譚偉 王鈺 何紅艷 齊文雯

?

常用大氣校正模型對圖像清晰度提升的對比分析

譚偉 王鈺 何紅艷 齊文雯

（北京空間機電研究所，北京 100094）

大氣散射、吸收及臨近效應(yīng)等降低了大氣調(diào)制傳遞函數(shù)而影響遙感圖像清晰度，去除大氣影響對提高圖像清晰度具有重要意義。文章采用典型遙感衛(wèi)星Landsat-8多光譜數(shù)據(jù)進行大氣校正對圖像清晰度提升的研究，基于6S模型、FLAASH模型和黑暗像元法（DOS）模型進行大氣校正，得到各譜段地物反射率圖像。采用常用的基于圖像特征參數(shù)（灰度梯度、邊緣、熵及頻譜）和多光譜圖像色彩保真度的清晰度評價方法對校正前后圖像清晰度進行評價。結(jié)果表明：采用FLAASH、6S和DOS三種模型，大氣校正后的清晰度特征參數(shù)（以熵為例）較原圖平均提升程度分別為27%、10%、1.3%。而色彩保真度方面，各譜段反射率與實際反射率差（以草地為例）的平均值分別為0.018、0.028、0.038。因此，基于輻射傳輸模型的方法具有更高的大氣校正精度，其中FLAASH模型對圖像清晰度的提升最明顯。

大氣校正 大氣傳輸模型 圖像清晰度 航天遙感

0 引言

清晰度是衡量遙感圖像品質(zhì)的一個重要參數(shù)，高清晰度的圖像具有景物細節(jié)辨別度高、信息量豐富、目標(biāo)識別能力強等優(yōu)點，無論軍用民用行業(yè)，均要求遙感圖像具備高清晰度以滿足不同任務(wù)的需求。影響遙感圖像清晰度的因素眾多，主要包括以下三個來源[1]：衛(wèi)星平臺方面的因素，如平臺顫振、數(shù)據(jù)壓縮等；相機方面因素，如雜散光、電路噪聲等；輻射傳遞鏈路方面的因素，如太陽輻照、大氣傳輸?shù)?。不同因素對圖像清晰度的影響機制不盡相同，本文中主要考慮大氣傳輸?shù)挠绊?，介紹了黑暗像元法（Dark Object Subtraction，DOS）、6S法（Second Simulation of the Satellite Signal in the Solar Spectrum）和FLAASH法（Fast Line-of-sight Atmospheric Analysis of Hypercubes）三種典型大氣校正模型的原理，結(jié)合國內(nèi)外廣泛應(yīng)用的典型遙感衛(wèi)星Landsat-8衛(wèi)星多光譜圖像，使用這三種模型對圖像進行大氣校正，并采用幾種常用的圖像清晰度特征參數(shù)[2-5]和多光譜圖像色彩保真度[6]，對大氣校正前后圖像清晰度進行綜合評價，并通過定量化的對比結(jié)果，認為FLAASH模型是三種模型中對遙感圖像清晰度提升效果最明顯的。

1 大氣對清晰度的影響分析

遙感衛(wèi)星成像時輻射傳遞鏈路可簡述為地物反射太陽輻射、大氣傳輸、遙感器接收輻射并成像。在攜帶地物信息的太陽輻射穿過大氣層到達在軌運行的遙感衛(wèi)星入瞳前的過程中，受到大氣中分子、氣溶膠等成分的吸收和散射、大氣湍流等一系列影響，（例如：大氣氣體分子和氣溶膠粒子吸收與散射造成的信號衰減、大氣湍流造成光學(xué)成像系統(tǒng)分辨率的減低等[7]），導(dǎo)致輻射傳輸鏈路中大氣調(diào)制傳遞函數(shù)（Modulation Transfer Function，MTF）降低，造成遙感圖像對比度下降。大氣對輻射的吸收、散射作用及臨近效應(yīng)的影響能導(dǎo)致地表目標(biāo)與背景、目標(biāo)與目標(biāo)之間的輻射信息的混淆疊加，其作用相當(dāng)于增加了大氣衰減而造成圖像退化，如式（1）所示，體現(xiàn)到圖像上即地表景物之間邊緣的模糊，從而降低了圖像清晰度。

