EN中文

地球信息科学学报 >

2016 , Vol. 18 >Issue 5: 606 - 614

DOI: https://doi.org/10.3724/SP.J.1047.2016.00606

多源多时相遥感影像相对辐射归一化方法研究

  • 黄启厅 , 1, 2, * ,
  • 覃泽林 3 ,
  • 曾志康 3
展开
  • 1. 中国科学院遥感与数字地球研究所 遥感科学国家重点实验室,北京 100101
  • 2. 中国科学院大学,北京 100049
  • 3. 广西农业科学院农业科技信息研究所,南宁 310001

作者简介：黄启厅（1983-）,男,广西南宁人,博士生,研究方向为遥感信息提取。E-mail:

收稿日期: 2015-12-16

  要求修回日期: 2016-04-06

  网络出版日期: 2016-05-10

基金资助

国家高技术研究发展计划项目（2015AA123901）

广西科学研究与技术开发计划项目（14125008-1-6）

国家高分辨率对地观测系统重大专项（03-Y30B06-9001-13/15-01）

收起

A Study on the Relative Radiometric Normalization of Multi-sources and Multi-temporal Remote Sensing Data

  • HUANG Qiting , 1, 2, * ,
  • QIN Zelin 3 ,
  • ZENG Zhikang 3
Expand
  • 1. State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China
  • 2. Graduate University of Chinese Academy of Sciences, Beijing 100049, China
  • 3.Scientific and Technological Information Research Institute, Guangxi Academy of Agricultural Sciences, Nanning 530007, China
*Corresponding author: HUANG Qiting, E-mail:

Received date: 2015-12-16

  Request revised date: 2016-04-06

  Online published: 2016-05-10

Copyright

《地球信息科学学报》编辑部 所有
Fold

摘要

为满足多源、多时相遥感影像定量化信息提取的应用需求,本文发展了一种半自动化的相对辐射归一化方法。将多源遥感影像的相对辐射归一化分为传感器辐射校正与针对光照等外部因素的辐射归一化2个过程。首先,基于晴空影像,采用分类回归的方式获取传感器辐射校正系数;然后,利用样本传递再分类的方法实现多源影像的半自动分类和传感器辐射偏差校正;最后,基于NDVI差值直方图和类别约束的PIFs自动选取方法,实现影像的相对辐射归一化。采用准同期的GF1-WVF1和Landsat8-OLI影像以及多源时序影像对方法进行了验证,结果表明,本文方法可以对传感器间的辐射偏差进行有效纠正,并在整体上获得比传统方法更好的辐射归一化精度;同时,多源时序影像的辐射校正结果也表明,本文方法能够有效地消除时序影像间的辐射特征波动,使植被等地类的季相变化信息得到更准确地表达,为多源时序影像的协同利用提供了借鉴方法。

关键词： 时间序列; 多源影像; 辐射归一化; 半自动分类

本文引用格式

黄启厅 , 覃泽林 , 曾志康 . 多源多时相遥感影像相对辐射归一化方法研究[J]. 地球信息科学学报, 2016 , 18(5) : 606 -614 . DOI: 10.3724/SP.J.1047.2016.00606

Abstract

In order to meet the demand for quantitative information extraction from multi-sources and multi-temporal satellite data, a semi-automatically relative radiometric normalization approach was developed in this paper. The relative radiometric normalization procedure of multi-sources image is divided into two parts: the first one is sensors’ radiometric correction and the other is the normalization of radiometric discrepancy caused by external factors such as the changes of illumination. Firstly, the radiometric correction coefficients of sensors were obtained by the classes-specified regression method based on clear-sky images. Secondly, by applying the sample transferring method, the multi-sources images were semi-automatically classified, and the radiometric deviations of the corresponding sensors were adjusted. Lastly, based on the images’ classification results, the PIFs were automatically chosen by combining the NDVI difference histogram with the class restraint, and the relative radiometric normalization of images was thereby accomplished. A pair of quasi-synchronous GF1-WVF1 and Landsat 8 images, and a set of multi-sources and time-series images were adopted to demonstrate the validity of the presented approach. The results showed that, this method can effectively correct sensors’ radiometric discrepancy and achieved a higher radiometric normalization accuracy when compared with the traditional method.Meanwhile, the results from time-series dataset also demonstrated that this method can effectively reduce the fluctuation of radiation features between time-series images, and the seasonal changes of vegetation were therefore accurately presented. It can thereby offer a reference to the synergic utilization of multi-sources and time-series images.

