遥感影像去除云阴影的高山区冰湖信息提取方法
高光谱遥感影像的提取和处理方法
高光谱遥感影像的提取和处理方法近年来，随着遥感技术的不断发展，高光谱遥感影像的获取成为了现实。
高光谱遥感影像是指通过遥感仪器获取的光谱范围较广的遥感影像，其相较于传统遥感影像具有更高的空间和光谱分辨率。
在许多领域，包括环境保护、农业、城市规划等，高光谱遥感影像的提取和处理方法具有重要的应用价值。
一、高光谱遥感影像的获取高光谱遥感影像的获取需要使用高光谱遥感仪器，该仪器能够捕捉到丰富的光谱信息。
一般来说，高光谱遥感仪器由多个波段的传感器组成，这些传感器能够同时记录多个波段的图像。
获取的高光谱遥感影像通常具有数百个波段，使得我们在遥感影像处理中能够获取更多的光谱信息。
二、高光谱遥感影像的预处理在进行高光谱遥感影像的提取和处理之前，我们需要对其进行预处理。
预处理的目的是提高图像的质量和减小噪声的影响。
常见的预处理步骤包括辐射校正、大气校正、几何校正等。
辐射校正旨在消除遥感影像中的辐射差异，以便更好地比较不同区域的反射率。
大气校正则旨在消除大气引起的影响，使得遥感影像更加准确。
几何校正则是为了将遥感影像的几何形状与地形相匹配。
三、高光谱遥感影像的特征提取高光谱遥感影像的特征提取是指从遥感影像中提取出我们感兴趣的信息。
常见的特征提取方法有以下几种：1. 光谱特征提取光谱特征提取是指通过对高光谱遥感影像每个波段的分析，提取出不同波长下的光谱信息。
这些信息可以用于分类、识别和分析。
常见的光谱特征提取方法包括光谱曲线拟合、波段选择、光谱角等。
2. 空间特征提取空间特征提取是指通过对高光谱遥感影像空间分布的分析，提取出图像上不同位置的信息。
常见的空间特征提取方法包括纹理特征、形状特征、结构特征等。
3. 混合特征提取混合特征提取是指将光谱特征和空间特征相结合，提取出更全面的图像信息。
这种方法更常用于高光谱遥感影像的分类与识别。
四、高光谱遥感影像的分类与识别高光谱遥感影像的分类与识别是利用图像处理和分类算法对遥感影像进行分析，将其划分为不同的类别。
遥感影像去除云的方法
遥感影像去除云的方法【摘要】：随着遥感技术的迅速发展,高分辨率遥感影像的应用越来越广泛,但它也极易受到气候因素的影响,云层遮挡就是影响之一。
去云不仅是遥感影像进行准确解译的基础,也是增强遥感数据有效性、可用性的重要途径,故遥感影像去云具有十分重要的实际意义。
本文在总结常用去云方法基础上,对遥感影像薄云去除方法从图像处理角度进行了深入研究,对遥感影像厚云处理方法亦进行了探讨并改进。
论文主要研究内容及结论如下: 1、总结常用去云方法,得到去除薄云的基本思路,为后续研究奠定基础。
2、对常用遥感影像去薄云的方法分区域处理,并探讨直方图匹配的改进,实验证明改进方法去云效果更为理想。
3、利用数学形态学中闭开运算的滤波性质,将数学形态学引入遥感影像薄云处理中。
将多结构元素数学形态学应用到去薄云中,深入的探讨了不同结构元素在去云中的作用;在传统的分通道处理和基于HIS变换处理的基础上,引入数学形态学处理彩色遥感影像的薄云。
研究表明,数学形态学方法去除影像薄云可行有效,在合理选取结构元素的条件下,处理效果优于传统方法。
4、在现有影像厚云去除方法基础上,探讨并实现了基于影像匹配的厚云去除方法。
采用同一地区的航片IKONOS影像上的厚云遮挡区域进行替换修补实验,实验证明该算法可以实现高分辨率遥感影像厚云区域的影像修复,直方图匹配及接缝处理后可以达到理想的修补视觉效果。
5、引入平均灰度、标准差、熵值、峰值信噪比和平均绝对偏差等指标对薄云去除后的影像进行统计分析评价。
比较各项指标可知,广义多结构元素方法能够较好地保持影像细节信息,去薄云处理效果最好;处理彩色遥感影像薄云时,分通道处理方法优于HIS变换方法。
，关键字：遥感影像去云图像处理同态滤波一．实习内容去除遥感影像lainer.img中的云层二．实习目的遥感成像过程极易受云雾的影响，遥感图像中被云雾遮盖的区域直接影响了图像的图像信息的判读，分析和使用，使得图像的有效利用率降低，因此，研究如何有效地减少或消除云雾的影响，对于提高遥感图像的利用率具有重要的现实意义和经济意义。
