圖像濾波算子在土壤鹽漬化信息提取中的應用

圖像濾波算子在土壤鹽漬化信息提取中的應用摘要針對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遙感影像進行處理，并結合支持向量機（SVM）的分類方法，分析濾波后影像亮度值的變化，與未經(jīng)過濾波處理的影像進行分類后精度的對比％結果表明：相對于未經(jīng)處理的遙感影像，經(jīng)過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)測能力%掌握土壤鹽漬化的空間分布特征及時空變化規(guī)律，對干旱區(qū)及半干旱區(qū)土壤鹽漬化的防治和緩解、保護脆弱的生態(tài)環(huán)境都具有現(xiàn)實意義％關鍵詞遙感；鹽漬化；圖像分類；濾波；支持向量機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)實踐中不科學的澆灌方式又會加劇次生土壤鹽漬化％因此，如何快速高效評估土壤鹽漬化程度，對于掌握干旱區(qū)土壤鹽漬化對農(nóng)業(yè)的威脅程度、防止鹽漬化的擴張、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)測鹽漬化的方式有實地勘探、采點實測等，但這種方法效率低、速度慢，難以對大范圍研究區(qū)域進行準確和持續(xù)性監(jiān)測％而遙感監(jiān)測因具有訪問速度快、監(jiān)測范圍大、數(shù)據(jù)更新時間短、信息儲量大等優(yōu)勢在土壤鹽漬化監(jiān)測中得到廣泛的使用％何寶忠等由借助Landsat影像數(shù)據(jù)，利用物候特征來反演鹽漬化信息&Brunner等借助歸一化植被指數(shù)(NDVI)并結合影像信息，評價新疆博斯騰湖地區(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，針對巴西的土壤鹽漬化情況，對影響鹽化的光譜參量進行回歸分析，建立了評價半干旱區(qū)土壤鹽化的LSU(lmearspectralunmixmg)模型%以上學者均利用遙感數(shù)據(jù)對土壤鹽漬化進行監(jiān)測，但并未重視遙感影像質(zhì)量對鹽漬化信息提取的影響％由于天氣、遙感平臺或傳感器不穩(wěn)定等原因，遙感影像中會產(chǎn)生椒鹽噪聲、脈沖噪聲等，進而導致影像質(zhì)量下降，影響遙感影像中信息的獲取和利用％針對噪聲對影像產(chǎn)生的負面影響，常用的降噪方法就是在空間域里對影像進行濾波運算處理，濾波效果會直接影響分類后影像的精度因此，國內(nèi)外學者會根據(jù)自己的研究區(qū)特點提出合適的濾波方法，對影像進行預處理：Pardcrlguzquiza等［8］改進的濾波參數(shù)能夠在運算過程中隨遙感影像內(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用于遙感影像的處理，使地物更容易被識別％目前，國內(nèi)外學者主要利用改進濾波參數(shù)進行遙感影像處理，以提高地物識別精度，但不同濾波對抑制噪聲、提高影像品質(zhì)具有很強的針對性，目前遙感影像處理研究領域仍未有關于不同濾波方法對干旱區(qū)與半干旱區(qū)土壤鹽漬化信息提取的影響的報道％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、方向濾波共7種典型的濾波算子分別對遙感影像進行處理，并結合支持向量機的分類方法，分析濾波后影像亮度值的變化，與未經(jīng)過濾波處理的影像進行分類后精度對比，提出分類效果最佳的濾波算子％借助濾波運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)測能力％2研究區(qū)概況研究區(qū)選取土壤鹽漬化嚴重的地區(qū)*一艾比湖濕地自然保護區(qū)，艾比湖濕地自然保護區(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，長約35km,寬約18km,面積約為600km2,平均水深約2m#12$%該湖是準@爾盆地最大的咸水湖泊，平均海拔189m,整個流域地勢呈“漏斗,狀，所以艾比湖為艾比湖流域的匯水中心［13D14］%其中艾比湖濕地自然保護區(qū)的地質(zhì)構造和地形地貌的分布格局決定了土壤和植被的分布狀態(tài)，并且氣候、水文和植被等因素對土壤類型的分布也具有重要影響#15「16$%艾比湖濕地保護區(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區(qū)內(nèi)，以5km為間隔，在道路可到達的范圍內(nèi)，選擇只有單一地物的區(qū)域進行采點，采樣方法為五點采樣法，采集深度為。?20cm,樣點數(shù)量為38個，樣本共計190份%將采集的土壤樣品帶回，在實驗室內(nèi)自然風干、磨碎、過2mm篩，再將樣品細土按土水質(zhì)量1：5的比例制成提取液，并用TZS-EC-I土壤鹽分速測儀測定樣品全鹽含量％結合新疆水利廳頒發(fā)的《新疆縣級鹽堿地改良利用規(guī)劃工作大綱》#17$,以及野外樣品土壤鹽分的實測狀況，將土壤鹽分數(shù)值分為6個等級，確定土壤鹽漬化程度的分級標準，如表1所示%圖=研究區(qū)示意圖。(a)艾比湖濕地保護區(qū)及采樣點分布圖;(b)艾比湖濕地保護區(qū)內(nèi)鹽漬化土壤;(c)艾比湖保護區(qū)內(nèi)水塘表面鹽結;;(d)艾比湖保護區(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將實驗測定的38個樣點的土壤鹽分含量實測

