基于FY-4A/AGRI的多维动态混合成像方法研究

鄢俊洁 瞿建华 张芳芳 郭雪星 王燕婷

(北京华云星地通科技有限公司，北京 100081)

地球表面地物呈现不同色彩，人们习惯利用色彩来辨别地物和认识客观世界。卫星遥感提供了各传感器单通道灰阶影像，在实际应用中，人们往往倾向选择三个不同波段的灰阶影像来对应红、绿、蓝颜色通道合成彩色影像，便于遥感影像的判读和解译，与单通道灰阶影像比，彩色遥感影像提供了更丰富、更细腻的地物光谱信息，更形象、更直观地表达了地表目标物，便于地物目标的判识和解译。遥感影像的彩色合成包括真彩色合成和伪彩色合成。真彩色合成是指将多光谱影像的红、绿、蓝波段数据与R、G、B颜色通道对应合成，合成的遥感影像上地物颜色与实际地物颜色接近或一致[1]。相较其他低轨道卫星，静止气象卫星空间分辨率较低，仅靠单通道波谱信息，不足以准确有效地判别大气、云层，地物和天气现象，因此，合成静止气象卫星的彩色影像，特别是真彩色影像，有助于影像的解译、判读、目标识别，提高影像数据的应用范围。

自1960年第一颗气象卫星发射以来，国内外学者不断研究更可靠的方法合成气象卫星的真彩色影像。对于探测波段范围包含红、绿、蓝波段的气象卫星，可以利用红、绿、蓝颜色通道对应的波段，直接合成真彩色影像。2011年发射的Suomi NPP(National polar orbiting partnership,NPP)卫星搭载的可见光红外成像辐射计(Visible infrared imaging radiometer suite,VIIRS)的第5、第4和第3通道分别为红、绿和蓝可见光波段，可以用于真彩色影像的合成，NASA地球观测(NASA Earth observation,NEO)对外发布每日全球拼接真彩图像，分辨率为750 m[2]。日本气象厅在2014年发射葵花-8卫星(Himawari-8)，其搭载的先进葵花成像仪(Advanced Himawari Imager,AHI),具有红、绿和蓝三个可见光波段，由大气研究合作研究所(The Cooperative Institute for Research in the Atmosphere,CIRA)为其开发GeoColor算法合成真彩色影像并对外发布[3]。FY-3D(风云三号D星)的MERSI-Ⅱ数据则采用0.65 μm、0.55 μm和0.47 μm三个可见光波段线性拉伸后的数据，对应R、G、B三个通道直接合成为真彩色影像，但该方法合成的影像对于浓密植被区和水体等暗目标地物，难以体现其具体的纹理和灰度信息[4]。

FY-4A是中国第二代静止轨道气象系列卫星，其搭载的多通道扫描成像辐射计(Advanced Geosynchronous Radiation Imager,AGRI)有14个通道，包括从可见光到长波红外范围的波段。与Himawari-8/AHI相比，FY-4A/AGRI在可见光范围内缺少绿光通道(0.55 μm)，现有的蓝光通道(0.47 μm)、红光通道(0.65 μm)和近红外通道(0.83 μm)波段较宽，光谱响应差别较大，这为基于FY-4A/AGRI生成彩色影像产品带来一定困难，影响了其影像产品的解译和应用。

为了得到最直观的影像视觉效果，针对FY-4A/AGRI载荷特征，本文应用多维动态混合成像技术，解决AGRI绿色通道缺失、可见光通道波段较宽以及可见光数据和全天候红外数据的融合问题，以期为FY-4A/AGRI图像合成及其产品应用开发提供参考。

1.1 AGRI数据

计算机图像合成一般用RGB合成来显示人眼所看到的图像。数字图像存储已经由原来的8位扩展到了24位的色彩空间[5-6]，RGB三个颜色分量能提供超16万种颜色，RGB合成的色彩优势对于人的视觉来说，可以提供丰富的信息。因此，通过对卫星载荷不同光谱通道的数据合成，能较好的突出一些感兴趣的特征，例如对流云、地表植被等。

