基于FY-4A/AGRI的多維動態混合成像方法研究

鄢俊潔 瞿建華 張芳芳 郭雪星 王燕婷

(北京華云星地通科技有限公司，北京 100081)

引言

地球表面地物呈現不同色彩，人們習慣利用色彩來辨別地物和認識客觀世界。衛星遙感提供了各傳感器單通道灰階影像，在實際應用中，人們往往傾向選擇三個不同波段的灰階影像來對應紅、綠、藍顏色通道合成彩色影像，便于遙感影像的判讀和解譯，與單通道灰階影像比，彩色遙感影像提供了更豐富、更細膩的地物光譜信息，更形象、更直觀地表達了地表目標物，便于地物目標的判識和解譯。遙感影像的彩色合成包括真彩色合成和偽彩色合成。真彩色合成是指將多光譜影像的紅、綠、藍波段數據與R、G、B顏色通道對應合成，合成的遙感影像上地物顏色與實際地物顏色接近或一致[1]。相較其他低軌道衛星，靜止氣象衛星空間分辨率較低，僅靠單通道波譜信息，不足以準確有效地判別大氣、云層，地物和天氣現象，因此，合成靜止氣象衛星的彩色影像，特別是真彩色影像，有助于影像的解譯、判讀、目標識別，提高影像數據的應用范圍。

自1960年第一顆氣象衛星發射以來，國內外學者不斷研究更可靠的方法合成氣象衛星的真彩色影像。對于探測波段范圍包含紅、綠、藍波段的氣象衛星，可以利用紅、綠、藍顏色通道對應的波段，直接合成真彩色影像。2011年發射的Suomi NPP(National polar orbiting partnership,NPP)衛星搭載的可見光紅外成像輻射計(Visible infrared imaging radiometer suite,VIIRS)的第5、第4和第3通道分別為紅、綠和藍可見光波段，可以用于真彩色影像的合成，NASA地球觀測(NASA Earth observation,NEO)對外發布每日全球拼接真彩圖像，分辨率為750 m[2]。日本氣象廳在2014年發射葵花-8衛星(Himawari-8)，其搭載的先進葵花成像儀(Advanced Himawari Imager,AHI),具有紅、綠和藍三個可見光波段，由大氣研究合作研究所(The Cooperative Institute for Research in the Atmosphere,CIRA)為其開發GeoColor算法合成真彩色影像并對外發布[3]。FY-3D(風云三號D星)的MERSI-Ⅱ數據則采用0.65 μm、0.55 μm和0.47 μm三個可見光波段線性拉伸后的數據，對應R、G、B三個通道直接合成為真彩色影像，但該方法合成的影像對于濃密植被區和水體等暗目標地物，難以體現其具體的紋理和灰度信息[4]。

FY-4A是中國第二代靜止軌道氣象系列衛星，其搭載的多通道掃描成像輻射計(Advanced Geosynchronous Radiation Imager,AGRI)有14個通道，包括從可見光到長波紅外范圍的波段。與Himawari-8/AHI相比，FY-4A/AGRI在可見光范圍內缺少綠光通道(0.55 μm)，現有的藍光通道(0.47 μm)、紅光通道(0.65 μm)和近紅外通道(0.83 μm)波段較寬，光譜響應差別較大，這為基于FY-4A/AGRI生成彩色影像產品帶來一定困難，影響了其影像產品的解譯和應用。

為了得到最直觀的影像視覺效果，針對FY-4A/AGRI載荷特征，本文應用多維動態混合成像技術，解決AGRI綠色通道缺失、可見光通道波段較寬以及可見光數據和全天候紅外數據的融合問題，以期為FY-4A/AGRI圖像合成及其產品應用開發提供參考。

1 資料與方法

1.1 AGRI數據

計算機圖像合成一般用RGB合成來顯示人眼所看到的圖像。數字圖像存儲已經由原來的8位擴展到了24位的色彩空間[5-6]，RGB三個顏色分量能提供超16萬種顏色，RGB合成的色彩優勢對于人的視覺來說，可以提供豐富的信息。因此，通過對衛星載荷不同光譜通道的數據合成，能較好的突出一些感興趣的特征，例如對流云、地表植被等。

通常為了達到人眼所看到的真實效果，衛星真彩色圖像的合成需要應用0.64 μm、0.55 μm和0.47 μm三個光譜通道合成得到[7-8]。但是，衛星載荷的光譜無法做到與人眼的視網膜光譜響應函數一致，所以真彩色合成技術一直采用的是足夠接近真實顏色的假彩色增強，以達到最佳的視覺效果。

