K-T变换增强实验与应用（缨帽变换）变换增强实验与应用（缨帽变换）1；. •一、一、 K-T变换的概念变换的概念•K-T变换(K-T transform) • 即坎斯一托马斯变换(Kanth-Th0-milstransform)、又称缨帽变换(tasseHed captransform)根据多光谱遥感中土壤、植被等信息在多维光谱空间中信息分布结构对图像做的经验性线性正交变换是一种经验性的多波段图像的线性变换,是Kauth和Thomas ( 1976)在研究M SS图像反映农作物和植被的生长过程时提出的在研究过程中他们发现M SS四个波段组成的四维空间中,植被的光谱数据点呈规律性分布,像缨帽状,因此将这种变换命名为缨帽变换2；. 变换模型变换模型X——变换前多光谱空间的像元矢量；Y——变换后多光谱空间的像元矢量；c——变换矩阵， a——避免出现负值所加的常数转换系数转换系数K-T变换是一种特殊的变换是一种特殊的PCA变换，其转换系数是固定的，独立于单个图变换，其转换系数是固定的，独立于单个图像，不同图像产生的结果可以进行比较像，不同图像产生的结果可以进行比较3；. K-T变换变换MSS的转换系数的转换系数y1y1—亮度分量（土壤亮度指数，亮度分量（土壤亮度指数，Soil BrightnessSoil Brightness），主要反映土壤反射率），主要反映土壤反射率变化的信息；变化的信息；y2y2—绿度分量（绿度指数，绿度分量（绿度指数，GreennessGreenness），反映地面植被的绿度；），反映地面植被的绿度；y3y3—黄度分量（黄度指数，黄度分量（黄度指数，Yellow StuffYellow Stuff），植被的枯萎程度；），植被的枯萎程度；y4y4—噪声，无实际意义。
噪声，无实际意义注意：对不同地区特点和传感器，注意：对不同地区特点和传感器，系数是调整变化的，系数是调整变化的，y1y1，，y2y2集集中了中了95%95%或更多的信息或更多的信息4；. y1y1—亮度分量（亮度分量（TMTM六个波段分量的加权和，反映了总体的亮度变化）；六个波段分量的加权和，反映了总体的亮度变化）；y2y2—绿度分量（与亮度分量垂直，是近红外与可见光波段的比值，反映可绿度分量（与亮度分量垂直，是近红外与可见光波段的比值，反映可见光波段特别是红光波段与近红外波段之间的对比）见光波段特别是红光波段与近红外波段之间的对比）y3y3—湿度分量（与土壤湿度有关，反映可见光与近红外波段及红外湿度分量（与土壤湿度有关，反映可见光与近红外波段及红外5 5、、7 7波波段的差值，而段的差值，而5 5、、7 7波段对土壤和植被的湿度最为敏感）波段对土壤和植被的湿度最为敏感）注意：对不同地区特点和传注意：对不同地区特点和传感器，系数是调整变化的感器，系数是调整变化的K-T变换变换TM的转换系数的转换系数5；. 对于对于TMTM图像而言，可见光图像而言，可见光- -红外六个波段数据蕴含着很丰富的信息，经红外六个波段数据蕴含着很丰富的信息，经K-TK-T变换的变换的前三个分量主要反映土壤亮度（前三个分量主要反映土壤亮度（BIBI）、绿度（）、绿度（GVIGVI）和湿度（）和湿度（WIWI），第四分量），第四分量为噪声。
为噪声以以LANDSAT5LANDSAT5为例，可表示为：为例，可表示为：TMTM变换是以各波段的辐射亮度值作为变量，这些亮度值中包含了太阳辐射、大气变换是以各波段的辐射亮度值作为变量，这些亮度值中包含了太阳辐射、大气辐射、环境辐射等多因素的综合信息因此，辐射、环境辐射等多因素的综合信息因此，K-TK-T变换所得到的数值和图形，变换所得到的数值和图形，受大气纯度、光照角度等外界的变化而波动受大气纯度、光照角度等外界的变化而波动6；. •二、二、 K-T变换的基本思想变换的基本思想•该变换的基本思想是：多波段(N波段)图像可以看作是N维空间，海一个象元都是N维空间中的一个点，其位置取决于象元在各个波段上的数值专家的研究表明，植被信息可以通过3个数据轴(亮度轴、绿度轴、湿度轴)来确定，而这3个轴的信息可以通过简单的线性计算和数据空间旋转获得，当然还需要定义相关的转换系数；同时，这种族转与传感器有关，因而还需要确定传感器类型•三、缨帽变换的基本原理三、缨帽变换的基本原理•缨帽变换数学表达式如公式所示7；. •其中R是缨帽变换系数, x代表不同波段的灰度值, r表示常数偏移量,是为避免在变换过程中出现负值。
