阴影植被指数SVI的构建及其在四种遥感影像中的应用效果

阴影是遥感影像中普遍存在的干扰因素,如何有效去除阴影已成为共识,寻找一个有效的阴影检测指标是实现影像阴影去除的基础工作。以Landsat TM,ALOS AVNIR-2,CBERS-02B CCD及HJ-1 CCD影像为试验数据,立足于进一步增大阴影区植被与明亮区植被、水体间的差异,实现影像阴影的有效检测,构建了一个新的植被指数——阴影植被指数SVI,该指数既可保证明亮区植被、阴影区植被、水体区在近红外波段的绝对差异,又能对NDVI进行放大,消除可能存在的混淆现象,改变NDVI直方图的“偏态”现象,使植被指数值更接近于正态分布,更符合地面实际;该指数适用于近红外波段辐射特征差异较大的地物。采用精度评估法验证SVI对明亮区植被、阴影区植被、水体区三类地物的识别效果,结果显示,四幅影像总分类精度依次高达98.89%,100%,97.78%,97.78%,总Kappa系数依次为0.983 3,1,0.966 7,0.966 7, 说明SVI对明亮区植被、阴影区植被及水体区具有极好的检测效果;对子影像、SVI与NDVI的统计指标对比亦说明,SVI可靠、有效,可以将其应用于影像阴影去除。     

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...     

微分算法的艾比湖湿地自然保护区土壤有机质多光谱建模

针对以往利用高光谱数据来来反演土壤有机质（SOM）的可行性与可靠性,结合微分处理对光谱数据信息提取的高效性,提出了直接对多光谱遥感影像进行微分处理就可得出SOM建模研究,旨在为今后SOM速测提供参考。采用Landsat 8_OLI 多光谱遥感影像数据,对多光谱遥感影像进行辐射定标、几何校正、大气校正、镶嵌和裁剪,运用IDL软件对影像进行一阶微分处理和二阶微分处理,发现一阶微分图像能够更好地表达地物的真实情况,更好地区别水体与土壤。原始遥感影像包含大量的信息其中还包括噪声,通过微分处理后的遥感影像剔出了原始影像中反射率值突兀变化的部分。在研究区采用五点法采集土壤样品。室内实验用重铬酸钾氧化-容量法测得SOM数据。多光谱数据结合地面实测SOM数据,分析SOM与多光谱数据反射率的关系,发现一阶微分处理后的遥感数据与SOM含量的相关性存在敏感波段,说明一阶微分处理可以将原始遥感图像数据在多光谱范围内的一些隐含的土壤有机质信息释放出来。选取相关性高的数据建立基于原始遥感数据、一阶微分数据、二阶微分数据的单波段多光谱线性模型和多波段多光谱线性模型,选取最优模型来估算和反演土壤有机质含量。结论如下：（1）通过对原始影像进行微分处理发现,微分处理后的影像变化明显,一阶微分处理的影像噪声降低,更加突出了影像中土壤有机质隐藏的信息。二阶微分处理的影像抑制了土壤有机质信息。（2）原始遥感影像各波段数据对土壤有机质含量的相关性较低,一阶微分处理后的遥感影像数据反映出土壤有机质敏感波段即部分波段数据相关性明显高于原始数据,二阶微分处理后的遥感影像各波段数据对土壤有机质含量的相关性较弱。（3）多波段建模效果要优于单波段建模;一阶微分多波段模型预测精度最优,其模型的决定系数和模型拟合的决定系数分别为0.898和0.854,该模型对估算研究区内的SOM含量效果较好;综合比较了单波段模型和多波段模型的拟合精度,发现无论在单波段模型还是多波段模型一阶微分处理后的模型都具有更好的预测能力。（4）基于一阶微分多波段模型对研究区SOM进行反演,反演结果与实际情况相符合,对干旱区SOM含量制图提供了切实可行的方法和参考。     

