譚　凱，張永軍，童　心，康一飛

武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079

?

國(guó)產(chǎn)高分辨率遙感衛(wèi)星影像自動(dòng)云檢測(cè)

譚凱，張永軍，童心，康一飛

武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079

Foundation support： The National Natural Science Foundation of China (Nos.41322010；41571434); The National High-teh Research and Development Program of China (863 Program) (No.2013AA12A401).

云檢測(cè)一直是衛(wèi)星影像處理的難題，特別是混有地物光譜特性的薄云長(zhǎng)期成為影像產(chǎn)品生產(chǎn)的阻礙。本文所介紹的國(guó)產(chǎn)高分辨率遙感衛(wèi)星影像自動(dòng)云檢測(cè)方法能夠有效克服這一難題。首先采用改進(jìn)的顏色轉(zhuǎn)換模型，將影像由RGB轉(zhuǎn)換至HIS顏色空間，利用影像強(qiáng)度信息與飽和度信息生成基底圖，并使用影像近紅外與色調(diào)信息對(duì)其進(jìn)行優(yōu)化，生成修正圖。然后利用直方圖均衡化與雙邊濾波結(jié)合帶限定條件的Otsu閾值分割提取紋理信息，并對(duì)修正圖進(jìn)行誤差剔除生成云種子圖。最后以HIS顏色空間的強(qiáng)度信息為向?qū)?，結(jié)合云種子圖進(jìn)行云精確提取。與不同自動(dòng)、人工交互式云檢測(cè)方法相比，總體精度提高了10%左右，并且能夠較好地提升云檢測(cè)效率。

國(guó)產(chǎn)衛(wèi)星影像；云檢測(cè)；改進(jìn)HIS模型；雙邊濾波；Otsu閾值分割

衛(wèi)星影像在成像過(guò)程中由于受到云層遮擋，導(dǎo)致原地物光譜失真，影響測(cè)繪產(chǎn)品生產(chǎn)與影像判讀。因此，實(shí)現(xiàn)生產(chǎn)前準(zhǔn)確云檢測(cè)具有重要的實(shí)際生產(chǎn)意義[1]?，F(xiàn)有算法主要利用云的光譜、頻率、紋理等特性[2-6]，結(jié)合閾值法[7-9]、支持向量機(jī)法[10-11]、聚類(lèi)法[12]等進(jìn)行檢測(cè)。光譜結(jié)合閾值法主要利用云在可見(jiàn)光波段具有強(qiáng)反射的特性，該類(lèi)算法對(duì)閾值的敏感程度較高，同一衛(wèi)星數(shù)據(jù)因時(shí)間、天氣等原因，檢測(cè)閾值將發(fā)生巨大變化，加大了此類(lèi)方法的局限性。頻率結(jié)合閾值法主要利用云的低頻特性，通過(guò)小波分析[13]、傅里葉變換等方法獲取影像低頻數(shù)據(jù)進(jìn)行云檢測(cè)，但由于受地面低頻信息干擾，通常采用多層小波變換[14-15]排除，這大大降低了云檢測(cè)效率。紋理特征法利用云與地面紋理特征差異，常以分塊子圖為單位，結(jié)合二階矩[16]、分形維數(shù)[17]、灰度共生矩陣[18-20]和多次雙邊濾波[21]進(jìn)行紋理特征計(jì)算，該類(lèi)方法需要提前獲得可靠云特征區(qū)間才能保證分類(lèi)的精度，效率較低。支持向量機(jī)與聚類(lèi)法，需要獲取大量的訓(xùn)練樣本，對(duì)分類(lèi)特征的選取要求較高，針對(duì)不同數(shù)據(jù)需要重新選取樣本，導(dǎo)致效率低下。

