基于不同数据源的土地利用变化遥感动态监测方法

李翔宇 樊彦国

（中国石油大学地球资源与信息学院，山东东营，257061）

摘要：本文从所拥有的遥感数据源的可能情况出发，分别介绍了各种情况下利用遥感进行土地利用变化动态监测的方法，分析了其优势和劣势。

关键词：遥感；土地利用变化；动态监测；方法

1 引言

我国是一个人多地少的国家，土地是我们赖以生存的资源。建立土地动态监测系统以快速准确地提供各类土地资源面积及其分布、土地资源动态变化状况及土地资源生态环境信息是十分必要的，这样可以保证我国在科学翔实的资料基础上对土地资源进行科学的规划及合理的利用，实现土地资源的可持续健康发展。可是传统的统计或实地调查方式，耗时耗力，劳民伤财，并且难以适应土地利用的快速变化，而遥感可以提供及时准确且覆盖面广的地面影像资料，并且周期短、信息量大，通过后期的分析、处理、比较，可以使人们迅速准确地掌握土地利用变化的详细信息，即实现土地利用的动态监测。现在，遥感技术已成为进行土地利用变化动态监测的重要手段。

基于遥感影像的土地利用变化监测方法大致可分为两类：光谱直接比较法和分类结果比较法。多数变化提取算法属于前一种，主要包括影像差值法、比值法、主成分分析法和变化矢量分析法等，这些算法直接通过两时相数据的光谱差异确定变化发生的区域，但不能得出变化图斑的类型；后一种方法通过对各自时相的数据进行土地利用分类，通过对两个分类结果的比较提取变化信息，但其精度受两时相数据分类精度的制约。实际操作中可以根据所持有数据源的不同而采用相应的方法。

2 基于单一传感器的土地利用变化监测方法

21 基于单一传感器多时相遥感影像

当遥感数据源为单一传感器但可以获得多时相遥感影像时，可以考虑以下几种方法。

211 单变量图像差值法［1］

单变量图像差值法比较简单，是使用最广泛的一种探测方法。它是将两个时相的遥感图像按波段进行逐像元相减，从而生成一幅新的代表二时相间光谱变化的差值图像。辐射值的显著变化代表了土地覆盖变化，在差值图像中接近于零的像元就被看做是未变化的，而那些大于或小于零的像元表示其覆盖状况发生了某种变化，从而设定适当的阈值就可以把变化信息提取出来。

212 图像比值法［1，2］

比值处理被认为是辨识变化区域相对较快的手段。它是对于两个时相多谱段数据中同名像元的光谱灰度值施以除法运算。显然，经过辐射配准后，在图像中未发生变化的像元其比值应近似为1，而对于变化像元而言，比值将明显高于或低于1。比值法可以部分地消除阴影影响，突出某些地物间的反差，具有一定的图像增强作用。

213 图像回归法［1］

图像回归法是首先假定时相Ⅰ的像元值是另一时相Ⅱ像元值的一个线性函数，通过最小二乘法来进行回归，然后再用回归方程计算出的预测值来减去时相Ⅰ的原始像元值，从而获得两时相的回归残差图像。

214 植被指数差值法［2］

植被指数差值法是用近红外与红光波段间的比值（植被指数）代替原始波段作为输入数据进行差值运算来生成变化图像。由于植物普遍对红光强烈吸收和对近红外光强烈反射，因此红光和近红外波段之间的比值有利于提高光谱差异。

215 主成分分析法［3］

（1）差异主成分法 两时相的影像经纠正、配准之后，先对影像作相差取绝对值处理，从而得到一个差值影像。差值影像作主成分变换之后的第一分量应该集中了该影像的主要信息，即原两时相影像的主要差异信息。这个分量可以被认为是变化信息而被提取出来，从而生成变化模板，作为指导下一步变化类型确认和边界确定的参考信息。

