圖像濾波算子在土壤鹽漬化信息提取中的應(yīng)用摘要針對(duì)由噪聲引起的遙感影像質(zhì)量下降，選用7種典型的濾波算子分別對(duì)遙感影像進(jìn)行處理，并結(jié)合支持向量機(jī)（SVM）的分類方法，分析濾波后影像亮度值的變化，與未經(jīng)過(guò)濾波處理的影像進(jìn)行分類后精度的對(duì)比％結(jié)果表明：相對(duì)于未經(jīng)處理的遙感影像，經(jīng)過(guò)濾波處理后的影像在土壤鹽漬化信息提取中具有較高的分類精度；其中的高斯高通濾波結(jié)合SVM的土壤鹽分提取模型的分類精度和Kappa系數(shù)由86.7285%和82.21%分別提高到89.6950%和86.20%，其分類效果最佳。濾波運(yùn)算能抑制噪聲、提高影像質(zhì)量，能有效提高方法的鹽漬化監(jiān)測(cè)能力%掌握土壤鹽漬化的空間分布特征及時(shí)空變化規(guī)律，對(duì)干旱區(qū)及半干旱區(qū)土壤鹽漬化的防治和緩解、保護(hù)脆弱的生態(tài)環(huán)境都具有現(xiàn)實(shí)意義％關(guān)鍵詞遙感；鹽漬化；圖像分類；濾波；支持向量機(jī)ApplicationofImageFilteringOperatorinExtractionofSoil

