大气校正是定量遥感中重要的组成部分。本专题包括以下内容:
l
l
1大气校正概述
大气校正的目的是消除大气和光照等因素对地物反射的影响,广义上讲是获得地物反射率、辐射率或者地表温度等真实物理模型参数;狭义上是获取地物真实反射率数据。用来消除大气中水蒸气、氧气、二氧化碳、甲烷和臭氧等物质对地物反射的影响,消除大气分子和气溶胶散射的影响。大多数情况下,大气校正同时也是反演地物真实反射率的过程。
图1大气层对成像的影响示意图
很多人会有疑问,什么情况下需要做大气校正,我们购买或者其他途径获取的影像是否做过大气校正。
通俗来讲,如果我们需要定量反演或者获取地球信息、精确识别地物等,需要使用影像上真实反映对太阳光的辐射情况,那么就需要做大气校正。我们购买的影像,说明文档中会注明是经过辐射校正的,其实这个辐射校正指的是粗的辐射校正,只是做了系统大气校正,就跟系统几何校正的意义是一样的。
目前,遥感图像的大气校正方法很多。这些校正方法按照校正后的结果可以分为2种:
l
l
常见的绝对大气校正方法有:
(1)
w
w
w
w
(2)
(3)
相对大气校正常见的是:
(4)
(5)
既然有怎么多的方法,那么又存在方法选择问题。这里有一个总结供参考:
1、如果是精细定量研究,那么选择基于辐射传输模型的大气校正方法。
2、如果是做动态监测,那么可选择相对大气校正或者较简单的方法。
3、如果参数缺少,没办法了只能选择较简单的方法了。
2 ENVI大气校正功能
在ENVI中包含了很多大气校正模型,包括基于辐射传输模型的MORTRAN模型、黑暗像元法、基于统计学模型的反射率反演。基于统计的不变目标法可以利用ENVI一些功能实现。其中MORTRAN模型集成在ENVI大气校正扩展模块中。还有直方图匹配等。
2.1 简化黑暗像元法大气校正
黑暗像元法是一种古老、简单的经典大气校正方法。它的基本原理是在假设待校正的遥感图像上存在黑暗像元、地表朗伯面反射和大气性质均一,并忽略大气多次散射辐照作用和邻近像元漫反射作用的前提下,反射率很小(近似0)的黑暗像元由于大气的影响,使得这些像元的反射率相对增加,可以认为这部分增加的反射率是由于大气影响产生的。这样,将其他像元减去这些黑暗像元的像元值,就能减少大气(主要是大气散射)对整幅影像的影响,达到大气校正的目的。整个过程的关键是寻找黑暗像元以及黑暗像元增加的像元值。
ENVI下的Dark Subtract工具提供选择波段最小值、ROI的平均值、自定义值三种方式确定黑暗像元的像素值。操作过程如下:
(1)
(2)
(3)
l
l
l
(4)
图2 Dark Subtraction Parameters面板(Band Minimum)
2.2 基于统计学模型的反射率反演
1.
Flat Field定标工具通过选择图像中一块具有高反射率、光谱变化平坦的区域,利用这个区域的平均光谱值来模拟飞行时的大气条件下的太阳光谱。将每个像元的DN值除以选择区域的平均光谱值得到相对反射率,以此来消除大气的影响。
在使用这个工具前,需要利用ENVI提供的感兴趣区绘制工具(ROI Tool)在被定标图像上选择感兴趣区作为平场域(Flat Field),感兴趣区可选择沙漠、大块水泥地、沙地等区域。
2.
对数残差定标工具将数据除以波段几何均值,后再除以像元几何均值,可以消除光照、大气传输、仪器系统误差、地形影响和星体反照率对数据辐射的影响。定标结果的值在1附近。
3.
IAR (Internal Average Relative) Reflectance定标工具假定整幅图像的平均光谱基本代表了大气影响下的太阳光谱信息。把图像DN值与整幅图像的平均辐射光谱值相除,得到的结果为相对反射率。该工具特别适用于没有植被的干旱区域。
4.