（2）多波段主成分变换 由遥感理论可得知，地物属性发生变化，必将导致其在影像某几个波段上的值发生变化，所以只要找出两时相影像中对应波段上值的差别并确定这些差别的范围，便可发现土地利用变化信息。在具体试验中将两时相的影像各波段进行组合，成一个两倍于原影像波段数的新影像，对该影像作主成分变换。由于变换结果前几个分量上集中了两个影像的主要信息，而后几个分量则反映出了两影像的差别信息，因此可以抽取后几个分量进行波段组合来产生出变化信息。一般说来，在上述多波段主成分变换之后，采用0、1、2分量进行波段组合能较好地反映出新旧时相影像的变化部分。

（3）主成分差异法 本方法和差异主成分方法所不同之处在于影像作主成分变换与差值处理的顺序不一样。要求先对两时相的影像作主成分变换，然后对变换结果作差值，取差值的绝对值为处理结果。在实际的试验中，两时相影像作主成分变换后相差的第一分量已经涵盖了几乎所有的变化信息。因此，可以认为这一分量属于影像的变化信息。

216 变化向量分析法［1］

由于多时相遥感数据中任一像元矢量都可用多维测量空间中的一个点来表示（空间的维数等于原始波段数），通过对不同时相下的同名像元矢量进行相减所得到的变化矢量就可以用于描述该像元第一时相 t1 到第二时相 t2 期间在多维空间中所发生的位置变化。其中变化矢量的模代表了变化的强度，而方向则指示了发生变化的类型。设时相 t1、t2 图像的像元灰度矢量分别为 G＝（g1，g2，…，gk）T 和H＝（h1，h2，…，hk）T，则变化矢量为：ΔG＝G －H。ΔG 包含了两幅图像中所有变化信息。变化强度由变化矢量的模||ΔG||决定，||ΔG||越大，表明图像的差异越大，变化发生的可能性越大。因此，提取变化和非变化像元，可根据变化强度||ΔG||的大小设定阈值来实现，即像元||ΔG||超过某一阈值时，即可判定为土地利用类型发生变化的像元；而变化的类型，可由ΔG的指向确定。

这种方法利用多频段信息，在提取变化位置的同时可以得到变化类型信息，是一种较理想的算法。当然，要用好变化向量分析法还取决于分析过程中变化/未变化阈值是否取值合理以及相关分类方法是否适当。

217 分类后比较法

分类后比较法是对两期遥感影像进行监督或非监督分类，然后比较在各图像系列同一位置上的分类结果，进而确定土地利用类型变化的位置和所属类型。该方法可直接获得变化类型信息，但如何选择合适的分类方法提高分类精度是准确获得变化信息类型的关键。

211至216均属于光谱直接比较法，此方法对变化比较敏感，可以避免分类过程所导致的误差，但需要进行严格的辐射标准化，排除大气状况、太阳高度角、土壤湿度、物候等“噪声”因素对图像光谱的影响，由于目前对各种干扰（尤其是物候）导致的辐射差异的校正方法仍不成熟，因此，只能通过选择同一传感器、同一季相的数据来尽可能减小“噪声”。同时光谱直接比较法只注重变化像元的提取，而不能提供变化中土地类型的转化信息（如地类属性）。与之相对照，分类后比较法对辐射纠正要求相对较低，适用于不同传感器、不同季相的数据的比较，同时该方法不仅可以提供变化信息，而且还能够给出各时期的土地利用类型信息。但这种方法的最终精度受到影像分类精度的限制，而且它对影像的全部范围都要进行分类计算而不管它们是否已经发生变化，这样无疑大大增加了变化信息检测的计算量。

在目前的土地利用遥感监测研究中，结合光谱直接比较法和分类后比较法的混合动态监测方法逐渐受到重视，并有了一些成功的案例研究。Jenson 通过对湿地变化的动态监测研究表明：先利用光谱直接比较探测变化区，再进行图像分类确定变化类型的混合法是一种非常有效的变化检测方法［4］；Macleod和Congalton的研究也表明以差值法为基础的混合动态监测法优于传统分类后比较法［5］。这样可以集两者之所长，取得更好的监测效果。

