CN106595873B - 基于长波红外大气底层辐射和可见光波段线性混合模型的亚像元温度反演方法 - Google Patents

Abstract

基于长波红外大气底层辐射和可见光波段线性混合模型的亚像元温度反演方法，属于遥感图像领域，本发明为解决现有红外波段温度反演方法未将混合像元和纯净像元加以区分，导致像元特别是混合像元温度反演不准确的问题。本发明所述反演方法的具体过程为：步骤1、对可见光波段，采用自动目标提取算法进行光谱解混，实现纯像元与混合像元的定位和混合像元各组分丰度的初步估计；步骤2、对与可见光波段配准后的热红外波段图像，结合解混获得的像元丰度信息，与大气、传感器参数实现亚像元温度反演。本发明用于红外波段光谱图像处理。

Description

基于长波红外大气底层辐射和可见光波段线性混合模型的亚 像元温度反演方法

技术领域

本发明涉及一种亚像元温度反演的方法，属于遥感图像领域。

背景技术

热红外温度反演概括来说主要存在以下几个方面的问题：第一、温度和发射率的分离问题；第二、大气影响；第三混合像元问题。

第一，温度和发射率的分离问题。热红外遥感与可见光/近红外遥感的最主要区别在于：在最简单的均匀地表假设下，可见光/近红外波段与遥感相关的地表参数只是光谱一方面，但在热红外波段需要发射率和温度两方面的参数才能描述地表状态。至今大部分的地表温度遥感反演方法都基于多通道数据来反演像元的平均温度和平均发射率波谱，这样始终存在N个观测但有N+1个未知量的问题。第二，大气影响。遥感观测的一个重要特点是大气对辐射能量的影响，虽然较成熟的大气辐射传输模式(MODTRAN、LOWTRAN、6S等)可以比较准确地模拟大气辐射传输过程，但是要求准确地输入大气参数(如温度廓线、水汽廓线等)，而准确获取这些参数非常困难，而且难以保证精度，从而降低了大气辐射传输模拟的准确性。当前，这种误差仍然是提高地表温度和发射率反演精度的制约因素。第三，混合像元问题。在热红外波段的分辨率上，像元通常是由数种典型覆被类型的地表构成的，许多地表覆被类型还可以进一步分解成多个组分，各种组分的温度和发射率都可能有很大差别，这就极大的增加了未知数的数量。平均温度无法反映组分的真实温度，平均发射率也不等于组分发射率的简单平均。

在热红外波段的分辨率上,混合像元通常是大量存在的，某一像元可能包含两种或者以上组分，且各组分之间温度以及辐射率往往差异较大。传统的红外波段温度反演方法未将混合像元以及纯净像元加以区分，从而导致像元特别是混合像元温度反演的不准确。

发明内容

本发明目的是为了解决现有红外波段温度反演方法未将混合像元和纯净像元加以区分，导致像元特别是混合像元温度反演不准确的问题，提供了一种基于长波红外大气底层辐射和可见光波段线性混合模型的亚像元温度反演方法。

本发明所述基于长波红外大气底层辐射和可见光波段线性混合模型的亚像元温度反演方法，该反演方法的具体过程为：

步骤1、对可见光波段，采用自动目标提取算法进行光谱解混，实现纯像元与混合像元的定位和混合像元各组分丰度的初步估计；

步骤2、对与可见光波段配准后的热红外波段图像，结合解混获得的像元丰度信息，与大气、传感器参数实现亚像元温度反演。

本发明的优点：本发明针对红外波段光谱图像混合像元各组分温度反演困难的问题，提出一种亚像元温度反演(SPTES)的方法，并将纯净像元以及混合像元分别进行处理，实现各组分温度的估计。针对纯净像元，使用传统的温度比辐射率分离算法(TES)同时对地物温度以及辐射率进行求解，并对各个组分地物的平均温度进行初步估计；针对混合像元，在建立大气底层辐射线性混合模型的基础上，结合各组分已知的辐射率以及丰度、平均温度等信息，利用Planck公式(普朗克公式)在各组分温度均值处的一阶泰勒展开形式，求解混合像元中各组分温度与均值温度的差值，最终以最小均方误差为约束实现各组分温度的求解。

