基于Three Factor+C模型改进的地形辐射校正方法

地形辐射校正(简称"地形校正")是复杂地形遥感定量化研究的关键环节之一。针对传统的经验地形校正模型存在的不同坡度采用同一校正系数的缺陷,基于简化的Three Factor+C模型,借鉴改进型Minnaert模型中坡度分级的思想,提出了基于Three Factor+C+坡度的地形校正方法。结果表明,使用Three Factor+C+坡度模型进行地形校正后的遥感图像,其均值、标准差、像元值与光照系数的相关性、阴阳坡光谱辐亮度值、离散指数和同质系数等6个指标均优于参与比较的C模型、SCS模型、Three Factor模型和Three Factor+C模型的对应指标。Three Factor+C+坡度模型有比较完善的物理机制,并较好地消除地形对光谱辐亮度的影响,值得推广。     

顾及空间与光谱差异的单幅遥感影像自适应云雾去除方法

光学遥感影像经常受到云雾的干扰而导致数据质量下降。在暗原色先验理论和云雾影像模型的基础上,提出了一种顾及空间和光谱差异的单幅遥感影像自适应云雾去除方法,较好地解决了传统暗原色先验在高亮地物校正过度和部分波段云雾校正不足的问题,有效地实现了影像云雾去除。首先通过高亮地物的光谱特征构建高亮地物判别指数,辅以密度分割对其进行提取分类,在此基础上引入自适应校正函数对该区域透射率进行修正;其次在对多幅云雾遥感影像实验分析的基础上,提出了符合大气散射机制的波段透射率校正系数,实现了波段间处理强度的自适应调整。实验结果表明,该方法能有效去除不同波段的云雾干扰,并避免高亮地物的过度校正,可取得较好的复原结果。     

宽观测带SAR图像入射角效应量化研究与校正

针对宽观测带SAR图像,在对入射角效应量化研究的基础上,提出了一种入射角效应按类校正方法。利用分水岭分割和区域标记技术实现地物取样,基于结合线性回归估计的余弦朗伯定律,实现对地物后向散射值的按类辐射校正。针对Envisat ASAR C波段HH极化数据的实验结果表明,入射角效应对雷达后向散射有明显的影响,含水量越高的地物类型,入射角效应越明显。利用本文方法进行入射角效应校正的效果优于绝对定标和一阶余弦校正的效果。     

遥感影像地形校正物理模型的简化与改进

针对考虑太阳直接辐射、天空散射辐射以及来自于附近地表反射辐射的复杂地形EMT 遥感影像地形校正物理模型公式复杂、计算繁琐、不易实施的特点以及存在过度校正的缺陷,对该物理模型进行简化和改进。提出一套简化模型相关参数,即r值,Vt,Vd,T↓(λ,θ)等的计算方案,从而简化计算过程,提高计算效率。并针对该地形校正物理模型朗伯体假设的缺陷,引入Minnaert参数k时模型进行非朗伯体修正。简化和改进的地形校正物理模型的校正实验结果表明该模型很好地消除了复杂地形EMT 遥感影像的地形阴影,从而证明该地形校正物理模型的简化和改进方案可行。     

一种改进的遥感影像地形校正方法

地形校正是遥感影像定量化应用环节之一,以往的地形校正研究多是针对一景影像中很小的局部影像块来进行处理研究的,对整景大场景影像进行地形校正的研究尚不多。基于此,本文利用高分一号的宽视场相机拍摄的16 m分辨率的遥感影像,研究了大场景下地形校正方法,对C校正模型进行了改进,在C校正模型中加入了反射角的影响,并且验证了改进模型的合理性;最后对改进的模型与余弦校正模型、传统的C校正模型的处理结果进行了比较。通过分析,利用改进的模型,影像的标准差普遍变小,影像校正后的阴阳坡亮度值趋于一致的趋势更明显。试验结果表明,对大场景、非星下点成像的遥感影像利用改进模型进行地形校正效果明显增强。     