Key words： time series; multi-sources image; radiometric normalization; semi-automatic classification

1 引言

遥感影像获取受传感器本身、光照、大气、地形等因素的影响,导致不同影像上相同地物的光谱特征存在很大差异。因此,在利用多源或多时相遥感影像进行变化检测或地物信息提取之前,需要对影像进行辐射归一化处理,控制和减少由于光照条件、大气效应、传感器响应等差异造成的地表景观的“伪变化”,保留真实的地表变化信息[1-3]。
辐射归一化分为绝对辐射归一化和相对辐射归一化2种,后者由于不需要大气同步观测资料和计算相对简便而得到广泛应用。现有的相对辐射归一化方法大体上可分为2类：基于分布的相对归一化方法和基于像元对的相对辐射归一化方法[2]。一般来说,基于分布的相对归一化如直方图匹配、平均值-标准偏差归一化法等,通过对影像的线性拉伸使2个影像的灰度值具有相似的灰度分布,具有计算简单的优点,但该方法容易造成原始光谱特征的扭曲,不利于后续的应用。基于像元对的方法从2个影像的重叠区域内选取伪不变特征点（Pseudo Invariant Features,PIFs）,以PIFs的灰度变化作为辐射变化量度,建立影像间灰度的回归关系对目标影像进行处理,该类方法可以得到2个影像间较为准确的灰度映射关系,因而在准确选取PIFs的前提下可以得到更好的校正效果[4-6]。目前,众多学者对基于PIFs的相对辐射归一化方法展开了研究,如自动散点控制回归[7]（ASCR）、改进的自动散点控制回归（IASCR）[8]、多元变化检测变换法以及迭代重新加权多元变化检测变换法[9-10]、迭代加权最小二乘回归法[11]等,且这些方法在一定条件下可取得较好的归一化效果。
然而,目前的辐射归一化方法研究和应用中,大多采用相同传感器的不同时相遥感影像,对多源、多时相传感器数据研究较少。即使对不同传感器数据进行辐射归一化时,也很少考虑传感器自身的辐射差异,或将这种差异性与光照、大气条件等外界因子看作是一个综合因素,与影像灰度值存在线性函数关系,对所有地类造成同等的影响。对于定量化遥感分析和应用而言,这种忽略不同传感器间的辐射差异或对其做全局线性假设有可能带来较大误差。吴荣华[12]等研究了光谱响应函数对高精度交叉定标的影响,研究表明光谱响应差异是影响定标结果的重要因素,利用多源遥感数据做动态变化分析时必须考虑不同传感器光谱响应的影响,结果还表明,不同传感器光谱响应差异的影响还依赖于下垫面的类型。魏宏伟[13]在HJ-1A卫星不同CCD数据比对及归一化研究中也进一步证实,即使同卫星系列的不同传感器也存在较大的辐射差异,并针对植被类型进行光谱归一化,获得了较理想的NDVI一致性效果。Thishchenko等[14]研究了光谱响应差异对NOAA和MODIS等中分卫星的影响,结果表明在大气和地表反射近似相同的条件下,NDVI的偏差与光谱响应函数（SRF）密切相关。汪小钦[15]、叶炜[16]等在基于光谱归一化的LAI遥感估算相关研究中,采用以光谱响应函数为基准对不同传感器相似波段进行光谱归一化,结果均表明基于光谱响应函数的光谱归一化校正,可以较好消除传感器的差异,减少多源传感器带来的误差。由此可见,多源、多时相遥感数据的辐射归一化必须考虑传感器自身的辐射差异,对其进行光谱归一化处理。
随着国产遥感数据源的不断丰富及遥感应用的拓展,尤其是基于遥感时间序列分析应用的广泛开展,对多源、多时相遥感数据的协同利用以及遥感信息的定量化提取提出了日益迫切的需求。对于具有高观测频度的多源时间序列影像而言,在考虑多源影像间的光谱、辐射和几何分辨率差异的同时,有效提高辐射归一化的精度和自动化水平是满足其应用需求的关键所在。目前的辐射归一化方法大多集中于对同源和有限时相的数据进行研究,且自动化程度较低,鲜有针对多源时序数据辐射归一化的方法研究。鉴此,本文提出了基于分类的传感器辐射校正与基于NDVI差值直方图和类别约束相结合的相对辐射归一化方法,以期达到对多源时序影像的高精度、半自动化处理,为多源时间序列影像的协同利用提供方法借鉴。

2 研究方法

一般情况下,导致多源、多时相影像灰度值变化的因素可表示为函数,如式（1）所示。
F = f E 1 ， E 2 ， E 3 ， E 4 （1）
式中： E 1 表示植被等自然地物的季相变化; E 2 表示传感器差异引起的变化,与传感器类型和地表覆被有关; E 3 表示光照、大气等外界因素引起的变化,对所有像元均产生影响,可通过线性方程来描述; E 4 表示云/影遮挡等引起的随机性灰度突变。辐射归一化的目的是消除或减轻影像间 E 2 和 E 3 造成的灰度差异,同时保留地物的真实变化 E 1 。此外,如何避免 E 1 和 E 4 的干扰也是PIFs选取中需要考虑的问题。
因此,多源时序影像的辐射归一化包括对传感器辐射偏差 E 2 的校正以及针对光照和大气因素 E 3 的相对辐射归一化2部分。前者按地表覆被类型分别进行传感器的辐射偏差校正,后者通过在分类获得的居民地和裸地范围内进行PIFs的选取与优化,排除植被变化 E 1 和随机误差 E 4 的影响,基于PIFs构建回归方程对影像进行全局辐射校正。在方法实现上,主要分为3个步骤（图1）：（1）传感器光谱归一化系数求算;（2）基于样本传递的多源影像半自动分类及传感器相对校正;（3）多源、多时相影像的相对辐射归一化。
Fig. 1 Flowchart of relative radiance correction for multi-sources and multi-temporal images

