图像滤波算子在土壤盐渍化信息提取中的应用 下载: 954次
1 引言
土壤盐渍化及次生土壤盐渍化是导致干旱区及半干旱区土地生产力下降的主要因素之一,通常出现在可溶性盐类多、地下水位高、气候干旱且蒸发作用强的地区[1-2]。土壤盐渍化极易削弱土地生产能力、降低农副产品的产量。并且农业实践中不科学的浇灌方式又会加剧次生土壤盐渍化。因此,如何快速高效评估土壤盐渍化程度,对于掌握干旱区土壤盐渍化对农业的威胁程度、防止盐渍化的扩张、有效规划水资源利用方式、确保干旱区农业的可持续发展具有重要意义[3]。
传统监测盐渍化的方式有实地勘探、采点实测等,但这种方法效率低、速度慢,难以对大范围研究区域进行准确和持续性监测。而遥感监测因具有访问速度快、监测范围大、数据更新时间短、信息储量大等优势在土壤盐渍化监测中得到广泛的使用。何宝忠等[4]借助Landsat影像数据,利用物候特征来反演盐渍化信息;Brunner等[5]借助归一化植被指数(NDVI)并结合影像信息,评价新疆博斯腾湖地区的土壤盐渍化状况;Bouaziz等[6]利用中分辨率成像光谱仪(MODIS)的遥感影像,针对巴西的土壤盐渍化情况,对影响盐化的光谱参量进行回归分析,建立了评价半干旱区土壤盐化的LSU(linear spectral unmixing)模型。以上学者均利用遥感数据对土壤盐渍化进行监测,但并未重视遥感影像质量对盐渍化信息提取的影响。
由于天气、遥感平台或传感器不稳定等原因,遥感影像中会产生椒盐噪声、脉冲噪声等,进而导致影像质量下降,影响遥感影像中信息的获取和利用。针对噪声对影像产生的负面影响,常用的降噪方法就是在空间域里对影像进行滤波运算处理,滤波效果会直接影响分类后影像的精度[7]。因此,国内外学者会根据自己的研究区特点提出合适的滤波方法,对影像进行预处理:Pardo-Iguzquiza等[8]改进的滤波参数能够在运算过程中随遥感影像内地物类型的变化而变化;李刚等[9]提出基于同态滤波的像素替换方法,可以在去除遥感影像中薄云的同时保留遥感影像信息;路鹏等[10]将不同滤波窗口大小的中值滤波应用于遥感影像的处理,使地物更容易被识别。目前,国内外学者主要利用改进滤波参数进行遥感影像处理,以提高地物识别精度,但不同滤波对抑制噪声、提高影像品质具有很强的针对性,目前遥感影像处理研究领域仍未有关于不同滤波方法对干旱区与半干旱区土壤盐渍化信息提取的影响的报道。
因此,为了提高土壤盐渍化信息提取的精度,解决由噪声引起的遥感影像质量下降,本文选择拉普拉斯滤波、高通滤波滤波、低通滤波、高斯高通、高斯低通滤波、中值滤波、方向滤波共7种典型的滤波算子分别对遥感影像进行处理,并结合支持向量机的分类方法,分析滤波后影像亮度值的变化,与未经过滤波处理的影像进行分类后精度对比,提出分类效果最佳的滤波算子。借助滤波运算抑制遥感影像噪声、提高影像质量,并有效提高盐渍化监测能力。
2 研究区概况
研究区选取土壤盐渍化严重的地区——艾比湖湿地自然保护区,艾比湖湿地自然保护区地处天山山脉西段,地理位置在43°38'N到45°52'N、79°53'E到85°02'E之间,在行政区划上地跨博州精河县、博乐市和阿拉山口口岸区,总面积2670.85 km2[11]。艾比湖三面环山,湖面呈椭圆状,长约35 km,宽约18 km,面积约为600 km2,平均水深约2 m[12]。该湖是准噶尔盆地最大的咸水湖泊,平均海拔189 m,整个流域地势呈“漏斗”状,所以艾比湖为艾比湖流域的汇水中心[13-14]。其中艾比湖湿地自然保护区的地质构造和地形地貌的分布格局决定了土壤和植被的分布状态,并且气候、水文和植被等因素对土壤类型的分布也具有重要影响[15-16]。艾比湖湿地保护区的地理区位如
3 数据与方法
3.1 野外调查和地面数据获取
以假彩色显色的Landsat 8研究区影像为参考图,在艾比湖湿地自然保护区内,以5 km为间隔,在道路可到达的范围内,选择只有单一地物的区域进行采点,采样方法为五点采样法,采集深度为0~20 cm,样点数量为38个,样本共计190份。将采集的土壤样品带回,在实验室内自然风干、磨碎、过2 mm筛,再将样品细土按土水质量1∶5的比例制成提取液,并用TZS-EC-I土壤盐分速测仪测定样品全盐含量。结合新疆水利厅颁发的《新疆县级盐碱地改良利用规划工作大纲》[17],以及野外样品土壤盐分的实测状况,将土壤盐分数值分为6个等级,确定土壤盐渍化程度的分级标准,如
