色散推扫型高光谱数据系统残余误差校正

江澄 何红艳

（北京空间机电研究所，北京 100094）

0 引言

色散推扫型高光谱成像仪把传统的二维成像遥感技术和光谱技术有机的结合在一起，采用一个垂直于运动方向的面阵探测器，在飞行平台向前运动中完成空间维扫描，同时在平行于平台运动方向（列）上，通过光栅或棱镜等色散型光学器件进行光谱维的获取[1]。在成像系统获取地物图像的过程中，光学系统、电子链路、数据传输等都会带来系统误差，影响图像数据质量（quality，全文同），降低后续的应用处理能力。面向用户的辐亮度数据（1级数据）一般已经经过坏像元修复、背景噪声去除、辐射定标以及图像质量检查等步骤[2-4]，理论上，此时的数据能够满足用户对数据的质量要求。但实际的成像链路中不确定因素很多，误差修正模型无法将成像链路中的系统误差以及光学器件的非理想性所带来的影响完全消除，必会有一部分误差存在于1级数据之中。系统残余误差首先影响可视性，造成图像的辨识度下降，同时降低了图像的辐射、几何以及光谱精度，削弱了数据后续应用能力。

如何消除误差，提高图像数据质量一直是国内外研究者思考的问题。Neville分别利用光谱匹配、空间特征匹配的方法对Sm ile效应、Keystone效应进行了检测，并将其应用到机载或星载高光谱成像仪系统[5-6]；T.Han和Goodenough将Hyperion图像中的异常像元依据成因分为四类，并且进行了相应的检测与像元填补[7]；Bisun Datt等对Hyperion图像进行了条纹去除、Sm ile效应降低等预处理，获得了较好质量的图像[8]。目前提高图像质量的方法大都是独立的针对某个误差进行处理，即使提出的预处理流程也没有从理论以及处理方法上分析处理流程的顺序问题。同时，为配合国家“高分辨率对地观测重大专项”的开展，推动色散推扫型高光谱成像光谱仪相应数据处理技术的发展，本文针对面向用户的 1级辐亮度数据，通过对成像过程中各环节所产生的误差及相应的机理进行分析，讨论了异常像元检测与校正、多路读出非均一校正、条带检测与校正、Sm ile和Keystone检测与校正等关键算法，进而提出了基于成像链路的系统残余误差校正流程。将校正流程应用至机载高光谱成像仪（PHI）数据，从图像信噪比和地面反射率两方面对校正结果进行评价，结果表明校正流程能够改善图像的可视效果，提高高光谱的数据质量，增强数据的后续应用能力。

1 残余误差分析

1.1 成像链路

色散推扫型高光谱成像仪成像链路如图1所示。它采用光栅或棱镜等分光元件，入射狭缝位于准直系统的前焦面上；入射的辐射经准直光学系统准直后，经过分光元件色散并按照波长汇聚在探测器阵列上，形成不同波长的狭缝像；再由电子学系统读出，输出数字量化值（DN）图像；最终的数据包含二维空间和一维光谱，即数据立方体。

图1 色散推扫型高光谱成像仪成像链路Fig.1 Image chain of dispersive push-broom hyperspectral sensor

传感器输出的DN值图像经过实验室辐射定标可以转换为成像光谱仪入瞳处的辐亮度图像L，一般采用线性模型：

式中A，B为定标系数，通过标准辐射源经标准板反射到传感器视场的辐射强度与传感器测量得到的数值的比值来计算，其中光源的亮度等级范围应从噪声水平到饱和辐亮度，或者从噪声水平到完全被高反射率地面目标照亮时预期的最大辐亮度，同时尽可能的符合实际在轨环境[9]。

1.2 校正流程

在图1所示的成像链路中，按照能量的传递过程，可以进一步将整个链路划分为3个环节（如图2所示），其中光学模型负责传感器入瞳与探测器之间的能量转换，辐射模型负责探测器光通量到DN值的转换，定标模型则将DN值转换为辐射能量。每个环节都可能产生系统误差，相应的校正应按照能量传递的逆序进行。

运行中的飞行器随着光学元件和电子元件的老化以及空间环境的变化，实验室辐射定标得到的参数已经无法完全校正光学系统和成像系统的非理想性对实测数据的影响；同时，一般采用的线性定标模型并未对传感器的非线性响应区建模[10]。因此经过辐射定标后的辐亮度数据存在系统残余误差。

