遥感卫星多光谱图像模拟真彩色算法研究*

2020-03-11 04:59:42赵新伟罗伊萍孙业超

飞控与探测 2020年1期

万伟，赵新伟，罗伊萍, 孙业超

(中国资源卫星应用中心·北京·100094)

0 引言

真彩色影像真实地记录了地物的光谱特征，颜色和自然色一致，在遥感制图、环境仿真等方面，尤其是面向公众用户，有着广泛的应用。但是由于可见光蓝光波段受大气影响较为严重[1]，因此一些卫星传感器没有设置蓝光波段，例如法国SPOT卫星的高分辨率成像仪(High Resolution Visible，HRV)和美国LandSat卫星的多光谱成像仪(Multispectral Scanner，MSS)。某些卫星传感器设有蓝光波段，例如中巴地球资源卫星02B 星(CBERS-02B)的全色多光谱相机，但该波段遥感成像的质量受到影响，导致难以获取准确的信息。

我国的资源一号02C 卫星(ZY-1 02C)于2011年12月22日成功发射，搭载有全色多光谱(Panchromatic and Multispectral，PMS)相机和全色高分辨率(High Resolution，HR)相机(见表1)，能获取中高分辨率全色和多光谱图像数据[2]。中巴地球资源卫星04 星(CBERS-04)由中国和巴西联合研制，于2014 年12 月7 日成功发射。星上装有4 种成像载荷(见表2)，包括空间分辨率5m/10m 的全色多光谱相机、20m的多光谱相机、40m/80m的红外相机以及73m的宽视场成像仪[3]。这两颗地球资源卫星目前仍然在轨运行，服务于国土资源调查与监测、防灾减灾、农林水利、生态环境等众多领域，积累了大量有用的历史数据。但是，ZY-1 02C和CBERS-04卫星的全色多光谱相机都缺少合成真彩色所必需的蓝波段。目前的卫星地面数据处理系统中，快视图只能使用假彩色方法合成，这使用户在使用影像数据时碰到了困难，在某种程度上影响了数据的应用。

通常可以用波段模拟方法解决图像真彩色合成问题[4]。波段模拟是指利用先验数据来计算获得特定传感器不具有的波段数据。国内外开展了相关研究，大致可分为三类:(1)基于波段相关性的方法[5-7]，主要有加权法、均值法、不确定参数法等；(2)基于地物波谱的谱模拟方法[8-11]，主要有基于物理光谱库模型的波段模拟和以影像光谱库为基础的波段模拟方法；(3)基于参考遥感图像的图模拟方法[12-17]，主要包括线性回归法、光谱坐标转换法及神经网络、支持向量机等非线性回归拟合法。基于地物波谱的方法可以实现光谱扩展，但由于实地采集的光谱与图像光谱存在时空分辨率上的不一致，大气和成像过程的差异等原因，导致图像光谱与实际地物光谱存在偏差。而且，该方法依赖于地物波谱库的完整性，有限的地物波谱数据难以覆盖影像的所有地物类别，因此这类方法目前还难以实际应用。基于参考图像方法缺点是必须给出包含目标波段波谱范围的参考图像，参考图像必须是相同成像时间、成像地点和相近分辨率。由于通常用户不具备大范围的参考影像库，该方法在实际应用中也受到限制。线性关系方法假设蓝光波段和其它波段反射率之间存在着线性关系，通过求线性关系系数计算蓝光波段的值。但是模拟出的真彩色影像容易出现局部光谱畸变的现象。本文提出了一种基于波段线性关系模型的改进方法。首先用较低分辨率参考影像通过回归分析得到波段相关系数，然后应用到全色多光谱影像，模拟出蓝光波段。最后经过基于地物特征的局部校正，进而合成模拟真彩色图像。该方法能够减少偏色现象，而且计算简单快速。

