2. 国家测绘地理信息局卫星 测绘应用中心, 北京 101300
, ,
通过光学卫星遥感影像，人们可以获得大量的、直观的表面客体或事物，另外，卫星遥感影像也越来越多地应用于资源调查、自然灾害监测、环境污染监测、制图及军事目的的地面目标识别等方面。但是，云的存在减少了卫星遥感影像上的有效信息，影响了遥感影像的使用，尤其是朵云(也叫厚云)的存在，造成了卫星遥感影像上信息的盲区，因此云的去除有很重要的意义。而云区的判断又是云去除前很关键的步骤。在云的识别中，雪是最大的影响因素，在可见光-近红外波段的范围内，云和雪光谱特性很相近[1]，云雪不能分离，资源三号全色卫星遥感影像上云雪的光谱信息相近，如果只利用光谱信息，云雪很难分离。
关于如何分离遥感影像上的云和雪的问题，目前的研究主要还是从光谱信息和纹理信息入手。孙磊等[2]通过分形维数、灰度共生矩阵、小波变换等方法提取云和雪区域的多种纹理特征，并利用径向基核函数的支持向量机分类器进行云雪自动检测。丁海燕等[3]通过训练大量的试验样本获得了表征云、雪纹理特征的分形维数值的统计规律，提出了一种基于分形维数的全色影像云和积雪自动识别方法。陈婷等[4]针对全色图像的冰雪识别问题，以过渡区理论为基础，提出了基于过渡区特征的冰雪识别方法，使用到的过渡区特征有厚度、均值和方差。殷青军等[5]通过分析NOAA/AVHRR资料中云和雪的光谱特征，针对青海省南部的云、雪特征,提出了新的云、雪判别因子，对于区分青海省南部地区的云、雪有较好的效果。李微等[6]总结了云和不同目标之间的光谱差异，并结合MODIS影像的波段范围，提出了一种通用的多光谱云检测算法。对于资源三号全色遥感影像，无法使用云雪的光谱特征差异进行云雪分离，而更多要考虑使用影像的纹理信息。
一、 资源三号全色影像云雪特征提取 1. 资源三号全色影像上云雪特点资源三号测绘卫星是我国第一颗民用高分辨率立体测图卫星，于2012年1月9日成功发射。该卫星兼有测绘和国土资源普查的功能，用于1∶50 000立体测图及更大比例尺基础地理信息产品的生产和更新，以及开展国土资源调查与监测[7]。从资源三号全色影像上可以看出，大片的云和雪中央，灰度值是影像的最大值，而且都是相同的，几乎没有纹理可言，但在边界上，云的边界比较模糊、圆润，灰度变换缓慢，如图 1所示。雪受到地形的影响，边界比较清晰，灰度变化快，如图 2所示。因此，资源三号全色卫星影像上的云雪分离需要考虑云雪的边界特征。初步云识别阶段，分别建立云和其他地物的训练样本，其他地物的训练样本中没有雪的样本，云样本中云的含量占60%~100%，提取能量、分形维数、均值3个特征参数；云雪分离阶段，分别建立云边界和雪边界样本，样本中全部是云和雪的边界，不存在全云或全雪的情况，提取分析维数和改进的平均梯度，支持向量机在云检测方面具有一定的优势[8, 9]，因此本文使用支持向量进行样本的训练和识别。
 |
| 图 1 云的边界 |
|
| 图 2 雪的边界 |
初步云识别无需考虑雪的因素，采用云与一般地物可分离的特征值。提取灰度共生矩阵计算得到的能量、分形维数和灰度均值作为雪与其他地物分离的特征值。
(1)灰度共生矩阵
灰度共生矩阵(grey level co-occurrence matrix，GLCM)包含带有相似灰阶值像素的位置信息[10]，并且为方阵，维数等于图像的灰度级,灰度共生矩阵中的行列位置(i,j)的值表示了在图像中像素的灰度值为i和像素的灰度值为j，并且相邻距离为d，方向为θ的这样两个像素出现的次数,在实际应用中θ一般选择为0、45°、90°、135°。在计算得到共生矩阵之后，一般不是直接使用计算的灰度共生矩阵，而是在此基础上计算几种纹理特征量，如反差、能量、熵、同质性等，其中能量(角二阶矩)是灰度共生矩阵各元素值的平方和，是对图像纹理的灰度变化稳定程度的度量，反映了图像灰度分布均匀程度和纹理粗细度，根据曹琼等[11]对云和其他地物灰度共生矩阵的研究，能量特征区分云和其他地物的效果较好，因此采用灰度共生矩阵计算出的能量来作为云与其他地物分离的纹理特征之一。假设灰度共生矩阵中的位置(i,j)的值为f(i,j)，能量计算公式为
(2)分形维数
