卫星遥感影像处理算法——影像预处理

Table of Contents

综述

图像预处理算法：
- 辐射定标： 将遥感图像的数字值转换为物理辐射度量。
- 大气校正： 降低大气干扰，提高图像质量。
- 几何校正： 修正图像中的几何畸变，使其在地理坐标系统中对应正确的位置。
特征提取算法：
- 纹理分析： 提取图像中的纹理信息，用于目标识别。
- 形状分析： 识别和描述图像中的特定形状。
- 边缘检测： 检测图像中物体之间的边缘。
分类算法：
- 监督分类： 使用已知类别的训练样本进行分类，如最大似然分类、支持向量机（SVM）等。
- 无监督分类： 不使用先验类别信息进行分类，例如聚类算法如K均值聚类、谱聚类等。
- 深度学习分类： 使用深度学习模型进行图像分类，如卷积神经网络（CNN）。
变化检测算法：
- 像元级变化检测： 检测图像中单个像元的变化。
- 目标级变化检测： 检测整个目标或物体的变化。
- 时间序列分析： 使用多时相影像进行变化分析，如差异图法、主成分分析等。
地物提取算法：
- 植被指数： 利用植被在不同波段的反射特性提取植被信息。
- 水体提取： 利用水体在不同波段的反射特性进行水体提取。
- 建筑物提取： 通过图像纹理和形状信息识别建筑物。
三维重建算法：
- 激光雷达数据处理： 结合激光雷达数据进行地形和建筑物的三维建模。
- 立体匹配： 利用多视角遥感影像进行三维地表重建。
时间序列分析算法：
- 时间序列图像分析： 利用多时相影像进行长期监测和趋势分析。
- 季节性分析： 分析图像数据中的季节性变化，如植被生长季节的监测。
物体检测与识别算法：
- 目标检测： 用于在遥感图像中检测和定位感兴趣的目标，如车辆、建筑物等。
- 物体识别： 识别图像中的具体物体类型，例如树木、水体等。
高光谱遥感算法：
- 光谱混合分析： 通过混合不同光谱的信息来提取地物的光谱信息。
- 光谱指数： 利用高光谱数据计算各种植被指数和地物指数。
雷达遥感算法：
- 合成孔径雷达（SAR）图像处理： 包括SAR图像去噪、纹理分析、变化检测等。
- 干涉SAR（InSAR）： 使用多个SAR影像进行地表形变监测。
数据融合算法：
- 传感器数据融合： 将来自不同传感器的数据融合，以提高信息获取的综合能力。
- 分辨率融合： 结合高分辨率和低分辨率影像，获得既有高空间分辨率又有广覆盖范围的图像。
全球导航卫星系统（GNSS）与遥感集成算法：
- GNSS数据处理： 利用卫星导航数据实现图像地理校准和位置精确定位。
变化检测与监测算法：
- 遥感时序数据分析： 利用多时相数据进行地表变化监测和分析。
- 异常检测： 识别图像中的异常变化，可能表示新的建筑、自然灾害等。

图像预处理算法

图像预处理算法是遥感图像处理流程中的一项重要步骤，其主要目的是对原始遥感图像进行修正、增强或校正，以提高图像质量和可用性。以下是图像预处理算法的一些主要目标和原因：

辐射定标（Radiometric Calibration）：
- 目标： 将原始遥感图像中的数字值转换为物理量，如辐射亮度或反射率。
- 原因： 辐射定标是获取准确、可比较的遥感数据的基础。不同的传感器具有不同的辐射响应，辐射定标可以使不同传感器的数据具有一致的尺度。
大气校正（Atmospheric Correction）：
- 目标： 降低大气干扰，减少大气吸收和散射的影响。
- 原因： 大气校正有助于提高图像质量，尤其是在可见光和红外波段，减少大气影响对地物光谱特征的掩盖。
几何校正（Geometric Correction）：
- 目标： 修正图像中由于地球表面形状和传感器运动引起的几何畸变。
- 原因： 几何校正是确保遥感图像能够精确地与地理坐标系统对应的关键步骤。这对于地图制图、空间分析和后续的地物提取等任务至关重要。
亮度均衡（Radiometric Normalization）：
- 目标： 使图像在不同时间和传感器之间具有一致的亮度和对比度。
- 原因： 亮度均衡有助于在时间序列分析中比较不同时期的图像，确保在图像中相似的地物具有相似的亮度特征。
噪声去除（Noise Reduction）：
- 目标： 减少图像中的噪声，提高图像质量。
- 原因： 噪声可能来自传感器、大气条件或数据传输等方面，去除噪声有助于准确地识别和解释图像中的地物。
数据格式转换：
- 目标： 将原始数据以适当的格式存储，以满足特定应用的需求。
- 原因： 不同的应用和软件工具可能需要不同格式的数据，数据格式转换有助于数据的更广泛应用。

