黄 诚,王 皓,王一凯,段伟虎,杨凯悦,王艳霞,李清玉
(西南林业大学,云南 昆明650224)
由于林火监测业务的特殊性,其对遥感数据的时间分辨率要求相对较高。目前,能够满足林火监测业务需求的遥感数据主要来自气象卫星平台。气象卫星具有高时间分辨率,但是其空间分辨率普遍偏低,由这些低空间分辨率的遥感数据制作的卫星林火监测专题图的马赛克效应较明显,可视效果差。高空间分辨率遥感影像普遍时间分辨率较低,且价格昂贵。
目前卫星林火监测图像的制作有两种方式,(1)在原始遥感影像基础上制作并生产卫星林火监测图像,由于卫星林火监测所采用的遥感影像为低空间分辨率的气象卫星所搭载的传感器,使用该种原始遥感影像所制作的监测图像较模糊、效果差;(2)在原始低空间分辨率遥感影像的基础上,采用亚像元图像处理技术将低空间分辨率的遥感影像处理成较高空间分辨率、清晰度好、可读性强的高质量的图像。随后,采用经过数字图像处理后的、清晰度较好的影像制作卫星林火监测图像。
亚像元技术可分为两大类:频域方法和空间域方法。频域方法是通过在频域内消除频谱混叠来重建图像的高频信息[1~3]。Tsai和Huang提出了基于序列的超分辨率重建的方法,该方法是通过成像系统模型建立起原始图像与降质图像之间的函数关系[4]。这个方法依赖三个准则,(1)傅里叶变换(FT)的平移性质,(2)连续傅里叶变换 (CFT)与离散傅里叶变换 (DFT)的之间的关系, (3)设定多帧高分辨率图像大小的边界。国内外不少研究者[5~12]在此基础上,从算法的角度出发,进一步优化算法,提高超分辨率图像重建的计算速度。空间域方法为,在图像空间中以长度 (距离)为自变量直接对像元值进行处理。处理的一般步骤为:①对图像施行二维离散傅立叶变换或小波变换,将图像由图像空间转换到频域空间。②在空间频率域中对图像的频谱作分析处理,以改变图像的频率特征。
我国主要是NOAA/AVHHR卫星进行卫星林火监测,利用NOAA/AVHRR进行林火监测在我国起步早,相关技术成熟。张贵等人[13~14]、刘诚等人[15]均做过相关研究。其缺点是直接使用气象卫星数据,分辨率低,对火点的定位和识别难度较大,尤其是对较小火点的识别,本研究提出基于亚像元分解与增强技术用以提高MODIS影像的空间分辨率,为林火识别提供高分辨率影像,同时以亚像元分解后的图像作为背景制作卫星林火监测专题图。针对以上应用难题,本研究提出了基于原始卫星数据、以及其它多源地理信息,开展亚像元分解、信息融合、图像增强处理方法的专门研究,以研究30 m分辨率的亚像元增强形卫星林火监测图像,以图像产品形式作为补充,以提高卫星林火监测的应用效率。
西南林区是我国第二大天然林区,其林区主要分布于我国西南横断山脉、喜马拉雅山南坡和雅鲁藏布江大拐弯地区,林区总面积近3 100×104hm2,占全国森林总面积17.7%。森林覆盖率达20.2%,林木总蓄积量达51.2×108m3,约占全国1/3。该林区面积虽不及东北林区,但在单位材积量和乔木种类上居各林区之首。西南林区自然地理环境复杂,有高大的雪峰、崎岖的高原,还有深邃的纵谷。不同的地形、海拔和气候条件满足不同类型的物种生存。如川西、滇西北横断山脉,谷底可生长季雨林和亚热带常绿阔叶林,海拔由低到高逐渐出现山地温带阔叶落叶林、山地中温带针叶阔叶混交林、山地寒温带针叶林以及高山灌木林。据不完全统计,西南林区乔木约有两三千种,其中不少都是罕见的特有种[16]。而森林火灾对其造成很大的威胁,尤其在人迹罕至的原始林区起火不易被发现,扑火工作很难及时进行,一旦失控往往造成很大的经济损失。因此,西南地区的森林防火任务十分繁重,如何有效防范森林火灾,从根本上把火灾损失降到最低程度,运用高科技的卫星遥感技术监测森林火情已经成为一个重要途径。
本研究的技术路线为,获取气象卫星监测图像→亚像元分解→图像增强→多源数据融合→DEM、基础地理信息→解译热点数据→监测图像制作与发布。
亚像元分解与增强流程。
(1)设原始图像G1的像元大小为S,结果图像的像元大小为D。
