基于ENVI/IDL的高分遙感數(shù)據(jù)自動(dòng)預(yù)處理及植被 提取方法：以湖南林業(yè)為例

王 威，楊 芳, ，張 鵬，王 新*

(1. 長(zhǎng)沙理工大學(xué) 計(jì)算機(jī)與通信工程學(xué)院，長(zhǎng)沙 410114；2. 湖南神帆科技有限公司，長(zhǎng)沙 410000)

森林資源是具有再生性的動(dòng)態(tài)性資源，森林資源調(diào)查能夠及時(shí)準(zhǔn)確地為森林資源的保護(hù)和開(kāi)發(fā)等提供參考[1]﹒傳統(tǒng)模式的林業(yè)調(diào)查存在工作量大、成本高、時(shí)間長(zhǎng)、效率低、時(shí)效性差等問(wèn)題﹒而遙感技術(shù)覆蓋范圍大、更新速度快，可以及時(shí)準(zhǔn)確地獲得森林資源的變化情況，因此得到了廣泛應(yīng)用[2-3]﹒自高分專項(xiàng)工程2010 年啟動(dòng)實(shí)施以來(lái)，成功發(fā)射了高分一號(hào)、高分二號(hào)等光學(xué)遙感衛(wèi)星以及高分七號(hào)空間立體觀測(cè)衛(wèi)星﹒至此，高分?jǐn)?shù)據(jù)體系基本形成﹒這極大豐富了我國(guó)自主 對(duì)地觀測(cè)數(shù)據(jù)源，為現(xiàn)代農(nóng)業(yè)、防災(zāi)減災(zāi)、環(huán)境監(jiān)測(cè)及脫貧攻堅(jiān)等領(lǐng)域提供了可靠穩(wěn)定的衛(wèi)星數(shù)據(jù)支持﹒豐富的高分?jǐn)?shù)據(jù)資源可以為國(guó)土資源和林業(yè)管理等部門，以及其他用戶提供應(yīng)用服務(wù)﹒

湖南省林業(yè)面積1 300 萬(wàn)公頃，占全省國(guó)土總面積的61.4%，森林覆蓋率59.82%，活立木總蓄積量5.73 億立方米，全省林業(yè)產(chǎn)業(yè)總值達(dá)4 657億元(2018 年數(shù)據(jù))﹒面對(duì)如此龐大的面積和數(shù)據(jù)量，每一次林地調(diào)查都需要花費(fèi)龐大的人力物力，而利用高分遙感數(shù)據(jù)進(jìn)行林業(yè)調(diào)查，可以大大提高工作效率﹒湖南省已經(jīng)成立了國(guó)家高分辨率對(duì)地觀測(cè)系統(tǒng)湖南數(shù)據(jù)應(yīng)用中心和衛(wèi)星導(dǎo)航技術(shù)檢測(cè)中心等為遙感應(yīng)用提供服務(wù)平臺(tái)﹒但是，這些平臺(tái)的高級(jí)別數(shù)據(jù)產(chǎn)品的批量生產(chǎn)還存在問(wèn)題，限制了高分遙感衛(wèi)星數(shù)據(jù)的應(yīng)用，在基層林業(yè)部門，這一問(wèn)題尤為突出﹒

為了解決上述問(wèn)題，提高國(guó)產(chǎn)高分辨遙感數(shù)據(jù)的使用率，推動(dòng)國(guó)產(chǎn)高分衛(wèi)星數(shù)據(jù)在林業(yè)的應(yīng)用，本文結(jié)合湖南省的實(shí)際情況，提出了一種面向湖南省林業(yè)調(diào)查的高分遙感數(shù)據(jù)的預(yù)處理及植被提取方法﹒該方法在源數(shù)據(jù)基礎(chǔ)上自動(dòng)對(duì)遙感圖像進(jìn)行預(yù)處理并分發(fā)到用戶，可以解決源數(shù)據(jù)不能直接應(yīng)用的問(wèn)題，而經(jīng)過(guò)植被增強(qiáng)處理的圖像，可以為林業(yè)調(diào)查提供更精細(xì)的可視化數(shù)據(jù)﹒