SalinizationInformationAbstractToreducethenoiseinremoteDsensingimages,seventypicalfilteringoperatorsareselectedtoseparatelyprocesstheremoteDsensingimages.Combinedwiththeclassificationmethodofsupportvectormachine(SVM),weanalyzethevariationofimages(brightnessvaluesafterfilteringandcomparetheiraccuracywiththatofunfilteredremote-sensingimages.Theresultsshowthatthefilteredremote-sensingimageshaveahigherclassificationaccuracyfortheextractionofsoilsalinizationcomparedwithuntreatedremoteDsensingimages.Oftheseveralselectedfilteringoperators,thesoilDsalinityextractonmodelthatusesGaussianlowDpassfilteringandSVMcanimprovetheclassificationaccuracyandtheKappacoefficientfrom86.7285%and82.21%to89.6950%and86.20%,respectively,whichisthebestclassificationaccuracytodate.Tosummarize,thefilteringoperationsuppressesnoise,improvesimagequality,effectivelyimprovesthemonitoringabilityofsalinization.Graspngthespatialdstrbutoncharacterstcsandtemporalandspatalvaratonprncpleofsolsalnzaton6sofpractcalsgnfcanceforpreventngandmtgatngsolsalnzatontoprotectfragleecologcalenvronments6nardandsem6Dardregons.Keywordsremotesensing；salinization；imageclassification；filtering；supportvectormachneOCIScodes280.4991；1000.2960；010.02801引言土壤鹽漬化及次生土壤鹽漬化是導(dǎo)致干旱區(qū)及半干旱區(qū)土地生產(chǎn)力下降的主要因素之一，通常出現(xiàn)在可溶性鹽類多、地下水位高、氣候干旱且蒸發(fā)作用強(qiáng)的地區(qū)土壤鹽漬化極易削弱土地生產(chǎn)能力、降低農(nóng)副產(chǎn)品的產(chǎn)量％并且農(nóng)業(yè)實(shí)踐中不科學(xué)的澆灌方式又會(huì)加劇次生土壤鹽漬化％因此，如何快速高效評(píng)估土壤鹽漬化程度，對(duì)于掌握干旱區(qū)土壤鹽漬化對(duì)農(nóng)業(yè)的威脅程度、防止鹽漬化的擴(kuò)張、有效規(guī)劃水資源利用方式、確保干旱區(qū)農(nóng)業(yè)的可持續(xù)發(fā)展具有重要意義傳統(tǒng)監(jiān)測(cè)鹽漬化的方式有實(shí)地勘探、采點(diǎn)實(shí)測(cè)等，但這種方法效率低、速度慢，難以對(duì)大范圍研究區(qū)域進(jìn)行準(zhǔn)確和持續(xù)性監(jiān)測(cè)％而遙感監(jiān)測(cè)因具有訪問(wèn)速度快、監(jiān)測(cè)范圍大、數(shù)據(jù)更新時(shí)間短、信息儲(chǔ)量大等優(yōu)勢(shì)在土壤鹽漬化監(jiān)測(cè)中得到廣泛的使用％何寶忠等由借助Landsat影像數(shù)據(jù)，利用物候特征來(lái)反演鹽漬化信息&Brunner等借助歸一化植被指數(shù)(NDVI)并結(jié)合影像信息，評(píng)價(jià)新疆博斯騰湖地區(qū)的土壤鹽漬化狀況；Bouaziz等利用中分辨率成像光譜儀(MODIS)的遙感影像，針對(duì)巴西的土壤鹽漬化情況，對(duì)影響鹽化的光譜參量進(jìn)行回歸分析，建立了評(píng)價(jià)半干旱區(qū)土壤鹽化的LSU(lmearspectralunmixmg)模型%以上學(xué)者均利用遙感數(shù)據(jù)對(duì)土壤鹽漬化進(jìn)行監(jiān)測(cè)，但并未重視遙感影像質(zhì)量對(duì