图 1. 研究区示意图。(a)艾比湖湿地保护区及采样点分布图;(b)艾比湖湿地保护区内盐渍化土壤;(c)艾比湖保护区内水塘表面盐结晶;(d)艾比湖保护区内植被
Fig. 1. Schematic of research area. (a) Ebinur Lake Wetland Reserve and distribution of sampling points; (b) salinized soil in Ebinur Lake Wetland Reserve; (c) salt crystals on surface of ponds in Ebinur Lake Wetland Reserve; (d) vegetation in Ebinur Lake Wetland Reserve
表 1. 土壤盐渍化程度分级
Table 1. Classification of degree of soil salinization
|
将实验测定的38个样点的土壤盐分含量实测值按照
3.2 遥感数据及预处理
3.2.1 遥感数据
由于本文主要目的在于探索滤波算子在土壤盐渍化信息提取中的应用价值,故选取典型盐渍化区域——艾比湖地区,并根据野外考察时间,选择下载 2017年7月的Landsat-8 OLI数据(https://www.nasa.gov/)。
3.2.2 影像预处理
需要先对影像进行辐射校正,辐射定标的原理是通过建立数字量化值与对应视场中辐射亮度值之间的定量关系,消除传感器误差。大气校正是使用FLAASH大气校正模块对影像进行校正,主要目的是为了减少大气吸收、散射以及其他随机因素的影响,随后进行地形校正以恢复不同地物在水平条件下的真实反射率或辐亮度。预处理后对影像进行剪裁,可得知大气校正消除了大气和光照因素对地物反射的影响,校正后遥感影像的亮度会增强,便于水和植被等地物信息的提取。
3.3 原理及方法
3.3.1 滤波原理
对于数字图像信号,噪声表现为或大或小的极值,这些极值通过加减作用于图像像素的真实亮度值上,给图像造成亮、暗点干扰,极大地降低了图像质量[18]。空间滤波是使用空间二维卷积方法对图像空间变量进行局部运算,借助模板在原图像上移动,逐块进行局部运算,减缓或增强图像中某些特定的频率分量,从而达到边缘增强、噪声去除的目的。因此,针对不同影像中出现的问题,常使用不同的滤波算法对遥感影像进行处理。
在选取不同的滤波算法时,必须考虑一个基本问题:如何在有效去除目标和背景中噪声的同时,能较好地保护图像目标的形状、大小及特定的几何和拓扑结构特征[19]。本文采用拉普拉斯滤波、高通滤波、低通滤波、高斯高通滤波、高斯低通滤波、中值滤波、方向滤波共7种典型滤波处理算法[20]进行图像处理,并对比处理后的遥感影像盐渍化信息精度,以期有效去除影像噪声、保护几何拓扑特征并提高盐渍化信息提取精度。滤波处理的工作原理如下:假定原图像为f(i,j),在原始图像左上角开一个M×N大小的窗口后,选定一个M×N阶滤波函数K(m,n)。之后利用滤波函数K(m,n)对窗口内的信息进行加权处理,最后把结果重新叠加在原图像f(i,j)上,形成滤波后影像Q(i,j)[21],可表示为
式中:Q为图像坐标(i,j)处滤波后的影像;f(i,j)为图像坐标(i,j)处像素值原始结果;K(m,n)为滤波核矩阵函数;m、n为矩阵函数的x、y方向的参数。将不同的滤波矩阵带入滤波运算函数(1)式,本文选取的7种滤波算子的滤波矩阵函数如
表 2. 滤波矩阵函数
Table 2. Filtering matrix functions
|
3.3.2 支持向量机
传统的基于统计学的模式识别在理论上解决了分类器的设计问题,但并未有效解决概率密度估计问题,因此有时难以取得满意的分类结果[22]。支持向量机算法作为一种智能计算学习方法,有效克服了分类数据分布假设的问题,使分类过程更加自动化,并有效提高了分类的精度,因此选择支持向量机作为本文的分类方法。
支持向量机分类方法是在VC(Vapnik-Chervonenkis )维理论和结构风险最小化原理基础上发展起来的,基本思想如下:对于两类类别线性可分的情况,需要找到一条直线将代表两类类别的点分开,数据Di={(Xi,Yi); i=1,2,3,…,n}表示n个样本点,其中:Xi代表特征矢量,可以为多维;Yi代表类别计量,为1或者-1[23]。故分类线性方程为
