基于多光谱遥感图像的火点检测技术

冯希胤，刘 梦，姜 艳，李 路，范雪松

(武昌船舶重工集团有限公司，湖北 武汉 430416)

0 引言

火灾是威胁公众安全的主要灾害之一，发生在人群居住地的火灾会造成人员伤亡和公众财产损坏，发生在人迹罕至的森林或山区的火灾会造成森林资源的缺失，并且破坏当地的生态环境[1-2]。根据红外检测器获得的地表红外图像进行一定处理后识别图像中是否有火灾出现，对火灾的监测识别起到一定的参考作用[3]。秸秆的露天焚烧会影响大气质量，地面监测火情大多只能做到点状监测，并且往往需要花费大量人力和物力资源。卫星遥感则提供了大范围、全天候火灾监测的可能性[4]。遥感技术的迅猛发展，对火情监测、地点位置确定和灾后评估等工作提供了有力帮助[5]。

为了减少火灾对公众资源和自然资源的破坏，预防是关键，借助科技手段及时地预防和监测是根本。对火灾监测进行积极的拓展，对人类生存发展具有重要意义[6]。我国是人口大国，人群居住密集，同时我国的森林覆盖率为16.5%，做好火灾的及时监测和扑救，对促进经济的快速发展，具有重要的现实意义[7]。

本文提出了一种火点检测算法，通过分析热辐射，筛选出候火点。然后使用“劈窗法”进一步判断火点，最后将检测到的火点覆盖到中波红外波段的图像显示。高分四号(GF-4)卫星可以短时间迅速成像，为火场控制产生时间，在火点检测中发挥了较大作用。

1 基于GF-4火点检测技术

任何物体在发出辐射能的同时，也在不间断地吸收周围物体发出的辐射能。一个物体的辐射能力随着温度的升高而提高，因为物体向外界辐射出的净能量是辐射出的能量与吸收能量的差[8]。

热辐射是物体以电磁辐射的形式向外辐射热能的一种传热方式，不依赖于任何外部条件。热辐射是热量传递3种方式之一。本文的火点检测算法主要是分析遥感图像中各个物体温度热辐射，通过热辐射来判断火点是否存在[9]。

物体温度高于临界值时会向外界辐射能量，温度越高辐射越强，温度过高时会产生热异常现象。燃烧的物体和没有燃烧的物体的辐射有明显区别[10-11]。依据普朗克黑体辐射定律，火灾发生时，中波红外波段的辐射波长最大，GF-4的中波红外波段通道能据此找到着火点，这是本文进行火点检测的理论基础[12-13]。

对GF-4进行辐射定标和物理量计算数据处理，利用红光波段和近红外波段的反射率，以及中波红外波段的亮温值对每个像素进行火点检测，再利用实验数据对该方法进行验证。算法流程如图1所示。

图1 算法流程Fig.1 Flow chart of algorithm

由图1可知，火点检测的核心步骤有2个。首先，使用阈值分割找到候选火点，此时使用的阈值分割需要使用人工经验选择法来选择阈值。然后，确认火点时也使用阈值分割，这时的阈值分割需要用自适应阈值法。自适应阈值法与其他确定阈值的方法不同的是，其他方法的阈值适用于所有检测点，自适应阈值法的思想是，每一个检测点的阈值根据该检测点的值来确定。

1.1 辐射定标

在遥感图像的分析与应用中，辐射定标是基础。GF-4是我国发射的第一颗地球静止轨道高分辨率对地观测卫星，轨道距地36 000 km，可以长期驻留在固定区域上空，对中国及周边地区进行接近实时的高频次重复观测和多热点地区快速巡查。GF-4是当时世界上空间分辨率最高、幅宽最大的地球同步轨道遥感卫星，也是“国家高分辨率对地观测系统重大专项”中唯一的一颗高轨遥感卫星。同时，该卫星还是目前我国时间分辨率最高、设计使用寿命最长的遥感卫星。GF-4采用了我国首个高轨遥感卫星平台和首个高轨高分辨率对地观测光学遥感相机，可见光近红外谱段分辨率为50 m，中波红外谱段分辨率为400 m，观测幅宽大于400 km，该相机的成像方式有3种：区域成像、凝视成像和巡查成像。与此同时，GF-4有能力长期驻留于固定区域。目前，GF-4具有普查、凝视、区域和机动巡查4种工作模式，卫星数据可满足水体、林地及森林火点等识别与变化信息提取对遥感数据质量的需求，对减灾、气象、地震、林业及环保等提供有力支撑。目前为止，GF-4已经在轨运行5年。随着在轨运行时间的推移和空间环境的变化，卫星上的光学元件逐渐老化，谱段的辐射特性发生变化，发射前实验室定标的结果不能反映此时GF-4光学器件的辐射特性。此外，定标黑体光路结构的差异、性能稳定性的降低以及缺少性能变化监测手段等，星上定标结果精度受限和时间有效性缩短，导致辐射性能发生变化[6]。通过交叉校准，可以随时对传感器进行有效监测，然后根据监测结果进行调整和改进，以减少误差对校准的影响。目前，全球在轨辐射定标主要有3种方法：星上定标、现场定标和交叉定标。大多根据场地定标法的结果，来得到场地辐射定标系数[14-16]。但由于很多因素均会影响场地定标结果，在定标过程中可能会花费大量时间和精力，通常，场地定标实验在国外每年仅进行2次，而在国内仅进行1次。由于场地定标的次数有限，无法动态地监测传感器的辐射性能变化。交叉定标是利用高辐射精度的卫星对辐射精度较低的卫星进行校准，从而可以有效检查与验证传感器稳定性和测量精度。目前，GF-4每年只进行1次场地定标，无法动态地监测传感器的辐射特性[17]。而交叉辐射定标方法可以及时了解卫星传感器的性能变化情况，从而提升定标精度。