图像预处理是为了消除或减轻在原始遥感数据中存在的各种扰动和误差，以提高数据的质量、可比性和可用性。这些处理步骤为后续的遥感应用提供了更可靠的数据基础。

预处理流程

卫星图像预处理通常包括一系列的步骤，以确保获取的数据在进行后续分析和应用时具有良好的质量。以下是卫星图像预处理的一般流程：

几何校正：
- 大气校正：去除大气扰动，以纠正由大气散射和吸收引起的亮度差异。
- 辐射定标：将原始数字数值（DN）转换为反射率或辐射亮温，使数据具有物理量上的意义。
几何矫正：
- 平射几何矫正：通过地面控制点或地理坐标系统，纠正图像中的几何形状，以获得准确的地理坐标。
- 大气校正：类似于辐射定标中的大气校正，但在这一步骤中可能还需要考虑地形和阴影的影响。
图像增强：
- 对比度增强：调整图像的对比度，以突显不同地物的特征。
- 色彩平衡：调整图像的色调和饱和度，以更真实地呈现地表特征。
去噪处理：
- 滤波器应用：使用空间或频域滤波器去除图像中的噪声。
- 降分辨率：有时候，在保留主要信息的前提下，可以通过降低图像分辨率来减少噪声。
裁剪和子集选择：
- 根据特定应用的需求，对图像进行裁剪或选择感兴趣区域（ROI），以减少处理的数据量。
变换和特征提取：
- 波段合成：将不同波段的信息合成为一个多光谱图像。
- 主成分分析（PCA）：进行变换，以减少冗余信息。
- 特征提取：从图像中提取具有特殊意义的地物信息。
数据格式转换：
- 将原始数据转换为特定的格式，以适应后续分析工具的要求。

这些步骤的具体实施取决于卫星数据的类型、传感器规格、应用需求以及地理区域的特征。预处理的目标是提高数据的质量和可用性，以便更有效地进行后续分析和解释。

几何校正和几何矫正概念辨析

几何校正和几何矫正是卫星图像处理中两个相关但不同的概念。它们的区别主要在于校正的方面和目的。

几何校正：
- 定义：几何校正是为了纠正图像中由于传感器位置、视角、地球曲率等因素引起的几何形状变化，以确保图像在地理空间中具有正确的位置。
- 目的：主要目的是将图像与地理坐标系统对齐，使得图像中的每个像素都与地球表面上的特定位置相对应。这样，用户可以在图像中准确测量和分析地表特征，而不会受到图像扭曲的影响。
几何矫正：
- 定义：几何矫正是为了纠正图像中由于地形、地表坡度、建筑物高度差异等因素引起的图像畸变，以得到更真实的地表特征。
- 目的：除了考虑传感器的位置和视角外，几何矫正还纠正了由于地球表面的不规则性引起的变形。这有助于更准确地表示地表特征的形状和位置。

总的来说，几何校正主要关注传感器的几何特性和视角，以确保图像在地理空间中的正确位置；而几何矫正更广泛地考虑了地表的形状和特征，以便更真实地反映地表的几何形状。在实际应用中，这两个过程可能会结合起来，以获得最精确和真实的卫星图像。

几何校正

几何校正是卫星遥感处理中的关键步骤之一，它的主要目标是纠正由于卫星姿态、地球弯曲等因素引起的图像几何形变，以确保图像在地理空间中具有正确的位置。以下是一些常见的卫星遥感几何校正算法：