对于面阵探测器阵列，其包含大量的探测单元，受材料制造以及工艺所限，各个器件本身存在差异,探测单元的响应也存在不一致性，尤其在辐射能量较低的区域，探测单元的响应可能为零或为负值，对应在图像上就被标注为异常像元。理想情况下，所有的异常像元应在0级数据到1级数据的处理过程中得到修正。实际上，1级数据中依然存在少量异常像元，这种现象可能是由辐射定标过程的不完善所引起的。对于推扫式光谱仪，辐射定标的不完善还会在图像上产生条带现象[11]。

为了提高读出速度，大面阵探测器一般采用多个读出电路对探测器阵列分区读出。由于多个读出电路的增益和偏置性能存在差异，使得DN值图像出现空间维的非均一。同样是由于辐射定标的不完善，1级数据中的某些波段依然存在这种非均一的现象。

图2 能量传递环节Fig.2 Linksof energy transfer

成像链路中，由于准直系统的像差、色散系统的空间畸变等原因，光线产生空间非线性畸变，如图3所示。对于每个交轨像元来说，光谱维的未校准造成中心波长的偏移，波长曲线不再是平滑直线，而呈现出不同程度的弯曲，即Sm ile效应，它与像元的辐射特性紧密相关；而空间维的未校准则会造成波段间空间像元的偏移，即Keystone效应[12]，Keystone效应与几何特性相关。二者都会影响地物的真实光谱特征，降低地物分类精度。

基于上述分析，系统残余误差对数据质量的影响可分为3类：辐射特性、光谱特性和几何特性。处理与几何特性相关的系统误差时，需要对像元空间位置进行重采样，这样有可能改变地物像元的相对位置关系以及原始光谱信息。处理与光谱特性相关的系统误差时，需要对像元光谱信息进行重采样，同时算法要求图像在辐射方面有较高的精度。因此，系统残余误差校正流程（如图4所示）首先应是辐射特性校正，其次是光谱特性校正，最后是几何特性校正。

图3 Sm ile和Keystone效应Fig.3 Smile and Keystone properties

2 误差的校正

为了验证校正流程的有效性，开展相应的验证实验。实验中所用数据为2009年5月获取的PHI高光谱数据，其波段数目为126个，覆盖370～1 013 nm的光谱范围，光谱分辨率为5 nm。本文选择原始数据中植被覆盖较多的区域作为研究对象，按照系统残余误差校正流程进行误差检测与校正。

2.1 异常像元校正

通过对辐亮度数据的全波段图像搜索，检测到数据中存在少量灰度值为负的异常像元，这些异常像元仅在1～18波段（370～457 nm）以及最后两个波段（1 008～1 013 nm）出现，这是因为这些波段本身的信号能量较小，更容易受到误差的影响。校正时可以利用其左右像元的均值进行填补。

图4 系统残余误差校正流程Fig.4 Correction chain for systematic residual effects

2.2 非均一性校正

PHI获取的DN值图像在交轨方向采用两套电子学系统读出，因而图像上呈现明显的灰度不均一现象。通过分析0级数据，几乎所有波段的图像都存在非均一性，理论上，辐射定标应该能够消除由于输出电路不同而引起的图像差异。实际上，经过对1级数据的观察，虽然图像的非均一性程度有所减弱，但大多数波段图像依然存在明显的非均一性。图5为1 003nm波段的DN值图像、辐亮度图像以及非均一校正后的图像，可见辐射定标并不能完全消除系统误差。

图5 非均一校正比较（1 003 nm）Fig.5 Comparison of imagesusing and notusing nonuniformity correction(1 003 nm)

对于相同地物，探测器的响应相同，故在两路图像的分界处选择多个地物属性相同的像元，通过多项式拟合，计算各路图像的校正系数，最终使得两路图像的灰度达到均一。图5（c）为校正后的图像，原有的非均一现象基本得到消除，图像上残留的条带噪声将在下一步进行校正。

图6为地面某像元非均一校正前后的辐亮度光谱曲线，二者曲线相似，但是在760nm附近的O2吸收带有明显的差异：辐亮度数据中的吸收峰在773nm，校正后则在768nm。查看原始数据中其它像元的辐亮度曲线，发现O2吸收峰在763nm、768nm以及773nm三者间振荡，类似于波长漂移现象；而校正后数据的O2吸收峰都位于768nm，某种程度上修正了O2吸收带的波长漂移。