本研究基于影像多通道信息，即紅、綠、藍(lán)、近紅外4個(gè)波段信息，進(jìn)行云檢測(cè)。通過(guò)改進(jìn)的HIS模型大大降低了薄云的檢測(cè)難度。研究表明，云對(duì)紅外波段有特殊的反射與吸收特性[15]，但長(zhǎng)期以來(lái)利用紅外波段進(jìn)行云檢測(cè)的相關(guān)研究卻較少，研究中利用近紅外波段區(qū)分云與高亮的河流等地物取得了理想的效果。另外，直方圖均衡化與雙邊濾波相結(jié)合提取影像紋理的方法，有效彌補(bǔ)了傳統(tǒng)分形維數(shù)和灰度共生矩陣計(jì)算精度低、效率低下的不足。

1　影像自動(dòng)云檢測(cè)

文中介紹的國(guó)產(chǎn)高分辨率遙感衛(wèi)星影像自動(dòng)云檢測(cè)分為云層粗提取、粗差剔除、云層精提取3個(gè)關(guān)鍵步驟，所制定的云檢測(cè)算法流程如圖1所示。

RGB色彩模型對(duì)厚云檢測(cè)效果較好，但難以識(shí)別薄云。為此，筆者引入HIS色彩模型，將基于笛卡兒直角坐標(biāo)系的單位立方體向基于圓柱極坐標(biāo)的雙椎體轉(zhuǎn)換[22]。衛(wèi)星影像中云層R、G、B值較高且接近，色彩上表現(xiàn)為偏白，但在傳統(tǒng)H通道表現(xiàn)為無(wú)規(guī)律狀態(tài)，因此無(wú)法用于云識(shí)別。為體現(xiàn)云層R、G、B相似特性，文中對(duì)H通道作如下改進(jìn)。

R、G、B灰度值排序

(1)

式中，R′、G′、B′分別為R、G、B中最小值、中間值、最大值。

R′、G′、B′權(quán)值調(diào)整

(2)

將權(quán)值調(diào)整后的R″、G″、B″代入傳統(tǒng)公式求取色調(diào)值H。

圖1　云檢測(cè)流程圖Fig.1　Flow chart of cloud detection

算法改進(jìn)原理如圖2所示，圖2(a)為傳統(tǒng)HIS圓錐體模型，圖2(b)為傳統(tǒng)H通道，圖2(c)最上層為傳統(tǒng)H通道6等分展開(kāi)及對(duì)應(yīng)H范圍，圖2中豎線僅代表R、G、B相對(duì)大小關(guān)系，與真實(shí)值大小無(wú)關(guān)。從圖中可以發(fā)現(xiàn)，僅當(dāng)R、G、B灰度值較為相似時(shí)，H值較小，其他情況下，H值均較大。

模型改進(jìn)前后色調(diào)對(duì)比如圖3所示。云層R、G、B值較高且接近，集中在圖中對(duì)角線附近。圖3(a)中云層色調(diào)變化區(qū)間很大，圖3(b)中云色調(diào)較小，可與其他地物明顯區(qū)分。

RGB轉(zhuǎn)改進(jìn)HIS模型效果如圖4所示。從改進(jìn)HIS色彩模型可以發(fā)現(xiàn)，衛(wèi)星影像中云層具有以下共同特性：

(1) 云區(qū)受太陽(yáng)光照射，反射強(qiáng)度較大，導(dǎo)致亮度、溫度較高；

(2) 云層在RGB色彩空間表現(xiàn)為白色，因此飽和度較低；

(3) 改進(jìn)HIS色彩空間下，其他偏色地物色調(diào)較大，而高亮的灰白色云層色調(diào)較??；

(4) 有云層覆蓋的區(qū)域細(xì)節(jié)特征較少；

(5) 云層一般聚集存在。

圖2　HIS模型改進(jìn)原理Fig.2　Principle of HIS model improvement

1.1云層粗提取

1.1.1基底圖

厚云將光線反射入衛(wèi)星傳感器，因此呈現(xiàn)白色。薄云與地物反射光混合傳入衛(wèi)星傳感器，給人的色彩感知是地物光譜中“摻入了白色”[23]，導(dǎo)致原地物亮度增大，飽和度降低。將I、S線性拉伸到0至1之間轉(zhuǎn)為I′、S′，并利用式(3)計(jì)算得到基底中間值

(3)

