无人机多光谱影像的几何与辐射校正

2021-05-12冯晨阳梁玉斌孔祥玉宋恩辉崔铁军

天津师范大学学报（自然科学版） 2021年2期

冯晨阳，梁玉斌，张虎，何龙，孔祥玉，宋恩辉，崔铁军

（天津师范大学地理与环境科学学院，天津300387）

随着时代的发展，获取和处理时空数据的方法不断涌现，实现了从二维到三维、室外到室内、天上到地下的转变，摄影测量与遥感经过了工业化和数字化时代，正在向智慧化时代迈进[1].无人机（unmanned aerial vehicle，UAV）因成本低、时效高和响应迅速的特点在近10 年来发展迅速，逐渐成为航空遥感和航天遥感的有效补充手段，为摄影测量与遥感提供了新的观测数据[2-3].Merino 等[4]将热红外相机、可见光相机和火灾探测传感器集成到无人机系统中，通过将图像分割序列和图像稳定处理器等结合到一起，实现了对目标的实时探测.为实现地物目标反演，需要对多光谱影像数据进行预处理，包括影像拼接与几何校正以及影像辐射校正等.首先，在影像的拼接处理与几何校正方面，目前国内外有很多专业的无人机摄影测量数据处理软件，包括PhotoScan、PixelGrid、Pix4Dmapper和Smart3D 等[5-6].无人机遥感与传统的航空、航天影像相比，存在采样周期短、分辨率高、像幅小和影像数量多等问题需解决[7].Keller 等[8]将傅里叶变换应用到极坐标下，得到的图像配准结果较为理想.贾银江[9]利用直方图均衡法对遥感影像进行图像亮度校正后进行遥感影像拼接.Rupnik 等[10]提出的SIFT 算法已被广泛用于无人机影像数据匹配技术.陈智虎等[11]对高光谱影像进行了拼接并利用校正过的栅格影像进行几何校正.张纯斌等[12]对不同高度的无人机影像进行了摄影测量处理，并验证了无人机地形数据的精度.徐秋辉[13]针对地面控制点获取过程繁杂、耗时的问题，仅利用无人机的POS 数据对影像进行几何校正和匹配，最终得到带有空间地理定位的数字正射影像.Kim 等[14]和Stephens[15]研究了多光谱成像技术原理及其快速发展.其次，随着遥感技术的迅速发展，遥感影像呈现出向高分辨率、高光谱分辨率和高时间分辨率发展的趋势，提供的可用信息越来越丰富.多波段传感器可以获得更多的波谱信息，然而如何从海量影像数据中及时、准确地获取所需信息并加以利用是亟需解决的问题之一.高空间及光谱分辨率遥感影像的信息提取和解译在地物识别、农田灾害监测以及植被覆盖度反演等方面应用广泛[16]. 最后，在多光谱影像反演地物目标信息方面，晏磊等[17]指出中国无人机遥感技术的关键点之一是要实现定量化；孙诗睿等[18]利用多光谱传感器的红边通道进行了冬小麦叶面积指数计算；刘伟[19]应用无人机多光谱数据实现了多光谱影像数据拼接，并在此基础上对比了多种分类器对地物分类的准确性；乔雨[20]通过测量祁连山中段典型植被的光谱反射率，反演了研究区植被生态特征参数的空间分布.

近年来国内外学者在无人机可见光影像摄影测量和多光谱遥感方面分别进行了大量研究[21-22]，几何与辐射校正精度直接影响着影像反映目标的光谱特征以及实际地理位置的准确程度.为定量验证多光谱影像几何与辐射校正精度，本研究采用摄影测量方法对多光谱影像进行影像拼接处理，在此基础上采用经验线性定标法进行辐射校正，并根据地面实测的光谱数据验证辐射校正精度.

1 研究数据与方法

以天津师范大学明理楼及钥匙湖所在区域为研究对象，利用无人机获取多光谱影像数据，在地面控制点（group control point，GCP）坐标信息的辅助下实现多光谱影像数据的全自动空中三角测量. 利用RTK（real-time kinematic）获得的地面控制点在多光谱影像数据拼接过程中实现几何校正；利用便携式光谱仪获取的地面反射率数据建立多光谱影像像元亮度值（digital number，DN）与地面反射率数据的线性关系实现DN 值向反射率转换；利用地表实测的检查点坐标信息和实测的典型地物光谱数据对影像的几何与辐射精度分别进行评价. 以下从多光谱影像的数据获取、几何处理和辐射处理3 个部分分别对研究方法进行阐述.

1.1 数据获取

研究选用无人机搭载Micro-MCA12 Snap 多光谱传感器获取研究区域内多光谱影像数据.该多光谱传感器专为无人机搭载设计，能够同时获得可自由组合的12 波段影像数据，并将数据记录在大容量高速SD闪迪卡，为长航时影像获取提供了保障.该传感器尺寸为5.2 μm，焦距为9.6 mm，传感器获取所得影像分辨率为1 280×1 024，表1 为该传感器各波段波长及其波段特征.该传感器获取的12 个波段中前8 个波段位于可见光区域，且第7 波段为植被光谱反射曲线的一阶导数值最大区域（“红边”）；后4 个波段位于近红外区域，且第9 波段为多数植被光谱反射曲线在近红外区间的反射峰.该传感器1、3、6 和9 波段的中心波长与Landsat TM 传感器影像前4 个波段类似，可用于计算常用的植被指数等.

