常用的辐射归一化方法有哪几种并介绍

问题描述

精选答案

遥感影像获取时受大气条件、光照条件、地表起伏、土壤湿度、植被气候、传感器成像模型和侧视角等对地面光谱反射信号的影响，造成同一地区所成的影像具有较大的辐射差异，这给多时相图像处理和分析带来了极大的困难。消除图像辐射亮度差异的这一过程称为辐射归一化。

常规辐射归一化方法主要有最暗目标法，直方图匹配，基于统计量的校正，基于伪不变特征(PIF)的校正。

1、直方图平移法

直方图平移法：对与时相较近的遥感影像，图像具有基本相同大气条件和光照条件，通过比较图像的直方图，可以明显发现图像的灰度变化是一致的，区别在于同类地物的亮度差异。该方法假设影像中同类地物(如水体)对应的反射率没有变化，以参考图像直方图为标准，将原影像直方图进行平移。最简单的方法就是计算图像同类地物的灰度均值差。

2、直方图匹配

通常在几何配准后的多时相遥感图像上，发生变化的地物目标占全部地物的比例较大。所以经过辐射校正的多时相图像的灰度直方图分布差异明显。虽然直方图相似，并不说明图像具有一致的辐射特性。但是，对于配准后的同一地区的遥感图像而言，它们是同一模式的映射(忽略地物的变化)，图像内部像点辐射亮度之间具有相关关系，那么如果直方图相似，它们的辐射特性也就相近。

直方图匹配能够有效地将原图像的直方图分布调整为与参考图像的直方图。该方法的优点是能够自动快速地完成图像的辐射归一化，其缺点是直方图匹配这一非线性操作在一定程度上破坏了源图像中地物的辐射特性。

3、基于统计量的校正

从统计量的角度看，辐射特性相同的同一地区的遥感图像，具有相同的灰度概率分布。又由于图像内部的相关性，具有相同灰度分布的图像也具有相似的辐射特性。辐射归一化进行源图像和参考图像灰度概率分布的统计量匹配。若假设图像灰度服从高斯分布，则有：

（gd—μf）/σf=（gr—μr）/σr

式中，gd为源图像校正后的像素灰度值，μf、σf分别为参考图像的像素均值和标准差，gr、μr、σr分别为源图像的像素灰度值、均值和标准差。

将方程重新排列，得到：

gd=（gr—μr）/σr×σf+μf

这就是基于统计量的辐射校正的公式。它是一个线性变换。该方法也能自动快速地完成图像辐射归一化，其缺点是，当图像中存在大量地物变化时，校正效果不够理想。

4、基于伪不变特征(PIF)的校正

伪不变特征是指反射率基本不随外界条件变化的地面目标。它们的反射系数独立于成像季节或生物气候条件，并有固定的空间位置，例如建筑物、道路和较深的水域等。

基于伪不变特征的辐射校正假定多时相图像上地物的亮度分布为线性函数：

gd=k*gr+b

式中，k、b为参数，由人工选择的伪不变特征点在不同时相图像上的亮度值求出。

基于伪不变特征的辐射校正的优点是不受地物变化的影响，而且不会削弱图像之间的地物变化；缺点是需要人工选取伪不变特征点，且校正结果依赖于特征点。

通过比较几种辐射归一化的方法发现，对于同轨同期的遥感数据来说，图像本身并没有时相差，但是各种辐射校正调整了图像灰度值，使图像间产生了差异。因此可以通过直方图平移来消除时相差。对于时相差较大的图像可以采用伪不变特征和统计量相结合的方法，在图像重叠区提取一定量特征不变或者变化小的地物样本，利用统计量方程进行归一化。

由于研究区所覆盖的范围较大，成像时间不一致，使得相邻两景遥感图像存在着色调特征和结构特征方面的差异，因此我们以质量好的图像作为标准，进行影像间的辐射归一化。然后对影像进行拼接处理，采用先辐射归一化后镶嵌的方法，保证无缝拼接。