-
BRDF的物理意义是:来自方向地表辐照度的微增量与其所引起的方向上反射辐射亮度增量之间的比值[16], 其数学表达式为:
$ f_{\mathrm{r}}\left(\theta_{\mathrm{i}}, \varphi_{\mathrm{i}} ; \theta_{\mathrm{r}}, \varphi_{\mathrm{r}}\right)=\frac{\mathrm{d} L_{\mathrm{r}}\left(\theta_{\mathrm{i}}, \varphi_{\mathrm{i}} ; \theta_{\mathrm{r}}, \varphi_{\mathrm{r}}\right)}{\mathrm{d} E_{\mathrm{i}}\left(\theta_{\mathrm{i}}, \varphi_{\mathrm{i}}\right)} $
(1) 式中,θi与φi表示入射太阳光的天顶角、方位角; θr, φr表示反射光线的天顶角、方位角; dEi(·)表示光源在入射点附近面元上的入射辐照度,dLr(·)为相应的反射方向上的辐亮度。
直接测量地物的BRDF比较困难,因此,通常用BRF来代替难以测量的BRDF值,BRF指的是地物方向反射辐射亮度值同条件下理想漫反射体的辐射亮度值的比值,称为双向反射率因子R:
$ R=\frac{\mathrm{d} L_{\mathrm{r}}\left(\theta_{\mathrm{r}}, \varphi, \lambda\right)}{\mathrm{d} L_{\mathrm{p}}\left(\theta_{\mathrm{r}}, \varphi, \lambda\right)} $
(2) 式中,λ表示入射光的波长; dLr(·)为地物目标在θr, φr方向上的反射辐亮度值,dLp(·)表示同条件下理想的漫反射体在该方向上的反射辐射亮度值,φ=|φi-φr|表示光源与探测器的相对方位角。
半经验核驱动模型运用了经验系数的线性组合,拥有简单的表达式和更高的使用范围,不仅仅可以在拍摄数据范围内获得较高的精度,并且外推可以求得任意入射光线和观测角的二向反射,模型结构简单、反演速度快[17]。RossThick-LiSparseR模型是一种典型的半经验核驱动模型,描述的BRDF比较准确,反演反射率的结果精度比较高。RossThick-LiSparseR的表达式为:
$ \boldsymbol{R}=f_{\mathrm{iso}}(\lambda)+f_{\mathrm{vol}}(\lambda) \times \boldsymbol{K}_{\mathrm{vol}}+f_{\mathrm{geo}}(\lambda) \times \boldsymbol{K}_{\mathrm{geo}} $
(3) 该模型将二向性反射分解为了3个部分的线性组合,其中R代表二向反射率,Kvol和Kgeo分别为体散射核和几何光学核,其体散射核是RossThick核,几何光学核是LiSpareR核,具体表示见参考文献[10]。3个常系数fiso(λ), fvol(λ)和fgeo(λ)只与波长有关,分别表示均匀散射、体散射和几何光学散射所占比例[18-19]。
体散射核和几何光学核的值只与成像时的方向条件有关,实验过程中可以通过测量成像光谱仪的探测角、太阳与探测器的相对方位角以及太阳高度角等进行计算得到。在计算二向反射率的时候,由于两个核的积分与波长无关,可以先利用角度信息计算出两个核的值,通过反射率以及两个核的值代入线性拟合中来求出3个常系数的值,进而可以外推求得任意方向条件下地物的二向反射率。
-
对于可逆方阵An×n而言,其逆矩阵可以通过公式法或初等变换的方法求得;而对于一般矩阵Am×n来说,求其逆矩阵需要利用广义逆矩阵方法。设A∈Cm×n(Cm×n为m×n维度的复矩阵), 若存在X∈Cn×m(Cn×m为n×m维度的复矩阵)满足以下条件:AXA=A、XAX=X、(XA)H=XA、(AX)H=AX(其中上标H代表求矩阵的共轭矩阵),则称矩阵X是A的M-P广义逆矩阵, 也称为伪逆矩阵,将X记为A+,以便与常见的逆矩阵加以区分。
在进行参数拟合时,为了得到更加准确可靠的地物BRDF模型参数,需要的先验数据组数远大于参数个数,很容易导致形成的线性方程组为矛盾方程组,而矛盾方程组Am×nXn×k=bm×k的极小最小二乘解存在且唯一,解即为Xn×k=An×m+bm×k。其中(AA+b)m×k的值即为总体接近矩阵bm×k的最优值,而An×m+的值可以通过计算直接得到。
相比于传统的最小二乘法线性拟合等方法,广义逆矩阵拟合方法具有快速简单、针对性强的特点。多维光谱数据的处理,实质上是对多维矩阵的运算处理,由于获取的光谱数据具有信息量大、相关性高等特点,因此,广义逆矩阵拟合方法在光谱矩阵数据处理中具有广泛的应用之处。
-
