CN113870147A

CN113870147A - 一种考虑阴影区域的遥感图像brdf校正方法

Info

Publication number: CN113870147A
Application number: CN202111213273.0A
Authority: CN
Inventors: 贾国瑞; 赵慧洁
Original assignee: Beihang University
Current assignee: Beihang University
Priority date: 2021-10-19
Filing date: 2021-10-19
Publication date: 2021-12-31

Abstract

本发明属于遥感图像处理技术领域，具体涉及对机载遥感图像的二向反射分布函数BRDF的校正方法。本发明为了解决现有技术中遥感图像的BRDF校正不稳定、不准确的技术问题，首先通过研究，明确半经验模型的目标分类不准确性主要受阴影区域影响，包括云产生的阴影、建筑物的阴影等，然后为了减小阴影产生的影响，创造性的将云、建筑物和地形起伏产生的阴影区域分类引入经典的半经验模型，并且加入了地形起伏对照明观测几何的影响计算，从两个方面对半经验模型BRDF校正做了适应性的改进和调整，实现了机载遥感图像的BRDF校正更为稳定、准确。

Description

一种考虑阴影区域的遥感图像BRDF校正方法

技术领域

本发明属于遥感图像处理技术领域，具体涉及对机载遥感图像的二向反射分布函数BRDF的校正方法。

背景技术

在遥感成像过程中的地物二向反射的物理特性被研究人员抽象为二向反射分布函数(Bidirectional Reflectance Distribution Function,BRDF)，在遥感领域，它是定量描述地物反射率与照明观测几何关系的函数。从模型的物理意义角度，通常将现有的BRDF模型分为：经验模型及半经验模型。经验模型基于简单的数学函数，一般采用多项式拟合反射率分布的形式，半经验模型对部分物理机理做近似处理，能够很好把握操作实用性(反演稳定性)和物理意义的健全性之间的平衡，具有灵活性强和能够快速反演的优势，主要将其分为非线性模型和线性“核驱动”模型两类。但是基于经验模型的BRDF校正对光照、环境等因素敏感，造成校正结果的不稳定。基于半经验模型的BRDF校正虽然克服了稳定性的问题，但是依赖于目标分类的准确性，若目标分类准确度不够，将会造成后续计算产生严重偏差。尤其是在机载遥感图像应用场景，由于机载遥感图像相对星载遥感图像的分辨率高、视场角大，地物目标分类不准确的问题更为突出，造成目前机载环境的遥感图像BRDF校正效果不佳。

目前国内外专利文献未提出该技术问题，中外文期刊会议文献中虽有提出类似问题，如《MODIS反演多云地区地表反照率的一种新方法及其反演试验》、《考虑地物时空异质性的云下中分辨率成像光谱仪(MODIS)波段反射率恢复》，但是它们都是针对云覆盖区域利用多时相数据恢复云下地表反射率，即用其它无云时段的数据去补充有云时段像元的遥感数据，存在时间上空间上的“拼接”，无法保证数据的真实性、实时性、完整性，实际未对基于半经验模型的BRDF校正进行改进，仍然存在校正不稳定、不准确的缺陷。

发明内容

本发明为了解决现有技术中遥感图像的BRDF校正不稳定、不准确的技术问题，首先通过研究，明确半经验模型的目标分类不准确性主要受阴影区域影响，包括云产生的阴影、建筑物的阴影等，然后为了减小阴影产生的影响，创造性的将云、建筑物和地形起伏产生的阴影区域分类引入经典的半经验模型，并且加入了地形起伏对照明观测几何的影响计算，从两个方面对半经验模型BRDF校正做了适应性的改进和调整，实现了机载遥感图像的BRDF校正更为稳定、准确。

一种考虑阴影区域的遥感图像BRDF校正方法，其特征在于，包括以下步骤：

步骤1、获取高光谱遥感反射率图像，作为输入数据；

步骤2、对步骤1中遥感图像的每个像元，计算其地物类型指数BCI、阴影指数SI，对二者进行阈值分割，实现该像元的地物分类，包括浓密植被、稀疏植被、水体、裸土、岩石、人工材质、阴影：

地物类型指数BCI计算：

BCI＝(NDVI+C_forst-C_soil-C_water)

式中，NDVI为归一化植被指数，C_forst是森林指数，C_soil是裸土指数；C_water是水体指数；

阴影指数SI计算：

SI＝(ρ_NIR+ρ_SWIR)/2

式中，近红外波段反射率为ρ_NIR，短波波段的反射率为ρ_SWIR；

步骤3、获取飞行数据、成像区域DEM数据，包括成像时外方位元素、成像时间、成像视场角、像元数、经度、纬度、高程值；

步骤4、根据步骤3获取的参数进行照明-观测几何参数(θ′_s,θ′_v,Δφ)求解，其中，太阳入射角θ′_s、观测出射角θ′_v、相对方位角Δφ；

具体为，根据DEM数据，逐像元根据经纬度、高程数据计算坡度、坡向：

α、β分别是坡度和坡向，f_x、f_y分别是南北方向和东西方向的高程变化率；

计算传感器中心到逐像元地面点射线的方向矢量[u v w]^T、观测天顶角θ_v、观测方位角φ_v；进而计算起伏地表上逐像元太阳入射角θ′_s、观测出射角θ′_v、相对方位角Δφ：

cosθ′_s＝cosθ_scosα+sinθ_ssinαcos(φ_s-β)

cosθ′_v＝cosθ_vcosα+sinθ_vsinαcos(φ_v-β)