附图说明

图1是本发明所述基于长波红外大气底层辐射和可见光波段线性混合模型的亚像元温度反演方法的流程框图；

图2是本发明所述亚像元温度反演算法的流程框图。

具体实施方式

具体实施方式一：下面结合图1说明本实施方式，本实施方式所述基于长波红外大气底层辐射和可见光波段线性混合模型的亚像元温度反演方法，该反演方法的具体过程为：

步骤1、对可见光波段，采用自动目标提取算法进行光谱解混，实现纯像元与混合像元的定位和混合像元各组分丰度的初步估计；

步骤2、对与可见光波段配准后的热红外波段图像，结合解混获得的像元丰度信息，与大气、传感器参数实现亚像元温度反演。

本实施方式中，自动目标提取算法即为ATGP，亚像元温度反演即为SPTES。

具体实施方式二：本实施方式对实施方式一作进一步说明，步骤1所述实现纯像元与混合像元的定位和混合像元各组分丰度的初步估计的具体过程为：

步骤1-1、根据凸面几何理论，端元位于高光谱数据构成的凸面单体的顶点，自动目标提取算法将高光谱图像中向量长度最大的像元作为初始端元m₁，即：

其中，表示像元x的F-范数，N表示单波段像元的个数，i表示波段，x_i表示i波段的像元；

步骤1-2、将得到的初始端元m₁作为非感兴趣端元，构造正交投影算子并将数据投影到正交投影算子为的正交子空间中；在此正交子空间中初始端元m₁被抑制，自动目标提取算法选择向量长度最大的下一个像元作为下一端元m₂，即：

步骤1-3、将已经提取端元m₁、m₂作为非感兴趣端元U＝[m₁,m₂]，构造正交投影算子并将数据投影到正交投影算子为的正交子空间中；再次选择向量长度最大的下一个像元作为下一端元m_next：

步骤1-4、将步骤1-3获取的下一端元m_next增加到非感兴趣部分，构造新的正交投影算子，并获取新的向量长度最大的下一个像元作为新的下一端元，直至达到端元个数；

步骤1-5、根据提取的端元进行全约束丰度估计。

本实施方式中，F-范数即Frobenius范数。

具体实施方式三：下面结合图2说明本实施方式，本实施方式对实施方式一或二作进一步说明，步骤2所述实现亚像元温度反演的具体过程为：

步骤2-1、对纯像元利用温度辐射率分离算法估算不同地物类型辐射率和平均温度；

步骤2-2、利用步骤2-1获取的不同地物类型辐射率和平均温度，针对混合像元进行亚像元各组分温度估计，从而实现图像的温度反演。

本实施方式中，温度辐射率分离算法即为TES。

具体实施方式四：本实施方式对实施方式三作进一步说明，步骤2-1所述估算不同地物类型辐射率和平均温度的具体过程为：温度辐射率分离算法包括发射率归一化法模块、比值法模块和平均最小最大发射率差法模块；

发射率归一化法模块用于实现对像元温度的初步估计和求解；

比值法模块用于求解相对比辐射率，通过每个模块辐射率与总辐射率均值相除，获得各个波段辐射率相较于均值辐射率的相对值；

平均最小最大发射率差法模块用于对最小辐射率的精确估计，保证求得的辐射率曲线与真实曲线一致。

本实施方式中，发射率归一化法即NEM，Normalized Emissivity Method；比值法即RAT，RATIO Algorithm；平均最小最大发射率差法即MMD，Maximum and MinimumDifference。

具体实施方式五：本实施方式对实施方式四作进一步说明，发射率归一化法模块实现对像元温度的初步估计和求解的具体过程为：

假设所求目标最大辐射率ε_max为0.97，且辐射率最大波段对应目标大气底层辐射亮度值最大的波段，代入大气底层辐射方程，求解出温度的初步估计值T₀，将初步估计值T₀代入各个波段，初步求解其他波段i辐射率ε_i；