1 高分?jǐn)?shù)據(jù)預(yù)處理及植被提取方法

高分二號(hào)衛(wèi)星的源數(shù)據(jù)主要包括全色圖像、多光譜圖像、影像縮略圖、RPB 文件以及記錄圖像信息的XML 文件等﹒在森林資源調(diào)查應(yīng)用中所使用的高分遙感圖像應(yīng)該滿足“林業(yè)一張圖”的要求﹒在完成圖像校正、融合的基礎(chǔ)上，對(duì)圖像進(jìn)行配準(zhǔn)，為拼接大幅面圖像做準(zhǔn)備；對(duì)圖像進(jìn)行植被增強(qiáng)，突出植被色彩特性，便于人工判讀；同時(shí)，讓其具有穩(wěn)定的灰度動(dòng)態(tài)范圍，便于后續(xù)計(jì)算和解譯處理﹒

為了達(dá)到對(duì)高分?jǐn)?shù)據(jù)的自動(dòng)預(yù)處理及植被提取的目的，并為林業(yè)應(yīng)用提供符合條件的高質(zhì)量圖像，該方法基于ENVI 軟件進(jìn)行2 次開(kāi)發(fā)，利用計(jì)算機(jī)平臺(tái)進(jìn)行算法研究并編程實(shí)現(xiàn)，其主要的處理過(guò)程如圖1 所示﹒

1.1 大氣校正

大氣校正的目的是為了消除由大氣和光照等 因素對(duì)地物反射的影響[4]﹒在林業(yè)應(yīng)用中，需要通過(guò)大氣校正來(lái)調(diào)整圖像顏色，使最終的圖像產(chǎn)品色調(diào)符合視覺(jué)特性﹒這里使用快速大氣校正(QUAC)模型，其數(shù)學(xué)表達(dá)式為

圖1 總體流程

其中 ai表示從圖像中收集的波譜信息﹒QUAC 模型支持的多種傳感器類型主要包括：Landsat TM、AISA、AVIRIS、CAP、ARCHER、COMPASS、HYCAS、HYDICE、KONOS、MODIS、QuickBird以及Unknown Sensor 等﹒QUAC 模型不需要配套信息，它能夠自動(dòng)從圖像中收集不同物質(zhì)的波譜信息，從而得到大氣補(bǔ)償參數(shù)，且對(duì)其他參數(shù)的要求較低，運(yùn)算速度快﹒

1.2 正射校正

遙感影像受傳感器觀測(cè)角度和地面高程等因素的影響，會(huì)產(chǎn)生視覺(jué)差，并引起圖像變形，因此需要對(duì)圖像進(jìn)行正射校正﹒在圖像上選取控制點(diǎn)，先利用該圖像范圍內(nèi)的DEM(digital elevation model)數(shù)據(jù)；然后結(jié)合RPC(rational polynomial coefficient)模型[5-6]得到正確的位置坐標(biāo)；最后對(duì)圖像進(jìn)行校正并重新生成正射影像﹒用RPC 參數(shù)替代以共線條件為基礎(chǔ)的幾何模型[7]，在提供精確地理信息的同時(shí)，能夠保證衛(wèi)星的相關(guān)參數(shù)不被泄露，這是國(guó)內(nèi)外測(cè)繪衛(wèi)星提供產(chǎn)品的主要方法﹒RPC 模型的實(shí)質(zhì)是有理函數(shù)模型(RFM)[8]，不需要內(nèi)外方位元素，回避了成像的幾何過(guò)程，同時(shí)將地面坐標(biāo)和影像坐標(biāo)正則化到-1~1 之間，增強(qiáng)了參數(shù)求解的穩(wěn)定性，其數(shù)學(xué)表達(dá)式為

