色散推掃型高光譜數據系統殘余誤差校正

江澄 何紅艷

（北京空間機電研究所，北京 100094）

0 引言

色散推掃型高光譜成像儀把傳統的二維成像遙感技術和光譜技術有機的結合在一起，采用一個垂直于運動方向的面陣探測器，在飛行平臺向前運動中完成空間維掃描，同時在平行于平臺運動方向（列）上，通過光柵或棱鏡等色散型光學器件進行光譜維的獲取[1]。在成像系統獲取地物圖像的過程中，光學系統、電子鏈路、數據傳輸等都會帶來系統誤差，影響圖像數據質量（quality，全文同），降低后續的應用處理能力。面向用戶的輻亮度數據（1級數據）一般已經經過壞像元修復、背景噪聲去除、輻射定標以及圖像質量檢查等步驟[2-4]，理論上，此時的數據能夠滿足用戶對數據的質量要求。但實際的成像鏈路中不確定因素很多，誤差修正模型無法將成像鏈路中的系統誤差以及光學器件的非理想性所帶來的影響完全消除，必會有一部分誤差存在于1級數據之中。系統殘余誤差首先影響可視性，造成圖像的辨識度下降，同時降低了圖像的輻射、幾何以及光譜精度，削弱了數據后續應用能力。

如何消除誤差，提高圖像數據質量一直是國內外研究者思考的問題。Neville分別利用光譜匹配、空間特征匹配的方法對Sm ile效應、Keystone效應進行了檢測，并將其應用到機載或星載高光譜成像儀系統[5-6]；T.Han和Goodenough將Hyperion圖像中的異常像元依據成因分為四類，并且進行了相應的檢測與像元填補[7]；Bisun Datt等對Hyperion圖像進行了條紋去除、Sm ile效應降低等預處理，獲得了較好質量的圖像[8]。目前提高圖像質量的方法大都是獨立的針對某個誤差進行處理，即使提出的預處理流程也沒有從理論以及處理方法上分析處理流程的順序問題。同時，為配合國家“高分辨率對地觀測重大專項”的開展，推動色散推掃型高光譜成像光譜儀相應數據處理技術的發展，本文針對面向用戶的 1級輻亮度數據，通過對成像過程中各環節所產生的誤差及相應的機理進行分析，討論了異常像元檢測與校正、多路讀出非均一校正、條帶檢測與校正、Sm ile和Keystone檢測與校正等關鍵算法，進而提出了基于成像鏈路的系統殘余誤差校正流程。將校正流程應用至機載高光譜成像儀（PHI）數據，從圖像信噪比和地面反射率兩方面對校正結果進行評價，結果表明校正流程能夠改善圖像的可視效果，提高高光譜的數據質量，增強數據的后續應用能力。

1 殘余誤差分析

1.1 成像鏈路

色散推掃型高光譜成像儀成像鏈路如圖1所示。它采用光柵或棱鏡等分光元件，入射狹縫位于準直系統的前焦面上；入射的輻射經準直光學系統準直后，經過分光元件色散并按照波長匯聚在探測器陣列上，形成不同波長的狹縫像；再由電子學系統讀出，輸出數字量化值（DN）圖像；最終的數據包含二維空間和一維光譜，即數據立方體。

圖1 色散推掃型高光譜成像儀成像鏈路Fig.1 Image chain of dispersive push-broom hyperspectral sensor

傳感器輸出的DN值圖像經過實驗室輻射定標可以轉換為成像光譜儀入瞳處的輻亮度圖像L，一般采用線性模型：

式中A，B為定標系數，通過標準輻射源經標準板反射到傳感器視場的輻射強度與傳感器測量得到的數值的比值來計算，其中光源的亮度等級范圍應從噪聲水平到飽和輻亮度，或者從噪聲水平到完全被高反射率地面目標照亮時預期的最大輻亮度，同時盡可能的符合實際在軌環境[9]。

1.2 校正流程

在圖1所示的成像鏈路中，按照能量的傳遞過程，可以進一步將整個鏈路劃分為3個環節（如圖2所示），其中光學模型負責傳感器入瞳與探測器之間的能量轉換，輻射模型負責探測器光通量到DN值的轉換，定標模型則將DN值轉換為輻射能量。每個環節都可能產生系統誤差，相應的校正應按照能量傳遞的逆序進行。