法国数学家Mandlebrot在20世纪70年代首次提出了分形几何理论，它指的是影像上的像素在不同尺度上表现出一定程度的自相似性。资源三号卫星遥感影像上云的纹理复杂多变，但是整体和局部存在着某种相似性，满足分形的特点,因此也可以把分形维数的结果作为云与其他地物分离的纹理特征之一。本文计算的分形维数为计算相对比较简单，使用范围比较广的盒维数。具体盒维数计算请参看文献[12]。如图 3所示为436个云区和地物的影像计算出的分形维数结果，从图上可以看出，云区的分形维数小于地物的分形维数，分形维数可以很好地分离云区和其他地物。
|
| 图 3 |
(3)影像均值
资源三号卫星遥感影像上云的灰度值要明显大于其他地物，训练样本中的云影像中云的含量在60%以上，这样云样本的灰度均值会大于大部分其他地物样本的灰度均值。假设影像大小为m×n，f(i,j)表示窗口内(i,j)位置处的像素灰度值，因此该窗口影像的均值计算值见式(2)，云与其他地物样本的均值计算值如图 4所示。
|
| 图 4 |
(1)平均梯度
平均梯度[13]指图像的边界或影线两侧附近灰度有明显差异，即灰度变化率，这种变化率的大小可用来表示图像清晰度。它反映了图像微小细节反差变化的速率，即图像多维方向上密度变化的速率，表征图像的相对清晰程度。平均梯度越大，图像层次越多，也就越清晰。假设G(i,j)是位于影像上行列号为(i,j)的像素灰度值，影像大小为M×N，平均梯度的计算公式见式(3)。为了加大云边界和雪边界平均梯度计算值的差距，本文尝试使用改进的平均梯度，改进之处在于式(3)中的分子部分不再是(M-1)(N-1)，而是一个记录了变化像素对的统计值Count，每当G(i,j)-G(i,j+1)≠0或G(i,j)-G(i+1,j)≠0时，Count的计算值都会加1，见式(4)。改进的平均梯度计算值见式(5)。云和雪的边界样本平均梯度计算结果如图 5所示，云和雪的边界样本改进的平均梯度的计算值如图 6所示。从图上可以看出，改进的平均梯度在一定程度上改善了云和雪的分离情况，虽然比较小，但是从后续的试验中发现，使用改进的平均梯度计算值要比普通的平均梯度计算值的试验结果好很多。
|
| 图 5 |
|
| 图 6 |
(2)分形维数
分形维数是图像物体表面不规则度的度量，由于云和雪表面不规则度不同，可以通过分形维数的计算进行区分[14]，并且云雪的边界特征也会增加两者分形维数的计算值之间的差距，计算方法同初步云识别阶段的分形维数计算。如图 7所示为315幅云雪边界影像提取的分形维数的计算值，上面的曲线是雪边界样本的分形维数计算值，下面的曲线是云边界样本的分形维数计算值，可以看出分形维数可以大体上分离云和雪，只有个别的样本出现了混淆。
|
| 图 7 |
试验影像选自资源三号正视高分辨率全色卫星影像，空间分辨率为2.1 m，所选数据主要覆盖四川省西部山区，影像中部分山顶有积雪，同时存在朵云，数据具有一定的典型性，对于资源三号影像的云雪分离研究具有实际意义。
本文采用OpenCV[15]提供的核函数为径向基函数的SVM分类器来进行云雪分离的研究，通过使用K折交叉验证的方式选取最佳的参数。训练样本同样来自于资源三号正视高分辨率全色影像，初步云识别阶段，各自选取了436幅64×64像素的云和其他地物样本，如图 8-图 9所示。云雪分离阶段，分别选取了315幅64×64像素的云边界和雪边界样本，如图 10-图 11所示。
|
| 图 8 |
|
| 图 9 |
|
| 图 10 |
|
| 图 11 |
(1)试验具体步骤
1)SVM训练阶段：使用SVM分别训练初步云识别阶段的样本和云雪分离阶段的样本，如图 12所示。
|
| 图 12 |
2)初步云识别阶段：使用64×64像素的窗口遍历测试影像，移动步长为32，使用SVM进行预测，并将判断为云的窗口输出保存，此时输出的影像包含全部的云和部分的雪，如图 13所示。
|
| 图 13 |
3)云雪分离阶段：再次遍历步骤2)生成的影像，窗口大小为64×64像素，移动步长为32像素，当窗口内的影像均值小于整景影像的灰度最大值时进行判断，也就是避免窗口内全是云或雪的情况，这样才能利用云雪的边界和纹理特征。将SVM判断为云的窗口影像输出保存，此时就构成云区的影像，如图 14所示。