图1 多源多时相影像相对辐射归一化流程图

2.1 传感器光谱归一化系数获取

基于影像分类进行传感器间的光谱归一化,其实质是对传感器间非线性差异的分段拟合。以多源影像数据集中被选作参考影像的对应传感器为基准,其它传感器为待校正目标,选取二者具有重叠区域且时相相近（不超过1周）的晴空影像对进行相对校正,此时可认为大气和地表覆盖变化影响微小,2个影像间的辐射差异主要来自传感器本身。传感器的光谱归一化过程具有相对独立性,因此晴空影像对的选取在时空分布上可有别于待纠正的影像数据集。
首先,对影像进行辐射定标,将DN值转换为辐亮度,使不同影像像元值具有相同的量纲水平,消除传感器间的量化级数（像元位深）差异对拟合精度的影响。其次,对重叠区影像进行植被、居民地、裸地、水体等大类的监督分类,并分别在各地类中采用样本抽选的方法选取足够数量的样本点[18]。样点大小视像元相对大小而定：像元大小相同时,以单个像元值为抽样值;像元大小不一致时,样点取以像元大小的最小公倍数为半径的圆,以圆内的像元均值为抽样值。通过样本抽选可减轻传感器间因分辨率差异带来的尺度效应误差。最后,根据获取的样本点集,针对2个影像中的不同波段和类别建立线性回归方程,求取回归系数即光谱归一化系数。
卫星传感器在一定时间内（通常为1年）性能相对稳定,因此,传感器的光谱归一化系数在该时段内可看作常量。在实际应用中,可针对常用的卫星传感器获取光谱归一化系数并以查找表的形式提供,以提高参数复用率和适用范围。

2.2 影像分类与传感器辐射校正

在遥感分类中,样本质量与分类精度密切相关,为保证样本信息的高“保真度”,一般从待分类影像中进行样本选取。当同一样本应用于多景影像时,由于分辨率、光照和时相的差异容易造成同物异谱、同谱异物的现象,给分类带来较大不确定性。结合时序影像对同一区域连续观测的特点,本文提出了基于样本传递的半自动分类方法,将前期分类获得的类别空间位置作为下一期分类的候选样本位置,并针对新一期影像重新进行样本特征的计算、优化及再分类。因此,对于多源时序影像,只需对参考影像进行一次人工选样的监督分类便可实现全数据集的自动分类过程。基于样本传递的影像分类与传感器辐射校正过程如下：
（1）对影像数据集进行辐射定标,使影像像元值的量级与光谱归一化参数匹配,定标结果作为后继处理的数据基础。
（2）从定标影像序列中选取数据质量最优的影像作为参考影像,其余则为待纠正影像。采用2.1节中的分类体系对参考影像进行样本选取与最大似然分类,获得参考影像的分类结果。
（3）在当前期影像及其分类结果基础上,对下一期待纠正影像进行样本筛选与样本纯化。
（4）利用样本纯化后得到的全类别样本对待纠正影像进行最大似然分类,并结合传感器类型,对影像中各类别对应的像元集进行传感器光谱归一化校正。
通过样本传递的自动分类,有效地提高了多源时序影像分类及整体辐射归一化过程的处理效率。其中,样本筛选和样本纯化结合了前、后期影像的各自特点进行样本的精化,对降低计算复杂度和提高再分类精度起关键作用。
（1）样本筛选
样本筛选以当前期影像及其分类结果为基础,从影像重叠区中计算和获取各地类具有代表性的像元空间位置集,作为下一期待纠正影像的候选样本空间位置。一般而言,同类地物具有相似的光谱特征,在n个影像波段构成的n维光谱空间呈集中分布,离类别中心越近的像元具有更高的代表性。样本筛选的步骤为：首先,获取当前影像及待纠正影像的重叠区范围,在重叠区内以分类图像作为类别范围约束,对当前期影像逐类别计算平均光谱向量作为该类在n维光谱空间的类别中心;然后,以欧式距离为度量,计算每一类中所有像元光谱向量到类别中心的距离,并通过排序算法获取距离类别中心最近的m个像元作为该类的典型像元样本;最后,将所有类别像元样本对应的空间位置集传递给待纠正影像,作为候选样本的空间分布。m值的选择要视具体情况而定,如果重叠区同一地物类型的表现形式较为复杂,可取较大m值以获得足够数量的样本像元。本文m取对应类别像元总数的20%。
ED = ∑ i = 1 n x i - y i 2 （2）
式中： ED 为像元到类别中心的欧氏距离; x i , y i 分别代表第i波段中像元和类别中心的灰度值;n为影像波段数。
（2）样本纯化
样本纯化针对待纠正影像进行样本特征的重新计算,剔除候选样本中由于地物类型变化、云影遮盖等造成的噪声像元,提高样本纯度。本文采用方差纯化法进行样本纯化。首先,结合待纠正影像逐类读取候选样本位置的像元光谱向量,在此基础上求算每一类的平均光谱向量 x i 。其次,逐类求解类内各像元的光谱向量与平均光谱向量的方差 var ( X ) （式（3））,并对类内的所有像元方差求方差平均值 Var ¯ 。其中, var ( X ) 描述了像元与所属类别的异质程度,值越小,表明该像元与类别的差异越低,而 Var ¯ 反映了类别中像元灰度值的平均离散程度,可作为像元异质程度的参照。最后,针对每一地类取阈值 T var = 2 × Var ¯ ,将各类中 var ( X ) > T var 的像元视为异质像元予以剔除,最终获得所有地类的纯样本像元集合。
var ( X ) = 1 n ∑ i = 1 n x i - x i ¯ 2 （3）
式中： x i 和 x i ¯ 分别为像元光谱向量与平均光谱向量在i波段的灰度值;n为光谱向量维度,即影像波段数。

