基于可见光、红外卫星影像计算NDVI的最优方法咨询

问题核心原因排查&优化方案 #

1. 先解决基础数据预处理问题

• 必须先做两景影像的像素级几何配准：两类不同卫星影像没有做配准的话，相同坐标的像素对应不上实际同一地物，是误检的核心诱因之一。
• 不要直接用DN值计算NDVI：你当前的代码直接用影像的原始DN值做计算，不同传感器的辐射响应曲线不同，高反射的屋顶、水泥地的近红外和红波段DN差容易和植被特征重合，建议先做辐射定标，将DN值转换为地表反射率后再计算NDVI。

2. 波段提取逻辑校验

根据你提供的红外影像光谱偏移说明，BGR色彩空间下的通道对应关系为：

NDVI的标准公式是(NIR - R)/(NIR + R)，你当前的计算逻辑无明显错误，可保留该波段提取规则。

3. 优化掩膜提取逻辑，降低非植被误检

• 先裁剪目标范围：先将黄色多边形作为ROI裁剪出待检测区域，再提前把红色区域做掩膜剔除，避免整张图的无关地物干扰阈值计算。
• 替换全局Otsu阈值为自适应阈值，或者增加辅助判断规则过滤非植被：
  植被在可见光影像上的绿波段反射率明显高于红、蓝波段，可增加颜色判据：img_visible[:,:,1] > img_visible[:,:,2] * 1.1 and img_visible[:,:,1] > img_visible[:,:,0] * 1.1，只有同时满足NDVI阈值和该颜色判据的像素才判定为植被，可过滤掉90%以上的灰色、红色、白色屋顶误检。
• 可额外结合形态学操作：对初步提取的植被掩膜做开运算（先腐蚀后膨胀），去除小的噪声点，再做小连通域过滤，进一步剔除误检的零散像素。

优化后参考代码

import cv2
import numpy as np

# 前置步骤：完成img_visible、img_irc的配准、辐射校正，生成黄色多边形ROI掩膜roi_mask、红色区域排除掩膜exclude_mask

# 计算NDVI
nir = img_irc[:,:,2].astype(np.int16)
r_vis = img_visible[:,:,2].astype(np.int16)
ndvi = (nir - r_vis) / (nir + r_vis + 1e-6)

# 提取可见光颜色过滤掩膜：绿波段显著高于红、蓝波段
g_vis = img_visible[:,:,1]
b_vis = img_visible[:,:,0]
color_mask = (g_vis > r_vis * 1.1) & (g_vis > b_vis * 1.1)

# NDVI阈值+颜色过滤+范围过滤，合并生成最终植被掩膜
ndvi_mask = ndvi > 0.3 # 可根据实际影像调整阈值，或用自适应阈值计算
final_mask = ndvi_mask & color_mask & roi_mask & (~exclude_mask)

# 形态学优化
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
final_mask = cv2.morphologyEx(final_mask.astype(np.uint8), cv2.MORPH_OPEN, kernel)
# 过滤小于10像素的小连通域
_, labels, stats, _ = cv2.connectedComponentsWithStats(final_mask, connectivity=8)
for i in range(1, len(stats)):
    if stats[i, cv2.CC_STAT_AREA] < 10:
        final_mask[labels == i] = 0

内容的提问来源于stack exchange，提问作者chambeeee