式中:<w0·x> 表示点积运算,w0表示常量矩阵,x表示变量矩阵;b表示线性公式中的截距。分类间隔即两分类之间的距离越大,类别越不易混淆。然后找到最大分类间隔问题,并将其转换成约束优化问题,即
式中:w表示常量矩阵;
式中:sgn()为符号函数;w*表示w的最优值;b*为b的最优值;αi为Lagrange函数中的变量,
支持向量机的输入量为x=(x1,x2,…,xn),而中间环节则对应输入样本与一个支持向量机的内积,输出为若干中间层节点的线性组合[22]。
本研究利用MATLAB软件实现支持向量机遥感影像分类,具体步骤如下:1)首先在Arcmap软件中手动获取训练样本的shp文件,其中包含各个样本数据;2)随后利用Arcmap软件toolbox中的剪裁功能,根据栅格数据对样本数据进行剪裁,得到的结果就是各样本的栅格数据;3)将得到的样本数据读入MATLAB中,然后按照支持向量机所需的格式对数据进行处理。
3.3.3 总体分类精度及Kappa系数
数据的分类精度有效地证明了数据的可靠性,文中对监督分类精度的评价过程同时也是对定量结果的可靠性及变异性的分析过程[25]。在遥感影像中,分类影像精度验证中应用最为广泛的是总体分类精度(OA)和Kappa系数。总体分类精度是指分类正确的像素类别数量和类别总数的比值。而Kappa系数的值则表达了另一种比例:分类与随机错误的分类结果减少的比例,具体表达式为
式中:Po为实际意义中的一致率;Pc理论上的一致率。设栅格总象元数为M,真实栅格为1的象元数为a,为0的象元数为h,模拟栅格为1的象元数为c,0的象元数为d,两个栅格对应象元值相等的象元数为s,则有
3.4 建立分类规则
分类方案的选定是以本文研究目的为首要的考量依据,结合影像特点以及野外实地考察数据,以颜色特征、地物纹理特征为基础,分析不同对象间的特征区别,并利用人机交互的方式建立分类规则。本文将采样点和遥感影像上的像元区域对应起来,可以发现:1)非湖滨区的土壤盐分值越高的采样点对应的遥感影像的反射率越高;2)遥感影像上湖滨区的反射率并不高且颜色呈淡蓝色,但土壤盐分值较高,是由于湖滨区域较高的水分含量影响了反射率;3)采样点对应的遥感影像中生长有植被的区域并不是非盐渍化区域,植被生长的土壤中含有的少量盐分说明该区域属于轻度盐渍化区域。因此,将土壤实测盐分值作为重要参考依据。
在按假彩色显色的遥感影像中,颜色特征是目视解译的重要标志。水体(包括河流、沟渠、湖泊等)的颜色表现为深蓝色;具有高海拔、地下水位低等特点的区域不易产生盐渍化现象,例如荒地、山地等典型区域,且非盐渍化的地物在遥感影像上的反射率较低;盐渍化土壤由于聚集了大量盐分会形成一层盐壳并且反射率较高,在遥感影像上呈亮白色。依据盐渍化程度的分级标准,将艾比湖湿地自然保护区地类分为6类:水体、非盐渍化、轻度盐渍化、中度盐渍化、重度盐渍化以及盐渍化土壤,具体分类如
表 3. 研究区遥感影像分类方案
Table 3. Classification scheme of remote-sensing image of research area
|
4 结果与讨论
4.1 滤波后影像
在按假彩色显色的遥感影像中,植被的颜色为红色,水的颜色为深蓝色,盐渍化土壤的颜色为亮白色,因此可将假彩色影像作为视觉解译的重要辅助手段[26]。通过野外实地考察及室内土壤盐分实验发现,在盐渍化程度较高的区域土壤表层存在较厚盐壳,盐渍土的光谱反射率高于其他类型土壤。本文选取一块地物类型多样且具有典型盐渍土特征的区域,采用7种滤波方法分别对影像进行处理,结果如
从
经过滤波处理后影像的亮度值发生改变,在不同波段下的亮度值有所不同,但每个波段的总体趋势是一样的。经过高斯高通滤波处理后图像亮度值的最小最大值之间的差异变小,影像信息更为集中。并结合
图 4. 经不同滤波方法处理后的影像。(a)原始遥感图像;(b)拉普拉斯滤波;(c)高通滤波;(d)低通滤波;(e)高斯高通滤波;(f)高斯低通滤波;(g)中值滤波;(h)方向滤波