本算法中的GF-4图像在进行反射率等计算之前，需要进行辐射定标，利用式(1)对GF-4的各个波段进行辐射定标：

L=Mλ·DN+Aλ，

(1)

式中，DN为像元灰度值；Mλ为增益系数；Aλ为偏移量；得到的值L为辐射值。

1.2 物理量计算

本算法需要使用红光通道的反射率和近红外通道的反射率，遥感图像的反射率不能直接获得，需要反演得到。

观测角与方位角示意如图2所示。θv是卫星观测方向和地面铅垂线之间的夹角，θs是太阳入射光线与地面铅垂线之间的夹角，φ是方位角。若大气上界太阳辐射通量密度是E0，气溶胶的散射以及吸收作用和大气分子的散射作用使入射太阳辐射的总投射率为T(θs)，T(θs)=e-τ/us+td(θs)，其中td(θs)代表下行散射辐射透射率因子，e-τ/us代表下行直辐射，us=cosθs是太阳天顶角的余弦值，τ是大气光学厚度，则太阳辐射传播到地面的辐射通量密度为cos(θs)E0T(θs)。地面反射率记为ρ，来自地面的太阳辐射一部分被大气反射回地面，反射率为S，地面与大气之间的相互反射进行无穷次，增强了地面的入辐射量，增强因子是1+ρS+ρ2S2+ … =1/(1-ρS)。卫星遥感器在天顶角θv位置观测来自地面的辐射，忽略太阳入射路径与反射路径大气在水平方向的差异，则观测方向的投射函数T和入射方向的投射函数相同。卫星遥感器在天顶角θv位置测量，检测出θv方向的辐射亮度L，若地球大气系统反射的效果满足条件，那么在2π球面角内的总辐射是πL。

图2 观测角与方位角示意Fig.2 Schematic diagram of observation angle and azimuth angle

假设所测目标物为朗伯面，卫星观测的地气系统反射率为：

R(π·L·d2)/(E·cosθ),

(2)

式中，R为反射率；d为日地天文单位距离；E为太阳辐射照度；θ为太阳天顶角。

地表物体温度反演算法目前的主流方法有3种：单通道算法、大气校正法和分裂窗算法。本文使用大气校正法，其基本原理是首先估计大气对地表热辐射的影响，然后从卫星传感器观测到的总热辐射中减去这部分大气效应，得到地表热辐射强度，把热辐射强度转换成相应的表面温度。亮温值为[15]：

(3)

式中，T为亮温值；L为反射率；v为中心波长的倒数；C1=1.191 065 9×108，C2=1.143 883 3×104。

1.3 火点检测算法实现

在算法实现的最初阶段，读入GF-4图像各通道的灰度值，要先读取TIFF文件的头文件，得到图像格式信息之后，新建一个相同规格的矩阵，再将数据读取。

可见光近红外通道的图像大小为10 240 pixel×10 240 pixel，通道数为5，而中波红外通道的图像大小为1 024 pixel×1 024 pixel，为了在云检测和火点判断时不出现坐标点错误，先将可见光近红外通道的矩阵缩小10倍，每10×10大小图像灰度值的平均值作为缩小后图像中1×1的灰度值。

