第3章高光谱数据预处理（一）

3、高光谱数据预处理（一）：辐射定标与大气校正（FLAASH、QUAC）、几何校正与正射校正

各位同学，欢迎来到高光谱数据预处理的第一讲。说实话，预处理这步看着不起眼，但我在项目里吃过不少亏。你想想看，原始数据就像一块刚从地里挖出来的璞玉，上面沾满了泥巴和杂质。你不把它洗干净、打磨好，后面再牛的分析算法也白搭。今天咱们就聊聊怎么把这堆「脏数据」变成能用的好东西。

3.1 辐射定标：把「灰度值」翻译成「物理量」

高光谱传感器拍下来的原始数据，其实是一堆DN值（Digital Number）。说白了，就是传感器内部记录的一个整数，跟地物真实的反射率还差着十万八千里。辐射定标要做的，就是把这个整数翻译成有物理意义的辐射亮度值。

公式很简单：

L = Gain × DN + Offset

其中Gain和Offset是传感器厂商提供的定标系数。不同传感器、不同波段，这两个值都不一样。我建议你拿到数据后，第一件事就是去查头文件或者元数据文件，把这两个系数找出来。

重要提醒：辐射定标是后续所有定量分析的基础。这一步做错了，后面大气校正、植被指数计算全都会偏。我在项目中遇到过有人跳过了这步，直接用DN值算NDVI，结果植被指数全是负的，折腾了两天才找到原因。

实际操作中，ENVI、ERDAS这些软件都有现成的工具。我个人习惯用ENVI的Radiometric Calibration工具，选好传感器类型，它会自动读取头文件里的定标系数。不过要注意，有些国产传感器的头文件格式不太标准，可能需要手动输入系数。

3.2 大气校正：把「雾里看花」变成「一目了然」

大气校正是预处理里最头疼的一步，也是我花时间最多的地方。为什么？因为太阳光穿过大气层到达地面，再反射回传感器，这一路上被大气分子、气溶胶、水蒸气吸收和散射得七荤八素。你看到的影像，其实是「地物信号」和「大气噪声」的混合体。

大气校正的目的，就是把大气的影响去掉，还原地物真实的地表反射率。常用的方法有两种：FLAASH和QUAC。我分别说说。

3.4.1 FLAASH：精度高，但参数多

FLAASH（Fast Line-of-sight Atmospheric Analysis of Spectral Hypercubes）是基于MODTRAN辐射传输模型的物理方法。它的原理比较复杂，但你可以简单理解为：它模拟了光线在大气中传播的整个过程，然后反推出大气参数，最后把大气影响从影像中扣除。

使用FLAASH需要输入以下参数：

参数	说明	获取方式
影像中心经纬度	影像的地理位置	头文件或元数据
传感器类型	如Hyperion、AVIRIS等	头文件
飞行日期和时间	用于计算太阳天顶角	元数据
大气模型	如热带、中纬度夏季、亚寒带等	根据纬度与季节选择
气溶胶模型	如乡村、城市、海洋等	根据区域特征选择
能见度	大气透明度指标	气象数据或经验值

我的经验：大气模型和气溶胶模型的选择，直接决定了校正效果。我曾经在华北平原做冬小麦监测，选了「中纬度冬季」大气模型，结果校正后的反射率曲线在近红外波段明显偏低。后来换成「中纬度夏季」模型（虽然当时是冬天，但那天天气晴朗、气溶胶少），结果就好多了。所以别死板，要根据实际天气状况灵活调整。

FLAASH的代码示例（ENVI IDL）：

; 打开辐射定标后的影像
envi_open_file, 'calibrated_image.dat', r_fid=fid
envi_file_query, fid, dims=dims, nb=nb

; 设置FLAASH参数
flaash_params = { $
  fid: fid, $
  dims: dims, $
  out_name: 'flaash_corrected.dat', $
  sensor_type: 'Hyperion', $
  flight_date: '2023-06-15', $
  flight_time: '10:30:00', $
  lat: 36.5, $
  lon: 117.0, $
  atm_model: 'Mid-Latitude Summer', $
  aerosol_model: 'Rural', $
  visibility: 40.0 $
}