通常为了达到人眼所看到的真实效果，卫星真彩色图像的合成需要应用0.64 μm、0.55 μm和0.47 μm三个光谱通道合成得到[7-8]。但是，卫星载荷的光谱无法做到与人眼的视网膜光谱响应函数一致，所以真彩色合成技术一直采用的是足够接近真实颜色的假彩色增强，以达到最佳的视觉效果。

FY-4A/AGRI有14个通道，其中包含中心波长为0.47 μm的蓝光通道、中心波长为0.65 μm的红光通道以及中心波长为0.86 μm的近红外通道。最高空间分辨率为500 m，近红外波段和红外波段的分辨率为1.0 km、2.0 km和4.0 km，见表1。

表1 FY-4A/AGRI通道参数Table 1 FY-4A AGRI channel parameters

白天，FY-4A/AGRI可通过可见光光谱通道合成达到真彩色效果的图像。从光谱通道分布看来，FY-4A/AGRI在可见光范围只有中心波长为0.47 μm的蓝光通道和中心波长为0.65 μm的红光通道，缺少绿光通道，并且红光通道为0.55～0.75 μm，较传统的红光通道波段更宽。另外，AGRI还包含一个中心波长为0.83 μm的近红外通道，植被在该通道上有较强的反射特性。FY-4A/AGRI的三个通道的光谱响应和土壤、雪、树木等地表特征的反射光谱见图1。从图1可以看出，三个单独通道之间的差异以及它们对不同地表特征响应方式的不同，利用这些差异可以组合成真彩色RGB图像。

夜晚，成像无法得到可见光的直观视觉效果，可以通过全天候的红外通道进行增强处理，获得不同目标的增强效果。10.8 μm通道对于地表和云区均有较明显的辐射表现，有研究表明，可以通过3.7 μm、10.8 μm通道的组合来区分中低层云[9]。

图1 FY-4A/AGRI可见光通道的光谱响应Fig.1 Spectral response curves of the visible channels of FY-4A AGRI

除了FY-4A卫星观测数据外，本文还用到了美国国家航空航天局(NASA)提供的夜晚城市背景灯光图，来源于NASA网站(https://earthobservatory.nasa.Gov/features/NightLights)。

1.2 FY-4A图像合成算法

针对FY-4A/AGRI数据特点，应用多维动态混合成像方法合成全天候的AGRI彩色影像。多维动态混合成像考虑水平方向上的平滑无缝拼接和垂直方向上的多个图层叠加。其中，“多维”体现在水平方向和垂直方向上，“动态”体现在透明度因子不是一成不变的，而是为每一个像元分配动态透明因子。水平方向上，基于白天真彩色图像和夜晚云增强图像，使用太阳天顶角的阈值制作晨昏交界透明度因子图层，将二者图像进行平滑无缝拼接。垂直方向上，结合了上下两层图像，对上层的部分应用了不透明或部分透明处理。在进行图像合成前，数据先后经过了辐射校正、大气校正等处理。

1.2.1 真彩色合成

FY-4A/AGRI缺少0.55 μm光谱通道，需利用其他可见光通道模拟“类绿光通道”。得到0.55 μm绿光通道最简单的方法是利用AGRI的波段1(0.47 μm)、波段2(0.65 μm)和波段3(0.82 μm)三个通道进行合成[3]。而GOES-R/ABI数据进行GeoColor图像生成时，同样缺少绿通道，其解决方法是依赖从大气校正后的Aqua/MODIS蓝光(0.46—0.48 μm)、绿光(0.55—0.57 μm)、红光(0.62—0.67 μm)、近红外光(0.84—0.88 μm)通道之间的光谱相关性构建绿光通道查找表，用于AHI绿光通道的生成[8]。与之相比，本文提出的FY-4A/AGRI生成0.55 μm光谱通道的方法所需条件少，更加方便快捷。

