对于浅水暗礁环境的可见光波段Landsat TM和ETM 影解析.docx

对于浅水暗礁环境的可见光波段Landsat TM和ETM 影解析.docx

《对于浅水暗礁环境的可见光波段Landsat TM和ETM 影解析.docx》由会员分享，可在线阅读，更多相关《对于浅水暗礁环境的可见光波段Landsat TM和ETM 影解析.docx（15页珍藏版）》请在冰豆网上搜索。

对于浅水暗礁环境的可见光波段LandsatTM和ETM影解析

对于浅水暗礁环境的可见光波段LandsatTM和ETM+影像的去霾处理

摘要

AmethodforhazereductioninthevisiblebandsofLandsatTMandETM+imagesoverashallowwatermarineenvironmentispresentedinthispaper.Thismethodusesthenearinfrared（NIR）bandtoestimatethespatialdistributionofhazeintensityineachvisiblebandthroughalinearregressionmodelestablishedoverdeepwaterareas.Asafirstorderapproximation,thesignalreceivedatthesensorisassumedtobethearithmeticsumofradiancecontributedbyhazeandtheradianceleavingthewatersurface.Reductionofhazeisthencarriedoutbyasimplesubtractionprocedure.ImagesacquiredovertheSouthernTipofPalawan,Philippinesareusedfortheexperiments.Resultsshowthatthemethodworkswellforcompensatingsignalscontaminatedbyopticallythinhaze.Overcorrectionoccurswhenhazeisopticallythickandgeometricallycomplex.

Whenimagesareacquiredunderhazyconditionsthemethodcanbeappliedtodrasticallyimproveimageinterpretabilityandmayalsobeconsideredasanecessarypre-processingstepforsubsequentanalysesandinformationextraction.

Keywords:

Hazereduction;Shallowwatermarineenvironment;Landsat

1简介

landsat卫星传感器系统提供了三个可见通道，这些通道在时间和空间分辨率上对水体比较敏锐。

因此这些通道已经被作为对珊瑚礁环境包括对底部类型的分类和辨别，珊瑚漂白，暗礁环境动态监测以及其他方面的研究的原始数据资料。

另外，一个大数目的历史影像可以用来提供在水声环境的动态监测更加便利的可能性。

然而，持续的云层覆盖为世界上提供礁石系统的热带海洋地区的图像获取带来了问题。

因此，可用的无云的影像是很缺乏的。

在没有可以用于选择的影像不存在的情况下不是最理想条件下获取的影像会被使用。

实际上由于空间变化的干扰，半透明的云层以及气溶胶波段对于现存的Landsat档案很重要的一部分影像产生了一定影响，这已经是一个很普遍的问题了。

当可用的影像在这种情况下被获取时，霾的减少就是必不可少的，而且这些影像要经过预处理步骤提取信息后才能被观察。

在可见光波段，霾是对于表观反射率有一个添加的效果。

在可见光波段一部分影像基础的运算法则对于宽视角的霾的去除和减少是可用的。

暗目标法是一种以图像为基础的运算法则，可以用于消除同性质的霾。

一种暗目标法想法的延伸来说明霾的空间变化的就是将一景图像按地域进行分割并且每个区域单独处理。

也许下面的两个运算法则在像素基础上处理霾的空间变化会更有效。

一种是使用TasseledCap转变霾的成分用来在每个像元位置上估算霾的放射性贡献值，并且霾的纠正是通过在每个像元上减少添加转变的数量，或者通过柱状图比较获得。

另一种就是所谓的霾的优化转变（HOT）。

这种方法是利用无霾区域在二像元的空间距离上来确定一个清晰的天空线（如果是landsat影像最好取红、蓝波段）。

薄雾区的像元朝着偏离标准的方向发展并且这个距离是通过每个像元的薄雾表征的反应来测量。

通过改变与HOT反应类似的呈现水平的像素的柱状图使其向一个清晰地区的柱状图转变，就可以达到减少霾的效果。

然而在潜水海事区域，不管是TasseledCap薄雾成分趋近还是HOT转变方法对于此区域的霾的处理都不合适。

这是因为这两种方法的运算法则都倾向于生成高霾的浓度值用于底部表现出高亮度值的类型，比如说沙子的底部和变白的珊瑚。

对于TC4来说，这个问题可以很简单的依靠用于混乱的信息的重量因素来解释。

对于HOT转换来说，张指出这种运算法则不能适用于正确的地区，这些地区一般都会有更高的亮度，例如沙地，雪地以及低DN值的地区类似于宽阔的水平面。

在这些研究中，呈现的是在浅水海事环境的可见光波段图像霾的去除方面的简单的方法。

这种方法利用NIR波段通过一种线性衰退模型来估算可见光波段的霾的浓度的空间分布。

霾的去除则是利用一种简单的减法运算法则来实施。

fig1，近红外光谱波段和可见光谱波段的线性关系。

第一行：

1989年3月5号的用于做测绘散点分析的部分图像。

大小为209*226.顶层:

（1）Band1.