FY-4A/AGRI有14個通道，其中包含中心波長為0.47 μm的藍光通道、中心波長為0.65 μm的紅光通道以及中心波長為0.86 μm的近紅外通道。最高空間分辨率為500 m，近紅外波段和紅外波段的分辨率為1.0 km、2.0 km和4.0 km，見表1。

表1 FY-4A/AGRI通道參數Table 1 FY-4A AGRI channel parameters

白天，FY-4A/AGRI可通過可見光光譜通道合成達到真彩色效果的圖像。從光譜通道分布看來，FY-4A/AGRI在可見光范圍只有中心波長為0.47 μm的藍光通道和中心波長為0.65 μm的紅光通道，缺少綠光通道，并且紅光通道為0.55～0.75 μm，較傳統的紅光通道波段更寬。另外，AGRI還包含一個中心波長為0.83 μm的近紅外通道，植被在該通道上有較強的反射特性。FY-4A/AGRI的三個通道的光譜響應和土壤、雪、樹木等地表特征的反射光譜見圖1。從圖1可以看出，三個單獨通道之間的差異以及它們對不同地表特征響應方式的不同，利用這些差異可以組合成真彩色RGB圖像。

夜晚，成像無法得到可見光的直觀視覺效果，可以通過全天候的紅外通道進行增強處理，獲得不同目標的增強效果。10.8 μm通道對于地表和云區均有較明顯的輻射表現，有研究表明，可以通過3.7 μm、10.8 μm通道的組合來區分中低層云[9]。

圖1 FY-4A/AGRI可見光通道的光譜響應Fig.1 Spectral response curves of the visible channels of FY-4A AGRI

除了FY-4A衛星觀測數據外，本文還用到了美國國家航空航天局(NASA)提供的夜晚城市背景燈光圖，來源于NASA網站(https://earthobservatory.nasa.Gov/features/NightLights)。

1.2 FY-4A圖像合成算法

針對FY-4A/AGRI數據特點，應用多維動態混合成像方法合成全天候的AGRI彩色影像。多維動態混合成像考慮水平方向上的平滑無縫拼接和垂直方向上的多個圖層疊加。其中，“多維”體現在水平方向和垂直方向上，“動態”體現在透明度因子不是一成不變的，而是為每一個像元分配動態透明因子。水平方向上，基于白天真彩色圖像和夜晚云增強圖像，使用太陽天頂角的閾值制作晨昏交界透明度因子圖層，將二者圖像進行平滑無縫拼接。垂直方向上，結合了上下兩層圖像，對上層的部分應用了不透明或部分透明處理。在進行圖像合成前，數據先后經過了輻射校正、大氣校正等處理。

1.2.1 真彩色合成

FY-4A/AGRI缺少0.55 μm光譜通道，需利用其他可見光通道模擬“類綠光通道”。得到0.55 μm綠光通道最簡單的方法是利用AGRI的波段1(0.47 μm)、波段2(0.65 μm)和波段3(0.82 μm)三個通道進行合成[3]。而GOES-R/ABI數據進行GeoColor圖像生成時，同樣缺少綠通道，其解決方法是依賴從大氣校正后的Aqua/MODIS藍光(0.46—0.48 μm)、綠光(0.55—0.57 μm)、紅光(0.62—0.67 μm)、近紅外光(0.84—0.88 μm)通道之間的光譜相關性構建綠光通道查找表，用于AHI綠光通道的生成[8]。與之相比，本文提出的FY-4A/AGRI生成0.55 μm光譜通道的方法所需條件少，更加方便快捷。

AGRI的0.65 μm通道光譜較其他同類成像儀載荷更寬(圖1)，光譜范圍為0.55～0.75 μm，導致0.65 μm通道包含了部分綠光通道信息和部分近紅外光反射信息，RGB合成圖像整體偏紅[10]。因此，需要對0.65 μm通道進行能量校正，降低整體紅光通道的貢獻。

根據上述方法，進行真彩色影像的紅光、綠光、藍光三個通道的合成和計算。式(1)通過歸一化距離加權算法進行0.55 μm通道的計算，并將計算后的數值進行[0，255]拉伸處理，得到真彩色影像合成的偽綠光通道D(g)。通過式(2)進行0.65 μm通道的校正，并將計算后的數值進行[0，255]拉伸處理，得到真彩色影像合成的偽紅光通道D(r)。真彩色影像合成的偽藍光通道D(b)直接采用AGRI的0.47 μm通道處理得到，見式(3)。