Fig. 4. Images processed by different filtering methods. (a) Raw remote-sensing image; (b) Laplacian filtering; (c) high-pass filtering; (d) low-pass filtering; (e) Gaussian high-pass filtering; (f) Gaussian low-pass filtering; (g) median filtering; (h) directional filtering
4.2 分类结果
对与经过拉普拉斯滤波、高通滤波、低通滤波、高斯高通滤波、高斯低通滤波、中值滤波、方向滤波这7种滤波方法处理后的遥感影像,采用支持向量机监督分类的分类方法进行监督分类。得到的分类结果如
从
因此,利用总体精度和Kappa系数进一步分析不同滤波方法处理后的分类图的精度差异。
4.3 精度分析
选用混淆矩阵中的总体分类精度以及Kappa系数表征分类精度。分类结果清晰地反映了研究区重度、中度、轻度、微度以及非盐渍土的分布信息。从分类精度来看,滤波后的图像分类精度有所提高,基于不同滤波方法的分类结果如
图 6. 基于不同滤波方法处理的遥感影像的分类图。(a)原始遥感图像;(b)拉普拉斯滤波;(c)高通滤波;(d)低通滤波;(e)高斯高通滤波;(f)高斯低通滤波;(g)中值滤波;(h)方向滤波
Fig. 6. Classification of remote-sensing images based on different filtering methods. (a) Raw remote-sensing image; (b) Laplacian filtering; (c) high-pass filtering; (d) low-pass filtering; (e) Gaussian high-pass filtering; (f) Gaussian low-pass filtering; (g) median filtering; (h) directional filtering
表 4. 支持向量机的分类精度评价方法
Table 4. Assessment methods of classification accuracy of SVM
|
从
5 结论
本研究对遥感影像采用7种滤波方法进行滤波处理,根据实测土壤盐分值建立土壤盐渍化信息提取模型并确定盐渍化分类体系。并通过支持向量机分类方法以及相关评价体系,得到不同滤波方法处理后的遥感影像的分类精度,最终确定土壤盐渍化信息提取的相对最优滤波算法。 相比于原始影像的亮度值,经过不同滤波算法处理后的遥感影像亮度值的最大值、最小值、均值及标准差均发生改变,相比于原始图像及其他滤波亮度值,高斯高通滤波处理后像元的亮度值的变化范围变小,使影像信息更加紧凑,利于影像盐渍化信息的提取,其他滤波只在一定程度内相对改变了像元亮度值,相差变化不大,但总体各个滤波方法处理后的标准差基本保持不变。通过分析影像亮度值,体现了滤波处理后影像亮度值的变化。
对遥感影像进行假彩色显色后,通过目视解译,发现盐渍化土壤在遥感影像上的颜色比其他地物类浅,同时根据野外实测盐分值及考察结果来划分分类依据,从而建立盐渍化程度分类体系。该分类体系相比于单纯的目视解译更加可靠,可为感兴趣区的选择提供重要参考。
各个不同滤波方法处理后,图像分类的整体精度和Kappa系数得到了提高。将滤波用于盐渍化土壤信息的提取中时,其能在一定程度上提高影像的质量,平滑部分噪声,锐化边缘,提高信息提取能力。在本研究的应用中,滤波能够有效地提高遥感影像中盐渍土的提取精度,具有相对重要的意义。
[1] Dehaan R L, Taylor G R. Field-derived spectra of salinized soils and vegetation as indicators of irrigation-induced soil salinization[J]. Remote Sensing of Environment, 2002, 80(3): 406-417.
[2] Metternicht G I, Zinck J A. Remote sensing of soil salinity: potentials and constraints[J]. Remote Sensing of Environment, 2003, 85(1): 1-20.