u表示缨帽变换后不同的波段的灰度值经过缨帽变换可以得到与波段数相同的几个分量,其中前三个分量与地面景物密切相关第一分量为亮度指数,反映了地物总体反射率的综合效果;第二分量为绿度指数,与地面植被覆盖、叶面积指数及生物量有很大关系;第三分量为湿度指数,反映了地面水分条件,特别是土壤的湿度状态其余分量为黄度指数及噪声8；. •缨帽变换是一种特殊的主成分分析,和主成分分析不同的是其转换系数是固定的,因此它独立于单个图像,不同图像产生的土壤亮度和绿度可以相互比较随着植被生长,在绿度图像上的信息增强,土壤亮度上的信息减弱;当植被成熟和逐渐凋落时,其在绿色度图像特征减少,在黄度上的信息增强这种解释可以应用于不同区域上的不同植被和作物缨帽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四、技术路线四、技术路线•缨帽变换是针对植被信息提取的影像增强方法,是9；. 全球性的植被指数它使坐标空间发生旋转,旋转后的坐标轴指向与地面景物有密切的关系的方向,特别是与植物生长过程和土壤有关针对缨帽变换的这个特点,本文提出了基于缨帽变换的遥感图像融合方法,并将其应用于城市绿地信息的提取中。
基于缨帽变换的遥感图像融合步骤如下:•①将多光谱图像与高分辨率全色图像进行精确配准;•②利用缨帽变换系数对多光谱图像进行缨帽变换;分别得到:第一分量 “亮度指数 ”、第二分量 “绿度指数 ”、第三分量 “湿度指数 ”、第四分量 “黄度指数及噪声 ”;10；. •③将高分辨率全色图像与多光谱图像缨帽变换后的第一分量进行直方图匹配,使这两副图像的均值和方差一致;•④用匹配过的高分辨率全色图像代替多光谱图像缨帽变换后的第一分量;•⑤利用替换过的第一分量与其他分量进行缨帽逆变换,还原到RGB空间,得到空间分辨率提高的多光谱融合图像•五、实验五、实验•在ERDAS图标面板菜单条，单击Main | Image Interpreter | Spectral Enhancement | Tasseled Cap命令，打开Tasseled Cap对话框如图所示：11；. 12；. •在Tasseled Cap对话框中，需要设置下列参数：•（1）确定输入文件为lanier.img•（2）定义输出文件为tasseled.img•（3）文件坐标类型为Map•（4）处理范围确定，在ULX/Y、LRX/Y微调框中输入需要的数值。
•（5）若需输出数据拉伸到0~255，选中Stretch to Unsigned 8 bit 复选框•（6）若需输出数据统计时忽略零值，选中Ignore Zero in Stats复选框13；. •（7)定义相关系数，单击Set Coefficients按钮•（8）打开Tasseled Cap Coefficients对话框•（9）首先确定传感器类型为Landsat 5 TM•（10）定义相关系数，可利用系数默认值•（11）单击OK,执行缨帽变换14；. 15；. 16；. •六、六、K-T变换的应用变换的应用•1、、在森林蓄积量估算中的应用•就 K-T变换的特征空间而言,其林学意义是很明确的,森林具有较高的绿度、湿度和较低 的亮度,它们在光谱空间具有相对稳定的位置,利用这一特殊性质,即可用反射光谱描述森林的林学意义及其环境特征以浙江省临安县森林蓄积量的遥感估算模型为例•在图像处理系统上,将TM、CCT数据进行几何校正、与公里网配准后,输出样地点及其邻点的像元亮度值经均衡化处理、地形辐射校正、K-T换后,输人式得出各样地点蓄积量的计算值整个工作流程见图17；. 18；. •对比蓄积量计算值与实测值发现, 除少数点外, 60% 的计算值计算误差小于1.0m3,各类型计算误差均小于15%, 平均小于10.5%,, 蓄积量估算精度在90%左右,,结果较为理想。