(2)选用以下两种分解方法交替使用,对G1进行亚像元分解,结果图像为G2,①利用双线性内插算法或立方卷积内插算法,将像元大小为S的图像分解为像元大小S/3的亚像元图像。②利用双线性内插算法或立方卷积法,将像元大小为S的图像分解为大小为S/2的亚像元图像。
(3)用G1的像点数值替换G2图像的某些像点的数值,与S/3分解或S/2分解所对应,选用以下的方法进行替代:将G1(i,j)赋值给G2(3×i,3×j),即用G1的每个元素,替换图像G2的3倍行列点上的元素,得到新图像G3。
(4)用3×3滤波器,对G3进行平滑处理,得到图像G4,滤波器结构如下。
(5)用D与S/3或S/2进行比较:①如果D小于S/3或S/2,则将G4看成G1,重复 (1)到(5)的处理;②如果D大于或等于S/3或S/2,转入第 (6)步。
(6)对G4进行拉普拉斯增强处理。
(7)规定像元大小为D,再用双线性内插算法对G4进行处理,得到像元大小为D的目标图像,处理过程结束[17]。
之后在使用3×3滤波器,对图像进行平滑处理,滤波器结构如下,
用拉普拉斯算子对最终图像进行增强处理。本研究采用拉普拉斯算法进行图像增强处理。拉普拉斯算法是基于二阶微分的图像增强算法,一个二元图像函数f(x,y)的拉普拉斯变换定义如下。
如果所使用的拉普拉斯算子定义具有负的中心系数,那么必须将原始图像减去经拉普拉斯变换后的图像,而不是加上它,从而得到锐化的结果[17]。所以,使用拉普拉斯变换对图像增强的基本方法表示如下。
2.2.1 DEM 融合
因单一数据源DEM数据存在表达信息较单一、数据表达尺度有一定的不足,故需要对多源DEM数据进行融合处理以使DEM数据具有更加丰富的信息、数据表达更加精细、可视效果更佳的目的。在种类繁多的DEM数据中,最常用的还是规则格网DEM(GRID)与不规则格网DEM(TIN)。规则格网DEM与不规则格网DEM相对于其他类型的DEM数据结构简单,易于构建拓扑关系,也易于构建三维立体可视化模型并用于相关分析与显示。
多源DEM数据融合流程包括:数据精度提高,数据抽稀;数据分块;数据三角化;数据栅格化处理;坐标转换;投影转换;公共区域处理。
2.2.2 行政区叠加
为增强专题地图或者地图可视化的可读性以及便于森林防火部门的基层应用,需要在原始背景地图的基础之上叠加相关的地理参考,如:省、市等行政区划边界,行政中心所在地及其名称,城镇所在地名称及位置范围等信息。行政区划叠加效果见图1。
图1 行政区划Fig.1 Administrative map
2.2.3 立体可视化背景融合
平面地图与专题信息的叠加显示能够表达专题图所需要的基本地理参考以及专题信息,但是这种平面化的地图可视效果比三维立体可视化的地图要差。因此本研究的图像最终将以三维立体图像进行表达。
立体可视化制图需要对基础地图与立体可视化背景图进行融合处理,最终以三维立体形式表达专题地图的要素信息以及专题信息。
基础地图与立体可视化背景图的融合方法如下。
(1)将不同投影坐标系统、不同数据源的多源数据的投影坐标系统转换成统一的投影坐标系统。
(2)按照像元一一对应融合方式:即将不同空间分辨率大小的图像处理成像元大小一致多幅图像,之后将多幅图像进行融合。
按照地物匹配方式进行融合:将基础数据图像与背景图像按照地理位置进行匹配 (如沟谷线的拐点与交叉点),之后进行多幅图像融合。
本研究以2013年2月6日16时许,云南省大理市下关镇吊草村委会黄家村森林火灾为背景,挑选该区域火灾前后的多幅遥感影像进行试验研究。
本研究选用的遥感影像选用来自TERRA卫星上搭载的MODIS(中分辨率成像光谱仪)传感器所获取的数字影像。MODIS仪器与NOAA卫星和陆地卫星相比,有以下特点和优势。
(1)空间分辨率大幅提高。空间分辨率提高了一个量级,由NOAA的千米级提高到了MODIS的百米级。
(2)时间分辨率有优势。一天可过境4次,对各种突发性、快速变化的自然灾害有更强的实时监测能力。
(3)光谱分辨率大大提高。有36个波段,这种多通道观测大大增强了对地球复杂系统的观测能力和对地表类型的识别能力。