運行中的飛行器隨著光學元件和電子元件的老化以及空間環境的變化，實驗室輻射定標得到的參數已經無法完全校正光學系統和成像系統的非理想性對實測數據的影響；同時，一般采用的線性定標模型并未對傳感器的非線性響應區建模[10]。因此經過輻射定標后的輻亮度數據存在系統殘余誤差。

對于面陣探測器陣列，其包含大量的探測單元，受材料制造以及工藝所限，各個器件本身存在差異,探測單元的響應也存在不一致性，尤其在輻射能量較低的區域，探測單元的響應可能為零或為負值，對應在圖像上就被標注為異常像元。理想情況下，所有的異常像元應在0級數據到1級數據的處理過程中得到修正。實際上，1級數據中依然存在少量異常像元，這種現象可能是由輻射定標過程的不完善所引起的。對于推掃式光譜儀，輻射定標的不完善還會在圖像上產生條帶現象[11]。

為了提高讀出速度，大面陣探測器一般采用多個讀出電路對探測器陣列分區讀出。由于多個讀出電路的增益和偏置性能存在差異，使得DN值圖像出現空間維的非均一。同樣是由于輻射定標的不完善，1級數據中的某些波段依然存在這種非均一的現象。

圖2 能量傳遞環節Fig.2 Linksof energy transfer

成像鏈路中，由于準直系統的像差、色散系統的空間畸變等原因，光線產生空間非線性畸變，如圖3所示。對于每個交軌像元來說，光譜維的未校準造成中心波長的偏移，波長曲線不再是平滑直線，而呈現出不同程度的彎曲，即Sm ile效應，它與像元的輻射特性緊密相關；而空間維的未校準則會造成波段間空間像元的偏移，即Keystone效應[12]，Keystone效應與幾何特性相關。二者都會影響地物的真實光譜特征，降低地物分類精度。

基于上述分析，系統殘余誤差對數據質量的影響可分為3類：輻射特性、光譜特性和幾何特性。處理與幾何特性相關的系統誤差時，需要對像元空間位置進行重采樣，這樣有可能改變地物像元的相對位置關系以及原始光譜信息。處理與光譜特性相關的系統誤差時，需要對像元光譜信息進行重采樣，同時算法要求圖像在輻射方面有較高的精度。因此，系統殘余誤差校正流程（如圖4所示）首先應是輻射特性校正，其次是光譜特性校正，最后是幾何特性校正。

圖3 Sm ile和Keystone效應Fig.3 Smile and Keystone properties

2 誤差的校正

為了驗證校正流程的有效性，開展相應的驗證實驗。實驗中所用數據為2009年5月獲取的PHI高光譜數據，其波段數目為126個，覆蓋370～1 013 nm的光譜范圍，光譜分辨率為5 nm。本文選擇原始數據中植被覆蓋較多的區域作為研究對象，按照系統殘余誤差校正流程進行誤差檢測與校正。

2.1 異常像元校正

通過對輻亮度數據的全波段圖像搜索，檢測到數據中存在少量灰度值為負的異常像元，這些異常像元僅在1～18波段（370～457 nm）以及最后兩個波段（1 008～1 013 nm）出現，這是因為這些波段本身的信號能量較小，更容易受到誤差的影響。校正時可以利用其左右像元的均值進行填補。

圖4 系統殘余誤差校正流程Fig.4 Correction chain for systematic residual effects

2.2 非均一性校正

PHI獲取的DN值圖像在交軌方向采用兩套電子學系統讀出，因而圖像上呈現明顯的灰度不均一現象。通過分析0級數據，幾乎所有波段的圖像都存在非均一性，理論上，輻射定標應該能夠消除由于輸出電路不同而引起的圖像差異。實際上，經過對1級數據的觀察，雖然圖像的非均一性程度有所減弱，但大多數波段圖像依然存在明顯的非均一性。圖5為1 003nm波段的DN值圖像、輻亮度圖像以及非均一校正后的圖像，可見輻射定標并不能完全消除系統誤差。

圖5 非均一校正比較（1 003 nm）Fig.5 Comparison of imagesusing and notusing nonuniformity correction(1 003 nm)

對于相同地物，探測器的響應相同，故在兩路圖像的分界處選擇多個地物屬性相同的像元，通過多項式擬合，計算各路圖像的校正系數，最終使得兩路圖像的灰度達到均一。圖5（c）為校正后的圖像，原有的非均一現象基本得到消除，圖像上殘留的條帶噪聲將在下一步進行校正。