多项式变换法（Polynomial Transformation）：
- 这是一种常见的几何校正方法，通过多项式变换来调整图像的位置。通常使用多项式模型，例如一次、二次或三次多项式，以匹配地理坐标系。这种方法对于图像整体的刚性变换效果较好，但在图像边缘可能引入一些畸变。
拼接法（Image Mosaicking）：
- 对于多个相邻卫星图像，可以使用拼接法将它们拼接在一起，形成一个连续的大图。拼接法的同时也可以进行几何校正，以确保相邻图像之间的一致性。这对于处理大范围的地理区域是有效的。
控制点法（Ground Control Point, GCP）：
- 这种方法使用地面控制点来纠正图像位置。通过在图像上选择一些已知地理位置的点，并与地理数据库中相应位置的坐标进行比较，建立图像坐标与地理坐标之间的转换关系。然后，利用这些控制点进行插值或拟合，对整个图像进行几何校正。
正射纠正法（Orthorectification）：
- 正射纠正是一种更为精确的几何校正方法。它不仅考虑了卫星姿态和地球弯曲，还考虑了地形的影响。通过使用数字地形模型（Digital Elevation Model，DEM）来调整图像，以确保地表特征在图像中具有正确的几何形状。
投影变换法（Projection Transformation）：
- 对图像进行地理坐标系统的投影变换，将其转换为某个标准地图投影。这有助于纠正图像中的几何畸变，以便更好地与其他地理数据集进行配准。

这些几何校正算法的选择取决于图像的特性、应用的需求以及可用的地理信息数据。在实际应用中，通常会结合多种方法，以获取更精确和可靠的几何校正结果。

大气校正

大气校正是卫星遥感数据处理的重要步骤之一，它的目的是消除大气层对卫星观测数据的吸收和散射的影响，以获取更准确的地表反射率或辐射亮度值。大气校正是遥感数据定量分析的关键，因为大气效应会导致不同波段之间的光谱变化，影响地表特征的定量解译和比较。

以下是大气校正的基本步骤和方法：

大气透明度的估算：
- 在进行大气校正之前，首先需要估算大气透明度，即大气中存在的气溶胶和水汽的影响。这通常通过使用气象数据、大气传输模型或其他遥感数据来进行估算。
辐射传输模型的应用：
- 大气校正通常使用辐射传输模型，如MODTRAN（MODerate-resolution atmospheric TRANsmission），6S（Second Simulation of a Satellite Signal in the Solar Spectrum）等，来模拟大气对太阳辐射和地球表面反射的影响。这些模型考虑了大气吸收和散射等复杂的光学过程。
辐射度量到反射率的转换：
- 在大气校正中，辐射度量（如数字数值）通常被转换为地表反射率。这个转换涉及到除去大气层的影响，以使不同时间和传感器获取的数据具有可比性。
水汽校正：
- 水汽是大气中的主要吸收因子之一，尤其在近红外波段。对于可见光和红外波段，可能需要进行水汽校正，以减小水汽对遥感数据的影响。
大气校正的验证：
- 大气校正后，通常需要进行验证，以确保校正的有效性。这可能涉及使用地面测量数据进行比对，或者与实地采集的地物反射率进行对比。
工具和软件的应用：
- 大气校正通常需要使用专业的遥感处理软件或库，例如ENVI、MODIS工具包、Atmospheric and Radiometric Correction of Satellite Imagery (ARCSI)等。

大气校正的准确性对于地表特征的定量分析非常关键。在处理卫星遥感数据时，研究人员和遥感专业人员通常会仔细考虑大气校正的影响，以确保得到准确、可靠的地表反射率或辐射亮度值。

辐射定标

辐射定标是遥感图像处理中的一个重要步骤，旨在将原始遥感数据中的数字值转换为物理量，通常是辐射亮度或反射率。这个过程涉及将传感器接收到的原始辐射度量值映射到具有实际物理意义的度量单位，使得不同时间、不同传感器和不同地区的数据具有可比性。以下是辐射定标的一些关键概念和原理：