实验选择在河北省石家庄市某地进行,其经纬度为北纬38°27′,东经114°30′,海拔为78 m。分别在4个不同的时间进行了4组地物目标光谱反射率测量实验。具体条件、太阳高度角、探测天顶角、相对方位角等数据如表 1所示,在不同条件下共得到4组数据。
表 1 实验测量条件
Table 1. Experimental measurement conditions
group count time illuminate zenith angle/(°) view zenith angle/(°) relative azimuth angle/(°) 1 t1 38.5 20 59 2 t2 24.3 90 59 3 t3 24.6 94 59 4 t4 27.0 120 59 根据上述测量条件,代入到模型公式中,可以得到Kvol和Kgeo相应的常数值,如表 2所示。
表 2 不同条件下Kvol和Kgeo的值
Table 2. Values of Kvol and Kgeo under different conditions
group count Kvol Kgeo 1 -1.0722 -0.0341 2 -1.6957 -1.2451 3 -1.7198 -1.2875 4 -1.8558 -1.5532 数据获取所使用的是野外地面成像光谱仪,成像波段集中在可见光波段,具体为449 nm~801 nm,为了得到更为精确的目标光谱曲线,设置的光谱分辨率为4 nm,因此,可以得到89个波谱图像,每一幅图像都记录了视场内地物在不同波长下的辐射亮度值。实验中,可以将标准白板放到目标地物附近,由于探测距离远大于白板与地物之间的距离,因此,可以近似认为两者的各角度条件一致。图 2为实验原理示意图,图 3为拍摄场景灰度图。选取的2种典型地物目标为草地、迷彩雨衣。
测得草地的反射率数据用R11, R12, R13, R14表示,迷彩雨衣的反射率数据用R21, R22, R23, R24表示。测量数据如表 3、表 4所示。
表 3 草地的光谱反射率数据
Table 3. Spectral reflectance data of grassland
band R11 R12 R13 R14 1 0.062 0.008 0.017 0.011 2 0.056 0.002 0.035 0.002 3 0.040 0.001 0.020 0.014 … … … … … … … … … … 87 0.519 0.415 0.292 0.283 88 0.508 0.408 0.278 0.285 89 0.512 0.406 0.299 0.280 表 4 迷彩雨衣的光谱反射率数据
Table 4. Spectral reflectance data of camouflage raincoat
band R21 R22 R23 R24 1 0.103 0.094 0.076 0.067 2 0.100 0.092 0.095 0.078 3 0.108 0.083 0.081 0.072 … … … … … … … … … … 87 0.693 0.643 0.645 0.642 88 0.685 0.666 0.633 0.661 89 0.697 0.643 0.632 0.660 利用每种地物的前3组数据作为拟合BRDF参数所需的原始数据,利用最后一组反射率数据与拟合参数后计算得到的数据作对比。
-
将上述RossThick-LiSparseR模型公式(3)式写成矩阵形式,即为:
$ \boldsymbol{R}=\left(\begin{array}{lll} 1 & \boldsymbol{K}_{\mathrm{vol}} & \boldsymbol{K}_{\mathrm{geo}} \end{array}\right) \times\left[\begin{array}{c} f_{\mathrm{iso}}(\lambda) \\ f_{\mathrm{vol}}(\lambda) \\ f_{\mathrm{geo}}(\lambda) \end{array}\right] $
(4) 如果是利用3组数据拟合,根据前3组数据获取的实验条件用下标区分为Kvol,1与Kgeo,1、Kvol,2与Kgeo,2、Kvol,3与Kgeo, 3。以草地的反射率数据为例代入,即:
