像进行几何配准 ;(2 )采用监督或非监督分类算法对高分辨率影像和配准的多光谱影像进行统一分类 ;(3)根据每一类所对应的高分辨率全色波段影像直方图和相应的空间关系 ,对配准后单个波段的多光谱影像进行调整 .(4)采用柱状坐标系对调整后的多谱影像进行 HIS(Hue,Intensity,Saturation)变换 ,并反变换至 RGB(red,green,blue)彩色空间 ,从而得到融合影像 .以天安门附近 10 0× 10 0大小 IKONOS的 1m高分辨率全色波段影像和 4 m多光谱影像为例 ,对融合算法进行了验证 .实验结果表明 :(1)此算法可以融合分类信息、全色波段的高分辨率信息和多光谱波段的光谱信息 ,突出分类信息作为先验知识的重要性 [1 ] ;(2 )在精确分类的基础上 ,可部分消除目标物边界的假彩色现象 ,有较好的目视判读效果 ;(3)对融合过程中 ,先验知识与空间关系的加入作了一些有益的尝试 .     

地球观测1号高光谱与全色图像融合的最佳方法

受制于成像原理及制造技术等因素,航天高光谱遥感图像的空间分辨率相对较低,为此提出将高光谱图像与高空间分辨率图像进行融合处理,设计最佳的增强高光谱遥感图像空间分辨率的融合算法。针对地球观测1号(EO-1)Hyperion高光谱图像和高级陆地成像仪（ALI）全色波段图像的特点,从9种具体遥感图像融合算法中选用4种融合算法开展山区与城市的数据融合实验,即Gram-Schmidt光谱锐化融合法、平滑调节滤波(SFIM)变换融合法、加权平均法（WAM）融合法和小波变换（WT）融合法,并分别从定性、定量和分类精度三方面对这些方法的融合效果进行综合评价与对比分析,从而确定适合EO-1高光谱与全色图像融合的最佳方法。实验结果显示：从图像融合效果看,在所采用的4种融合方法中,Gram-Schmidt光谱锐化融合法的效果最好;从图像分类效果看,基于融合图像的分类效果要优于基于源图像的分类效果。理论分析与实验结果均表明：Gram-Schmidt光谱锐化融合法是一种较为理想的高光谱与高空间分辨率遥感图像的融合算法,为提高高光谱遥感图像的清晰度、可靠性及图像的地物识别和分类的准确性提供有力的支持。     

Smoothing Filter-based Intensity Modulation: A spectral preserve image fusion technique for improving spatial details

Image fusion techniques are widely used to integrate a lower spatial resolution multispectral image with a higher spatial resolution panchromatic image, such as Thematic Mapper (TM) multispectral band and SPOT Panchromatic images. However, the existing techniques either cannot avoid distorting the image spectral properties or involve complicated and time-consuming frequency decomposition and re-construction processing. A simple spectral preserve fusion technique: the Smoothing Filter-based Intensity Modulation (SFIM) has thus been developed based on a simplified solar radiation and land surface reflection model. By using a ratio between a higher resolution image and its low pass filtered (with a smoothing filter) image, spatial details can be modulated to a co-registered lower resolution multispectral image without altering its spectral properties and contrast. The technique can be applied to improve spatial resolution for either colour composites or individual bands. The fidelity to spectral property and the spatial textural quality of SFIM are convincingly demonstrated by an image fusion experiment using TM and SPOT Panchromatic images of south-east Spain. The visual evaluation and statistical analysis compared with HSI and Brovey transform techniques confirmed that SFIM is a superior fusion technique for improving spatial detail of multispectral images with their spectral properties reliably preserved.     

基于Landsat 8卫星影像的北京地区土地覆盖分类

目的 土地覆盖分类能为生态系统模型、水资源模型和气候模型等提供重要信息,遥感技术运用于土地覆盖分类具有诸多优势。作为区域性土地覆盖分类应用的重要数据源,Landsat 5/7的TM和ETM+等数据已逐渐失效,Landsat 8陆地成像仪(OLI)较TM和ETM+增加了新的特性,利用Landsat 8数据进行北京地区土地覆盖分类研究,探讨处理方法的适用性。方法 首先,确定研究区域内土地覆盖分类系统,并对Landsat 8多光谱数据进行预处理,包括大气校正、地形校正、影像拼接及裁剪;然后,利用灰度共生矩阵提取全色波段纹理信息,与多光谱数据进行融合;最后,使用支持向量机(SVM)进行分类,获得土地覆盖分类结果。结果 经过精度评价和分析发现,6S模型大气校正和C模型地形校正预处理提高了不同类别之间的可分性,多光谱数据结合全色波段纹理特征能有效提高部分地物的土地覆盖分类精度,总体精度提高2.8%。结论 相对于Landsat TM/ETM+数据,Landsat 8 OLI数据新增特性有利于土地覆盖分类精度的提高。本文方法适用于Landsat 8 OLI数据土地覆盖分类研究与应用,能够满足大区域土地覆盖分类应用需求。     