如何使用遥感技术进行地理信息提取
如何使用遥感技术进行地理信息提取遥感技术是一种通过获取和分析地球表面的图像和数据来获取地理信息的方法。
这项技术广泛应用于地理学、环境科学、农业、城市规划等领域，可以帮助我们了解地球表面的特征、监测环境的变化，并为决策制定提供基础数据。
本文将探讨如何使用遥感技术进行地理信息提取。
首先，遥感技术主要通过卫星或飞行器携带的传感器来收集地球表面的图像和数据。
传感器会记录下不同波长的电磁辐射，如可见光、红外线等，并将其转换成数字形式的数据。
这些数据可以通过数字图像处理进行分析和提取有用的地理信息。
利用遥感技术进行地理信息提取最常见的方法之一是利用图像分类技术。
在这种方法中，我们首先获取地面的图像，然后通过图像分类算法将图像分为不同的类别，如水体、植被、建筑物等。
这样就可以获得地表不同类别的分布情况，进而提取相关的地理信息。
图像分类的过程通常包括以下几个步骤：预处理、特征提取和分类。
预处理阶段旨在去除图像中的噪声和不相关的信息，例如大气、云和阴影等。
特征提取是提取图像中的特征信息，例如纹理、形状、颜色等。
最后，分类算法会将图像中的像素根据提取的特征进行分类，生成最终的分类结果。
除了图像分类外，遥感技术还可以用于提取其他地理信息，如土地利用类型、土地覆盖状况、植被指数等。
这些信息对于环境保护、农业生产、城市规划等方面都具有重要意义。
在利用遥感技术进行地理信息提取时，需要考虑一些因素。
首先是传感器的选择，不同的传感器适用于不同的地物特征提取。
例如，可见光传感器适用于较细的地物分类，而雷达传感器适用于粗糙地面的分类。
其次是数据质量和分辨率的问题，较高的分辨率可以提取更详细的地理信息，但同时也会增加数据处理和存储的成本。
此外，还需要考虑地表特征的季节性变化和遥感数据获取的频率。
遥感技术在地理信息提取中的应用具有广泛的前景。
随着技术的不断进步和数据获取的便利性，我们可以更准确地了解地球表面的特征和变化，并为决策制定提供更多可靠的基础数据。
遥感图像分割下的青藏高原湖泊提取
Ｅｘｔｒａｃｔｉｏｎ ｏｆ Ｑｉｎｇｈａｉ—Ｔｉｂｅｔ Ｐｌａｔｅａｕ Ｌａｋｅ Ｂａｓｅｄ ｏｎ
Ｒｅｍ ｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍ ａｇｅ Ｓｅｇｍ ｅｎｔａｔｉｏｎ
Ｗ Ａ Ｎ Ｇ Ｂｉｑｉｎｇ，Ｗ Ａ Ｎ Ｇ Ｋ ｅ，ＬＩＡ Ｏ Ｗ ｅｉｙｉ
（Ｓｃｈｏｏｌ ｏｆ Ｅａｒｔｈ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈ ｏｈａｉ Ｕｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ ２１００９８，Ｃｈｉｎａ）
关 键 词 ：青 藏 高 原 湖 泊 ；ＮＤＷ Ｉ；图像 分 割 ；投 票原 理 ；精 度 评 价 ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１０００—３１７７．２Ｏ１８．０１．０１８ 中 图分 类 号 ：Ｐ９１ 文 献 标 志 码 ：Ａ 文章 编 号 ：１０００—３１７７（２０１８）１５５－０１１７－０６
摘 要 ：对 于 特 殊 的 高 原 湖 泊 来 说 ，由于 受 到 冰 雪 、山体 阴 影 的 干 扰 ，增 加 了精 确 提 取 的 难 度 。针 对 此 不 足 ，以 西 藏 纳 木 错 湖 区为 研 究 对 象 ，分 别 选 取 ２００３年 、２００９年 ２期 ＴＭ 图像 ，提 出 了一种 基 于 归 一 化水 体 指 数 和 图像 分 割 技 术 相 结 合 的 高 原 湖 泊 提 取 方 法 ，进 行 纳 木 错 湖 区 的提 取 。 