$ \begin{array}{c} & {\left[\begin{array}{lll} 1 & \boldsymbol{K}_{\mathrm{vol}, 1} & \boldsymbol{K}_{\mathrm{geo}, 1} \\ 1 & \boldsymbol{K}_{\mathrm{vol}, 2} & \boldsymbol{K}_{\mathrm{geo}, 2} \\ 1 & \boldsymbol{K}_{\mathrm{vol}, 3} & \boldsymbol{K}_{\mathrm{geo}, 3} \end{array}\right]_{3 \times 3} \times\left[\begin{array}{l} f_{\mathrm{iso}}(\lambda) \\ f_{\mathrm{vol}}(\lambda) \\ f_{\mathrm{geo}}(\lambda) \end{array}\right]_{3 \times 89}=} \\ & \left(\begin{array}{lll} \boldsymbol{R}_{11} & \boldsymbol{R}_{12} & \boldsymbol{R}_{13} \end{array}\right)_{3 \times 89}^{\mathrm{T}} \\ & \end{array} $
(5) 那么只需要输入相应的核常数矩阵以及各波段反射率数值矩阵,便可以利用广义逆矩阵的方法快速拟合出RossThick-LiSparseR模型中草地对应的3个参数fiso(λ), fvol(λ)和fgeo(λ)的数值, 即最佳解的表达式为:
$ \begin{array}{c} & {\left[\begin{array}{l} f_{\mathrm{iso}}(\lambda) \\ f_{\mathrm{vol}}(\lambda) \\ f_{\mathrm{geo}}(\lambda) \end{array}\right]_{3 \times 89}=\left[\begin{array}{lll} 1 & \boldsymbol{K}_{\text {vol }, 1} & \boldsymbol{K}_{\text {geo }, 1} \\ 1 & \boldsymbol{K}_{\text {vol }, 2} & \boldsymbol{K}_{\text {geo }, 2} \\ 1 & \boldsymbol{K}_{\text {vol }, 3} & \boldsymbol{K}_{\mathrm{geo}, 3} \end{array}\right]_{3 \times 3}^{+} \times} \\ & \left(\begin{array}{lll} \boldsymbol{R}_{11} & \boldsymbol{R}_{12} & \boldsymbol{R}_{13} \end{array}\right)_{3 \times 89}^{\mathrm{T}} \\ & \end{array} $
(6) 同理,也可以得到迷彩雨衣对应的3个参数的数值,拟合出草地的3组参数可以用fiso,1(λ), fvol,1(λ)和fgeo,1(λ)来表示,如图 4所示。迷彩雨衣的模型参数值用fiso,2(λ), fvol,2(λ)和fgeo,2(λ)表示,如图 5所示。
-
采用广义逆矩阵拟合方法对3组实验数据进行运算分别得到了草地和迷彩雨衣的RossThick-LiSparseR模型的均匀散射、体散射和几何光学散射的参数值。第4组实验条件下Kvol与Kgeo的值为Kvol,4、Kgeo,4,以草地为例,利用以下公式可以拟合出在第4组实验条件下的光谱反射率R14′(λ),即:
$ \begin{gathered} \boldsymbol{R}_{14}{ }^{\prime}(\lambda)=f_{\text {iso }, 1}(\lambda)+f_{\text {vol }, 1}(\lambda) \times \\ \boldsymbol{K}_{\text {vol }, 4}+f_{\text {geo }, 1}(\lambda) \times \boldsymbol{K}_{\text {geo }, 4} \end{gathered} $
(7) 以草地为例拟合出的光谱反射率曲线数值与第4组实验测得的反射率数值,结果如图 6所示。同理,也可以得到迷彩雨衣的拟合光谱反射率曲线与实测光谱反射率曲线, 如图 7所示。
图 7 拟合与实测的迷彩雨衣光谱反射率曲线
Figure 7. Fitting and measured spectral reflectance curves of camouflage raincoat
从图中可以看出,利用实验数据拟合出草地与迷彩雨衣的光谱反射率曲线与实测的反射率具有较高的相似性。光谱角制图法(spectral angle mapping,SAM)是通过计算两光谱曲线的矢量角度来衡量两者的光谱相似度,该方法取值结果一般为0~1,取值越小,证明两曲线的相似度越高[20]。利用SAM度量拟合与实测的目标光谱反射率的相似度,得到结果如表 5所示。光谱反射率在不同条件下的反演能力与使用的BRDF模型和拟合方式都有关系。实验不仅说明了广义逆矩阵拟合方法的简单有效,也从侧面体现出了RossThick-LiSparseR模型的反演适应能力较强。
