第三章 图像预处理基础：辐射定标、大气校正、几何校正
各位同学，今天我们来聊聊遥感图像预处理。说实话，这一章是整个遥感图像融合的基石。我见过太多人拿到数据就直接做融合，结果出来的图惨不忍睹——颜色不对、地物变形、像元值离谱。嗯，预处理没做好，后面再高级的算法也救不回来。
图像预处理说白了就三件事：辐射定标、大气校正、几何校正。这三步做好了，你的数据才算真正“能用”。我习惯把它们比作做饭前的洗菜切菜——虽然不显眼，但决定了最终菜品的成败。
3.1 辐射定标——把原始数字变成物理量
辐射定标是预处理的第一步。你从卫星下载下来的数据，本质上是DN值（Digital Number），也就是0-255或者0-65535之间的整数。但DN值本身没有物理意义——它只是传感器记录下来的电压信号量化结果。
辐射定标要做的，就是把DN值转换成有物理意义的辐亮度或者表观反射率。我刚开始做遥感的时候，有次直接拿DN值去做植被指数计算，结果NDVI值全在0.8以上，明显不对劲。后来才发现——忘了做辐射定标。
3.1.1 定标公式与参数
辐射定标的核心公式其实很简单：
L = Gain × DN + Offset其中：
- L —— 辐亮度，单位通常是 W/(m²·sr·μm)
- Gain —— 增益系数，从元数据文件获取
- Offset —— 偏移量，同样来自元数据
不同卫星的定标参数格式不一样。Landsat 8的元数据文件（MTL.txt）里直接给出了RADIANCE_MULT_BAND和RADIANCE_ADD_BAND。而Sentinel-2的数据则需要从Granule元数据中提取。
重要提醒： 辐射定标是所有定量遥感分析的前提。不做定标，后面的大气校正就是空中楼阁。
3.1.2 实际操作中的坑
我遇到过最典型的问题——有些同学把Gain和Offset搞反了。还有一次，有人用了Landsat 5的定标参数去处理Landsat 8的数据，结果出来的辐亮度值差了将近一个数量级。
另外要注意：不同传感器的定标参数会随时间变化。卫星发射初期和运行几年后，传感器响应会衰减，所以定标参数需要定期更新。我个人习惯是每次处理数据前，都去USGS官网确认一下最新的定标系数。
3.2 大气校正——把“雾里看花”变成“清晰可见”
大气校正是预处理中最复杂的一步。说白了，就是消除大气分子和气溶胶对电磁波传输的影响。你想想看，卫星在几百公里高空拍到的地面，中间隔着厚厚的大气层——水汽、臭氧、气溶胶都会吸收和散射电磁波。
如果不做大气校正，你得到的反射率其实是“表观反射率”，里面混着大气的贡献。尤其在蓝光波段，大气散射的影响非常严重。我做过一个城市热岛的研究，没做大气校正之前，水体温度比实际高了将近3度——就是因为水汽吸收波段没处理好。
3.2.1 6S模型——物理基础扎实
6S（Second Simulation of the Satellite Signal in the Solar Spectrum）模型，是目前使用最广泛的大气辐射传输模型之一。它的核心思路是：根据大气参数（气溶胶光学厚度、水汽含量、臭氧浓度等），模拟电磁波在大气中的传输过程，然后反推出地表真实反射率。
6S模型的输入参数包括：
- 几何参数：太阳天顶角、卫星天顶角、相对方位角
- 大气模式：热带、中纬度夏季/冬季、亚寒带夏季/冬季等
- 气溶胶模式：大陆型、海洋型、城市型、沙漠型等
- 气溶胶光学厚度（AOD）：550nm处的值
- 水汽含量、臭氧浓度
我的经验： 如果没有实测的大气参数，可以用MODIS或VIIRS的全球大气产品来获取。我习惯用MODIS的MOD04/MYD04气溶胶产品，空间分辨率10km，基本够用。
6S模型的输出结果包括：大气校正后的地表反射率、大气透过率、程辐射等。这些参数在做图像融合时非常有用——比如你可以用大气校正后的反射率来反演地表参数，然后作为融合算法的输入。
3.2.2 FLAASH模型——集成化的大气校正工具
FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）是ENVI软件中集成的大气校正模块。它基于MODTRAN辐射传输模型，但做了大量优化，计算速度比直接跑MODTRAN快得多。
FLAASH的优势在于：
- 支持多光谱和高光谱数据
- 自动估算水汽含量和气溶胶光学厚度
- 输出结果包含可见光到近红外多个波段
- 可以处理邻域效应（adjacency effect）
使用FLAASH时，有几个关键参数要特别注意：