)鹽漬化信息提取的影響％由于天氣、遙感平臺(tái)或傳感器不穩(wěn)定等原因，遙感影像中會(huì)產(chǎn)生椒鹽噪聲、脈沖噪聲等，進(jìn)而導(dǎo)致影像質(zhì)量下降，影響遙感影像中信息的獲取和利用％針對(duì)噪聲對(duì)影像產(chǎn)生的負(fù)面影響，常用的降噪方法就是在空間域里對(duì)影像進(jìn)行濾波運(yùn)算處理，濾波效果會(huì)直接影響分類后影像的精度因此，國(guó)內(nèi)外學(xué)者會(huì)根據(jù)自己的研究區(qū)特點(diǎn)提出合適的濾波方法，對(duì)影像進(jìn)行預(yù)處理：Pardcrlguzquiza等［8］改進(jìn)的濾波參數(shù)能夠在運(yùn)算過(guò)程中隨遙感影像內(nèi)地物類型的變化而變化；李剛等提出基于同態(tài)濾波的像素替換方法，可以在去除遙感影像中薄云的同時(shí)保留遙感影像信息；路)等將不同濾波窗口大小的中值濾波應(yīng)用于遙感影像的處理，使地物更容易被識(shí)別％目前，國(guó)內(nèi)外學(xué)者主要利用改進(jìn)濾波參數(shù)進(jìn)行遙感影像處理，以提高地物識(shí)別精度，但不同濾波對(duì)抑制噪聲、提高影像品質(zhì)具有很強(qiáng)的針對(duì)性，目前遙感影像處理研究領(lǐng)域仍未有關(guān)于不同濾波方法對(duì)干旱區(qū)與半干旱區(qū)土壤鹽漬化信息提取的影響的報(bào)道％因此，為了提高土壤鹽漬化信息提取的精度!解決由噪聲引起的遙感影像質(zhì)量下降，本文選擇拉普拉斯濾波、高通濾波濾波、低通濾波、高斯高通、高斯低通濾波、中值濾波、方向?yàn)V波共7種典型的濾波算子分別對(duì)遙感影像進(jìn)行處理，并結(jié)合支持向量機(jī)的分類方法，分析濾波后影像亮度值的變化，與未經(jīng)過(guò)濾波處理的影像進(jìn)行分類后精度對(duì)比，提出分類效果最佳的濾波算子％借助濾波運(yùn)算抑制遙感影像噪聲、提高影像質(zhì)量，并有效提高鹽漬化監(jiān)測(cè)能力％2研究區(qū)概況研究區(qū)選取土壤鹽漬化嚴(yán)重的地區(qū)*一艾比湖濕地自然保護(hù)區(qū)，艾比湖濕地自然保護(hù)區(qū)地處天山山脈西段，地理位置在43°38,N到45°52'N、79°53'E到85°02'E之間，在行政區(qū)劃上地跨博州精河縣、博樂(lè)市和阿拉山口口岸區(qū)，總面積2670.85km2#11］%艾比湖三面環(huán)山，湖面呈橢圓狀，長(zhǎng)約35km,寬約18km,面積約為600km2,平均水深約2m#12$%該湖是準(zhǔn)@爾盆地最大的咸水湖泊，平均海拔189m,整個(gè)流域地勢(shì)呈“漏斗,狀，所以艾比湖為艾比湖流域的匯水中心［13D14］%其中艾比湖濕地自然保護(hù)區(qū)的地質(zhì)構(gòu)造和地形地貌的分布格局決定了土壤和植被的分布狀態(tài)，并且氣候、水文和植被等因素對(duì)土壤類型的分布也具有重要影響#15「16$%艾比湖濕地保護(hù)區(qū)的地理區(qū)位如圖1所示％3數(shù)據(jù)與方法3.1野外調(diào)查和地面數(shù)據(jù)獲取以假彩色顯色的Landsat8研究區(qū)影像為參考圖，在艾比湖濕地自然保護(hù)區(qū)內(nèi)，以5km為間隔，在道路可到達(dá)的范圍內(nèi)，選擇只有單一地物的區(qū)域進(jìn)行采點(diǎn)，采樣方法為五點(diǎn)采樣法，采集深度為。?20cm,樣點(diǎn)數(shù)量為38個(gè)，樣本共計(jì)190份%將采集的土壤樣品帶回，在實(shí)驗(yàn)室內(nèi)自然風(fēng)干、磨碎、過(guò)2mm篩，再將樣品細(xì)土按土水質(zhì)量1：5的比例制成提取液，并用TZS-EC-I土壤鹽分速測(cè)儀測(cè)定樣品全鹽含量％結(jié)合新疆水利廳頒發(fā)的《新疆縣級(jí)鹽堿地改良利用規(guī)劃工作大綱》#17$,以及野外樣品土壤鹽分的實(shí)測(cè)狀況，將土壤鹽分?jǐn)?shù)值分為6個(gè)等級(jí)，確定土壤鹽漬化程度的分級(jí)標(biāo)準(zhǔn)，如表1所示%圖=研究區(qū)示意圖。(a)艾比湖濕地保護(hù)區(qū)及采樣點(diǎn)分布圖;(b)艾比湖濕地保護(hù)區(qū)內(nèi)鹽漬化土壤;(c)艾比湖保護(hù)區(qū)內(nèi)水塘表面鹽結(jié);;(d)艾比湖保護(hù)區(qū)內(nèi)植被Fig.1Sch.maticofresearcharea,(a)EbinurLakeWetlandReserveanddistributionofsamp1ingpoints；(b)sa1inizedsoil