式中，I′為拉伸后亮度值；S′為拉伸后飽和度值；τ為緩沖系數(shù)，試驗(yàn)中取值為1.0；J′為基底中間值；將J′線性拉伸到0至255，轉(zhuǎn)為基底像素值J，效果如圖5所示。

1.1.2修正圖

使用Otsu閾值可大體將基底圖中的云層與下墊面分割開(kāi)，但往往存在分割閾值過(guò)大，薄云漏檢，分割閾值過(guò)小，誤檢率過(guò)高等現(xiàn)象，試驗(yàn)中采用帶約束的Otsu閾值能有效解決這一問(wèn)題。

試驗(yàn)中，從高分一號(hào)、高分二號(hào)、資源三號(hào)等衛(wèi)星影像中，選取500個(gè)云層基底圖(包含薄云、厚云)，統(tǒng)計(jì)像素灰度直方圖和累積頻率分布如圖7所示。

由圖7分析可知，云層基底灰度值大體分布在80至255之間，而累積頻率在130處呈快速上升趨勢(shì)，表征當(dāng)Otsu閾值大于130，漏掉薄云的可能性隨之迅速增大。因此，試驗(yàn)中設(shè)定基底圖分割閾值范圍為80至130，即按式(4)對(duì)閾值進(jìn)行修正

(4)

閾值修正前后基底圖分割效果在圖8中反映?？梢钥闯?，閾值修正后，可在保證查全率前提下，有效控制誤檢率。

利用云層在近紅外波段高亮以及色調(diào)值較低的特性，排除高亮度水域以及偏色裸地等噪聲，可對(duì)分割后的基底圖進(jìn)行修正。從圖9發(fā)現(xiàn)，云層近紅外值IN均大于350，色調(diào)值H均小于120。因此修正圖IX的生成將以以下3個(gè)條件作為依據(jù)：

(1) 基底值J大于TJF；

(2) 近紅外值IN大于350；

(3) 色調(diào)H值小于120。

多條件分割生成的修正結(jié)果如圖10所示。

1.2粗差剔除

修正圖中能夠?qū)⒑裨婆c薄云提取出來(lái)，但存在部分高亮度人工建筑等噪聲。利用云層弱紋理特性能夠有效剔除這些噪聲。一般而言，云在圖像上的灰度分布均勻、紋理較粗。反之，地物的紋理復(fù)雜度和灰度跳變程度較大。

1.2.1細(xì)節(jié)圖

傳統(tǒng)紋理分析法依賴(lài)于提取的特征，如分?jǐn)?shù)維、灰度梯度共生矩陣等[18-20]。這類(lèi)算法對(duì)航空影像處理效果較好，但衛(wèi)星影像上大部分地物紋理較粗，與云層紋理特征相似，容易產(chǎn)生混淆。文中直方圖均衡與雙邊濾波相結(jié)合的方法能有效克服這一難題。

對(duì)影像亮度分量I進(jìn)行直方圖均衡化，轉(zhuǎn)為均衡化亮度圖IE，可突出影像中隱含的紋理信息[16]。

雙邊濾波在對(duì)圖像進(jìn)行光滑的同時(shí)能有效保持圖像邊緣特征。對(duì)于衛(wèi)星影像，通常進(jìn)行多次雙邊濾波來(lái)提取紋理[21]，這對(duì)計(jì)算機(jī)內(nèi)存及運(yùn)算能力有著極高要求。文中進(jìn)行直方圖均衡化有效強(qiáng)化了地物紋理，僅需一次雙邊濾波便能有效提取地物紋理。將均衡化亮度圖IE按式(5)變換得到濾波影像IE′

(5)

式中，Ωx,y表示以(i,j)為中心的M×M(M為奇數(shù))大小的窗口。對(duì)該窗口內(nèi)每一個(gè)像素點(diǎn)(i,j)，其權(quán)重w(i,j)由兩部分因子組成

w(i,j)=Ws(i,j)×Wr(i,j)

(6)

(7)

(8)

(9)