SCS+C地形辐射校正模型的应用分析研究

在对有森林覆盖的山区影像进行地形辐射校正时，基于太阳-冠层-传感器（SCS）几何关系的校正模型优于基于太阳-地形-传感器（STS）几何关系的模型。SCS校正模型解释了树木不依赖于地形、观测角和光照入射角而具有向地性生长的本质特性，但在某些地形区域，SCS与余弦校正同样存在过度校正的问题。为了解决这个问题，研究者在SCS校正模型中引入C校正系数来解释散射辐射项，提出了SCS+C校正模型。以北京密云Landsat 5影像为数据源，通过目视判别、直方图、定量的统计参数和地物光谱曲线对比等方法，对SCS+C校正模型与传统的余弦校正、C校正和SCS校正模型进行了对比。结果表明，4种方法均能在很大程度上消除地形阴影，更好地反映阴影区域的细节信息； 从总体的光谱特性保真程度来说，余弦和SCS校正都因过度校正问题表现较差，SCS+C校正最好，C校正次之。     

一种顾及空间相关性遥感影像辐射度的地形校正算法

地形校正的目的是消除太阳光照对不规则地面地物辐射值的影响。这种影响会使相似植被类型地物的辐射值发生很大的变化。因此,在地形复杂的地区,地形校正是影像预处理的一个重要步骤。传统的基于单像素的地形校正方法,虽然减小了辐射值的变化,但在太阳入射角低的地区常常出现校正过度的情况。针对这种误差进行分析,提出一种考虑了空间相关性的校正算法,并且利用鄂西地区的Landsat7卫星影像进行的试验证明,该算法优于传统的地形校正模型。     

结合nDSM的高分辨率遥感影像深度学习分类方法

针对高分辨率遥感影像因其地物类内差异大、光谱信息相对欠缺导致现有影像分类方法存在错分现象较多、地物边界残缺不完整等问题,本文提出了一种归一化数字表面模型（nDSM）约束的高分辨率遥感影像深度学习分类方法。首先,将nDSM数据作为附加波段叠加在遥感影像上并获取训练样本;然后,利用优化的U-Net网络进行模型训练得到最优模型;最后,利用最优模型对附加了nDSM波段的遥感影像进行地物分类。试验结果表明,本文方法引入nDSM数据用于U-Net模型训练和分类,可有效提高影像分类精度,得到更加真实可靠的分类结果。     

DEM辅助的卫星光学遥感影像山体阴影检测与地形辐射校正

提出一种结合DEM的山体阴影检测与地形辐射校正方法。首先对卫星影像多波段信息用特征法进行阴影检测,然后结合DEM数据用模型法进行山体背阴面检测以及投影区域检测,将3个结果综合分析,按照形成原因将阴影检测结果分为8类,最后结合太阳入射角信息,利用信息匹配的阴影补偿法和地形辐射校正物理模型,进行卫星光学遥感影像辐射校正。试验证明该方法能恢复山体阴影区的信息,并且有效降低地形效应的影响。     

智能高光谱遥感卫星前视相机性能设计

高光谱遥感可以得到地物连续光谱信息,实现地物精细分类、目标高精度探测以及地物生化参量的定量化应用。传统的高光谱遥感器由于固定辐射动态范围,存在大量无效且冗余数据,给卫星载荷造成了巨大的存储压力。智能高光谱卫星关键技术之一在于利用前视相机预判辐射动态变化范围的方式辅助主相机成像模式调整,本文在智能遥感卫星系统概念的基础上,重点开展前视相机倾斜角设计、波段设置和辐射动态范围预测研究。研究表明:前视相机倾斜角需要综合考虑星上响应时间、单次成像距离和空间分辨率;考虑到云检测、气溶胶光学厚度和水汽含量反演等指标的实现,前视相机需要设置0.49μm、0.66μm、0.87μm、0.94μm、2.1μm等5个波段;0.4—1.0μm波段范围最大最小值辐亮度可以由有限波段进行预测。基于ENVI光谱库76条光谱数据,通过MODTRAN辐射传输模型模拟各类地物(植被、矿物、人造地物、土壤)在不同观测条件下的表观辐亮度,建立了在0.4—1.0μm波段内各类地物辐射动态最大值和最小值模拟模型,利用光谱库中其他光谱数据验证了各类地物辐射动态最大值和最小值模拟模型,各类地物最大值和最小值预测模型验证的拟合优度(R2)分别大于98%和75%,模型验证相对误差分别小于5%和25%;同时利用Hyperion影像,验证了植被类预测模型,最大值模拟模型验证相对偏差在5%内,最小值模拟模型验证相对偏差在10%内。以上研究为智能高光谱卫星主相机的辐射动态范围调整提供了重要依据。     