1.3 圖像融合

圖像融合是指將多源信道所采集到的關(guān)于同一目標(biāo)的圖像經(jīng)過(guò)一定的處理，充分提取各自信道的信息，最后融合成一幅圖像的過(guò)程[9]﹒圖像融合也是林業(yè)遙感應(yīng)用的關(guān)鍵步驟，高分系統(tǒng)源數(shù)據(jù)包含高空間分辨率的全色圖像和低空間分辨率的多光譜圖像﹒利用圖像融合算法，能夠生成目視效果更佳且具有高空間分辨率的多光譜圖像[10]﹒使用Gram-Schmidt Pan Sharpening(GS)方法[11]進(jìn)行融合，基本步驟如下：

首先，使用多光譜影像對(duì)高分辨率全色影像進(jìn)行模擬[12]﹒

其次，利用模擬的高分辨率全色影像作為第1 個(gè)分量來(lái)對(duì)多光譜影像進(jìn)行GS 變換，其變換公式為

最后，用高分辨率全色影像替換GS 變換后的第1 個(gè)分量(即 GS1分量)，再對(duì)替換后的數(shù)據(jù)集進(jìn)行GS 逆變換，最終完成多光譜影像與全色率影像的融合﹒

Gram-Schmidt 融合是通過(guò)統(tǒng)計(jì)分析方法對(duì)參與融合的各波段進(jìn)行最佳匹配，對(duì)于一次處理的波段數(shù)沒(méi)有限制﹒融合產(chǎn)生的高分辨率多光譜影像不僅較好的保持了空間紋理信息，還能保持全色影像的光譜特性，并且信息失真小，可以完成絕大部分遙感圖像的融合﹒

1.4 圖像配準(zhǔn)

圖像配準(zhǔn)是遙感圖像處理中的一項(xiàng)基本任務(wù)，用于匹配在不同時(shí)間、不同傳感器或不同視角拍攝的2 幅或多幅圖像[13]﹒配準(zhǔn)的意義在于尋求圖像之間的變換模型，使2 幅或者多幅有重疊區(qū)域的圖像在同一坐標(biāo)系下顯示﹒遙感圖像配準(zhǔn)方法可以分為4 類[14]：基于混合模型的配準(zhǔn)、基于區(qū)域的配準(zhǔn)、基于物理模型的配準(zhǔn)以及基于特征的配準(zhǔn)﹒基于特征的配準(zhǔn)是現(xiàn)階段使用最多的配準(zhǔn)方法，一般分為3 步：特征提取、特征匹配和圖像配準(zhǔn)，其中特征提取是圖像配準(zhǔn)的關(guān)鍵﹒使用Harris 算子提取特征，該算子采用了一種新的角點(diǎn)判定方法﹒該方法認(rèn)為特征點(diǎn)是局部范圍極大興趣值對(duì)應(yīng)的像素點(diǎn)，使用高斯函數(shù)代替二值窗口函數(shù)，對(duì)圖像中的每個(gè)點(diǎn)都計(jì)算其興趣值，離中心越近的像素權(quán)重越大；并使用Taylor 展開(kāi)公式，計(jì)算每隔45°方向的灰度平方和，其數(shù)學(xué)表達(dá)式為

圖像配準(zhǔn)分為3 個(gè)步驟：首先獲取配準(zhǔn)聯(lián)絡(luò)點(diǎn)，為了能保留足夠的聯(lián)絡(luò)點(diǎn)數(shù)，初始聯(lián)絡(luò)點(diǎn)增加至2 048 個(gè)，指定最小匹配得分為0.5，做初次篩選；再刪除誤差過(guò)大的聯(lián)絡(luò)點(diǎn)，指定每個(gè)聯(lián)絡(luò)點(diǎn)允許的最大誤差為4；最后對(duì)圖像進(jìn)行配準(zhǔn)﹒

