北京建筑大学遥感基础PPT第四次课图像处理).ppt

TM1能充分反映水体信息，对土壤湿度变化反映敏感，因此，利用(TM5/TM7)/(TM4/TM3), (TM5/Tm4)/(TM3/TM1)，TM1合成的彩色图象有效地剔除了植被的影响，同时可以突出土壤湿度和土壤中养分含量的变化。再经过快速高斯变换，植被特别茂密显示深蓝色，裸露地呈现淡紫色，农田为土灰色，其他覆盖较差的林地呈现青绿色 5、混合运算 归一化植被指数（NDVI） 变换NDVI（TNDVI） 玉米长势的好坏由一系列生物参数来描述，如叶面积指数、叶绿素含量、株高等。如果能够建立遥感数据和这些参数之间的关系，利用周期性的遥感资料就可以达到动态监测玉米长势的目的。下面介绍几种生物参数与植被指数关系的模型。 （1）叶面积指数与植被指数关系 叶面积指数（LAI）是指单位面积上植被叶片的面积，即 LAI＝单株叶片的面积x单位面积内植被的株数 叶面积指数LAI在整个玉米生长阶段是不断变化的，许多研究表明：光谱植被指数（VI）和叶面积指数之间有十分密切的关系。一般地，随着叶面积指数的增大，植被指数也增大，但是叶面积指数增大到一定的值时，植被指数趋于饱和，在植被指数达到饱和前，LAI和VI之间基本上是一种线性关系。 （2）株高与植被指数关系 株高与长势是密切相关的，因此可以作为玉米长势的一个指标。玉米株高h与植被指数(VI)的关系为：h=exp(a+b.VI) （3）叶绿素含量与植被指数关系 叶绿素含量y与植被指数(VI)的关系为：y=exp(a+b.VI) 多光谱图像中，不同波段的图像反映不同的波谱特性，而遥感应用中多采用三个波段的合成，可否有一种算法，能使的三个波段的信息集所有波段信息呢？答案是肯定的，即主成分分析算法。 5.5 主成分分析 主成分分析的原理如图所示，原始数据为二维数据，两个分量为x1、x2之间存在相关性，通过投影，各数据可以表示为y1轴上的一维点数据，从二维空间中的数据变成一维空间中的数据会产生信息丢失，为了使信息损失最小，必须按照使一维数据的信息量（方差）最大的原则确定y1轴的取向。新轴y1称作第一主成分。为了进一步汇集剩余的信息，可求出与第一轴y1正交、且尽可能多地汇 集剩余信息第二轴y2，新轴y2称作第二主成分。 因此，主成分分析满足如下准则： ①主成分分析算法是一正交变换； ②主成分分析后所得到的向量Y中各元素互不相关； ③从主成分分析后所得到的向量Y中删除后面的(n-d)个元素而只保留前d(dn)个元素时所产生的误差满足平方误差最小的准则。 在遥感图象分类中，常常利用主成分分析算法来消除特征向量中各特征之间的相关性并进行特征选择。主成分分析算法还可以被用来进行高光谱图象数据的压缩和信息融合。例如，对TM的6个波段的多光谱图像进行主成分分析，然后把得到的第1，2，3主分量图象进行彩色合成，可以获得信息量非常丰富的彩色图象。 上面所述的主成分分析是线性变换的一种。1976年，Kauth和Thomas发现了另一种线性变换，它使坐标空间发生旋转，但旋转后的坐标轴不是指向主成分的方向，而是指向另外的方向，这些方向与地面景物有密切的关系，特别是与植物生长过程和土壤有关。这种变换既可以实现信息压缩，又可以帮助解译分析农业特征，因此有很大的实际应用意义。目前对这个变换的研究主要集中在MSS与TM两种遥感数据的应用分析方面。下面先以MSS为例进行介绍，然后再推广到TM数据。 简称K-T变换，又形象地称为“缨帽变换”，这种变换着眼点在于农作物生长过程而区别于其他植被覆盖，力争抓住地面景物在多光谱空间中的特征。 5.6 K-T（缨帽）变换 一、K-T变换在MSS数据分析中的应用 以MSS2和3波段为例，选两种土壤，一种深色，光谱特性为暗，一种浅色，光谱特性为亮。在这两种土壤上种小麦，选择小麦不同生长期的图象，把图象中的象元放在2维光谱空间相应的位置上，于是形成了两条小麦的生命发展线，构成一个三角形的形状，如图所示。从暗土生长线可以看出，由于叶绿素在植物生长过程中的增加，覆盖度加大，土壤较暗，表现为第3彼段亮度加大而第2波段亮度减小（即近红外反射强而红光反射低的规律）。到了4的位置便是绿色小麦生长的顶峰，小麦光谱占上风，土壤被覆盖，因此．4A和4B交合到一点，然后一起变黄和衰老。 对于一般农作物，在第2和第3波段组成的子空间中，当植物还没发芽时，由深色逐步过渡到浅色土壤，形成一条土壤线，由土壤线上各点开始可以勾绘出一条农作物的生长线。1处为裸土，只反映了土壤的光谱特性；2处为农作物破土出露，随着农作物生长，植被覆盖度也越来越大。与此同时，由于太阳光从偏东方向入射时，使得植物阴影的影响