2 三種常用大氣校正模型原理

目前常用的大氣校正方法主要有基于圖像統(tǒng)計特征[9]和基于輻射傳輸模型[10]兩大類方法。圖像統(tǒng)計特征法中最常用的是DOS模型，依賴影像自身的信息完成大氣輻射校正與反射率反演的過程，這種方法不需要輔助數(shù)據(jù)，執(zhí)行效率高?；谳椛鋫鬏斈Ｐ偷姆椒ㄖ饕?S模型、中分辨率大氣傳輸模型（Moderate Resolution Atmospheric Transmission，MODTRAN）應(yīng)用最為廣泛。6S模型采用最新近似和逐次散射算法來計算大氣散射和吸收，考慮了地表的朗伯體和非朗伯體特性，具有較高的瑞利散射和氣溶膠散射的計算精度[11]。MODTRAN模型集成在商業(yè)遙感圖像處理軟件ENVI中，能有效消除大部分大氣和光照等因素對地物反射的影響，獲得較為準(zhǔn)確的地物反射率、輻射率等真實物理參數(shù)，校正譜段范圍從可見光、近紅外到短波紅外范圍[12]。本文中主要采用基于輻射傳輸模型的FLAASH模型和6S模型及基于圖像統(tǒng)計特征的DOS模型。

圖1 大氣對輻射傳輸?shù)淖饔脵C制

2.1 DOS模型大氣校正原理

在假定待校正的遙感圖像上存在黑暗像元區(qū)域（如：水體或濃密植被等[13-14]），地表為朗伯面反射，大氣性質(zhì)均一，大氣多次散射輻照度作用和鄰近像元漫反射作用可以忽略的前提下，反射率或輻亮度很小的黑暗像元由于大氣的影響，這些像元的亮度相對增加，可以認為增加的這部分亮度是由大氣的程輻射影響產(chǎn)生的。DOS模型的大氣校正原理是利用黑暗像元計算出大氣程輻射，并結(jié)合相應(yīng)的大氣校正模型，獲得相應(yīng)的大氣參數(shù)，從而得到地物反射率，其表達式如下

式中dos為圖像中所選擇的暗像元的輻亮度；太陽天頂角、大氣層頂太陽光譜輻照度0均可由衛(wèi)星輔助數(shù)據(jù)獲??；其他大氣校正參量v、z、D由經(jīng)驗假設(shè)或采用6S模型得到。

2.2 6S模型大氣校正原理

6S模型是基于輻射傳輸?shù)拇髿庑Ｕ椒?，用于模擬太陽光在太陽—地面目標(biāo)—傳感器的傳輸過程中所受到的大氣的影響。在6S模型中，大氣層視為僅在垂直方向上變化，水平方向為均勻一致的平行平面大氣。地表類型分為三類：均一地表朗伯體模型、非均一地表朗伯體模型和雙向反射率分布函數(shù)（Bidirectional Reflectance Distribution Function，BRDF）模型，每種地表均有獨立的反射率計算模型。大氣模型包括熱帶、中緯度夏季、中緯度冬季等幾種典型類型，也可接受用戶自定義的大氣探空數(shù)據(jù)。氣溶膠類型則包含大陸型、海洋型、城市型、沙漠型等典型氣溶膠模型，可接受用戶輸入標(biāo)準(zhǔn)6S格式的氣溶膠實測值。6S模型中的光譜譜段范圍為0.25~4μm，包含幾十個衛(wèi)星光譜通道及對應(yīng)光譜響應(yīng)曲線，也可接受用戶自定義的光譜通道及相應(yīng)的響應(yīng)曲線文件。在上述6S模型大氣校正過程中，首先對圖像進行絕對輻射定標(biāo)，將圖像數(shù)字計數(shù)值轉(zhuǎn)換為相應(yīng)的入瞳輻亮度。6S模型大氣校正的輸出為三個大氣校正參數(shù)，利用式（4）可得到逐像元校正后的真實反射率[15-16]

式中t為校正后的地物反射率；a表示與大氣透射率相關(guān)的參數(shù)；b表示與大氣散射相關(guān)的參數(shù)；c表示大氣各項同性光的反射率；為中間值，無特殊物理意義。

2.3 FLAASH大氣校正原理

FLAASH大氣校正主要基于輻射傳輸模型MODTRAN 4（第4版MODTRAN模型），該模型中，大氣校正參數(shù)包括氣溶膠光學(xué)厚度、氣溶膠類型和大氣水汽柱含量，通過波段比值法進行水汽反演，用1 130nm處的水汽吸收波段與非水汽吸收波段的比值獲取大氣水汽柱含量；氣溶膠光學(xué)厚度則采用暗目標(biāo)法反演得到[17]，利用660nm和2 100nm的反射率估算氣溶膠量。

