用于大气矫正的空中偏光遥感

抽象的

由于大气散射效应的存在，使得航空遥感图像的目标无法有效识别。这个问题需要克服。根据目标辐射和大气路径辐射偏振特性的不同，提出了一种新的航空遥感图像大气校正方法。将该方法应用于我国北部沿海地区雾霾天气的航空遥感图像，得到了高质量的校正无大气图像。结果表明，该方法对港区的影响是巨大的。结果表明，该算法在提高图像对比度和图像信息熵的同时，能够有效地识别经过大气校正后的目标。图像信息熵从5.59增强到6.62。该研究为航空遥感影像的大气校正提供了一种新的、有效的技术途径。

1.介绍

航空遥感在寻找感兴趣的材料方面起着重要的作用[1]，也是国家遥感监测科学任务的重要平台。该技术在地质测绘、土地资源规划、地形覆盖信息分类、作物生长状况监测、海洋目标探测和军事监视等方面具有广泛的应用前景。尤其重要的是，航空遥感能够提供实时、可操作的数据，自动检测和分类。航空遥感平台获取的数据包括目标辐射和大气路径辐射信息。在从太阳到目标到传感器的路径上，大气的存在对场景产生了强烈的影响。这些潜力推动了大气校正技术的发展[2］.

最简单的大气校正方法之一是暗物减影法[3.，4］.该方法近似于场景中最暗对象的路径辐射。目前，使用不同的方法来解决直接转移辐射问题;例如，它们为大气校正提供了大气参数，例如6s（太阳频谱中的卫星信号的第二次模拟）模型[5，6］.它提供了一个能准确模拟大气辐射的计算机程序。还有一些其他的标准程序，如LOWTRAN和MODTRAN [7，8］.在大气传输方程中，它可以提供强大的大气参数来恢复场景[9］.历史悠久的大气矫正已经遇到过历史。有几种类型的方法：基于现场的经验方法，辐射转移建模方法和混合方法[10，11］.

最近，一些研究人员使用了在雾霾天气中通过偏振器在不同方向拍摄的两张图像，基于有效的大气退化物理模型来恢复场景[12，13］.该算法产生了较好的结果，但工作集中在水平方向，场景中需要包含天空区域，以估计未知参数。Christoph Borel通过使用最近发布的6Sv机载POLDER极化图像的矢量化版本完成了大气校正。但该方法存在局限性，典型的双线性、薄板样条和三次二维插值方法的结果不尽人意[14］.我们利用了用于空气偏振图像大气校正的极化信息和统计评估信息。基本的统计表明，通常是一些像素具有非常低的强度。在某些情况下，像素完全遮蔽，并且它们的面条主要由大气散射（称为“路径辐射”）贡献。统计评估算法的主要优点是它是有效且易于估计参数。这些参数对于空降图像校正是必要的。与其他大气校正方法相比，它不需要任何实时地面测量参数，以便施加简单且相对简单。我们构建了组合偏振信息和统计评估方法的空中偏振遥感大气校正模型。当该算法应用于在雾度天气中获取的空中偏振遥感图像中，图像对比度和熵显着增加。

2.原则和方法

为了使论文内容完备，本节将回顾已知的雾霾图像形成模型，如图所示1．

空中偏振遥感获取由两个主要组件组成的图像。第一个起源于物体光辉。让我们表示物体的辐射度就像是在晴朗的大气环境中拍摄的，在视线中没有散射和吸收。由于雾霾中的衰减，机载偏振相机可以感知到这种辐射的一小部分。这种衰减的信号称为直接传输。第二个组件称为路径辐射、空气光或环境光。它源于大气照明（如阳光），粒子辐射其吸收的光，作为悬浮在大气中的光源，光被大量粒子散射多次。所有这些粒子产生大气光，其中一部分被大气散射到视线中。该模型可描述如下： 在哪里是机载偏振传感器采集到的总强度和是描述不散射和到达空气偏振传感器的光的部分的介质传动。大气修正的目标是恢复从．称为大气传输影响因子，其中表示大气消光系数，消光系数由颗粒的物质、大小、形状和浓度决定。机载极化传感器飞行高度信息。“−”表示光线变弱。

由于大气粒子的散射，我们将观测到强偏振效应的大气路径辐射。我们在这篇论文中所作的假设是，从物体发出的光具有微不足道的偏振。由于散射不改变直接透射光的偏振态，因此可以得出直接透射光的偏振也无关紧要。因此，大气路径辐射的偏振支配着机载偏振传感器测量的光。因此，大气路径辐射信息可以表示为 在哪里为大气路径辐射偏振度。它可以定义为