首 先 ，通 过 合 适 的 阈 值 选 取 ，利 用 ＮＤＷＩ水 体 指 数 法 实 现 高 原 湖 泊 信 息 的 提 取 ；其 次 ，采 用 多 尺度 分 割 和 光 谱 差 异 分 割 的 图像 分 割 方 法 相 结 合 ，保 证 了 纳 木 错 湖 泊 完 整 且 细 小 地 物 独 立 ；最 后 ，将 水体 指 数 法 的 结果 与 分 割 结 果 有 机 结 合 ，利 用 投 票 原 理 提 取 完 整 的纳 木 错 及 周 围 湖 泊 。 为定 量 评 价 本 文提 出 方 法 ，以人 工 目视 解 译 方 法 勾 勒 出的 纳 木错 湖 区作 为 参 考 图像 ，利 用 像 元 数 量 误 差 准 则 分别 对 ＮＤＷＩ一图像 分 割 法提 取 的 湖 泊和 仅 利 用 ＮＤＷ Ｉ水 体 指 数 法提 取 的 湖 泊作 比 较 。 结 果 显 示 ，ＮＤＷＩ一图像 分 割 的 提取 方 法 获得 的 精度 稍 高 。
遥感影像云检测和去除方法综述
遥感影像云检测和去除方法综述遥感影像在现代地理信息系统（GIS）和环境研究中扮演着重要的角色。
然而，由于气候条件、传感器限制或技术问题等原因，遥感影像中常常存在云遮挡。
云遮挡会影响影像的质量，降低地物提取和分析的精度。
因此，对遥感影像进行云检测和去除是非常必要的。
本文将综述当前常用的遥感影像云检测和去除方法，并讨论它们的优缺点。
不同的方法可以分为基于光学遥感和基于雷达遥感两类。
一、基于光学遥感的云检测和去除方法1. 阈值法阈值法是最简单和常用的云检测方法之一。
它基于云的光谱特征，将云像元与非云像元分离。
通过选择适当的阈值，可以实现较好的云检测效果。
然而，由于光照条件和云的形状、纹理等因素的影响，阈值法在某些情况下存在误检和漏检的问题。
2. 纹理分析法纹理分析法利用图像中的纹理信息，通过计算纹理特征来识别云。
它可以有效地区分云与非云区域，并能够应对光照变化和云的形状变化。
但是，纹理分析法对云的覆盖程度要求较高，且计算复杂度较高。
3. 多时相法多时相法通过比较不同时间点的遥感影像，利用云的运动特征来检测云。
它可以较好地处理云的变化和遮挡问题，但需要多个时间点的影像数据，并且对云的运动速度有一定要求。
二、基于雷达遥感的云检测和去除方法1. 激光雷达法激光雷达法利用激光雷达的主动传感器特性，通过发送激光脉冲并接收反射回来的信号，来获取地物的高程信息。
由于激光雷达可以穿透云层，因此可以有效地检测云并进行去除。
然而，激光雷达数据的获取成本较高，限制了其在大规模地表覆盖的应用。
2. 合成孔径雷达（SAR）法合成孔径雷达（SAR）法是一种常用的雷达遥感云检测和去除方法。
它通过接收地面散射信号来获取地物信息。
由于雷达波长较长，可以穿透云层，因此可以实现较好的云检测和去除效果。
然而，雷达像元的分辨率相对较低，影像细节信息较少。
综上所述，遥感影像云检测和去除是遥感数据处理中的重要环节。
基于光学遥感和基于雷达遥感的方法各有优点和局限性。
遥感影像信息提取方法
遥感影像信息提取方法遥感影像就像是地球的超级照片，从太空或者高空给我们展示地球的模样。
那怎么从这复杂的影像里提取有用的信息呢？有一种方法是目视解译。
这就像是我们看一幅画，用自己的眼睛去识别里面的东西。
比如说，在遥感影像里看到一大片绿色，形状像树，那可能就是森林啦。
有经验的解译者就像厉害的侦探，能从影像的颜色、形状、纹理这些蛛丝马迹里判断出是城市、农田还是山脉。
不过呢，这个方法比较依赖人的经验，而且要是影像特别复杂，就很容易出错，眼睛也会看累的，就像看一幅超级复杂的拼图看久了一样。
还有基于像元的分类方法。
影像都是由一个个像元组成的呀，每个像元都有自己的数值。
我们可以根据像元的数值特征来分类。
就好比把一群小朋友按照身高、体重这些数值来分成不同的小组。
像监督分类，我们得先找一些已知类型的样本，就像先认识几个有代表性的小朋友，然后根据这些样本的特征去给其他像元分类。
非监督分类呢，就像是让像元们自己抱团，根据它们数值的相似性自动分成不同的类别。
但是这种方法也有小缺点，有时候像元的数值会受到很多因素影响，可能就分错类了。