1.5 植被提取

實(shí)驗(yàn)研究中常利用植被覆蓋度數(shù)值的不同來(lái)判斷植被情況，植被覆蓋度可用于植被變化、水土保持和生態(tài)環(huán)境研究等方面，測(cè)量植被覆蓋度可分為遙感測(cè)量和地面測(cè)量2 種方法[15-16]﹒目前遙感測(cè)量植被覆蓋度較為實(shí)用的方法是用植被指數(shù)近似估算植被覆蓋度，常用的植被指數(shù)為歸一化植被指數(shù)(NDVI)[17]﹒高分辨率遙感圖像中植被的光譜特征如下：在紅、藍(lán)波段能量低，在綠色波段附近會(huì)形成一個(gè)小的峰值﹒因葉片內(nèi)部的結(jié)構(gòu)影響，植被在近紅外區(qū)域的反射明顯，有很高的能量﹒如果某區(qū)域在近紅外波段有大量反射的光輻射，這個(gè)區(qū)域的植被密度可能就較高，所以可以利用這一特性計(jì)算NDVI，其計(jì)算公式為

其中NIR 和R 分別為近紅外波段和紅波段處的反射率值；NDVI 的結(jié)果在0~1 之間，當(dāng)區(qū)域內(nèi)沒(méi)有植被或者植被稀疏時(shí)結(jié)果趨近于0，而結(jié)果接近1 則表明區(qū)域內(nèi)可能植物密度較高﹒植被提取區(qū)域由NDVI 閾值來(lái)確定，閾值可根據(jù)不同需求自定義﹒利用NDVI 對(duì)單波段逐一進(jìn)行加權(quán)運(yùn)算，然后代入波段運(yùn)算合成多波段植被提取圖像﹒

1.6 植被增強(qiáng)

遙感圖像的植被信息由于大氣的影響以及傳感器自身的原因，在圖片上經(jīng)常不能得到很好地反映，使其在林業(yè)相關(guān)應(yīng)用中達(dá)不到使用要求﹒一般情況下可見(jiàn)光遙感圖像的植被光譜特征不突出，所以需要通過(guò)后續(xù)處理來(lái)增強(qiáng)地物的顏色層次，常用方法有波段加權(quán)處理和PS 顏色調(diào)整﹒為了突出植被色彩信息，便于人工判讀，根據(jù)NDVI 數(shù)值進(jìn)行分段的波段加權(quán)運(yùn)算，加權(quán)運(yùn)算公式為

其中， b1為NDVI 數(shù)值； b2是近紅外(NIR)波段數(shù)值；b3是G 波段數(shù)值﹒由于數(shù)據(jù)并非全部需要進(jìn)行植被增強(qiáng)，故本模塊為可選模塊﹒

1.7 數(shù)據(jù)拉伸

首先，將遙感圖像從16 位轉(zhuǎn)換為8 位，圖像灰度級(jí)變?yōu)?56 個(gè)，使其具有穩(wěn)定的灰度動(dòng)態(tài)范圍，能夠避免可見(jiàn)的條帶失真；再平均擴(kuò)展它的對(duì)比度，使亮處更亮，暗處更暗，從而將不易分辨的灰度差拉開(kāi)距離，使圖片更有層次，還可以減少內(nèi)存，便于后續(xù)計(jì)算和解譯處理；最后，將圖像進(jìn)行百分比線性拉伸，從16 位降為8 位，然后取圖像的前3 個(gè)波段保存，輸出波段順序?yàn)镽GB，格式為GeoTiff 的遙感圖像﹒

2 應(yīng)用實(shí)例分析

結(jié)合現(xiàn)有數(shù)據(jù)和實(shí)際需求，重點(diǎn)對(duì)湖南省郴州市以及常德市的高分二號(hào)數(shù)據(jù)進(jìn)行實(shí)驗(yàn)﹒高分二號(hào)(GF-2)衛(wèi)星成像寬幅45 km，搭載2 臺(tái)相機(jī)，具有亞米級(jí)空間分辨率，其中全色圖像分辨率為1 m，多光譜圖像分辨率為4 m﹒為了測(cè)試自動(dòng)處理流程的實(shí)用性、穩(wěn)定性以及處理效率，這里選取了不同地區(qū)和不同時(shí)相的GF-2 號(hào)遙感數(shù)據(jù)進(jìn)行實(shí)驗(yàn)﹒