2.3 相对辐射归一化

结合基于分类的传感器光谱归一化特点,本研究提出了NDVI差值直方图和类别约束的PIFs自动选取方法,在此基础上构建待纠正影像与参考影像中各波段的线性回归方程,实现对待纠正影像的辐射归一化校正。如影像间存在几何分辨率差异,在NDVI及回归方程计算之前,需对影像进行自高向低的相对重采样。NDVI及其差值的计算如式（4）、（5）所示。
NDVI = R _ nir - R _ red R _ nir + R _ red （4）
ΔNDVI = NDV I r - NDV I t （5）
式中： R _ nir 和 R _ red 分别为影像近红外与红外波段反射率值;NDVIr和NDVIt分别为参考影像和待纠正影像的NDVI图像。
影像经传感器相对校正后,对于反射率较稳定的城镇和裸地像元可认为其只受光照和大气的整体影响而均匀变化,因此,无论原影像NDVI由于地物光谱多样而呈单峰或多峰分布,其城镇和裸地类别NDVI差值表现为相对稳定和集中,可近似以正态分布表示。辐射稳定点位于 ΔNDVI 直方图的均值 μ 附近,而受噪声干扰的不稳定点位于分布图两侧。将位于 μ ± cσ 范围内的点作为辐射稳定的PIFs,其中, σ 为 ΔNDVI 的标准差,c为确定稳定点区间的常量,本文取c =1。以PIFs为样本点,针对每一波段建立如式（6）的线性回归方程,根据最小二乘原理解算出每一波段的最优系数 k i 、 b i ,并对待纠正影像进行线性回归校正。
p ri = k i × p ti + b i ( i = 1 , … , n ) （6）
式中： p ri 和 p ti 分别表示参考影像和待纠正影像的第i波段; k i 和 b i 为拟合系数;n为波段数。

3 实验与分析

3.1 多源影像辐射归一化

采用福建省三明市2015年5月13日的Landsat 8-OLI和5月14日的GF-WFV1遥感影像作为试验数据,影像经几何精纠正,均方差不超过0.5个像元。
为校正传感器自身的辐射差异,另选取湖南省衡阳市2015年4月15日的Landsat 8-OLI和4月14日的GF-WFV1晴空影像（图2）,几何精纠正后采用上述2.1节方法进行传感器辐射校正,同时计算校正前、后影像的NDVI图像,获得各地类的光谱归一化系数与NDVI均值对比（表1、图3）。从图2可见,即使在晴空条件下GF1-WFV1数据在视觉表现上也与Landsat 8-OLI有所差别,反映了2个传感器间辐射性能的差异。同时,从图3不同地类的NDVI指数对比可看出,GF-WFV1与Landsat8-OLI的传感器辐射差异对地表覆盖类型敏感,其中以水体和裸地类别尤为明显,通过分类回归的方法可取得较理想的传感器校正效果。
Fig. 2 Clear-sky images of the reference and target sensors