Δφ＝φ_v-φ_s

步骤5、根据步骤2的分类结果，针对步骤1输入遥感图像中每一类地物的所有像元，利用已知的该类各像元的输入反射率BRDF(θ′_s,θ′_v,Δφ,Λ)和步骤4得到的该类各像元的照明-观测几何参数(θ′_s,θ′_v,Δφ)，输入下式Ross-Li半经验模型，拟合计算其中待定的权重因子，包括各向同性因子f_iso(Λ)、体散射因子f_vol(Λ)、几何散射因子f_geo(Λ)，从而确定每类地物的BRDF特性函数：

BRDF(θ′_s,θ′_v,Δφ,Λ)

＝f_iso(Λ)+f_geo(Λ)K_geo(θ′_s,θ′_v,Δφ)+f_vol(Λ)K_vol(θ′_s,θ′_v,Δφ)

其中K_geo(θ′_s,θ′_v,Δφ)与K_vol(θ′_s,θ′_v,Δφ)分别为已知的Li几何散射核函数与Ross体散射核函数，Λ为对应波长；

步骤6、计算将输入图像中的每个像元自身照明-观测几何条件下的反射率R(θ′_s,θ′_v,Δφ,Λ)化归到某一指定照明-观测几何条件下，即指定太阳入射角θ′_{s_adjust}、观测出射角θ′_{v_adjust}和相对方位角Δφ_adjust，的校正因子ANIF：

式中R(θ′_{s_adjust},θ′_{v_adjust},Δφ_adjust,Λ)是根据步骤5确定的该类地物BRDF特性函数计算所得的指定照明-观测几何条件下的反射率；

步骤7、将步骤6所得每个像元的ANIF与输入反射率图像对应像元相乘，最终得到BRDF校正后的遥感反射率图像。

本发明实现的有益效果：

(1)考虑了云产生的阴影、建筑物的阴影等对半经验模型的影响，并采用地物分类的方式降低阴影对地物反射率的影响；校正结果更为准确；

(2)考虑了地形起伏产生的阴影区域，引入照明-几何参数变量，准确计算不同地形的反射率；

(3)将上述两种考虑结合，从这两个方面对半经验模型BRDF校正做了适应性的改进和调整，实现了机载遥感图像的BRDF校正更为稳定、准确，避免了遥感图像中阴影区域对BRDF校正的干扰。

附图说明

图1为本方法流程图；

图2为BRDF校正前后对比图；

图3为阴影区域的分类效果图。

具体实施方式

步骤1、获取高光谱遥感反射率图像，作为输入数据；

地物类型指数BCI计算：

BCI＝(NDVI+C_forst-C_soil-C_water)

阴影指数SI计算：

SI＝(ρ_NIR+ρ_SWIR)/2

cosθ′_s＝cosθ_scosα+sinθ_ssinαcos(φ_s-β)

cosθ′_v＝cosθ_vcosα+sinθ_vsinαcos(φ_v-β)

Δφ＝φ_v-φ_s

步骤5、根据步骤2的分类结果，针对步骤1输入遥感图像中每一类地物的所有像元，利用已知的该类各像元的输入反射率BRDF(θ′_s，θ′_v，Δφ，Λ)和步骤4得到的该类各像元的照明-观测几何参数(θ′_s，θ′_v，Δφ)，输入下式Ross-Li半经验模型，拟合计算其中待定的权重因子，包括各向同性因子f_iso(Λ)、体散射因子f_vol(Λ)、几何散射因子f_geo(Λ)，从而确定每类地物的BRDF特性函数：

BRDF(θ′_s，θ′_v，Δφ，Λ)

＝f_iso(Λ)+f_geo(Λ)K_geo(θ′_s，θ′_v，Δφ)+f_vol(Λ)K_vol(θ′_s，θ′_v，Δφ)

