谭伟 王钰 何红艳 齐文雯



常用大气校正模型对图像清晰度提升的对比分析

谭伟 王钰 何红艳 齐文雯

（北京空间机电研究所，北京 100094）

大气散射、吸收及临近效应等降低了大气调制传递函数而影响遥感图像清晰度，去除大气影响对提高图像清晰度具有重要意义。文章采用典型遥感卫星Landsat-8多光谱数据进行大气校正对图像清晰度提升的研究，基于6S模型、FLAASH模型和黑暗像元法（DOS）模型进行大气校正，得到各谱段地物反射率图像。采用常用的基于图像特征参数（灰度梯度、边缘、熵及频谱）和多光谱图像色彩保真度的清晰度评价方法对校正前后图像清晰度进行评价。结果表明：采用FLAASH、6S和DOS三种模型，大气校正后的清晰度特征参数（以熵为例）较原图平均提升程度分别为27%、10%、1.3%。而色彩保真度方面，各谱段反射率与实际反射率差（以草地为例）的平均值分别为0.018、0.028、0.038。因此，基于辐射传输模型的方法具有更高的大气校正精度，其中FLAASH模型对图像清晰度的提升最明显。

大气校正 大气传输模型 图像清晰度 航天遥感

0 引言

清晰度是衡量遥感图像品质的一个重要参数，高清晰度的图像具有景物细节辨别度高、信息量丰富、目标识别能力强等优点，无论军用民用行业，均要求遥感图像具备高清晰度以满足不同任务的需求。影响遥感图像清晰度的因素众多，主要包括以下三个来源[1]：卫星平台方面的因素，如平台颤振、数据压缩等；相机方面因素，如杂散光、电路噪声等；辐射传递链路方面的因素，如太阳辐照、大气传输等。不同因素对图像清晰度的影响机制不尽相同，本文中主要考虑大气传输的影响，介绍了黑暗像元法（Dark Object Subtraction，DOS）、6S法（Second Simulation of the Satellite Signal in the Solar Spectrum）和FLAASH法（Fast Line-of-sight Atmospheric Analysis of Hypercubes）三种典型大气校正模型的原理，结合国内外广泛应用的典型遥感卫星Landsat-8卫星多光谱图像，使用这三种模型对图像进行大气校正，并采用几种常用的图像清晰度特征参数[2-5]和多光谱图像色彩保真度[6]，对大气校正前后图像清晰度进行综合评价，并通过定量化的对比结果，认为FLAASH模型是三种模型中对遥感图像清晰度提升效果最明显的。

1 大气对清晰度的影响分析

遥感卫星成像时辐射传递链路可简述为地物反射太阳辐射、大气传输、遥感器接收辐射并成像。在携带地物信息的太阳辐射穿过大气层到达在轨运行的遥感卫星入瞳前的过程中，受到大气中分子、气溶胶等成分的吸收和散射、大气湍流等一系列影响，（例如：大气气体分子和气溶胶粒子吸收与散射造成的信号衰减、大气湍流造成光学成像系统分辨率的减低等[7]），导致辐射传输链路中大气调制传递函数（Modulation Transfer Function，MTF）降低，造成遥感图像对比度下降。大气对辐射的吸收、散射作用及临近效应的影响能导致地表目标与背景、目标与目标之间的辐射信息的混淆叠加，其作用相当于增加了大气衰减而造成图像退化，如式（1）所示，体现到图像上即地表景物之间边缘的模糊，从而降低了图像清晰度。

2 三种常用大气校正模型原理

目前常用的大气校正方法主要有基于图像统计特征[9]和基于辐射传输模型[10]两大类方法。图像统计特征法中最常用的是DOS模型，依赖影像自身的信息完成大气辐射校正与反射率反演的过程，这种方法不需要辅助数据，执行效率高。基于辐射传输模型的方法主要以6S模型、中分辨率大气传输模型（Moderate Resolution Atmospheric Transmission，MODTRAN）应用最为广泛。6S模型采用最新近似和逐次散射算法来计算大气散射和吸收，考虑了地表的朗伯体和非朗伯体特性，具有较高的瑞利散射和气溶胶散射的计算精度[11]。MODTRAN模型集成在商业遥感图像处理软件ENVI中，能有效消除大部分大气和光照等因素对地物反射的影响，获得较为准确的地物反射率、辐射率等真实物理参数，校正谱段范围从可见光、近红外到短波红外范围[12]。本文中主要采用基于辐射传输模型的FLAASH模型和6S模型及基于图像统计特征的DOS模型。