22 基于单一传感器单时相遥感影像

无论是光谱直接比较法还是分类后比较法都是基于多个时相的遥感影像来进行土地利用变化监测。而当前期遥感影像无法或者难以获得的情况下，依靠后期的单时相遥感影像与前期的土地利用现状图也可以进行动态监测，这就是采用将土地利用现状图叠加在遥感图像上的方法来监测土地利用变化情况［6］。具体说来，是利用土地利用现状图中不变的明显地物标志（如线状地物交叉点）作为控制点对遥感图像进行配准，然后将土地现状图叠加再校正后的遥感图像上，检查各图斑是否吻合，若图斑的角点有偏移，则发生变化。可通过遥感图像辨识当前的土地利用类型，而土地利用现状图含有先期的土地利用类型信息，所以可以比较容易地辨识土地利用类型的变更情况，并可测算出变化图斑的面积。若其中有不能确定的图斑，可以辅以外业调查，以提高监测精度。

3 基于多源遥感的土地利用变化信息监测方法

不同传感器都具有各自的优势，获得的图像各有所长，如美国陆地卫星（Landsat）TM图像光谱信息丰富；法国SPOT卫星图像具有全色通道而空间分辨率高；SAR图像不受光照条件的影响而且几乎不受大气和云层的干涉，可用于探测地物的复介电常数和表面的粗糙度等等。利用不同传感器的多源遥感影像进行融合，可以使其优势互补，在此基础上的土地利用变化动态监测已成为国际遥感界研究的主题之一。以TM影像和SPOT影像为例，目前应用多光谱TM和全色SPOT数据融合的方法主要有LAB变换、HIS变换、线性复合与乘积运算、比值运算、BROVEY 变换、高通滤波变换（HPH）和主成分分析（PCA）等方法［7］，经上述算法融合后的图像可以有效地同时保留SPOT高分辨率图像的精细纹理和TM多光谱图像的丰富色彩信息，从而有利于提高图像的空间分辨率和光谱分辨率，为发生变化的地类图斑的提取提供良好的数据源基础。

31 光谱特征变异法［8］

针对基于多源遥感的土地利用变化监测，变化信息的提取方法除了21所述方法之外还可以选择光谱特征变异法。

同一地物反映在SPOT影像上的信息是与其反映在TM影像上的光谱信息一一对应的。因此作TM和SPOT影像融合时，才能如实地显示出地物的正确光谱属性。但如果两者信息表现为不一致时，那么融合后影像的光谱就表现得与正常地物有所差别，此时就称地物发生了光谱特征变异（例如同一位置，前期在遥感影像上呈现为绿色的麦地，后期新修道路在影像上呈现较亮的灰度，那么叠加之后会呈现一条绿色的道路，与正常地物相异），这部分影像在整个的影像范围内是不正常和不协调的，这些地物可以通过影像判读的方法勾绘出来，这种变化信息提取的方法具有物理意义明显、简洁的特点。但是经过试验发现，发生光谱特征变异的地物在几何尺寸上要足够的大才能被人工目视发现。此外，该方法的效率还受到被监测区地物光谱特性的限制。

32 变化信息提取方法的选择

根据土地利用动态监测项目所获取的数据源，可将遥感数据组合分为下述几种类型，针对不同的类型要采取相应的方法以获取较好的效果。

321 具有两时相的 TM 和 SPOT 数据

这种情况是最好的。在该条件下，先对两时相的数据以某一纠正后的TM或SPOT影像（首先处理TM还是SPOT视数据的具体情况而定，原则是利于TM和SPOT数据的配准融合处理）为参考分别作纠正和配准处理，为保留并结合原始数据中纹理信息和光谱信息要融合相对应的TM和SPOT影像，在两时相融合影像的基础上采用主成分差异的方法来提取变化信息。另外还可以用新时相的 SPOT 影像与旧时相的 TM 影像进行融合生成光谱特征变异影像来指导发现变化的区域。

322 具有两时相的 TM 和一个时相的 SPOT 数据

在此数据源的基础上，首先仍对某一时相的TM或SPOT数据作纠正处理，然后将其他时相的TM和SPOT数据都统一以这个纠正后的TM （SPOT）为参考影像作影像到影像的纠正和配准。之后，选择光谱特征变异的方法来寻找大部分的变化信息，借助于两时相的TM影像确认变化；此外，利用主成分分析的办法对两时相的TM数据进行处理，得到变化信息模板，将模板叠置在判读影像上补充单一方法进行变化提取的遗漏。