利用地形正规化校正反立体现象

影像目视判读常会遇到山脊与沟谷的凹凸感与现实相反的反立体现象。消除反立体现象,能有效提高非专业人员对遥感影像的正确使用。立足于反立体现象的成因,本文采用地形正规化模型来校正影像的反立体现象,推导出Lambertian、Cosine-Civco、c校正、b校正这4种地形正规化模型的反立体校正式;对这4种地形正规化模型的反立体校正效果进行了对比,并且与其他5种校正法也进行了对比。通过3个实验区的校正发现,这4种地形正规化模型均能校正反立体现象,但校正影像存在色调偏差;Lambertian、Cosine-Civco的反立体校正影像立体感较强,但影像色调改变较大,视觉效果偏差;c校正、b校正的校正影像在视觉效果和定量指标上都比较接近,基本保持地物光谱信息,校正效果相对较好。从定量指标来看,b校正的反立体校正影像的各指标值整体最小,一定程度代表b校正能取得相对较好的反立体校正效果。与其他方法的对比表明,c校正和b校正的反立体校正不局限于波段个数,在有效消除反立体现象的同时,能相对较好的保留地物光谱信息,有利于影像的定量应用。     

基于神经网络的二类水体大气校正

以MERIS高光谱影像为数据源,根据现有大气传输模型和大气校正方法,探索了适合于内陆湖泊二类水体的高光谱遥感影像大气校正方法。在6S辐射传输模型的基础上,构建了基于神经网络的二类水体大气校正算法。通过构建输入卫星辐亮度直接提取离水反射率的模型,无需同步气溶胶参数,即可实现大气校正。对2010年8月9日的MERIS影像进行大气校正,并将校正后的遥感反射率与准同步实测离水反射率进行对比分析,结果表明,大气校正过程有效去除了大气效应的影响,经过大气校正的13个波段的平均相对误差分布在10%～40%,得到了与实测值相近的水体遥感反射率。     

合成孔径雷达影像地形校正半经验模型

结合SAR成像特点和数学理论知识,给出左视、右视两种侧视成像情况下影响地形起伏区域SAR后向散射的本地入射角理论计算模型,基于微波散射物理模型AIEM,模拟不同雷达入射角下地形坡度、坡向对SAR数据后向散射的影响,结果表明雷达入射角相对较小的SAR数据受地形起伏影响较小,是地形起伏地区SAR应用的最佳数据源。并提出一种SAR影像后向散射系数的地形校正半经验模型。地形校正过的SAR影像分类总体精度较未校正SAR影像提高12%。     

DTM在改善遥感影象分类精度中的应用

本文着重介绍在遥感影象分类中应用数字地面模型(DTM)改正地物反射光谱中地形影响的方法和试验。笔者选择了位于湖北和江西两省交界处的九宫山地区做为试验区域。试验结果表明,在山地区,单纯利用原始Landsat MSS影象分类,效果很差;采用辐射校正分类法和附有太阳入射角数据的MSS影象分类方法,都能够不同程度地改正地形对地物反射光谱的影响,从而提高了Landsat—2 MSS影象的分类精度。其中附有太阳入射角数据的MSS影象分类精度达到70.4％。     

TM传感器辐射定标参数精度分析

以2007年4月26日北京地区TM图像为例,对美国地质调查局(USGS)和中国遥感卫星地面站(RSGS)提供的传感器辐射定标参数进行精度评价。首先,根据不同来源的辐射定标参数,采用对应的定标系数计算公式得到相应的定标系数,采用不同的定标系数分别对DN值进行反演,得到不同辐射定标参数下的表观辐亮度数据;然后,将两种表观辐亮度反演结果输入FLAASH大气校正模型,反演图像获取时的气象视距和地表反射率;最后,通过同步气溶胶观测数据和高分辨率遥感影像对所反演的气象视距和地表反射率分类精度进行评价,得到传感器定标参数精度评价结果。研究表明:USGS提供的辐射定标参数能更为精确地反映TM传感器的辐射特征。     