Empirical Line定标方法是假设图像DN值与反射率之间存在线性关系:
反射率=增益 * DN值+偏移
利用两个已知点的地面反射光谱值,再计算图像上对应像元点的平均DN值,然后利用线性回归求出增益和偏移值,建立DN值与反射率之间的相互关系式,进行反射率的定标。消除了太阳辐亮度和大气程辐射。
2.3 不变目标法相对大气校正
相对大气校正按照数学基础可以分为2种,非线性校正法和线性校正法。非线性校正法最典型的是直方图匹配,图像的直方图是图像中所有灰度值的概率分布。即将校正图像的直方图与参考图像的直方图进行匹配,使两幅图像具有相同或相近的灰度值概率分布,达到两幅图像上同名地物具有相同灰度值的目的。利用ENVI中Histogram Matching工具(Display中,Enhance->Histogram Matching)
线性校正法有个前提假设:不同时相的图像灰度值之间满足线性关系,这种假设在近似情况下是成立的。这样就可以通过线性等式来描述不同时相间的灰度关系,用x表示参考图像,y表示待校正图像,他们之间的线性关系可描述为:
y=ax+b
其中:a、b为线性等式中的参数,即为增益和偏移量。
根据前述原理,完成线性相对校正需要以下3个步骤:
第一步,在两幅图像中搜寻相对固定目标即光谱稳定的地物样本点,即伪不变特征要素(PIF:Pseudo-Invariant Features);
第二步,运用这些伪不变特征点的DN值,利用线性回归的方法求解式(13.6)中的参数,得到图像间的线性关系;
第三步,根据该关系式,通过波段运算,得到与参考图像具有相同或相近辐射值的结果图像,完成相对大气校正。整个过程的关键是PIF的选择。
下面以两个不同大气环境下成像、已经经过精确配准、ENVI标准格式的Landsat
第一步:PIF选择
选择一幅目视质量较好的图像作为基准图像(2001年),另外一幅作为待校正图像(2000年)。在两个图像上选择相同区域的沥青房顶、砾石面、混凝土停机坪、洁净水体、混凝土、沙地等地物作为PIF,这些地物不会随时间的变化而变化。
(1)
(2)
(3)
(4)
(5)
(6)
分别用记事本打开上面步骤得到两个文本文件,这样我们得到了2000年的图像和2001年的图像相对应伪不变特征要素(PIF)的像素值。从文本文件中可以看到,两个时相图像中每一个波段的像素值是一一对应关系,刚好对应式1中的x和y。第二步中就是利用这些像素值,根据最小二乘回归分析法获得式13.6中的a和b两个参数。
第二步、线性关系式求解
使用最小二乘回归的方法来求解线性回归式a和b参数,如表1。
表1回归解算的a和b值
波段 | 增益(a) | 偏移(b) |
Band1 | 1.02 | -34 |
Band2 | 1.22 | -18 |
Band3 | 0.92 | -9 |
Band4 | 1.21 | -16 |
Band5 | 0.99 | 4 |
Band7 | 0.94 | 3 |
第三步、线性变换
利用表1中的a和b值,在ENVI的Band Math工具对待校正图像做线性变换,然后利用Layer Stacking工具将线性变换结果组合成一个多波段文件。
不变目标法相对大气校正操作过程已经完成。
2.4 热红外大气校正
ENVI提供Thermal Atm Correction工具,可以近似去除热红外辐射数据中的大气影响。在进行大气校正之前,为了得到最好的结果,必须将热红外数据定标为比辐射率数据(TIMS的热红外数据必须被转化为辐射亮度数据),并且待校正数据波长在8-14µm之间。
下面以ASTER L1A的热红外波段为例,操作过程如下:
(1)
(2)
l
l
l
在Thermal Correction Input File对话框中,选择热红外数据(Wavelength : 8.291 to 11.318)。
(3)
l
l
l
u
u
l
u
u
l
l
(4)
2.5 QUAC快速大气校正工具
快速大气校正工具(简称QUAC)自动从图像上收集不同物质的波谱信息,获取经验值完成高光谱和多光谱的快速大气校正(图4)。它得到结果的精度近似FLAASH或者其他基于辐射传输模型的+/-15%。
目前它支持的多光谱和高光谱波谱范围是(0.4~2.5 μm)。传感器包括AISA, ASAS, AVIRIS, CAP ARCHER, COMPASS, HYCAS, HYDICE, HyMap, Hyperion, IKONOS, Landsat TM, LASH, MASTER, MODIS, MTI, QuickBird, RGB,以及 unknown sensor。
QUAC的输入数据可以是辐射亮度值、表观反射率、无单位的raw数据。可以是任何数据储存顺序(BIL/BIP/BSQ)和储存类型,多光谱和高光谱传感器数据的每个波段必须有中心波长信息。
QUAC的操作非常简单,如下:
(1)
l
l
l
在文件输入对话框中选择校正的图像文件。
(2)
图5 QUick Atmospheric Correction Parameters面板