其中K_geo(θ′_s，θ′_v，Δφ)与K_vol(θ′_s，θ′_v，Δφ)分别为已知的Li几何散射核函数与Ross体散射核函数，Λ为对应波长；

RossThick-LiSparseR组合的核驱动模型整体性能较为突出，适用于复杂场景下地表地物的方向反射特性反演研究，其计算公式如下：

其中：

cosξ＝cosθ_scosθ_v+sinθ_ssinθ_vcosΔφ

式中，Λ为窄波段范围内的波长，ξ₀是一个特征角度，反映了介质中散射体的尺寸与冠层垂直密度比例，表征为热点宽度，为了减少模型中参数个数，通常设为1.5°；ξ是描述观测方向与太阳照明方向之间相角的参量。O为重叠函数，描述观测阴影与光照阴影之间的重叠部分，(θ_s，θ_v，Δφ)分别对应太阳天顶角、观测天顶角和相对方位角，b是树冠抽象为椭球的长轴半径，r为椭球的短轴半径，h是树冠中心距地面的高度，b/r代表树冠相对高度，h/b描述树冠形状。研究中选取考虑热点修正RTM(Ross-Thick-Maignan)核函数作为体散射核，具有互易性的LiSparseR核函数为几何散射核。针对特定结构属性的地物，根据该类地物的多角度观测值，利用上述的Ross-Li模型抽象地物类型的BRDF特性，反演此波段下的内核权重，再根据获取的权重系数计算此类地物不同几何位置处的方向反射率。

基于Ross-Li模型的几何散射核和体散射核，BRDF模型需要调整其内核权重系数以适应观测地表覆盖类型的变化。从特定地物类型数据集中，解析该BRDF模型可靠的内核权重系数的过程，即为BRDF模型参数反演。通常在场景的垂轨方向上不一定包含所有地物覆盖类型，为了使得参数反演结果更可靠，本校正方案选择多个合适的场景数据参与反演。

为验证所设计的BRDF校正模块对全谱段高光谱数据的校正效果，选取吉林榆树飞行数据作为测试数据，分别使用多条相邻航带影像数据开展校正模块的校正效果分析，验证BRDF校正软件的有效性和实用性。图2给出了三航带机载高光谱VNIR影像数据BRDF校正前后镶嵌的真彩色合成图的对比效果。结合影像近景可以看到，经过BRDF校正处理后的航带影像在垂轨方向(横向)上的辐射亮度梯度变化明显得到缓解，具有显著的校正效果。近红外波段反射率数据能够表达更丰富的地物信息，对于航带交界处的过渡细节具有较好的指示作用。

Claims

1.一种考虑阴影区域的遥感图像BRDF校正方法，其特征在于，包括以下步骤：

步骤1、获取高光谱遥感反射率图像，作为输入数据。

步骤2、对步骤1中遥感图像的每个像元，计算其地物类型指数BCI、阴影指数SI，对二者进行阈值分割，实现该像元的地物分类：

地物类型指数BCI计算：

BCI＝(NDVI+C_forst-C_soil-C_water)

阴影指数SI计算：

SI＝(ρ_NIR+ρ_SWIR)/2

式中，近红外波段反射率为ρ_NLR，短波波段的反射率为ρ_SWIR；

步骤3、获取飞行数据、成像区域DEM数据；

步骤4、根据步骤3获取的参数进行照明-观测几何参数(θ′_s，θ′_v，Δφ)求解，其中，太阳入射角θ′_s、观测出射角θ′_v、相对方位角Δφ；

步骤5、根据步骤2的分类结果，针对步骤1输入遥感图像中每一类地物的所有像元，利用已知的该类各像元的输入反射率BRDF(θ′_s，θ′_v，Δφ，Λ)和步骤4得到的该类各像元的照明-观测几何参数(θ′_s，θ′_v，Δφ)，将其作为Ross-Li半经验模型的输入参数，拟合计算其中待定的权重因子，包括各向同性因子f_iso(Λ)、体散射因子f_vol(Λ)、几何散射因子f_geo(Λ)，从而确定每类地物的BRDF特性函数：

BRDF(θ′_s，θ′_v，Δφ，Λ)

步骤6、计算将输入图像中的每个像元自身照明-观测几何条件下的反射率R(θ′_s，θ′_v，Δφ，Λ)化归到某一指定照明-观测几何条件下，即指定太阳入射角θ′_{s_adjust}、观测出射角θ′_{v_adjust}和相对方位角Δφ_adjust，的校正因子ANIF：

式中R(θ′_{s_adjust}，θ′_{v_adjust}，Δφ_adjust，Λ)是根据步骤5确定的该类地物BRDF特性函数计算所得的指定照明-观测几何条件下的反射率；

2.如权利要求1所述的方法，其特征在于，步骤4的照明-观测几何参数的具体计算方法为：

根据DEM数据，逐像元根据经纬度、高程数据计算坡度、坡向：

cosθ′_s＝cosθ_scosα+sinθ_ssinαcos(φ_s-β)

cosθ′_v＝cosθ_vcosα+sinθ_vsinαcos(φ_v-β)

Δφ＝φ_v-φ_s。

3.如权利要求1所述的方法，其特征在于，步骤2地物分类包括浓密植被、稀疏植被、水体、裸土、岩石、人工材质、阴影。

4.如权利要求1所述的方法，其特征在于，步骤3的数据具体包括，包括成像时外方位元素、成像时间、成像视场角、像元数、经度、纬度、高程值。