圖6為地面某像元非均一校正前后的輻亮度光譜曲線，二者曲線相似，但是在760nm附近的O2吸收帶有明顯的差異：輻亮度數據中的吸收峰在773nm，校正后則在768nm。查看原始數據中其它像元的輻亮度曲線，發現O2吸收峰在763nm、768nm以及773nm三者間振蕩，類似于波長漂移現象；而校正后數據的O2吸收峰都位于768nm，某種程度上修正了O2吸收帶的波長漂移。

圖6 地面某像元非均一校正前后輻亮度光譜曲線比較Fig.6 Comparison of radiance spectra using and notusing correction for a ground pixel

2.3 條帶校正

目前普遍的條帶校正方法是通過直方圖“全局”匹配或者“局部”匹配。下面分別從目視效果、指標分析兩個方面對條帶校正效果進行評價。與未進行條帶處理的圖5（c）比較，圖7中的條帶已經得到很好的消除。同時采用灰度均值、標準差、圖像清晰度等指標定量的評價校正效果[13]，結果如表1所示。相比于校正前的圖像，校正后圖像的灰度標準差降低，說明較好地消除了隨機噪聲；圖像清晰度也有相應提升，較好地保持了邊緣細節信息。

圖7 條帶校正后圖像（1 003 nm）Fig.7 Radiance image after stripe correction(1 003 nm)

2.4 Sm ile與Keystone校正

Smile效應和Keystone效應在單波段圖像上無法直觀的看到。當對圖像進行MNF（m inimum noise fraction）變換后，若前幾個波段存在明顯的亮暗梯度，則說明圖像存在Sm ile效應[14]。利用大氣典型吸收光譜，通過光譜匹配技術則能夠得到中心波長的偏移量。Keystone效應的檢測是基于規則物體的空間特征相關性，結合亞像元級的像元匹配方法，計算各波段圖像之間的像元位置偏移，從而提取出空間像元的偏移量。

表1 條帶校正效果定量比較（1 003 nm）

對經過異常像元校正、非均一校正以及條帶校正的數據分別進行Keystone檢測和Sm ile檢測。Keystone效應的檢測結果如圖8所示，圖中數字單位為像元，像元的空間偏移量從傳感器視場中心的0偏移逐漸向邊緣變化擴散直至0.06個像元。參考波段配準0.3個像元的精度，若像元偏移大于0.3，則認為需要進行Keystone校正，反之則可忽略。

圖8 PHI數據空間像元等偏移線Fig.8 Contour plotof spatial shiftsof PHIdata

依據Smile效應的檢測算法，對數據進行MNF變換，由圖9可見，前三個波段圖像的邊緣區域并沒有出現亮暗梯度變化，這表明PHI數據不存在Sm ile效應。

圖9 輻亮度數據的MNF波段圖像Fig.9 MNF images of PHI radiance data

3 結果與分析

為了反映圖像的整體質量，評價圖像噪聲在系統殘余誤差校正前后的變化，利用圖像分塊統計的方法估算PHI輻亮度數據的信噪比[15]，由于受到地物目標均勻性的影響，得到的圖像信噪比低于實驗室所測信噪比。如圖10所示，處理后數據的圖像信噪比整體上高于處理前的數據，且在中間波段有更為明顯的提升。表明校正過程較好的消除了輻亮度數據中殘余的系統誤差，降低了噪聲信號，圖像信噪比最大提升91.9%。

圖10 圖像信噪比比較Fig.10 Comparison of SNR using and notusing the correction process

系統殘余誤差不僅對輻亮度數據產生噪聲，而且影響數據后續的應用能力。考慮它對大氣校正后反射率數據的影響，用大氣校正模塊FLAASH分別對原始輻亮度數據和殘余誤差校正后數據進行大氣校正，通過兩者的曲線對比來驗證殘余誤差校正流程的有效性（見圖11）。對比圖11中像元的輻亮度曲線，發現殘余誤差校正前后的光譜趨勢基本一致，說明校正方法在保持光譜一致性方面處理的較好。然而，通過反射率曲線的對比（見圖12），發現反射率光譜曲線上760 nm氧氣吸收帶以及940 nm水氣吸收帶附近由于過校正產生的異常現象得到了明顯消除。

圖11 大氣校正后像元輻亮度曲線比較Fig.11 Comparison of radiance spectra using and notusing the correction processafter using FLAASH

圖12 像元反射率曲線比較Fig.12 Comparison of reflectance spectra using and notusing the correction process