2.1 圖像融合

以郴州市蘇仙區(qū)2016 年GF-2 號(hào)高分辨率遙感數(shù)據(jù)為例，首先對(duì)多光譜圖像進(jìn)行快速大氣校正；然后使用GMTED2010.jp2(ENVI 自帶)數(shù)據(jù)同時(shí)對(duì)多光譜圖像和全色圖像進(jìn)行RPC 正射校正；最后進(jìn)行GS 圖像融合，圖像融合的結(jié)果如圖2 所示﹒其中，圖2(a)是分辨率為1 m 的全色圖像；圖2(c)是分辨率為4 m 的多光譜圖像；圖2(e)為多光譜和全色圖像的融合圖像﹒為方便展示，圖2 中(b)、(d)、(f)僅截取了圖像一部分﹒圖2(f)結(jié)合了前兩者的信息，提高了空間分辨率和光譜分辨率，能快速地分清地物類別，觀察細(xì)節(jié)信息，可以滿足后續(xù)應(yīng)用中對(duì)地物細(xì)節(jié)和色彩的要求，有利于在林業(yè)應(yīng)用中進(jìn)行人工判讀﹒

圖2 全色與多光譜圖像融合結(jié)果

2.2 圖像配準(zhǔn)

以常德市漢壽縣2017 年GF-2 號(hào)衛(wèi)星數(shù)據(jù)為例，底圖選取GoogleEarth 漢壽縣圖像，設(shè)置初始聯(lián)絡(luò)點(diǎn)2 048 個(gè)，最小匹配得分為0.5，每個(gè)聯(lián)絡(luò)點(diǎn)允許的最大誤差為4﹒未配準(zhǔn)圖像的坐標(biāo)位置和實(shí)際坐標(biāo)存在偏差，通過(guò)本方法進(jìn)行配準(zhǔn)，配準(zhǔn)結(jié)果如圖3 所示﹒配準(zhǔn)后的圖像與底圖坐標(biāo)基本匹配，配準(zhǔn)效果較好，為以后對(duì)比多幅圖像以及“林業(yè)一張圖”的實(shí)現(xiàn)提供了基礎(chǔ)﹒

圖3 2 幅圖像的配準(zhǔn)結(jié)果

2.3 植被提取

以郴州市北湖區(qū)2017 年GF-2 號(hào)衛(wèi)星的數(shù)據(jù)為例，取NDVI 值大于0.3 的波段進(jìn)行加權(quán)運(yùn)算并提取植被信息，結(jié)果如圖4 所示﹒其中，圖4(a)為城區(qū)截取圖，大部分能夠肉眼區(qū)分，但是部分區(qū)域由于房屋陰影等影響不易辨別，而且人眼區(qū)分需要大量的時(shí)間和精力；圖4(b)為所選閾值下的城區(qū)植被提取圖，植被信息豐富的區(qū)域已基本提取出來(lái)，可以直接投入應(yīng)用或作為后續(xù)研究的參考﹒由于城區(qū)中存在廠房等其他物體，在近紅外光波段也有大量反射的光輻射，故可能存在部分誤判﹒如圖4(b)中將圖4(a)中上部分的藍(lán)色廠房誤判為植被，但是在提取結(jié)果圖中可以很好地辨認(rèn)，并不影響后續(xù)應(yīng)用﹒圖4(c)是郴州市郊區(qū)截取圖，圖4(d)為其植被提取結(jié)果，由于未受到高反射率建筑的影響，圖4(c)中的植被信息基本被提取了出來(lái)，并未誤判﹒植被提取圖可以很好地應(yīng)用在林地變化檢測(cè)、環(huán)境監(jiān)控等領(lǐng)域中﹒

2.4 植被增強(qiáng)

