這是之前關(guān)于去除遙感影像條帶的另一篇文章，因?yàn)槌霭嫔掏七t了一年發(fā)布，所以讓大家久等了。這篇文章的主要目的是對(duì)Landsat系列衛(wèi)星因?yàn)闂l帶拼接或者鑲嵌產(chǎn)生的條帶來(lái)進(jìn)行的一種在線(xiàn)修復(fù)方式。

原文連接

一種快速修復(fù)Landsat影像條帶色差的方法

題目：

一種快速修復(fù)Landsat影像條帶色差的方法

A Rapid Method for Stripe Chromatic Aberration Correction in Landsat Image

摘要

Landsat衛(wèi)星影像已經(jīng)成為世界范圍內(nèi)長(zhǎng)時(shí)間序列生態(tài)監(jiān)測(cè)研究中最廣泛使用的數(shù)據(jù)源。在大中尺度區(qū)域的遙感應(yīng)用研究中，因季節(jié)、光照、氣候等條件以及衛(wèi)星重返周期和傳感器的不同，多景遙感影像拼接、鑲嵌后會(huì)存在斑塊效應(yīng)和色調(diào)不均勻現(xiàn)象。在遙感云計(jì)算技術(shù)高速發(fā)展的今天，探索快速且高效地基于云平臺(tái)的Landsat色差條帶修復(fù)方法具有重要意義。提出了一種在Google Earth Engine（GEE）云平臺(tái)上實(shí)現(xiàn)的基于隨機(jī)森林算法的直方圖影像均質(zhì)化方法，將1986年—2020年山西省Landsat Top of Atmosphere（TOA）和Surface Reflectance（SR）（Landsat 5 TM/7 ETM+/8 OLI）反演后的歸一化植被指數(shù)影像NDVI作為研究數(shù)據(jù)，以MOD13Q1（250 m分辨率）、MOD13A1（500 m分辨率）和MOD13A2（1 km分辨率）MODIS數(shù)據(jù)集作為2000年后的驗(yàn)證數(shù)據(jù)，分別對(duì)比影像修復(fù)前后的1986年—2020年山西省NDVI影像。研究結(jié)果表明：（1）在35年的逐年影像分析中有20年的影像存在條帶色差問(wèn)題。以1994年為例，修復(fù)后的Landsat TOA和Landsat SR影像與修復(fù)前相比，影像修復(fù)區(qū)的NDVI平均值分別增加了32.6%和29.03%，剖面分析顯示擬合度分別增加了0.162 3和0.118 0；（2）1986年—2020年一元線(xiàn)性回歸趨勢(shì)性分析結(jié)果表明，修復(fù)后影像的擬合度更高，長(zhǎng)時(shí)序分析后逐年影像的波動(dòng)幅度更小。其中，Landsat TOA和SR影像修復(fù)后的斜率分別下降了0.006 2和0.006 7，R2分別提高了0.024 8和0.008 4；（3）對(duì)Landsat和MODIS影像進(jìn)行Pearson相關(guān)性分析發(fā)現(xiàn)，修復(fù)后的Landsat SR和TOA圖像的相關(guān)系數(shù)平均提高了0.049和0.061（p<0.05），其中，修復(fù)后的Landsat SR和TOA影像與MOD13Q1、MOD13A1、MOD13A2影像相關(guān)系數(shù)分別提高了0.050、0.047、0.049和0.066、0.060和0.059；（4）2000年—2020年Landsat和MODIS影像的時(shí)序分析結(jié)果顯示，修復(fù)后的Landsat影像整體趨勢(shì)與MODIS影像更趨近，修復(fù)后的Landsat TOA和SR影像的擬合度分別提升了0.058 6和0.031 9。所提出的基于GEE云平臺(tái)隨機(jī)森林算法的快速影像修復(fù)方法，實(shí)現(xiàn)了對(duì)長(zhǎng)時(shí)間序列遙感影像NDVI反演結(jié)果的精確評(píng)估，應(yīng)用本方法可快速、高效地解決影像鑲嵌所造成的色差斑塊和條帶效應(yīng)。