设最大辐射率的波段的大气底层辐射值为对应波段波长为λ_m，普朗克辐射值为B_m，对应波段的大气下行辐射值为则所得的温度的初步估计值T₀为：

其中，C₁≈1.19·10⁸W·m^-2·sr^-1·μm⁴，C₂≈1.44·10⁴K·μm⁴

各个波段i的辐射率ε_i为：

其中，λ_i表示波段i的波长，表示波段i的大气底层辐射值，表示波段i的大气下行辐射值，B(T₀,λ_i)表示温度T₀、波长λ_i下的普朗克辐射值。

具体实施方式六：本实施方式对实施方式五作进一步说明，比值法模块获得各个波段辐射率相较于均值辐射率的相对值的具体过程为：

相对比辐射率β_i为：

ε_k表示第k个波段的辐射率，N表示波段个数。

本实施方式中，通过RAT模块与MMD模块的不断迭代，最终的反射率结果不断优化，误差不断减小。

具体实施方式七：本实施方式对实施方式六作进一步说明，所述平均最小最大发射率差法模块对最小辐射率的精确估计的具体过程为：

建立相对辐射率最大值、最小值之间的绝对差值与最小辐射率之间的关系，进一步对最小辐射率和其他各个波段辐射率进行约束；在迭代的过程中，逐步去除反射环境程辐射的影响，从而得到更为精确的计算结果；其表达式如下：

MMD＝max(β_i)-min(β_i)；

ε_min＝a-b×MMD^c

其中，max(β_i)表示β_i的最大值，min(β_i)表示β_i的最小值，MMD表示平均最小最大发射率差，ε_min表示辐射率最小波段的辐射率，a、b和c均表示ε_min和MMD的关系系数，且a、b和c均不相同。

具体实施方式八：本实施方式对实施方式七作进一步说明，步骤2-2所述针对混合像元进行亚像元各组分温度估计，从而实现图像的温度反演的具体过程为：

类比于可见光波段线性混合模型，建立基于普朗克公式的大气底层辐射线性混合模型：

其中，为温度，为比辐射率，为在像元(x,y)处某一组分j的丰度估计，M为构成像元(x,y)组分的种类数目，B^λ(T)为在温度T、波长λ下的普朗克辐射值，B^λ(T)表示为：

其中，C₁≈1.19·10⁸W·m^-2·sr^-1·μm⁴，C₂≈1.44·10⁴K·μm⁴；

将大气底层辐射线性混合模型在各组分均值附近进行一阶泰勒展开，对于波长为λ_i的波段，展开形式如下：

表示组成像元的M个组分的平均温度，T_i表示混合像元中第i个组分的温度，表示第i个组分的平均温度；

对于N个波段，形式如下：

其中，且

N为波段数，M表示未知参数的个数，与混合像元组分种类数目一致；

其中C₁≈1.19·10⁸W·m^-2·sr^-1·μm⁴，C₂≈1.44·10⁴K·μm⁴

求解混合像元各组分温度与其平均温度的差值：

ΔT＝(A^t·C^-1·A)^-1·A^t·C^-1·ΔR；

其中C为噪声的协方差矩阵；

以大气底层辐射最小重建均方误差为准则，实现丰度与温度的联合估计，引入代价函数D(S,T)：

其中，S为混合像元各个材料在所有波段的丰度矩阵；

为各个材料最终温度的估计。

Claims (1)

1.基于长波红外大气底层辐射和可见光波段线性混合模型的亚像元温度反演方法，其特征在于，该反演方法的具体过程为：

步骤1、对可见光波段，采用自动目标提取算法进行光谱解混，实现纯像元与混合像元的定位和混合像元各组分丰度的初步估计；

步骤2、对与可见光波段配准后的热红外波段图像，结合解混获得的像元丰度信息，与大气、传感器参数实现亚像元温度反演；

步骤1所述实现纯像元与混合像元的定位和混合像元各组分丰度的初步估计的具体过程为：

步骤1-1、根据凸面几何理论，端元位于高光谱数据构成的凸面单体的顶点，自动目标提取算法将高光谱图像中向量长度最大的像元作为初始端元m₁，即：

其中，表示像元x的F-范数，N表示单波段像元的个数，i表示波段，x_i表示i波段的像元；

步骤1-2、将得到的初始端元m₁作为非感兴趣端元，构造正交投影算子并将数据投影到正交投影算子为的正交子空间中；在此正交子空间中初始端元m₁被抑制，自动目标提取算法选择向量长度最大的下一个像元作为下一端元m₂，即：

步骤1-3、将已经提取端元m₁、m₂作为非感兴趣端元U＝[m₁,m₂]，构造正交投影算子并将数据投影到正交投影算子为的正交子空间中；再次选择向量长度最大的下一个像元作为下一端元m_next：

步骤1-4、将步骤1-3获取的下一端元m_next增加到非感兴趣部分，构造新的正交投影算子，并获取新的向量长度最大的下一个像元作为新的下一端元，直至达到端元个数；