彩色遥感影像阴影颜色特性分析

为了获得具有标识性且易于获取的阴影特征,总结了彩色图像常见的颜色模式,分析和研究了遥感影像中阴影的亮度、色调、饱和度以及阴影区B通道与G通道强度之间的关系等颜色特性.通过系列实验和分析可知:1)彩色遥感影像色调通道中的高亮值对阴影区域的位置具有一定程度的指示作用;2)低亮度是遥感影像中阴影的重要特征;3)同一幅遥感影像阴影区的饱和度在整体上具有一致性;4)同一幅遥感影像上,阴影区像素B通道强度与G通道强度的大小关系具有一定程度上的一致性.利用这四种特征进行自动阴影识别的初步结果,验证了这四种特征在对遥感影像阴影区的综合标识上是有效的,可以作为计算机阴影自动检测方法的建模基础.     

彩色遥感影像阴影颜色特性分析

为了获得具有标识性且易于获取的阴影特征,总结了彩色图像常见的颜色模式,分析和研究了遥感影像中阴影的亮度、色调、饱和度以及阴影区B通道与G通道强度之间的关系等颜色特性.通过系列实验和分析可知:1)彩色遥感影像色调通道中的高亮值对阴影区域的位置具有一定程度的指示作用;2)低亮度是遥感影像中阴影的重要特征;3)同一幅遥感影像阴影区的饱和度在整体上具有一致性;4)同一幅遥感影像上,阴影区像素B通道强度与G通道强度的大小关系具有一定程度上的一致性.利用这四种特征进行自动阴影识别的初步结果,验证了这四种特征在对遥感影像阴影区的综合标识上是有效的,可以作为计算机阴影自动检测方法的建模基础.     

新光谱变换结合神经网络提取山区地形遥感水体信息

通过对比分析MNDWI结合阈值法和波段谱间关系结合阈值法这两种常见的水体信息法,针对其识别山体阴影和水体的准确率的不高的缺点,提出了一种新的光谱变换结合神经网络分类法。实验结果表明,新光谱变换结合BP神经网络的遥感分类方法基本上消除了山体阴影对水体提取的干扰,提取水体信息的效果比前两种方法要好。     

基于单景遥感影像的去云处理研究

去云处理是遥感图像处理以及大气纠正的重要步骤。常规的去云处理算法会随云的覆盖类型的不同而不同,如同态滤波或时间平均法,这些算法在去除云对影像影响的同时,往往会伴随地物信息的丢失。提出了基于单景遥感影像的去云处理算法———基于遥感影像分类结果及云检测结果的去云处理算法,目的是去除影像中云的散射影响,恢复地物的光谱信息。算法是针对局部有云的单景Landsat7 ETM+影像进行的。根据Landsat7 ETM+波段4,5,7对影像进行聚类分析,确定不同地物的覆盖类型;利用波段1,2,3及波段6划分出影像中的无云区以及不同覆盖厚度的云层;按照相同地物覆盖类型对非云区与不同云区进行平均反射率匹配,以达到去云的效果。结果表明,经过去云处理的影像,在分类运算中能够明显地提高分类精度,能够很好地恢复地物的光谱信息。     