表1 传感器各波段波长及其特征Tab.1 Wavelengths and characteristics of each band of the sensor

数据获取时间为2019 年7 月15 日，天气晴朗无云，选择正午时分、太阳高度角较大的时间段进行数据采集.在此之前，通过现场实地踏勘初步确定了待采集反射率数据的各类地物.利用无人机搭载的Micro-MCA 多光谱传感器获取研究区域内无人机多光谱影像数据.无人机飞行高度为120 m，航向及旁向重叠度均为80%，所获影像空间分辨率为0.06 m.飞行总面积约0.22 km2，共获取多光谱影像6 096 幅，图1 为多光谱传感器获取的同一区域12 个通道影像数据.

图1 多光谱传感器获取的12 个波段影像数据Fig.1 12-band image data acquired by multispectral sensor

为对多光谱影像数据进行几何与辐射校正及精度验证，在无人机飞行的同时使用手持式地物光谱仪PSR-1100 获取研究区域内多类样本数个地物的反射率数据，该地物光谱仪波长范围为320～1 100 nm，光谱分辨率为1.5 nm.共采集23 组典型地物的反射率数据，部分选定的典型地物如图2 所示.此外，采用RTK 在研究区域内用于测量的30 个地面控制点的坐标信息，地面控制点采用WGS84 大地坐标，控制点的测量精度约为0.03 m.控制点分布情况如图3 所示.

1.2 多光谱影像的几何处理

多光谱影像的几何处理是将多光谱影像进行摄影测量处理从而生成测区多光谱正射影像的过程.摄影测量的基本数学模型为共线方程，共线方程定义了地物点及其对应像点的数学关系：

式（1）中：（x，y）为像点的像平面坐标；（x0，y0，f）为影像的内方位元素；（Xs，Ys，Zs）为摄站点的物方空间坐标；（X，Y，Z）为地物点在物方空间坐标系下的坐标；ai、bi和ci（i=1、2、3）为影像3 个外方位元素组成的9 个方向余弦.

图2 用于辐射校正的典型地物Fig.2 Typical surface used for radiometric correction

图3 地面控制点空间分布Fig.3 Spatial distribution of ground control points

多光谱影像几何处理的步骤为：①通过SIFT 算法搜索和匹配同名点；②利用同名点进行区域网平差，还原影像的位置和姿态，即影像定向；③在影像定向的基础上求解密集同名点，生成测区密集点云；④由测区点云通过内插生成测区数字表面模型，基于表面模型对影像进行纠正，最终拼接生成测区正射影像.本研究中，将RTK 测量所得地面控制点数据一部分作为控制点用于对立体模型进行绝对定向，另一部分作为检查点用于验证几何精度.利用检查点的误差平均值（mean）评价模型定向的系统误差，利用检查点的均方根误差（root mean square error，RMSE）评价模型定向的几何精度.

1.3 多光谱影像的辐射校正

遥感传感器接收的能量包含了由太阳位置、大气条件和传感器自身性能等引起的各种失真，因此，传感器接收到的电磁波能量与目标本身辐射的能量不一致.在图像使用前需要进行辐射校正，利用已建立的地物反射率与遥感图像像素间的关系，通过遥感图像像素值计算传感器的像素反射率.精确的辐射校正需要获取飞行时的大气参数以求出大气透过率等参数，本研究采用简化处理的经验线性法，假设图像DN值与反射率间存在线性关系：

式（2）中：ρ 为某一波段的地表反射率，gain 和bais 分别为相应的增益和偏移值.

该方法的主要步骤包括：①无人机飞行地面同步测量不同亮度地物的光谱特征，随机将数据分为2组，一组用于解算增益和偏移量，另一组用于验证结果精度；②确定地面测量区域与影像像元的空间对应关系；③利用地面实测的反射光谱值和图像上对应像元点的平均DN 值，通过线性回归求出任意波段处的增益和偏移量，建立DN 值与反射率之间的相互关系式，消除太阳辐亮度和大气辐射；④根据地面实测验证数据对校正结果的精度进行评价.

2 结果与分析

2.1 几何处理

首先对多光谱影像数据进行预处理，包括多镜头引起的影像偏移纠正和数据格式转换等，生成包含12个通道的多光谱影像.对预处理后的多光谱影像数据进行几何校正后生成研究区内多光谱正射影像图，如图4 所示.图4 采用了标准假彩色合成，受植被叶细胞结构的影响，植被在近红外波段的反射率较高，因此植被在合成的影像中呈红色.此外，由于研究区域东侧为水体，其特征点过少无法参与摄影测量处理，而左上角因其位于边缘导致影像重叠度较低也无法参与摄影测量处理，因此多光谱正射影像左上角及右侧出现数据缺失现象.

