Landsat 8 TIRS热红外光谱数据定标准确性的分析

Landsat系列卫星的热红外数据一直是获取地球表面温度的重要数据源,而新一代Landsat 8卫星的TIRS热红外传感器数据进一步延续了这一重要使命。但该卫星发射以来,其热红外传感器的定标参数不断发生变化,致使美国地质调查局(USGS)不得不在2014年2月对所有已获取的Landsat 8卫星数据进行重新处理。为了考察新处理数据的定标准确性,利用定标精度很高的Landsat 7 ETM+的3幅热红外影像来对同日过空的Landsat 8 TIRS热红外影像进行对比, 以查明TIRS热红外数据的定标准确性。结果表明,尽管Landsat 8 TIRS与Landsat 7 ETM+的热红外光谱数据很接近,但是,二者之间也存在着差别。与ETM+6波段反演的大气顶部温度相比,TIRS 10波段表现为高估,幅度最大为1.37 K,而TIRS 11波段则表现为低估,幅度可达-3 K。可见,Landsat 8 TIRS热红外光谱数据的定标参数精度仍不稳定,且以TIRS 11波段表现得更明显。进一步分析发现,TIRS数据的误差会随着地表植被和裸土覆盖比例的不同而发生变化。表现在TIRS 10波段的高估会随着植被比例的下降而加大,而TIRS 11波段的低估则会随着植被比例的下降而减少。因此,虽然USGS提倡用TIRS 10单波段来反演温度,但TIRS 10波段在低植被高裸土区的反演精度却远不及TIRS 11波段,所以在低植被高裸土区可能不宜一味地采用TIRS10波段,在没有把握的情况下,在低植被覆盖区也可尝试采用TIRS 10和11波段温度的均值,它可将误差缩小在<0.5 K范围以内。     

基于冠层辐射传输模型的地表反射率光谱重建方法

针对基于多光谱数据有限光谱信息重建地表反射率光谱的病态求解难题,提出一种基于冠层辐射传输物理机理并充分考虑像元异质性的地表反射率光谱重建方法,该方法假设混合像元由植被和土壤两种地物类型组成,利用冠层辐射传输模型构造端元光谱查找表,进而通过组分比例因子估算实现基于多光谱图像的高光谱地表反射率模拟。以Landsat ETM+多光谱图像为例的地表反射率超光谱重建验证实验结果表明,模拟的反射率光谱能够较好的反映不同地物特征信息。进一步地,利用模拟的地表反射率拟合Landsat ETM+图像和MODIS图像,各波段模拟图像与实际观测图像之间具有较高的相关系数(Landsat: 0.90~0.99, MODIS: 0.74~0.85),进一步验证了该方法的可行性。     

高分五号可见短波红外高光谱影像云检测研究

高分五号(GF-5)卫星上荷载的可见短波红外高光谱相机(AHSI)能够同时获取330个谱段的光谱信息,对大气和陆地进行综合高光谱观测,能有效获取地物的精确信息。云的存在会对遥感影像造成污染,为了提高GF-5数据的利用率,本文结合AHSI的地物高光谱特性,研究多种下垫面背景下的云检测方法。对得到的1级产品,利用产品配套的定标系数以及光谱响应函数文件,得到各波段的大气顶层表观反射率数据。使用多种典型地物与云像元进行表观反射率的对比后发现,厚云与其他类型的像元在可见光波段具有显著差异。高光谱数据由于波段宽度窄,易受到噪声的影响,因此在进行厚云像元判定时,使用多个窄波段数据进行等效计算,得到对应的宽波段表观反射率,在此基础上使用简单的检测阈值可以将厚云筛选出来。之后使用卷云波段,筛选出潜在的薄云像元。高亮地表作为薄云检测的重点研究对象,检测时极易与薄云造成混淆,为了将薄云区域与高亮地表进行有效区分,统计不同波段之间表观反射率比值的变化,将薄云与易造成误判的高亮区域进行对比,确定最优判定波段与阈值。为了验证算法的精度,对多景AHSI影像进行目视解译,勾选出云像元区域作为基准数据。实验结果表明,本文所提方法的云检测总体精度可达91%以上,可以准确区分云与晴空区域,实现高精度的高光谱遥感影像云检测。     

ASTER与Landsat ETM+植被指数的交互比较

在中尺度对地观测系统中,Landsat和ASTER数据无疑是使用得最多的遥感影像数据,但是长期以来二者植被指数之间的定量关系并不清楚.因此,利用三对同日过空的Landsat ETM+和ASTER影像来考察二者植被指数(NDVI、SAVI)之间的定最关系,重点查明二者之间的差异.通过将ETM+与ASTER影像的多光谱波段...     