D(g) = (B×a1+R×a2+N×a3)[0,255]

(1)

D(r) =(R-B×b1-N×b2)[0,255]

(2)

D(b) =B[0,255]

(3)

式(1)～式(3)中，N、R、B分別為經過大氣校正后的AGRI的0.83 μm通道、0.65 μm通道和0.47 μm通道的反射率；D(r)、D(g)、D(b)為生成真彩色影像的三個通道；a1，a2，a3分別為綠通道合成的歸一化距離加權系數，對應的值分別為0.5，0.3，0.2；b1，b2分別為紅通道校正的系數，對應的值分別為0.2和0.2。

1.2.2 紅外彩色增強

地表和云的反射率在3.7 μm通道和10.7 μm通道、11.8 μm通道表現為不同的特征。3.7 μm通道的低云和霧及其小水滴的反射率明顯低于陸地和水體[11]，低云和霧與鄰近的晴空區域形成鮮明對比；而在10.7 μm或者11.8 μm通道上，大多數地表物體在這些波長下的反射率較為接近[7-8,11-13]?；谏鲜鲅芯康弥归g云在熱紅外波段有較低的亮溫，本文利用FY4A/AGRI的8通道(3.7 μm)與12通道(10.8 μm)提取中低云，進行紅外彩色增強圖生成，中低云呈淡藍色或者藍色，高云呈白色，高云的溫度越低亮度越亮。

為了得到高質量的紅外增強影像，首先將FY4A/AGRI 的10.8 μm通道亮溫在云區間[BTmin,BTmax]的值進行高色階線性拉伸，得到紅外云區指數I1(式4)，目的是用于保留云區細節信息。再采用3.7 μm通道與10.8 μm通道的亮溫差識別中低云，提取差值范圍的低云數據區域，并將低云區域數據進行線性增強，以達到低云的漸變和飽和效果，得到低云指數I2(式5)。為了實現低云的藍色效果，將低云指數疊加到紅外云圖上，得到紅外彩色影像的偽藍光通道N(b)(式6)。最后進行通道混合運算，分別得到偽綠光通道N(g)(式7)和偽紅光通道N(r)(式8)。

I1=(BTmax-BT12)/(BTmax-BTmin)

(4)

I2=I1+(1-I1/4095)×(BT12-BT8+10)/20

(5)

N(b)=I2

(6)

N(g)=I1×0.4+I2×0.6

(7)

N(r)=I1×0.8+I2×0.2

(8)

式(4)～式(8)中，BT8、BT12分別為FY4A/AGRI的3.7 μm通道與10.8 μm通道亮溫，N(r)、N(g)、N(b)為進行紅外彩色增強算法后得到圖像的三個通道。

1.2.3 動態透明度因子

在計算機圖像處理中通常采用透明度因子進行多個嵌套圖層之間的混合處理。數值上描述透明度因子的計算，見式(9)。

(9)

式(9)中，引入歸一化算子α，計算在預定間隔[y1，y2]，參數x在圖像中的每個像素處的權重。α是一個區間為[0.0，1.0]的數值，y1、y2是可以設置的數值范圍。本文所使用的透明度因子主要用于解決水平方向和垂直方向兩個方向上的圖像融合問題。水平方向上是用于解決由于太陽移動導致晨昏更替時，白天真彩色影像與夜間紅外彩色影像之間的均勻無縫拼接，通常采用太陽天頂角作為動態透明度因子計算的關鍵參數。垂直方向上主要是用于解決夜間背景燈光圖層與紅外彩色影像之間的疊加成像。

1.2.3.1 晨昏交界透明度因子

太陽天頂角是決定地球表面獲得太陽熱能數量的最重要因素，也是判斷衛星成像時間是白天或夜間的直接依據。晨昏交界動態透明度因子Vα見式(10)。

(10)

式(10)中,使用太陽天頂角SunZ作為晨昏交界透明度因子計算的關鍵參數，計算得到歸一化系數。將太陽天頂角小于80°時定義為白天，大于90°時定義為夜晚，80°～90°為是晨昏交界。

1.2.3.2 紅外通道透明度因子

為了進一步增強夜晚圖像的顯示效果，在背景中加入全球城市背景燈光數據。晴空夜晚下，城市燈光明亮，在薄云的遮蓋下，燈光會有所減弱，直至被云完全遮蓋。紅外動態透明度因子Hα見式(11)。

