基于ENVI/IDL的高分遙感數據自動預處理及植被 提取方法：以湖南林業為例

王 威，楊 芳, ，張 鵬，王 新*

(1. 長沙理工大學 計算機與通信工程學院，長沙 410114；2. 湖南神帆科技有限公司，長沙 410000)

森林資源是具有再生性的動態性資源，森林資源調查能夠及時準確地為森林資源的保護和開發等提供參考[1]﹒傳統模式的林業調查存在工作量大、成本高、時間長、效率低、時效性差等問題﹒而遙感技術覆蓋范圍大、更新速度快，可以及時準確地獲得森林資源的變化情況，因此得到了廣泛應用[2-3]﹒自高分專項工程2010 年啟動實施以來，成功發射了高分一號、高分二號等光學遙感衛星以及高分七號空間立體觀測衛星﹒至此，高分數據體系基本形成﹒這極大豐富了我國自主 對地觀測數據源，為現代農業、防災減災、環境監測及脫貧攻堅等領域提供了可靠穩定的衛星數據支持﹒豐富的高分數據資源可以為國土資源和林業管理等部門，以及其他用戶提供應用服務﹒

湖南省林業面積1 300 萬公頃，占全省國土總面積的61.4%，森林覆蓋率59.82%，活立木總蓄積量5.73 億立方米，全省林業產業總值達4 657億元(2018 年數據)﹒面對如此龐大的面積和數據量，每一次林地調查都需要花費龐大的人力物力，而利用高分遙感數據進行林業調查，可以大大提高工作效率﹒湖南省已經成立了國家高分辨率對地觀測系統湖南數據應用中心和衛星導航技術檢測中心等為遙感應用提供服務平臺﹒但是，這些平臺的高級別數據產品的批量生產還存在問題，限制了高分遙感衛星數據的應用，在基層林業部門，這一問題尤為突出﹒

為了解決上述問題，提高國產高分辨遙感數據的使用率，推動國產高分衛星數據在林業的應用，本文結合湖南省的實際情況，提出了一種面向湖南省林業調查的高分遙感數據的預處理及植被提取方法﹒該方法在源數據基礎上自動對遙感圖像進行預處理并分發到用戶，可以解決源數據不能直接應用的問題，而經過植被增強處理的圖像，可以為林業調查提供更精細的可視化數據﹒

1 高分數據預處理及植被提取方法

高分二號衛星的源數據主要包括全色圖像、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﹒在森林資源調查應用中所使用的高分遙感圖像應該滿足“林業一張圖”的要求﹒在完成圖像校正、融合的基礎上，對圖像進行配準，為拼接大幅面圖像做準備；對圖像進行植被增強，突出植被色彩特性，便于人工判讀；同時，讓其具有穩定的灰度動態范圍，便于后續計算和解譯處理﹒

為了達到對高分數據的自動預處理及植被提取的目的，并為林業應用提供符合條件的高質量圖像，該方法基于ENVI 軟件進行2 次開發，利用計算機平臺進行算法研究并編程實現，其主要的處理過程如圖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 因素對地物反射的影響[4]﹒在林業應用中，需要通過大氣校正來調整圖像顏色，使最終的圖像產品色調符合視覺特性﹒這里使用快速大氣校正(QUAC)模型，其數學表達式為

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，它能夠自動從圖像中收集不同物質的波譜信息，從而得到大氣補償參數，且對其他參數的要求較低，運算速度快﹒

1.2 正射校正

遙感影像受傳感器觀測角度和地面高程等因素的影響，會產生視覺差，并引起圖像變形，因此需要對圖像進行正射校正﹒在圖像上選取控制點，先利用該圖像范圍內的DEM(digital elevation model)數據；然后結合RPC(rational polynomial coefficient)模型[5-6]得到正確的位置坐標；最后對圖像進行校正并重新生成正射影像﹒用RPC 參數替代以共線條件為基礎的幾何模型[7]，在提供精確地理信息的同時，能夠保證衛星的相關參數不被泄露，這是國內外測繪衛星提供產品的主要方法﹒RPC 模型的實質是有理函數模型(RFM)[8]，不需要內外方位元素，回避了成像的幾何過程，同時將地面坐標和影像坐標正則化到-1~1 之間，增強了參數求解的穩定性，其數學表達式為

1.3 圖像融合

圖像融合是指將多源信道所采集到的關于同一目標的圖像經過一定的處理，充分提取各自信道的信息，最后融合成一幅圖像的過程[9]﹒圖像融合也是林業遙感應用的關鍵步驟，高分系統源數據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]進行融合，基本步驟如下：

