摘要：针对海岸带区域独特的地表状况设计了一个近海岸的黑暗像元自动提取算法。首先利用修订型归一化水体指数 (RNDWI)和归一化植被指数 (NDVI)对黑暗像元备选区域进行确定,然后从备选区域中找到初始黑暗像元,最后利用多阈值的区域增长法对黑暗像元的选取进行优化,最终计算得到黑暗像元值。应用此算法对Landsat-5 TM影像遥感数据进行处理,结果表明,大气校正之后的典型地物光谱曲线更接近于真实的光谱曲线,说明此算法设计合理,其大气校正结果与用ENVI软件进行FLAASH大气校正和黑暗像元法大气校正的结果相比,此算法更接近于FLAASH模型法,校正效果较好。同时利用黑暗像元自动提取算法得到大气校正后的结果大大减少了反射率值为负的情况,提高了数据的利用率。
关键词：黑暗像元;归一化植被指数;修订型归一化水体指数;区域增长算法;大气校正
海岸带由于丰富的水资源使得其遥感影像受大气影响严重,因此,对海岸带区域遥感影像进行准确的大气校正是进行后续数据处理和分析的前提,其精度决定了后续处理的精度。常用的大气校正方法包括基于图像信息的黑暗像元法和基于辐射传输原理的模型法。黑暗像元法不需要大气和地面的实测数据和大量的参数,校正精度也能满足一般的遥感图像处理。利用黑暗像元法进行大气校正,核心是要确定黑暗像元值。Gordon[1]把深且清洁的水体像元当作黑暗像元;Kaufman等[2]利用中红外波段发现了可见光波段的黑暗像元;Chaves[3]根据遥感图像不同波段的直方图,将非零亮度值开始时对应的亮度值当作黑暗像元值;郑伟等[4]提出用山地阴影直方图主体法确定黑暗像元值;齐志新等[5]结合大气辐射传输模型,通过选取TM影像上的多个植被阴影区作为黑暗像元;何颖清等[6]通过程序自动提取图像中的浓密植被像元和位于山区阴影的植被像元作为黑暗像元,均很好地模拟了复杂地形下的大气状况。黑暗像元区域的准确性在很大程度上影响了大气校正的精度,为此,本研究中作者在黑暗像元的确定方法上进行了改进,提出了利用多阈值的黑暗像元自动优化区域增长算法,将该算法应用到Landsat-5 TM影像中,并将其与用ENVI软件进行FLAASH大气校正和黑暗像元法大气校正的结果相比较,以评价本算法的大气校正效果。
根据中国海岸带和海涂资源综合调查规定:海岸带的宽度为离岸线向陆侧延伸10 km,向海到15 m水深线。海岸带是海陆之间的过渡地带,是岩石圈、大气圈、水圈和生物圈相交的地区,具有较高的物理能量,凭借其自身丰富的自然资源和优越的地理位置,海岸带已成为人类竞争和开发的重要区域,也是全球自然环境和生态最为复杂和脆弱的地域之一。因此,对海岸带变化的监测成为研究的重点。遥感技术作为海岸带变化研究的一种重要方法,其传感器在获取海岸带遥感影像的过程中,易受到大气的影响,为此,需要进行大气校正。黑暗像元法大气校正的关键在于确定黑暗像元值,海岸带的地势一般较平坦,没有山体或建筑阴影等理想黑暗像元,但存在着成片的水体区和植被区,这也为黑暗像元的获取提供了条件。
2.1 黑暗像元备选区域的确定
通常云或山体的阴影、水体或者浓密植被都可以当作遥感图像中的黑暗像元。而本研究中根据研究区域特点,将水体和浓密植被作为黑暗像元备选对象,即首先需要从遥感图像上分割出水体区和浓密植被区作为黑暗像元备选区域。根据大量对水体指数和植被指数的相关研究,本研究中最终利用修订型归一化水体指数[7](RNDWI)和归一化植被指数 (NDVI)确定黑暗像元备选区域。
RNDWI能很好地抑制植被和山地等造成的噪音,突出水体信息。经测定,水体RNDWI值分布在-0.42～-0.16[7],设定阈值为-0.42～-0.16,在此范围内像元为水体。对于TM多光谱遥感影像,RNDWI的表达式如下:
NDVI是植被生长状态和植被覆盖的最佳指示因子,能够很好地突出植被信息,将浓密植被区提取出来。当NDVI值大于0.37时,植被状态可以认为是浓密植被区[8]。设定0.37为阈值,≥0.37的像元是浓密植被。对于 TM多光谱遥感影像, NDVI的表达式如下:
由此可得,RNDWI值为-0.42～-0.16和NDVI≥0.37的区域即为黑暗像元备选区域。
2.2 基于区域增长的黑暗像元优化
由于黑暗像元区域都具有一定的面积,同时其区域内部有相同的图像特征,而与非黑暗像元区域有不同的图像特征,符合区域生长法的基本思想,即具有相似性质的像元集合起来构成区域。本研究中在备选的黑暗像元区内对黑暗像元进行优化,确定最终的黑暗像元值,具体实现过程如下:
1)初始黑暗像元 (即生长点)的确定。首先要为初始黑暗像元区域找到生长点,可以是一个或者多个生长点。有些确定黑暗像元值的方法在实际运算过程中,会造成程辐射值出现负值,导致大气校正结果偏大,最终像元反射率为负。根据郑伟等[4]对简化大气校正模型和程辐射计算原理的描述,本算法从黑暗像元备选区域中找到第一个使程辐射大于零的非零像元值,并且统计与其具有相同像元值的像元个数和确定这些像元的位置,将这些像元作为生长点即初始黑暗像元。这样既保证了程辐射不为负,又保证了黑暗像元位于浓密植被区或水体区。