（2）.Band3.（3）.Band4。

底层：

Band4对可见光波段。

灰色基调代表点的密度。

第四个的注记：

在Band1达到饱和的时候线性关系不再存在

表一：

现行研究所使用影像列表

轨道/行列号

接收日期

传感器

云层覆盖情况

117/054

1989-3-5

TM

在陆地和水面上存在较多霾

117/054

1999-9-9

ETM+

相对无霾，有20%的云主要分布在干旱陆地区域

117/054

2001-4-7

ETM+

在浅水区和干旱地区有轻微的霾

118/054

1999-9-16

ETM+

在陆地和水面的较低左边有严重的云的覆盖。

浪花图案很明显并且水体浑浊度很高

Fig2.对于1999年9月16号的可见光波段图和近红外波段图的部分图像的散点分析图（118*54）。

（1）.Band1.图像大小为143*133.

（2）（3）（4）是band4对band1,band2,band3的散点图。

灰色基调表示点的密度。

Fig3.研究区域

表2

两幅图像特征参数的线性衰退表

在个别波段上会有外部的观测和删除（在一个波段被作为外部观测的一个数据点可能在另一个波段上不必看作其外部），会导致不同数目的数据点用于最小正方形的匹配。

表3

1989年3月5日的图像（原始和霾纠正后图像）和1999年9月9日图像的线性衰退比较

表4

2001年4月7日的图像（原始和霾纠正后图像）和1999年9月9日图像的线性衰退比较

2方法论

霾薄云和气溶胶图层产生空间动态变化，这些图层在基于地面像元的可见光波段上添加了额外的效果。

然而由于通过与地面相关的霾的吸收和放射的辐射的多向散射，从每个地面像元获得的信号不能被作为霾的辐射和地面像元辐射的算术和。

为了解决这个复杂的问题，简单化是需要的，因此部分信号的还原就成为可能了。

在当下的研究中，有人试图用两种假设来给予最先的传感器接收的信号的有条理的近似值。

第一种假设就是霾从视觉上来说是足够薄的，可以允许全透明度的吸收和发射的辐射。

第二个假设是，霾只造成下垫面的上行光辐照度和底部特征，一个单一的散射过程。

根据这些假设，在传感器接收到的信号可以近似于

其中DN代表示除去霾的干扰的离水辐亮度（总的底层反射辐射和水通道的辐射）。

H是是一个有关于霾在图像bandi像素位置（x，y）的强度，图像坐标由x（行号）和y（列号）表示。

如果H已知则去除霾污染物可以表示成

.

一个类似的公式已经被Lavreau（1991）采用，除非霾项已经长期被TC4的每个波段的估计数量取代。

Hochberg等（2003年b）提供了一种方法消除由IKONOS卫星数据使用近红外波段所得出的波模式所造成的太阳反射的影响。

其算法的订制是基于两种水的典型特征。

一是水表现出十分强大的对近红外波长的吸收效果。

这个说明，在近红外波谱，净水的反射为0，而且底层要素的反射也为0，由于这个在这个波普的波长不会穿透水通道。

另一个是水的真正的折射率在可见波段和近红外波段是近似相等的。

这标志着该反射强度相对恒定在所有可见光和近红外波段。

对于在浅水海洋环境之上的大气灰霾，可见光波段的空间强度同样可以类似于近红外波段。

在Bott（1991）,ShettleandFenn（1979）的基础上，提供了一个策划是有关于真正的折射率，就是三种主要类型气溶胶（城市，农村，海洋）和水的波长函数。

对于所有类型的气溶胶折射率几乎是常数真正的包括可见光和近红外光谱。

这个指出，尽管散射与波长成反比，对于主要的气溶胶散射在可见光波谱和近红外波普的联系是相对独立于波长的。

换句话说，阴霾对可见光和近红外波长有同等程度的影响，只有在每个波段的大小不同。

Fig1展示了通过雾，这种在可见频段和NIR频段的强势的线性关系可以在深度开阔的水表面被观测。

暗示了这种关于波长独立性与可见NIR光谱内散射的联系也许是正确的。

就这一点而言，Hochberg所发展起来的通过对IKONOS数据可见光波段分析所得出的太阳光反射修正算法可以直接引伸用于修正LNDSATTM和ETM+图像的霾污染的可见光波段。