图1 大气对辐射传输的作用机制

2.1 DOS模型大气校正原理

在假定待校正的遥感图像上存在黑暗像元区域（如：水体或浓密植被等[13-14]），地表为朗伯面反射，大气性质均一，大气多次散射辐照度作用和邻近像元漫反射作用可以忽略的前提下，反射率或辐亮度很小的黑暗像元由于大气的影响，这些像元的亮度相对增加，可以认为增加的这部分亮度是由大气的程辐射影响产生的。DOS模型的大气校正原理是利用黑暗像元计算出大气程辐射，并结合相应的大气校正模型，获得相应的大气参数，从而得到地物反射率，其表达式如下

式中dos为图像中所选择的暗像元的辐亮度；太阳天顶角、大气层顶太阳光谱辐照度0均可由卫星辅助数据获取；其他大气校正参量v、z、D由经验假设或采用6S模型得到。

2.2 6S模型大气校正原理

6S模型是基于辐射传输的大气校正方法，用于模拟太阳光在太阳—地面目标—传感器的传输过程中所受到的大气的影响。在6S模型中，大气层视为仅在垂直方向上变化，水平方向为均匀一致的平行平面大气。地表类型分为三类：均一地表朗伯体模型、非均一地表朗伯体模型和双向反射率分布函数（Bidirectional Reflectance Distribution Function，BRDF）模型，每种地表均有独立的反射率计算模型。大气模型包括热带、中纬度夏季、中纬度冬季等几种典型类型，也可接受用户自定义的大气探空数据。气溶胶类型则包含大陆型、海洋型、城市型、沙漠型等典型气溶胶模型，可接受用户输入标准6S格式的气溶胶实测值。6S模型中的光谱谱段范围为0.25~4μm，包含几十个卫星光谱通道及对应光谱响应曲线，也可接受用户自定义的光谱通道及相应的响应曲线文件。在上述6S模型大气校正过程中，首先对图像进行绝对辐射定标，将图像数字计数值转换为相应的入瞳辐亮度。6S模型大气校正的输出为三个大气校正参数，利用式（4）可得到逐像元校正后的真实反射率[15-16]

式中t为校正后的地物反射率；a表示与大气透射率相关的参数；b表示与大气散射相关的参数；c表示大气各项同性光的反射率；为中间值，无特殊物理意义。

2.3 FLAASH大气校正原理

FLAASH大气校正主要基于辐射传输模型MODTRAN 4（第4版MODTRAN模型），该模型中，大气校正参数包括气溶胶光学厚度、气溶胶类型和大气水汽柱含量，通过波段比值法进行水汽反演，用1 130nm处的水汽吸收波段与非水汽吸收波段的比值获取大气水汽柱含量；气溶胶光学厚度则采用暗目标法反演得到[17]，利用660nm和2 100nm的反射率估算气溶胶量。

FLAASH模块中也包含了几种典型的大气模型和气溶胶类型，但不能接受用户自定义的大气探空数据和气溶胶数据；当遥感图像具有2 100nm气溶胶厚度反演谱段（如Landsat-8的B7谱段）和卷云反演谱段（如Landsat-8的B9谱段），实际运算中利用MODTRAN 4生成了一系列的大气参数查找表进行反演并求解辐射传输方程，最后得到相应的大气参数完成大气校正。光谱辐亮度计算公式如下[18]

式中a分别为大气散射后的辐亮度值；、e分别为地物反射率和像元周围区域的平均反射率；为大气球面反照率；、为由大气和几何条件决定的系数。根据卫星对应的成像时间、地理位置和几何条件，通过MODTRAN模型可模拟得到、、、a、e这几个参数，从而得到相应的地物反射率。

3 数据预处理

本文选用Landsat-8卫星多光谱数据作为试验对象。其中Landsat-8数据包含B~B7（海岸带谱段、蓝谱段、绿谱段、红谱段、近红外谱段、中波红外谱段1/2）及B9谱段（卷云谱段），分辨率为30m，成像时间为2016年9月20日，位于北纬44.09°~47.29°、东经121.77°~124.86°，研究区域为典型东北平原地形，包含草地、水体、裸地等。

对研究区域图像进行大气校正之前先进行预处理，主要包括对应图像卫星成像参数获取（太阳高度角/太阳方位角，观测高度角/观测方位角，成像时间、谱段中心波长及对应太阳光谱辐照度）、地理参数（经纬度）获取以及绝对辐射定标。其中，绝对辐射定标是通过定标系数（增益系数和偏置系数）将图像数字计数值转换为入瞳辐亮度。三种大气校正模型的输入均为入瞳辐亮度图像，并将辐亮度反演成地表反射率。因此，预处理中涉及的绝对辐射定标公式如下