(11)

式(11)中，BT12為AGRI 10.8 μm通道亮溫。本文選用10.8 μm通道亮溫作為透明度因子計算的關鍵參數，進行亮溫為180～250 K的歸一化系數計算。

1.2.4 多維動態混合成像

基于白天的真彩色圖、紅外彩色增強圖和全球城市背景燈光數據，對水平方向和垂直方向進行多維混合。動態透明因子作為歸一化參數，能較好的將多層數據進行融合。利用2020年8月11日18時(北京時)FY-4A/AGRI數據，進行多維動態合成計算，見圖2。首先根據式(11)計算得到的歸一化的紅外透明度因子Hα，以全球城市燈光數據LightBk為背景影像，紅外彩色增強圖N(rgb)為前景影像，組合成夜間混合圖層。再根據歸一化的晨昏透明度因子Vα，將夜間混合圖層和真彩色圖D(rgb)進行合并，得到混合影像I(rgb)，見式(12)。

圖2 2020年8月11日18時(北京時)FY-4A ARGI多維動態混合成像Fig.2 Multi-dimensional dynamic hybrid imaging of FY-4A ARGI at 18:00 BT on August 11,2020

I(r)={D(r)×Vα+(1-Vα)×[Hα×N(r)+(1-Hα)×LightBk]}

I(g)={D(g)×Vα+(1-Vα)×[Hα×N(g)+(1-Hα)×LightBk]}

I(b)={D(b)×Vα+(1-Vα)×[Hα×N(b)+(1-Hα)×LightBk]}

(12)

式(12)中，真彩色影像D(rgb)和紅外彩色增強影像N(rgb)作為混合成像的上兩個圖層，背景燈光LightBk為底層，Vα、Hα為水平方向和垂直方向的歸一化的透明因子。

1.2.5 圖像增強

為了達到更好的圖像視覺效果，需選擇合適的增強算法。在白天和夜間數據合成后，分別針對不同亮度部分進行圖像增強處理。為保證紅光、綠光、藍光通道增強處理過程中數據信息完整性，對這三個通道進行了高色階變換，將其線性拉伸到[0，4095]，其中4095為12位色階的最大值，這樣保證了影像色彩的真實性，增強了信息細節，避免合成過程中色彩跳變。單通道圖像增強過程中構建非線性高色階調整曲線進行非線性拉伸，最后使用線性歸一化方法，將高色階數據梯度從4096降到256，完成圖像增強計算。

2 結果分析

2.1 白天沙漠及植被的圖像增強

2020年8月11日12時(北京時)中國西北部彩色合成效果見圖3，其中圖3a為直接利用0.84 μm通道替換綠通道進行圖像合成后的效果，雖能較好地體現云、植被以及水體的顏色特征，但圖像整體偏綠，尤其是西北部的沙漠和戈壁被顯示成了綠色。利用類綠通道合成后的圖像(圖3b)，能較好地顯示沙漠和戈壁的特征，但是圖像整體呈紅色，特別是植被區域，由于紅光通道能量過高，呈深紅色。對紅光通道進行校正后(圖3c)，能較好地突出西北部黃色的沙漠區域和綠色的植被，整體上實現了真彩色的合成效果，但是整體亮度較低。對圖像進行整體增強后(圖3d)，達到了較好的真彩色合成效果。

圖3 2020年08月11日12時(北京時)FY-4A ARGI R、NIR、B三通道合成圖像(a)、紅光通道校正前(b)、校正后(c)合成圖像和增強后圖像(d)Fig.3 Three-channel composite image of R,NIR,B (a),composite image before red channel correction (b),composite image after red channel correction (c),and image-enhanced image (d) based on FY-4A AGRI at 12:00 BT on August 11,2020

2.2 夜間中低云的圖像增強

2020年8月11日18時(北京時)南半球紅外彩色增強效果圖像見圖4，其中圖4a為10.8 μm通道增強效果，圖4b為采用紅外云合成算法增強識別的高云和中低云，高云呈白色，白色越亮表示云越高；中低云呈淡藍色，藍色越深表示云越低。由圖4還可以看出，在海洋上空，中低云與高云的區分效果明顯，特別是圖中左下方高卷云下的中低云也能較好地識別。在陸地區域，由于該時刻在南半球處于冬季，地表溫度較低，特別是澳大利亞西部戈壁區域，導致部分地表被識別為低云，需要對低云識別算法進行優化。