步骤1-5、根据提取的端元进行全约束丰度估计；

步骤2所述实现亚像元温度反演的具体过程为：

步骤2-1、对纯像元利用温度辐射率分离算法估算不同地物类型辐射率和平均温度；

步骤2-2、利用步骤2-1获取的不同地物类型辐射率和平均温度，针对混合像元进行亚像元各组分温度估计，从而实现图像的温度反演；

步骤2-1所述估算不同地物类型辐射率和平均温度的具体过程为：温度辐射率分离算法包括发射率归一化法模块、比值法模块和平均最小最大发射率差法模块；

发射率归一化法模块用于实现对像元温度的初步估计和求解；

比值法模块用于求解相对比辐射率，通过每个模块辐射率与总辐射率均值相除，获得各个波段辐射率相较于均值辐射率的相对值；

平均最小最大发射率差法模块用于对最小辐射率的精确估计，保证求得的辐射率曲线与真实曲线一致；

发射率归一化法模块实现对像元温度的初步估计和求解的具体过程为：

假设所求目标最大辐射率ε_max为0.97，且辐射率最大波段对应目标大气底层辐射亮度值最大的波段，代入大气底层辐射方程，求解出温度的初步估计值T₀，将初步估计值T₀代入各个波段，初步求解其他波段i辐射率ε_i；

设最大辐射率的波段的大气底层辐射值为对应波段波长为λ_m，普朗克辐射值为B_m，对应波段的大气下行辐射值为则所得的温度的初步估计值T₀为：

其中，C₁≈1.19·10⁸W·m^-2·sr^-1·μm⁴，C₂≈1.44·10⁴K·μm⁴

各个波段i的辐射率ε_i为：

其中，λ_i表示波段i的波长，表示波段i的大气底层辐射值，表示波段i的大气下行辐射值，B(T₀,λ_i)表示温度T₀、波长λ_i下的普朗克辐射值；

比值法模块获得各个波段辐射率相较于均值辐射率的相对值的具体过程为：

相对比辐射率β_i为：

ε_k表示第k个波段的辐射率，N表示波段个数；

所述平均最小最大发射率差法模块对最小辐射率的精确估计的具体过程为：

建立相对辐射率最大值、最小值之间的绝对差值与最小辐射率之间的关系，进一步对最小辐射率和其他各个波段辐射率进行约束；在迭代的过程中，逐步去除反射环境程辐射的影响，从而得到更为精确的计算结果；其表达式如下：

MMD＝max(β_i)-min(β_i)；

ε_min＝a-b×MMD^c

其中，max(β_i)表示β_i的最大值，min(β_i)表示β_i的最小值，MMD表示平均最小最大发射率差，ε_min表示辐射率最小波段的辐射率，a、b和c均表示ε_min和MMD的关系系数，且a、b和c均不相同；

步骤2-2所述针对混合像元进行亚像元各组分温度估计，从而实现图像的温度反演的具体过程为：

类比于可见光波段线性混合模型，建立基于普朗克公式的大气底层辐射线性混合模型：

其中，为温度，为比辐射率，为在像元(x,y)处某一组分j的丰度估计，M为构成像元(x,y)组分的种类数目，B^λ(T)为在温度T、波长λ下的普朗克辐射值，B^λ(T)表示为：

其中，C₁≈1.19·10⁸W·m^-2·sr^-1·μm⁴，C₂≈1.44·10⁴K·μm⁴；

将大气底层辐射线性混合模型在各组分均值附近进行一阶泰勒展开，对于波长为λ_i的波段，展开形式如下：

表示组成像元的M个组分的平均温度，T_i表示混合像元中第i个组分的温度，表示第i个组分的平均温度；

对于N个波段，形式如下：

其中，且

N为波段数，M表示未知参数的个数，与混合像元组分种类数目一致；

其中C₁≈1.19·10⁸W·m^-2·sr^-1·μm⁴，C₂≈1.44·10⁴K·μm⁴

求解混合像元各组分温度与其平均温度的差值：

ΔT＝(A^t·C^-1·A)^-1·A^t·C^-1·ΔR；

其中C为噪声的协方差矩阵；

以大气底层辐射最小重建均方误差为准则，实现丰度与温度的联合估计，引入代价函数D(S,T)：

其中，S为混合像元各个材料在所有波段的丰度矩阵；

为各个材料最终温度的估计。