間的定量關系，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標準進行分級,并根據(jù)分級后各采樣點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用價值，故選取典型鹽漬化區(qū)

FLAASH大氣校正模塊對影像進行校正，主要目的是為了減少大氣吸收、散射以及其他隨機因素的影響，隨后進行地形校正以恢復不同地物在水平條件下的真實反射率或輻亮度！預處理后對影像進行剪裁，可得知大氣校正消除了大氣和光照因素對地物反射的影響，校正后遙感影像的亮度會增強，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影像預處理需要先對影像進行輻射校正，輻射定標的原理是通過建立數(shù)字量化值與對應視場中輻射亮度值之

3.3.1濾波原理對于數(shù)字圖像信號，噪聲表現(xiàn)為或大或小的極值，這些極值通過加減作用于圖像像素的真實亮度值上，給圖像造成亮、暗點干擾，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圖legend04.59 18 27 36山legend04.59 18 27 36山Inon-salinesoilIImildlysalinesoil?IIImoderatelysalinesoilOIVseverelysalinesoilVsalinesoil圖2采樣點鹽漬化程度專題圖Fig.2Maticmapofsalinizationdegreeofsamplingpoints像空間變量進行局部運算，借助模板在原圖像上移動，逐塊進行局部運算，減緩或增強圖像中某些特定的頻率分量，從而達到邊緣增強、噪聲去除的目的#因此，針對不同影像中出現(xiàn)的問題，常使用不同的濾波算法對遙感影像進行處理#在選取不同的濾波算法時，必須考慮一個基本問題：如何在有效去除目標和背景中噪聲的同時，能較好地保護圖像目標的形狀、大小及特定的幾何和拓撲結構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、方向濾波共7種典型濾波處理算法%2。」進行圖像處理，并對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、保護幾何拓撲特征并提高鹽漬化信息提取精度#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一個MXN大小的窗口后，選定一個MYN階濾波函數(shù)K(m,n)#之后利用濾波函數(shù)K(m,n)對窗口內(nèi)的信息進行加權處理，最后把結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(/j)處濾波后的影像：(/j)為圖像坐標(/j)處像素值原始結果;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/,j)處像素值原始結果#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支持向量機傳統(tǒng)的基于統(tǒng)計學的模式識別在理論上解決了分類器的設計問題，但并未有效解決概率密度估計問題!因此有時難以取得滿意的分類結果%22&。支持向量機算法作為一種智能計算學習方法!有效克服