[4] 何宝忠, 丁建丽, 王飞, 等. 基于物候特征的盐渍化信息数据挖掘研究[J]. 生态学报, 2017, 37(9): 3133-3148.
He B Z, Ding J L, Wang F, et al. Research on data mining of salinization information based on phenological characters[J]. Acta Ecologica Sinica, 2017, 37(9): 3133-3148.
[5] Brunner P, Li H T, Kinzelbach W, et al. Generating soil electrical conductivity maps at regional level by integrating measurements on the ground and remote sensing data[J]. International Journal of Remote Sensing, 2007, 28(15): 3341-3361.
[6] Bouaziz M, Matschullat J, Gloaguen R. Improved remote sensing detection of soil salinity from a semi-arid climate in Northeast Brazil[J]. Comptes Rendus Geoscience, 2011, 343(11/12): 795-803.
[7] 王晴, 崔生成, 杨世植. 高空间分辨率卫星图像的薄云去除[J]. 大气与环境光学学报, 2018, 13(4): 285-292.
[9] 李刚, 杨武年, 翁韬. 一种基于同态滤波的遥感图像薄云去除算法[J]. 测绘科学, 2007, 32(3): 47-48, 193.
Li G, Yang W N, Weng T. A method of removing thin cloud in remote sensing image based on the homomorphic filter algorithm[J]. Science of Surveying and Mapping, 2007, 32(3): 47-48, 193.
[10] 路鹏, 刘财, 刘万崧, 等. 中值滤波技术在遥感图像处理中的应用[J]. 吉林大学学报(地球科学版), 2005, 35(suppl): 151-154.
Lu P, Liu C, Liu W S, et al. The application of the median filter in the remote sensing image processing[J]. Journal of Jilin University (Earth Science Edition), 2005, 35(suppl): 151-154.
[11] 张贤龙, 张飞, 张海威, 等. 基于光谱变换的高光谱指数土壤盐分反演模型优选[J]. 农业工程学报, 2018, 34(1): 110-117.
Zhang X L, Zhang F, Zhang H W, et al. Optimization of soil salt inversion model based on spectral transformation from hyperspectral index[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(1): 110-117.
[12] Liu D W, Abuduwaili J, Wang L X. Salt dust storm in the Ebinur Lake region: its 50-year dynamic changes and response to climate changes and human activities[J]. Natural Hazards, 2015, 77(2): 1069-1080.
[13] 莫丰瑞, 楚新正, 马晓飞, 等. 景观格局变化下艾比湖湿地防风固沙功能及其价值评估[J]. 生态科学, 2017, 36(6): 195-206.