图2 基准传感器与待纠正传感器重叠区晴空影像（RGB组合）

Tab. 1 Regression models of GF1-WFV1 sensor with respect to Landsat8-OLI

表1 以Landsat8-LIO为基准的GF-WFV1回归模型

传感器 波段 回归方程
植被 裸地 居民地 水体
GF1-WFV1 B1 Y =0.8620 X -1.5301 Y =0.8141 X +4.7266 Y =0.7349 X +11.473 Y =0.8109 X +10.305
B2 Y =0.8440 X -3.7146 Y =0.8368 X +1.7295 Y =0.8038 X +0.4878 Y =0.9047 X +1.1441
B3 Y =0.9149 X -1.4747 Y =0.8401 X +6.4448 Y =0.9203 X +0.4012 Y =0.8078 X +9.5268
B4 Y =0.7066 X +4.3729 Y =0.6486 X +7.1556 Y =0.8062 X +3.9328 Y =0.6365 X +4.4763
Fig. 3 The NDVI discrepancies and the correction results of different sensors

图3 不同传感器的NDVI差异及校正结果

由于实验区影像在时相上仅相隔1 d,可认为地物自身的光谱辐射特性不变,影像间的辐射差异主要是传感器与气象因素的综合影响。分别采用本文方法和常见的图像回归法（Image Regression,IR）对影像进行相对辐射归一化,表2以分类量化的形式具体描述了本文方法归一化前、后影像辐亮度变化情况。由表2可知,参考影像（图4(a)）与待纠正影像（图4(b)）的辐亮度存在较大差异,经辐射归一化后2个影像间的辐亮度差距大大缩小,各地类和波段均表现出较好的一致性。为了对2种归一化方法进行比较,以均方根误差RMSE作为归一化影像与参考影像的相似性度量并按地表覆被类型进行统计分析,RMSE的值越小,则表明2个影像中同一地物类型的光谱越接近。从归一化结果（图4(c)、(d)）的直观对比可见,IR方法在城镇和裸地类别表现出过度拉伸,本文方法的归一化图像在整体视觉上更为接近参考影像。从表3中不同地类和处理方法的RMSE对比可知,未校正前待纠正影像与参考影像的RMSE区别明显,且不同地类间存在差异性,这主要由传感器对不同地表覆被的响应差异所导致。IR方法虽然减小了植被和水体与参考影像的RMSE,但却使裸地与居民地类别的RMSE增加。究其原因,主要是试验影像中占多数的植被类型对拟合结果起主导作用,同时与2个传感器对于植被类型响应较为一致有关。相较于IR,本文方法对不同地类与参考影像之间的差异均能起到明显的消减作用,各地类的RMSE显著减小,证明了本文方法在地物自身光谱特性基本不变条件下可对多源影像进行有效地辐射归一化。
Tab. 2 Mean radiance of each band before and after the radiometric normalization processed by the proposed method

表2 本文方法辐射归一化前后影像各波段的平均辐亮度

波段 植被 裸地 居民地 水体
GF1-WFV1 LT8-OLI 校正影像 GF1-WFV1 LT8-OLI 校正影像 GF1-WFV1 LT8-OLI 校正影像 GF1-WFV1 LT8-OLI 校正影像
B1 66.51 54.82 56.01 84.32 73.37 75.67 97.53 83.15 86.75 79.05 74.41 76.91
B2 57.33 43.68 45.47 76.22 65.35 66.95 82.43 66.74 70.63 65.06 60.01 62.14
B3 29.46 25.48 26.67 74.38 68.93 72.87 58.25 54.01 56.01 34.31 37.24 36.03
B4 88.47 66.87 70.25 85.32 62.49 65.64 67.02 50.11 57.97 25.36 20.62 22.97
Mean-Radiance 60.44 47.71 49.6 80.06 67.54 70.28 76.31 63.50 67.84 50.95 48.07 49.51

注：Mean-Radiance为4个波段的平均辐亮度,单位为W/m2·μm·sr

Fig. 4 Raw images and radiometric normalization results with respect to different methods

图4 原始影像和不同方法的辐射归一化结果(RGB组合)

Tab. 3 The RMSE of the radiometric normalization results with respect to different methods

表3 不同方法辐射归一化结果的RMSE

波段 植被 裸地 居民地 水体
未校正前 IR 本文方法 未校正前 IR 本文方法 未校正前 IR 本文方法 未校正前 IR 本文方法
B1 10.79 3.52 1.44 11.40 13.35 2.86 15.26 17.64 4.44 5.51 4.92 2.88
B2 12.87 5.22 2.30 11.34 12.94 2.83 16.37 17.99 4.25 5.95 4.27 3.09
B3 4.25 2.64 1.48 7.22 9.27 4.21 6.51 9.33 4.87 4.44 4.12 3.24
B4 16.44 8.89 3.59 23.51 26.33 3.64 17.56 19.41 8.94 6.48 5.28 3.34
Mean-RMSE 11.09 5.07 2.20 13.37 15.47 3.39 13.93 16.09 5.62 5.6 4.65 3.15

