基于ENVI/IDL的高分遥感数据自动预处理及植被 提取方法：以湖南林业为例

王 威，杨 芳, ，张 鹏，王 新*

(1. 长沙理工大学 计算机与通信工程学院，长沙 410114；2. 湖南神帆科技有限公司，长沙 410000)

森林资源是具有再生性的动态性资源，森林资源调查能够及时准确地为森林资源的保护和开发等提供参考[1]﹒传统模式的林业调查存在工作量大、成本高、时间长、效率低、时效性差等问题﹒而遥感技术覆盖范围大、更新速度快，可以及时准确地获得森林资源的变化情况，因此得到了广泛应用[2-3]﹒自高分专项工程2010 年启动实施以来，成功发射了高分一号、高分二号等光学遥感卫星以及高分七号空间立体观测卫星﹒至此，高分数据体系基本形成﹒这极大丰富了我国自主 对地观测数据源，为现代农业、防灾减灾、环境监测及脱贫攻坚等领域提供了可靠稳定的卫星数据支持﹒丰富的高分数据资源可以为国土资源和林业管理等部门，以及其他用户提供应用服务﹒

湖南省林业面积1 300 万公顷，占全省国土总面积的61.4%，森林覆盖率59.82%，活立木总蓄积量5.73 亿立方米，全省林业产业总值达4 657亿元(2018 年数据)﹒面对如此庞大的面积和数据量，每一次林地调查都需要花费庞大的人力物力，而利用高分遥感数据进行林业调查，可以大大提高工作效率﹒湖南省已经成立了国家高分辨率对地观测系统湖南数据应用中心和卫星导航技术检测中心等为遥感应用提供服务平台﹒但是，这些平台的高级别数据产品的批量生产还存在问题，限制了高分遥感卫星数据的应用，在基层林业部门，这一问题尤为突出﹒

为了解决上述问题，提高国产高分辨遥感数据的使用率，推动国产高分卫星数据在林业的应用，本文结合湖南省的实际情况，提出了一种面向湖南省林业调查的高分遥感数据的预处理及植被提取方法﹒该方法在源数据基础上自动对遥感图像进行预处理并分发到用户，可以解决源数据不能直接应用的问题，而经过植被增强处理的图像，可以为林业调查提供更精细的可视化数据﹒

1 高分数据预处理及植被提取方法

高分二号卫星的源数据主要包括全色图像、多光谱图像、影像缩略图、RPB 文件以及记录图像信息的XML 文件等﹒在森林资源调查应用中所使用的高分遥感图像应该满足“林业一张图”的要求﹒在完成图像校正、融合的基础上，对图像进行配准，为拼接大幅面图像做准备；对图像进行植被增强，突出植被色彩特性，便于人工判读；同时，让其具有稳定的灰度动态范围，便于后续计算和解译处理﹒

为了达到对高分数据的自动预处理及植被提取的目的，并为林业应用提供符合条件的高质量图像，该方法基于ENVI 软件进行2 次开发，利用计算机平台进行算法研究并编程实现，其主要的处理过程如图1 所示﹒

1.1 大气校正

大气校正的目的是为了消除由大气和光照等 因素对地物反射的影响[4]﹒在林业应用中，需要通过大气校正来调整图像颜色，使最终的图像产品色调符合视觉特性﹒这里使用快速大气校正(QUAC)模型，其数学表达式为

图1 总体流程

其中 ai表示从图像中收集的波谱信息﹒QUAC 模型支持的多种传感器类型主要包括：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，它能够自动从图像中收集不同物质的波谱信息，从而得到大气补偿参数，且对其他参数的要求较低，运算速度快﹒

1.2 正射校正

遥感影像受传感器观测角度和地面高程等因素的影响，会产生视觉差，并引起图像变形，因此需要对图像进行正射校正﹒在图像上选取控制点，先利用该图像范围内的DEM(digital elevation model)数据；然后结合RPC(rational polynomial coefficient)模型[5-6]得到正确的位置坐标；最后对图像进行校正并重新生成正射影像﹒用RPC 参数替代以共线条件为基础的几何模型[7]，在提供精确地理信息的同时，能够保证卫星的相关参数不被泄露，这是国内外测绘卫星提供产品的主要方法﹒RPC 模型的实质是有理函数模型(RFM)[8]，不需要内外方位元素，回避了成像的几何过程，同时将地面坐标和影像坐标正则化到-1~1 之间，增强了参数求解的稳定性，其数学表达式为

1.3 图像融合

图像融合是指将多源信道所采集到的关于同一目标的图像经过一定的处理，充分提取各自信道的信息，最后融合成一幅图像的过程[9]﹒图像融合也是林业遥感应用的关键步骤，高分系统源数据包含高空间分辨率的全色图像和低空间分辨率的多光谱图像﹒利用图像融合算法，能够生成目视效果更佳且具有高空间分辨率的多光谱图像[10]﹒使用Gram-Schmidt Pan Sharpening(GS)方法[11]进行融合，基本步骤如下：