1 多光谱模拟真彩色方法分析

从表1和表2可以看出，ZY-1 02C和CBERS-04卫星的全色多光谱相机具有相同的波段设置，而CBERS-04的多光谱相机具有较低分辨率的蓝色波段。测试多景数据，发现：(1)同一景图像，线性模型能模拟出图像中主导目标地物的彩色，但是对其他非主导地物，出现局部颜色畸变；(2)不同景图像，由于成像地点和时间上的不一致导致太阳高度角、大气环境引起的照度差异，以及覆盖传感器获取影像范围的地物的光谱反射率差异，会引起实际图像波段间关系与线性关系系数存在偏差，而线性关系系数一般为固定经验值，表现为模拟结果稳定性不够，出现整体颜色畸变。

当线性模型能近似描述图像内主导地物的波段间反射率关系时，能反映主要地物的波谱特征，对大部分区域能获得较好的模拟效果。对不能满足线性模型近似要求的其他区域，通过局部校正，就能够满足真彩色合成需求。因此，从以下方面考虑改进算法：(1)通过参考图像波段间的回归分析计算，确定模拟目标波段与其他波段的相关系数。参考图像只需与目标图像的成像景物范围一致，成像时间相近即可。(2)局部畸变校正，针对不同地物类别分别进行补偿处理，进一步提高精度。

2 算法流程及关键步骤

2.1 算法流程

算法流程如图1所示，蓝色波段表达式的参数基于事先计算的线性关系系数，模拟结果首先作为初始图像保留下来，然后经过逐步优化直到获得满意的效果。主要步骤如下：

(1)影像预处理；

(2)用CBERS-04星的20m多光谱数据作为参考图像，计算波段相关系数；

(3)利用得到相关系数和波段模拟表达式，输入待模拟的ZY-1 02C/CBERS-04星全色多光谱数据，得到模拟蓝波段；

(4)由模拟蓝波段、原始绿波段、原始红波段数据，合成模拟真彩色初始图像；

(5)对初始图像进行简单分类，按照类别对不同区域进行局部偏色校正；

(6)按照特定顺序，合成模拟真彩色图像；

(7)根据需要对图像进行整体调整。整体调整常见的有直方图拉伸，绿色系数和亮度系数调整等。

表1 ZY-1 02C星有效载荷技术指标Tab.1 Specifications for Payload of ZY-1 02C

表2 CBERS-04星有效载荷技术指标Tab.2 Specifications for Payload of CBERS-04

图1 真彩色合成流程Fig.1 Workflow for generating pseudo natural color

2.2 波段模拟表达式

采用波段加权组合的方式生成新的蓝波段，波段运算表达式如下：

(1)

2.3 局部校正与彩色合成

利用待模拟的全色多光谱相机三个波段，构建红外植被指数IPVI[18]和归一化水体指数NDWI[19]。

IPVI=NIR/(R+NIR)

(2)

NDWI=(G-NIR)/(G+NIR)

(3)

上式中，G、R和NIR分别为原始的绿、红和近红外波段反射率。利用两个指数，在空间域上将像素分为4类，分别代表稀疏植被、浓密植被、水体和其他地物。根据指数阈值对地物进行划分，规则如下：

如果IPVI>TV并且S>TS，则该空间区域代表稀疏植被；

如果IPVI>TV并且S≤TS，则该空间区域代表浓密植被；

如果NDWI>TW，则该空间区域代表水体区域；

其他情况下，空间区域代表其他地物。

上式中，S为饱和度；TV为植被指数阈值，取0.5，TS为饱和度阈值，取0.1，TW为水体指数阈值，取0。由于提取的植被和水体均有间断，提取信息不全，为了去除孤立的分类噪声点，需要进行形态学滤波处理。植被和水体区域通常是大面积区域，采用膨胀算子，之后腐蚀算子。对于其他地物，滤波顺序相反，先腐蚀再膨胀处理。然后为每一类地物赋予一个类别标记。考虑到分类的不确定性，像素可能被赋予超过一种标记，按照像素被正确划分的可能性来决定校正的顺序，如浓密植被像素被正确划分的可能性高于稀疏植被。因此局部偏色校正的顺序依次为稀疏植被、水体、其他地物、浓密植被。