表 5 拟合与实测目标光谱反射率曲线的相似度
Table 5. Similarity between fitting and measured target spectral reflectance curve
grassland camouflage raincoat SAM 0.1307 0.0896
基于广义逆矩阵的BRDF模型参数拟合方法
Parameter fitting method of BRDF model based on generalized inverse matrix
-
摘要: 为了提高二向性反射率分布函数(BRDF)模型参数拟合的效率, 充分了解地物目标的光谱方向特性, 提出了一种基于广义逆矩阵的BRDF模型参数拟合方法。首先分析了地物光谱反射的方向特性, 然后使用成像光谱仪测量不同方向条件下目标的光谱反射率, 将实验条件与先验测量数据代入BRDF模型中, 建立广义逆矩阵等式并拟合出测量目标的模型参数; 利用拟合的目标BRDF模型参数反推任意特定方向条件下的光谱反射率, 并与实测数据作对比, 采用光谱角制图法度量其相似度。结果表明, 草地和迷彩雨衣的拟合光谱曲线与实测光谱曲线的相似度很高, 分别达到了0.1307和0.0896, 证实了该参数拟合方法的有效性, 同时也验证了BRDF模型的泛化拟合能力。该方法原理简单、快速有效, 可为其它类型的BRDF模型参数拟合与后续地物目标光谱特性研究提供参考。Abstract: In order to improve the efficiency of parameter fitting of binary reflectance distribution function (BRDF)model and understand the spectral direction characteristics of ground object more specifically, a method of parameter fitting of BRDF model based on generalized inverse matrix was proposed. Firstly, the directional characteristics of spectral reflection of ground objects were analyzed, and then the spectral reflectance of targets in different directions was measured by imaging spectrometer. The experimental conditions and a priori measurement data were substituted into BRDF model, the generalized inverse matrix equation was established, and the model parameters of measurement targets were fitted. Using the BRDF model parameters of fitting the push any particular direction under the condition of spectral reflectance and compared with experimental data. Spectral angle mapping method was used to measure its similarity and the results showed that the grass and camouflage raincoat fitting spectrum curve and the measured spectral curve similarity is very high, up to the 0.1307 and 0.0896, confirmed the validity of the parameter fitting method, the ability to verify the generalization of the BRDF model fitting. This method is simple in principle, fast and effective, and provides reference for other types of BRDF model parameter fitting and subsequent research on spectral characteristics of ground objects.