基于端元可变的喀斯特地形复杂区石漠化信息提取

喀斯特山区因地形复杂、地表破碎等特点使得遥感影像中阴影、混合像元及光谱变异现象普遍存在,传统基于多光谱遥感的像元二分法（DPM）在光谱变异和阴影显著的区域难以准确的对喀斯特石漠化（KRD）信息进行提取。采用高光谱遥感的混合像元分解技术可将复杂的混合像元分解为纯净的地物光谱与各地物光谱对应的混合比例,为复杂山区获取更高精度的石漠化信息提供可能。然而,由于光照、环境及大气等诸多因素的变化会引起端元发生不同程度变异,导致在混合像元分解过程中出现显著的误差,其次要从地形复杂、地表异质性强的山区影像上直接获取地物纯净光谱建立用于应对光谱变异的光谱库极其困难。因此,如何在这种情况下应对光谱变异和地形效应,获取有效、准确的对石漠化信息进行提取是当前研究的重点。针对以上问题,采用通过模拟由光照条件造成的地物反射率变化,并考虑每个波长间隔光谱变异情况的广义线性混合模型（GLMM）,以减轻喀斯特地区石漠化信息提取过程中光谱变异与地形效应的影响。首先,从GF-5高光谱影像中提取喀斯特地区主要地物（植被、裸岩、裸土）的典型代表性光谱,然后基于提取的地物光谱模拟不同光照下每个像元光谱的变异情况,选择最适合的光谱组合对像元进行分解,得到最优的解混效果。为了验证方法的可靠性,利用高分辨率影像目视解译的结果作为参考对方法预测结果进行验证,同时选择未考虑端元变异的全限制最小二乘法（FCLSU）和DPM进行对比。结果表明,在地形高度复杂的喀斯特山区,考虑阴影、混合像元及光谱变异是必要的,GLMM在石漠化信息提取中总精度达到了84.89%,明显高于其他两种方法的59.68%和67.34%。通过对光照区和阴影区分别进行精度检验,发现GLMM在光照区与阴影区有着相似的精度表现,而另外两者则差异较大,阴影区明显低于光照区。这反映GLMM能较为有效地减轻地形效应的影响,对喀斯特石漠化信息提取的精度有一定提升。     

高分四号卫星数据云和云阴影检测算法

高分四号卫星(GF-4)是我国研制的首颗地球同步高分辨率光学成像卫星,具有高时间分辨率和较高的空间分辨率。针对高分四号卫星数据的特点,提出了一种光谱分析与几何算法相结合的云和云阴影检测算法。使用几何校正和辐射定标后的高分四号影像,基于云与典型地表的光谱特征,采用光谱差异分析技术识别出潜在云像元,根据有云地物和无云地物的光谱变化率差异计算云概率;由云和云阴影的几何关系,并结合传感器参数识别云阴影的投影带,然后根据阴影的光谱特征在投影带中设定基于影像的动态阈值,用于检测云阴影。该算法能较好地识别薄云,而且可以显著提高云阴影的检测精度。采用目视解译法对检测精度进行验证后发现,不同区域类型的云像元识别位置准确,形状完整;将所提云阴影检测方法与云和云阴影匹配算法进行对比后发现,前者识别的云阴影更为精确。     

基于光谱知识库的TM影像冬小麦条锈病监测研究

基于高光谱信息的冬小麦条锈病严重度反演模型通常不能直接应用在宽波段卫星影像上,而拥有高光谱波段信息的航空遥感影像又因数据尺度小、成本高难以应用于大规模监测。文章提出一种通过构建冬小麦条锈病光谱知识库,利用TM影像实现病情识别和监测的方法。该方法以包含各种不同病情严重度的试验田的三幅小麦关键生育期PHI航空遥感影像为媒介,利用病情指数DI的经验反演模型和基于波谱响应函数的TM波段模拟,建立DI和TM波段模拟反射率间的光谱知识库。在此基础上,通过马氏距离法和光谱角度填图(SAM)法将待检象元的光谱信息与光谱知识库进行匹配分析从而实现对病情识别和监测。监测的精度利用模拟TM象元进行评价,识别的效果利用TM影像象元进行检验。结果表明,该方法在一定生育期范围内具有较佳的监测精度和识别效果。其中,使用模拟TM象元在小麦灌浆期精度最佳,评价的R2达到0.93,乳熟期次之,拔节期最差,基本不能用于监测。使用TM影像象元在灌浆期和乳熟期可较好地识别染病象元,在拔节期无法有效识别染病象元。匹配方法马氏距离法略优于光谱角度匹配法。     