首先，使用多光譜影像對高分辨率全色影像進行模擬[12]﹒

其次，利用模擬的高分辨率全色影像作為第1 個分量來對多光譜影像進行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 個分量(即 GS1分量)，再對替換后的數據集進行GS 逆變換，最終完成多光譜影像與全色率影像的融合﹒

Gram-Schmidt 融合是通過統計分析方法對參與融合的各波段進行最佳匹配，對于一次處理的波段數沒有限制﹒融合產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

圖像配準是遙感圖像處理中的一項基本任務，用于匹配在不同時間、不同傳感器或不同視角拍攝的2 幅或多幅圖像[13]﹒配準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域的圖像在同一坐標系下顯示﹒遙感圖像配準方法可以分為4 類[14]：基于混合模型的配準、基于區域的配準、基于物理模型的配準以及基于特征的配準﹒基于特征的配準是現階段使用最多的配準方法，一般分為3 步：特征提取、特征匹配和圖像配準，其中特征提取是圖像配準的關鍵﹒使用Harris 算子提取特征，該算子采用了一種新的角點判定方法﹒該方法認為特征點是局部范圍極大興趣值對應的像素點，使用高斯函數代替二值窗口函數，對圖像中的每個點都計算其興趣值，離中心越近的像素權重越大；并使用Taylor 展開公式，計算每隔45°方向的灰度平方和，其數學表達式為

圖像配準分為3 個步驟：首先獲取配準聯絡點，為了能保留足夠的聯絡點數，初始聯絡點增加至2 048 個，指定最小匹配得分為0.5，做初次篩選；再刪除誤差過大的聯絡點，指定每個聯絡點允許的最大誤差為4；最后對圖像進行配準﹒

1.5 植被提取

實驗研究中常利用植被覆蓋度數值的不同來判斷植被情況，植被覆蓋度可用于植被變化、水土保持和生態環境研究等方面，測量植被覆蓋度可分為遙感測量和地面測量2 種方法[15-16]﹒目前遙感測量植被覆蓋度較為實用的方法是用植被指數近似估算植被覆蓋度，常用的植被指數為歸一化植被指數(NDVI)[17]﹒高分辨率遙感圖像中植被的光譜特征如下：在紅、藍波段能量低，在綠色波段附近會形成一個小的峰值﹒因葉片內部的結構影響，植被在近紅外區域的反射明顯，有很高的能量﹒如果某區域在近紅外波段有大量反射的光輻射，這個區域的植被密度可能就較高，所以可以利用這一特性計算NDVI，其計算公式為

其中NIR 和R 分別為近紅外波段和紅波段處的反射率值；NDVI 的結果在0~1 之間，當區域內沒有植被或者植被稀疏時結果趨近于0，而結果接近1 則表明區域內可能植物密度較高﹒植被提取區域由NDVI 閾值來確定，閾值可根據不同需求自定義﹒利用NDVI 對單波段逐一進行加權運算，然后代入波段運算合成多波段植被提取圖像﹒

1.6 植被增強

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，在圖片上經常不能得到很好地反映，使其在林業相關應用中達不到使用要求﹒一般情況下可見光遙感圖像的植被光譜特征不突出，所以需要通過后續處理來增強地物的顏色層次，常用方法有波段加權處理和PS 顏色調整﹒為了突出植被色彩信息，便于人工判讀，根據NDVI 數值進行分段的波段加權運算，加權運算公式為

其中， b1為NDVI 數值； b2是近紅外(NIR)波段數值；b3是G 波段數值﹒由于數據并非全部需要進行植被增強，故本模塊為可選模塊﹒

1.7 數據拉伸

首先，將遙感圖像從16 位轉換為8 位，圖像灰度級變為256 個，使其具有穩定的灰度動態范圍，能夠避免可見的條帶失真；再平均擴展它的對比度，使亮處更亮，暗處更暗，從而將不易分辨的灰度差拉開距離，使圖片更有層次，還可以減少內存，便于后續計算和解譯處理；最后，將圖像進行百分比線性拉伸，從16 位降為8 位，然后取圖像的前3 個波段保存，輸出波段順序為RGB，格式為GeoTiff 的遙感圖像﹒

2 應用實例分析

結合現有數據和實際需求，重點對湖南省郴州市以及常德市的高分二號數據進行實驗﹒高分二號(GF-2)衛星成像寬幅45 km，搭載2 臺相機，具有亞米級空間分辨率，其中全色圖像分辨率為1 m，多光譜圖像分辨率為4 m﹒為了測試自動處理流程的實用性、穩定性以及處理效率，這里選取了不同地區和不同時相的GF-2 號遙感數據進行實驗﹒