323 具有两时相的 SPOT 和一个时相的 TM 数据

通常，前面的数据预处理纠正配准部分同322相同，然后对其中交错时相的TM和SPOT数据进行融合得到光谱特征变异影像，借助于两时相的SPOT数据发现影像中纹理信息的变化，从而辅助提取影像中的变化信息部分。除此之外，两时相的SPOT影像数据理论上说，可以直接作比较得到变化的部分，但是由于成像条件的不同，这样直接比较的方法会导致产生很多伪变化信息，干扰了真正变化部分的提取。因此，首先要对原始SPOT影像进行去噪及辐射校正等预处理，然后才能用来提取变化的信息。

324 具有单时相的 SPOT 影像和另一时相 TM 影像的数据

首先要对SPOT和TM数据进行纠正处理，然后利用纠正后的SPOT和另一时相TM影像融合得到光谱特征变异影像，并以此作为判读变化信息的主要参考数据。此外，单时相的SPOT数据可以作为新增波段加入到原始的 TM 数据中去进行主成分分析来提取变化的信息，辅助发现漏判的变化图斑。

利用遥感进行土地利用动态监测的方法非常多，这些方法各有自己的优势和劣势，实际工作中，要针对所拥有的数据源的情况，综合各方面要求来选择合适的方法，也可以综合几种方法取长补短以达到更好的监测效果。至于如何更有效地识别土地变化的类型以及如何提高分类的精度仍有很大的研究空间。

参考文献

［1］卢珏土地利用动态监测变化信息提取算法评估［J］湖北农学院学报，2002，22 （5）：394～396

［2］张银辉，赵庚星试论土地利用遥感动态监测技术方法［J］国土资源管理，2001，18 （3）：15～18

［3］杨贵军，武文波，陈步尚，夏春林土地利用动态遥感监测中变化信息的提取方法［J］东北测绘，2003，26 （1）：18～21

［4］Jensen J R，Cowen D J，Narumalani S，et alAn evaluation of coast watch change detection protocol in South Carolina ［J］Photogram metric Engineering and Remote Sensing，1993，59 （6）：1039～1046

［5］Macleod R D，Congalton R GA quantitative comparison of change-detection algorithms for monitoring eelgrass from remotely sensed data ［J］Photogram metric Engineering and Remote Sensing，1998，64 （3）：207～216

［6］吴连喜，严泰来，张玮，薛天民，程昌秀土地利用现状图与遥感图像叠加进行土地利用变更监测［J］农业工程学报，2001，17 （6）：156～160

［7］张炳智，张继闲，张丽土地利用动态遥感监测中变化信息提取方法的研究［J］测绘科学，2000，25 （3）：46～50

获得了新的遥感光谱数据，就必须在原有图像处理技术的基础上改进或发展新的方法，以便更好的利用光谱数据并挖掘新的信息。遥感图像的处理一般分为4个部分：图像恢复、图像增强、图像复合和图像分类。图像恢复处理是指纠正和补偿成像过程中的辐射失真、几何畸变、各种噪声以及高频信息的损失。属于预处理的范畴，一般包括辐射纠正、几何纠正、正切纠正、去条带、数字放大和镶嵌等，是一般遥感图像处理的第一步；图像增强处理，也称为图像信息提取，是指通过某种数学变换，扩大图像中地物间的灰度差别，以突出主要目标信息或改善图像的视觉效果，提高解译者的判别能力或直接识别地物，这是遥感应用图像处理中最为重要的一个方面。因为它不仅要理解图像的形成机制，更可以靠研究目标的光谱、空间特性来达到图像目标信息提取的目的，获得所需信息，所以这一方面的方法很多，主要包括反差增强、彩色增强、运算增强、变换增强等方法。图像复合处理，也称多元信息复合，是遥感应用中最为有效的一种形式，也是今后遥感与地理信息系统和其他应用学科数据综合应用解决实际问题的唯一途径。这里的多元是指多种遥感数据源和非遥感数据源，多元信息复合就是将同一地区各种不同来源的数字图像和其他类型的数据按统一的地理坐标作空间配准叠合，以进行不同数据信息源之间的对比或综合分析，达到揭示地物或现象的本质；从而，解决实际问题的目的。实现的途径大致有两种：一是先将各种数据源数据分别进行处理，然后再进行叠合对比分析；二是将遥感数据的各个通道和其他数据源数据分别当作处理时的变量，进行统一处理，最后综合分析；图像分类处理是指对多波段遥感数据，根据其象元在多维波谱空间的分布特征，按照一定的统计决策标准，由计算机划分和识别出不同的波谱集群类型，从而实现目标的自动分类和识别。根据分类前是否需要给出已知类的训练象元，又分为监督和非监督分类两种。非监督分类计算简单，容易实现，但精度较差。监督分类计算复杂，但精度较高，一般适用于已知类训练象元和要求精度较高并给出每一象元类别属性的情形下。由于应用领域的不同，针对的目标对象不同，可发展出一些适合于特定对象的图像分类方法。