预处理过程中所需的参数均可从卫星图像辅助文件中获得。如表1、表2所示。

表1 Landsat-8各谱段辐射校正系数和平均太阳光谱辐照度

Tab.1 Coefficients of radiometric calibration and exoatmospheric irradiance of each band of Landsat-8

表2 大气校正模型输入的参数

Tab.2 Input parameters of atmospheric correction models

4 试验结果及验证

在研究中，分别采用DOS、6S及FLAASH模型对Landsat-8多光谱图像进行了大气校正，主要研究其中B1~B4谱段，并利用可见光谱段（红、绿、蓝，对应Landsat-8的B4、B3、B2谱段）合成真彩色图像。评价图像清晰度时，可采用主客观评价相结合的方法，其中客观评价方法是采用基于图像空域或频域特征参数的计算模型（如灰度变化、纹理、频谱等），而主观评价方法则结合彩色图像特点，采用基于人眼视觉模型的图像色彩保真度，用校正后的景物反射率与实际反射率的差进行定量描述。

图2是Landsat-8大气校正前后对比图，校正前后图像视觉效果均发生了变化，经大气校正后，消除了部分大气的影响，恢复了下垫面的原有信息，对比图2的（a）、（b）、（c）和（d）均可发现，大气校正去除了原图中由于大气影响造成的所谓的“雾状模糊”，图像色彩得到了还原，景物细节对比度均得到了不同程度的提升，提高了图像清晰度。

4.1 根据特征参数评价多光谱图像清晰度

本文分别采用平均灰度梯度法、边缘检测法、熵函数法、频谱法等几种通用清晰度评价方法，计算原图及校正后的B1~B4谱段的清晰度。其中，平均灰度梯度法基于图像中像元之间的灰度梯度，原理是计算图像所有像元之间的灰度梯度并求均值得到图像平均灰度梯度，该值越大图像越清晰；边缘检测法基于图像景物边缘的强度，原理是采用边缘检测矩阵对图像进行卷积获取图像景物边缘并求边缘像元与其临近像元之间的灰度差值的绝对值，并进行均值处理得到平均边缘强度，该强度值越大图像越清晰；熵函数法是基于图像中包含信息量的多少，采用熵（Entropy）作为依据，原理是统计图像动态范围内所有像元值出现的概率，并进行对数处理得到图像熵，熵越大图像越清晰；频谱法基于图像的频谱特征，原理是频谱中的高频成分可反映图像中边缘和纹理的变化，高频信息越丰富，图像越清晰。

为方便对比，对计算所得的清晰度值进行归一化处理（利用计算结果中的最大值进行归一化处理），结果如图3所示，其中Entropy、Spectrum、Gradient、Edge依次为图像熵、图像频谱强度、图像平均灰度梯度及图像边缘强度，分别表示采用熵函数法、频谱法、平均灰度梯度法、边缘检测法计算得到的清晰度，该参数无单位，FLAASH、6S、DOS和original分别表示采用FLAASH、6S、DOS模型大气校正后的图像和原图。

根据计算结果可知：经大气校正后每个谱段图像清晰度均有所提高，以熵为例，FLAASH、6S和DOS模型大气校正后对B1谱段的清晰度提升分别为36%、15%、1%，对B2谱段的清晰度提升分别为31%、13%、2%，对B3谱段的清晰度提升分别为23%、9%、1%，对B4谱段的清晰度提升分别为19%、6%、1%。因此，FLAASH模型校正后的图像清晰度最好，6S模型其次，DOS模型稍差。

4.2 根据色彩保真度评价多光谱图像清晰度

评价多光谱图像色彩保真度可基于景物的反射率，即利用大气校正后不同谱段的景物反射率与实际反射率差作为衡量标准。文中分别对比三种大气校正后的图像每个谱段中三类典型景物反射率与实际反射率的差，该反射率差越小表征大气校正后的图像色彩越接近真实值，合成真彩色图像的清晰度越好，表3为真彩色谱段B2~B4图像中三种典型景物的反射率与实际反射率，图4为对比图，表4为经不同模型校正后不同谱段景物反射率与实际反射率的差。