了分類數(shù)據(jù)分布假設的問題，使分類過程更加自動化，并有效提高了分類的精度，因此選擇支持向量機作為本文的分類方法"支持向量機分類方法是在VC(VapnikrChervonenkis)維理論和結構風險最小化原理基礎上發(fā)展起來的，基本思想如下：對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分開，數(shù)據(jù)D.=&(X/Z);/=1,2,3,(，()表示n個樣本點，其中:X,代表特征矢量，可以為多維代表類別計量，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*表示點積運算表示常量矩陣,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題，并將其轉換成約束優(yōu)化問題，即min{w2,s.t.Y,?(〈(*-X/.+b)01,(3)式中：(表示常量矩陣'(〈(*-X,〉+b)為構建的線性函數(shù)。滿足(》式這一條件的分類面即為最優(yōu)分類面。通過構造Lagra5ge函數(shù)可以將凸二次規(guī)劃問題轉換成對偶問題，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()為符號函數(shù);(*表示w的最優(yōu)值;b*為b的最優(yōu)值;a,為Lagrange函數(shù)中的變量,a"為a,的最優(yōu)值；a,*Y,,X,-X〉+b*為構建的線性函數(shù)。當遇到線性不可分的情況，即輸入空間不存在線性分類面時，采用適當?shù)膬?nèi)積函數(shù)，即核函數(shù)K(x,x'),代替最優(yōu)分類面中的點積，就相當于把原始特征空間變換到了某一新的特征空間，實現(xiàn)非線性變換后的線性分類，算法復雜度并不會增加[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支持向量機的輸入量為x=(U1,U2,(，Un),而中間環(huán)節(jié)則對應輸入樣本與一個支持向量機的內(nèi)積，輸出為若干中間層節(jié)點的線性組合*22+"圖3為支持向量機分類過程示意圖"本研究利用MATLAB軟件實現(xiàn)支持向量機遙感影像分類，具體步驟如下：1)首先在Arcmap軟件中手動獲取訓練樣本的shp文件，其中包含各個樣本數(shù)據(jù)；2)隨后利用Arcmap軟件toolbox中的剪圖3支持向量機分類過程示意圖Fig.3SchematicofclassificationprocessofSVMs裁功能，根據(jù)柵格數(shù)據(jù)對樣本數(shù)據(jù)進行剪裁，得到的結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支持向量機分類過程示意圖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,文中對監(jiān)督分類精度的評價過程同時也是對定量結果的可靠性及變異性的分析過程*25+。在遙感影像中，分類影像精度驗證中應用最為廣泛的是總體分類精度(0A)和Kappa系數(shù)。總體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)的值則表達了另一種比例：分類與隨機錯誤的分類結果減少的比例，具體表達式為K—Po—Pc1kappa=1—pc(6)式中：Po為實際意義中的一致率'Pc理論上的一致率"設柵格總象元數(shù)為真實柵格為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,兩個柵格對應象元值相等的?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)，結合影像特點以及野外實地考察數(shù)據(jù)，以顏色特征、地物紋理特征為基礎，分析不同對象間的特征區(qū)別，并利用人機交互的方式建立分類規(guī)則。本文將采樣點和遙感影像上的像元區(qū)域?qū)饋?，可以發(fā)現(xiàn)：1)非湖濱區(qū)的土壤鹽分值越高的采樣點對應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）采樣點對應的遙感影像中生長有植被的區(qū)域并不是非鹽漬化區(qū)域，植被生長的土壤中含有的少量鹽分說明該區(qū)域?qū)儆谳p度鹽漬化區(qū)域#因此，將土壤實測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志。水）（包括河流、溝渠、湖泊等）的顏色表現(xiàn)為深藍色；具有高海拔、地下水位低等特點表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)鹽漬化程度的分級標準，將艾比湖濕地自然保護區(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結果與討論的是去除遙感影像獲取和傳輸時的噪聲，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解譯的重要輔助手段*）6」。通過野外實地考察及室內(nèi)土壤鹽分實驗發(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種濾波方法分別對影像進行處理，結果如圖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，對不同波段下亮度值變化進行分析，統(tǒng)計圖如圖5所示#圖5中，Min為最小值,Max為最大值,Mean為平均值，StdDev為標準差,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為方向濾波影像,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)的波段相對應#經(jīng)過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，但每個波段的總體趨勢是一樣的#經(jīng)過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#濾波處理的目并結合圖4的影像細節(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)方向濾波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，減輕雜亂像元對鹽漬土區(qū)域的影響！并且從分類效果來看，高斯高通濾波相比于其他濾波效果更好！其他濾波方法對于亮度值的改變介于高斯高通濾波及高通濾波之間，相對改變了亮度值大??！4.2分類結果對與經(jīng)過拉普拉斯濾波、高通濾波、低通濾波、高斯高通濾波、高斯低通濾波、中值濾波、方向濾波這7種濾波方法處理后的遙感影像，采用支持向量機監(jiān)督分類的分類方法進行監(jiān)督分類。得到的分類結果如圖@所示!從圖@的分類后結果可以看出：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，水鹽運移頻繁，地表聚集大量鹽殼，結合大量野外鹽分實測值分析發(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，地表基本無鹽分聚集，土壤呈現(xiàn)為非鹽漬土$在山地和水體之間的過渡地帶，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)域從遙感影像上無法看出是否含有鹽分，但從采樣點的室內(nèi)實測值來看，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果如表4所示。□□□severely 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)方向濾波Fig.6Classificationofremotbsensingimagesbasedondifferentfilteringmethods,(a)Rawremot^sensingimage；(b) Lapl