基于PROBA/CHRIS影像的歸一化陰影植被指數NSVI構建與應用效果

胡新宇,許章華,3,4,5,6，陳文慧，陳秋霞，王琳,3,4，劉輝,3,4，劉智才,3,4

(1.福州大學環境與資源學院，福州 350108；2.福州大學地理與生態環境研究中心，福州 350108；3.空間數據挖掘與信息共享教育部重點實驗室,福州 350108；4.福建省水土流失遙感監測評估與災害防治重點實驗室，福州 350108；5.3S技術與資源優化利用福建省高校重點實驗室，福州 350002；6.福州大學信息與通信工程博士后科研流動站，福州 350108；7.福建農林大學公共管理學院，福州 350002)

0 引言

受太陽入射角、地物自身高度及地形起伏等要素的綜合影響，遙感影像上普遍存在“明亮”及“陰影”兩個層次。陰影區使目標地物表現在遙感影像上的信息量減少，極大地干擾了地物識別、信息提取[1-3]及定量算法構建[4-5]等工作的開展。隨著國產衛星技術的持續發展、遙感影像應用領域的不斷擴展，如何有效地檢測并消除陰影的影響已成為亟待解決的問題。

遙感影像陰影檢測通常分為基于模型和基于陰影性質兩類?；谀Ｐ偷年幱皺z測方法需要有關于場景、目標和光照的先驗知識，該方法涉及的大量參數不易獲取，應用具有較大的局限性?；陉幱靶再|的檢測方法則是利用了陰影區域的光譜和幾何特性來檢測陰影。國內外對陰影檢測的研究已頗具成果，早期利用影像上陰影區域的亮度比非陰影區域亮度值低的性質，采用閾值法進行陰影檢測[6-7]。Etemadnia等[8]基于RGB圖像提出了基于同態濾波的檢測方法；Tsai[9]提出了一種基于屬性的自動方法，檢測和補償在復雜城市彩色航空影像中保留形狀信息的陰影區域；Arévalo等[10]提出了一種在QuickBird特定波段上引用區域生長過程的方法對陰影像素的飽和度和強度值以及其邊緣梯度施加了限制；Martel-Brisson等[11]利用高斯混合模型來構建描述前景圖像表面上移動的陰影統計模型；夏懷英等[12]提出基于混合統計模型的Google高分辨率遙感影像陰影檢測；王玥等[13]以該模型為基礎，基于彩色航空影像與QuickBird影像導出用于影像陰影檢測的基本算法；許章華等[14-15]從山地丘陵陰影區植被與其他地物之間光譜的差別入手，進一步增大了陰影區植被與明亮區植被、水體區之間的差異，建立了陰影植被指數(shaded vegetation index，SVI)，并進一步構建了歸一化陰影植被指數(normalized shaded vegetation index，NSVI)，通過驗證在Landsat TM/ETM+，ALOS AVNIR-2，CBERS-02B-CCD及HJ-1-CCD等幾種多光譜遙感影像數據上的檢測效果，證明了上述指數的可行性。

不難發現，當前關于陰影檢測與去除的研究，多基于多光譜影像數據。高光譜遙感由于光譜通道的連續性[16-17]在陰影區植被的分類識別和信息提取中具有獨特的優勢[18-19]，但關于陰影檢測的研究較為不足。如Andrews等[20]闡述了開展精確陰影檢測技術的必要性，同時提出使用強制零端元和圓錐形次單純投影來消除高光譜影像中陰影的影響；Qiao等[21]基于Jeffries-Matusita(J-M)距離驗證類別之間的光譜可分離性，利用最大似然分類及支持向量機將陰影像素分類為不同的土地覆蓋類型，從而實現陰影地物的識別。

盡管上述基于多光譜與高光譜遙感影像陰影檢測方法在特定區域內取得了較好的檢測效果，然而還存在一些不足，如：①選取的影像范圍較小，影像范圍內地物種類較為單一；②計算方法復雜，過程不穩定，人工經驗干預較為突出；③陰影檢測結果中?；烊肫渌匚?，如細小水體和深藍色地物等。高光譜遙感影像通道數更多，光譜組成更為復雜，且低頻信息多，故陰影區光譜解混與地物識別也更為困難，從而在一定程度上限制了該數據的精準應用與快速發展。為此，本文以高光譜影像PROBA/CHRIS為試驗數據，嘗試在此影像中構建和應用NSVI，旨在為高光譜遙感陰影檢測提供技術參考，同時為其陰影去除及其陰影區信息修復與提取等工作提供支持。