AGRI的0.65 μm通道光谱较其他同类成像仪载荷更宽(图1)，光谱范围为0.55～0.75 μm，导致0.65 μm通道包含了部分绿光通道信息和部分近红外光反射信息，RGB合成图像整体偏红[10]。因此，需要对0.65 μm通道进行能量校正，降低整体红光通道的贡献。

根据上述方法，进行真彩色影像的红光、绿光、蓝光三个通道的合成和计算。式(1)通过归一化距离加权算法进行0.55 μm通道的计算，并将计算后的数值进行[0，255]拉伸处理，得到真彩色影像合成的伪绿光通道D(g)。通过式(2)进行0.65 μm通道的校正，并将计算后的数值进行[0，255]拉伸处理，得到真彩色影像合成的伪红光通道D(r)。真彩色影像合成的伪蓝光通道D(b)直接采用AGRI的0.47 μm通道处理得到，见式(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分别为经过大气校正后的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)为生成真彩色影像的三个通道；
a1，a2，a3分别为绿通道合成的归一化距离加权系数，对应的值分别为0.5，0.3，0.2；
b1，b2分别为红通道校正的系数，对应的值分别为0.2和0.2。

1.2.2 红外彩色增强

地表和云的反射率在3.7 μm通道和10.7 μm通道、11.8 μm通道表现为不同的特征。3.7 μm通道的低云和雾及其小水滴的反射率明显低于陆地和水体[11]，低云和雾与邻近的晴空区域形成鲜明对比；
而在10.7 μm或者11.8 μm通道上，大多数地表物体在这些波长下的反射率较为接近[7-8,11-13]。基于上述研究得知夜间云在热红外波段有较低的亮温，本文利用FY4A/AGRI的8通道(3.7 μm)与12通道(10.8 μm)提取中低云，进行红外彩色增强图生成，中低云呈淡蓝色或者蓝色，高云呈白色，高云的温度越低亮度越亮。

为了得到高质量的红外增强影像，首先将FY4A/AGRI 的10.8 μm通道亮温在云区间[BTmin,BTmax]的值进行高色阶线性拉伸，得到红外云区指数I1(式4)，目的是用于保留云区细节信息。再采用3.7 μm通道与10.8 μm通道的亮温差识别中低云，提取差值范围的低云数据区域，并将低云区域数据进行线性增强，以达到低云的渐变和饱和效果，得到低云指数I2(式5)。为了实现低云的蓝色效果，将低云指数叠加到红外云图上，得到红外彩色影像的伪蓝光通道N(b)(式6)。最后进行通道混合运算，分别得到伪绿光通道N(g)(式7)和伪红光通道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分别为FY4A/AGRI的3.7 μm通道与10.8 μm通道亮温，N(r)、N(g)、N(b)为进行红外彩色增强算法后得到图像的三个通道。

1.2.3 动态透明度因子

在计算机图像处理中通常采用透明度因子进行多个嵌套图层之间的混合处理。数值上描述透明度因子的计算，见式(9)。

(9)

式(9)中，引入归一化算子α，计算在预定间隔[y1，y2]，参数x在图像中的每个像素处的权重。α是一个区间为[0.0，1.0]的数值，y1、y2是可以设置的数值范围。本文所使用的透明度因子主要用于解决水平方向和垂直方向两个方向上的图像融合问题。水平方向上是用于解决由于太阳移动导致晨昏更替时，白天真彩色影像与夜间红外彩色影像之间的均匀无缝拼接，通常采用太阳天顶角作为动态透明度因子计算的关键参数。垂直方向上主要是用于解决夜间背景灯光图层与红外彩色影像之间的叠加成像。

1.2.3.1 晨昏交界透明度因子

太阳天顶角是决定地球表面获得太阳热能数量的最重要因素，也是判断卫星成像时间是白天或夜间的直接依据。晨昏交界动态透明度因子Vα见式(10)。

(10)