朱亮璞教授将遥感数字图像处理的过程和各部分内容的关系表达成图4-1的形式，简单易懂，言简意赅。下面将着重介绍一下其中的两个重要环节：遥感图像信息提取和分类。

为了获得目标体的信息，常常要对遥感图像进行干扰信息的压抑和排除，突出有用信息，这时就需要用到图像信息增强和提取的方法。一般的，可将这些方法分为基于光谱特征反射率强度差异、基于光谱特征反射率变化规律的差异、其他3大类。

图4-1 遥感图像处理基本流程

1基于光谱特征反射率强度差异的信息提取方法

（1）反差增强

反差增强也称反差扩展或拉伸增强，是一种通过扩展或拉伸图像的灰度值（象元光谱特征反射率）分布，使之占满整个动态范围（0～255），以达到扩大地物间灰度差异，分辨出尽可能多的灰阶的一种处理技术。遥感图像的灰度值分布，一般可以用一幅图像中不同灰阶象元的频率直方图来表示，它的分布形态基本上代表了图像在这一波段的地物区分能力和灰度值分布的动态范围。反差增强就是要改变图像象元的灰度值频率直方图的分布，使之扩大灰度值的动态范围，达到增强信息的目的。它针对的处理对象是图像的单个波段。简单地用函数关系表达，反差增强即为：

y=f（x） （4-1）

式中：Y代表增强后图像中象元的灰度值；x代表原始输入图像中象元的灰度值：函数f代表增强的方式，根据f的不同可以有不同类型的增强方式（如图4-2所示）。在处理方法上有两种：一是使用函数变换对图像中的每个象元点进行变换处理，常用于有确定增强对象（地物目标）的情况下；二是改变图像中象元间的灰度结构关系，即通过直方图调整改变图像的灰度结构，如常见的直方图均衡化。

图4-2 几种不同的反差增强方法

（2）彩色增强

人眼区分色彩的能力比区分单纯黑白灰阶要强的许多，因此利用彩色增强来突出和显示地物有其明显的优势。彩色增强一般分为两种：一是对单波段的伪彩色增强；二是对多波段的假彩色合成。单波段的伪彩色增强常用的方法有：①彩色密度分割；②灰度级-彩色变换。彩色密度分割法基本做法是：依据所要表现的目标地物的灰度值（象元光谱反射率），将单波段图像按灰度值不同进行灰阶划分，分别赋予这些目标地物不同的灰阶，然后给这些灰阶填上不同的颜色，这样就可把一幅单波段图像转变成伪彩色图像。这种做法也常用在图像分类后的结果图像上，以利于区分。利用该方法时，一定要注意给空间上相近的地物类型赋予区别明显的色彩。