1 歸一化陰影植被指數NSVI構建原理

遙感影像中的明亮區植被、陰影區植被、水體區，其光譜具有差異性，但又有一定程度的“重疊”；若對三者的原始光譜差異予以進一步增強，可提高其可判讀性。許章華等[14]的試驗表明，明亮區植被、陰影區植被、水體區在近紅外波段的光譜值差異普遍最大，表現為水體區<陰影區植被<明亮區植被，歸一化差值植被指數(normalized difference vegetation index,NDVI)也基本呈此特征，但水體與陰影區植被存在較大的混淆概率，這也是影響水體提取精度的其中一個主要原因[22]。由于植被NDVI與各地物近紅外光譜值在0以上，且NDVI在明亮區植被與陰影區植被范圍內差距較明顯，而水體區NDVI值在0以下，故將NDVI與近紅外波段相乘，既可保證明亮區植被、陰影區植被、水體區在近紅外波段的絕對差異，又能對NDVI進行放大，消除可能存在的混淆現象。在此基礎上構建SVI模型，其表達式為：

(1)

式中：NIR為近紅外波段反射率；R為紅光波段反射率。

為保持與NDVI尺度上的一致性，對SVI進行歸一化處理得到NSVI，為：

(2)

式中SVImax和SVImin分別為累積像元頻率在[5%,95%]區間內SVI的最大值和最小值。

參考上述思路，本文以多角度高光譜影像PROBA/CHRIS為試驗數據，分析明亮區植被、陰影區植被、水體區3種地物的典型光譜特征，嘗試構建基于該影像的NSVI，并檢驗其應用效果。

2 數據獲取與處理

2.1 PROBA/CHRIS數據介紹

PROBA是歐洲太空局于2001年10月22日發射的新一代太陽同步軌道微衛星，軌道高度615 km，傾角97.89°。星上搭載了3種傳感器，其中的緊湊式高分辨率成像分光計CHRIS由一個望遠鏡和一個聯結770列576行CCD數列檢測系統成像分光計組成，以推掃方式獲取可見光-近紅外光譜數據；成像光譜范圍0.40～1.05 μm，光譜分辨率1.25～11.00 nm[23]。

2.2 試驗影像及其預處理

該研究采用的試驗數據為2016年12月22日覆蓋福建省長汀縣河田鎮的PROBA/CHRIS影像，數據來自于歐空局官方網站(https://earth.esa.int/web/guest/home)。CHRIS傳感器有5種成像模式，其中模式4主要用于對地表葉綠素的檢測，可以更好地反映地表植物的生長狀況。該模式共有-55°，-36°，0°，+36°，+55°等5幅影像，空間分辨率均為17 m，中心波長為489～792 nm[24]。5個角度的影像覆蓋的范圍略有不同。CHRIS影像預處理主要包括噪聲去除、大氣校正、幾何糾正等。經預處理之后的B14，B6，B2(B14，B6，B2分別為該影像的第14，6，2波段，下同)假彩色合成的5角度影像如圖1所示。

(a)0° (b)36° (c)-36° (d)55° (e)-55°

3 試驗結果與分析

3.1 特征波段選取

較之于多光譜數據，高光譜影像的波段數較多，分析并篩選特征波段有利于目標地物的高效識別。連續投影算法(successive projection algorithm，SPA)是一種前向循環的特征變量選擇方法，利用向量的投影分析，選取含有最低冗余度和最小共線性的有效波長，對光譜波長進行優選，減少建模所需變量個數，改善建模條件[25]，故本文選用此方法選取特征波段。該算法步驟如下[26]：①在光譜矩陣中任選一條光譜列向量作為起始向量；②分別計算剩余列向量在起始向量的正交平面上的投影向量；③挑選出最大投影作為下一次投影的起始向量，直到挑選變量個數達到最大所需個數；④將提取的所有波長組合進行多元線性回歸，最小的均方根誤差(root-mean-square error，RMSE)所對應的組合即為最優的波長組合。

將波段依據中心波長進行歸類(表1)，利用SPA對影像光譜數據進行明亮區植被、陰影區植被、水體區敏感特征篩選，于RMSE最小(0.235 9)時選出B3，B9，B15作為敏感特征波段。由于算法本身易于波長范圍邊緣處選取波長[27]，為避免出現誤差，故舍棄B3，分別將B9和B15作為紅光和近紅外的特征波段。