决策树分类法也很有趣。
它就像一棵大树，有很多分支。
每个分支都是一个判断条件。
比如说，先判断影像里这个地方的植被指数，如果植被指数高，再判断别的特征。
这样一层一层判断下去，就像走迷宫一样，最后确定这个地方是什么类型的地物。
这种方法很直观，不过要是树的结构没设计好，就像迷宫的路线画错了，那结果也会不对。
还有面向对象的分类方法。
它不是只看像元，而是把影像里相似的像元组合成一个个对象。
这就好比把一群志同道合的小朋友组成一个小团队。
然后根据这些对象的特征来分类。
这样能更好地利用影像里地物的形状、大小等信息，比只看像元要聪明一些。
但是它的计算量可能比较大，就像要组织很多小团队，比较费精力。
遥感影像信息提取的方法各有各的优缺点，就像不同的小工具，我们要根据具体的任务和影像的特点来选择合适的方法，这样才能从遥感影像这个大宝藏里挖到最有用的信息呢。
浅谈遥感卫星影像数据信息提取
浅谈遥感卫星影像数据信息提取摘要：在应用航天遥感时用到的数据一般分为两种形式，即遥感影像和数据图像，这两种数据形式无论使用哪种，影像都是记录在感光的胶片和相纸上的，数据影像是通过数字磁带进行记录的，记录的图像的颜色是离散变化的，而遥感影像是通过对地表进行拍摄和扫瞄来记录数据，遥感影像获得的影像数据有黑白和彩色两种，一般比较常使用的是彩色。
获取遥感影像的方式有很多种，这篇文章就是对影响遥感影像的数据信息提取方式进行了简要的分析。
关键词：遥感卫星；信息提取；影像数据一、遥感影像简介所谓的遥感反映的就是接收所要探测的目标物的电磁辐射信息的强弱程度，接收方式一般分为主动接受和被动接收，把这种接收到的信息转化成图像的形式，然后再通过相片或者是数字图像的形式表现出来，遥感影像有单波段影像、多波段影像、彩色合成影像等。
多波段影像是利用多波段的遥感器对于同一个地区进行同步的拍摄获得的若干幅波段不同的影像，相比于单波段的影像，这种多波段影响的蕴含的信息量更大，光谱的分辨率也比较高，还能够通过影响的增强技术，得到彩色的合成影像，可以很大程度上提高对地面上物体的识别能力。
那么很明显，彩色合成影像就是通过多个波段的黑白影像合成的，这种彩色的合成影像被广泛的使用在地学研究、环境监测或者是资源调查上。
遥感卫星影像在对遥感影像的信息进行处理时，主要是利用影像中的一些特征，比如光谱特征、空间特征或者是时间特性。
在这些影像的特征之外，色调是与物体的波谱特征有关系的，其他的一些要素特征都和物体的空间特征有关系。
物体的大小是与物体的影像比例有非常大的关系的，每一个物体影像的形状都是这个物体固有的特征，而影像上的纹理则是因为在一组影像上色调的变化造成的，给人视觉上留下的印象是不同的，可以帮助观察者来区分物体或者是不同的现象。
在对影像进行提取时方式有很多种，下边对于影像信息的提取进行详细分析。
二、遥感信息提取方式对于遥感信息的提取方式有很多种，最常用的提取方式主要包括目视翻译和计算机的信息提取。
利用遥感影像进行测绘数据提取的方法
利用遥感影像进行测绘数据提取的方法遥感是一种通过远离物体获取信息的技术，利用遥感影像进行测绘数据提取是测绘科学领域中的一项重要工作。
通过分析遥感影像，可以获取大范围地表信息，并且能够快速、高效地提取测绘所需的各种数据。
本文将介绍利用遥感影像进行测绘数据提取的方法，并探讨其在实际应用中的意义和挑战。
一、遥感影像分类与语义分割遥感影像分类是根据遥感影像中的像素值特征，将图像划分为不同的类别。
这是利用遥感影像进行测绘数据提取的一种常用方法。
通过使用监督或非监督分类算法，遥感影像可以被分成水体、城市、林地等不同类别，从而为测绘工作提供了基础数据。
与遥感影像分类相关的是语义分割方法。
语义分割是在遥感影像中对每个像素进行分类的过程。
这种技术利用深度学习等先进算法，可以将遥感影像中的每个像素分割成不同类别，如道路、建筑物、植被等。
这对于测绘工作非常有意义，可以精确提取出不同要素的位置和形状信息。
二、遥感影像变化检测遥感影像变化检测是指通过对比多期遥感影像，检测和分析地表要素的变化情况。