關(guān)鍵詞

生態(tài)監(jiān)測(cè)；Google Earth Engine；影像拼接；影像修復(fù)；隨機(jī)森林；直方圖匹配

Abstract

Landsat satellite images have become the most widely used data source in large-scale ecological monitoring studies worldwide. In remote sensing application studies of large and medium scale areas, due to seasonal, lighting and climatic conditions and different satellite re-entry cycles and sensors, patchy effects and chromatic unevenness may exist after stitching the mosaic of multi-scene remote sensing images. With the rapid development of remote sensing cloud computing technology, exploring a fast and efficient method to repair Landsat chromatic stripes based on cloud platform is important. In this paper, we propose a histogram image homogenization method based on a random forest algorithm implemented on the Google Earth Engine (GEE) cloud platform, which homogenizes the Landsat Top of Atmosphere (TOA) and Surface Reflectance (SR) of Shanxi Province from 1986 to 2020 (Landsat 5 TM/7 ETM+/8 OLI) normalized vegetation index (NDVI) images after inversion were used as the study data, and MOD13Q1 (250 m resolution), MOD13A1 (500 m resolution) and MOD13A2 (1 km resolution) MODIS datasets were used as the validation data after 2000. The NDVI images of Shanxi Province from 1986 to 2020 before and after image restoration were compared separately, and the results of the study showed that (1) 20 years of the 35-year image analysis had strip color difference problems, and in 1994, for example, the restored Landsat TOA and Landsat SR images compared with those before restoration, the mean NDVI values of the restored areas increased by 32.6% and 29.03% respectively, and the profile analysis showed that the fit increased by 0.162 3 and 0.118 0 respectively; (2) The results of the trend analysis of the 1986—2020 one-dimensional linear regression showed that the fit of the restored images was high and the fluctuation of the year-by-year images was smaller after the long time series analysis. Among them, the slopes of the restored Landsat TOA and SR images decreased by 0.006 2 and 0.006 7, and theR2?improved by 0.024 8 and 0.008 4 respectively; (3) Pearson correlation analysis of Landsat and MODIS images found that the correlation coefficients of the restored Landsat SR and TOA images improved by an average of 0.049 and 0.061 (p<0.05), where the correlation coefficients of restored Landsat SR and TOA images and MOD13Q1, MOD13A1, and MOD13A2 images increased by 0.050, 0.047, 0.049, 0.066, 0.060, and 0.059, respectively; (4) 2000—2020 Landsat and MODIS image time series analysis results show that the overall trend of the restored Landsat images is more similar to MODIS images, and the fit of the restored Landsat TOA and SR images is improved by 0.058 6 and 0.031 9, respectively. The proposed GEE cloud platform-based stochastic The proposed fast image restoration method based on the GEE cloud platform random forest algorithm achieves the accurate evaluation of NDVI inversion results of long time series remote sensing images, and the application of this method can quickly and efficiently solve the chromatic patch and banding effects caused by image mosaic.?

流程圖

Landsat 和MODIS系列影像數(shù)據(jù)獲取均來(lái)自于GEE云平臺(tái)公共數(shù)據(jù)集。圖2為技術(shù)流程，主要分為數(shù)據(jù)預(yù)處理、影像匹配和驗(yàn)證分析三個(gè)部分。數(shù)據(jù)預(yù)處理過(guò)程主要包括：上傳山西省矢量邊界；逐年影像時(shí)間篩選（每年1月1日至12月31日）和波段選擇（"Red"、"NIR"和"pixel_qa"）；"pixel_qa"波段去云和NDVI波段計(jì)算；最后，按照qualityMosaic函數(shù)進(jìn)行影像拼接和鑲嵌。影像匹配部分，首先，通過(guò)目視解譯的方法，判斷逐年NDVI影像是否需要進(jìn)行影像勻光處理，將需影像修復(fù)的部分作為目標(biāo)影像，參考影像為目標(biāo)影像相鄰的區(qū)域，目的是讓目標(biāo)影像獲取和相鄰影像的一致的色調(diào)；其次，分別統(tǒng)計(jì)參考影像和目標(biāo)影像 NDVI的 DN?（digital number）值，進(jìn)而計(jì)算概率密度函數(shù)和累積分布函數(shù)，按照隨機(jī)森林方法進(jìn)行直方圖匹配，從而獲得勻光處理目標(biāo)影像。驗(yàn)證分析分為三個(gè)部分：第一，山西省逐年NDVI影像修復(fù)前后對(duì)比；第二，1986年-2020年勻光處理前后NDVI影像的時(shí)序分析；第三，勻光處理后的NDVI影像和2000年后MODIS影像對(duì)比分析。
山西省邊界遠(yuǎn)超出單景影像的覆蓋范圍，因此在影像拼接中將由多幅不同軌跡的影像組成，目標(biāo)影像選取的原則是按照小于研究區(qū)總面積的50%進(jìn)行修復(fù)，以最大程度的減小勻光處理后影像對(duì)原始數(shù)據(jù)的影響。經(jīng)統(tǒng)計(jì)，所有年份的目標(biāo)影像面積占比均小于總研究區(qū)的 30%，參考影像色差所選取的區(qū)域均為目標(biāo)影像的銜接條帶。

主要實(shí)驗(yàn)結(jié)果

1994 年影像修復(fù)前后 NDVI 剖面的對(duì)比分析如圖 4 所示，修復(fù)后的NDVI影像能平穩(wěn)的反映該區(qū)域的NDVI值。修復(fù)前Landsat TOA影像的擬合度為0.008 4，修復(fù)后為0.170 7；修復(fù)前的Landsat SR影像的擬合僅有0.002 4，修復(fù)后為0.1204，結(jié)果表明，修復(fù)后的影像擬合度更高，表明修復(fù)后的影像比修復(fù)前更加符合影像的整體過(guò)度。?