|
| 图 14 |
4)提取云区的轮廓：上一步已经保存了识别出来的云区的影像，这一步只要提取云的外边界多边形即可，多边形的位置也可以同时保存下来，可以利用云区的位置信息进行去云等相关操作。
(2)结果分析
从图 12-图 14可以看出，初步云识别、云雪分离两步操作得到了比较精确的云区，虽然云中间出现了一部分空洞，但是云的边界还是完整地保存了下来，只要提取云区的外边界轮廓，就可以得到剔除雪的云区边界。如图 15、图 16所示为剔除雪之后的云区轮廓在原始影像上标示出来的结果，云的边界用白色的实线勾画出来。从结果上可以看出，90%以上的朵云都被识别出来，并且去除了95%以上的雪，做到了云雪分离，并且对于资源三号全色影像具有一定的通用性。
|
| 图 15 |
|
| 图 16 |
本文针对资源三号全色卫星影像朵云识别中云雪难以分离的问题，提出了基于边界特征并利用改进的平均梯度和分形维数等纹理信息的云雪分离方法，经过初步云识别和云雪分离两步，做到了剔除95%以上的雪的结果，云识别的效果较好，并且具有一定的通用性，该方法是资源三号全色遥感影像朵云识别中一种有效的云雪分离方法。但是也仍存在需要改进的地方，如云、其他地物、云边界和雪边界的训练样本需要继续完善，程序执行效率需要继续提高，云区多边形合并需要继续研究等。
| [1] | 魏锋华,李才兴,扎西央宗,等.基于中巴资源卫星数据的积雪监测研究[J].国土资源遥感,2007,19(3):31-35. |
| [2] | 孙磊,曹晓光.基于多种纹理特征的全色图像云雪区特征提取[J].电子设计工程,2014,22(2):174-176. |
| [3] | 丁海燕,马灵玲,李子扬,等.基于分形维数的全色影像云雪自动识别方法[J].遥感技术与应用,2013,28(1):52-57. |
| [4] | 陈婷,汪爱华,王智勇,等.基于过渡区特征的全色遥感图像冰雪识别[J].国土资源遥感,2013,25(2):27-32. |
| [5] | 殷青军,杨英莲,徐维新,等.NOAA卫星资料云雪识别方法的研究[J].高原气象,2002,21(5):526-528. |
| [6] | 李微,方圣辉,佃袁勇,等.基于光谱分析的MODIS云检测算法研究[J].武汉大学学报(信息科学版),2005,30(5):435-438. |
| [7] | 潘红播,张过,唐新明,等.资源三号测绘卫星传感器校正产品几何模型[J].测绘学报,2013,42(4):516-522. |
| [8] | 向大芳.支持向量机云检测方法的稳定性分析研究[J].计算机应用与软件,2013,30(1):226-228. |
| [9] | 赫英明,王汉杰,姜祝辉,等.支持向量机在云检测中的应用[J].解放军理工大学学报(自然科学版),2009,10(2):191-194. |
| [10] | PARKER J R, 景丽.图像处理与计算机视觉算法及应用[M]. 2版. 北京:清华大学出版社,2013. |
| [11] | 曹琼,郑红,李行善,等.一种基于纹理特征的卫星遥感图像云探测方法[J].航空学报,2007,28(3):661-666. |
| [12] | SHAN Na,ZHENG Tianyao,WANG Zhensong,et al. High-speed and High-accuracy Algorithm for Cloud Detection and Its Application[J]. Journal of Remote Sensing,2009,13(6):1138-1155. |
| [13] | 赵英时,李小文,赵冬梅,等.遥感应用分析原理与方法[M].北京:科学出版社,2003. |
| [14] | 郁文霞,曹晓光,徐琳,等.遥感图像云自动检测[J].仪器仪表学报,2006,27(z3):2184-2186. |
| [15] | GARY B, ADRIAN K,于仕琪,等.学习OpenCV(中文版)[M].北京:清华大学出版社,2009. |