亮度圖均衡化以及均衡化前后細(xì)節(jié)提取效果如圖 11所示。

圖 11(c)為圖 11(a)直方圖均衡化效果，可看出城區(qū)呈現(xiàn)明顯顆粒感，突出了建筑物細(xì)節(jié)，而云層只是對(duì)比度增強(qiáng)。均衡化前，僅厚云中心區(qū)域粗紋理特征明顯(圖 11(b))，周?chē)≡婆c下墊面沒(méi)有差別，而均衡化后，云區(qū)與下墊面表現(xiàn)出明顯的差別(圖 11(d))。為充分利用這一特性，本文使用帶限定條件的Otsu閾值Otsu_2對(duì)細(xì)節(jié)圖(圖 11(d))進(jìn)行分割，即在一維Otsu閾值Otsu_1基礎(chǔ)上，將滿(mǎn)足條件的像素作為統(tǒng)計(jì)數(shù)據(jù)來(lái)源，再次計(jì)算Otsu閾值，即可獲取改進(jìn)后的自動(dòng)閾值[6]。

對(duì)圖11(d)統(tǒng)計(jì)細(xì)節(jié)灰度直方圖如圖12(a)所示，一維Otsu閾值Otsu_1=22分割如圖12(b)，采用篩選后的改進(jìn)直方圖如圖12(c)，帶限定條件Otsu閾值Otsu_2=7，分割結(jié)果如圖12(d)。試驗(yàn)結(jié)果表明，帶限定條件的Otsu閾值在一定程度上提高了閾值適用性與檢測(cè)精度。

1.2.2云種子圖

利用分割后的細(xì)節(jié)圖ID對(duì)修正圖IX進(jìn)行粗差剔除，得到云種子圖

IR=IX∩ID

(10)

式中，IR表示云種子圖；IX表示修正圖；ID表示分割后細(xì)節(jié)圖。效果如圖13所示。

1.3云層精檢測(cè)

上述處理可準(zhǔn)確定位云區(qū)，但往往存在邊緣薄云漏檢測(cè)現(xiàn)象。為提高云檢測(cè)精度，采用邊緣種子條件膨脹的方式進(jìn)行精確提取。策略的思想是：首先進(jìn)行迭代條件膨脹提取邊緣厚云，然后進(jìn)行單次條件膨脹將厚云向薄云過(guò)渡，最后再次進(jìn)行迭代條件膨脹提取邊緣薄云。

1.3.1邊緣厚云提取

(1) 邊緣種子確定。云種子圖IR上，在以云像元為中心的3×3窗口內(nèi)，若存在非云像元，則該云像元為邊緣種子。

(2) 條件膨脹。在亮度圖I上，將邊緣種子與3×3窗口內(nèi)各鄰域點(diǎn)的亮度差絕對(duì)值dI=|I(i,j)-I(i′,j′)|作為判斷依據(jù)，當(dāng)dI小于種子亮度值的k倍，則認(rèn)為該鄰域點(diǎn)與該種子屬于同類(lèi)，即將該鄰域判定為新增云像元。當(dāng)0.8%≤k≤1.2%時(shí)，亮度差值約小于12，這在衛(wèi)星影像上屬于人眼不可區(qū)分值，因此試驗(yàn)設(shè)定k為0.8%作為條件膨脹閾值。

(3) 判斷是否停止迭代。當(dāng)新增云像元數(shù)小于限差T(T為經(jīng)驗(yàn)閾值，可根據(jù)需要調(diào)整，試驗(yàn)中取為200)，說(shuō)明已收斂，停止迭代。同時(shí)為了防止過(guò)膨脹，對(duì)膨脹次數(shù)也應(yīng)進(jìn)行限制，當(dāng)膨脹次數(shù)達(dá)到上限D(zhuǎn)(D為經(jīng)驗(yàn)閾值，試驗(yàn)中設(shè)定為3)，終止迭代。

1.3.2邊緣厚云向薄云過(guò)渡

(1) 邊緣種子確定。

(2) 條件膨脹。大量試驗(yàn)數(shù)據(jù)統(tǒng)計(jì)發(fā)現(xiàn)，薄云亮度值約為厚云的30%～50%。為了將邊緣厚云向薄云過(guò)渡的同時(shí)保證查準(zhǔn)率，試驗(yàn)中設(shè)定k為30%進(jìn)行單次條件膨脹。