图4 多光谱正射影像图（9、6、4 波段组合）Fig.4 Multispectral orthomosaic（combination of 9，6，and 4 bands）

相机的位置及照片的重叠度如图5 所示.图5 中黑色圆点为相机曝光点，蓝色表示同一区域有8 张以上影像覆盖，红色表示只有1 张影像覆盖.图5 中绝大多数区域为蓝色，说明影像重叠度较高，在研究区中央有一小部分区域影像覆盖数少于9 张影像，这是因为此区域存在较高的建筑的遮挡.为避免影像重叠度不足造成的误差，要求拍摄时同一区域要获取5 张以上的影像.

图5 相机位置及照片重叠度Fig.5 Camera positions and image overlap

利用平均误差和均方根误差验证水平及垂直方向的误差大小.对所有检查点进行误差统计，结果如表2 所示.

表2 控制点和检查点的定位精度Tab.2 Positioning accuracy of control points andcheck points m

由表2 可知，控制点的平面误差为0.08 m，高程误差为0.14 m；检查点的平面误差为0.2 m，高程误差为0.4 m. 参照《CH/Z 3003-2010 低空数字航空摄影测量内业规范》可知，对于较平坦地区成图比例尺为1 ∶500 的数字正射影像图，其平面检查点误差需不大于0.5 m，且高程检查点误差不大于0.4 m，因此多光谱影像数据经几何处理后可应用于1 ∶500 比例尺成图.

根据各检查点误差计算得到水平方向和垂直方向的平均误差和均方根误差，通过统计检查点在各个方向的误差可得各个方向的误差分布直方图，如图6所示，图6 中横轴为误差大小，纵轴为该误差大小出现的次数.

图6 空三在检查点处误差分布直方图Fig.6 Histogram of aerial triangulation accuracy at checkpoints

由图6 可以看出，X 方向、Y 方向和Z 方向检查点误差的最大值分别为0.35、0.23 和0.71 m，经计算水平方向的平均误差和均方根误差分别为0.05 m 和0.2 m，垂直方向的平均误差和均方根误差分别为0.06 m 和0.4 m.图6 中X 方向误差分布较为集中，且近似呈正态分布，Y 方向和Z 方向误差分布较为分散.

2.2 辐射校正

本研究将获取的典型地物光谱反射率数据分为两类，一类用于建立线性回归关系，实现DN 值向反射率的转化；另一类用于多光谱辐射校正结果的精度验证.本研究通过选取训练样本并统计DN 值，建立其与对应地物反射率的线性回归关系，结果如图7 所示.

图7 各个波段DN 值与地物反射率的关系Fig.7 Relationship between the DN value of each band and the reflectivity of the ground

由图7 可以看出，传感器观测结果与地表反射率均呈现线性关系，除波段5 及波段12 外，其他波段的相关系数均大于0.9.

基于图7 可得多光谱影像数据各波段DN 值与地物光谱反射率间的回归方程式，将各回归关系应用于无人机多光谱影像相应的波段做辐射定标，并计算辐射定标后无人机多光谱数据的地物反射率.不同地表类型对应的地物波谱曲线如图8 所示.

图8 不同地表类型对应的地物波谱曲线Fig.8 Spectral spectrum curves corresponding to different surface types

由水泥路面及柏油马路的波谱曲线可知，各波段反射率变化较小，波谱曲线较为平缓；而冬青及稀疏草地的反射率在可见光波段较低，在近红外波段较高，在可见光和近红外波段之间反射率陡然上升，出现“红边现象”.这是因为在植被光谱的可见光波段范围内，光谱响应主要由植被中各种色素对太阳光的不同吸收程度导致.在蓝光波段（中心波长450 nm）和红光波段（中心波长650 nm），叶绿素能够很大程度地吸收摄入能量，而在介于2个叶绿素吸收带之间的绿光波段（中心波长550 nm）附近，因为吸收作用较小而出现1 个小的反射峰，也因此大部分植物外表呈绿色. 在近红外波段，由于植被叶子内部特殊结构的影响，绿色植物会在该波段范围中表现出反射率和透过率较高、吸收率极低的特征.此外，绿色植物的反射率与下垫面有关，因稀疏草地较冬青更易受下垫面影响，因此在近红外波段稀疏草地反射率较冬青低.

提取检验点模拟所得地物光谱反射率与地物光谱仪测量所得地物反射率进行比较，验证各个波段DN 值与地物反射率的关系，验证结果用拟合优度（goodness of fit）进行辐射校正精度验证.拟合优度为回归直线对观测值的拟合程度，度量拟合优度的统计量为可决系数（确定系数）R2，R2最大值为1，R2的值越接近1 说明回归直线对观测值的拟合程度越好；反之，R2的值越小说明回归直线对观测值的拟合程度越差.本研究通过在多光谱反射率影像上选取检验样本并统计其反射率值，将其与对应地物反射率建立线性回归关系，结果如图9 所示.根据图9 可知，多光谱影像数据大部分波段的可决系数均大于0.9，少数波段可决系数小于0.9，但接近0.9，说明利用经验线性定标法进行无人机多光谱影像数据辐射的校正精度较好.