inEbinurLakeWetlandReserve；(c)saltcrystalsonsurfaceofpondsinEbinurLakeWetlandReserve；

(d)vegetatoninEbinurLakeWetlandReserve表1土壤鹽漬化程度分級(jí)Table1ClassificationofdegreeofsoilsalinizationDegreeofsolsalnzatonSoilsaltcontent/(g?kgNumber-1)ofsamplesNor-salinesoil#110Mildlysalinesoil1—615Moderatelysalinesoil6-106Severelysalinesoil10-206Salinesoil*201

GrowthconditionHealthygrowthofvegetaton

Plantcoverageisapproximately15%to30%,

andsalt-sensitivevegetatonmaybeaffected

Plantcoverageisapproximately10%to15%,andsaltDtolerantcropsarelessaffected

Plantcoverageisapproximately5%to10%,

andsattDtolerantcropsandtheiryieldsaregreatlyaffected

ThereisonlyasmallamountofsaltDtolerant

vegetatonsuchasHaloxylonammodendron將實(shí)驗(yàn)測(cè)定的38個(gè)樣點(diǎn)的土壤鹽分含量實(shí)測(cè)

間的定量關(guān)系，消除傳感器誤差！大氣校正是使用值按照表1土壤鹽漬化程度的分級(jí)標(biāo)準(zhǔn)進(jìn)行分級(jí),并根據(jù)分級(jí)后各采樣點(diǎn)的土壤鹽漬化狀況制成土壤鹽漬化狀況空間分布專題圖，如圖2所示。3.2遙感數(shù)據(jù)及預(yù)處理3.2.1遙感數(shù)據(jù)由于本文主要目的在于探索濾波算子在土壤鹽漬化信息提取中的應(yīng)用價(jià)值，故選取典型鹽漬化區(qū)

FLAASH大氣校正模塊對(duì)影像進(jìn)行校正，主要目的是為了減少大氣吸收、散射以及其他隨機(jī)因素的影響，隨后進(jìn)行地形校正以恢復(fù)不同地物在水平條件下的真實(shí)反射率或輻亮度！預(yù)處理后對(duì)影像進(jìn)行剪裁，可得知大氣校正消除了大氣和光照因素對(duì)地物反射的影響，校正后遙感影像的亮度會(huì)增強(qiáng)，便于水和植被等地物信息的提??！域一一艾比湖地區(qū)，并根據(jù)野外考察時(shí)間，選擇下載

3.3原理及方法2017年7月的Landsat-8OLI數(shù)據(jù)(https：〃www./)。3.2.2影像預(yù)處理需要先對(duì)影像進(jìn)行輻射校正，輻射定標(biāo)的原理是通過(guò)建立數(shù)字量化值與對(duì)應(yīng)視場(chǎng)中輻射亮度值之