Hierarchical Land Cover Classification based on MODIS NDVI Time-series

In this paper,we mainly used MODIS NDVI time-series dataset at 16-days temporal resolution and 250-meters spatial resolution to analyze land cover mapping of northeastern China.We used two different filter methods to fit NDVI time-series dataset,and compared their average classes’ separability based on Jeffries-Matusita distance index.In addition,we made use of hierarchical classification method to complete classification,combined with short-wave infrared spectral reflectance data and DEM.We conformed to the principle that separate area hierarchically into several parts first and then classify each part further,and use a single characteristic band first and then multiple feature bands.In the process of classification,we adopted threshold value method,support vector machine,artificial net neural and C5.0 decision tree classification to distinguish each land-cover type hierarchically.Finally,we evaluated the accuracy of the final classification of study area using known land-cover classification data and high-resolution remote sensing imagery,overall accuracy is 84.61%,Kappa coefficient is 0.8262.     

Contribution of multispectral and multitemporal information from MODIS images to land cover classification

The goal of this study is to evaluate the relative usefulness of high spectral and temporal resolutions of MODIS imagery data for land cover classification. In particular, we highlight the individual and combinatorial influence of spectral and temporal components of MODIS reflectance data in land cover classification. Our study relies on an annual time series of twelve MODIS 8-days composited images (MOD09A1) monthly acquired during the year 2000, at a 500 m nominal resolution. As our aim is not to propose an operational classifier directed at thematic mapping based on the most efficient combination of reflectance inputs — which will probably change across geographical regions and with different land cover nomenclatures — we intentionally restrict our experimental framework to continental Portugal. Because our observation data stream contains highly correlated components, we need to rank the temporal and the spectral features according not only to their individual ability at separating the land cover classes, but also to their differential contribution to the existing information. To proceed, we resort to the median Mahalanobis distance as a statistical separability criterion. Once achieved this arrangement, we strive to evaluate, in a classification perspective, the gain obtained when the dimensionality of the input feature space grows. We then successively embedded the prior ranked measures into the multitemporal and multispectral training data set of a Support Vector Machines (SVM) classifier. In this way, we show that, only the inclusion of the approximately first three dates substantially increases the classification accuracy. Moreover, this multitemporal factor has a significant effect when coupled with combinations of few spectral bands, but it turns negligible as soon as the full spectral information is exploited. Regarding the multispectral factor, its beneficence on classification accuracy remains more constant, regardless of the number of dates being used.     

Object-based land cover classification of shaded areas in high spatial resolution imagery of urban areas: A comparison study

A significant proportion of high spatial resolution imagery in urban areas can be affected by shadows. Considerable research has been conducted to investigate shadow detection and removal in remotely sensed imagery. Few studies, however, have evaluated how applications of these shadow detection and restoration methods can help eliminate the shadow problem in land cover classification of high spatial resolution images in urban settings. This paper presents a comparison study of three methods for land cover classification of shaded areas from high spatial resolution imagery in an urban environment. Method 1 combines spectral information in shaded areas with spatial information for shadow classification. Method 2 applies a shadow restoration technique, the linear-correlation correction method to create a “shadow-free” image before the classification. Method 3 uses multisource data fusion to aid in classification of shadows. The results indicated that Method 3 achieved the best accuracy, with overall accuracy of 88%. It provides a significantly better means for shadow classification than the other two methods. The overall accuracy for Method 1 was 81.5%, slightly but not significantly higher than the 80.5% from Method 2. All of the three methods applied an object-based classification procedure, which was critical as it provides an effective way to address the problems of radiometric difference and spatial misregistration associated with multisource data fusion (Method 3), and to incorporate thematic spatial information (Method 1).     

基于自适应加权的MODIS和SPOT影像融合研究

针对MODIS和SPOT影像融合问题，提出了一种基于自适应加权的亮度相关矩多分辨率影像融合方法。该方法首先对SPOT影像进行小波分解，将MODIS影像由RGB颜色空间变换到IHS颜色空间；然后，根据强度分量和SPOT影像低频分量加权后的局部均值和方差来定义影像亮度相关矩，以选择不同策略进行融合；最后，通过IHS逆变换和小波逆变换来得到包含更多信息和有效特征的融合影像。试验结果证明，该方法得到的融合影像，在保留地物光谱信息和提高空间分辨率上都具有很好的效果。