根据以上分析，路径辐亮度可由(2)和(3.)．大气传输影响因子可以表示为(5)．考虑

注意表示不受对象辐射度影响的大气路径辐射度。参数和是未知的。我们如何估计这些参数?我们将提出新的思路来给出这些参数的值。这是一种有别于其他方法的创新方法。它是一种统计评估方法，我们对所有像素点进行统计，然后设置阈值来估计这些参数，因为我们发现机载偏振传感器获取的图像会有暗像素，而暗像素强度较低。这主要是由于一些因素，如阴影效果和深色物体或表面。我们将在本节的最后明确地介绍这个计算过程。

电磁辐射的偏振特性可用斯托克斯矢量来描述［15］.因为自然对象具有低值的圆极化，因此在实际测量中，我们不考虑圆偏振分量，即Stokes矢量的组成部分。利用单个可旋转的线性偏振器，我们设定参考方向，并且可以通过旋转三个偏振器的任意偏振取向角来计算Stokes向量： 在哪里是参考方向轴和定向方向之间的角度。斯托克斯矢量可以推断偏振度：

在此基础上，得到了最终的机载大气校正结果，即目标辐射亮度，由

为了给出空中极化大气校正方法的直观行为，需要描绘校正方法的流程图，如图所示2．

3.仪器及实验说明

我们使用了由中国科学院安徽光学精密机械研究所设计的定向偏振相机（DPC）[16］.它具有三个偏振波带（495nm / 670nm / 870nm）和三个不偏振波带（555nm / 780nm / 815nm）。它通过旋转滤光机录制图像，具有光谱滤波器，在三个偏振光频带中，线性偏振过滤器定向为0°，60°和120°。可以计算在光谱或Stokes向量之前注册所需的图像。车轮在图中显示3.．它分为13个部分。视场范围为- 30°~+30°，对角线范围为- 40°~+40°。

DPC在中国北海岸的天津-渤海-唐山地区进行了三次飞行实验(如图所示)4)， 2012年3月21日至26日。实验数据巨大;一次飞行获得了近2万张图像。场景包括农田、城市圈、乡村、港口和海洋。天气阴霾。从飞机上看，这些场景被大气掩盖了。

该平面同时安装有POS仪和DPC。它将记录飞机的位置信息，包括纬度、经度和高度。它可以创建高度精确的飞行任务规划和精确的传感器定位和图像采集。根据POS记录的信息，我们将天津-渤海-唐山地区的准确飞行轨迹描绘成如图所示5．航班任务设定了三个重要的观察员地区。飞行路线在有趣的区域中是密集的，如图所示5．

4.实验结果

我们使用的实验数据摄于2012年3月21日。我们选择一组670 nm的数据来证明我们的方法。我们选择的数据是在海岸(39°09′19.78”N, 117°48′29.83”E)获得的;飞行高度为3608米。由于DPC结构采用偏光镜/滤光镜轮，一组数据会有一些不同的场景。生成需要在计算Stokes向量之前进行配准的图像。这个过程在如图所示的流程图中描述2．

在本节中，我们首先显示DPC在雾霾天气中获取的原始图像。包括0°、60°、120°三种不同的偏振器取向角，如图所示6．

然后，我们使用机载偏振大气校正方法来恢复场景。我们选择的场景是中国天津的一个港口。由于中国政府从俄罗斯购买了“基辅”号航空母舰，这个港口变成了一个公园。我们的方法需要对三个不同偏振器方向角的图像进行图像配准，因为记录场景时飞机在飞行，因此序列图像中会有一些差异。利用配准后的图像可以计算融合后的光强图像和偏振度图像。然后，我们使用统计评估来估计未知参数和．最后，利用获取的参数对场景进行恢复，即对航空偏振图像进行大气校正。大气校正结果如图所示7．相对于融合后的强度图像和三个原始偏振器方向角的原始图像，大气校正图像的特征对比度有了很大的提高。此外，该算法还去除了原始图像中存在的闪烁光。因此，“基辅”号航空母舰在场景中清晰可见，而在原始图像中，该区域看起来像白色和模糊的。复原后的图像显示了Figure原始图像中不可见的细节7．

为了给予限制性和客观的结果，大气纠正的结果应进行量化评估。我们选择了航空器载体区域，如图所示8，如图所示的红色矩形区域7. 比较大气校正结果的直方图，如图所示9．大气校正后，图像非零值广泛均匀地分布。证明图像对比度高于强度图像。我们将航空母舰作为目标选择并计算了目标区域的平均值。我们将围绕目标选择的海洋作为背景选择，并计算了背景区域的平均值。选择对象和背景区域作为强度图像和大气校正图像的相同区域，如图所示8．图像对比度从0.058提高到0.536。对比原则被定义为