三维Gabor滤波器与支持向量机的高光谱遥感图像分类

根据高光谱遥感图像的特点及二维Gabor滤波器纹理分割的原理,提出了一种基于三维Gabor滤波器的高光谱遥感图像分类方法。三维Gabor滤波器能够对高光谱遥感图像所有波段同时进行滤波,将大量的图像信息抽取为少量的不同尺寸、方向和波谱的响应,极大减少了高光谱遥感图像纹理信息提取的计算量。利用不同方向和尺寸的三维Gabor滤波器对祁连山黑河流域上游地区的Hyperion影像全波段进行滤波处理,获取26个纹理响应特征,并分析不同纹理对不同地物的区分度。利用自动子空间划分的波段指数(BI)进行波段选择,选取不同的波段组合进行试验,寻找最佳降维幅度。按照纹理对不同地物响应的区分度逐一加入三维Gabor纹理特征,利用三维Gabor纹理辅助光谱信息,运用支持向量机(SVM)的方法进行监督分类。结果表明,基于三维Gabor纹理和自动子空间BI波段选择的SVM分类方法能够在有效降低光谱维数的同时,提高高光谱遥感图像分类的精度和效率。     

基于马氏距离法的荒漠树种高光谱识别

地面实测地物光谱可提供细致的光谱信息,表现同种地物不同理化特性和不同种类地物光谱的微小差异,使利用光谱进行地物识别成为可能。使用美国HR-768型地物光谱仪,在塔里木河下游和吐鲁番沙漠植物园实测胡杨、柽柳、梭梭和沙拐枣高光谱数据,利用包络线去除、一阶微分和二阶微分法对原始光谱进行变换处理,使用马氏距离法确定所测树种原始光谱和变换光谱的差异显著波段,利用逐步判别法检验所选差异波段的识别效果。结果表明：马氏距离法可准确确定树种识别的最佳波段,且上述4树种光谱识别波段大多位于近红外区。原始光谱、包络线去除、一阶微分和二阶微分四种光谱对4树种的识别精度分别为：85%,93.8%,92.4%和95.5%;可见,原始光谱经变换处理可提高树种的识别精度。但不同研究对象、不同光谱处理方法,提高识别精度的效率不同。研究结果将为大尺度高光谱遥感影像用于荒漠植物分类与生境监测和评价提供依据。     

高光谱与多光谱遥感影像反演地表不透水面的对比——以Hyperion和TM/ETM+为例

不透水面遥感信息的反演是近十年来遥感领域的一个热门课题,但是利用高光谱影像反演不透水面信息的研究较少,高光谱和多光谱影像反演不透水面的对比研究也少有报道。重点研究了高光谱EO-1 Hyperion和多光谱Landsat TM/ETM+数据在反演不透水面信息方面的特点,首先在福州、广州和杭州选取了三个实验区,利用线性光谱混合分析模型反演Hyperion和TM/ETM+影像的不透水面信息。对于多达242个波段的Hyperion影像,进一步利用判别分析从中选取了11个特征波段构成新的Hyperion’影像,以考察是否可用缩减波段的方法来取得较好的反演效果。结果表明,Hyperion高光谱影像反演不透水面的能力优于多光谱影像TM/ETM+,而利用特征波段构成的Hyperion’的反演精度最高,这主要得益于Hyperion具有更高的光谱分辨率和辐射分辨率,使其可以更有效地区别不同地物在光谱特征和辐射特征上的微细变化,从而可以更好地区分不同地物。而由特征波段构成的Hyperion’影像由于大幅减少了高光谱影像波段的冗余度,所以获得了更高的反演精度。     