这种方法可以用于提取测绘数据中的各种变化信息，如建筑物扩张、土地利用变化等。
变化检测的基本原理是对比不同时间段的遥感影像，通过像素级别的差异比较来确定变化区域。
常用的方法包括基于差异图像、基于时间序列和基于变化检测指标等。
这些方法可以帮助测绘工作者及时发现和更新地理信息，为城市规划、土地利用管理等领域提供重要的数据支持。
三、遥感影像高程测量方法遥感影像高程测量是通过遥感影像获取地表高程信息的方法。
在测绘工作中，地表高程是一项重要的数据，用于制作地形图、计算坡度和开展地质地貌分析等。
目前常用的遥感影像高程测量方法包括光学影像立体匹配、合成孔径雷达干涉测量（InSAR）和激光雷达（LiDAR）技术等。
这些方法利用遥感影像的立体视觉原理和雷达波束观测原理，能够测量地表高程，并生成数字高程模型（DEM）。
这些DEM数据能够为测绘工作者提供具有空间可视化效果的高程信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
遥感影像去除云阴影的高山区冰湖信息提取方法王志林; 冉盈盈【期刊名称】《《北京测绘》》【年(卷),期】2019(033)010【总页数】4页(P1236-1239)【关键词】云阴影; 水体指数; 光谱夹角; 冰湖【作者】王志林; 冉盈盈【作者单位】天津市规划和自然资源局地质事务中心天津300042; 天津国土资源和房屋职业学院天津300270【正文语种】中文【中图分类】P2370 引言在世界的高海拔区域,全球气候变化引起的冰川退缩导致了大量冰川湖的形成和扩张[1]。
青藏高原作为我国冰川资源的主要聚集地,在过去的半个世纪中,高原上82%的冰川出现了退缩[2]。
由于冰川的加速退缩,青藏高原的喜马拉雅山地区及西藏东南部的其他地区出现了大量的冰湖,并且其数目和面积都呈现增加的趋势[3-6]。
由于冰湖溃决严重威胁高山区居民的生命财产安全与基础设施的正常运行,因此,冰湖监测在反映冰川变化和预测冰湖溃决方面显得尤为重要。
由于冰湖大多处于环境较为恶劣的高山冰川区,这样的分布特点增加了野外测量的成本和危险。
而遥感技术与地理信息系统相结合的融合应用,基本不需要的野外工作,并且具有快速地重复监测的优势,逐渐成为冰湖监测的主要手段[1,3-6]。
但是利用光学影像提取冰湖信息时,光学影像易受云等天气因素干扰,尤其在气候条件复杂的西部高山地区,完全无云覆盖的光学影像非常少,为了充分利用影像,缩短冰湖的重复监测周期,一些冰湖区没有被云覆盖的光学影像也被作为提取冰湖信息的数据源,但是处理上述影像时,云阴影的存在成为影响冰湖信息提取的主要误差院源。
为了消除云阴影的影响,本文发展了一种综合光谱夹角方法和归一化水体指数的冰湖信息提取方法,并在DEM等地形信息的辅助下,更加准确自动的提取高山区的冰湖信息。
1 研究方法由于水体对可见光波段和近红外波段具有强吸收的特性,因此水体在不同波段的反射率都很低,在光学影像上显示为暗色调[7-10]。
为了增强水体信息在不同波段的光谱差异,McFeeters提出了利用光学影像的蓝波段和近红外波段组成的归一化水体指数NDWI(Normalized Difference Water Index)[11];徐涵秋提出了利用光学影像的绿波段和短波红外波段组成的改进的归一化水体指数MNDWI(Modified NDWI)[12]。
然而,在高山冰川区,冰雪和水体的在绿波段和短波红外波段的光谱反射特性导致MNDWI不能有效的区分冰雪和水体,而NDWI虽然能够有效区分冰湖像元与冰雪像元,但是在高山冰川区,云阴影与地形阴影仍是干扰NDWI提取冰湖的重要因素,通过MNDWI指数无法消除阴影的影响。
为了消除云阴影以及地形阴影对冰湖信息提取的影响,本文提出了一种综合方法,即在DEM生成的坡度图及地形晕渲图的辅助下,将NDWI阈值法、光谱夹角阈值法以及单波段阈值法相结合来提取高山区的冰湖信息。
具体的流程如图1所示。