（a）6S校正后的图像 （b）DOS校正后的图像

（a）Corrected image with 6S （b）Corrected image with DOS

（c）FLAASH校正后的图像 （d）原图

（a）B1谱段

（a）B1 band

（b）B2谱段

（b）B2 band

（c）B3谱段

（c）B3 band

（d）B4谱段

表3 大气校正后B2~B4图像中三种典型景物的反射率与实际反射率

Tab.3 Reflectances of three typical objects with atmospheric correction and the actual values

图4 可见光谱段校正后反射率与实际反射率对比

表4 经不同模型校正后不同谱段景物反射率与实际反射率的差

Tab.4 The differences between the corrected and the actual reflectances of different spectral bands

从表3、4和图4可以看出，FLAASH模型校正后的图像色彩保真度最佳，6S模型其次，DOS模型稍差。

结合4.1和4.2节的试验结论可知：采用结合图像成像几何条件的基于辐射传输模型的大气校正效果更好，且FLAASH模型对图像清晰度的提升程度比6S模型更明显，而基于图像自身统计信息的DOS模型大气校正过程由于无需借助辐射传输模型，计算相对快捷，但对图像清晰度的提升效果不如FLAASH和6S模型方法。

5 结束语

本文基于大气对图像清晰度的影响分析，介绍了常用的DOS、6S和FLAASH三种遥感图像大气校正模型，并采用图像纹理特征参数和多光谱图像色彩保真度两方面清晰度评价方法，研究这三种模型对图像清晰度的提升。三种校正模型均在一定程度上去除了大气造成的图像“雾状模糊”，提高了图像清晰度。研究表明：基于辐射传输方程的FLAASH模型和6S模型对清晰度的提升效果优于基于统计模型的DOS模型，且FLAASH模型大气校正后图像清晰度最高。在后续的研究工作中，随着地物实地光谱采集及同步大气参数测试工作的展开，可以利用实测大气参数对遥感图像进行大气校正，并结合地物真实反射率进行直接评价，为基于大气校正提高图像品质工作提供更加科学的依据。

[1] HOLST G C. Electro-optical Imaging System Performance[M]. Bellingham: SPIE Press, 2008: 189-194.

[2] ESKICIOGLU A M, FISHER P S. Image Quality Measures and Their Performance[J]. IEEE Transactions on Communications, 1995, 43(12): 2956-2965.

[3] 贺金平, 阮宁娟, 何红艳. 基于EMD的无参考图像清晰度评价方法[J]. 航天返回与遥感, 2013, 34(5): 78-84.HE Jinping, RUAN Ningjuan, HE Hongyan. Non-reference Evaluation Method of Image Definition Based on EMD[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(5): 78-84. (in Chinese)

[4] 蒋婷, 谭跃刚, 刘泉. 基于SOBEL算子的图像清晰度评价函数研究[J]. 计算机与数字工程, 2008, 226(8): 129-132.JIANG Ting, TAN Yuegang, LIU Quan. Research of a Clarity-Evaluation Function of Image Based on Sobel[J]. Computer & Digital Engineering, 2008, 226(8): 129-132. (in Chinese)

[5] NORMAN B N, BRIAN H B. Objective Image Quality Measure Derived from Digital Image Power Spectra[J]. Optical Engineering, 1992, 31(4): 813-825.

[6] 易维宁, 何超兰, 乔延利. CBERS-02卫星图像的大气订正[J]. 遥感学报, 2006, 2(2): 150-155.YI Weining, HE Chaolan, QIAO Yanli. Atmospheric Correction of CBERS-02 CCD Image[J]. Journal of Remote Sensing, 2006, 2(2): 150-155. (in Chinese)

[7] 孙家抦. 遥感原理与应用[M]. 武汉: 武汉大学出版社, 2009: 150-152.SUN Jiabing. Principles and Applications of Remote Sensing[M]. Wuhan: Wuhan University Press, 2009: 150-152. (in Chinese)

[8] VERMOTE E F, TANRE D, DEUZE J L, et al. Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: an Overview[J]. IEEE Geoscience and Remote Sensing Society, 1997, 35(3): 675-686.

[9] HADJIMITSIS D G, THEMISTOCLEOUS K. Assessment of Effectiveness of Atmospheric Correction Methods Using Standard Calibration Targets, Ground Measurements and Aster Images[C]. Proceedings of the SPIE: The International Society for Optical Engineering, San Diego, 2009.