3.3.1濾波原理對(duì)于數(shù)字圖像信號(hào)，噪聲表現(xiàn)為或大或小的極值，這些極值通過(guò)加減作用于圖像像素的真實(shí)亮度值上，給圖像造成亮、暗點(diǎn)干擾，極大地降低了圖像質(zhì)量+18」?？臻g濾波是使用空間二維卷積方法對(duì)圖legend04.59 18 27 36山legend04.59 18 27 36山Inon-salinesoilIImildlysalinesoil?IIImoderatelysalinesoilOIVseverelysalinesoilVsalinesoil圖2采樣點(diǎn)鹽漬化程度專題圖Fig.2Maticmapofsalinizationdegreeofsamplingpoints像空間變量進(jìn)行局部運(yùn)算，借助模板在原圖像上移動(dòng)，逐塊進(jìn)行局部運(yùn)算，減緩或增強(qiáng)圖像中某些特定的頻率分量，從而達(dá)到邊緣增強(qiáng)、噪聲去除的目的#因此，針對(duì)不同影像中出現(xiàn)的問(wèn)題，常使用不同的濾波算法對(duì)遙感影像進(jìn)行處理#在選取不同的濾波算法時(shí)，必須考慮一個(gè)基本問(wèn)題：如何在有效去除目標(biāo)和背景中噪聲的同時(shí)，能較好地保護(hù)圖像目標(biāo)的形狀、大小及特定的幾何和拓?fù)浣Y(jié)構(gòu)特征本文采用拉普拉斯濾波、高通濾波、低通濾波、高斯高通濾波、高斯低通濾波、中值濾波、方向?yàn)V波共7種典型濾波處理算法%2?！惯M(jìn)行圖像處理，并對(duì)比處理后的遙感影像鹽漬化信息精度，以期有效去除影像噪聲、保護(hù)幾何拓?fù)涮卣鞑⑻岣啕}漬化信息提取精度#濾波處理的工作原理如下：假定原圖像為：/打),在原始圖像左上角開(kāi)一個(gè)MXN大小的窗口后，選定一個(gè)MYN階濾波函數(shù)K(m,n)#之后利用濾波函數(shù)K(m,n)對(duì)窗口內(nèi)的信息進(jìn)行加權(quán)處理，最后把結(jié)果重新疊加在原圖像：/,j)上，形成濾波后影像Q/,j)m,可表示為Q/,j)=%：/+mjKn)VK'm,n),(1)式中：＜為圖像坐標(biāo)(/j)處濾波后的影像：(/j)為圖像坐標(biāo)(/j)處像素值原始結(jié)果;K(m,n)為濾波核矩陣函數(shù))m、n為矩陣函數(shù)的方向的參數(shù)#將不同的濾波矩陣帶入濾波運(yùn)算函數(shù)(=)式,本文選取的7種濾波算子的濾波矩陣函數(shù)如表)所示#其中頂(z,j)為圖像坐標(biāo)/,j)處像素值原始結(jié)果#表2濾波矩陣函數(shù)Table2FilteringmatrixfunctionsFlterngFlterngmatrx0—1 0Laplacian—1 4 —10—1 0—1—1—1High-pass—1 8 —1—1—1—1&/—1j+1)f(i,j+1) &(/+1j+1)LowDpass&/—1j)f(lj) f/+1j)&/-1j—1)f(/j—1)f(/+1j—1)-0.00070.0256 0.0007Gaussian—0.02!@01025 00256high-pass—0.0007—0.0256—0.00070.00070.02560.0007Gaussian0.02560.89480.0256low-pass0.00070.02560.0007&/—1j+1)f(/j+1) f(/+1j+1)Median&/—1j)f(/j) f(/+1j)&/—1j—1)f(/j—1)f(/+1j—1)0—1 1Directional—1 0 —11—1 03.3.2支持向量機(jī)傳統(tǒng)的基于統(tǒng)計(jì)學(xué)的模式識(shí)別在理論上解決了分類器的設(shè)計(jì)問(wèn)題，但并未有效解決概率密度估計(jì)問(wèn)題!因此有時(shí)難以取得滿意的分類結(jié)果%22&。支持向量機(jī)算法作為一種智能計(jì)算學(xué)習(xí)方法!有效克服