; 执行FLAASH
envi_doit, 'flaash_doit', flaash_params

3.4.2 QUAC：快速但粗糙

QUAC（Quick Atmospheric Correction）是另一种大气校正方法。它不依赖辐射传输模型，而是直接从影像本身统计信息来估算大气参数。说白了，它假设影像里包含了各种地物（植被、土壤、水体等），然后利用这些地物的光谱特征来反推大气影响。

QUAC的优点很明显：速度快，不需要输入任何外部参数。缺点也很明显：精度不如FLAASH，尤其是在地物类型单一或者有大量阴影的区域。

避坑指南：我曾经在沙漠地区用QUAC做大气校正，结果反射率曲线在可见光波段出现了奇怪的波动。后来发现，沙漠影像里地物类型太单一（全是沙子），QUAC的统计假设不成立。所以，如果你做的是荒漠、水体或者城市密集区的研究，我建议还是老老实实用FLAASH。

QUAC的使用非常简单，在ENVI里直接点一下就行。代码示例：

; 打开影像
envi_open_file, 'calibrated_image.dat', r_fid=fid

; 执行QUAC
envi_doit, 'quac_doit', fid=fid, dims=dims, out_name='quac_corrected.dat'

3.3 几何校正与正射校正：把「歪七扭八」摆正

传感器在成像时，由于平台姿态变化、地形起伏、地球曲率等因素，影像里的地物位置跟实际位置会有偏差。几何校正就是把这些偏差纠正过来。

几何校正分两种：

几何粗校正：利用传感器自带的姿态参数（如GPS、IMU数据）进行校正。精度一般，但速度快。
几何精校正：利用地面控制点（GCP）进行校正。精度高，但需要人工选点，费时费力。

正射校正是几何校正的升级版。它考虑了地形起伏的影响，利用数字高程模型（DEM）把影像投影到正射投影面上。说白了，就是把山上的像素「拉」到它该在的位置。

关键点：对于高光谱数据，几何校正的精度直接影响后续的混合像元分解和地物分类。我建议你至少做正射校正，尤其是研究区域地形起伏较大的时候。我在云南山区做过一次实验，没做正射校正的影像，分类结果里山脊和山谷的边界错位了十几个像素，根本没法用。

几何校正的流程：

收集地面控制点（GCP），可以从野外实测、高精度地图或已有正射影像中获取。
选择校正模型，常用的有多项式模型、有理函数模型（RFM）等。
计算校正参数，利用最小二乘法求解。
重采样，把原始影像的像素值映射到校正后的网格上。常用的方法有最近邻法、双线性内插法、三次卷积法。

我的建议：重采样方法的选择要慎重。最近邻法速度快，但会破坏光谱的连续性；双线性内插法平滑了影像，但可能丢失细节；三次卷积法精度最高，但计算量大。对于高光谱数据，我一般用双线性内插法，它在光谱保真度和计算效率之间取得了平衡。

正射校正的代码示例（使用GDAL）：

from osgeo import gdal

# 打开原始影像
src_ds = gdal.Open('original_image.dat')

# 打开DEM
dem_ds = gdal.Open('dem.tif')

# 设置正射校正参数
options = gdal.WarpOptions(
    format='ENVI',
    dstSRS='EPSG:4326',
    rpc=True,
    dem=dem_ds,
    resampleAlg='bilinear'
)

# 执行正射校正
gdal.Warp('ortho_corrected.dat', src_ds, options=options)

3.4 本章知识体系

为了让你更直观地理解本章内容，我画了一张流程图，展示了高光谱数据预处理的核心逻辑：

这张图把整个预处理流程串起来了。你从原始DN值影像开始，先做辐射定标，然后根据需求选择FLAASH或QUAC做大气校正，最后做几何校正或正射校正。每一步的输出都是下一步的输入，环环相扣。

好了，这一章的内容就到这里。辐射定标和大气校正这块，我建议你多动手试试，拿几幅不同区域的影像跑一遍，对比一下校正前后的光谱曲线变化。只有亲手做过，才能真正理解这些参数的意义。

📚 课程目录

3、高光谱数据预处理（一）：辐射定标与大气校正（FLAASH、QUAC）、几何校正与正射校正

3.1 辐射定标：把「灰度值」翻译成「物理量」

3.2 大气校正：把「雾里看花」变成「一目了然」

3.4.1 FLAASH：精度高，但参数多

3.4.2 QUAC：快速但粗糙

3.3 几何校正与正射校正：把「歪七扭八」摆正

3.4 本章知识体系