其中,NDWI是用来提取研究区的初始冰湖像元, NDWI计算公式为:(1)其中,Green 、NIR分别为绿波段和近红外波段的大气顶层反射率。
采用光谱夹角法以及DEM生成的辅助数据的主要目的是将云阴影以及地形阴影从初始的冰湖像元中去除,以提高冰湖信息的提取精度。
其中光谱夹角是连接影像的任何三个波段的光谱值,中间点与其他两个点形成的夹角[13](如图2中标注了光谱夹角B2)。
光谱夹角(如B2)的具体计算公式为B2=(2)式中,λ1、λ2分别表示波段1、2的中心波长;r1、r2、r3分别为波段1、2、3的反射率值。
利用光谱夹角阈值法可以有效的消除云阴影,但不能消除地形阴影。
在本方法中,通过结合DEM生成的坡度图和地形晕渲图,可以有效的去除地形阴影的影响[14]。
单波段阈值法的主要目的是删除少量被误分为水体的冰雪像元。
图2可以看出,冰雪和水体的反射率值在波段4有明显的差异。
通过对波段4设置合适的阈值可以很好的消除冰雪对冰湖信息提取的影响。
2 实验过程本文选择成像时间为1998年9月19日和2007年8月17日的两幅TM影像,见图3和图4。
研究的实验区为祁连山南部的土尔根达坂山,该区域存在一定数目的冰湖,并且1998年的影像存在地形阴影,2007年的影像存在云阴影,因此选择的TM 数据非常适合验证本文方法的有效性。
图1 冰湖信息提取的流程图2 不同地物在不同波段的平均反射率本文实验主要采用IDL语言调用ENVI二次开发函数库,调用影像读取的接口函数,分别读取研究区的DEM数据和两个时期的TM数据。
具体步骤如下:(1)利用ENVI 中的TOPO_DOIT函数计算研究区域的坡度以及晕渲图,通过设置阈值,进行二值化处理,将大于阈值的像元值赋为0,小于阈值的设为1;(2)利用IDL中影像读取函数分别读取TM影像的红(R)、绿(G)、蓝(B)以及近红外(NIR)四个波段值的灰度值,将R 作为波段1,G作为波段2,B作为波段3,分别将R与G的中心波长以及影像中R、G、B的灰度值,带入前述的光谱角度的计算式(2),得到实验区每个像元的光谱角度值,通过设置阈值,进行二值化处理,将大于阈值的云阴影像元值赋为0,小于阈值的设为1;(3)将G波段以及近红外波段带入式(1),计算每个像元的水体指数值,通过设置阈值,进行二值化处理,将水体像元设置为1,非水体设置为0;(4)对近红外波段,设置阈值,冰雪像元值为0,其他像元值为1;(5)将上述四个步骤计算得到的二值化结果进行交集计算处理,即对每个像元不同步骤计算的二值化结果相乘计算,得到最终的水体结果。
图3 1998年冰湖提取结果图4 2007年冰湖提取结果在上述计算过程中,首先需要将TM影像的DN值转换为大气顶层的反射率,然后带入不同的公式进行计算。
算法中阈值的设置对最终的结果影响较大,因此在实验过程中,不同影像的阈值参数各不相同,需要通过目视判读等方式,设置合理的阈值。
3 实验结果与分析通过设置合适的阈值可以将图像(图3(a)和图4(a))二值化,得到初始的冰湖像元,如图3(b)和图4(b);然后计算研究区的光谱夹角,通过试验对比发现,对B2(像元在波段2的光谱值与波段1和波段3的光谱值所形成的夹角)设置合适的阈值,可以有效消除云阴影的影响(如图3(c));结合DEM生成的坡度图以及地形晕渲图,可以有效的删除地形阴影(如图4(c))。
对比图3和图4可以发现,对于1998年的TM影像而言,在NDWI阈值法提取的结果中,云阴影确实被误分为冰湖(图3(b)中白圈部分),而经过光谱夹角阈值法的处理之后,云阴影可以很好的被掩膜掉。
这是因为水体像元在波段1、2、3的反射率有差异,而在云阴影区域,由于云层的存在,任何可见光和近红外都无法穿透,从而使得云阴影部分在波段1、2、3的反射率基本没差异。
对于2007年的TM影像来说,在NDWI阈值法提取的结果中,地形阴影被误分为冰湖(图4(b)中白圈部分)。
而经过坡度图以及地形晕渲图的掩膜处理后,地形阴影被很好的消除,得到了较精确的冰湖信息。
4 结论与展望在我国的西部高山区,气候条件比较复杂,导致大部分西部地区的光学影像被云层覆盖。