注：未校正前表示归一化前2个传感器辐亮度影像的RMSE;Mean-RMSE为4个波段辐亮度RMSE的平均值,单位为W/m2·μm·sr

3.2 多源时序影像辐射归一化

基于前期项目的湖南省宁远县的多源时间序列影像对本文方法进行辐射归一化试验,并采用目视比对方式验证其归一化效果。影像数据集由2014年3-11月的GF1-WFV、HJ1及Landsat8-OLI共21个时相影像构成,所有影像在研究区均无厚云覆盖,选取其中数据质量最好的一景Landsat8-OLI影像作为参考。针对传感器校正,另选取各传感器相近时相且具有重叠区域的晴空影像,通过上述的分类抽样和回归拟合方法获取HJ1和GF1-WFV各个传感器影像中不同地类相对于Landsat8-OLI传感器的光谱归一化系数。本文所用时序影像与晴空影像均经过几何精校正,影像间几何配准误差不超过0.5个像元。为增强结果表达直观性,对归一化前后数据集进行NDVI计算,并选取典型的城镇、林地和双季稻各5个地块样方,以样方为单位读取每一时相的NDVI均值,然后逐类逐时相对样方求均值,获取辐射归一化前后城镇、林地和水稻类别的NDVI时序曲线,如图5、6所示。
Fig. 5 NDVI curves before radiometric normalization

图5 辐射归一化前NDVI曲线

由图5、图6对比可知,各类型NDVI曲线在辐射归一化前呈现较大波动,而校正后曲线表现光滑,较准确地描述了各地类随季相的变化特点。从城镇类别的时序曲线也可以看出,其校正后的NDVI分布趋于平直,反映了城镇地类反射率稳定的特点,表明本文方法在对多源、多时相的时序影像处理中,不仅能够有效地消除时序影像间的辐射特征波动,同时使植被等地类的季相变化信息得到更准确表达,有利于提高作物物候等时序特征提取的准确度。
Fig. 6 NDVI curves after radiometric normalization

图6 辐射归一化后NDVI曲线

4 结论

本文在对多源、多时相遥感影像辐射特征分析的基础上,提出了基于分类的传感器辐射校正与基于NDVI差值直方图和类别约束的PIFs自动选取相结合的相对辐射归一化方法,并利用多源、多时相影像进行了验证,结果表明该方法对传感器自身的辐射差异以及因光照等外界因素造成的差异具有良好的校正效果,可为多源时间序列影像的协同利用提供有益借鉴。本文方法还具有以下优点：（1）采用样本传递的方式,针对待纠正影像本身进行样本特征计算和优化,有利于提高时序影像的分类精度和自动化水平;（2）基于NDVI差值直方图与地类约束结合的PIFs选取和优化方法,避免了常规PIFs自动选取方法中可能包含植被、水体等辐射特征易随时间发生变化的地物类型,提高了回归方程的拟合精确度。
作为主要面向国产卫星多源多时相数据辐射归一化的探索尝试,本文仍存在以下不足：（1）传感器的光谱归一化参数主要依赖于晴空影像的人工获取和计算,后继工作将考虑在波谱响应函数基础上通过数学模拟方法减少对晴空影像的依赖性,提高传感器辐射校正的自动化程度;（2）对地物类型的判别本文采用了较为简便的最大似然监督分类方法,在地物光谱表现较为多样的地区其分类精度可能会受到限制,因此,在分类过程中考虑类型的细分与合并,优化样本选择策略,并引入新的分类方法,进一步提高分类精度和自动化水平也是今后工作的方向之一。

The authors have declared that no competing interests exist.

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
张友水,冯学智,周成虎.多时相TM影像相对辐射校正研究[J].测绘学报,2006,35(2):122-127.多时相影像对应波段中地物波谱"准"不变特征点(Pseudo- Invariant Features, PIFs)的选取是相对辐射校正的前提,采用目视解译选取主观性较强,在一定程度上影响了校正精度.利用绍兴试验区两时相TM影像,通过样本点间差异阈 值,主成份分析和回归分析方法控制选取影像对应波段间的PIFs,使得校正样本点的选取具有客观性.在此基础上获取增益和偏移量并对两时相影像进行相对辐 射校正,取得了较好的校正效果,从而有利于土地利用/覆盖变化监测.

DOI

[ Zhang Y S, Feng X Z, Zhou C H.Relative radiometric correction for multitemporal TM Images[J]. Acta Geodaetica et Cartographica Sinica, 2006,35(2):122-127. ]

[2]
余晓敏,邹勤.多时相遥感影像辐射归一化方法综述[J].测绘与空间地理信息,2012,35(6):8-12.多时相遥感影像的辐射归一化是进行变化检测或拼接不可缺少的步骤。本文从绝对辐射归一化和相对辐射归一化两个方面对现有的多时相遥感影像辐射归一化方法进行了总结。对各种辐射归一化方法进行了剖析，并指出了这些方法的优缺点和适应性。最后对多时相遥感影像辐射归一化方法未来的发展进行了展望

DOI

[ Yu X M, Zhou Q.Methods of radiometric normalization for multi-temporal remote sensing images: a review[J]. Geomatics & Spatial Information Technology, 2012,35(6):8-12. ]

[3]
Li C H, Xu H Q.Automatic absolute radiometric normalization of satellite imagery with ENVI /IDL programming[C]. Proceedings of the 2nd International Congress on Image and Signal Processing, 2009.