灰度级-彩色变换是另一种更为常用的伪彩色增强方法，与彩色密度分割相比，它更易于在广泛的彩色范围内达到图像增强的目的。一组典型的灰度级-彩色变换的传递函数如图4-3 所示。其中，设L为图像波段的最大灰度级：（a）图表示红色变换的传递函数，它表明，凡小于L/2 的灰度级，将被转变成尽可能暗的红色，而在（L/2，3L/4）范围内的灰度级将由暗的红色线性演变成亮的红色，属于（3L/4，L）区间内的灰度级都转变成最亮的红色。同理，图（b）和图（c）分别表示绿色和蓝色变换的传递函数。图（d）表示了3 种彩色传递函数组合在一起的情况。不难看出，属于图（d）中左端灰度级的图像象元为纯的蓝色，右端的为纯红色，中间点为纯绿色，其余的象元为3种颜色的伪彩色。显然，用这种组合方案进行伪彩色增强，图像中任何两个灰度级都不会有相同的色彩。

图4-3 灰度级-彩色变换传递函数

（a），（b），（c）灰度对红、绿、蓝色变换；（d）综合传递函数

为了更好地利用多波段图像的信息，提高对图像的理解，同样可以用彩色合成来进行信息增强。其基本原理与上述的单波段伪彩色增强相似，只是红、绿、蓝变换不是对同一波段的不同灰度级，而是分别对3个（或2个）波段实施，即由3个（或2个）波段的CCT数值根据设定的波段灰度与彩色之间的变换关系表，直接控制图像处理系统中彩色显示装置的红、绿、蓝3色枪的光强输出，加色合成显示在彩色屏幕上，形成彩色图像；或者以3色依次扫描到彩色胶片上，再印放成彩色相片。

（3）主成分分析

主成分分析是遥感岩性信息提取中最常用的一种方法，它基于计算图像数据的方差一协方差矩阵或相关矩阵，求得它们的特征值和特征向量，然后反变换回遥感图像，而达到对图像信息的集中和数据的压缩的效果。它利用目标岩石与背景地物之间的差异对整幅图像进行处理，最后得到所需要的目标信息。主成分分析（principal components analysis）是多波段遥感图像信息提取和增强的最常用的方法之一，通常也称为K-L（kahunen-loeve）变换、主成分变换。遥感中使用主成分分析；主要用来进行图像编码和图像数据压缩、图像信息提取和增强、图像变化监测以及调查图像数据潜在的多时间维。在数学含义上，它是一种基于图像统计特征的多维正交线性变换。从几何意义上讲，它相当于对图像进行了空间旋转变换，变换后的主成分之间互相正交、不相关。实际上，它也是一种基于地物光谱特征反射率强度的方法，即主成分距离。简单地讲，主成分分析分成3步：①计算输入图像数据的方差-协方差矩阵和相关矩阵；②计算矩阵的特征值和特征向量；③计算主成分。

当所用矩阵为方差-协方差矩阵，称主成分分析为非标准的主成分分析。当所用矩阵为相关矩阵，称主成分分析为标准的主成分分析。Singh和Harrison在1985年应用两种主成分分析对印度北东部的Landsat MSS数据进行了研究，结果表明标准主成分分析提高了图像的信噪比、增强了图像信息。Ek-lundh和Singh在1993年对Landsat TMSPOT等4种数据进行了主成分分析，分析结果表明标准主成分分析比非标准主成分分析提高了图像的信噪比。

选择主成分分析（selected principal components analysis）是Crosta AP等在1989年提出的，是选择有地质意义的波段进行主成分分析。Loughlin WP在1990年将Landsat TM数据按波段分成1，3，4，5和1，4，5，7两组，分别作主成分变换，通过对比矿物光谱曲线在PCA图像的特征向量负载进行填图，即用1，3，4，5波段主成分变换进行铁氧化物填图，用1，4，5，7波段主成分变换进行含轻基矿物填图。其实质是通过主成分变换来扩展TM5与TM1及TM5与TM4的光谱反差来提取铁氧化物信息，扩展TM5与TM7的光谱反差来提取含羟基矿物的光谱信息。