表1 依據波譜范圍歸類波段Tab.1 Band classification by wavelength

3.2 典型地物光譜特征分析

NDVI是應用最為普遍的植被指數之一，亦有不少學者將其作為水體、植被等信息提取的重要指標[28]，故本文提取各角度影像的NDVI，并分析比較幾種典型地物的NDVI特征。水體是山地丘陵區主要地物之一，因其易與陰影區植被混淆，將其列為一類加以討論；而建筑用地則予以忽略。取5個不同角度影像之間的重合區域，在此區域中選取明亮區植被、陰影區植被、水體區各50個樣點，分別統計其影像各波段及NDVI的均值(本研究NDVI的取值區間為[-1,1])并予以比較(圖2和圖3)。試驗數據中明亮區、陰影區地物均以綠色植被為主。從圖2可以看出，明亮區植被的光譜曲線特征與綠色植被的理論光譜曲線相符；而位于陰影區的植被，其光譜曲線特征則有所差異，主要有三：①明亮區植被各波段光譜值普遍較陰影區植被高；②陰影區植被光譜曲線與明亮區植被相比，其光譜曲線發生一定程度的改變，主要表現為藍光波段光譜反射率高于綠光波段(圖2(a)和(e))，或綠光波段反射小峰特征不明顯(圖3(b)和(d))；③近紅外波段光譜反射率受削弱程度較大，光譜曲線普遍呈上升趨勢，但趨勢較為平緩。

(a)0° (b)36° (c)-36°

圖3 不同角度影像NDVI取值Fig.3 NDVI from different angle images

水體的光譜響應特征通常受水文狀況的影響，但其光譜曲線仍存在兩個基本特征：①水體區的光譜曲線總體上呈現下降趨勢，但在綠光波段有一個小的反射峰，之后持續下降，在近紅外波段，水體區的光譜值較陰影區植被高；②在紅光波段末段前，水體區光譜值與明亮區植被、陰影區植被相比均較大，水體區光譜曲線在紅光波段中段(B7—B9)與明亮區植被相交，之后水體的光譜值逐步下降，至近紅外波段末段處，其光譜值已與陰影區植被較為接近。根據圖3可知，植被為正值，而水體為負值；處于陰影區的植被，由于紅光波段與近紅外波段光譜信息均受削弱較多，故陰影區植被NDVI值與明亮區植被較為接近。水體的NDVI基本為負值；當水體遭受污染時，水體中的含沙量增加，導致水體反射率增高，水體與其他地物的可分性降低。

上述分析表明，PROBA/CHRIS高光譜數據中明亮區植被、陰影區植被、水體區的光譜特征與前述多光譜數據類似，故基于該影像構建NSVI指數具有理論可行性。然而，其對該影像陰影的檢測效果如何還有待驗證，且高光譜數據的特征波段選擇要比多光譜數據復雜。

2018年“雙十一”天貓熱銷店鋪排行TOP30榜單里，茅臺官方旗艦店繼續雄踞榜首，而張裕官方旗艦店則在葡萄酒店鋪排名中穩居第一位，實現2分鐘突破100萬元，1小時18分鐘突破1000萬元。截至“雙十一”當天22時30分，張裕電商銷售額達到2890萬元，逼近3000萬元大關。。

3.3 NSVI構建

試驗數據中含有部分建筑信息，本階段研究暫不考慮之，故先將其掩模。本研究基于IBI指數[29]提取該影像的建筑信息，但CHRIS影像的光譜范圍為可見光至近紅外，缺失中紅外波長，借助同時相Landsat8 OLI影像的近紅外波段與光譜匹配法對中紅外波段信息予以模擬。光譜匹配法是一種常見的根據像元之間光譜響應曲線本身的相似程度，從而探索其擬合關系的一種聚類分析，其思路為將已知的波段信息作為自變量，所求波段信息作為因變量，構建二者之間的回歸方程以實現對目標波段信息的求取[30]。

基于掩模后的PROBA/CHRIS影像及3.1中篩選的特征波長，計算影像NDVI(圖4)；再將計算結果依次代入式(1)和式(2)，由此構建出CHRIS影像的歸一化陰影植被指數NSVI(式(3))，據此提取該影像的NSVI(圖5)。為分析比較NSVI、NDVI的數據分布特征，分別統計繪制各角度影像兩個指數的直方圖，用以描述像元分布特征。圖4和圖5顯示，NDVI直方圖普遍呈現“左偏”分布，即當地面植被越來越茂密時，NDVI出現“易飽和”現象，無法實現同步增長[31]，這也是制約該指數提取效果的重要因素，反觀NSVI的期望值則相對集中均勻地分布于參考線兩側，故NSVI的正態性更為顯著。