FLAASH模塊中也包含了幾種典型的大氣模型和氣溶膠類型，但不能接受用戶自定義的大氣探空數(shù)據(jù)和氣溶膠數(shù)據(jù)；當(dāng)遙感圖像具有2 100nm氣溶膠厚度反演譜段（如Landsat-8的B7譜段）和卷云反演譜段（如Landsat-8的B9譜段），實際運算中利用MODTRAN 4生成了一系列的大氣參數(shù)查找表進行反演并求解輻射傳輸方程，最后得到相應(yīng)的大氣參數(shù)完成大氣校正。光譜輻亮度計算公式如下[18]

式中a分別為大氣散射后的輻亮度值；、e分別為地物反射率和像元周圍區(qū)域的平均反射率；為大氣球面反照率；、為由大氣和幾何條件決定的系數(shù)。根據(jù)衛(wèi)星對應(yīng)的成像時間、地理位置和幾何條件，通過MODTRAN模型可模擬得到、、、a、e這幾個參數(shù)，從而得到相應(yīng)的地物反射率。

3 數(shù)據(jù)預(yù)處理

本文選用Landsat-8衛(wèi)星多光譜數(shù)據(jù)作為試驗對象。其中Landsat-8數(shù)據(jù)包含B~B7（海岸帶譜段、藍譜段、綠譜段、紅譜段、近紅外譜段、中波紅外譜段1/2）及B9譜段（卷云譜段），分辨率為30m，成像時間為2016年9月20日，位于北緯44.09°~47.29°、東經(jīng)121.77°~124.86°，研究區(qū)域為典型東北平原地形，包含草地、水體、裸地等。

對研究區(qū)域圖像進行大氣校正之前先進行預(yù)處理，主要包括對應(yīng)圖像衛(wèi)星成像參數(shù)獲?。ㄌ柛叨冉?太陽方位角，觀測高度角/觀測方位角，成像時間、譜段中心波長及對應(yīng)太陽光譜輻照度）、地理參數(shù)（經(jīng)緯度）獲取以及絕對輻射定標(biāo)。其中，絕對輻射定標(biāo)是通過定標(biāo)系數(shù)（增益系數(shù)和偏置系數(shù)）將圖像數(shù)字計數(shù)值轉(zhuǎn)換為入瞳輻亮度。三種大氣校正模型的輸入均為入瞳輻亮度圖像，并將輻亮度反演成地表反射率。因此，預(yù)處理中涉及的絕對輻射定標(biāo)公式如下

預(yù)處理過程中所需的參數(shù)均可從衛(wèi)星圖像輔助文件中獲得。如表1、表2所示。

表1 Landsat-8各譜段輻射校正系數(shù)和平均太陽光譜輻照度

Tab.1 Coefficients of radiometric calibration and exoatmospheric irradiance of each band of Landsat-8

表2 大氣校正模型輸入的參數(shù)

Tab.2 Input parameters of atmospheric correction models

4 試驗結(jié)果及驗證

在研究中，分別采用DOS、6S及FLAASH模型對Landsat-8多光譜圖像進行了大氣校正，主要研究其中B1~B4譜段，并利用可見光譜段（紅、綠、藍，對應(yīng)Landsat-8的B4、B3、B2譜段）合成真彩色圖像。評價圖像清晰度時，可采用主客觀評價相結(jié)合的方法，其中客觀評價方法是采用基于圖像空域或頻域特征參數(shù)的計算模型（如灰度變化、紋理、頻譜等），而主觀評價方法則結(jié)合彩色圖像特點，采用基于人眼視覺模型的圖像色彩保真度，用校正后的景物反射率與實際反射率的差進行定量描述。

圖2是Landsat-8大氣校正前后對比圖，校正前后圖像視覺效果均發(fā)生了變化，經(jīng)大氣校正后，消除了部分大氣的影響，恢復(fù)了下墊面的原有信息，對比圖2的（a）、（b）、（c）和（d）均可發(fā)現(xiàn)，大氣校正去除了原圖中由于大氣影響造成的所謂的“霧狀模糊”，圖像色彩得到了還原，景物細節(jié)對比度均得到了不同程度的提升，提高了圖像清晰度。