了分類數(shù)據(jù)分布假設(shè)的問(wèn)題，使分類過(guò)程更加自動(dòng)化，并有效提高了分類的精度，因此選擇支持向量機(jī)作為本文的分類方法"支持向量機(jī)分類方法是在VC(VapnikrChervonenkis)維理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理基礎(chǔ)上發(fā)展起來(lái)的，基本思想如下：對(duì)于兩類類別線性可分的情況，需要找到一條直線將代表兩類類別的點(diǎn)分開(kāi)，數(shù)據(jù)D.=&(X/Z);/=1,2,3,(，()表示n個(gè)樣本點(diǎn)，其中:X,代表特征矢量，可以為多維代表類別計(jì)量，為1或者一1*23+。故分類線性方程為g(x)=〈(o-x〉+N=0, (2)式中：-x*表示點(diǎn)積運(yùn)算表示常量矩陣,X表示變量矩陣N表示線性公式中的截距。分類間隔即兩分類之間的距離越大，類別越不易混淆。然后找到最大分類間隔問(wèn)題，并將其轉(zhuǎn)換成約束優(yōu)化問(wèn)題，即min{w2,s.t.Y,?(〈(*-X/.+b)01,(3)式中：(表示常量矩陣'(〈(*-X,〉+b)為構(gòu)建的線性函數(shù)。滿足(》式這一條件的分類面即為最優(yōu)分類面。通過(guò)構(gòu)造Lagra5ge函數(shù)可以將凸二次規(guī)劃問(wèn)題轉(zhuǎn)換成對(duì)偶問(wèn)題，最終的最優(yōu)分類函數(shù)為&(x)=sgn(〈w*?X〉+b*)=sgn*%(a,*Y,〈X,?x〉+b*)[, (4)/=1式中：sgn()為符號(hào)函數(shù);(*表示w的最優(yōu)值;b*為b的最優(yōu)值;a,為L(zhǎng)agrange函數(shù)中的變量,a"為a,的最優(yōu)值；a,*Y,,X,-X〉+b*為構(gòu)建的線性函數(shù)。當(dāng)遇到線性不可分的情況，即輸入空間不存在線性分類面時(shí)，采用適當(dāng)?shù)膬?nèi)積函數(shù)，即核函數(shù)K(x,x'),代替最優(yōu)分類面中的點(diǎn)積，就相當(dāng)于把原始特征空間變換到了某一新的特征空間，實(shí)現(xiàn)非線性變換后的線性分類，算法復(fù)雜度并不會(huì)增加[24],最優(yōu)分類超平面可表示為f(x)=sgn{%a"Y,K(X,-x)+b*)。(5)i=1支持向量機(jī)的輸入量為x=(U1,U2,(，Un),而中間環(huán)節(jié)則對(duì)應(yīng)輸入樣本與一個(gè)支持向量機(jī)的內(nèi)積，輸出為若干中間層節(jié)點(diǎn)的線性組合*22+"圖3為支持向量機(jī)分類過(guò)程示意圖"本研究利用MATLAB軟件實(shí)現(xiàn)支持向量機(jī)遙感影像分類，具體步驟如下：1)首先在Arcmap軟件中手動(dòng)獲取訓(xùn)練樣本的shp文件，其中包含各個(gè)樣本數(shù)據(jù)；2)隨后利用Arcmap軟件toolbox中的剪圖3支持向量機(jī)分類過(guò)程示意圖Fig.3SchematicofclassificationprocessofSVMs裁功能，根據(jù)柵格數(shù)據(jù)對(duì)樣本數(shù)據(jù)進(jìn)行剪裁，得到的結(jié)果就是各樣本的柵格數(shù)據(jù)'3)將得到的樣本數(shù)據(jù)讀入MATLAB圖3支持向量機(jī)分類過(guò)程示意圖Fig.3SchematicofclassificationprocessofSVMs3.3.3總體分類精度及Kappa系數(shù)數(shù)據(jù)的分類精度有效地證明了數(shù)據(jù)的可靠性,文中對(duì)監(jiān)督分類精度的評(píng)價(jià)過(guò)程同時(shí)也是對(duì)定量結(jié)果的可靠性及變異性的分析過(guò)程*25+。在遙感影像中，分類影像精度驗(yàn)證中應(yīng)用最為廣泛的是總體分類精度(0A)和Kappa系數(shù)?？傮w分類精度是指分類正確的像素類別數(shù)量和類別總數(shù)的比值。而Kappa系數(shù)的值則表達(dá)了另一種比例：分類與隨機(jī)錯(cuò)誤的分類結(jié)果減少的比例，具體表達(dá)式為K—Po—Pc1kappa=1—pc(6)式中：Po為實(shí)際意義中的一致率'Pc理論上的一致率"設(shè)柵格總象元數(shù)為真實(shí)柵格為1的象元數(shù)為0,為0的象元數(shù)為奴模擬柵格為1的象元數(shù)為c,0的象元數(shù)為d,兩個(gè)柵格對(duì)應(yīng)象元值相等的?元數(shù)為s(6)p_0+#