本研究采用遥感图像处理软件ENVI对MODIS数据进行预处理。
对MODIS数据进行预处理的流程图如下:原始数据 (遥感影像和控制点)→模型校正→控制点选取→误差检查→重采样→图像镶嵌→使用矢量边界进行裁剪→得到预处理后的图像。
亚像元分解前后的影像如图2所示。
图2 亚像元分解前后图像区域放大对比Fig.2 Comparison of the initial image and the sub-pixel processed image with zooming
从图2可知,经过亚像元分解之后的图像比原始图像在空间分辨率上有了明显的提高,其栅格大小明显变小。栅格图像空间分辨率的提高,使得图像在细节的表达上更加丰富和细致;整幅图像整体变得过度流畅,像素间不连续现象减少,图像的可视效果佳。尤其是经融合处理后的DEM数据与地形图叠加时立体效果好,可读性强 (图3)。
目前,已经在卫星林火监测中心内部网站上发布利用本研究成果生产的超分辨率遥感影像图制作的卫星林火监测图像 (图4),并取得较好的应用效果。
图3 处理后地形地貌图Fig.3 Geomorphologic map after technical treatment
图4 利用亚像元分解与增强图像发布热点专题图注:为2014年4月24日卫星热点分布图,图中YN-33(12)编号中,YN是云南省代码,33为当天云南省发现的第33号火点,12为该火点的像元个数,根据像元个数可以预测活在大小,其他编号类似。图中YN-33(12)号点位于丽江县金山乡,YN-13(4)位于云南省宁蒗县战洞区,YN-15(2)位于宁蒗县永兴区Fig.4 Hotspots thematic map by using the sub-pixel decomposition and enhancement of images
本研究提出的基于亚像元分解与增强的卫星林火监测制图技术,生产出30 m分辨率的卫星林火监测遥感图像,能够将低分辨率遥感影像处理成超分辨率的遥感图像。基于亚像元分解与增强方法生产的超分辨率影像,分辨率比原始遥感影像分辨率有明显提高,图像清晰度增强,对比度增加。在本研究的基于亚像元分解与增强技术的基础上,将该技术应用于卫星林火监测领域,并结合GIS技术、多元数据融合等方法制作三维立体、可视化效果强的专题图。本研究的一个重要内容即是利用本研究中的亚像元分解与增强技术、立体可视化显示与制图技术在西南卫星林火监测中心的监测数据发布中进行应用试验。
本研究利用亚像元分解与增强技术生产超分辨率遥感图像,并利用现有多源数据与超分辨率影像进行融合,生产出适用于卫星林火监测图像发布的具有清晰度高、可读性强、便于基层防火部门应用的卫星林火监测预警专题图。这是亚像元分解与增强技术应用于林业卫星林火监测领域一次有效的尝试,并取得了较好的应用效果。
遥感图像亚像元分解与增强技术的优势在于它能够利用现有的低分辨率遥感图像生产出高分辨率的遥感图像,该技术能够克服现有一些遥感传感器空间分辨率不足,以最低的费用支出来满足高分辨率遥感图像的应用需求。此外,国外遥感卫星,资源三号等国内遥感卫星均能够实现对地物的立体像对拍摄,从而在同一场景上能提供不少于两幅的遥感图像用于重建,又由于这些图像采集于相同的时间,不存在空间上的差异;这些图像来源于相同的传感器,不存在光谱上的差异,这为遥感图像的亚像元分解与增强提供了更好的数据源。
当前亚像元分解与增强技术仍需解决的主要问题是:实验过程中部分算法的计算效率过低,耗时较长,如基于概率论亚像元分解算法等。在面对海量的遥感数据时,这些算法可以与云计算、并行计算等技术结合以适应遥感数据大数据量的流程化处理需求。
在多幅图像的图像亚像元分解技术领域,每个步骤都有相关的解决方案,由于遥感图像局部变形和光谱具有一定的复杂性,在配准和图像重建方法中仍需进一步的深入研究。
亚像元制图问题一直在理论技术和方法上不断改进和完善。新的方法和理论的提出使得亚像元分解与增强制图精度不断提高,并使亚像元制图的结果不断地逼近真实的地物覆盖分布情况。亚像元制图技术将为遥感技术发展和应用提供更好的解决方法。但是如何找出这个特定问题的最优解,仍然需作进一步研究。