SPOT地面场定标与星上定标结果的比较分析

本文研究是在遥感辐射定标场选择的基础。利用６Ｓ大气辐射传输模型进行ＳＰＯＴ遥感数据的定标和地物的光谱反射率反演,即在遥感器飞越辐射定标场上空,在定标场选择若干像元区,测量遥感器对应的各波段地物的光谱反射率和大气光谱参量,并利用大气辐射传输模型给出遥感器人瞳处各光谱带的辐射亮度,最后确定它与遥感器对应输出的数字量化的数量关系,求解定标系数。然后,对相应的研究训练区的遥感数据进行大气辐射校正,进而反演训练区内的地物光谱反射率。最后,通过将反演值与实地测量的地物光谱反射率进行对比分析,来估算定标不确定度,并比较说明两种不同方式定标差异及优势和限制。     

结合目标分割的高光谱城市地物分类

结合高光谱影像地物光谱特征与高空间分辨率影像分割获得的目标对象进行地物分类。首先,对Hyperion影像进行坏线和Smile效应去除,经过FLAASH大气校正后,得到研究所用的155个波段;其次,利用地物光谱曲线的特征点确定适合地物识别的光谱分辨率,进行Hyperion影像降维,生成降维后所需的21个宽波段;然后,对IKONOS影像采用小波融合,利用多分辨率分割技术生成高空间分辨率影像目标对象;最后,基于层次分析法对分割后生成的目标对象进行分类,采用模糊隶属函数利用植被红边效应、水体在近红外波段吸收特征进行第1层次分类,再取距离值最大的前10个Hyperion影像波段作为标准最邻近分类的特征波段,完成第2层次分类。分类结果表明,研究区共分出9种地物类型,分类效果明显优于最大似然法分类与光谱角填图法。     

考虑植被覆盖因子的地形辐射校正模型

针对传统的地形辐射校正模型无法适用复杂地表覆盖类型而导致的校正精度较低的问题,该文提出了一种考虑像元植被覆盖因子的模型。山区遥感影像像元大部分为植被与岩石、裸土的混合像元,针对混合像元中岩石、裸土部分应用太阳-地表-传感器模型,而对于植被覆盖区则采用考虑植被垂直生长特性的太阳-树冠-传感器模型,两模型用像元植被覆盖因子拟合为新的太阳-植被覆盖因子-传感器模型。利用覆盖江西实验区的Landsat-8陆地成像仪影像和数字高程模型数据进行了校正比对分析,结果表明该方法可有效地消除地形起伏对辐射亮度的影响。     

光学遥感影像表观辐亮度地形效应纠正物理模型

针对已有地形纠正方法的不足, 在山区辐射传输模型简化的基础上, 提出了水平地面上接收到的漫射辐射与垂直于太阳方向表面接收的直射辐射比例因子的概念, 建立了仅需要太阳角度信息和大气模式作为输入参数, 主要针对地形效应本身进行纠正的简单纠正模型, 可以将复杂地形区光学遥感影像表观辐亮度纠正为无地形影响的水平地表辐亮度, 并以TM影像为例进行了实验验证。     

多尺度特征融合神经网络的地表覆盖提取

深度学习的快速发展,为高分辨率卫星遥感影像解译提供了更好的技术手段和应用前景。围绕高分卫星遥感影像地表覆盖信息提取,利用高分辨率卫星遥感影像制作5种常见的地表覆盖类型的像素级样本数据集,并提出一种基于注意力增强与多尺度特征融合的语义分割方法,实现地表覆盖自动提取。通过影像波段选择、预训练模型迁移学习、损失函数改进等方法,提升语义分割模型识别精度,最优的提取结果中,5种地表覆盖类型的F₁均值、IoU均值和总体精度分别达到了78.6%、66.8%、85.0%,除道路之外,耕草、林地、建筑、水体的F₁均超过80%,且分类图斑边界能够与影像中的地物边界很好套合。实验表明建立的卫星影像地表覆盖分类样本数据集和分类方法,能够应用于高分辨率卫星影像地表覆盖信息提取。