利用一种偏振方法减小由强反射或弱反射强度引起的植被反演误差

无论是多角度遥感的发展、还是偏振、高光谱遥感的发展,它们有一个相同的目的,即利用电磁波的种种特性、以及空间特性来对地球表面的一切地物进行精确的识别。任何单一的方法和手段不可能完整地描述和反映地物的所有特征。偏振测量是目标测量识别技术中不可缺少的技术之一,并且成为近年来全世界目标识别领域中的研究热点。由于定量遥感的反射强度对植被遥感的影响不可忽视,反射辐射信号呈现饱和或过弱都不能被检测到。而偏振是植被定量遥感的重要手段,因而有必要开发一种克服由反射强度强弱引起的植被反演误差的方法,这也是我们目前的研究目标。如果反射的辐射信号太强或太弱,都会影响遥感的准确性,而来自植被的偏振光可以提供有用的信息,特别是当反射的辐射信号饱和时,使得传感器不能获得足够有用的非偏振信息。本研究采用基于地面的偏振成像光谱仪系统,开发了一种偏振方法来克服反射强度过强过弱引起的植被反演误差。利用FISS-P偏振成像光谱仪系统研究了反射强度对遥感植被NDVI和DoLP效用的影响,实验地点在北京市中国科学院奥林匹克科技园。在对目标采样时对反射率强,反射率弱以及反射率适中的植被分别测量,同时对目标植被的不同波段(470, 555, 670, 864 nm)的DoLP进行计算与分析。地基成像光谱仪系统(FISS-P)提供了具有偏振信息的高空间分辨率图像,我们可以确定在阴影和强反射区域中单个像素的光谱偏振特性。在成像光谱信息的基础上,利用光的偏振性来对地物的物理特性进行分析。本文使用斯托克斯分量来表征反射光的各个偏振分量,使用线偏振度(DoLP)表征反射光偏振程度。信号饱和度和阴影效应导致归一化植被指数(NDVI)植被密集程度非常低,造成严重的反演误差,然而强反射对线偏振度(DoLP)的影响不大。研究结果表明,反射辐射信号饱和时,偏振效应可以通过适当的频带提高植被的反演精度,平均NDVI的相对误差为33.8％,而DoLP(670 nm)的相对误差仅为6.3％,而其他波段的DoLP(555 nm,864 nm)的相对误差要大很多。这项研究结果表明,在植被识别时可以忽略强反射,然而,阴影(弱反射)效应是不容忽视的。FISS-P偏振成像光谱仪是用于计算具有不同反射强度的样品类型的偏振和非偏振参数的有效工具,同时发现在识别植被时,强烈的反射可以忽略不计,但是植被的阴影(弱反射)效应不容忽视。与非偏振方法相比,偏振效应可以提高反射辐射信号饱和时的植被反演精度。这项研究分析了使用偏振法强弱反射强度引起的误差减少。为了进一步揭示植被的阴影(弱反射)效应与DoLP之间的关系,还有一些问题需要解决。     

基于曲率滤波优化的遥感影像去雾算法

针对山区容易积聚云雾不利于遥感影像解译,且遥感影像因包含大量信息数据计算速率慢,在去雾过程中遇到雾量过多的情况去除效果差的问题,提出了一种曲率滤波优化与非局部去雾方法相结合的光学遥感影像去雾算法。首先通过曲率滤波降低了图像的总能量,从而减少了图像占用的内存,提高了计算效率。然后通过霍夫变换表决机制筛选出符合的大气光值,再根据大气散射模型估算透射率。最后,通过图像重建获得无雾图像。实验结果表明,该方法在计算速率上显著快于未经高斯曲率滤波优化的方法,在去雾效果方面,雾量很多情况下所恢复图像细节清晰,亮度适宜,改善了去雾时雾量很多去除效果差的情况。     

山区智能视觉火情高空图像搜集系统的设计与实现

介绍了一种针对山区多样性突发火情事件中基于智能视觉的高空图像搜集系统,采用以ST意法半导体公司的STM32F107VCT6为处理核心的开发平台,地面控制平台通过高空无人机的高速照相机对目标区域火情图像数据进行搜集,并将图像数据带回到地面控制平台的PC处理器上进行综合分析。地面控制平台根据智能视觉信息采集模块采集的山区遥感图像的均值作为初始背景,并对背景图像进行实时更新,利用光谱特征与距离算法获取差分图像,并进行图像处理,从而获取山区发生火情区域的图像分析数据,以实现对山区森林突发火情事件的及时监测,在火情发生初始阶段就能扑灭。本文对山区智能视觉火情高空搜集系统的实现原理、核心硬件设计、系统软件设计等分别进行了研究,并通过系统实验进行了验证,测试结果表明,该系统在对山区的高空图像搜集实验中,对不同颜色物体的分别识别率为100%,对火灾与地形地貌的识别率为95.55%和81.12%,非常适用于各种山区环境下的智能视觉监控系统。     