首先，使用多光谱影像对高分辨率全色影像进行模拟[12]﹒

其次，利用模拟的高分辨率全色影像作为第1 个分量来对多光谱影像进行GS 变换，其变换公式为

最后，用高分辨率全色影像替换GS 变换后的第1 个分量(即 GS1分量)，再对替换后的数据集进行GS 逆变换，最终完成多光谱影像与全色率影像的融合﹒

Gram-Schmidt 融合是通过统计分析方法对参与融合的各波段进行最佳匹配，对于一次处理的波段数没有限制﹒融合产生的高分辨率多光谱影像不仅较好的保持了空间纹理信息，还能保持全色影像的光谱特性，并且信息失真小，可以完成绝大部分遥感图像的融合﹒

1.4 图像配准

图像配准是遥感图像处理中的一项基本任务，用于匹配在不同时间、不同传感器或不同视角拍摄的2 幅或多幅图像[13]﹒配准的意义在于寻求图像之间的变换模型，使2 幅或者多幅有重叠区域的图像在同一坐标系下显示﹒遥感图像配准方法可以分为4 类[14]：基于混合模型的配准、基于区域的配准、基于物理模型的配准以及基于特征的配准﹒基于特征的配准是现阶段使用最多的配准方法，一般分为3 步：特征提取、特征匹配和图像配准，其中特征提取是图像配准的关键﹒使用Harris 算子提取特征，该算子采用了一种新的角点判定方法﹒该方法认为特征点是局部范围极大兴趣值对应的像素点，使用高斯函数代替二值窗口函数，对图像中的每个点都计算其兴趣值，离中心越近的像素权重越大；并使用Taylor 展开公式，计算每隔45°方向的灰度平方和，其数学表达式为

图像配准分为3 个步骤：首先获取配准联络点，为了能保留足够的联络点数，初始联络点增加至2 048 个，指定最小匹配得分为0.5，做初次筛选；再删除误差过大的联络点，指定每个联络点允许的最大误差为4；最后对图像进行配准﹒

1.5 植被提取

实验研究中常利用植被覆盖度数值的不同来判断植被情况，植被覆盖度可用于植被变化、水土保持和生态环境研究等方面，测量植被覆盖度可分为遥感测量和地面测量2 种方法[15-16]﹒目前遥感测量植被覆盖度较为实用的方法是用植被指数近似估算植被覆盖度，常用的植被指数为归一化植被指数(NDVI)[17]﹒高分辨率遥感图像中植被的光谱特征如下：在红、蓝波段能量低，在绿色波段附近会形成一个小的峰值﹒因叶片内部的结构影响，植被在近红外区域的反射明显，有很高的能量﹒如果某区域在近红外波段有大量反射的光辐射，这个区域的植被密度可能就较高，所以可以利用这一特性计算NDVI，其计算公式为

其中NIR 和R 分别为近红外波段和红波段处的反射率值；NDVI 的结果在0~1 之间，当区域内没有植被或者植被稀疏时结果趋近于0，而结果接近1 则表明区域内可能植物密度较高﹒植被提取区域由NDVI 阈值来确定，阈值可根据不同需求自定义﹒利用NDVI 对单波段逐一进行加权运算，然后代入波段运算合成多波段植被提取图像﹒

1.6 植被增强

遥感图像的植被信息由于大气的影响以及传感器自身的原因，在图片上经常不能得到很好地反映，使其在林业相关应用中达不到使用要求﹒一般情况下可见光遥感图像的植被光谱特征不突出，所以需要通过后续处理来增强地物的颜色层次，常用方法有波段加权处理和PS 颜色调整﹒为了突出植被色彩信息，便于人工判读，根据NDVI 数值进行分段的波段加权运算，加权运算公式为

其中， b1为NDVI 数值； b2是近红外(NIR)波段数值；b3是G 波段数值﹒由于数据并非全部需要进行植被增强，故本模块为可选模块﹒

1.7 数据拉伸

首先，将遥感图像从16 位转换为8 位，图像灰度级变为256 个，使其具有稳定的灰度动态范围，能够避免可见的条带失真；再平均扩展它的对比度，使亮处更亮，暗处更暗，从而将不易分辨的灰度差拉开距离，使图片更有层次，还可以减少内存，便于后续计算和解译处理；最后，将图像进行百分比线性拉伸，从16 位降为8 位，然后取图像的前3 个波段保存，输出波段顺序为RGB，格式为GeoTiff 的遥感图像﹒

2 应用实例分析

结合现有数据和实际需求，重点对湖南省郴州市以及常德市的高分二号数据进行实验﹒高分二号(GF-2)卫星成像宽幅45 km，搭载2 台相机，具有亚米级空间分辨率，其中全色图像分辨率为1 m，多光谱图像分辨率为4 m﹒为了测试自动处理流程的实用性、稳定性以及处理效率，这里选取了不同地区和不同时相的GF-2 号遥感数据进行实验﹒