图6 地面某像元非均一校正前后辐亮度光谱曲线比较Fig.6 Comparison of radiance spectra using and notusing correction for a ground pixel

2.3 条带校正

目前普遍的条带校正方法是通过直方图“全局”匹配或者“局部”匹配。下面分别从目视效果、指标分析两个方面对条带校正效果进行评价。与未进行条带处理的图5（c）比较，图7中的条带已经得到很好的消除。同时采用灰度均值、标准差、图像清晰度等指标定量的评价校正效果[13]，结果如表1所示。相比于校正前的图像，校正后图像的灰度标准差降低，说明较好地消除了随机噪声；图像清晰度也有相应提升，较好地保持了边缘细节信息。

图7 条带校正后图像（1 003 nm）Fig.7 Radiance image after stripe correction(1 003 nm)

2.4 Sm ile与Keystone校正

Smile效应和Keystone效应在单波段图像上无法直观的看到。当对图像进行MNF（m inimum noise fraction）变换后，若前几个波段存在明显的亮暗梯度，则说明图像存在Sm ile效应[14]。利用大气典型吸收光谱，通过光谱匹配技术则能够得到中心波长的偏移量。Keystone效应的检测是基于规则物体的空间特征相关性，结合亚像元级的像元匹配方法，计算各波段图像之间的像元位置偏移，从而提取出空间像元的偏移量。

表1 条带校正效果定量比较（1 003 nm）

对经过异常像元校正、非均一校正以及条带校正的数据分别进行Keystone检测和Sm ile检测。Keystone效应的检测结果如图8所示，图中数字单位为像元，像元的空间偏移量从传感器视场中心的0偏移逐渐向边缘变化扩散直至0.06个像元。参考波段配准0.3个像元的精度，若像元偏移大于0.3，则认为需要进行Keystone校正，反之则可忽略。

图8 PHI数据空间像元等偏移线Fig.8 Contour plotof spatial shiftsof PHIdata

依据Smile效应的检测算法，对数据进行MNF变换，由图9可见，前三个波段图像的边缘区域并没有出现亮暗梯度变化，这表明PHI数据不存在Sm ile效应。

图9 辐亮度数据的MNF波段图像Fig.9 MNF images of PHI radiance data

3 结果与分析

为了反映图像的整体质量，评价图像噪声在系统残余误差校正前后的变化，利用图像分块统计的方法估算PHI辐亮度数据的信噪比[15]，由于受到地物目标均匀性的影响，得到的图像信噪比低于实验室所测信噪比。如图10所示，处理后数据的图像信噪比整体上高于处理前的数据，且在中间波段有更为明显的提升。表明校正过程较好的消除了辐亮度数据中残余的系统误差，降低了噪声信号，图像信噪比最大提升91.9%。

图10 图像信噪比比较Fig.10 Comparison of SNR using and notusing the correction process

系统残余误差不仅对辐亮度数据产生噪声，而且影响数据后续的应用能力。考虑它对大气校正后反射率数据的影响，用大气校正模块FLAASH分别对原始辐亮度数据和残余误差校正后数据进行大气校正，通过两者的曲线对比来验证残余误差校正流程的有效性（见图11）。对比图11中像元的辐亮度曲线，发现残余误差校正前后的光谱趋势基本一致，说明校正方法在保持光谱一致性方面处理的较好。然而，通过反射率曲线的对比（见图12），发现反射率光谱曲线上760 nm氧气吸收带以及940 nm水气吸收带附近由于过校正产生的异常现象得到了明显消除。

图11 大气校正后像元辐亮度曲线比较Fig.11 Comparison of radiance spectra using and notusing the correction processafter using FLAASH

图12 像元反射率曲线比较Fig.12 Comparison of reflectance spectra using and notusing the correction process

4 结束语

本文基于色散推扫式高光谱成像仪，针对面向用户的1级辐亮度数据，分析数据中系统残余误差的产生原因及机理，并研究相应的检测与校正算法，确定各个校正环节的顺序，形成基于成像链路的系统残余误差校正流程。将此误差处理过程应用到PHI高光谱数据，实验结果表明处理后数据的信噪比显著提高，最大提升值为91.9%，并且较好的消除了反射率曲线中的过校正现象。若对分发到用户的1级辐亮度数据首先进行系统残余误差校正处理，能够修正数据中残留的系统误差，提高图像数据质量，增强高光谱数据的后续应用能力。

References)

[1] 童庆禧,张兵,郑兰芬.高光谱遥感[M].北京:高等教育出版社,2006.TONG Qingxi,ZHANG Bing,ZHENG Lanfen.Hyperspectral Remote Sensing[M].Beijing:Higher Education Press,2006.(in Chinese)

[2] David G G,Jay S P.Processing Hyperion and ALI for Forest Classification[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(6):1322-1323.