- 传感器类型和高度 —— 选错了传感器，校正结果会完全跑偏
- 地面平均海拔 —— 这个参数影响大气路径长度，我见过有人直接用0米，结果山区数据校正过度
- 气溶胶模型 —— 城市区域选城市型，海边选海洋型，别搞混
警告： FLAASH要求输入数据必须是辐亮度（辐射定标后的结果），不能直接输入DN值。另外，数据需要是浮点型，整型数据会报错。
3.2.3 6S vs FLAASH——怎么选？
| 对比项 | 6S模型 | FLAASH模型 |
|---|---|---|
| 理论基础 | 6S辐射传输模型 | MODTRAN辐射传输模型 |
| 计算速度 | 较快（逐像元计算） | 较慢（但比MODTRAN快） |
| 输入参数 | 需要手动输入大气参数 | 可自动估算部分参数 |
| 适用场景 | 科研、批量处理 | 工程应用、快速处理 |
| 输出内容 | 反射率、透过率、程辐射 | 反射率、水汽含量、气溶胶 |
我个人习惯是：做科研论文时用6S，因为可以精确控制每个参数；做工程项目时用FLAASH，因为效率高、操作简单。但不管用哪个，都要先做辐射定标——这个顺序不能乱。
3.3 几何校正——让图像“对号入座”
几何校正解决的是“图像上的像素点对应地面上的哪个位置”这个问题。原始遥感图像存在几何畸变——地形起伏、传感器姿态变化、地球曲率等都会导致图像变形。
几何校正分为两类：几何粗校正和几何精校正。粗校正是基于卫星轨道参数和传感器模型进行的，精度一般在几个像素以内。精校正则需要地面控制点（GCP），精度可以达到亚像素级别。
3.3.1 正射校正——消除地形影响
正射校正是几何校正中的“高阶玩法”。它利用数字高程模型（DEM）来消除地形起伏引起的几何变形。你想想看，一座山在卫星影像上看起来是“歪”的——山顶和山脚的投影位置发生了偏移。正射校正就是把这个“歪”的影像拉正。
正射校正的流程：
- 获取DEM数据（SRTM、ASTER GDEM、ALOS等）
- 建立传感器成像几何模型（共线方程或有理函数模型）
- 逐像元计算地形引起的偏移量
- 重采样生成正射影像
关键点： 正射校正的精度取决于DEM的分辨率和精度。对于平坦地区，30m的SRTM就够用；对于山区，建议用12m的ALOS或5m的DEM。
3.3.2 几何精校正——用控制点“钉”住位置
几何精校正需要在地面选取控制点——就是那些在图像上能清晰识别、在地面上有精确坐标的地物。比如道路交叉口、建筑物角点、水库堤坝等。
控制点的选取原则：
- 均匀分布在整个图像上，不要集中在某一区域
- 数量要足够——一般至少20-30个点
- 精度要高——GPS实测点优于从地图上选取的点
- 避免选取随时间变化的地物（比如农田边界）
我曾经做过一个项目，需要把多期Landsat影像精确配准。第一次做的时候只选了15个控制点，结果校正后的影像在边缘区域偏差了3个像素。后来增加到40个点，并且用二阶多项式模型，精度提升到了0.5个像素以内。
3.3.3 重采样方法的选择
几何校正最后一步是重采样——把原始像元值重新分配到校正后的网格上。常用的方法有三种：
| 方法 | 原理 | 适用场景 |
|---|---|---|
| 最近邻法 | 取最近的像元值 | 分类数据、保持原始值 |
| 双线性内插 | 取周围4个像元的加权平均 | 连续数据、平滑效果 |
| 三次卷积 | 取周围16个像元的加权平均 | 高精度要求、纹理保持 |
我的建议是：做植被指数或地表温度反演时，用双线性内插；做土地利用分类时，用最近邻法——因为分类结果是离散值，插值会引入“假类别”。
3.4 预处理流程总结
好了，把这三步串起来，完整的预处理流程就是：
- 辐射定标：DN值 → 辐亮度（或表观反射率）
- 大气校正：表观反射率 → 地表真实反射率（用6S或FLAASH）
- 几何校正：消除几何畸变（正射校正 + 精校正）
这个顺序不能颠倒。为什么？因为大气校正需要精确的辐亮度值，而几何校正会改变像元的位置和数值——如果先做几何校正再做大气校正，大气校正的输入数据就已经被“污染”了。
一个小技巧： 如果你处理的是多时相数据，建议先做几何校正，确保所有影像都配准到同一个坐标系，然后再做辐射定标和大气校正。这样后续的时序分析会更准确。
嗯，这一章的内容就到这里。预处理虽然繁琐，但值得你花时间做好。我见过太多人因为预处理没做好，导致后续分析全白费——那种感觉，真的不好受。
公众号:蓝海资料掘金营，微信deep3321