4.1 根據(jù)特征參數(shù)評價多光譜圖像清晰度

本文分別采用平均灰度梯度法、邊緣檢測法、熵函數(shù)法、頻譜法等幾種通用清晰度評價方法，計算原圖及校正后的B1~B4譜段的清晰度。其中，平均灰度梯度法基于圖像中像元之間的灰度梯度，原理是計算圖像所有像元之間的灰度梯度并求均值得到圖像平均灰度梯度，該值越大圖像越清晰；邊緣檢測法基于圖像景物邊緣的強度，原理是采用邊緣檢測矩陣對圖像進行卷積獲取圖像景物邊緣并求邊緣像元與其臨近像元之間的灰度差值的絕對值，并進行均值處理得到平均邊緣強度，該強度值越大圖像越清晰；熵函數(shù)法是基于圖像中包含信息量的多少，采用熵（Entropy）作為依據(jù)，原理是統(tǒng)計圖像動態(tài)范圍內(nèi)所有像元值出現(xiàn)的概率，并進行對數(shù)處理得到圖像熵，熵越大圖像越清晰；頻譜法基于圖像的頻譜特征，原理是頻譜中的高頻成分可反映圖像中邊緣和紋理的變化，高頻信息越豐富，圖像越清晰。

為方便對比，對計算所得的清晰度值進行歸一化處理（利用計算結(jié)果中的最大值進行歸一化處理），結(jié)果如圖3所示，其中Entropy、Spectrum、Gradient、Edge依次為圖像熵、圖像頻譜強度、圖像平均灰度梯度及圖像邊緣強度，分別表示采用熵函數(shù)法、頻譜法、平均灰度梯度法、邊緣檢測法計算得到的清晰度，該參數(shù)無單位，F(xiàn)LAASH、6S、DOS和original分別表示采用FLAASH、6S、DOS模型大氣校正后的圖像和原圖。

根據(jù)計算結(jié)果可知：經(jīng)大氣校正后每個譜段圖像清晰度均有所提高，以熵為例，F(xiàn)LAASH、6S和DOS模型大氣校正后對B1譜段的清晰度提升分別為36%、15%、1%，對B2譜段的清晰度提升分別為31%、13%、2%，對B3譜段的清晰度提升分別為23%、9%、1%，對B4譜段的清晰度提升分別為19%、6%、1%。因此，F(xiàn)LAASH模型校正后的圖像清晰度最好，6S模型其次，DOS模型稍差。

4.2 根據(jù)色彩保真度評價多光譜圖像清晰度

評價多光譜圖像色彩保真度可基于景物的反射率，即利用大氣校正后不同譜段的景物反射率與實際反射率差作為衡量標(biāo)準(zhǔn)。文中分別對比三種大氣校正后的圖像每個譜段中三類典型景物反射率與實際反射率的差，該反射率差越小表征大氣校正后的圖像色彩越接近真實值，合成真彩色圖像的清晰度越好，表3為真彩色譜段B2~B4圖像中三種典型景物的反射率與實際反射率，圖4為對比圖，表4為經(jīng)不同模型校正后不同譜段景物反射率與實際反射率的差。

（a）6S校正后的圖像 （b）DOS校正后的圖像

（a）Corrected image with 6S （b）Corrected image with DOS

（c）FLAASH校正后的圖像 （d）原圖

（a）B1譜段

（a）B1 band

（b）B2譜段

（b）B2 band

（c）B3譜段

（c）B3 band

（d）B4譜段

表3 大氣校正后B2~B4圖像中三種典型景物的反射率與實際反射率

Tab.3 Reflectances of three typical objects with atmospheric correction and the actual values

圖4 可見光譜段校正后反射率與實際反射率對比

表4 經(jīng)不同模型校正后不同譜段景物反射率與實際反射率的差

Tab.4 The differences between the corrected and the actual reflectances of different spectral bands

從表3、4和圖4可以看出，F(xiàn)LAASH模型校正后的圖像色彩保真度最佳，6S模型其次，DOS模型稍差。

結(jié)合4.1和4.2節(jié)的試驗結(jié)論可知：采用結(jié)合圖像成像幾何條件的基于輻射傳輸模型的大氣校正效果更好，且FLAASH模型對圖像清晰度的提升程度比6S模型更明顯，而基于圖像自身統(tǒng)計信息的DOS模型大氣校正過程由于無需借助輻射傳輸模型，計算相對快捷，但對圖像清晰度的提升效果不如FLAASH和6S模型方法。