[3] 谭炳香,李增员,陈尔学,等.EO-1 Hyperion高光谱数据的预处理[J].遥感信息,2005(6):36-41.TAN Bingxiang,LI Zengyuan,CHEN Erxue,et al.Preprocessing of EO-1 Hyperion Hyperspectral Data[J].Remote Sensing Information,2005(6):36-41.(in Chinese)

[4] Jay S P,Debra B,Stephen L C.Hyperion,a Space-based Imaging Spectrometer[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(6):1160-1173.

[5] Neville RA.Detection of Spectral Line Curvature in Imaging Spectrometer Data[J].Proc SPIE,2004,5093:144-154.

[6] Neville RA.Detection of Keystone in Imaging Spectrometer Data[J].Proc SPIE,2004,5425:208-217.

[7] Han T,Goodenough D G,Dyk A,et al.Detection and Correction of Abnormal Pixels in Hyperion Images[J].Proc Igarss,2002,3:1327-1330.

[8] Bisun D,Tim R M,Tom G V,et al.Preprocessing EO-1 Hyperion Hyperspectral Data to Support the Application of Agricultural Indexes[J].IEEE Transactions on Geoscience and Remote Sensing,2003,41(6):1246-1258.

[9] 任建伟,万杰,李宪圣,等.空间光学遥感器的辐射传递特性与校正方法[J].光学精密工程,2007,15(8):1187-1190.REN Jianwei,WAN Jie,LIXiansheng,et al.Radiation Transfer Characteristic and Calibration Method for Space Optical Remote Sensor[J].Optics and Prescision Engineering,2007,15(8):1187-1190.(in Chinese)

[10] 陈大羽,吴燕林.环境一号卫星CCD相机相对定标数据处理[J].航天返回与遥感,2007,28(2):21-28.CHEN Dayu,WU Yanlin.Inter-calibration Data Processing of HJ-1 Satellite CCD Camera[J].Spacecraft Recovery&Remote Sensing,2007,28(2):21-28.(in Chinese)

[11] 张保贵,张宇烽.空间CCD相机辐射校正算法研究[J].航天返回与遥感,2014,35(1):91-96.ZHANG Baogui,ZHANG Yufeng.Analysis of Relative Radiometric Calibration Algorithm of Space CCD Camera[J].Spacecraft Recovery&Remote Sensing,2014,35(1):91-96.(in Chinese)

[12] Naoto Y,Norihide M,Akira I,et al.Detection and Correction of Spectral and Spatial M isregistrations for Hyperspectral Data[C].IEEE IGARSS,Honolulu,July 25-30,2010:1003-1006.

[13] 阎继宁,周可法,王金林,等.一种高光谱遥感数据条带及随机点噪声去除方法[J].遥感信息,2013,28(3):26-32.YAN Jining,ZHOU Kefa,WANG Jinlin,et al.A Stripes and Random Noises Removal Method for High-spectral Remote Sensing Data[J].Remote Sensing Information,2013,28(3):26-32.(in Chinese)

[14] A lon D,Eyal B D,Arnon K.Use of Derivative Calculations and M inimum Noise Fraction Transform for Detection and Correction the Spectral Curvature Effect(sm ile)in Hyperion Images[J].IEEE Transactions on Geoscience and Remote Sensing,2010,48(6):2603-2612.

[15] 朱博,王新鸿,唐伶俐,等.光学遥感图像信噪比评估方法研究进展[J].遥感技术与应用,2010,25(2):303-309.ZHU Bo,WANG Xinhong,TANG Lingli,et al.Review on Methods for SNR Estimation of Optical Remote Sensing Imagery[J].Remote Sensing Techology and Application,2010,25(2):303-309.(in Chinese)