(3)

(a)0°NDVI (b)36°NDVI (c)-36°NDVI (d)55°NDVI (e)-55°NDVI

(a)0°NSVI (b)36°NSVI (c)-36°NSVI (d)55°NSVI (e)-55°NSVI

為了進一步對該判定進行定量驗證，統計兩個指數的峰度與偏度。表2顯示，NSVI的峰度與偏度的絕對值均小于NDVI，其值均介于[-1,1]，由此進一步說明本文所構建的NSVI可拉大地物間的相對差異，使植被指數更接近正態分布，NSVI能夠更為真實地反映地表植被的實際情況。

表2 各角度影像NDVI與NSVI直方圖峰度與偏度對比Tab.2 Comparison of kurtosis and skewness of NDVI and NSVI gray histograms of various angle images

3.4 效果評價

3.4.1 分類精度評價

基于閾值法的分類，其精度往往受操作者閾值選取的主觀性影響，不同閾值下的地物分類精度不同。為了更為科學合理地確定各典型地物的NSVI閾值，獲取其最佳分類效果，本文采用步長法分別計算不同閾值下的分類精度，據此確定閾值區間。隨機生成300個點對不同閾值下的分類結果予以精度評估(圖6(a))，圖6(b)—(d)顯示，總分類精度—閾值、Kappa系數—閾值間均表現為隨著閾值的增大，精度評估指標呈現先上升后下降的開口向下的“拋物線”特征，據此即可確定分類效果最佳的閾值?；谒_定的明亮區植被、陰影區植被及水體區分類最佳閾值，提取5個角度影像的明亮區植被、陰影區植被及水體區信息(圖7)。表3顯示，0°影像的提取精度最佳，±36°次之，最后為±55°，但其分類精度均在94%以上，Kappa系數普遍在0.89以上(表4)，由此表明所構建的NSVI可有效區分明亮區植被、陰影區植被與水體區。隨著飛行天頂角的擴大，影像發生一定程度的畸變，質量較差且整體較為模糊，也會對陰影的檢測產生一定的影響。

(a)驗證點分布 (b)明亮區植被閾值選取 (c)陰影區植被閾值選取 (d)水體區閾值選取

(a)0° (b)36° (c)-36° (d)55° (e)-55°

表3 明亮區植被、陰影區植被及水體區分類最佳閾值確定Tab.3 Best threshold determining of bright vegetation area,shaded vegetation area and water area

表4 5個角度影像地物分類精度評估Tab.4 Accuracy assessment of different ground objects extracted from five angles

3.4.2 光譜差異增強效果評價

基于3.4.1的分類結果，利用掩模技術獲取3種地物各角度子影像(圖8)。圖8顯示，明亮區植被、陰影區植被、水體區的光譜均值有差異，這也是上述地物可分及陰影識別的基礎。但是，如果考慮標準差指標則會發現，地物間的光譜重疊現象較為明顯，“同物異譜”與“異物同譜”現象仍然較廣泛存在。由此可見，NSVI增強了典型地物間的光譜差異，將CHRIS影像中原始光譜混淆的像元進行了有效解譯，提高了光譜混淆像元的可分性。由此進一步證明了本研究基于CHRIS影像所構建的NSVI具備該影像的陰影檢測能力。

(a)0° (b)36° (c)-36°

(d)55° (e)-55°

4 討論

為了驗證NSVI對陰影檢測的有效性，本研究選取常見的陰影指數：歸一化陰影指數(normalized different umbra index，NDUI)和陰影指數(shadow index，SI)對上述研究區進行陰影檢測，公式如下：

NDUI=(S-I)/(S+I)，

(4)

(5)

(6)

對計算結果采用閾值法，選取合適的閾值。為了評價三種指數對陰影區域的檢測效果，將分類結果二值化處理為陰影區與非陰影區(圖9)，采用上述驗證點對實驗結果進行統計，結果如圖10所示。