式(10)中,使用太阳天顶角SunZ作为晨昏交界透明度因子计算的关键参数，计算得到归一化系数。将太阳天顶角小于80°时定义为白天，大于90°时定义为夜晚，80°～90°为是晨昏交界。

1.2.3.2 红外通道透明度因子

为了进一步增强夜晚图像的显示效果，在背景中加入全球城市背景灯光数据。晴空夜晚下，城市灯光明亮，在薄云的遮盖下，灯光会有所减弱，直至被云完全遮盖。红外动态透明度因子Hα见式(11)。

(11)

式(11)中，BT12为AGRI 10.8 μm通道亮温。本文选用10.8 μm通道亮温作为透明度因子计算的关键参数，进行亮温为180～250 K的归一化系数计算。

1.2.4 多维动态混合成像

基于白天的真彩色图、红外彩色增强图和全球城市背景灯光数据，对水平方向和垂直方向进行多维混合。动态透明因子作为归一化参数，能较好的将多层数据进行融合。利用2020年8月11日18时(北京时)FY-4A/AGRI数据，进行多维动态合成计算，见图2。首先根据式(11)计算得到的归一化的红外透明度因子Hα，以全球城市灯光数据LightBk为背景影像，红外彩色增强图N(rgb)为前景影像，组合成夜间混合图层。再根据归一化的晨昏透明度因子Vα，将夜间混合图层和真彩色图D(rgb)进行合并，得到混合影像I(rgb)，见式(12)。

图2 2020年8月11日18时(北京时)FY-4A ARGI多维动态混合成像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)和红外彩色增强影像N(rgb)作为混合成像的上两个图层，背景灯光LightBk为底层，Vα、Hα为水平方向和垂直方向的归一化的透明因子。

1.2.5 图像增强

为了达到更好的图像视觉效果，需选择合适的增强算法。在白天和夜间数据合成后，分别针对不同亮度部分进行图像增强处理。为保证红光、绿光、蓝光通道增强处理过程中数据信息完整性，对这三个通道进行了高色阶变换，将其线性拉伸到[0，4095]，其中4095为12位色阶的最大值，这样保证了影像色彩的真实性，增强了信息细节，避免合成过程中色彩跳变。单通道图像增强过程中构建非线性高色阶调整曲线进行非线性拉伸，最后使用线性归一化方法，将高色阶数据梯度从4096降到256，完成图像增强计算。

2.1 白天沙漠及植被的图像增强

2020年8月11日12时(北京时)中国西北部彩色合成效果见图3，其中图3a为直接利用0.84 μm通道替换绿通道进行图像合成后的效果，虽能较好地体现云、植被以及水体的颜色特征，但图像整体偏绿，尤其是西北部的沙漠和戈壁被显示成了绿色。利用类绿通道合成后的图像(图3b)，能较好地显示沙漠和戈壁的特征，但是图像整体呈红色，特别是植被区域，由于红光通道能量过高，呈深红色。对红光通道进行校正后(图3c)，能较好地突出西北部黄色的沙漠区域和绿色的植被，整体上实现了真彩色的合成效果，但是整体亮度较低。对图像进行整体增强后(图3d)，达到了较好的真彩色合成效果。

图3 2020年08月11日12时(北京时)FY-4A ARGI R、NIR、B三通道合成图像(a)、红光通道校正前(b)、校正后(c)合成图像和增强后图像(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 夜间中低云的图像增强

2020年8月11日18时(北京时)南半球红外彩色增强效果图像见图4，其中图4a为10.8 μm通道增强效果，图4b为采用红外云合成算法增强识别的高云和中低云，高云呈白色，白色越亮表示云越高；
中低云呈淡蓝色，蓝色越深表示云越低。由图4还可以看出，在海洋上空，中低云与高云的区分效果明显，特别是图中左下方高卷云下的中低云也能较好地识别。在陆地区域，由于该时刻在南半球处于冬季，地表温度较低，特别是澳大利亚西部戈壁区域，导致部分地表被识别为低云，需要对低云识别算法进行优化。

