摘要：利用缨帽变换提取土壤亮度指数、绿度植被指数、湿度指数等地表参数，利用模型提取归一化植被指数NDVI、比值植被指数RVI、修改型土壤调整指数MSAVI等植被指数和水体指数MNDWI，利用Artis单窗算法估算热红外波段像元尺度地表温度，将地表温度的影响因素作为BP神经网络输入估算30 m空间分辨率的亚像元地表温度，分析1989～2006年桂林城区土地利用变化、缨帽变换特征分量变化、植被参数变化、水体指数变化对地表温度的影响机理。

　关键词：缨帽变换；亮度指数；绿度指数；湿度指数

1K-T变换概述

　　K-T变换称之为缨帽变换。K-T变换是由多光谱的遥感土壤、绿色植被等数据信息，在多位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。K-T变换是Kauth和Thomas利用MSS图像来反应植物的生长状态提出的变换。其本质是一种线性变换。通过结果分析，意外地发现在MSS的特征空间中，植被光谱信息点是缨帽形状的，所以称为缨帽变换。

　　11转换系数

　　KT变换本质为一种特殊的PCA变换，其转换系数是固定的。KT变换MSS的转换系数：

　　Y=［Y1，Y2，Y3，Y4］T

　　其中，Y1：亮度分量，主要反映土壤反射率变化的信息；Y2：绿度分量，反映地面植被的绿度；Y3：黄度分量，反映植被的枯萎程度；Y4：噪声，无实际意义。

　　K-T变换TM的转换系数：

　　其中，Y1：亮度分量；Y2：绿度分量；Y3：湿度分量。

　　Y=［Y1，Y2，Y3，Y4，Y5，Y7］T

12KT变换的基本思想

　　K-T变换的本质思想是：多波段图像是N维空间特征。其中，每一个像元都是N维特征空间中的一个数据点。观察前期的成果可以知道，植被特征主要由三个数据轴来反映，分别为亮度轴、绿度轴及湿度轴，确定相关的转换系数，如上所说的三个轴的数据特征由不太复杂的线性计算或者特征空间旋转来得到，同时，这种旋转与传感器的性能有关，因而还需要确定传感器的类型［1］。

13变换的基本原理

　　U=RTx+r（1）

　　R代表缨帽变换系数，x代表不同波段的灰度值，r表征常数的偏移量，它的存在是为了避免在变换过程中出现负值的情况发生［2］。U表示缨帽变换后不同的波段灰度值。K-T变换后所得到的特征数据中，前三个特征数据和地物类型有着密不可分的关系。第一个分量为亮度指数，反映了地物总体反射率的综合效果；第二个分量为绿度指数，它的特征量受绿色植被种类、植被数量、植被叶面积指数的影响非常大；第三个分量为湿度指数，它反映了地面水分的条件，特别是土壤的湿度状态，其余分量为黄度指数及噪声［36］。

2仿真实验

　　KT变换完成配准、变换、直方图匹配、替代和还原五个步骤。

　　（1）配准：配准多光谱和高分辨率全色图像。

　　（2）变换：根据确定的变换系数R变换得到U所包含的 “亮度分量”、“绿度分量、“湿度分量”、“黄度分量及噪声”四个特征分量。

　　（3）直方图匹配：直方图匹配高分辨率下的全色图像和K-T变换后多光谱图像所获得的亮度分量，要求达到均值和方差一致。

　　（4）替代：用经过匹配的高分辨率全色图像替代多光谱图像经K-T变换后的亮度分量。

　　（5）还原：利用代替过的亮度分量与其他分量进行缨帽逆变换，还原到RGB空间，得到高空间分辨率的多光谱融合图像。

　　在TM遥感数据图像里包含着大量的遥感波段数据信息。在经过K-T变换后，可以从中得到土壤亮度（BI）、绿度（GVI）、湿度（WI）和黄度四个主要的分量特征。

　　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

　　经过K-T变换后所得到的土壤亮度（BI）、绿度（GVI）和湿度（WI）三个参量因子的效果图，如图1，三个参量与地表温度的相关性如图2。图1变换后的分量图

3结论

　　从图中看出，缨帽变换特征分量变化是影响地表温度的一个关键因素，其中，亮度分量与地表温度呈正相关关系，相关系数为0717 7；绿度分量、湿度分量分别与地表温度呈显著的负相关关系，相关系数分别为0943 8、0829 0。

　　参考文献

　　［1］ 陈超,江涛,刘祥磊.基于缨帽变换的遥感图像融合方法研究［J］.测绘科学,2009,34(3):105-108.

　　［2］ 周家香,朱建军,左延英.IKONOS图像的缨帽变换方法［J］.矿山测量,2006,3(1):12-14.

　　［3］ 费鲜芸,张志国,高祥伟.基于缨帽变换的IKONOS数据融合［J］.计算机工程与应用,2008,44(2):233-235.

　　［4］ 张连华,庞勇,岳彩荣，等.基于缨帽变换的景洪市时间序列Landsat影像森林扰动自动识别方法研究［J］.林业调查规划,2013,38(2):6-12.

　　［5］ 王启亮,田启川.基于多尺度分块的指纹图像二值化算法［J］.微型机与应用,2013,32(4):33-36.

　　［6］ 王惠,汪金波,彭良玉，等.神经网络在GRAPPA算法中的应用［J］.微型机与应用,2013,32(4):45-47.

　　［7］ 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.

　　［8］ 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.