Po=MPc(a+#)(o+c)+(c+d)(h+d)

MPc(7)(8)3.4建立分類規(guī)則(7)(8)分類方案的選定是以本文研究目的為首要的考量依據(jù)，結(jié)合影像特點(diǎn)以及野外實(shí)地考察數(shù)據(jù)，以顏色特征、地物紋理特征為基礎(chǔ)，分析不同對(duì)象間的特征區(qū)別，并利用人機(jī)交互的方式建立分類規(guī)則。本文將采樣點(diǎn)和遙感影像上的像元區(qū)域?qū)?yīng)起來(lái)，可以發(fā)現(xiàn)：1)非湖濱區(qū)的土壤鹽分值越高的采樣點(diǎn)對(duì)應(yīng)的遙感影像的反射率越高'2)遙感影像上湖濱區(qū)的反射率并不高且顏色呈淡藍(lán)色，但土壤鹽分值較高，是由于湖濱區(qū)域較高的水分含量影響了反射率'

3）采樣點(diǎn)對(duì)應(yīng)的遙感影像中生長(zhǎng)有植被的區(qū)域并不是非鹽漬化區(qū)域，植被生長(zhǎng)的土壤中含有的少量鹽分說(shuō)明該區(qū)域?qū)儆谳p度鹽漬化區(qū)域#因此，將土壤實(shí)測(cè)鹽分值作為重要參考依據(jù)#研究區(qū)遙感影像分類方案在按假彩色顯色的遙感影像中，顏色特征是目視解譯的重要標(biāo)志。水）（包括河流、溝渠、湖泊等）的顏色表現(xiàn)為深藍(lán)色；具有高海拔、地下水位低等特點(diǎn)表3的區(qū)域不易產(chǎn)生鹽漬化現(xiàn)象，例如荒地、山地等典型區(qū)域，且非鹽漬化的地物在遙感影像上的反射率較低;鹽漬化土壤由于聚集了大量鹽分會(huì)形成一層鹽殼并且反射率較高，在遙感影像上呈亮白色。依據(jù)鹽漬化程度的分級(jí)標(biāo)準(zhǔn)，將艾比湖濕地自然保護(hù)區(qū)地類分為6類:水）、非鹽漬化、輕度鹽漬化、中度鹽漬化、重度鹽漬化以及鹽漬化土壤,具體分類如表3研究區(qū)遙感影像分類方案Table3Classificationschemeofremote-sensingimageofresearchareaClassificationtypeWaterbodyNon-salinesoilMildlysaiinesoilModeratelysaiinesoilSeverelysaiinesoilSaiinesoilDescriptionThecolorofthewateronthe

falsecolorimageisbl;eorblack,

includingrivers,ditches,lakes,etc.Thesoi&has&owsatcontentand

lowimagereflectance,including

rocks,wasteland,mountains,etc.Thesoilhaslesssaltcontent,andthe

vegetationcoverageisabout8%?15%

Thewhtepatches6nthemddleofthe

vegetatonandthebrghtspotareaaresmallThesolhasageneralsaltcontent,

vegetatoncoverageisabout1%to8%,and

therearefewerwhtepatchesonthe6mage

Thesolhasahghsaltcontent

andisaheavilysalinized

areaintheEbinurLakeregionThesolhashghsaltcontent"hghspectral

reflectance"obvoussaltcrustonthesurface"

whiteplaquedistributionontheimage,

andbascallynovegetatongrowth44結(jié)果與討論的是去除遙感影像獲取和傳輸時(shí)的噪聲，并有效保留不同地物的光譜信息和幾何特性，為了對(duì)比不同4.1濾波后影像在按假彩色顯色的遙感影像中，植被的顏色為紅色，水的顏色為深藍(lán)色，鹽漬化土壤的顏色為亮白色，因此可將假彩色影像作為視覺(jué)解譯的重要輔助手段*）6」。通過(guò)野外實(shí)地考察及室內(nèi)土壤鹽分實(shí)驗(yàn)發(fā)現(xiàn)，在鹽漬化程度較高的區(qū)域土壤表層存在較厚鹽殼，鹽漬土的光譜反射率高于其他類型土壤#本文選取一塊地物類型多樣且具有典型鹽漬土特征的區(qū)域，采用7種濾波方法分別對(duì)影像進(jìn)行處理，結(jié)果如圖4所示#從圖4可以發(fā)現(xiàn)，植被與土壤之間有明顯的邊緣，但不同程度鹽漬土之間無(wú)明顯邊緣，其中，高通濾波具有銳化效果，利于植被信息的提取，但鹽漬土濾波方法處理后的不同地物像元亮度值的差異，對(duì)不同波段下亮度值變化進(jìn)行分析，統(tǒng)計(jì)圖如圖5所示#圖5中，Min為最小值,Max為最大值,Mean為平均值，StdDev為標(biāo)準(zhǔn)差,R為原始遙感影像，M為中值濾波影像，GLP為高斯低通濾波影像，GHP為高斯高通濾波影像,D為方向?yàn)V波影像,L為拉普拉斯濾波影像,LP為低通濾波影像,HP為高通濾波影像#波段范圍與Landsat8數(shù)據(jù)的波段相對(duì)應(yīng)#經(jīng)過(guò)濾波處理后影像的亮度值發(fā)生改變，在不同波段下的亮度值有所不同，但每個(gè)波段的總體趨勢(shì)是一樣的#經(jīng)過(guò)高斯高通濾波處理后圖像亮度值的最小最大值之間的差異變小，影像信息更為集中#區(qū)域影像中雜亂像元并未得到改善#濾波處理的目并結(jié)合圖4的影像細(xì)節(jié)描述，可以發(fā)現(xiàn)高斯高通圖4經(jīng)不同濾波方法處理后的影像！(a)原始遙感圖像;(b)圖4經(jīng)不同濾波方法處理后的影像！(a)原始遙感圖像;(b)拉普拉斯濾波;(c)高通濾波;(d)低通濾波；(e)高斯高通濾波;(f)高斯低通濾波;(g)中值濾波;(h)方向?yàn)V波Fig.4Imagesprocessedbydifferentfilteringmethods.(a)Rawremotbsensingimage；(b)Laplacianfiltering；(c)high-passfiltering；(d)low-passfiltering；(e)Gaussianhigh-passfiltering；(f)Gaussianlow-passfiltering；(g)median!!!!!!!!flterng；(h)drectonalflterng圖5不同波段的亮度值變化圖Fig.5VariationinbrightnessvalueatdifferentbandsQJHedHD00.30.1-0.1-0.3-0.5AaQPASHUEOUIW￡