[4]
Du Y, Teillet P M, Cihlar J.Radiometric normalization of multi-temporal high resolution images with quality control for land cover change detection[J]. Remote Sensing of Environment, 2002,82:123-134.

[5]
Biday S G, Bhosle U.Radiometric correction of multi-temporal satellite imagery[J]. Journal of Computer Science, 2010,6(9):940-949.

[6]
Nelson T, Wilson H G, Boots B, et al.Use of ordinal conversion for radiometric normalization and change detection[J]. International Journal of Remote Sensing, 2005,26:535-541.Not Available

DOI

[7]
Elvidge C D, Yuan D, Ridgeway D W, et al.Relative radiometric normalization of Landsat Multispectral Scanner (MSS) data using automatic scattergram-controlled regression[J]. Photogrammetric Engineering & Remote Sensing, 1995,61(10):1255-1260.

[8]
余晓敏,陈云浩.基于改进的自动散点控制回归算法的遥感影像相对辐射归一化[J].光学技术,2007,33(2):185-188.多时相遥感影像的相对辐射归一化是进行变化检测或拼接不可缺少的 步骤.针对现有方法的不足,以自动散点控制回归(Automatic scattergram-controlled regression, ASCR)技术为基础,提出了一种改进的ASCR算法(Improved automatic scattergram-controlled regression, IASCR).它的核心思想是首先利用粗剔除和主成分分析的方法选择占主体信息量的"未变化"像元,然后再利用最小二乘法确定回归方程,对多时相遥感影像 进行归一化.以北京地区的多时相TM影像为实验数据对其进行归一化,并与ASCR法、全景简单线性回归法(Simple regression)、暗-亮(Dark set-bright set)归一化法、伪不变特征归一化法(Pseudo-invariant feature)的结果进行了比较.实验结果表明,IASCR算法是解决多时相遥感影像辐射归一化问题的有效手段.

DOI

[ Yu X M, Chen Y H.Relative radiometric normalization of remotely sensed images based on improved automatic scattergram-controlled regression[J]. Optical Technique, 2007,33(2):185-188. ]

[9]
Canty M J, Nielsen A A, Schmidt M.Automatic radiometric normalization of multitemporal satellite imagery[J]. Remote Sensing of Environment, 2004,91(3):441-451.ABSTRACT The linear scale invariance of the multivariate alteration detection (MAD) transformation is used to obtain invariant pixels for automatic relative radiometric normalization of time series of multispectral data. Normalization by means of ordinary least squares regression method is compared with normalization using orthogonal regression. The procedure is applied to Landsat TM images over Nevada, Landsat ETM+ images over Morocco, and SPOT HRV images over Kenya. Results from this new automatic, combined MAD/orthogonal regression method, based on statistical analysis of test pixels not used in the actual normalization, compare favorably with results from normalization from manually obtained time-invariant features.

DOI

[10]
Canty M J, Nielsen A A.Automatic radiometric normalization of multitemporal satellite imagery with the iteratively re-weighted MAD transformation[J]. Remote Sensing of Environment, 2008,112(3):1025-1036.A recently proposed method for automatic radiometric normalization of multi- and hyperspectral imagery based on the invariance property of the Multivariate Alteration Detection (MAD) transformation and orthogonal linear regression is extended by using an iterative re-weighting scheme involving no-change probabilities. The procedure is first investigated with partly artificial data and then applied to multitemporal, multispectral satellite imagery. Substantial improvement over the previous method is obtained for scenes which exhibit a high proportion of change.

DOI

[11]
Zhang L,Yang L, Lin H, et al.Automatic relative radiometric normalization using iteratively weighted least square regression[J]. International Journal of Remote Sensing, 2008,29:459-470.Relative radiometric normalization among multiple remotely sensed images is an important step of preprocessing for applications such as change detection and image mosaicking. In this paper we present a new automatic normalization approach that uses the iteratively weighted least square regression technique. This approach does not require selection of the pseudo‐invariant features beforehand as in some other traditional methods, and is robust to outliers since it adaptively places different weights on different pixels according to their probabilities of no‐change. This approach is mainly applicable to cases where primary spectral differences between the two images are caused by variations in imaging conditions rather than phenological cycle or land cover changes. The effectiveness of this approach was demonstrated by two experiments using both artificially constructed data and remotely sensed images respectively. The experimental result seems promising and our approach shows accuracy comparable to normaliz...

DOI

[12]
吴荣华. 光谱响应差异在高精度交叉定标中的影像分析——以FY-3/MERSI与EOS/MODIS为研究实例[D].北京:中国气象科学研究院,2010.