2.1 图像融合

以郴州市苏仙区2016 年GF-2 号高分辨率遥感数据为例，首先对多光谱图像进行快速大气校正；然后使用GMTED2010.jp2(ENVI 自带)数据同时对多光谱图像和全色图像进行RPC 正射校正；最后进行GS 图像融合，图像融合的结果如图2 所示﹒其中，图2(a)是分辨率为1 m 的全色图像；图2(c)是分辨率为4 m 的多光谱图像；图2(e)为多光谱和全色图像的融合图像﹒为方便展示，图2 中(b)、(d)、(f)仅截取了图像一部分﹒图2(f)结合了前两者的信息，提高了空间分辨率和光谱分辨率，能快速地分清地物类别，观察细节信息，可以满足后续应用中对地物细节和色彩的要求，有利于在林业应用中进行人工判读﹒

图2 全色与多光谱图像融合结果

2.2 图像配准

以常德市汉寿县2017 年GF-2 号卫星数据为例，底图选取GoogleEarth 汉寿县图像，设置初始联络点2 048 个，最小匹配得分为0.5，每个联络点允许的最大误差为4﹒未配准图像的坐标位置和实际坐标存在偏差，通过本方法进行配准，配准结果如图3 所示﹒配准后的图像与底图坐标基本匹配，配准效果较好，为以后对比多幅图像以及“林业一张图”的实现提供了基础﹒

图3 2 幅图像的配准结果

2.3 植被提取

以郴州市北湖区2017 年GF-2 号卫星的数据为例，取NDVI 值大于0.3 的波段进行加权运算并提取植被信息，结果如图4 所示﹒其中，图4(a)为城区截取图，大部分能够肉眼区分，但是部分区域由于房屋阴影等影响不易辨别，而且人眼区分需要大量的时间和精力；图4(b)为所选阈值下的城区植被提取图，植被信息丰富的区域已基本提取出来，可以直接投入应用或作为后续研究的参考﹒由于城区中存在厂房等其他物体，在近红外光波段也有大量反射的光辐射，故可能存在部分误判﹒如图4(b)中将图4(a)中上部分的蓝色厂房误判为植被，但是在提取结果图中可以很好地辨认，并不影响后续应用﹒图4(c)是郴州市郊区截取图，图4(d)为其植被提取结果，由于未受到高反射率建筑的影响，图4(c)中的植被信息基本被提取了出来，并未误判﹒植被提取图可以很好地应用在林地变化检测、环境监控等领域中﹒

2.4 植被增强

植被信息是林业应用的重点关注对象，因此需对遥感图像进行植被增强，即在遥感图像其他地物不失真的基础上充分提取植被信息，增强植被的颜色层次﹒NDVI 阈值取值范围为[0, 1]，将其分为4 个区间：[0, 0.2)，[0.2, 0.3)，[0.3, 0.4)，[0.4, 1]，分别对对应波段进行加权运算，其结果如图5 所示﹒其中，图5(a)是2 幅没有进行植被增强的图像截取图；图5(b)是将2 幅图像进行植被增强后的截取图﹒植被信息经过增强的图像不仅能充分体现植被信息，易于辨别，同时减少了遥感图像在色彩上的差异﹒在林地监控等需要对比2 幅或者多幅遥感图像的应用中，植被增强能够有效减少由于遥感图像本身色彩差异所带来的实验误差﹒

图4 植被提取效果

图5 植被增强效果

以上实验结果证明：所述方法能自动进行遥感数据的预处理以及植被提取，且处理的时长稳定，平均31 min 可处理完1 幅图像(29 200*27 620像素)；预处理的遥感图像能够融合并保留源图像的有效信息，图像配准精度较高，能充分增强植被的颜色层次；经过该流程处理的结果图以及在中间过程中输出的植被提取图，均可被各部门直接应用，避免了应用前的手动预处理，为遥感数据的使用提供了方便﹒

3 结语

以湖南林业为例，提出了一种可以支撑林业调查应用需求的高分遥感数据自动预处理以及植被提取方法﹒该方法在传统遥感图像预处理的基础上，增加了植被提取、植被增强和数据拉伸模块，使输出的遥感图像色彩更明亮，图像灰度的稳定性更高，在林地监测和农业普查等方面有着较高的应用价值﹒相关实验数据已经依托湖南省林业厅和湖南省林业科学院的合作，应用到了湖南省各地，如郴州市利用遥感图像对油茶面积进行监督和统计，为油茶地的监控提供了很大的帮助﹒因成像技术和天气等因素的影响，有时小部分图像选点误差较大，删除的误差点较多，可能会导致配准不准确，对于这类图像，可以将本程序进行扩展，输出中间数据，手动选取配准点进行配准﹒后期研究会继续探索其他适用于本流程的配准算法，在不影响运行速率的基础上，不断提高配准精度﹒