局部偏色校正方法如下：

(1)对包含稀疏植被和浓密植被的植被区域，蓝波段为2.2节中模拟得到的蓝色波段，保持该区域模拟的值不变。红色波段R值保持原图像不变。绿色波段G′值使用波段运算经验表达式(G′=0.75G+0.25NIR)进行加强运算，以增强植被覆盖区域与地面背景及人工建筑之间的层次。

(2)对于水体区域，蓝波段B′使用波段运算经验表达式(B′=0.8G+0.1R+0.1NIR)计算得到新的蓝波段，替换该区域原有值，红色波段使用波段运算经验表达式进行校正(R′=0.9R+0.1NIR)。绿色波段保持不变。从而消除水体或其他蓝色地物出现偏紫红色现象。

(3)对于其他地物，保持2.2节中得到的原图像不变。

3 试验及结果分析

3.1 实验数据

试验选取CBERS-04星10m分辨率全色多光谱数据，图像覆盖山东沿海地区，卫星过境时间为2016年2月22日，包含水体、建筑、滩涂、裸土、植被等不同地物类型。图像事先经过辐射校正与几何校正等预处理。

3.2 结果分析

(1)目视评价

(a)平均法

(b)SPOT算法

(c)蓝绿加权法

(d)本文算法图2 多种方法结果的比较Fig.2 Comparison of results from different methods

选用了平均法、SPOT算法、蓝绿波段加权法等不同的方法作为本文方法的比较。从图2中可以看出，各种方法得到的模拟真彩色影像之间色彩差异明显。平均法整体色调偏蓝，植被颜色偏绿，光谱畸变严重，颜色不自然；SPOT算法结果影像绿色植被区域得到明显增强，颜色整体偏绿，水体或者蓝色调地物偏紫；蓝绿波段加权法结果影像对比强烈，增大了蓝、绿波段的反差，但蓝波段信息相对微弱，地块影像颜色偏红；本文方法结果从视觉上看比较清晰，增强了地物颜色层次，同时光谱畸变小，和自然色最为接近。

(2)客观评价

表3选择客观评价指标包括最大值、最小值、均值、标准差等，单位为遥感影像像元亮度值(Digital Number，DN)，对上述不同方法得到结果所包含的信息量进行评价。平均法和SPOT算法蓝波段生成方法相同，因此数值一致。从表中可以看出，本文算法模拟的蓝波段，均方差高于其它方法。

表3 不同方法计算蓝波段结果比较Tab.3 Comparison of results from simulating the blue bands

表4从峰值信噪比(Peak Signal to Noise Ratio，PSNR)、信息熵的角度，对上述方法得到结果进行评价。在信息熵这个指标上，本文算法最高，蓝绿加权法次之，SPOT法、平均法较低，说明本文方法在得到的蓝波段信息量较为丰富。

表4 不同真彩色模拟结果统计比较Tab.4 Quantitative comparison of results from pseudo natural color

直方图能直观地表现图像的光谱信息。图3绘制了R、G、B波段的直方图曲线，其中R表示红波段，G表示绿波段，B表示蓝波段。平均法蓝波段的直方图曲线超过了红绿波段，导致整幅图像的色调偏蓝色。SPOT算法与平均法模拟的结果影像蓝波段直方图非常相似，绿波段曲线大大增强，图像色调偏绿色严重；蓝绿加权法模拟的蓝色波段直方图和绿色波段直方图非常相似，几乎是绿色波段直方图的平移，波段间高度相关，影响了影像的信息量。本文方法模拟的蓝波段图像直方图正常，看不出三个波段间存在明显的相关性，各个波段光谱能量分布均匀。从以上比较分析可见，本文算法模拟结果在空间信息和视觉效果上较优。