第九章 影像处理基本流程

第七章的光谱指数、第八章的辐射校正，都是单点技术；本章把它们按正确的顺序 串成一条完整的流水线。可以把整条流程想象成做菜前的备菜： 影像从卫星上摘下来时是带泥的生食材，摘干净、切好、码放整齐， 后面的烹饪（计算指数、分类）才能成菜。从卫星下传的原始影像到 可分析的成果，通常要经历以下步骤——顺序不能乱， 跳过任何一步都可能让结果在物理上站不住脚，或没法和别的年份比较。

1. 辐射定标：把计数值翻译成物理量

传感器记录的最初是数字量化值（DN）——就像相机存的原始计数， 大小和真实亮度成正比，但不是物理量。辐射定标就是用一条简单的 一次函数把它翻译回辐射亮度：

L = gain × DN + offset

增益（gain）和偏移（offset）写在影像自带的元数据文件里（见第四章的 MTL.txt）。 翻译完的数值才有物理单位，才能参与后续计算。

2. 大气校正：扣掉大气的干扰

阳光穿过几十公里的大气才能到达地面、再弹回卫星——路上的气溶胶、 水汽会让影像像隔了一层毛玻璃：整体发灰、颜色失真。大气校正 就是把这层毛玻璃的影响扣掉，把大气层顶反射率（TOA） 还原成地表反射率（SR）——第七章所有指数要求的输入。

哪些情况必须做：

• 计算 NDVI 等指数并做跨年份比较：必须用 SR；
• 只做单期的目视判读或制图：TOA 通常可以接受。

做法上有暗目标法（DOS，简单快速）、6S、LEDAPS（Landsat）、 Sen2Cor（Sentinel-2）等；实际工作中更省事的做法是直接用官方发布的产品—— Landsat Collection 2 Level-2、Sentinel-2 L2A 已经替你做完了。 想亲手在软件里操作一遍（以及背后为什么），第八章就是干这个的。

3. 几何校正与正射校正：把歪的图摆正

• 几何校正：卫星在轨道上运动、地球在自转，拍到的原始影像存在 各种拉伸和偏移，要按地图坐标把它摆正；
• 正射校正：在摆正的基础上，再用数字高程模型（DEM，即地表起伏数据） 消除地形起伏引起的错位——山区的斜坡在影像里本来是躺倒的， 正射之后才和地图对得上。

公开发布的 L1C 及以上产品都已做过系统级几何校正； 在山区做分析、或要把影像和矢量边界精确叠加时，确认用的是正射产品即可 （Sentinel-2 的 L1C 就是正射的）。

4. 镶嵌与裁剪：拼图，再按研究区剪

研究区跨好几幅影像时（咸海案例需要 3×3 共九幅）， 先把相邻影像镶嵌拼接，接缝处做色彩均衡（直方图匹配或羽化）， 再按研究区边界裁剪，去掉用不到的部分、减小计算量。

5. 云与云影掩膜：先挑出坏像元

云是光学遥感最大的敌人。常用三招：

• 直接读官方质量波段——Landsat 的 QA_PIXEL、Sentinel-2 的 SCL （这两个文件是干什么的，见第四章下载的数据包里有什么）；
• 用 Fmask 等算法自动标出云、云影、雪；
• 多时相合成：取一段时间内无云的像元拼中位数（比如取三个月的 NDVI 逐像元取最大值），把零散的晴空缝成一幅完整的图。

6. 计算指数与分类：开始烹饪

影像干净了，按第七章的公式计算光谱指数，或做土地覆盖分类：

• 阈值法：给单一指数定一个门槛，简单透明，适合水体、火烧迹地 这类对比强烈的目标（第十二章提取咸海用的就是 MNDWI 加阈值）；
• 监督分类：先人工圈样本教电脑，再用随机森林、支持向量机等 算法推广到全图；
• 面向对象分类：先把影像切成同质的小块再分类，能减少椒盐般的碎点。

第十章、第十一章会分别在 ENVI 里把前两种完整走一遍。

7. 精度验证：拿考卷对答案

分类做完了不等于做对了。标准做法是拿一组独立于训练样本的实地真值 （相当于标准答案）来对照，构建混淆矩阵，回答三个问题：

• 总体精度（Overall Accuracy）：多少比例的像元被分对了；
• 生产者精度与用户精度：分别对应漏分和错分有多严重；
• Kappa 系数：排除瞎蒙也能蒙对一部分之后的真实可靠性。

样本太少、或验证集和训练集不独立，是初学者最常踩的坑—— 第十章的实战里会展示一份真实的精度评价表长什么样。

常用工具

一条实用建议

初学者最容易把时间都花在调参数上，而忽略数据与预处理的质量。 动手前先问自己三个问题：用地表反射率了吗？云掩掉了吗？投影一致吗？ 这三件事做对，结果可信度的提升，往往比换一个更复杂的分类器明显得多。 原理与流程到本章就齐了——接下来两章，进入软件里的真刀真枪。