基于改进暗目标法山区HJ CCD影像气溶胶光学厚度反演

国产HJ CCD影像在环境与灾害监测预报方面具有巨大的应用潜力,但其缺少中红外波段无法直接应用传统暗目标法反演气溶胶光学厚度,尤其山区受地形影响,气溶胶时空分布变化显著,影响了HJ CCD影像的大气校正精度。基于山区森林植被分布广的特点引入红波段直方图阈值法自动提取山区浓密植被暗像元,构建红蓝波段地表反射率间的线性关系,利用6S辐射传输模型建立查找表反演暗像元的气溶胶光学厚度,并通过空间插值推演到整幅影像。HJ CCD影像反演结果与MODIS气溶胶产品的空间分布趋势一致性非常好,且前者具有更高的空间分辨率特性,更适合山区气溶胶的遥感监测。二者的散点图拟合曲线为y=0.828 6x-0.001,R2达到0.984 3,表明改进暗目标法能有效地反演山区HJ CCD影像气溶胶光学厚度。工作中对传统暗目标法的改进有效地解决了HJ CCD影像只有可见光、近红外波段,在求解辐射传输方程时信息不足的问题,同时,改进方法中充分考虑了山区复杂地形环境的影响,为山区HJ CCD影像进行逐点大气校正奠定了基础,并为其自动化处理提供了可能。分析还显示,红波段直方图阈值法提取浓密森林暗像元比NDVI阈值法具有明显的优势;查找表建立和暗像元红、蓝波段地表反射率关系都会显著的影响气溶胶光学厚度的反演精度,是进一步改善算法、提高反演精度的重要研究方向。     

月球表面遥感图像阴影消除及其信息恢复研究

由于月球表面的地形起伏引起月面遥感图像像素与太阳相对位置和几何取向不一致,导致月面遥感数字图像上阴影像素的产生。为了解决这一问题,利用与遥感图像匹配的DEM和光照方位参数进行遥感图像的阴影判断,基于DEM数据,利用邻坡反射辐射,进行自然地形条件下的月表遥感图像阴影像素的阴影消除,恢复成太阳光谱照度相等（入射角,反射角和距离相同）时的像素遥感值。仿真实验结果表明：该方法较好地消除了月表影像的阴影,充分恢复了月表影像的反射/光谱特征。     

ETM图像大气邻近效应校正

准确地利用所获遥感图像反演地物的反射率,是提高遥感图像后续产品的质量和遥感定最化应用的前提.然而,由于大气对电磁波的散射作用,星载传感器所接收到的被观测目标的电磁辐射信号包含了来自背景地物的贡献,产生了邻近效应,使得所获遥感图像模糊不清,对比度降低,反演的地物反射率精度下降,从而降低了遥感图像后续产品的质量和定量遥感的精度.以ETM图像为实验数据,根据大气辐射传输模型,采用点扩散率函数法进行了ETM图像大气邻近效应校正实验.实验结果表明,经过大气邻近效应校正后,ETM图像的对比度明显增大,图像清晰,可识别细节增加,反演的地物反射率更加准确.     

基于Retinex彩色图像增强及其闭合区域提取的研究

提出了一种基于Retinex和闭合边缘提取的新方法.这一方法对于彩色遥感图像中存在的阴影区域得到了增强.首先将彩色遥感图像利用小尺度Retinex进行增强,再利用边缘检测的结果,编制程序提取原图像中阴影的区域,将用小尺度Retinex增强的图像中相应的像素替代原图像中阴影的区域.在实施闭合边缘提取过程中,提出了真断点与准断点判别法、“蝌蚪”状尾巴回退消除法等,确保所需要的闭合区域的提取.这一方法对于遥感图像中地物的半自动提取方面有着重要意义.