火点检测程序的核心算法如下。火点检测以中波红外波段的亮温值为主，结合红光波段和近红外波段的反射率构成中心算法。

(1) 云检测：将云区检测到并掩膜处理。

(2) 水体检测：水体的反射率主要集中在可见光中的蓝绿光波段，而其他波段特别是红外波段的吸收都很强，所以在红外影像上，水体一般情况呈现黑色。水体检测基于近红外和中波红外波段。使用归一化差分水体指数、近红外波段反射率和中波红外波段的亮温值来检测图像中的水体像素并进行掩膜处理。归一化差分水体指数由式(4)计算，水体判断由式(5)计算：

N=(R5-R4)/(R5+R4),

(4)

(5)

实现此算法的程序和云检测程序相似，都是要遍历每个像元，使用阈值分割来进行水体检测，得到水体检测的二值矩阵，最后进行掩膜处理。

(3) 候选火点判别：将满足式(6)的点判断为候选火点。候选火点即为热辐射较高的疑似火点，但不是最终确定的火点。

R5<7.4&554.7

(6)

同样，对非云、非水体的像元进行阈值分割，得到候选火点的二值图像。

(4) 判断有效背景元：当GF-4图像中的某一像素为非云、非水，且满足式(7)时，判断此像元为有效背景元：

T>545.76。

(7)

(5) 确认火点：使用劈窗法对候选火点进行进一步判断。以判断出的候选火点为窗口中心，设置窗口最初大小为3×3，窗口内有效背景元的数量大于1/4窗口总像元数时，窗口维持原大小不变，若窗口内有效背景元的数目小于1/4窗口内总像元数时，扩大窗口到5×5，7×7，直到21×21。计算出窗口内有效背景元中波红外波段亮温值的平均值和均方差。当某一候选火点满足式(8)时，将此候选火点判定为火点，即：

T>T1+4·fc

(8)

式中，T为检测点亮温值；T1为背景元的亮温平均值；fc为窗口内背景元的亮温间的标准差。

火点检测以中波红外波段的亮温值为主，结合红光波段和近红外波段的反射率构成中心算法。

在使用劈窗法对候选火点进行判断时，判断出火点的同时要剪切出中波红外波段和可见光波段的相同区域图像，用于火点结果评价。将这3个图像保存到结果文件夹中，并且以检测到的火点坐标来命名。而GF-4图像是不包含地理信息的TIFF文件，所以火点的经纬度要计算。利用xml文件中给出的图像4个点的经纬度来判断某一特定位置的经纬度。同时得到1 024 pixel×1 024 pixel大小的火点标记二值图像。将火点标记为蓝色覆盖到中波红外图像上并显示出来。

2 实验分析

GF-4卫星于2015年12月29日从中国西昌卫星发射中心发射，是中国首颗地球静止轨道高分辨率对地观测光学遥感卫星，也是当时全世界地球同步轨道分辨率最高的民用卫星。卫星上带有的全色及多光谱相机的空间分辨率是50 m，中波红外相机的空间分辨率是400 m，所以GF-4卫星具有高分辨率多光谱卫星的特性，同时又具有气象卫星的地球同步轨道、面阵凝视成像以及以分钟为周期来获取同一区域序列图像的特性。GF-4卫星在白天成像的可见光近红外影像包含PMS相机获取的4个可见光通道的数据、一个近红外通道的数据以及一个中波红外通道的数据，不能使用已有的算法来进行火点检测。

选取4张山西地区和1张北京地区共5张GF-4图像来作为火点检测实验组数据，这5张图像的数据如表1所示。

表1 选取的高分四号卫星数据Tab.1 Selected data from GF-4 satellite 单位：张

所选用的GF-4图像分别覆盖了山西省长治市沁源县王陶乡和北京市密云区东邵渠镇太保庄地区2个区域。王陶乡位于山西省南部，地理范围109°75′E～114°13′E，34°80′N～40°18′N，该乡2019年3月29日13时30分发生了大火，起因是养鸡场使用的架空铝绞线在大风作用下发生碰撞，产生的高温金属熔化物引燃了地上的干草。太保庄地区位于北京的东北方向，地理范围114°10′E～118°33′E，38°79′N～40°72′N，该地区有很大森林植被覆盖，于2019年3月30日12点23分发生大火。

由于GF-4图像不能提供更加精确的着火地点的卫星影像和火情实况，所以验证着火点的方法为目视。将中波红外波段图像中的亮点和可见光波段中的烟雾结合，当作判断为真实火点的依据。将真实火点与检测到的火点进行比对，计算出准确率、漏检率以及综合评价指标。准确率的计算方法为检测到的火点中的真实火点数除以检测到的所有火点数。漏检率的计算方法为算法漏检的火点数除以检测到的火点总数。