这个由Hochberg发展起来的算法是为了导出绝对反射强度，是通过在遮住干燥地区之后缩放NIR图像到一个位于0和1之间的这样一个运用在近红外波段光反射影响区域所发现的最大最小值得出的动态范围分析得出的。

在可见光波段的同样位置可以被找到的值被用来决定缩放比例要素去变换相关联的反射强度来匹配那个可见光波段（绝对反射强度）的反射强度。

可见光波段的预估的绝对反射强度然后减去那张可见光波段的图来得到负反射图像。

然后，在霾纠正LandsatTM和ETM+图像的情况下，这个算法可能不会这么轻易的引伸，这取决于许多需要考虑的实际问题。

首先，在近红外光谱找到的霾的最大值可能十分好的符合可见光波段的数字值的值。

其次，当霾或者薄云是空间几何构成，还当诸如太阳光反射和浮游物等的其他复杂因素存在时，可见光波段和近红外波段之间的线性关系仍然存在，但是大量的分散显现出来。

从Fig.2中可以清楚的看出散点图的散布大量的分布在数字值的值的低范围，同时最小值被发现可以支持这个算法。

第三，对于最大最小值的选择会受到不相关的和波段特有噪声的影响，这同样会影响到缩放要素的决定。

NicholandVohora（2004）基于观察均质表面的LandsatTM影像中所有可见光波段，陈述了一个连贯系统噪声模式（噪声低于16线带除外），例如水体被视为足够均质，从而削弱图像目视解译的效果，同时影响数据分析结果。

最后，Hochberg等（2003b）提出的模型是真正有效的，在这个模型中图像必须进行大气校正。

当存在阴霾时，阴霾的去除应该优先于实际的大气校正过程（Richter,1996）。

在这种情况下，使用两个阴霾点定标方法去除阴霾的结果将取决于两点间的线性关系，结果也会在图像的不同部分出现未校正或者是过于校正的情况。

因此，在进行线性回归分析时，涉及到的数据点多，显然是一个很好的选择，这样可以确保得到阴霾强度在可见光波段的最佳估计。

线性回归分析在目前的研究中加以采用，具体的算法如下：

在进行线性回归分析时的第一步是在NIR波段中确定一个合适的阈值，这个阈值用来进行掩膜运算以将重霾区从无霾区影像上分离出来。

这个阈值可以通过对无霾区进行统计获得，例如，均质无霾区的最大亮度值可以用来作为阈值（异常值的检测以确保其统计的有效性）。

无霾区最大亮度值的使用是为了排除清水中物质产生的修改辐射，这些物质包括溶解物，浮游植物生物量以及河口径流的沉淀物（Maritorena,1996）。

这里的任务就是去除阴霾区，并保有完整的可见光波段的轻霾区影像，只有当像素所具有的亮度值大于阈值时，这种完整性将会被改变。

此方法可以用于获得每一个波段的阈值，只是像元在每个波段的位置不同而已。

接着，不同霾强度的区域可以通过在图像上定义多边形的手段进行目视解释，这些多边形里面的像素用来获取近红外波段和每个可视光波段之间的线性回归模型。

这些区域只包括从深层开放水面区域的图像，不可见的水底也应该被呈现。

另外，Lavreau在1991年使用了一个相似的程序对比了可见光波段线性回归系数和KT变化的阴霾部分。

对于每一个可见光波段，线性回归模型对NIR波段内只适合定义的多边形的像素。

这里

和

表示可一个见光波段和NIR波段的阈值

和

表示线性回归模型的斜率和截距，

-

表示一个可见光波段与零霾区的掩膜运算，

-

表示NIR波段与零霾区的掩膜运算。

当线性回归模型的参数确定，每个可见光波段的每个像元位置上的阴霾强度的增量

可以表示为：

阴霾覆盖信号根据公式

（2）进行校正。

为了保留辐射精度，可以结合整个程序直接生成校正图像。

Fig6.2001的图和1999的图的每个可见波段的平均值的散点分析图。

左边：

霾消除前的，右边：

霾消除后的。

总的多边形数目：

24。

总的多边形内的点数：

4752

.

Fig6.1989的图和1999的图的每个可见波段的平均值的散点分析图。

左边：

霾消除前的，右边：

霾消除后的。

总的多边形数目：

30。

总的多边形内的点数：

4282.