(a)NDUI0° (b)NDUI36° (c)NDUI-36° (d)NDUI55° (e)NDUI-55°

圖10 不同方法陰影檢測比較Fig.10 Comparison of different shadow detection methods

不難發現，較本文所實驗的NSVI指數而言，SI和NDUI的陰影檢測結果精度均較低，其檢測精度由高到低分別為：NSVI指數>NDUI指數>SI指數，主要原因出現在以下3個方面：①SI和NDUI指數均運用到了HIS色彩變幻的方法，常見的色彩變幻方法主要是運用遙感影像的可見光波段進行運算，而本文所涉及的高光譜遙感影像的波長范圍卻在藍光波段的波長范圍之外，故本文使用標準假彩色，即將近紅外波段置于紅光通道，紅光波段置于綠光通道，綠光波段置于藍光通道進行計算，故結果可能較使用原始可見光波段而言略有差異[32]；②無論如何選取閾值，SI和NDUI都無法避免提取出水體的狀況，是因為遙感影像中水體區的飽和度和強度與陰影區差異不明顯，故僅使用這二者進行計算無法有效甄別水體區與陰影區，從而導致結果精度下降(表5中水體區域)；③陰影區植被和明亮區植被的差異主要體現于近紅外范圍內，上述兩種方法雖然在計算時使用了近紅外波段，但是這種差異沒有被擴大，導致部分陰影區植被由于亮度不夠深出現與明亮區植被混淆的情況(表5中多陰影區域)。

表5 不同區域陰影檢測結果放大Tab.5 Shadow detection results in different areas are enlarged

NSVI基于SVI歸一化實現，而SVI由NDVI與NIR相乘而得。目前，已有學者將其應用于對細小水體的提取[33]，Wang等[34]還用其實現光合作用與總初級生產力的估算。由此可見，NSVI有較為廣泛的應用潛力，值得我們進一步研究發現。

隨著高光譜遙感技術在森林監測方面的快速發展和廣泛應用，使森林類型精準識別、森林冠層生化組分遙感反演和生物多樣性監測成為可能。然而，遙感影像上的陰影區域一直是制約高光譜遙感對地物精準識別的重要因素。一方面，陰影造成遙感影像信息失真，對圖像配準、圖像分割特征提取和目標變化檢測等影像處理造成嚴重影響。另一方面，陰影是遙感影像的特征之一，陰影可以用來提取地物的三維信息，如山體、建筑物的高度等。因此，陰影檢測是陰影去除、補償及利用的重要前提，提高陰影檢測精度具有重要意義。

5 結論

本文針對遙感影像上普遍存在的陰影問題，通過擴大陰影區植被與明亮區植被、水體區之間的差異，構建了基于PROBA/CHRIS影像的歸一化陰影植被指數NSVI，并檢驗該指數的有效性。

1)利用SPA對影像光譜數據進行明亮區植被、陰影區植被、水體區敏感特征篩選，于RMSE最小時選出B3，B9，B15作為敏感特征波段。綜合考慮RMSE、各波段和光譜邊緣的算法特征后，將B9和B15作為構建CHRIS影像NSVI紅光和近紅外的特征波段。

2)基于NSVI閾值法對CHRIS各角度影像予以分類，結果表明，各角度影像明亮區植被、陰影區植被、水體區3種地物的分類精度均在94%以上，總Kappa均大于0.89，其中0°影像的分類效果最佳，分類精度為96.33%，總Kappa為0.938 2。

3)為進一步分析NSVI的有效性，掩模出各典型地物的子影像，統計均值和標準差指標并予以比較分析。結果表明，明亮區植被、陰影區植被、水體區的光譜均值有差異，但如果考慮標準差指標則會發現，地物間的光譜重疊現象較為明顯。NSVI增強了典型地物間的光譜差異，將CHRIS影像中原始光譜混淆的像元進行了有效解譯，提高了光譜混淆像元的可分性。

多角度遙感作為一種新的觀測方式，是在傳統光學單角度觀測的模式下，增加了角度維的信息，正因為觀測角度的差異，才有可能觀測到森林場景中的樹干部分以及不同位置的陰影量，這為反演森林的樹高和生物量的空間結構信息提供了可能。PROBA/CHRIS作為目前世界上唯一可以同時獲取高光譜和多角度數據的星載傳感器，它不但有5種工作模式，而且空間分辨率較高，光譜范圍寬，在生物物理、生物化學方面可作為重要的信息來源。此外，該遙感數據可一次性獲取同一地點5個不同角度的成像，在估測植被或森林冠層結構、葉面積指數反演等研究中十分有用。為此，深入解析基于該影像源的陰影檢測方法具有一定的研究意義。

綜上所述，本文基于PROBA/CHRIS多角度高光譜影像所構建的歸一化陰影植被指數NSVI，具備較強的陰影檢測能力，能夠應用于該影像的陰影檢測，并可為該影像的陰影去除及陰影信息修復等工作提供重要支持。