基于局部端元提取的遥感影像波段模拟

针对“波谱库-影像”多光谱遥感影像波段模拟方法中波谱库以矿物质类别为主、忽略大气环境和成像时间对地物波谱影响的问题,以及“参考影像-影像”影像波段模拟方法中地物混合像元和不同空间分辨率像元间模拟的尺度效应问题,提出基于局部地物端元提取的遥感影像波段模拟方法。首先对与待模拟影像具有相似地物类别组成的参考影像进行光谱聚类分割,形成影像局部区域;然后提取各个局部区域的地物端元,并对地物端元进行优选形成地物端元样本集;接着利用端元样本集建立地物端元波谱间的关系模型;最后利用关系模型预测目标影像波段。首先通过模拟Landsat TM5影像的蓝光波段,验证方法的稳定性和可靠性;然后通过模拟IRS-P6影像的蓝光波段,验证方法的适用性和推广性;并在实验过程中同已有的“波谱库-影像”波段模拟方法和“参考影像-影像”波段模拟方法进行视觉效果对比和定量统计分析,进一步表明方法对各类地物均有较好的模拟效果,能够准确地表达地物的真实波谱。     

一种适合高光谱卫星云识别的Fmask改进算法

近年来，我国卫星高光谱技术发展迅猛，高分五号、高分五号02星、资源一号02D星、资源一号02E星等相继发射为遥感领域带来了丰富的高光谱数据源。但高光谱卫星在成像过程中不可避免地会受到云及云阴影的影响，如何准确识别成为保障后续应用的关键，Fmask算法作为国内外诸多算法中的典型代表，已被Landsat和Sentinel业务化产品生产系统采用。Fmask算法作为国内外诸多算法中的典型代表，已被Landsat和Sentinel业务化产品生产系统采用。但该算法对于缺少热红外波段的数据精度偏低，例如对Sentinel-2数据的云和云阴影识别精度分别为84.5%和50%左右。鉴于此，本文通过在原有算法中优化云及云阴影识别算法结构、增加高亮地物识别辅助判据等改进手段，提出了一种适合高光谱卫星的Fmask改进算法，并在含有城区、山地、平原等三类不同下垫面场景的20景高分五号和资源一号高光谱影像中进行检验，结果表明：云识别的用户精度和生产者精度可达91.26%和99.97%，云阴影识别精度达到78.66%和79.41%，明显优于原始算法。本文算法对于高光谱数据的云及云阴影识别具有精度高、效果稳定和易于工...     

遥感图像林地与农田小波特征的神经网络识别

为了解决仅仅依赖遥感图像光谱特征较难正确区分光谱相近的植被覆盖下垫面林地与农田的问题,对美国Landsat 7 ETM卫星遥感图像进行小波变换分解,研究林地、农田样点的小波系数特征的差异,研究BP人工神经网络识别光谱相近的林地与农田的方法。结果表明,小波变换对遥感图像地物的空间变化非常敏感,在一定尺度下能分离林地与农田地物的细节特点的差异,其多波段小波系数特征存在差异,可以构成光谱相近地物林地、农田的识别特征向量,使用BP神经网络对样本训练后可有效地识别光谱相近的林地与农田地物。     

利用卫星云图反演云导风的新思路

本文首先借助于近年来发展起来的数值微分方法,从图像灰度中提取出图像梯度信息;然后利用正则化方法,实现了云导风反演;最后采用仿真和实际试验两种方法,对云图中有扰动时加入灰度梯度信息和未加入灰度梯度信息的风场反演结果进行比较.结果表明,加入图像灰度梯度信息所实施的新反演方法可有效减小图像干扰的影响,同时也大大提高了风矢量反演的精度,为卫星云图反演云导风探索一条新路子. 关键词： 云导风 数值微分 图像灰度梯度 正则化     

彩色遥感图像去薄云新方法

提出一种基于改进型多尺度Retinex彩色图像的增强方法，以实现彩色遥感图像去薄云的新方法。采用改进型Retinex算法增强后的图像突出了黑暗区域的信息，但是云在遥感图像中出现在较亮区域时，一般来讲Retinex不能直接实现去云。如果将有云的遥感图像取补色，则原来亮的区域就变成了暗的区域。该文利用改进后的多尺度Retinex算法对这个区域实现增强，将黑暗的区域呈现出层次感，再将增强后的图像取补色，突出了原图像中亮区域的层次感，从而达到去除薄云的目的。实验结果表明:该方法去薄云效果良好。     