1.3.3邊緣薄云提取

與提取邊緣厚云類(lèi)似，只是條件膨脹閾值k設(shè)定為上限值1.2%。這是因?yàn)楸≡屏炼戎迪鄬?duì)較小，分散較為稀疏，取較大k值，可避免薄云漏檢。

云層精檢測(cè)具體流程如圖14所示。

該處理流程能有效提高云檢測(cè)精度，改善效果如圖15所示。

2　試驗(yàn)結(jié)果與分析

文中選取文獻(xiàn)[15]中多層無(wú)抽樣小波變換結(jié)合Otsu閾值方法(以下簡(jiǎn)稱(chēng)小波法)與文獻(xiàn)[21]中RGB逐步優(yōu)化算法(以下簡(jiǎn)稱(chēng)逐步法)以及文獻(xiàn)[12,24]半自動(dòng)式云檢測(cè)方法為參考。選取多幅高分一、二號(hào)、資源三號(hào)影像(影像信息如表1所示)進(jìn)行試驗(yàn)，并在目視效果、檢測(cè)精度、運(yùn)算性能上進(jìn)行比較和評(píng)價(jià)。

表1　試驗(yàn)數(shù)據(jù)介紹

2.1目視效果

圖16和圖17分別為本文算法與自動(dòng)、半自動(dòng)式云檢測(cè)算法效果比較。圖中黃圈內(nèi)為漏檢區(qū)域，藍(lán)圈內(nèi)為誤檢區(qū)域。

圖16為小波法、逐步法和本文方法試驗(yàn)結(jié)果對(duì)比。可看出，本文方法目視效果最好。第1、3幅圖中，小波法將大量人工建筑、裸地誤判為云，而逐步法存在薄云漏檢。第2幅圖中，小波法與逐步法均存在薄云漏檢現(xiàn)象。第4幅圖中，小波法將高亮度水域及裸地誤判為云，逐步法存在薄云漏檢，以及水域誤判情況，而本文方法因加入了近紅外信息，因此能夠?qū)Ω吡炼人蜻M(jìn)行有效排除。小波法通過(guò)獲取影像低頻信息來(lái)進(jìn)行云檢測(cè)，逐步法通過(guò)多次雙邊濾波提取影像紋理，但在衛(wèi)星影像中，城鎮(zhèn)與裸地均表現(xiàn)為低頻率、弱紋理特征，容易與云層產(chǎn)生混淆，而較薄云層又難以與地物有效區(qū)分，導(dǎo)致薄云漏檢。文中在提取紋理之前進(jìn)行直方圖均衡化，突出隱含紋理信息，有效提高了檢測(cè)精度。

圖17為最大似然法、圖割法和本文方法檢測(cè)結(jié)果對(duì)比。最大似然提取結(jié)果中存在大量噪聲，許多房屋、裸地誤判為云。圖割法雖然不存在斑點(diǎn)噪聲，但是與云區(qū)相連通的區(qū)域存在過(guò)提取現(xiàn)象。最大似然法僅以灰度接近程度為依據(jù)，未考慮空間距離特征，導(dǎo)致檢測(cè)出大量離散噪聲。圖割法加入了空間距離特征，但與目標(biāo)連通的噪聲區(qū)域，不能做到準(zhǔn)確分割。本文方法除灰度信息之外，還加入了紋理信息，因此檢測(cè)效果優(yōu)于二者。

2.2檢測(cè)精度

試驗(yàn)中采用手動(dòng)勾畫(huà)方式提取真實(shí)云圖，并將查準(zhǔn)率、查全率以及錯(cuò)誤率作為度量標(biāo)準(zhǔn)，計(jì)算公式為

(11)

(12)

(13)