Mo F R, Chu X Z, Ma X F, et al. The windbreak and sand fixation function and its value assessment of landscape patterns change of Ebinur Lake Wetland[J]. Ecological Science, 2017, 36(6): 195-206.
[14] Wang X P, Zhang F, Ding J L, et al. Estimation of soil salt content (SSC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR), Northwest China, based on a Bootstrap-BP neural network model and optimal spectral indices[J]. Science of The Total Environment, 2018, 615: 918-930.
[15] 杨晓东, 傅德平, 袁月, 等. 新疆艾比湖湿地自然保护区主要植物的种间关系[J]. 干旱区研究, 2010, 27(2): 249-256.
Yang X D, Fu D P, Yuan Y, et al. Analysis on interspecific relationship of the dominant plant species in the Ebinur Lake wetland nature reserve, Xinjiang[J]. Arid Zone Research, 2010, 27(2): 249-256.
[16] 马玉娥, 钱亦兵, 段士民, 等. 艾比湖地区植被分布及物种多样性研究[J]. 干旱区研究, 2012, 29(5): 776-783.
Ma Y, Qian Y B, Duan S M, et al. Study on vegetation distribution and species diversity in the Ebinur Lake basin[J]. Arid Zone Research, 2012, 29(5): 776-783.
[17] 新疆维吾尔自治区水利厅. 新疆县级盐碱地改良利用规划工作大纲[R]. 乌鲁木齐: 新疆维吾尔自治区水利厅, 2005.
Water resources department of Xinjiang Uygur autonomous region. Work outline of county-level saline-alkali land improvement and utilization planning in Xinjiang[R]. Urumqi: Water Resources Department of Xinjiang Uygur Autonomous Region, 2005.
[18] 黄剑玲, 郑雪梅. 一种基于边缘检测的图像去噪优化方法[J]. 计算机仿真, 2009, 26(11): 260-263.
Huang J L, Zhen X M. An optimized method for image denoising based on edge detection[J]. Computer Simulation, 2009, 26(11): 260-263.
[19] 杨爱萍, 赵美琪, 王海新, 等. 基于低通滤波和多特征联合优化的夜间图像去雾[J]. 光学学报, 2018, 38(10): 1010006.
[20] 田文利. 基于双重滤波与锐化的遥感图像增强算法[J]. 国外电子测量技术, 2017, 36(4): 13-16.
Tian W L. Remote sense image enhancement algorithm based on filtering and sharpening[J]. Foreign Electronic Measurement Technology, 2017, 36(4): 13-16.
[21] 廖建尚, 王立国. 两类空间信息融合的高光谱图像分类方法[J]. 激光与光电子学进展, 2017, 54(8): 081002.
[23] 杨友良, 王鹏, 马翠红. 基于粒子群优化支持向量机的LIBS钢液Mn元素定量分析[J]. 激光与光电子学进展, 2015, 52(7): 073004.
[24] Cortes C, Vapnik V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297.
[25] Foody G M. Status of land cover classification accuracy assessment[J]. Remote sensing of environment, 2002, 80(1): 185-201.
[26] 曹建荣, 刘文全, 黄翀, 等. 基于Landsat TM/ETM影像的黄河三角洲盐渍土动态变化分析[J]. 水土保持通报, 2014, 34(6): 179-183, 371.
Cao J R, Liu W Q, Huang C, et al. Analysis on dynamic variation of salinized soil in yellow river delta based on Landsat TM/ETM image[J]. Bulletin of Soil and Water Conservation, 2014, 34(6): 179-183, 371.
Article Outline
王筝, 张飞, 张贤龙, 王一山. 图像滤波算子在土壤盐渍化信息提取中的应用[J]. 激光与光电子学进展, 2020, 57(4): 042801. Zheng Wang, Fei Zhang, Xianlong Zhang, Yishan Wang. Application of Image Filtering Operator in Extraction of Soil Salinization Information[J]. Laser & Optoelectronics Progress, 2020, 57(4): 042801.