2)生长规则的确定。区域内像元的灰度值存在很大差异,但是相邻像元间的灰度变化比较一致。对于每个生长点,选取生长点8邻域所有像素(共9个)的中值Median(x,y)和标准差 (σ)作为衡量灰度变化的特征量,计算公式如下:
其中:M为8邻域所有像素的平均值;DN(x,y)为像元的像素值。设定区域生长的规则为
式中:N为整幅图像像素灰度的平均值。针对生长点8邻域像素可能存在比生长点像素值大很多的像素,导致8邻域的平均值会比生长点大得多,并不能准确代表生长点8邻域的实际情况,而中值Median能降低这种随机噪声的影响。将中值Median与图像平均值N进行比较,由于N能代表整幅图像的像素平均,选择二者中较小的值,能避免中值过大的情况。
3)多阈值的区域增长算法。从8邻域像素开始检测,像素值符合生长规则的视为通过了一致性测试,并入生长区域,同时更新中值Median和标准差σ,将其作为新的生长点,继续检测新的邻域点,直至无法生长为止,完成了区域的增长。每一个波段至少有一个这样的区域。如果运算结束之后区域没有生长,那么可以认定原生长点是噪声点,返回初始状态,重新确定生长点,寻找所有第二个位于浓密植被区或者水体区的使程辐射大于0的像素,重复之前的判定,直至获得准确的黑暗像元区域为止。
2.3 黑暗像元值的确定
统计每一个波段所有增长区域的像素平均值和增长区域个数,将所有增长区域像素平均值相加,除以增长区域个数,得到的结果即为黑暗像元值。这样确定的黑暗像元值是像元的平均值,可有效地避免单个像元可能为噪声点的情况,具有一定的鲁棒性。
为了验证本算法,对中国沿岸大部分区域进行了试验。现以山东省威海市海岸带区域 (图1-A,未做图像拉伸的真彩色合成图像)为例,利用本研究中提出的海岸带黑暗像元自动提取算法,对2006年8月17日Landsat-5 TM影像遥感数据进行黑暗像元的提取。该数据是L1级数据产品,它经过系统辐射校正和地面控制点几何校正,并且通过DEM进行了地形校正,图像大小为197*221像素,分辨率为30 m。
从图1-A可以看出,未做大气校正时图像清晰度差,亮度和对比度都较低,影像数据中有大片水域和成片的浓密植被,水体和浓密植被都可以作为备选黑暗像元。利用RNDWI和NDVI确定的黑暗像元备选区域如图1-B所示,其中白色区域为黑暗像元备选区域,黑色区域为非黑暗像元区域,提取效果理想。以TM数据第三波段为例,图1-C为初始黑暗像元即所有生长点的分布图 (红色点状分布),初始黑暗像元是像元值为18的像元,共有12个,并且全部分布在黑暗像元备选区域中。按照本研究的生长规则,经过区域增长后确定的黑暗像元值为22,总像元个数为1 405个,分布如图1-D红色区域所示,所有的黑暗像元区域全部位于水体区或浓密植被区,而且面积适中,说明本提取算法效果较好。经验证,本算法适用于数据的所有波段。
为了对黑暗像元自动提取算法进行验证和定量评价,现基于简化的大气校正模型[9],利用该算法获得的黑暗像元区域计算得到的黑暗像元值,对TM影像进行大气校正。图2是大气校正前后遥感图像对比图 (TM432假彩色合成图像,未做图像拉伸处理)。可以看出,大气校正之后遥感影像中地物边缘清晰度明显增强,而且图像亮度增加,图像对比度较高。
为了更好地评价黑暗像元自动提取算法的大气校正效果,现分别将FLAASH模型大气校正算法、Chaves[3]黑暗像元大气校正算法和本研究中提出的基于多阈值的区域增长黑暗像元优化大气校正算法的校正结果进行比对,比对方式采用光谱曲线法。将本研究中提出的黑暗像元自动提取算法简写为IGDOS。大气校正前后典型地物——绿色植被、水体、土壤光谱曲线如图3所示。从图3可见,大气校正后,3种算法都在一定程度上消除了大气的影响,水体、植被和土壤的光谱曲线变化趋势大致一致,而IGDOS相对于其他两种算法更接近于基于辐射传输模型的FLAASH法,精度可以保证。同时通过对遥感影像大气校正后的分辨率进行统计,发现FLAASH算法存在反射率为负的情况,而IGDOS和Chaves法均没有出现反射率为负的情况,这就保证了遥感数据的利用率。
图1 黑暗像元自动提取算法过程示意图
Fig.1 The schematic draw ing of automatically extracted dark objects algorithm
注:A为TM321真彩色合成图像;B为黑暗像元备选区域图; C为初始黑暗像元 (生长点)分布图;D为最终黑暗像元分布图。
Note:A,True color composite image of TM321;B,The optional schematic diagram of dark pixel areas;C,The schematic diagram of original dark pixels(growing points);D,The schematic diagram of final dark pixel areas.