式中，PR為查準(zhǔn)率；TC為準(zhǔn)確識(shí)別的真云像元數(shù)；FA為識(shí)別為云像元總數(shù)；RR為查全率；TA為真云像元數(shù)；ER為錯(cuò)誤率；TF為云誤判定為非云像元數(shù)；FT為非云誤判定為云像元數(shù)；NA為總像元數(shù)。圖16中各算法查準(zhǔn)率、查全率與錯(cuò)誤率如表2所示。

表2　圖16不同云檢測(cè)算法精度對(duì)比(加粗標(biāo)記為橫向比較最好結(jié)果)

圖3　HIS模型改進(jìn)前(a)后(b)色調(diào)對(duì)比Fig.3　Compare of hue before(a) and after(b) improvement of HIS model

圖4　RGB轉(zhuǎn)HIS模型效果Fig.4　Effect of RGB to HIS model

圖5　原始影像與基底圖Fig.5　Original imageand basal figure

注：紅色部分為基底圖中滿(mǎn)足Otsu閾值對(duì)象在原圖上的標(biāo)記，TJ中為對(duì)應(yīng)的Otsu閾值。圖6　基底圖Otsu閾值分割Fig.6　Otsu threshold segmentation on basal figure

圖7　云層基底灰度直方圖與累積頻率分布圖Fig.7　Gray histogram and cumulative frequency distributing graph of cloud on basal figure

圖8　閾值修正前(a)后(b)基底圖分割效果對(duì)比Fig.8　Compare of segmentation effects before (a)and after (b)modification of the threshold on basal figure

圖9　云層近紅外色調(diào)基底灰度分布圖Fig.9　INHJ distributing graph of cloud

注：紅色為公共區(qū)域，綠色為僅滿(mǎn)足色調(diào)閾值，黃色僅滿(mǎn)足近紅外閾值，藍(lán)色為僅滿(mǎn)足基底閾值。圖10　多條件分割生成修正圖Fig.10Modified figure generated by multi-conditions segmentation

圖11　直方圖均衡化前后細(xì)節(jié)提取效果對(duì)比Fig.11　Compare of detail extraction effects before and after histogram equalization

圖12　一維和帶限定條件Otsu閾值細(xì)節(jié)分割對(duì)比Fig.12　Compare of segmentation results for One-dimensional and Otsu threshold with condition on detail map

注：(a)中紅色為公共區(qū)域即(b)，藍(lán)色為僅滿(mǎn)足細(xì)節(jié)分割區(qū)域，綠色為修正圖中云區(qū)域。圖13　云種子圖生成Fig.13　Result of cloud seed figure generation

圖14　云層精提取流程圖Fig.14　Flow chart of cloud accurate detection

圖15　精檢測(cè)前(a)后(b)效果對(duì)比Fig.15　Effects before (a) and after(b) accurate detection

結(jié)合表2對(duì)圖16中檢測(cè)結(jié)果進(jìn)行定量分析。小波法和逐步法難以兼顧查準(zhǔn)率與查全率，而本文算法兩者均在90%左右。在第1、3、4幅圖中，小波法查全率均高于83%，但錯(cuò)誤率較高，查準(zhǔn)率偏低。這是因?yàn)樵撍惴ㄒ讓⒎课?、道路、裸地、河流等誤判為云。在第1幅圖中，逐步法查準(zhǔn)率達(dá)到99.8%，但查全率卻只有34.8%，這是因?yàn)榇嬖诖竺娣e云層漏檢。在第2幅圖中，小波法和逐步法查準(zhǔn)率均高于99%，但查全率卻只有2.61%和31.1%，這也是因?yàn)閷?duì)薄云的識(shí)別存在較大的局限性。從錯(cuò)誤率方面比較，本文算法錯(cuò)誤率最高僅為3.3%，其余兩種算法錯(cuò)誤率最低為4.4%，小波法和逐步法在第2幅圖中甚至出現(xiàn)了15.6%和11.1%的高錯(cuò)誤率。

圖16　云檢測(cè)算法視覺(jué)對(duì)比(Ⅰ)Fig.16　Compare of vision for different cloud detection algorithms (Ⅰ)

為將本方法與人工交互式方法進(jìn)行更合理的定量對(duì)比，文中引入人工率這一衡量標(biāo)準(zhǔn)，計(jì)算公式為

(14)