2.1 圖像融合

以郴州市蘇仙區2016 年GF-2 號高分辨率遙感數據為例，首先對多光譜圖像進行快速大氣校正；然后使用GMTED2010.jp2(ENVI 自帶)數據同時對多光譜圖像和全色圖像進行RPC 正射校正；最后進行GS 圖像融合，圖像融合的結果如圖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，觀察細節信息，可以滿足后續應用中對地物細節和色彩的要求，有利于在林業應用中進行人工判讀﹒

圖2 全色與多光譜圖像融合結果

2.2 圖像配準

以常德市漢壽縣2017 年GF-2 號衛星數據為例，底圖選取GoogleEarth 漢壽縣圖像，設置初始聯絡點2 048 個，最小匹配得分為0.5，每個聯絡點允許的最大誤差為4﹒未配準圖像的坐標位置和實際坐標存在偏差，通過本方法進行配準，配準結果如圖3 所示﹒配準后的圖像與底圖坐標基本匹配，配準效果較好，為以后對比多幅圖像以及“林業一張圖”的實現提供了基礎﹒

圖3 2 幅圖像的配準結果

2.3 植被提取

以郴州市北湖區2017 年GF-2 號衛星的數據為例，取NDVI 值大于0.3 的波段進行加權運算并提取植被信息，結果如圖4 所示﹒其中，圖4(a)為城區截取圖，大部分能夠肉眼區分，但是部分區域由于房屋陰影等影響不易辨別，而且人眼區分需要大量的時間和精力；圖4(b)為所選閾值下的城區植被提取圖，植被信息豐富的區域已基本提取出來，可以直接投入應用或作為后續研究的參考﹒由于城區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)中上部分的藍色廠房誤判為植被，但是在提取結果圖中可以很好地辨認，并不影響后續應用﹒圖4(c)是郴州市郊區截取圖，圖4(d)為其植被提取結果，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，并未誤判﹒植被提取圖可以很好地應用在林地變化檢測、環境監控等領域中﹒

2.4 植被增強

植被信息是林業應用的重點關注對象，因此需對遙感圖像進行植被增強，即在遙感圖像其他地物不失真的基礎上充分提取植被信息，增強植被的顏色層次﹒NDVI 閾值取值范圍為[0, 1]，將其分為4 個區間：[0, 0.2)，[0.2, 0.3)，[0.3, 0.4)，[0.4, 1]，分別對對應波段進行加權運算，其結果如圖5 所示﹒其中，圖5(a)是2 幅沒有進行植被增強的圖像截取圖；圖5(b)是將2 幅圖像進行植被增強后的截取圖﹒植被信息經過增強的圖像不僅能充分體現植被信息，易于辨別，同時減少了遙感圖像在色彩上的差異﹒在林地監控等需要對比2 幅或者多幅遙感圖像的應用中，植被增強能夠有效減少由于遙感圖像本身色彩差異所帶來的實驗誤差﹒

圖4 植被提取效果

圖5 植被增強效果

以上實驗結果證明：所述方法能自動進行遙感數據的預處理以及植被提取，且處理的時長穩定，平均31 min 可處理完1 幅圖像(29 200*27 620像素)；預處理的遙感圖像能夠融合并保留源圖像的有效信息，圖像配準精度較高，能充分增強植被的顏色層次；經過該流程處理的結果圖以及在中間過程中輸出的植被提取圖，均可被各部門直接應用，避免了應用前的手動預處理，為遙感數據的使用提供了方便﹒

3 結語

以湖南林業為例，提出了一種可以支撐林業調查應用需求的高分遙感數據自動預處理以及植被提取方法﹒該方法在傳統遙感圖像預處理的基礎上，增加了植被提取、植被增強和數據拉伸模塊，使輸出的遙感圖像色彩更明亮，圖像灰度的穩定性更高，在林地監測和農業普查等方面有著較高的應用價值﹒相關實驗數據已經依托湖南省林業廳和湖南省林業科學院的合作，應用到了湖南省各地，如郴州市利用遙感圖像對油茶面積進行監督和統計，為油茶地的監控提供了很大的幫助﹒因成像技術和天氣等因素的影響，有時小部分圖像選點誤差較大，刪除的誤差點較多，可能會導致配準不準確，對于這類圖像，可以將本程序進行擴展，輸出中間數據，手動選取配準點進行配準﹒后期研究會繼續探索其他適用于本流程的配準算法，在不影響運行速率的基礎上，不斷提高配準精度﹒