-
表 1 实验测量条件
Table 1. Experimental measurement conditions
group count time illuminate zenith angle/(°) view zenith angle/(°) relative azimuth angle/(°) 1 t1 38.5 20 59 2 t2 24.3 90 59 3 t3 24.6 94 59 4 t4 27.0 120 59 表 2 不同条件下Kvol和Kgeo的值
Table 2. Values of Kvol and Kgeo under different conditions
group count Kvol Kgeo 1 -1.0722 -0.0341 2 -1.6957 -1.2451 3 -1.7198 -1.2875 4 -1.8558 -1.5532 表 3 草地的光谱反射率数据
Table 3. Spectral reflectance data of grassland
band R11 R12 R13 R14 1 0.062 0.008 0.017 0.011 2 0.056 0.002 0.035 0.002 3 0.040 0.001 0.020 0.014 … … … … … … … … … … 87 0.519 0.415 0.292 0.283 88 0.508 0.408 0.278 0.285 89 0.512 0.406 0.299 0.280 表 4 迷彩雨衣的光谱反射率数据
Table 4. Spectral reflectance data of camouflage raincoat
band R21 R22 R23 R24 1 0.103 0.094 0.076 0.067 2 0.100 0.092 0.095 0.078 3 0.108 0.083 0.081 0.072 … … … … … … … … … … 87 0.693 0.643 0.645 0.642 88 0.685 0.666 0.633 0.661 89 0.697 0.643 0.632 0.660 表 5 拟合与实测目标光谱反射率曲线的相似度
Table 5. Similarity between fitting and measured target spectral reflectance curve
grassland camouflage raincoat SAM 0.1307 0.0896 -
[1] 丁安心, 焦子锑, 董亚冬, 等. 基于线性核驱动模型的BRDF模型集成与案例分析[J]. 遥感技术与应用, 2018, 33(3): 545-554. DING A X, JIAO Z T, DONG Y D, et al. BRDF model integration and case analysis based on linear kernel driven model[J]. Remote Sensing Technology and Application, 2018, 33(3): 545-554(in Chinese). [2] 王捷, 肖爱平, 焦子锑. 植被多角度光谱信息采集系统的设计与分析[J]. 湖北农业科学, 2014, 53(9): 2165-2170. WANG J, XIAO A P, JIAO Z D. Design and analysis of vegetation multi angle spectral information acquisition system[J]. Hubei Agricultural Sciences, 2014, 53(9): 2165-2170(in Chinese). [3] SANDMEIER S R. Acquisition of bidirectional reflectance factor data with field goniometers[J]. Remote Sensing of Environment, 2000, 73(1): 257-259. [4] SANDMEIER S R, SANDMEIER W, ITTEN K I, et al. A field goniometer system (FIGOS) for acquisition of hyperspectral BRDF data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1999, 37(2): 978-986. doi: 10.1109/36.752216 [5] 程晨, 杨世植, 崔生成, 等. 核驱动BRDF模型RossThick-LiSparseR与RossThick-LiTransitN的分析[J]. 大气与环境光学学报, 2016, 11(3): 211-216. CHENG Ch, YANG Sh Zh, CUI Sh Ch, et al. Nuclear drive RossThick-LiSparseR BRDF model with RossThick-LiTransitN analysis[J]. Journal of Atmospheric and Environmental Optics, 2016, 11(3): 211-216(in Chinese). [6] 解斐斐, 孙林, 林宗坚, 等. 基于Ross Thick-LiSparseR及Ross Thick-LiTransit的核驱动BRDF计算与评价[J]. 遥感信息, 2011, 26(4): 3-6. XIE F F, SUN L, LIN Z J, et al. Based on the Ross Thick-LiSparseR and RossThick-LiTransit nuclear drive BRDF calculation and evaluation[J]. Remote Sensing Information, 2011, 26(4): 3-6(in Chin-ese). [7] 赵云, 谢东海, 邓磊, 等. 利用多角度影像计算BRDF的方法与系统实现[J]. 遥感技术与应用, 2018, 33(4): 741-749. ZHAO Y, XIE D H, DENG L, et al. Method and system realization of BRDF calculation using multi-angle image[J]. Remote Sensing Technology and Application, 2018, 33(4): 741-749(in Chinese). [8] 张虎, 焦子锑, 董亚冬, 等. 利用BRDF原型和单方向反射率数据估算地表反照率[J]. 遥感学报, 2015, 19(3): 355-367. ZHANG H, JIAO Z T, DONG Y D, et al. Albedo rethlevedfrom BRDF archetype and surface directional reflectance[J]. Journal of Remote Sensing, 2015, 19(3): 355-367(in Chinese). [9] 何维, 杨华. 