圖4 2020年8月11日18時(北京時)FY-4A ARGI 10.8 μm通道的亮溫增強圖像(a)和中低云增強圖像(b)Fig.4 Bright temperature-enhanced image (a) and mid-low cloud-enhanced image (b) of FY-4A ARGI at the 10.8 μm channel at 18:00 BT on August 11,2020

2020年8月11日18時紅外彩色增強圖上疊加燈光背景前后對比見圖5。利用夜間動態透明度因子，根據云的不同特征設置不同的透明度，例如無云時設置成完全透明，薄云時設置部分透明，厚云時設置不透明，達到讓無云下完全呈現燈光、薄云下呈現出弱燈光、厚云下燈光不可見，從而得到最直觀的影像視覺效果。圖中印度半島和東南亞沿海燈光效果明顯。

圖5 2020年8月11日18時(北京時)FY-4A ARGI的紅外彩色增強圖像(a)和疊加燈光背景圖像(b) Fig.5 Infrared color enhanced image (a) and superimposed light background image (b) of FY-4A ARGI at 18:00 BT on August 11,2020

2.3 晨昏交界的圖像增強

2020年8月11日18時白天夜間混合成像前后對比見圖6。圖6a為真彩色合成圖像，只能突出白天成像信息，夜間信息缺失。圖6b為紅外彩色增強圖像，能全天候識別顯示云層信息。當合成圖像存在晨昏交界現象時，僅圖6a或圖6b無法顯示白天和晚上結合的整體圖像信息，不利于圖像的展示和分析。利用多維動態混合成像技術生成圖6c，較好地解決了以上問題。從圖6c可以看出，彩色合成影像提高了遙感影像的對比度，真彩色影像部分可以還原地表的真實色彩，紅外影像部分可以識別云信息。白天可見光區域接近真彩色，夜間高云呈白色，低云呈淺藍色，以及白天與夜間交界部分色彩自然過渡，圖像產品質量高。另外，也可以看到在夜間區域，重疊的云層在一定程度上模糊了城市背景燈光，模糊程度取決于紅外動態透明度因子圖層的值，從而也體現了城市燈光的真實感?；诓噬跋癞a品，城市燈光的存在也可以幫助氣象業務人員將不斷變化的氣象特征定位到人口密度較高的地區。彩色影像產品在分析沙塵、火點和臺風等不同地表和天氣現象時起到重要作用[4]。充分利用彩色影像圖研發高質量的業務產品，可更好地服務大眾。多維動態混合成像方法無需其他遙感產品，成像速度快，能及時傳達信息，增強業務應用時效性。

圖6 2020年8月11日18時(北京時)FY-4A ARGI的真彩色合成圖像(a)、紅外彩色增強圖像(b)和多維動態混合成像(c) Fig.6 True color composite image (a),infrared color enhanced image (b),and multi-dimensional dynamic hybrid imaging (c) of FY-4A ARGI at 18:00 BT on August 11,2020

3 結論與討論

(1)本文合成的FY-4A真彩色圖像，根據0.47 μm、0.65 μm和0.83 μm三個通道的反射特性，以及AGRI的光譜響應函數，采用歸一化距離加權算法，實現了類0.55 μm光譜通道合成，解決了因沒有綠光(0.55 μm)通道而無法直接呈現地表真彩色效果的問題。

(2)圖像生成過程中充分利用了水平方向和垂直方向的多維融合，合理嵌套得到了白天真彩色與夜晚云圖的自然平滑過渡的動態效果，整個多維動態混合成像方法實現過程中保留了色彩梯度信息，避免了色彩跳變，也加入一些線性和非線性增強方法，提高了圖像的對比度，呈現了連續完整的地表彩色圖像信息。

(3)夜間云判識算法未深入研究，文中利用夜間紅外通道云識別方法，對中低云和高云判識效果較好，對低云存在誤判現象，例如將冬季澳大利亞西部戈壁區域的部分地表誤判為低云，后續需要優化低云識別算法。

(4)多維動態混合成像方法不局限于靜止衛星圖像合成，也可以在極軌衛星圖像上進行嘗試。多光譜成像是快速可視化的較實用方法，有效使用這種信息豐富而直觀的彩色合成圖像以及衍生產品，可為氣象及其他業務提供參考。隨著高光譜傳感器的快速發展，數千個窄光譜通道用于更廣泛的光譜區域，快速有效的高光譜信息提取服務需求將越來越迫切，多維動態混合成像方法也可以在高光譜成像方面進行更多嘗試。