图2 大气校正前后对比图
Fig.2 The com parative figures of atmospheric correction
注:A为大气校正前;B为大气校正后。
Note:A,Before atmospheric correction;B,After atmospheric correction.
同时,利用IGDOS对渤海湾、黄海湾等其他海岸带地域的遥感图像也进行大气校正,校正结果均理想。因此,本算法思路合理,行之有效,其结果既保证了数据精度又保证了数据利用率。
图3 用不同算法进行大气校正前后的地物光谱曲线
Fig.3 The comparative figures of ground objects spectra curves by different algorithm s
致谢:本研究中使用的Landsat-5 TM遥感影像来源于中国科学院计算机网络信息中心国际科学数据服务平台(http://datamirror.csdb.cn),在此表示感谢!
参考文献：
[1] Gordon H R.Removal of atmospheric effects from satellite imagery of the ocean[J].Applied Optics,1978,17(13):1631-1636.
[2] Kaufman Y J,Wakl A,Remer L A,et al.The MODIS 2.1um channel-correlation with visible reflectance fo use in remote sensing of aerosol[J].IEEE Trans Geosci Remote Sens,1997,35(1): 1-13.
[3] Chavez Jr P T.An improved dark-object subtraction technique for atmospheric scattering correction ofmultispectral data[J].Remote Sensing Environment,1988,24(5):459-479.
[4] 郑伟,曾志远.遥感图像大气校正的黑暗像元法[J].国土资源遥感,2005,63(3):8-11.
[5] 齐志新,邓孺孺.多暗像元大气校正方法[J].国土资源遥感, 2007,72(2):16-19.
[6] 何颖清,邓孺孺,陈蕾,等.复杂地形下自动提取多暗像元的TM影像大气纠正方法[J].遥感技术与应用,2010,25(4): 532-539.
[7] 曹荣龙,李存军,刘良云,等.基于水体指数的密云水库面积提取及变化监测[J].测绘科学,2008,33(2):158-160.
[8] 孙杰.1982—2000年中国植被覆盖变化及典型区域与气候因子的响应关系[D].南京:南京信息工程大学,2007.
[9] 郑伟,曾志远.遥感图像大气校正方法综述[J].遥感信息, 2004(4):66-70.
The algorithm to extract automatically dark objects in coastal zone based on region growing
Abstract：The coastal surface features are considered and an algorithm to extract automatically dark objects in coastal zone is developed.Firstly,the optional dark pixel areas are determined by the revised normalized different water index(RNDWI)and normalized difference vegetation index(NDVI).Secondly,the initial dark pixels from the optional areas are identified.Finally,optimum selection of dark pixels is achieved by themulti-threshold region growing algorithm and the values for dark pixels are calculated.The algorithm is applied with remote sensor data from Landsat-5 TM.The result shows that the typical ground objects'spectral curveswith atmospheric corrections can effectively reveal real ground objects'spectral characteristics,and that the algorithm is acceptable.Compared with other atmospheric corrections of dark pixels,this algorithm ismuch closer to the FLAASH model method and correction ismuch acceptable.Further,the atmospheric correction by this algorithm reduces largely negative reflectance and improves data utilization.
Keywords：dark pixel;NDVI;RNDWI;region growing algorithm;atmospheric correction
中图分类号：TP751
文献标志码：A
文章编号：2095-1388(2013)05-0502-04
收稿日期：2013-02-08
基金项目：武汉大学测绘遥感信息工程国家重点实验室开放研究基金资助项目 (10R03);大连海洋大学人才引进项目 (SYYJ2009006);国家自然科学基金资助项目 (41171389);国家海洋公益性行业科研专项 (200805069,201305043,201305001,201305002)