3影像数据和实验检测

目前的研究可以使用4幅Landsat获取的巴拉望岛南端、菲律宾及其相邻区域的遥感图像。

Fig.3描述了这些区域的地理位置。

其中两个拍摄日期分别为1989年3月5号和2001年4月7号的图像阐述了本文推荐的阴霾简算法。

对于每个图像，很多多边形在一个没有底图样式的区域中由一个合成真彩色表示，且霾强度的变化也显示在图像中。

这些多边形的像素组成了一个样本集，用于可视光波段和近红外波段之间的最小二乘拟合。

在最小二乘拟合过程中，排除所有含有饱和度值的样本像素。

如果初步拟合产生的R2值超过0.99，那么程序终止，同时保留斜率和截距。

表2列出了两个图像间的线性回归系数。

每个可视光波段的的绝对增长霾强度通过公式4计算，可以通过公式2移除霾强度。

通过对比霾更正之前和霾更正之后的图像与参考图像来评估在一个定量模式下阴霾简算法的性能。

为了进行比较，没有变化的区域可以当做伪目标不变，即PIT（参考Schott等人在1988年的文章）。

Heo和Fitzhuge这两个人在2000年提出了选择PIT的标准。

在1999年9月9日获取的图像被用来当做参考图像。

这张图片拍摄了一片干燥陆地和深水区域，这个区域上大约有20%的云覆盖率。

在浅水区域，没有明显的霾呈现。

海洋的状态相对比较平静，因为没有明显的迎风波形状。

水的透明度也相当的高。

如果两个测试图像与参考图像的均方根误差小于一个像素，那么可根据几何学原理进行配合。

在每个图像中抽取一个伪不变目标测试数据组。

假定伪不变目标中没有变化，测试数据组和参考数据组之间的相近程度可以通过线性回归分析来量定。

在线性回归过程中保留外部，这样做的目的是计算从原始图像和更正后的图像分别获取的两组数据组之间的绝对差别。

为了更进一步评估结果，不同深度的裸露沙地底部的测试区域有不同的霾污染程度，对这种不同采取直观解释方式。

选择沙地地步的原因有两个。

其中一个原因是研究区域的水生环境主要由沙地底部覆盖。

另一个原因是不同深度的沙地底部表明明亮程度有很大变化。

因此评估沙地底部能够反映整个区域的总体状况。

对大小从几个像素到一百多个像素的测试区域进行识别。

所有测试区域从相对单一的区域中选出，以把图像配准的影响降到最低。

最后也对所推荐的算法和现存的方法进行比较，并表示在结果部分中。

Fig7.1989年的图像的hot和TC4计算。

（1）.HOT.

（2）.TC4.（3）.Band4（NIR）.所有图像成直线舒展。

（1）1989年9月16日的真彩色图像（ETM+,Path/Row:

118/054）.

（2）经过体积校正的图像。

Fig9.对于线性回归和两点缩放算法的比较。

（2）（3）都线性伸展以揭示细节

4结果分析

图4显示的是1989年3月5日经过霾的纠正前后的图像。

显然地，这个运算法则的效果很好因为在纠正过的图像上很明显的已经没有霾了。

在特定情况下，深的沙洲在较低的中部被霾所覆盖导致模糊的边界在纠正过的图像上会被锐化。

在图像左下角部分由于在可见波段的饱和状态会被过校正。

过校正在第一波段最为严重而在第三波段则最小。

1989年3月的图像和2001年4月的图像，这两个PIT测试资料组与参考资料组的对比在3、4表格中分别被体现出来。

很显然地，在两个日期下，霾纠正过后的图像及其参考图像比原始图像及其参考图像有了显著改善的协议（协议的改善体现在R2值从1989年图像的第一波段的44.3%衰退到2001年图像第3波段的10%）。