式中，WR為人工率；DR為人工勾畫(huà)像元數(shù)；NA為總像元數(shù)。圖 17中各算法查準(zhǔn)率、查全率、錯(cuò)誤率及人工率如表 3所示。

表3　圖 17不同云檢測(cè)算法精度對(duì)比(加粗標(biāo)記為橫向比較最好結(jié)果)

結(jié)合表3對(duì)圖17中檢測(cè)結(jié)果進(jìn)行定量分析。最大似然法查準(zhǔn)率均在90%以上，但第2、3幅圖查全率卻均低于70%。主要是因?yàn)闃颖炯性诤裨茀^(qū)域，并且負(fù)樣本中裸地、房屋等與薄云表現(xiàn)出極大的相似性，導(dǎo)致許多薄云誤判為非云對(duì)象。圖割法查全率均高于83%，但查準(zhǔn)率較低，特別第3幅圖查準(zhǔn)率只有76.1%，主要是因?yàn)樵撍惴ㄔ谠茖优c裸地、房屋相連的區(qū)域易出現(xiàn)誤提取。本文算法錯(cuò)誤率均最低，在1%左右?？梢钥闯觯c人工干預(yù)云檢測(cè)算法相比，本文方法仍表現(xiàn)出較強(qiáng)的優(yōu)越性。

2.3運(yùn)算性能

實(shí)際生產(chǎn)中對(duì)云檢測(cè)速度要求較高，為提高生產(chǎn)效率，可從原始數(shù)據(jù)降采樣，高性能并行處理，算法優(yōu)化3方面進(jìn)行。本算法與參照算法相比，復(fù)雜度適中，計(jì)算量小，并且檢測(cè)精度也較高。在系統(tǒng)配置為Intel(R)Core(TM)i5-3230MCPU@2.60GHz，內(nèi)存4GB的計(jì)算機(jī)上各算法在耗時(shí)方面的對(duì)比結(jié)果如表 4所示。

表4中實(shí)、虛框中分別為同組數(shù)據(jù)處理速度最快與最慢。可以看出，本文算法效率高于逐步法和小波法。主要是因?yàn)橹鸩椒ㄍㄟ^(guò)多次雙邊濾波的方式提取紋理，這對(duì)計(jì)算的內(nèi)存以及運(yùn)算能力要求較高。而小波法通過(guò)多次小波變換獲取低頻信息，大大增加了計(jì)算量，直接導(dǎo)致檢測(cè)效率低下。

表4　不同云檢測(cè)算法耗時(shí)比較

3　結(jié)　語(yǔ)

本文提出了一種基于多通道信息的國(guó)產(chǎn)高分辨率遙感衛(wèi)星影像自動(dòng)云檢測(cè)方法。該方法通過(guò)改進(jìn)的HIS模型，提高了薄云檢測(cè)精度。在使用雙邊濾波提取影像紋理信息之前，采用直方圖均衡化對(duì)亮度信息進(jìn)行預(yù)處理，以突出地物紋理細(xì)節(jié)，有效彌補(bǔ)了傳統(tǒng)紋理分析方法計(jì)算精度低、效率低下的不足。

本方法已用于實(shí)際項(xiàng)目生產(chǎn)中，可全自動(dòng)地對(duì)資源三號(hào)、高分一號(hào)、高分二號(hào)等國(guó)產(chǎn)高分辨率衛(wèi)星影像進(jìn)行云檢測(cè)。從實(shí)踐生產(chǎn)分析該方法有以下優(yōu)點(diǎn)：

