论文学习（三）：A METHOD OF AUTOMATICALLY EXTRACTING FOREST FIRE BURNED AREAS USING GF-1 REMOTE SENSING IMA-CSDN博客

本文链接：https://blog.csdn.net/qq_51976293/article/details/141958399

文章目录

INTRODUCTION
1.STUDY AREA AND DATA SOURCE
2.METHODOLOGY
3.RESULTS AND ANALYSIS
4.CONCLUSION

论文标题：A METHOD OF AUTOMATICALLY EXTRACTING FOREST FIRE BURNED AREAS USING GF-1 REMOTE SENSING IMAGES（利用GF-1遥感图像自动提取森林火灾烧毁面积的方法）
论文DOI：10.1109/IGARSS.2019.8900399
论文目的：提出一种利用高分一号（GF-1，高分辨率光学地球观测卫星）遥感影像自动提取森林火灾烧毁面积的方法。流程如下：

对GF-1 WFV（宽视场查看器）图像进行几何校正和大气校正。
使用近红外带和红带计算归一化植被指数。
在植被指数结果中使用Otsu方法设置阈值以自动获得烧毁面积。

INTRODUCTION

被烧毁区域：被烧毁后地表尚未恢复到原始林地的地方。
及时提取火灾后的烧毁区域对保护森林资源有重要意义，通常使用NBR（归一化燃烧比）在遥感图像中识别燃烧区域，其可用于增强烧毁区域的特征信息。计算方式如下：
$NBR = (N I R - S W I R) / (N I R + S W I R)$
NIR：近红外波段，用于测量没有受到烧伤影响的植被反射率。
SWIR：短红外波段，用于测量烧伤地面的放射率。

NBR的值范围通常在-1到1之间，其中-1代表完全烧毁，0代表没有受到烧伤的植被，而1则代表烧伤之前没有植被覆盖的区域。NBR越低，烧伤灾害对生态系统的影响就越严重。因此，NBR通常用于烧伤区域的监测和评估，以及评估烧伤后植被的恢复情况。
NBR需要短波红外光谱参与，但有的遥感数据并不带有该类光谱带。本文提出一种自动提取高分一号卫星图像中烧伤区域的方法。

1.STUDY AREA AND DATA SOURCE

研究区域：中国黑龙江省大兴安岭市森林火灾后的烧毁区域。
数据来源：2018年7月25日高分一号卫星的WFV传感器提供的图像，其可提供2米分辨率的全色图像、8米分辨率的多光谱图像。

研究区域和原始遥感图像：
在这里插入图片描述

2.METHODOLOGY

1.数据预处理，包括几何校正、辐射校正。
2.利用WFV传感器数据的B3（红波段）和B4（近红外波段）计算归一化植被指数（NDVI）图像。计算方式如下：

$(N I R - R) / (N I R + R)$

NIR：近红外波段反射值。
R：红光波段反射值。

归一化植被指数是反映农作物长势和营养信息的重要参数之一，-1可见光高反射；0表示有岩石或裸土等，NIR和R近似相等；正值，表示有植被覆盖，且随覆盖度增大而增大。

3.使用Otsu算法计算阈值T，像素值小于该阈值的区域属于燃烧区域。
4.提取精度与视觉解释的结果进行比较。

2.1Data pre-processing

1.使用ENVI将图像rpc几何校正。
2.使用中国资源卫星数据与应用中心的校准系数进行辐射定标，辐射定标公式如下：
- $L_e$ ：卫星相机入口处的等效辐射。
- $G ain$ ：比例系数。
- $B ia s$ ：偏置值。

在这里插入图片描述
以下是WFV相机的增益和偏置系数（本文使用第三台相机Band3）：

3.使用ENVI的FLASSH模块进行大气校正。

2.2Calculation of NDVI image

预处理后计算出图像的植被归一化指数NDVI 。

2.3Extraction of burned areas

2.3.1OTSU算法

参考：CSDN、CSDN.

图像分割：将图像划分为互不重叠的区域，每个区域都具有一定的语义信息。图像分割的目标是将图像中同一物体或同一部分划分到同一个区域中，并使得不同物体或不同部分处于不同的区域中。

OTSU算法和是一种确定图像二值化分割阈值的算法，由OTSU算法求得的阈值进行图像二值化分割后，前景与背景图像的类间方差最大。被认为是图像分割中阈值选取的最佳算法。
原理：按图像的灰度特性，将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量，故背景和前景之间的类间方差越大，说明构成图像的两部分的差别越大。当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。
求类间方差：OTSU算法目的在于找到阈值TH将所有像素分为C1（小于TH）和C2（大于TH）两类。设这两类像素均值分别为m1、m2，图像像素全局均值为mG，且像素被分为C1、C2的概率分别为p1、p2。有：

在这里插入图片描述
类间方差计算公式为：

化简可得：

设阈值为灰度 $k （ k \in [0, L - 1], L = 256 ）$ ，则使上式最大化的灰度级即为阈值，此时只需遍历 $[0, 255]$ ，计算不同情况下类间方差的最大值即可。