?????????為了驗(yàn)證影像修復(fù)前后對(duì)于山西省 34 年間 NDVI的影響，分別對(duì)影像修復(fù)前后的NDVI值進(jìn)行時(shí)序分析，如圖5所示。元線(xiàn)性回歸的趨勢(shì)性分析結(jié)果表明：Landsat TOA影像修復(fù)后的NDVI值斜率為0.0062小于影像修復(fù)前，擬合度R2為0.810 6高于修復(fù)前；Landsat SR影像修復(fù)前的NDVI 斜率為 0.007 1，而修復(fù)后的斜率為 0.006 7，且擬合優(yōu)度R2值0.8363大于修復(fù)前的0.829 3，表明影像修復(fù)后的擬合度更高。整體上看Landsat影像修復(fù)后的結(jié)果在長(zhǎng)時(shí)間序列的變化波動(dòng)性更小，趨勢(shì)更加平滑。修復(fù)后的Lansat SR影像比Laodsat TOA影像提升幅度更明顯。

多源影像對(duì)比分析

為了驗(yàn)證影像修復(fù)后的準(zhǔn)確性，將2000年后修復(fù)的Landsat圖像分別與MODIS系列數(shù)據(jù)（250 m、500 m 和1km）進(jìn)行相關(guān)性分析。結(jié)果顯示，2000 年、2003年、2005?年、2011 年和 2017 年的影像都有明顯改善。圖 6 和圖 7 分別顯示了 2003 年影像修復(fù)前后的 Landsat SR 和 TOA影像與 MODIS（250 m、500 m 和 1 km）影像。直方圖方法修復(fù)后的Landsat影像能更好地反映色彩平衡，整體視覺(jué)效果更加。

結(jié)論

目前，在影像修復(fù)過(guò)程中，現(xiàn)有的研究多是在研究區(qū)的影像鑲嵌和NDVI計(jì)算之前完成，這大大限制了影像的處理速度。本工作針對(duì)歸一化植被指數(shù) NDVI影像拼接后存在的影像帶狀斑塊效應(yīng)和色彩不均勻問(wèn)題，以山西省作為研究區(qū)，利用GEE平臺(tái)調(diào)用隨機(jī)森林函數(shù)提出一種基于云端快速進(jìn)行直方圖影像勻光處理的方法，極大的提高了影像修復(fù)的效率。
基于同源影像的直方圖匹配能最大程度地保留當(dāng)期原始影像的DN值和色彩亮度，且在長(zhǎng)時(shí)序研究中使當(dāng)期影像的NDVI反演結(jié)果更加準(zhǔn)確，經(jīng)過(guò)該方法處理后影像的色彩致性較好，同時(shí)無(wú)需考慮研究區(qū)的地理差異和空間異質(zhì)性。
此外，通過(guò)對(duì)比1986年—2020年逐年影像修復(fù)前后的結(jié)果，經(jīng)過(guò)本方法修復(fù)后的影像在長(zhǎng)時(shí)間序列的植被監(jiān)測(cè)過(guò)程中能更精確、可靠的得出影像的修復(fù)結(jié)果，有效減少NDVI值在長(zhǎng)時(shí)間序列的突變，提高長(zhǎng)時(shí)間序列分析的準(zhǔn)確性和穩(wěn)定性。本方法能有效改善影像條帶色差較大的區(qū)域，但對(duì)于影像條帶邊界不明顯的區(qū)域識(shí)別仍需提升，后續(xù)研究的重點(diǎn)將圍繞影像色差邊界的自動(dòng)識(shí)別和修復(fù)展開(kāi)。

影像修復(fù)APP

這個(gè)影像修復(fù)的APP因?yàn)橹形钠诳木壒?#xff0c;不讓提供連接，所以這里給大家補(bǔ)上，大家可以去嘗試修復(fù)你所需要的區(qū)域。

Landsat 5 ndvi影像修復(fù)

引用本文:???

閆星光，李 晶，閆蕭蕭，馬天躍，蘇怡婷，邵嘉豪，張 瑞. 一種快速修復(fù)Landsat影像條帶色差的方法[J]. 光譜學(xué)與光譜分析, 2023, 43(11): 3483-3491. YAN Xing-guang, LI Jing, YAN Xiao-xiao, MA Tian-yue, SU Yi-ting, SHAO Jia-hao, ZHANG Rui. A Rapid Method for Stripe Chromatic Aberration Correction in Landsat Images. SPECTROSCOPY AND SPECTRAL ANALYSIS, 2023, 43(11): 3483-3491.