4 結束語

本文基于色散推掃式高光譜成像儀，針對面向用戶的1級輻亮度數據，分析數據中系統殘余誤差的產生原因及機理，并研究相應的檢測與校正算法，確定各個校正環節的順序，形成基于成像鏈路的系統殘余誤差校正流程。將此誤差處理過程應用到PHI高光譜數據，實驗結果表明處理后數據的信噪比顯著提高，最大提升值為91.9%，并且較好的消除了反射率曲線中的過校正現象。若對分發到用戶的1級輻亮度數據首先進行系統殘余誤差校正處理，能夠修正數據中殘留的系統誤差，提高圖像數據質量，增強高光譜數據的后續應用能力。

References)

[1] 童慶禧,張兵,鄭蘭芬.高光譜遙感[M].北京:高等教育出版社,2006.TONG Qingxi,ZHANG Bing,ZHENG Lanfen.Hyperspectral Remote Sensing[M].Beijing:Higher Education Press,2006.(in Chinese)

[2] David G G,Jay S P.Processing Hyperion and ALI for Forest Classification[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(6):1322-1323.

[3] 譚炳香,李增員,陳爾學,等.EO-1 Hyperion高光譜數據的預處理[J].遙感信息,2005(6):36-41.TAN Bingxiang,LI Zengyuan,CHEN Erxue,et al.Preprocessing of EO-1 Hyperion Hyperspectral Data[J].Remote Sensing Information,2005(6):36-41.(in Chinese)

[4] Jay S P,Debra B,Stephen L C.Hyperion,a Space-based Imaging Spectrometer[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(6):1160-1173.

[5] Neville RA.Detection of Spectral Line Curvature in Imaging Spectrometer Data[J].Proc SPIE,2004,5093:144-154.

[6] Neville RA.Detection of Keystone in Imaging Spectrometer Data[J].Proc SPIE,2004,5425:208-217.

[7] Han T,Goodenough D G,Dyk A,et al.Detection and Correction of Abnormal Pixels in Hyperion Images[J].Proc Igarss,2002,3:1327-1330.

[8] Bisun D,Tim R M,Tom G V,et al.Preprocessing EO-1 Hyperion Hyperspectral Data to Support the Application of Agricultural Indexes[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(6):1246-1258.

[9] 任建偉,萬杰,李憲圣,等.空間光學遙感器的輻射傳遞特性與校正方法[J].光學精密工程,2007,15(8):1187-1190.REN Jianwei,WAN Jie,LIXiansheng,et al.Radiation Transfer Characteristic and Calibration Method for Space Optical Remote Sensor[J].Optics and Prescision Engineering,2007,15(8):1187-1190.(in Chinese)

[10] 陳大羽,吳燕林.環境一號衛星CCD相機相對定標數據處理[J].航天返回與遙感,2007,28(2):21-28.CHEN Dayu,WU Yanlin.Inter-calibration Data Processing of HJ-1 Satellite CCD Camera[J].Spacecraft Recovery&Remote Sensing,2007,28(2):21-28.(in Chinese)

[11] 張保貴,張宇烽.空間CCD相機輻射校正算法研究[J].航天返回與遙感,2014,35(1):91-96.ZHANG Baogui,ZHANG Yufeng.Analysis of Relative Radiometric Calibration Algorithm of Space CCD Camera[J].Spacecraft Recovery&Remote Sensing,2014,35(1):91-96.(in Chinese)

[12] Naoto Y,Norihide M,Akira I,et al.Detection and Correction of Spectral and Spatial M isregistrations for Hyperspectral Data[C].IEEE IGARSS,Honolulu,July 25-30,2010:1003-1006.

[13] 閻繼寧,周可法,王金林,等.一種高光譜遙感數據條帶及隨機點噪聲去除方法[J].遙感信息,2013,28(3):26-32.YAN Jining,ZHOU Kefa,WANG Jinlin,et al.A Stripes and Random Noises Removal Method for High-spectral Remote Sensing Data[J].Remote Sensing Information,2013,28(3):26-32.(in Chinese)

[14] A lon D,Eyal B D,Arnon K.Use of Derivative Calculations and M inimum Noise Fraction Transform for Detection and Correction the Spectral Curvature Effect(sm ile)in Hyperion Images[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(6):2603-2612.

[15] 朱博,王新鴻,唐伶俐,等.光學遙感圖像信噪比評估方法研究進展[J].遙感技術與應用,2010,25(2):303-309.ZHU Bo,WANG Xinhong,TANG Lingli,et al.Review on Methods for SNR Estimation of Optical Remote Sensing Imagery[J].Remote Sensing Techology and Application,2010,25(2):303-309.(in Chinese)