2基于光谱特征反射率变化规律的信息提取方法

运算增强就是利用加、减、乘、除和它们的混合运算对多波段图像进行的一种图像信息提取和反差增强方法。John McMMoore等（1993）利用波段间加、减运算增强技术对TM 图像数据进行了石膏、粘土和热液蚀变硅的选择性增强，取得了良好效果。实际上，图像运算增强中最常见的运算是除运算，常称为比值运算。比值运算是利用不同地物在图像数据的不同波段光谱反射特性变化的不同，进行波段间除运算来达到地物信息的提取和图像反差增强。根据相除的分子、分母不同，比值运算又可简单地分为：简单比值、组合比值和标准化比值。

由于简单比值简单易行，反差增强效果显著，因此人们对常用的遥感数据源TM 图像数据波段间比值做了充分地研究，利用它们来增强和提取图像植被信息、岩石蚀变信息等。表4-1给出了TM数据波段间几个主要的简单比值。

表4-1 TM数据波段间几个主要的简单比值

（据童庆禧等（1994）改编）

比值增强用于图像增强，其基本的功能就在于：①能扩大不同地物之间的微小灰度差异，利于岩石、土壤等光谱差异不太明显的地物之间的区分，同时可用于植被类型和分布的研究：能消除或减弱地形等环境因素的影响。②能用来进行提取岩石信息和矿化关系密切的蚀变信息。③能利用比值成分与原始波段或其他方法处理的结果进行彩色合成增强地物信息表示，突出目标信息，就是说，经大气散射校正后的比值图像与照度、太阳入射角和漫反射无关。其缺点是，比值图像的独立波谱意义并不存在，丢失了地物总的反射强度（反射率）信息，损失了图像的地形信息。实践证明，在黑白比值图像上识别矿产信息是相当困难的。如果选取3个能提取出矿产信息的比值图像，并根据色度学原理将其配以红、绿、蓝三种颜色进行合成，使矿产信息与围岩以不同的颜色出现在图像上，则能够用目视法直接在图像上识别矿产信息，并能确定其位置。因此，可以认为比值彩色合成法就是矿产信息提取的基本方法。

3其他

（1）直接主成分分析

Frazer SJ和Green AA在1987年提出直接主成分分析（directed principal components analysis），通过两个比值图像（一组为植被图像TM4/TM3，一组为蚀变图像，如TM5/TM7，TM5/TMI）的主成分变换达到在增强蚀变信息的同时抑制植被光谱干扰。利用类似的方法，赵元洪等（1991）进行了热液蚀变信息的提取，Frazer SJ（1991）进行了铁氧化物的判别和识别。张满郎（1996）提出了对这种直接主成分分析的改进。输入TM7，TM1，TM4，TM3进行比值TM 1，（TM4/TM3）主成分分析，产生的PC2增强了铁氧化物光谱信息，压抑了植被的光谱干扰。输入TM5，TM7，TM4，TM3进行比值（TM5/TM7，TM4/TM3）主成分分析产生的PC2 增强了含羟基矿物的光谱信息。MSrikanth和JMMooreLJGuo（1994）对航天TM数据的对数残差图像进行了主成分分析，提高了图像中的地形特征的光谱区别，利用直接主成分分析对西班牙西南部的图像子区进行分析，成功地提高了铁矿物的光谱对比度。

（2）比值法-特征主成分分析

这种方法是建立在比值处理和特征主成分分析基础之上的一种方法。比值法增强蚀变信息多受地域自然条件的限制，去干扰物（植被、大气、地衣等）的波谱排除法则要求获得各种地物波谱数据，客观上也受到限制。刘志杰（1995）提出比值-特征主成分混合分析方法，结果如下。

1）含铁矿物波谱信息图像（简称F图像）的确定

首先以TM1，3，4，5为一组，用以寻找含铁矿物的图像。在同幅F图像中，含羟基矿物信息将被屏蔽，主成分变换，并对变换后的各PCA图像尽可能的定性分析，以确定F图像，此FPCA图像必须同时满足：或TM3与TM1具有相反的贡献标志，或TM3与TM4具有相反的贡献标志，或TM5与TM4具有相反的贡献标志；TM3或TM5至少有一个为强负载荷。