辐射度量值： 传感器测量到的是来自地球表面的辐射，通常以数字形式表示。这些数字值通常被称为数字计数，像素的灰度级别或数字值。
辐射度量单位： 辐射定标的目标之一是将这些数字值转换为具有物理意义的度量单位，如辐射亮度或反射率。辐射亮度是指物体发射或反射的辐射能量，而反射率是指物体反射出的辐射能量占入射辐射的比例。
辐射校正常数： 辐射定标需要考虑传感器的辐射特性，以及影响辐射度量值的因素，如大气吸收、地表反射和传感器响应。辐射校正常数是一个用于调整原始数据的常数，以考虑这些因素。
光谱波段： 不同波段的遥感传感器在不同的波长范围内感知辐射。辐射定标通常需要针对不同波段进行，考虑各波段的特定辐射特性。
传感器响应函数： 辐射定标还需要考虑传感器的响应函数，即在不同波段中传感器对辐射的灵敏度。这有助于确保在不同波段中的辐射度量值以相似的尺度表示。
地球大气校正： 在进行辐射定标时，有时还需要进行大气校正，以降低大气吸收和散射的影响，提高地物的辐射度量的准确性。

辐射定标的主要目标是确保遥感数据在不同时间、不同传感器和不同地区之间具有一致的辐射度量尺度，使其可比性更强。这样的标定使得遥感数据在科学研究、环境监测、资源管理等领域更加可靠和有用。

辐射定标算法

卫星遥感中的辐射定标是将卫星传感器观测到的辐射强度值转换为地表反射率或亮温的过程。这个过程是遥感数据处理中的关键步骤，因为它能够确保不同时间、不同仪器获取的数据具有可比性。以下是一些常见的卫星遥感辐射定标算法：

辐射度量与反射率的转换：
- 辐射度量：卫星传感器测量到的是地球表面发射或反射的辐射强度，通常以数字数值（Digital Number，DN）表示。
- 反射率：通过辐射定标，将DN转换为地表反射率。这个转换通常包括考虑大气校正，消除大气对辐射的吸收和散射影响。
大气校正：
- 大气校正是辐射定标的一个重要步骤，它考虑了大气层对辐射的吸收和散射。这需要使用大气模型来估算大气的影响，并将这些影响从观测数据中去除，以获得地表反射率。
亮温计算：
- 对于热红外波段，卫星观测的是地表的亮温，即地表在该波段上的温度。辐射定标的任务之一是将卫星观测到的数字转换为地表的亮温值。
传感器特性校正：
- 由于传感器在制造和使用过程中可能存在一些不确定性和漂移，辐射定标还需要考虑校正传感器的特性，以确保测量的准确性和稳定性。
标定和验证：
- 辐射定标的算法通常需要进行标定和验证，以确保其在不同场景和时间下的准确性。这可能包括使用地面测量数据进行定标，以及对算法进行交叉验证。
波段匹配：
- 不同卫星传感器具有不同的波段配置，因此在辐射定标中需要进行波段匹配，以确保数据之间的一致性。

这些算法的具体实现取决于卫星传感器的特性、波段配置以及遥感应用的需求。不同的卫星和传感器可能使用不同的辐射定标方法。

专业术语解释

辐射定标中的辐射度量与反射率的转换是将卫星传感器测得的辐射强度值（通常以数字数值，DN，表示）转换为地表的反射率的过程。这个过程是为了使卫星观测数据在不同时间、不同传感器之间具有可比性，以便进行地表特征的定量分析。

下面是这个过程的基本解释：

辐射度量：卫星传感器测得的是地表发射或反射的辐射强度，这个值通常以数字数值（DN）的形式表示。这个数字反映了卫星测量到的光电探测器所接收的光的强度。
反射率：为了将辐射度量转换为地表反射率，需要进行辐射定标。地表反射率是指地表表面反射的光线相对于入射到地表的光线的比例。这是一个介于0和1之间的值，通常以百分比表示。
大气校正：在进行反射率的计算之前，需要考虑大气对辐射的吸收和散射的影响。大气校正是一个重要的步骤，它通过使用大气模型来校正传感器测得的辐射值，以消除大气的影响。
辐射度量到反射率的转换公式：辐射度量（Radiance，L）与反射率（Reflectance，ρ）之间的关系可以通过以下简化的公式表示：

这个公式简要地描述了将辐射度量转换为反射率的过程，但实际应用中可能会考虑更多的因素，例如大气透明度、太阳天顶角等。反射率的计算使得卫星数据能够更好地反映地表特征的光谱性质，并且具有更好的物理意义，方便用于不同场景的比较和分析。

原文链接：https://blog.csdn.net/fengnian18/article/details/134511349