当利用光学影像提取西部高山区的冰湖信息时,冰湖的提取经常受到云阴影和地形阴影的影响。
因此,本文发展了一种利用水体指数法提取冰湖信息,利用光谱夹角阈值法和DEM生成的坡度图和地形晕渲图分别消除云阴影以及地形阴影的综合方法。
将论文的方法应用于祁连山南部的土尔根达坂山东部区域,试验结果表明,本文的方法能够很好的去除云阴影和地形阴影,提高冰湖信息提取的精度。
同时,该方法有效的提高光学影像的利用率,增加了冰湖监测的频率。
由于光学影像容易受到云雾等天气条件的影响,这些不利因素限制了光学影像在西部高山区冰湖监测中的应用。
而微波信号具有穿透云层的优点,这使得合成孔径雷达(SAR)影像不受天气状况的影响,并且目前全球存在丰富的SAR数据。
因此,在未来的研究中可以考虑将光学影像与SAR影像进行融合,来监测我国西部高山冰川区的冰湖变化。
参考文献【相关文献】[1] BOLCH T,PETERS J,YEGOROV A,et al.Identification of Potentially Dangerous Glacial Lakes in the Northern Tien Shan[J].Natural Hazards,2011,59(3):1691-1714.[2] QIU J.China:The Third Pole[J].Nature News,2008,454(7203):393-396.[3] 李林,扎西央宗,卓玛,等.西藏年楚河流域冰川及冰川湖变化特征及其对气候变化的响应[J].高原山地气象研究,2018,38(2):28-34.[4] GARDELLE J,ARNAUD Y,BERTHIER E.Contrasted Evolution of Glacial Lakes Along the Hindu Kush Himalaya Mountain Range between 1990 and 2009[J].Global and Planetary Change,2011,75(1/2):47-55.[5] WANG W,YAO T,YANG X.Variations of Glacial Lakes and Glaciers in the Boshula Mountain Range,Southeast Tibet,from the 1970s to 2009[J].Annals ofGlaciology,2011,52(58):9-17.[6] 宫鹏,姚晓军,孙美平,等.1967-2014年科西河流域冰湖时空变化[J].生态学报,2017,37(24):8422-8432.[7] 张强,吴波,杨艳魁.一种结合坡度信息调节的水体指数[J].遥感信息,2018,33(4):98-107.[8] 彭凯锋,贾永红,李辉.基于LBV变换的GF-2影像水体提取方法[J].北京测绘,2018,32(4):394-398.[9] 杨树文,薛重生,刘涛,等.一种利用 TM 影像自动提取细小水体的方法[J].测绘学报,2010,39(6):611-617.[10] 陈文涛.基于遥感技术的地表水系信息提取研究[J].北京测绘,2013(4):54-56.[11] MCFEETERS S.The Use of the Normalized Difference Water Index (NDWI) in the Delineation of Open Water Features[J].International Journal of RemoteSensing,1996,17(7):1425-1432.[12] 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.[13] 黄磊,周廷刚,陈尔东昊.基于光谱夹角的水体与城市信息区分研究[J].湖北农业科学,2012,51(19):4251-4253,4256.[14] 李均力,盛永伟,骆剑承.喜马拉雅山地区冰湖信息的遥感自动化提取[J].遥感学报,2011,15(1):29-43.。