[ Wu R H.Impacts of spectral response difference effects on SNO calibration study -the examples of FY-3A/MERSI with EOS/MODIS[D]. Beijing: Chinese Academy of Meteorological Sciences, 2010. ]

[13]
魏宏伟. HJ-1A卫星不同CCD数据比对及归一化研究[D].南京:南京大学,2013.

[ Wei H W.The comparison and normalization between HJ-1A CCD1 and HJ-1A CCD2[D]. Nanjing: Nanjing University, 2013. ]

[14]
Tjishchenko A P.Effects of spectral response function on surface reflectance and NDVI measured with moderate resolution satellite sensors[J]. Remote Sensing of Environment, 2008,81(1):1-18.

[15]
汪小钦,叶炜,江洪.基于光谱归一化的阔叶林LAI遥感估算模型适用性分析[J].福州大学学报(自然科学版),2011,39(5):713-718.针对基于植被指数（VI）的森林叶面积指数（LAI）统计模型反演方法通用性较差的问题,研究基于光谱响应函数的不同传感器相似波段的光谱归一化方法,构建基于光谱归一化的阔叶林LAI遥感估算模型,并分析光谱归一化前后LAI估算模型对不同传感器的适用性.以福州市ALOS AVNIR-2、Landsat5 TM和MODIS作为多传感器数据源.结果表明：利用光谱响应函数对不同传感器的相应波段进行光谱归一化校正,能较好地消除传感器的差异;基于光谱归一化后VI建立的阔叶林LAI估算模型,对不同传感器均具有较好的适用性,可以减少模型对传感器的依赖.

[ Wang X Q, Ye W, Jiang H.Applicability analysis on LAI estimation model from remote sensing data for broadleaf forest based on spectral normalization[J]. Journal of Fuzhou University(Natural Science Edition), 2011,39(5):713-718. ]

[16]
叶炜,江洪.基于光谱归一化的马尾松LAI遥感估算研究[J].遥感信息,2011(5):52-58.通过对比不同传感器间光谱响应 函数的差异,研究基于光谱响应函数的不同传感器相似波段的归一化方法,探讨归一化后植被指数在马尾松叶面积指数(LAI)估算中的应用。以某一传感器为基 准,根据波段总辐射率比值关系将其他卫星传感器归一化为基准传感器,然后计算其植被指数,建立LAI反演模型。为验证方法可行性,选取永安地区2008年 3月获取的BJ-1CCD、IRS-P6LISS3和MODIS数据作为研究对象,根据三者的光谱响应函数差异,将BJ-1CCD和IRS-P6的 LISS3的红光和近红外波段归一化为MODIS的相应波段,并分别计算归一化前后的NDVI值。结果表明归一化后不同传感器的植被指数关系与理想的关系 y=x更加接近。利用归一化后的IRS-P6影像的NDVI反演马尾松LAI,并将其应用于MODIS和BJ-1传感器,得到归一化后不同传感器的植被指 数值基本相等,表明归一化以后的植被指数应用于LAI的估算具有一定的普适性,能适用于多种传感器。

DOI

[ Ye W, Jiang H.Masson’s pine LAI estimation based on spectral normalization using remote sensing data[J]. Remote Sensing Information,2011,5:52-58. ]

[17]
张杰,郭铌,王介民.NOAA/AVHRR与EOS/MODIS遥感产品NDVI序列的对比及其校正[J].高原气象,2007,26(5):1097-1103.利用Terra、Aqua两颗卫星的MODIS资料、NOAA-16和17的AVHRR资料,通过对太阳和卫星天顶角及方位角等引起的大气效应订正、大气气溶胶等粒子的散射订正以及NOAA系列卫星信号的衰减订正,得到以上四颗卫星一系列的NDVI产品;对比分析了上午星Terra和NOAA-17,下午星Aqua和NOAA-16两组不同卫星传感器NDVI的差异及其与光谱响应函数的关系。结果表明,Terra和Aqua卫星NDVI随卫星观测角度的不同差异较大,平均NDVI是一种更适合的MODIS/NDVI产品算法,它代表了观测角为±30°之间的NDVI值的分布,在大气和角度的订正基础上,本研究采用了三阶多项式再次订正了观测角引起的NDVI变化;NOAA-16和17所获得的NDVI值较MODIS得到的NDVI值小很多,以MODIS的NDVI产品为标准,应用光谱响应函数将NOAA系列NDVI进行归一化处理,所得的结果基本与MODIS所得的NDVI相当;该方法基本能实现NDVI产品序列的延伸,其资料序列有时空可比性。

[ Zhang J, Guo N, Wang J M.Contrast and calibration of remote sensing production NDVI of NOAA/AVHRR and EOS/MODIS[J]. Plateau Meteorology, 2007,26(5):1097-1103. ]

[18]
Steven M D, Malthus T J, Baret F, et al.Inter-calibration of vegetation indices from different sensor systems[J]. Remote Sensing of Environment, 2003,88(12):412-422.

Options
文章导航

/

〈 〉