此外,亚像元制图技术应用于遥感卫星林火监测领域将会大大促进森林防火预警的工作效率,提高森林防火预警的可靠性与准确性。但是目前亚像元制图技术应用于森林防火监测领域还不普遍,有待于进一步的推广。亚像元制图技术在卫星林火监测领域的应用还有待于进一步的研究,以便提供更高精度、更经济实用的方法。
[1]谭 兵.多帧图像空间分辨率增强技术研究[D].合肥:中国人民解放军信息工程大学测绘学院,2004.
[2]拜丽萍,李庆辉,王炳建,等.基于序列图像处理技术的高分辨率红外图像重建方法[J].红外技术,2002,24(6):58-61.
[3]谭 兵,徐 青,耿则勋,等.超分辨率图像重建技术发展现状[J].信息工程大学学报,2004,4(4):93-97.
[4]杨 玲,刘怡光,黄蓉刚,等.新的基于稀疏表示单张彩色超分辨率算法[J].计算机应用,2013(2):472-475.
[5]BaikunW,Hongmei Z,Weibo Y,et al.Super resolution reconstructionbased ontotal variation regularization[C].2010:1194-1199.
[6]Hung E M,De Queiroz R L,Brandi F,et al.Video Super-Resolution Using Codebooks Derived From Key-Frames[J].Circuits and Systems for Video Technology,IEEE Transactions on.2012,22(9):1321-1331.
[7]Ben-Ezra M,Zomet A,Nayar S K.Video super-resolution using controlled subpixel detector shifts[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on.2005,27(6):977-987.
[8]Zheng H,Wei L,Qinggang T,et al.Face Super Resolution by Patch-Based Sparse Coding[C].2012:1522-1525.
[9]刘良云,李英才,相里斌.超分辨率图像重构技术的仿真实验研究[J].中国图象图形学报,2001,6(7):629-635.
[10]刘扬阳,金伟其,苏秉华,等.超分辨力图像处理技术进展及在遥感中的应用[J].红外与激光工程,2005,34(1):70-73.
[11]Li Xiaoliang,Lam K M,ShenLansun.An Image MagnificationAlgorithm Using the GVF Constraint Model[J].Journal ofElectronics(China),2008,25(4):565-571.
[12]Park S K,Schowengerdt R.Image sampling,reconstruction,and the effect of sample-scene phasing[J].APPLIED OPTICS,1982,21(17):3142-3151.
[13]覃先林.遥感与地理信息系统技术相结合的林火预警方法的研究[D].北京:中国林业科学研究院,2005.
[14]杨兰芳,韩 涛.用NOAA卫星监测甘肃森林草原火灾[J].甘肃气象,1997(2):25-27.
[15]刘 诚,李亚军,赵长海,等.气象卫星亚像元火点面积和亮温估算方法[J].应用气象学报,2004(3):273-280.
[16]席善东.卫星林火监测在西南森林防火中的应用与展望[J].森林防火,2008,27(2):44-46.
[17]周汝良,龙晓敏,邓忠坚.一种数字图像的亚像元的分解与增强方法[P].中国.200710066071.1.2008-01-16.