联合Terra/Aqua MODIS多角度多光谱数据反演冬小麦叶面积指数[J]. 农业工程学报, 2013, 29(4): 204-212. HE W, YANG H. Winter wheat leaf area index retrieval with Multi-angle and multirspectral Terra/Aqua MODIS data[J]. Transactions of the Chinese Society of Agricultural Engineering, 2013, 29(4): 204-212(in Chinese). [10] 麻庆苗, 李静, 刘强, 等. 混合像元聚集指数研究及尺度分析[J]. 遥感学报, 2012, 16(5): 895-908. MA Q M, LI J, LIU Q, et al. Calculation of clumping index of mixed pixel and scale analysis[J]. Journal of Remote Sensing, 2012, 16(5): 895-908(in Chinese). [11] 夏云超, 易娜. 用广义逆矩阵求一般曲线的拟合方程式[J]. 湖南大学学报(自然科学版), 1999, 26(s1): 36-40. XIA Y Ch, YI N. Using generalized inverse matrix to find the fitting equation of general curve[J]. Journal of Hunan University(Natural Science Editaion), 1999, 26(s1): 36-40(in Chinese). [12] 王鹏, 陈剑波. 复矩阵方程AXB=C的最小二乘Hermite解[J]. 理论数学, 2016, 6(1): 42-49. WANG P, CHEN J B. Least squares Hermite solution of complex matrix equation AXB=C[J]. Pure Mathematics, 2016, 6(1): 42-49(in Chinese). [13] 焦子锑, 王锦地, 谢旦欧, 等, 地面和机载多角度观测数据的反照率反演及对MODIS反照率产品的初步验证[J]. 遥感学报, 2005, 9(1): 64-72. JIAO Z T, WANG J D, XIE D O, et al. Initial validation of MCDIS albedo product by using field measurements and airborne multiangular remote sensing observations[J]. Journal of Remote Sensing, 2005, 9(1): 64-72(in Chinese). [14] 王强辉, 华文深, 黄富瑜, 等. 基于光谱角背景纯化的高光谱异常检测算法[J]. 激光技术, 2020, 44(5): 623-627. WANG Q H, HUA W Sh, HUANG F Y, et al. Based on the spectral angle background purification of hyperspectral anomaly detection algorithm[J]. Laser Technology, 2020, 44(5): 623-627(in Chin-ese). [15] 杨林华, 许杰, 蒋山平. 真空低温环境反射镜光谱反射率原位测量技术[J]. 应用光学, 2015, 36(4): 559-565. YANG L H, XU J, JIANG Sh P. Vacuum cryogenic environment reflector spectrum reflectance in situ measurement techniques[J]. Journal of Applied Optics, 2015, 36(4): 559-565(in Chinese). [16] 张百顺, 刘文清, 魏庆农, 等. 典型目标的BRDF实验室测量与模型验证[J]. 量子电子学报, 2006, 23(4): 533-536. ZHANG B Sh, LIU W Q, WEI Q N, et al. The BRDF of typical target model validation and measurement in laboratory[J]. Chinese Journal of Quantum Electronics, 2006, 23(4): 533-536(in Chin-ese). [17] 阎广建, 吴均, 王锦地, 等. 光谱先验知识在植被结构遥感反演中的应用[J]. 遥感学报, 2002, 6(1): 1-6. YAN G J, WU J, WANG J D, et al. Spectral prior knowledge in the application of remote sensing inversion of vegetation structure[J]. Journal of Remote Sensing, 2002, 6(1): 1-6(in Chinese). [18] 刘思含, 刘强, 柳钦火, 等. 多角度多波段的核函数及其在BRDF研究中的应用[J]. 北京师范大学学报(自然科学版), 2007, 43(3): 309-313. LIU S H, LIU Q, LIU Q H, et al. Band from different points of kernel function andits application in the BRDF research[J]. Journal of Beijing Normal University(Natural Science Edition), 2007, 43(3): 309-313(in Chinese). [19] 周冰, 李秉璇, 贺宣, 等. 陆基条件下典型地物和伪装光谱影响因子分析[J]. 光谱学与光谱分析, 2021, 41(9): 2956-2961. ZHOU B, LI B X, HE X, et al. Analysis of influence factors of ty-pical ground objects and camouflage spectra under land-based conditions[J]. Spectroscopy and Spectral Analysis, 2021, 41(9): 2956-2961(in Chinese). [20] LIU N L, GUO Y X, JIANG H M, et al. Gastric cancer diagnosis using hyperspectral imaging with principal component analysis and spectral angle mapper[J]. Journal of Biomedical Optics, 2020, 25(6): 1-9.