[10] 何海舰. 基于辐射传输模型的遥感图像大气校正方法研究[D]. 长春: 东北师范大学, 2006.HE Haijian. The Study of Atmospheric Correction Scheme Based on the Radiative Transfer Theory[D]. Changchun: Northeast Normal University, 2006. (in Chinese)

[11] CHAVEZ P S. Image-based Atmospheric Corrections-revisited and Improved[J]. Photogrammetric Engineering & Remote Sensing, 1996, 62(9): 1025.

[12] 武永利, 栾青, 田国珍, 等. 基于6S模型的FY-3A/MERSI可将到近红外波段大气校正[J]. 应用生态学报, 2011, 22(6): 1537-1542.WU Yongli, LUAN Qing, TIAN Guozhen, et al. Atmospheric Correction of Visible-infrared Band FY-3A/MERSI Data Based on 6S Model[J]. Chinese Journal of Applied Ecology, 2011, 22(6): 1537-1542. (in Chinese)

[13] 郭红, 顾行发, 谢勇, 等. 基于ZY-3 CCD相机数据的暗像元大气校正方法分析与评价[J]. 光谱学与光谱分析, 2014, 34(8): 2203-2207.GUO Hong, GU Xingfa, XIE Yong, et al. Evaluation of Four Dark Object Atmospheric Correction Methods Based on ZY-3 CCD Data[J]. Spectroscopy and Spectral Analysis, 2014, 34(8): 2203-2207. (in Chinese)

[14] 徐涵秋. 利用改进的归一化差异水体指数（MNDWI）提取水体信息的研究[J]. 遥感学报, 2005, 9(5): 589-595.XU Hanqiu. A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. (in Chinese)

[15] MARTIN J, EUFENIO F, MARCELLO J, et al. Atmospheric Correction Models for High Resolution WorldView-2 Multispectral Imagery: A Case Study in Canary Islands, Spain[C]//Proceedings of SPIE: Asia-Pacific Remote Sensing Conference, Kyoto, 2012, 8534: 1-10.

[16] 孙长奎, 孙林, 麻盛芳, 等. HJ-1 CCD数据大气校正方法研究[J]. 遥感学报, 2012, 16(4): 831-836.SUN Changkui, SUN Lin, MA Shengfang, et al. Atmospheric Correction Method Based on HJ-1 CCD[J]. Journal of Remote Sensing, 2012, 16(4): 831-836. (in Chinese)

[17] 蒲莉莉, 刘斌. 结合光谱响应函数的Landsat-8影像大气校正研究[J]. 遥感信息, 2015, 30(2): 116-119.PU Lili, LIU Bin. Atmospheric Correction of Landsat-8 Imagery Based on Spectral Response Function[J]. Remote Sensing Information, 2015, 30(2): 116-119. (in Chinese)

[18] ADLER G, MATTHEW M W, BERNSTEIN L S, et al. Atmospheric Correction for Shortwave Spectral Imagery Based on MODTRAN4[C]//Proceedings of SPIE: Environmental Remote Sensing Conference, Florida, 1999, 3753: 61-69.

（编辑：庞冰）

Comparison of Improving Image Definition with Common-used Atmospheric Correction Models

TAN Wei WANG Yu HE Hongyan QI Wenwen

（Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）

Atmospheric correction is very important to improve image definition, because the scattering, absorbing and adjacent effects of atmosphere can reduce the modulation transfer function and even influence the definition of remote sensing image. In the paper, the multispectral image of the typical satellite Landsat-8 was used in data processing of atmospheric correction. The reflectivity data for each band were obtained using three common atmospheric correction models, i.e. 6S, FLAASH and DOS. Then the definition of images before and after atmospheric correction was evaluated using four classical definition evaluation methods based on image features (namely, gray-scale gradient, edge, entropy and frequency spectrum) and color fidelity based on ground reflectance. The results indicated that the average definition (evaluated by entropy) had increased by 27%, 10% and 1.3% based on FLAASH, 6S and DOS respectively. For the color fidelities, the reflectance average differences before and after atmospheric correction, taking the grassland images as an example, were respectively 0.018, 0.028 and 0.038. Therefore, the methods based on radioactive transfer models, especially the FLAASH model, have much better accuracy of atmospheric correction than DOS.

atmospheric correction; atmospheric propagation model; image definition; space remote sensing

TP751

A

1009-8518(2017)05-0096-10

10.3969/j.issn.1009-8518.2017.05.012

谭伟，男，1990年生，2015年获中国空间技术研究院飞行器设计专业硕士学位，工程师。研究方向为遥感数据处理与应用。E-mail：blacktanphay@126.com。

2017-03-20