5 結(jié)束語

本文基于大氣對圖像清晰度的影響分析，介紹了常用的DOS、6S和FLAASH三種遙感圖像大氣校正模型，并采用圖像紋理特征參數(shù)和多光譜圖像色彩保真度兩方面清晰度評價方法，研究這三種模型對圖像清晰度的提升。三種校正模型均在一定程度上去除了大氣造成的圖像“霧狀模糊”，提高了圖像清晰度。研究表明：基于輻射傳輸方程的FLAASH模型和6S模型對清晰度的提升效果優(yōu)于基于統(tǒng)計模型的DOS模型，且FLAASH模型大氣校正后圖像清晰度最高。在后續(xù)的研究工作中，隨著地物實地光譜采集及同步大氣參數(shù)測試工作的展開，可以利用實測大氣參數(shù)對遙感圖像進行大氣校正，并結(jié)合地物真實反射率進行直接評價，為基于大氣校正提高圖像品質(zhì)工作提供更加科學(xué)的依據(jù)。

[1] HOLST G C. Electro-optical Imaging System Performance[M]. Bellingham: SPIE Press, 2008: 189-194.

[2] ESKICIOGLU A M, FISHER P S. Image Quality Measures and Their Performance[J]. IEEE Transactions on Communications, 1995, 43(12): 2956-2965.

[3] 賀金平, 阮寧娟, 何紅艷. 基于EMD的無參考圖像清晰度評價方法[J]. 航天返回與遙感, 2013, 34(5): 78-84.HE Jinping, RUAN Ningjuan, HE Hongyan. Non-reference Evaluation Method of Image Definition Based on EMD[J]. Spacecraft Recovery & Remote Sensing, 2013, 34(5): 78-84. (in Chinese)

[4] 蔣婷, 譚躍剛, 劉泉. 基于SOBEL算子的圖像清晰度評價函數(shù)研究[J]. 計算機與數(shù)字工程, 2008, 226(8): 129-132.JIANG Ting, TAN Yuegang, LIU Quan. Research of a Clarity-Evaluation Function of Image Based on Sobel[J]. Computer & Digital Engineering, 2008, 226(8): 129-132. (in Chinese)

[5] NORMAN B N, BRIAN H B. Objective Image Quality Measure Derived from Digital Image Power Spectra[J]. Optical Engineering, 1992, 31(4): 813-825.

[6] 易維寧, 何超蘭, 喬延利. CBERS-02衛(wèi)星圖像的大氣訂正[J]. 遙感學(xué)報, 2006, 2(2): 150-155.YI Weining, HE Chaolan, QIAO Yanli. Atmospheric Correction of CBERS-02 CCD Image[J]. Journal of Remote Sensing, 2006, 2(2): 150-155. (in Chinese)

[7] 孫家抦. 遙感原理與應(yīng)用[M]. 武漢: 武漢大學(xué)出版社, 2009: 150-152.SUN Jiabing. Principles and Applications of Remote Sensing[M]. Wuhan: Wuhan University Press, 2009: 150-152. (in Chinese)

[8] VERMOTE E F, TANRE D, DEUZE J L, et al. Second Simulation of the Satellite Signal in the Solar Spectrum, 6S: an Overview[J]. IEEE Geoscience and Remote Sensing Society, 1997, 35(3): 675-686.

[9] HADJIMITSIS D G, THEMISTOCLEOUS K. Assessment of Effectiveness of Atmospheric Correction Methods Using Standard Calibration Targets, Ground Measurements and Aster Images[C]. Proceedings of the SPIE: The International Society for Optical Engineering, San Diego, 2009.

[10] 何海艦. 基于輻射傳輸模型的遙感圖像大氣校正方法研究[D]. 長春: 東北師范大學(xué), 2006.HE Haijian. The Study of Atmospheric Correction Scheme Based on the Radiative Transfer Theory[D]. Changchun: Northeast Normal University, 2006. (in Chinese)

[11] CHAVEZ P S. Image-based Atmospheric Corrections-revisited and Improved[J]. Photogrammetric Engineering & Remote Sensing, 1996, 62(9): 1025.