植被信息是林業(yè)應(yīng)用的重點(diǎn)關(guān)注對(duì)象，因此需對(duì)遙感圖像進(jìn)行植被增強(qiáng)，即在遙感圖像其他地物不失真的基礎(chǔ)上充分提取植被信息，增強(qiáng)植被的顏色層次﹒NDVI 閾值取值范圍為[0, 1]，將其分為4 個(gè)區(qū)間：[0, 0.2)，[0.2, 0.3)，[0.3, 0.4)，[0.4, 1]，分別對(duì)對(duì)應(yīng)波段進(jìn)行加權(quán)運(yùn)算，其結(jié)果如圖5 所示﹒其中，圖5(a)是2 幅沒(méi)有進(jìn)行植被增強(qiáng)的圖像截取圖；圖5(b)是將2 幅圖像進(jìn)行植被增強(qiáng)后的截取圖﹒植被信息經(jīng)過(guò)增強(qiáng)的圖像不僅能充分體現(xiàn)植被信息，易于辨別，同時(shí)減少了遙感圖像在色彩上的差異﹒在林地監(jiān)控等需要對(duì)比2 幅或者多幅遙感圖像的應(yīng)用中，植被增強(qiáng)能夠有效減少由于遙感圖像本身色彩差異所帶來(lái)的實(shí)驗(yàn)誤差﹒

圖4 植被提取效果

圖5 植被增強(qiáng)效果

以上實(shí)驗(yàn)結(jié)果證明：所述方法能自動(dòng)進(jìn)行遙感數(shù)據(jù)的預(yù)處理以及植被提取，且處理的時(shí)長(zhǎng)穩(wěn)定，平均31 min 可處理完1 幅圖像(29 200*27 620像素)；預(yù)處理的遙感圖像能夠融合并保留源圖像的有效信息，圖像配準(zhǔn)精度較高，能充分增強(qiáng)植被的顏色層次；經(jīng)過(guò)該流程處理的結(jié)果圖以及在中間過(guò)程中輸出的植被提取圖，均可被各部門直接應(yīng)用，避免了應(yīng)用前的手動(dòng)預(yù)處理，為遙感數(shù)據(jù)的使用提供了方便﹒

3 結(jié)語(yǔ)

以湖南林業(yè)為例，提出了一種可以支撐林業(yè)調(diào)查應(yīng)用需求的高分遙感數(shù)據(jù)自動(dòng)預(yù)處理以及植被提取方法﹒該方法在傳統(tǒng)遙感圖像預(yù)處理的基礎(chǔ)上，增加了植被提取、植被增強(qiáng)和數(shù)據(jù)拉伸模塊，使輸出的遙感圖像色彩更明亮，圖像灰度的穩(wěn)定性更高，在林地監(jiān)測(cè)和農(nóng)業(yè)普查等方面有著較高的應(yīng)用價(jià)值﹒相關(guān)實(shí)驗(yàn)數(shù)據(jù)已經(jīng)依托湖南省林業(yè)廳和湖南省林業(yè)科學(xué)院的合作，應(yīng)用到了湖南省各地，如郴州市利用遙感圖像對(duì)油茶面積進(jìn)行監(jiān)督和統(tǒng)計(jì)，為油茶地的監(jiān)控提供了很大的幫助﹒因成像技術(shù)和天氣等因素的影響，有時(shí)小部分圖像選點(diǎn)誤差較大，刪除的誤差點(diǎn)較多，可能會(huì)導(dǎo)致配準(zhǔn)不準(zhǔn)確，對(duì)于這類圖像，可以將本程序進(jìn)行擴(kuò)展，輸出中間數(shù)據(jù)，手動(dòng)選取配準(zhǔn)點(diǎn)進(jìn)行配準(zhǔn)﹒后期研究會(huì)繼續(xù)探索其他適用于本流程的配準(zhǔn)算法，在不影響運(yùn)行速率的基礎(chǔ)上，不斷提高配準(zhǔn)精度﹒