君UECUIdqedHoUBOUIQAOOP+JSQ濾波能較好地抑制噪聲，減輕雜亂像元對(duì)鹽漬土區(qū)域的影響！并且從分類效果來(lái)看，高斯高通濾波相比于其他濾波效果更好！其他濾波方法對(duì)于亮度值的改變介于高斯高通濾波及高通濾波之間，相對(duì)改變了亮度值大??！4.2分類結(jié)果對(duì)與經(jīng)過(guò)拉普拉斯濾波、高通濾波、低通濾波、高斯高通濾波、高斯低通濾波、中值濾波、方向?yàn)V波這7種濾波方法處理后的遙感影像，采用支持向量機(jī)監(jiān)督分類的分類方法進(jìn)行監(jiān)督分類。得到的分類結(jié)果如圖@所示!從圖@的分類后結(jié)果可以看出：水體邊界與遙感影像上的基本一致；湖濱區(qū)靠近湖床且水位低，水鹽運(yùn)移頻繁，地表聚集大量鹽殼，結(jié)合大量野外鹽分實(shí)測(cè)值分析發(fā)現(xiàn)，該地區(qū)屬于重度鹽漬化區(qū)域；山地地區(qū)由于高海拔、地下水位低，地表基本無(wú)鹽分聚集，土壤呈現(xiàn)為非鹽漬土$在山地和水體之間的過(guò)渡地帶，裸地較多，植被分布較少，地表土壤以中度、輕度鹽漬土為主；其中河流水域周圍的植被分布區(qū)域從遙感影像上無(wú)法看出是否含有鹽分，但從采樣點(diǎn)的室內(nèi)實(shí)測(cè)值來(lái)看，植被區(qū)域地表為輕度鹽漬土！在艾比湖的東南方向上，像元分布雜亂，典型鹽漬土分布較少，中度、輕度鹽漬土分布較多，且中度鹽漬土與輕度鹽漬土之間差異不明顯，不同濾波后的分類圖的差異主要體現(xiàn)在這塊區(qū)域！因此，利用總體精度和Kappa系數(shù)進(jìn)一步分析不同濾波方法處理后的分類圖的精度差異。4.3精度分析選用混淆矩陣中的總體分類精度以及Kappa系數(shù)表征分類精度。分類結(jié)果清晰地反映了研究區(qū)重度、中度、輕度、微度以及非鹽漬土的分布信息。從分類精度來(lái)看，濾波后的圖像分類精度有所提高,基于不同濾波方法的分類結(jié)果如表4所示?！酢酢鮯everely moderately i^iildlysalinesoilsalinesoilsalinesoil圖6基于不同濾波方法處理的遙感影像的分類圖。(a)原始遙感圖像;(b)拉普拉斯濾波;(c)高通濾波;(d)低通濾波;(e)高斯高通濾波;(f)高斯低通濾波;(g)中值濾波;(F)方向?yàn)V波Fig.6Classificationofremotbsensingimagesbasedondifferentfilteringmethods,(a)Rawremot^sensingimage；(b) Lapl