[12] 武永利, 欒青, 田國珍, 等. 基于6S模型的FY-3A/MERSI可將到近紅外波段大氣校正[J]. 應(yīng)用生態(tài)學(xué)報, 2011, 22(6): 1537-1542.WU Yongli, LUAN Qing, TIAN Guozhen, et al. Atmospheric Correction of Visible-infrared Band FY-3A/MERSI Data Based on 6S Model[J]. Chinese Journal of Applied Ecology, 2011, 22(6): 1537-1542. (in Chinese)

[13] 郭紅, 顧行發(fā), 謝勇, 等. 基于ZY-3 CCD相機數(shù)據(jù)的暗像元大氣校正方法分析與評價[J]. 光譜學(xué)與光譜分析, 2014, 34(8): 2203-2207.GUO Hong, GU Xingfa, XIE Yong, et al. Evaluation of Four Dark Object Atmospheric Correction Methods Based on ZY-3 CCD Data[J]. Spectroscopy and Spectral Analysis, 2014, 34(8): 2203-2207. (in Chinese)

[14] 徐涵秋. 利用改進的歸一化差異水體指數(shù)（MNDWI）提取水體信息的研究[J]. 遙感學(xué)報, 2005, 9(5): 589-595.XU Hanqiu. A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index (MNDWI)[J]. Journal of Remote Sensing, 2005, 9(5): 589-595. (in Chinese)

[15] MARTIN J, EUFENIO F, MARCELLO J, et al. Atmospheric Correction Models for High Resolution WorldView-2 Multispectral Imagery: A Case Study in Canary Islands, Spain[C]//Proceedings of SPIE: Asia-Pacific Remote Sensing Conference, Kyoto, 2012, 8534: 1-10.

[16] 孫長奎, 孫林, 麻盛芳, 等. HJ-1 CCD數(shù)據(jù)大氣校正方法研究[J]. 遙感學(xué)報, 2012, 16(4): 831-836.SUN Changkui, SUN Lin, MA Shengfang, et al. Atmospheric Correction Method Based on HJ-1 CCD[J]. Journal of Remote Sensing, 2012, 16(4): 831-836. (in Chinese)

[17] 蒲莉莉, 劉斌. 結(jié)合光譜響應(yīng)函數(shù)的Landsat-8影像大氣校正研究[J]. 遙感信息, 2015, 30(2): 116-119.PU Lili, LIU Bin. Atmospheric Correction of Landsat-8 Imagery Based on Spectral Response Function[J]. Remote Sensing Information, 2015, 30(2): 116-119. (in Chinese)

[18] ADLER G, MATTHEW M W, BERNSTEIN L S, et al. Atmospheric Correction for Shortwave Spectral Imagery Based on MODTRAN4[C]//Proceedings of SPIE: Environmental Remote Sensing Conference, Florida, 1999, 3753: 61-69.

（編輯：龐冰）

Comparison of Improving Image Definition with Common-used Atmospheric Correction Models

TAN Wei WANG Yu HE Hongyan QI Wenwen

（Beijing Institute of Space Mechanics & Electricity, Beijing 100094, China）

Atmospheric correction is very important to improve image definition, because the scattering, absorbing and adjacent effects of atmosphere can reduce the modulation transfer function and even influence the definition of remote sensing image. In the paper, the multispectral image of the typical satellite Landsat-8 was used in data processing of atmospheric correction. The reflectivity data for each band were obtained using three common atmospheric correction models, i.e. 6S, FLAASH and DOS. Then the definition of images before and after atmospheric correction was evaluated using four classical definition evaluation methods based on image features (namely, gray-scale gradient, edge, entropy and frequency spectrum) and color fidelity based on ground reflectance. The results indicated that the average definition (evaluated by entropy) had increased by 27%, 10% and 1.3% based on FLAASH, 6S and DOS respectively. For the color fidelities, the reflectance average differences before and after atmospheric correction, taking the grassland images as an example, were respectively 0.018, 0.028 and 0.038. Therefore, the methods based on radioactive transfer models, especially the FLAASH model, have much better accuracy of atmospheric correction than DOS.

atmospheric correction; atmospheric propagation model; image definition; space remote sensing

TP751

A

1009-8518(2017)05-0096-10

10.3969/j.issn.1009-8518.2017.05.012

譚偉，男，1990年生，2015年獲中國空間技術(shù)研究院飛行器設(shè)計專業(yè)碩士學(xué)位，工程師。研究方向為遙感數(shù)據(jù)處理與應(yīng)用。E-mail：blacktanphay@126.com。

2017-03-20