1948年，Shannon引入了随机变量的一般不确定性测度，考虑了状态之间的不同概率[17］.今天，这项措施被称为“香农的熵”。概率发生的事件，香农熵定义为

香农熵可以计算图像，在香农熵公式中考虑了灰度分布的概率。灰度值的概率分布可以通过计算图像中每个灰度值出现的次数并将这些次数除以出现的总次数来估计。图像场景更无序（即场景对象更清晰），香农熵更高。经过大气校正后，强度图像的熵从5.59提高到6.62。由于大气对亮度图像的影响，导致整个系统相对有序，场景纹理模糊。整个大气校正图像系统更加复杂，场景细节纹理更加清晰。

5.结论

提出了一种基于方向偏振相机（DPC）图像分析的机载偏振大气校正方法。该方法基于物理原理，能够非常有效地恢复场景。对于机载大气校正和目标识别应用而言，它是一个潜在的有用工具。当然，还需要做更多的工作，以进一步实现该方法充分验证的目标。此外，还需要进一步研究和开发硬件需要获得不需要图像配准且能够处理不均匀大气的快速采集。

利益冲突

作者声明没有利益冲突。

致谢

作者要感谢Seong Kong教授和匿名评论者，以便他们有价值的意见和建议来改进本文。该工作得到了中国国家基础研究计划（973）的支持（第4830303号，没有。61322502）。

参考文献

1. C. Archer和J. Morgenstern，“改进的目标识别与实时大气校正，”在多光谱，高光谱和超自光刻图像的算法和技术年第8743卷SPIE会议记录美国马里兰州巴尔的摩，2013年5月。视图:出版商的网站|谷歌学者
2. 梁梁，陆地表面定量遥感，科学出版社，2009年。
3. J.查维亚，“基于图像的大气校正——重新审视和改进，”摄影测量工程与遥感第62期9，第1025-1036页，1996。视图:谷歌学者
4. M.S.Moran、R.D.Jackson、P.N.Slater和P.M.Teillet，“从卫星传感器输出检索地表反射系数的简化程序评估，”环境遥感号，第41卷。2-3，页169 - 184,1992。视图:出版商的网站|谷歌学者
5. E. F. Vermote, D. Tanré， J. L. Deuzé， M. Herman, J. J.。Morcrette，“第二次太阳光谱卫星信号模拟，6s:概述，”地球科学与遥感学报第35期3，第675-686页，1997。视图:出版商的网站|谷歌学者
6. 王志强，王志强，王志强，等。卫星信号在太阳光谱(6S)中的二次仿真， 6S用户指南版本6.0,NASA-GSFC, Greenbelt, Md, USA, 1994。
7. 范登博世和R. E. Alley，“应用LOWTRAN 7作为机载可见光/红外成像光谱仪(AVIRIS)数据的大气校正”第十届国际地球科学和遥感研讨会论文集(IGARSS’90)，pp.175-177，1990年5月。视图:谷歌学者
8. M. W. Matthew，S. Adler-Golden，A.Berk等，“使用Modtran4的算法”大气校正状态“多光谱、高光谱和超光谱图像的算法VI，第4049卷，共页SPIE会议记录，页199-207,2000年4月。视图:谷歌学者
9. x Xiru,遥感物理学，北京大学出版社，2006年。
10. Liang S.和Fang H.，“一种改进的高光谱遥感图像大气校正算法”，IEEE地球科学与遥感通讯， vol. 1, no. 12，页112-117,2004。视图:出版商的网站|谷歌学者
11. Y. J. Kaufman和C. Sendra，“可见光和近红外卫星图像的自动大气校正算法”，国际遥感学报，第9卷，第5期。8，页1357-1381,1988。视图:出版商的网站|谷歌学者
12. Y. Y.Schechner，S.G.Narasimhan和S.K.Nayar，“通过雾化的偏振的视野”应用光学，第42卷，第2期3，页511-525,2003。视图:出版商的网站|谷歌学者
13. Y. Y. Schechner, S. G. Narasimhan和S. K. Nayar，“利用偏振的图像即时去雾”，发表于IEEE计算机学会计算机视觉与模式识别会议论文集(CVPR’01)，第1卷，第325-332页，2001。视图:出版商的网站|谷歌学者
14. C.Borel和C.Spencer，“使用矢量化6S对机载圩区极化图像进行大气校正”，年成像光谱法习，第6302卷间谍诉讼，第63020T-1-63020T-12页，2006年8月。视图:出版商的网站|谷歌学者
15. j . r . Schott偏振遥感基础， SPIE出版社，2009。
16. C. Ligang，机载大视场偏振CCD相机的实验室标定研究[博士论文]，中国科学院研究生院，2008。
17. J.-B。全,黄永发。金,黄永发。Yoon和K.-S。基于差分图像熵的牙齿图像识别系统性能评价[j]第三届融合与混合信息技术国际会议记录（ICCIT'08），第967-972页，2008年11月。视图:出版商的网站|谷歌学者

版权

版权所有©2016梁天全等人。这是一篇发布在知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。