摘要：利用纓帽變換提取土壤亮度指數(shù),、綠度植被指數(shù)、濕度指數(shù)等地表參數(shù),，利用模型提取歸一化植被指數(shù)NDVI,、比值植被指數(shù)RVI、修改型土壤調整指數(shù)MSAVI等植被指數(shù)和水體指數(shù)MNDWI,，利用Artis單窗算法估算熱紅外波段像元尺度地表溫度,，將地表溫度的影響因素作為BP神經網絡輸入估算30 m空間分辨率的亞像元地表溫度，分析1989～2006年桂林城區(qū)土地利用變化,、纓帽變換特征分量變化,、植被參數(shù)變化、水體指數(shù)變化對地表溫度的影響機理,。

　　關鍵詞：纓帽變換,；亮度指數(shù)；綠度指數(shù),；濕度指數(shù)

1K-T變換概述

　　K-T變換稱之為纓帽變換,。K-T變換是由多光譜的遙感土壤、綠色植被等數(shù)據信息,，在多位光譜空間中信息分布結構對圖像做的經驗性線性正交變換,。K-T變換是Kauth和Thomas利用MSS圖像來反應植物的生長狀態(tài)提出的變換。其本質是一種線性變換,。通過結果分析,，意外地發(fā)現(xiàn)在MSS的特征空間中，植被光譜信息點是纓帽形狀的,，所以稱為纓帽變換,。

　　11轉換系數(shù)

　　KT變換本質為一種特殊的PCA變換，其轉換系數(shù)是固定的,。KT變換MSS的轉換系數(shù)：

　　Y=［Y1,，Y2，Y3,，Y4］T

　　其中,，Y1：亮度分量，主要反映土壤反射率變化的信息,；Y2：綠度分量,，反映地面植被的綠度；Y3：黃度分量,，反映植被的枯萎程度,；Y4：噪聲，無實際意義,。

　　K-T變換TM的轉換系數(shù)：

　　其中,，Y1：亮度分量；Y2：綠度分量,；Y3：濕度分量,。

　　Y=［Y1，Y2,，Y3,，Y4，Y5,，Y7］T

　　12KT變換的基本思想

　　K-T變換的本質思想是：多波段圖像是N維空間特征,。其中，每一個像元都是N維特征空間中的一個數(shù)據點,。觀察前期的成果可以知道,，植被特征主要由三個數(shù)據軸來反映，分別為亮度軸,、綠度軸及濕度軸,，確定相關的轉換系數(shù)，如上所說的三個軸的數(shù)據特征由不太復雜的線性計算或者特征空間旋轉來得到,，同時,，這種旋轉與傳感器的性能有關，因而還需要確定傳感器的類型［1］,。

　　13變換的基本原理

　　U=RTx+r（1）

　　R代表纓帽變換系數(shù),，x代表不同波段的灰度值，r表征常數(shù)的偏移量,，它的存在是為了避免在變換過程中出現(xiàn)負值的情況發(fā)生［2］,。U表示纓帽變換后不同的波段灰度值。K-T變換后所得到的特征數(shù)據中,，前三個特征數(shù)據和地物類型有著密不可分的關系,。第一個分量為亮度指數(shù)，反映了地物總體反射率的綜合效果,；第二個分量為綠度指數(shù),，它的特征量受綠色植被種類、植被數(shù)量、植被葉面積指數(shù)的影響非常大,；第三個分量為濕度指數(shù),，它反映了地面水分的條件，特別是土壤的濕度狀態(tài),，其余分量為黃度指數(shù)及噪聲［36］,。

2仿真實驗

　　KT變換完成配準、變換,、直方圖匹配,、替代和還原五個步驟。

　?。?）配準：配準多光譜和高分辨率全色圖像,。

　　（2）變換：根據確定的變換系數(shù)R變換得到U所包含的 “亮度分量”,、“綠度分量,、“濕度分量”、“黃度分量及噪聲”四個特征分量,。

　?。?）直方圖匹配：直方圖匹配高分辨率下的全色圖像和K-T變換后多光譜圖像所獲得的亮度分量，要求達到均值和方差一致,。

　?。?）替代：用經過匹配的高分辨率全色圖像替代多光譜圖像經K-T變換后的亮度分量。

　?。?）還原：利用代替過的亮度分量與其他分量進行纓帽逆變換,，還原到RGB空間，得到高空間分辨率的多光譜融合圖像,。

　　在TM遙感數(shù)據圖像里包含著大量的遙感波段數(shù)據信息,。在經過K-T變換后，可以從中得到土壤亮度（BI）,、綠度（GVI）,、濕度（WI）和黃度四個主要的分量特征。

　　BI=0290 9TM1+0249 3TM2+0480 6TM3+

　　0556 8TM4+0443 8TM5+0170 6TM7

　　GVI=-0272 8TM1-0217 4TM2-0550 8TM3+

　　0772 1TM4+0073 3TM5-0164 8TM7

　　WI=0144 6TM1+0176 1TM2+0332 2TM3+

　　0339 6TM4-0621 0TM5-0418 6TM7

　　經過K-T變換后所得到的土壤亮度（BI）,、綠度（GVI）和濕度（WI）三個參量因子的效果圖,，如圖1，三個參量與地表溫度的相關性如圖2,。圖1變換后的分量圖

3結論

　　從圖中看出,，纓帽變換特征分量變化是影響地表溫度的一個關鍵因素，其中,，亮度分量與地表溫度呈正相關關系,，相關系數(shù)為0717 7,；綠度分量、濕度分量分別與地表溫度呈顯著的負相關關系,，相關系數(shù)分別為0943 8,、0829 0。

　　參考文獻

　?。?］ 陳超,江濤,劉祥磊.基于纓帽變換的遙感圖像融合方法研究［J］.測繪科學,2009,34(3):105-108.

　?。?］ 周家香,朱建軍,左延英.IKONOS圖像的纓帽變換方法［J］.礦山測量,2006,3(1):12-14.

　?。?］ 費鮮蕓,張志國,高祥偉.基于纓帽變換的IKONOS數(shù)據融合［J］.計算機工程與應用,2008,44(2):233-235.

　?。?］ 張連華,龐勇,岳彩榮，等.基于纓帽變換的景洪市時間序列Landsat影像森林擾動自動識別方法研究［J］.林業(yè)調查規(guī)劃,2013,38(2):6-12.

　?。?］ 王啟亮,田啟川.基于多尺度分塊的指紋圖像二值化算法［J］.微型機與應用,2013,32(4):33-36.

　?。?］ 王惠,汪金波,彭良玉，等.神經網絡在GRAPPA算法中的應用［J］.微型機與應用,2013,32(4):45-47.

　?。?］ MUNOZMARI J, BOVOLO F, GOMEZCHOVA L, et al. Semisupervised oneclass support vector machines for classification of remote sensing data［J］. IEEE Trans Geosci Remote Sens,2010,48(8):3188-3197.

　?。?］ Xiao Rongbo,Ouyang Zhiyun,Zheng Hua, et al.Spatial pattern of impervious surfaces and their impacts on land surface temperature in Beijing,China［J］. Journal of Environmental Sciences,2007(19):250-256.