图4 2020年8月11日18时(北京时)FY-4A ARGI 10.8 μm通道的亮温增强图像(a)和中低云增强图像(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时红外彩色增强图上叠加灯光背景前后对比见图5。利用夜间动态透明度因子，根据云的不同特征设置不同的透明度，例如无云时设置成完全透明，薄云时设置部分透明，厚云时设置不透明，达到让无云下完全呈现灯光、薄云下呈现出弱灯光、厚云下灯光不可见，从而得到最直观的影像视觉效果。图中印度半岛和东南亚沿海灯光效果明显。

图5 2020年8月11日18时(北京时)FY-4A ARGI的红外彩色增强图像(a)和叠加灯光背景图像(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 晨昏交界的图像增强

2020年8月11日18时白天夜间混合成像前后对比见图6。图6a为真彩色合成图像，只能突出白天成像信息，夜间信息缺失。图6b为红外彩色增强图像，能全天候识别显示云层信息。当合成图像存在晨昏交界现象时，仅图6a或图6b无法显示白天和晚上结合的整体图像信息，不利于图像的展示和分析。利用多维动态混合成像技术生成图6c，较好地解决了以上问题。从图6c可以看出，彩色合成影像提高了遥感影像的对比度，真彩色影像部分可以还原地表的真实色彩，红外影像部分可以识别云信息。白天可见光区域接近真彩色，夜间高云呈白色，低云呈浅蓝色，以及白天与夜间交界部分色彩自然过渡，图像产品质量高。另外，也可以看到在夜间区域，重叠的云层在一定程度上模糊了城市背景灯光，模糊程度取决于红外动态透明度因子图层的值，从而也体现了城市灯光的真实感。基于彩色影像产品，城市灯光的存在也可以帮助气象业务人员将不断变化的气象特征定位到人口密度较高的地区。彩色影像产品在分析沙尘、火点和台风等不同地表和天气现象时起到重要作用[4]。充分利用彩色影像图研发高质量的业务产品，可更好地服务大众。多维动态混合成像方法无需其他遥感产品，成像速度快，能及时传达信息，增强业务应用时效性。

图6 2020年8月11日18时(北京时)FY-4A ARGI的真彩色合成图像(a)、红外彩色增强图像(b)和多维动态混合成像(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

(1)本文合成的FY-4A真彩色图像，根据0.47 μm、0.65 μm和0.83 μm三个通道的反射特性，以及AGRI的光谱响应函数，采用归一化距离加权算法，实现了类0.55 μm光谱通道合成，解决了因没有绿光(0.55 μm)通道而无法直接呈现地表真彩色效果的问题。

(2)图像生成过程中充分利用了水平方向和垂直方向的多维融合，合理嵌套得到了白天真彩色与夜晚云图的自然平滑过渡的动态效果，整个多维动态混合成像方法实现过程中保留了色彩梯度信息，避免了色彩跳变，也加入一些线性和非线性增强方法，提高了图像的对比度，呈现了连续完整的地表彩色图像信息。

(3)夜间云判识算法未深入研究，文中利用夜间红外通道云识别方法，对中低云和高云判识效果较好，对低云存在误判现象，例如将冬季澳大利亚西部戈壁区域的部分地表误判为低云，后续需要优化低云识别算法。

(4)多维动态混合成像方法不局限于静止卫星图像合成，也可以在极轨卫星图像上进行尝试。多光谱成像是快速可视化的较实用方法，有效使用这种信息丰富而直观的彩色合成图像以及衍生产品，可为气象及其他业务提供参考。随着高光谱传感器的快速发展，数千个窄光谱通道用于更广泛的光谱区域，快速有效的高光谱信息提取服务需求将越来越迫切，多维动态混合成像方法也可以在高光谱成像方面进行更多尝试。