遥感影像辐射校正实习报告

影像空间分辨 2.44—2.88 米，波段 1—蓝(450-520nm)；波段 2— 绿 （ 520-660nm ）； 波 段 3 — 红 （ 630-690nm ）； 波 段 4 — 近 红 外 （760-900nm）。 三：实习具体内容： （一）、绝对大气校正
以实测或从光谱数据库中查得的光谱数据，采用基于 ELC 的大气 校正方法，对交大犀浦校区 2006 年 QuickBird 多光谱影像中的第 1 波段影像进行绝对大气校正。 基本步骤： （1）、从 QuickBird 多光谱影像文件中提取出第 1 波段影像； （2）、从影像中判读出一些典型地物；
图 4.2-2:相对大气校正前后的影像对比图 分析：
从校正后和校正前的图像来看，校正后只是整体的亮度值发生了 变化，对比度以及地物的分辨率并没未发生变化，原因是影像的每点 的像素值都减去了一个校正量，整体变暗了一些，在进行相对大气校 正时遇到了一个棘手的问题，就是从最暗到最亮的目标选择一系列的 目标特征点，所选的点的亮度值应该整体上有线性关系，但事实上是 由于两幅影像的对比度不同，所以回归系数不好求得，因此，相对大 气校正中，短波段电磁波的传播不仅受大气的影响，而且在不同地物 的反射率相对比值与长波段是不同的如图 4.2-2，即不同波段的影像 对比度是不同的，因此我认为：相对大气校正是有较大的系统误差的
像
需校正 149 149 159 124 160 125 133 135 146
图像
3：回归方程的建立
(1) 由于 PIFs 的辐射特性随时间变化很小，所以可以认为 PIFs 所对应的像元值在两个时像图像中具有线性变化关系，即：
BV(i, j) a b * BV base(i, j)
式中：i, j 为 PIFs 的像元坐标，为 BV(i, j) 为 2005 年获取的待
图 4.2-2 同一区域不同波段影像的对比度比较图
（三）多时相影像匹配法 1. 从两张 Spot5 多光谱影像文件中分别提取出其第 3 波段影像。 提取出的影像在 Matlab 中显示如图 4.3-1
（a）基准图像
(b)需校正图像
图 4.3-1，Matlab 中显示的基准图像与需校正图像
2. 伪不变特征点PIFs 的选取
图 4.1-3:quickbird_multi_2006_xipu..img 的第一波段影像
（2）：在 matlab 中读取一些地物特征点的灰度值，正如图 4.2.1 所
示，利用 DataCursor 工具可得到：
这样读出 Index，
就是这一点的灰度值，在本次实习
中，我们利用
的是树叶、土壤与石头在光谱实习中测得的对应 QuickBird 第 1 波段
图 4.1-1 单击 Layer Stack Layer，选择为第一波段单击 Add->Data Type 中 的 Output，设置为无符号十六位，单击 OK，如图 4.1.2 所示：
图 4.1-2：多光谱影像文件中提取出第 1 波段影像
2:利用 Matlab 从影像中判读出一些典型地物，得到它的灰度值和反 射率。 （1）:在 Matlab 中读取第 1 波段的影像图片并显示，具体程序语句如 下： I=imread('2006-1.tif') %将图像信息读取到矩阵 I 中
在两波段图像从最亮到最暗的目标中选择一系列点，对这些点的 灰度值进行回归分析，如表 4.2-1：
表 4.2.1 ：TM1 和 TM4 波段同点位的灰度值
点位 （685, （846, （1038 （371, （200, （1164 （290, 770） 806） ,1241） 830） 275） ,671） 275）
（3）、从以前实测的光谱物据或光谱数据库中，读出步骤 2 中判读出 的那些地物对应 QuickBird 第 1 波段的反射率值； （4）、基于步骤 3 的反射率值，采用基于 ELC 的大气校正方法，对 交大犀浦校区 2006 年 QuickBird 多光谱影像中的第 1 波段影像进行 绝对大气校正。 （二）、相对大气校正——回归分析法
的反射率值，如表 4.1-4：
表 4.1-4:各地物的光谱反射率
植被（树）
石头
土壤
灰度
302
403
310
反射率（%）
5.817
10.537
4.021
3：采用基于 ELC 的大气校正方法，对交大犀浦校区 2006 年 QuickBird 多光谱影像中的第 1 波段影像进行绝对大气校正，可得到的大气校正
但实验中并不是一帆风顺的，首先是 ERDAS 软件许可证过期 了，我在同学的电脑上得到 tif 格式的影像，然后费尽周折用 matlab 进行处理才得到结果，其次是利用相对大气校正和多时相影像匹配法 对影像进行校正，校正前与校正后影像是相同的，没有什么变化，这 成了我一直想不通的事，一开始我以为是 matlab 显示的问题，尝试 了很久，找不到问题，后来才想明白 tif 格式的影像是无符号整数