2）含羟基矿物波谱信息图像（简称H图像）的确定

类似于F图像的确定方法，进行提取H图像的变换处理。不同的是在选择原始波段组合时，采用了两个比值图像：（TM5/TM7）和（TM4/TM3），而不是TM1，4，5，7。原因：一是后一组图像变换后所确定的PC4需作反处理才能满足H图像的要求。二是最后的合成处理中效果不佳。原始F，H图像的亮度指数很低，为产生良好的视觉效果和有利于进一步解释F图像进行分段线性拉伸，H图像直方图均衡，并将增强后的TM7图像与两者进行红、蓝假彩色合成。

（3）IHS变换（intensity-hue-saturation transform）

在色度学中，颜色可以用红（R）、绿（G）蓝（B）3原色色值来表示，也可以用人眼对颜色感知的色度学变量：亮度（I）、色调（H）、饱和度（S）描述，由上述两种变量构成了色度学中的两种彩色坐标系统：RGB彩色空间和IHS色度空间（也称孟塞尔坐标）。这两个系统的关系可用图4-4表示。该图中，I轴垂直于纸面（过S=0，白色），沿I轴只有亮度明暗的差异：圆周代表H的变化，并设定红色为H=0；半径方向代表饱和度，圆心处S=0，为白色，圆周处S=1，彩色最纯。很显然，RGB彩色空间坐标系与IHS色度空间坐标系之间存在着某种关系，确定它们之间转换关系的彩色变换数学模型即称为IHS变换或彩色坐标变换（孟塞尔变换）。习惯上，常把从RGB空间变换到IHS空间称为正变换，把从IHS空间变换到RGB空间称为反变换。

图4-4 RGB彩色空间和IHS色度空间关系图

由于IHS彩色变换具有灵活实用的优点，近年来日益受到国内外研究者的重视，因此产生了多种IHS变换式。目前在遥感图像处理中，IHS变换多用于以下3个方面的研究：

1）彩色合成图像的饱和度增强。

2）不同分辨率遥感图像的复合显示。例如，将Landsat MSS与数字航空相片进行IHS变换融合能够产生具有像SPOT一样的光谱（从绿到近红外）和空间属性（10m）的彩色图像。

3）多源数据综合显示。将物、化探等地学信息数字化，把它们当作H或S色度变量，以遥感图像为I，作IHS正变换便可获得色彩分明的遥感与物、化探等地学信息复合的彩色图像。这类图像一般既具有遥感图像清晰的地貌、地质背景，又能将物、化探等地学信息准确地反映在这一背景上，非常有利于它们相互关系的综合分析和解译。

（4）去相关拉伸变换（thedecorrelation stretch transformation）

去相关拉伸变换是一种基于主成分变换的技术。它包括3个明显的阶段：①将原始图像波段变换为它们的主成分。②分别反差拉伸变换后的主成分。③进行主成分反变换，在原始彩色空间显示。NACampbell（1996）详细研究了这3个阶段，他认为去相关拉伸变换实质上是另一种不同于主成分变换的光谱波段线性变换，经过第二阶段反差拉伸正规化方差后，得到方差为单位方差的互不相关的变量，产生增强显示图像方法的效果主要依赖于该方法产生的特殊反差对比。他研究了来自美国夏威夷的热红外多光谱（thermal infrared multi-spectral scanner，TIMS），发现定义第一主成分的特征向量上的一个小变换仅导致去相关拉伸系数的微小变化，然而却产生了一幅明显不同的去相关拉伸图像。对TM数据的6个可见、近红外和短波红外波段进行去相关拉伸分析表明去相关拉伸后的结果图像多少有一点儿失真，即其中有些图像敏感于去相关拉伸系数的微小变化，而另一些则不是。具体计算分析见原文。

总之，去相关拉伸变换是原始光谱波段的一种线性变换，这种变换通常是原始光谱波段的加权总和与差。研究表明该方法对一些遥感图像数据有效，能产生好的图像效果和提供新的洞察点；对另一些图像数据处理，与主成分变换相比，效果较差。与主成分变换，典型分析变换的图像显示一样，实际的去相关拉伸矢量很少被说明，因此也不可能从光谱上理解它们的结果图像。