基于谱聚类与类间可分性因子的高光谱波段选择

随着遥感技术和成像光谱仪的发展,高光谱遥感图像的分辨率不断提高,其庞大的数据量在提高其遥感探测能力的同时,也给分析和处理带来了很大的困难。高光谱波段选择可以有效减少数据冗余,提高分类识别精度和处理效率。因此如何从多达数百个波段的高光谱图像中选择出具有较好分类识别能力的波段组合是亟待解决的问题。针对上述问题,采用基于图论的谱聚类算法,将原始高光谱图像中的波段作为待聚类的数据点,利用互信息描述两两波段间的相似度,生成相似度矩阵。再根据图谱划分理论,将相似度矩阵生成的非规范化图拉普拉斯矩阵进行谱分解,得到类间相似度小且类内相似度大的类簇;然后根据地物类型计算各波段的类间可分性因子,将其作为类簇内进一步选择代表性波段的参考指标,达到降维的目的;最后通过支持向量机与最小距离分类方法对波段选择后的图像分类。该方法区别于传统的无监督聚类方法,采用基于图论的谱聚类算法,并根据先验知识计算类间可分性因子来选择波段。通过与自适应波段选择算法和基于自动子空间划分的波段指数算法的对比实验,结果表明：两组实验当聚类数目达到相对最佳时,该波段选择方法支持向量机图像总分类精度达到94.08%和94.24%以上,最小距离分类图像总分类精度达到87.98%和89.09%以上,有效保留了光谱信息,提高了分类精度。     

彩色遥感图像薄云去除方法

针对彩色遥感图像中薄云带来的降质问题,提出了一种基于低秩矩阵分解的去云方法。将彩色遥感图像分成三个单通道图像,对每一个通道进行低秩矩阵分解,得到单通道薄云信息;根据薄云在三个通道中均匀分布的特点,选取合适的阈值对薄云信息进行自动判定,提取代表三个通道的薄云图像;用三个通道的图像分别减去对应通道的薄云图像,并融合三个通道的结果得到去云后的彩色遥感图像。实验结果表明,该方法不仅能够保留无云区域信息的完整性,而且对有云区域的处理在主观视觉效果和客观评价指标上都具有较好的效果。     

基于K-L散度与光谱可分性距离的波段选择算法

波段选择是高光谱降维的常用手段,文中从波段选择应遵循的3个原则出发设计了一种基于信息散度与光谱可分性距离的波段选择算法。将高光谱数据中每个波段的光谱分量看作一个一维向量,使用K-L散度表示其相互之间的信息量,选出信息量大且相似性最小的波段组合;根据每个波段中不同地物光谱可分性距离的计算,得到可分性较大的波段组合;将两组波段组合取交集,即得到最优组合波段。为了验证算法的有效性,将选出的最佳3个波段进行伪彩色合成,对其进行光谱角制图分类,分类精度达到92.2%,Kappa系数为0.88.     

基于OB-HMAD算法和光谱特征的高分辨率遥感影像变化检测

高空间分辨率遥感影像蕴涵丰富的地物细节信息,针对高分辨率多时相遥感影像的变化检测可以更清楚认识到地理单元的变化情况,传统的遥感变化检测算法面对高分辨率遥感影像时,会出现明显的"椒盐现象"。本文借鉴面向对象图像分析的思想,以高分辨率遥感影像对象的光谱特征为分析对象,在多变量变化检测算法(multivariate alternative detection, MAD)的基础上,提出一种半自动阈值选取的OB-HMAD(object based-hybrid MAD)算法,并利用该算法进行变化检测实验对比分析。首先对高分辨率多时相遥感影像进行多尺度分割,形成多通道的影像对象;其次利用MAD变换,形成差异影像对象,并对其进行MNF变换,提高影像对象的信噪比;然后采用直方图曲率分析(histogram curvature analysis, HCA)进行半自动阈值选取,提取变化区域;最后结合实地样本数据对变化检测结果进行混淆矩阵的精度验证。结合2012年和2013年北京地区Worldview-2影像的实验可知,OB-HMAD算法融合多通道的光谱信息,可以有效的实现多时相高分影像的变化检测,基本消除了基于像元变化检测中"椒盐"现象的干扰,并在一定程度上降低建筑物阴影和几何配准误差的影响,总体精度和kappa系数也较优于其他变化检测算法,但存在较大的漏检误差。MNF变换可以有效的提高影像的信噪比,使差异信息更集中,直方图曲率分析的阈值分割算法相对其他阈值算法,自动化程度更高。