使用每个地区的实验组来对云、水体、植被、裸地和火点等5种典型类别的亮温值进行统计，分析得到典型类别的反射率和亮温值信息。

从反射率的分析结果来看，在红光波段和中波红外波段，云的反射率很高而且明显高于其他类别；因为水体对光有吸收作用，水体在各个波段的反射率都很低，所以利用其在红光波段和近红外波段反射率低的特点来进行识别。着火点的反射率在各个波段都很低，而且与其他类别差异不明显，所以判断火点时要配合中波红外波段的亮温值。

根据亮温值的统计结果，在所选的5种类别中，火点的亮温值最高，而且与其他类别相差很大；烟雾和着火土地的亮温值也很高，而且有少部分高于着火点，容易引起火点误报现象；无植被覆盖的土地可能因为阳光照射，亮温值有时也很高，会对火点检测进行干扰，所以本实验中选择的图像均为白天且非正午时拍摄的图像。

要验证检测到的火点是否为真实火点，需目视检验GF-4图像的着火点。图3和图4分别为山西王陶乡着火点区域可见光波段合成的GF-4图像和中波红外波段火点区域GF-4图像。图 5和图 6分别为北京太保庄地区着火点区域可见光波段合成的GF-4图像和中波红外波段着火点区域的图像。图像用于之后着火点的精度验证。

图3 山西王陶乡可见光波段火点区域Fig.3 Visible light band fire spot area in Wangtao Township,Shanxi

图4 山西省王陶乡火点区域中波红外波段图像Fig.4 Mid-wave infrared band image of the firespot area in Wangtao Township,Shanxi

图5 北京市太保庄地区火点区域可见光波段图像Fig.5 Visible light band image of the fire spot area in Taibaozhuang area,Beijing

图6 北京市太保庄地区火点区域中波红外波段图像Fig.6 Mid-wave infrared band image of the fire area in Taibaozhuang area,Beijing

将以上火点检测的算法在Matlab中实现，分别对验证组的2组影像进行着火点的检测，检测结果如图7和图8所示。

图7 山西省王陶乡火点检测图像Fig.7 Firespot detection image in Wangtao Township,Shanxi

图8 北京市太保庄地区火点检测图像Fig.8 Firespot detection image in Taibaozhuang area,Beijing

根据验证组的火灾信息知道火点的具体经纬度信息，与检测到的火点结果经纬度相对比，检测到的火点的经纬度与真实火点的经纬度差别很小，所以判定检测到的火点确实在真实火灾处。

在王陶乡2019年3月29日发生的火灾中，本文的火点检测算法共检测到1处火场，148个着火点像元，影像中有烟雾的影响。北京市太保庄地区的火点检测图像中，本文的火点检测算法共检测到1处火场，1个着火点像元。

通过准确率计算公式计算出两处火点，山西王陶乡的准确率约95%，漏检率为5%。北京太保庄地区的准确率为100%，漏检率为0。

对比着火点检测图像与着火点目视图可以看出，错误判断的火点像元大多在火场边缘，产生错误的主要原因是火点边缘的温度也很高，而且火点向外围发散热辐射，火场面积越大，辐射越强，最终在火点周围形成了温度场。本文火点检测算法的主要判断依据就是温度差异，所以很容易产生错误检测。山西省王陶乡的火灾面积很大，所以火点检测的错误率就比较高。北京市太保庄地区的火灾面积很小，所以错误率很低。漏检率高的原因是烟雾的影响，烟雾会降低辐射值，遮挡住火点，在检测一些低温闷烧的火灾火点时，容易出现漏报现象；另一个原因是候选火点判断时阈值的影响，本文算法在实验部分对一些物体的亮温值进行了统计，检测云、水体和候选火点时用的是固定的阈值，所以可能部分温度比较低的火点达不到判识条件而被遗漏。

3 结束语

基于GF-4卫星图像进行火点检测，介绍了GF-4卫星和图像波段。为了算法描述，进行了遥感图像的预处理，包括辐射定标等。计算出判断火点所需的红光波段和近红外波段的反射率以及中波红外波段的亮温值。设置阈值、去云和去水体之后，检测出候选火点。本文使用劈窗法来进一步判断火点，然后将检测到的火点以蓝色点状形式覆盖到中波红外波段的图像上显示出来。选择了山西地区和北京地区的火点图像进行实验，并对结果进行了分析和评价。结果表明，此火点检测算法的准确率在80%以上。该算法可用于GF-4卫星图像的火点检测，但仍存在一定问题，可能是烟雾干扰使漏检率偏高，还需对此进行改正。GF-4卫星可以短时间迅速成像，在火点检测中有很大作用，可以为火场控制产生时间，具有较好的应用前景。