•2、K-T 变换在监测小麦地表参数中的应用•K-T 变换成功地建立了光谱综合信息与地表物理参数间的联系[, 并被广泛用于蓄积量计算、遥感影像融合、分类等方面 , 但K-T 变换在土壤湿度、等效水厚度和叶面积指数等地表参数反演中的应用研究尚少. 以K-T 变换的绿度( Greenness) 、湿度( Wetness) 分量为变量反演小麦地表土壤湿度、等效水厚度和叶面积指数, 并利用TM 和MODIS 数据分析不同尺度下的地表参数反演结果,最后比较了K-T 变换与3 种常用指数的小麦地表参数反演力 19；. •在不同的分辨率尺度下利用K-T 变换的绿度、湿度分量反演了冬小麦抽穗期的几个重要地表参数, 相比NDVI、NDWI、EVI 等植被指数具有更好的监测精度T M 数据监测地表参数精度好于MODIS 数据, 因为T M 数据空间分辨率更高, 但MODIS 具有更高的时间分辨率且更有利于大范围监测, 因此选取合适的空间或时间尺度分辨率遥感影像做K-T 变换提取的绿度、湿度分量更有利于地表参数反演和农作物长势监测•3、基于K-T 变换的地表水体信息遥感自动提取模型•传统的水体提取方法阈值法和谱间关系法对于水体和云体阴影难以区别，影响提取精度。
20；. •为建立一种能精确提取水体并且能够消除各种云体阴影影响的模型，对所研究的图像先进行K-T 变换，再利用新生成的6 个波段建立水体信息提取模型结果表明: 只有水体( Water) 的波谱曲线具有W 型的独特特征，建立的水体提取模型Greenness〈Wetness〉Fourth 不但可消除云体阴影，而且可高精度地提取地表水体21；. 22；. •在借鉴了前人研究成果的基础上，先对图像进行K-T 变换，再在新生成的6 个波段上应用谱间关系法，发现水体( Water) 在K-T 变换新生成的6 个波段上具有W 型的特征由于只有水体具有Greenness〈Wetness〉Fourth 特征，而阴影和其他地物都不具有该特征，故建立地表水体信息自动提取的模型为Greenness〈Wetness〉Fourth应用Greenness〈Wetness〉Fourth 模型自动提取地表水体，具有以下特点•1) 方法简单，K-T 变换操作简便易行，在ENVI中或在EDARS 中均可以实现;•2) 完全是计算机自动化提取地表水体，避免了一些提取方法中人工找K 值( K 为指定特征值) 的过程;23；. •3) 有效地消除了山体阴影以及云体阴影对水体提取精度的影响;•4) 应用此模型自动提取的水体，如河流、湖泊、水泡、水田等，其自动提取结果与目视解译结果基本一致，混合像元是影响提取精度的主要因素。
•5) 此模型可应用于多数TM 图像，但不排除某些TM 图像中一些非水体地物K-T 变换后具有W型具有相同特征的可能•4、基于K - T变换的NDVI提取方法研究•将基于K - T变换提取的NDV I结果与直接在TM影像上提取的NDV I结果进行比较实验结果表明,基于K - T变换的NDV I提取方法得到的结果图像纹理清晰、光谱保持能力强,对于区域植被覆盖信息提取,24；. •进而对生态环境变化、荒漠化等研究具有较重要的意义•在影像处理上采用缨帽(K - T)变换方法,它是针对植物学家所关心的植被图像特征,在植被研究中将图像数据结构轴进行旋转,优化图像数据显示效果,能够准确、细致反应植被信息的一种分析方法以大庆市为例,运用ERDAS遥感图像处理软件进行图像处理及提取NDV I25；. 26；. •对遥感影像进行缨帽变换处理,不仅能提高植被的判别效果,而且突出了背景地物及纹理特征, 对植被的监测起到很好的作用可见对归一化植被指数的提取是监测植被动态变化的一种重要方法,不仅在计算NDV I时可以利用以上方法,在计算其他诸如RVI,SAVI等植被指数时,同样也可以运用•总结总结•从前述分析可以认为:基于缨帽变换的图像融合算法能很好地区分城市间地物,特别是在零星绿地提取中有显著效果,突出了细小地物。
融合后图像植被与建筑物之间的边界清晰,结构完整,有较好的光谱保持能力,而且零星绿地与周围建筑物对比明显,27；. •最适合于城市植被信息的提取实验结果表明,无论是从目视解译还是从定量指标方面,本文方法在城市绿地信息提取中都要优于其他方法另外,基于缨帽变换的遥感图像融合方法虽然能够很好地区分建筑物与植被,并且对于城区零星绿地信息提取也有着显著优势,但是该方法不能很好地区分不同的植被种类,使得得到的融合图像不能在植被分类等研究中应用28；. 。