1989年影像1波段最大的协议改善是因为霾的污染是最严重的，因此应用的纠正在降低由霾引起的错误方面是最有效的。

在待测影像和参考影像间剩余的差异可能会用许多因素来解释，例如图像登记的错误，太阳角度和大气条件的不同，错误的PITs识别，以及会导致离水辐射率厚度的气流状况。

明显地，纠正过的图像与参考图像有着很多相似的地方。

图5、6明显地反映了2001年的影像和1989年影像各自在沙地底部的测试图像和参考影像的对比。

参考图像的协议的改善可以从整个亮度值动态范围中看出来。

对于2001年的图像来说，这个待测区域去除霾之后更加分散并且向一个趋势靠近，这个趋势接近1999年的图像。

这个纠正过的1989图像显示了除了测试地区光学厚度范围的所有三个波段的与1999年图像异常的协议。

这些待测区域都是从淹没水下的沙地的一块霾的区域并且过校正都是发生在这个区域的所有可见波段。

直到运算法则使用的视觉厚度假设不再有效为止。

根据图5和6的比较来看，似乎校正更适合于2001年的影像。

这是因为这幅图像被霾覆盖的区域较小，并且相对于1989年的图像来说获取的数据要更接近于参考的影像。

1989年的影像要比参考图像早10年获取并且在这段时期内会发生很多变化。

此外，这幅影像是通过老的传感器（TM4）获取的，并且传感器系统的不同也是他们产生了许多差异。

本文所推荐的运算法则在被视觉薄雾所污染的信号的纠正上似乎有很好的效果。

与目前的方法相比，图7显示的是HOT反射影像和1989年TC4图像。

HOT图像是与在陆地上的无霾地区估算使用数据的系数相结合，然而TC4是利用所有的6个波段（包括热红外波段6）。

这两幅图像在某些方面是彼此相似的。

首先，在干燥地区，他们都可以很好的压制背景的干扰。

其次，他们都展现了对淹没于水下地区的很高的反射率。

HOT和TC4的规格参数表对底面的反应使得他们都不适合于现行的任务。

在另一方面，霾在NIR波段是与底面自然分开的。

在岛屿上的水体的视觉性质方面粒子物质和溶化的物质似乎占有主导的地位。

当水体的清晰度降低时，霾的浓度的低界限就不容易与浑浊水体像元的霾相区分开来。

当海平面不平整时，太阳光的影响也会超过霾的强度的低界限。

在这种情况下，有人也许会考虑降低Eq.（4）中使用的门槛可以使得在去霾的同时可以去除太阳光和水体的浑浊度。

这样主体的校正就可以进行了。

图8显示的是用于1999年9月16日影像的主体校正。

浪花图案和太阳闪光，由水体浑浊而产生的影响很明显的在去除霾的同时一起被去掉。

这个图像上的NIR和可见光波段中间的分布的小点显示了增强散射可能导致薄云、太阳光的反射以及水体的高浑浊度的几何交错。

从1波段提取的小片段可以用来证明两点法和现在研究中的方法的不同。

这两个点是从显示区域所选取的最小和最大的值。

很显然使用文章中推荐的方法能够更好的校正然而使用两点法校正过的图像会显示更多剩余的错误。

5讨论

由于该方法利用近红外波段得到可见光波段霾的密度，因此必须考虑到传感器在近红外波段的噪声。

如果可见光和近红外波段传感器的噪声相关联，那么在去除霾的同时也减少了传感器的噪声。

本文计算了2001年一幅无霾、地表均一影像的信噪比。

其标准差低于原始影像的两倍。

纠正后减少了影像条纹。

另一方面，若可见光与近红外波段传感器噪声不相关，那么近红外波段的噪声将会叠加到校正后的影像上，增加结果影像的噪声。

这就表明，我们可以利用近红外波段的预处理来降低传感器的噪声。

该霾校正算法的一个明显的不足之处就是在某些重霾区域出现了过校正，因此一定要注意基质辐射特性改变的绝对值。

例如，健康的珊瑚与漂白后的珊瑚辐亮度差异小于3%，经过霾去除处理后，其引起的误差可能会超过该精度。

去除霾对表面离水辐亮度的影响因为涉及到多次散射和吸收作用而很复杂，我们可以尝试考虑简化该过程。

我们对受影像的信号进行一个相对校正，那么霾或云条件下获得的影像中提取的信息依然具有可用性。

当云覆盖了指定浅水珊瑚礁环境时，可利用算法结合其他影像的无云部分来形成一个马赛克，对该影像进行校正。

6结论

本文介绍了对于LandsatTM和ETM+图像深度开阔水环境之上的霾减少算法，这个方式可以应用于修正霾对于大型水环境的可见光波段的影响到某一个范围，这个取决于这张图像的霾的具体情况。

介于这个方案是基于单一散射的辐射相互作用的过程上的假设，所以这个只能被当成一阶信号反馈。

校正发生在当霾肉眼看上去十分厚。

此算法还需更深入的研究和确认。

还需继续努力，后面还会有定量的分析。

不过，值得注意的是所提出的算法可以应用于提高有霾存在时的图像的图像识别能力。