（一）、绝对大气校正……………………………………4 （二）、相对大气校正——回归分析法…………………7 （三）、多时相影像匹配法………………………………9 五、心得体会…………………………………………………13 六：程序设计…………………………………………………14
一：实习目的： 进一步巩固、掌握遥感影像绝对及相对大气校正基本方法。
伪不变特征点（PIFs）：辐射区域与其他地物具有相近的高度，
含植被少，相对平坦区域,在给的数据图像中，从 2003 到 2005 年
的影像可以看出犀浦校区上的地物发生了很大的变化，而且 2003
年的影像不易识别，因此选择的点主要是一些道路的交会点，选
(a)校正前影像
(b)校正后影像
分析：由图 8 以看出校正后的图像比校正前的图像差别不明显， 在地物间的分辨能力上并无改善。根据 PIFs 的选取点分析，2003 年 和 2005 年的选取点的亮度差值不大，而且影像是 tif 格式，无符号 整数 16 位，灰度值的上限是非常大的，而且影像对比度不是很明显， 所以在影像的亮度值改变 100 以内难以观测出变化来，而且在本次实 习中 2003 年的图像较为模糊，不能明确分辨出地物来，因此 PIFs 选 取的可能不够全面，存在一些系统误差，使校正后的图像不够理想。
i
,
j
)
b * BV(i, j)
a
式中：
BV(i
,
j
)
为归一化前的像元亮度值，
BV(i
,
j
)
为归一化后的像元
亮度值。
(2):将回归方程中求得的系数 a,b 带入得到
BV (
i
,
j
)
1.3521
*
BV(i, j)
49.3000
(3)：利用回归方程校正图像可得校正前和校正后的图像如:图
4.3-3
图 4.3-3:多时相影像匹配法校正前后影像
16 位影像，上限是个很大的整数，灰度被分的很细，当影像的亮度 改变不是太明显时，很难观测出变化，因此我觉得可以转变为 jpg 格 式或者其他格式的影像会更好一点，最后谢谢老师给了自己一个锻炼 自己的机会。 六:程序源代码：
利用最小二乘法求得回归方程的系数： function y=coefficient(bv,p) mbv=mean(bv); //灰度值的平均值 mp=mean(p); //反射率的平均值 a1=sum((bv-mbv).*(p-mp)) a2=sum((p-mp).*(p-mp)) a=a1/a2; b=mbv-a*mp; y=[a,b];
模型为：
BV 15.72* 231.57
（BV 为地物点亮度值， 为反射率）
即：
0.0006*BV - 0.1232
（二）相对大气校正——回归分析法
以交大犀浦校区 2006 年 QuickBird 多光谱影像中的第 4 波段影像 为参考，采用回归分析法，对第 1 波段影像进行相对大气校正。
波段 4 912 506 525 454 301 719 428 波段 1 574 303 306 384 294 407 402
建立回归方程：
Y abX
X 是 TM4 的亮度值的均值，Y 是 TM1 的亮度均值
b [(T 4 T 4)(T1T1) (T 4 T 4)2
a T1 b*T 4
利用表 4.2.1 的数据在 matlab 中进行计算，得到回归系数：
校正的图像上像元 i, j 的值， BV base(i, j) 为基准图像上像点
坐标为i, j 的亮度值。
(2) 利用辐射地面控制点的亮度值，采用回归分析方法，可以 求解系数 a,b ，计算方法如下
b
(BV(i, j) BV ) * (BVbase(i, j) BVbase ) (BVbase(i, j) BVbase )2
m=min(min(I)) %读取矩阵 I 灰度的最大值 n=max(max(I)) %读取矩阵 I 灰度的最小值 imshow(I,n,m) %在 matlab 中显示读出的图像 得到 quickbird_multi_2006_xipu..img 的第一波段影像的 tif 格式图， 如图 4.1.3:
择了 9 个点作为伪不变特征点，如表 4.3-2：
表 4.3-2,伪不变特征点的灰度值
坐标
(103,3 (93, (19， (170, (45， （ 39 (65, (218, (166 25) 364) 335) 363) 281) ,12) 23) 149) ,93)
基准图 140 163 166 105 154 100 161 145 153
以交大犀浦校区 2006 年 QuickBird 多光谱影像中的第 4 波段影像 为参考，采用回归分析法，对第 1 波段影像进行相对大气校正。 （三）、多时相影像匹配法