(1) 無(wú)須人工干預(yù)，全自動(dòng)化處理。

(2) 算法復(fù)雜度適中，計(jì)算量小，計(jì)算速度快。

(3) 檢測(cè)精度高。可在準(zhǔn)確檢測(cè)厚云、薄云的前提下，有效排除高亮度水域、房屋、裸地等的干擾。

(4) 適用性較廣，可用于能提供紅、綠、藍(lán)、近紅外波段數(shù)據(jù)的國(guó)產(chǎn)高分辨率遙感衛(wèi)星影像云檢測(cè)。

另一方面，本方法也有其局限性，主要表現(xiàn)在處理厚薄不均的卷云時(shí)，會(huì)出現(xiàn)漏檢測(cè)現(xiàn)象，主要是利用帶限定條件Otsu閾值分割細(xì)節(jié)圖時(shí)，易將紋理較細(xì)的卷云誤判為非云。當(dāng)條件允許時(shí)，可通過(guò)約束紋理閾值范圍的方式加以改善，后期將針對(duì)此問(wèn)題進(jìn)行深入研究。

[1]潘紅播，張過(guò)，唐新明.資源三號(hào)測(cè)繪衛(wèi)星傳感器校正產(chǎn)品幾何模型[J].測(cè)繪學(xué)報(bào)，2013,42(4)：516-522.

PANHongbo,ZHANGGuo,TANGXinming,etal.TheGeometricalModelofSensorCorrectedProductsforZY-3Satellite[J].ActaGeodaeticaetCartographicaSinica,2013,42(4):516-522.

[2]CHENPY,SRINIVASANR,FEDOSEJEVSG,etal.AnAutomatedCloudDetectionMethodforDailyNOAA-14AVHRRDataforTexas,USA[J].InternationalJournalofRemoteSensing, 2002, 23(15): 2939-2950.

[3]OTSUN.AThresholdSelectionMethodfromGray-levelHistograms[J].Automatica, 1975, 11(285-296): 23-27.

[4]ZHUZhe,WOODCOCKCE.Object-basedCloudandCloudShadowDetectioninLandSatImagery[J].RemoteSensingofEnvironment, 2012, 118: 83-94.

[5]PANEMC,BAILLARINS,LATRYC,etal.AutomaticCloudDetectiononHighResolutionImages[C]∥ProceedingsofIEEEInternationalGeoscienceandRemoteSensingSymposium.Seoul:IEEE, 2005: 1-4.

[6]高賢君, 萬(wàn)幼川, 鄭順義, 等. 航空攝影過(guò)程中云的實(shí)時(shí)自動(dòng)檢測(cè)[J]. 光譜學(xué)與光譜分析, 2014, 34(7): 1909-1913.

GAOXianjun,WANYouchuan,ZHENGShunyi,etal.Real-timeAutomaticCloudDetectionduringtheProcessofTakingAerialPhotographs[J].SpectroscopyandSpectralAnalysis, 2014, 34(7): 1909-1913.

[7]秦永, 付仲良, 周凡, 等. 一種利用TM影像自動(dòng)檢測(cè)云層的方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(2): 234-238.

QINYong,FUZhongliang,ZHOUFan,etal.AMethodofAutomaticCloudDetectionUsingTMImage[J].GeomaticsandInformationScienceofWuhanUniversity, 2014, 39(2): 234-238.

[8]劉健.FY-2云檢測(cè)中動(dòng)態(tài)閾值提取技術(shù)改進(jìn)方法研究[J]. 紅外與毫米波學(xué)報(bào), 2010, 29(4): 288-292.

LIUJian.ImprovementofDynamicThresholdValueExtractionTechnicinFY-2CloudDetection[J].JournalofInfraredandMillimeterWaves, 2010, 29(4): 288-292.

[9]單娜, 鄭天垚, 王貞松. 快速高準(zhǔn)確度云檢測(cè)算法及其應(yīng)用[J]. 遙感學(xué)報(bào), 2009, 13(6): 1138-1155.

SHANNa,ZHENGTianyao,WANGZhensong.High-speedandHigh-accuracyAlgorithmforCloudDetectionandItsApplication[J].JournalofRemoteSensing, 2009, 13(6): 1138-1155.

[10]CHENGang,EDongchen.SupportVectorMachinesforCloudDetectionoverIce-snowAreas[J].Geo-spatialInformationScience, 2007, 10(2): 117-120.

[11]梁棟, 孔頡, 胡根生, 等. 基于支持向量機(jī)的遙感影像厚云及云陰影去除[J]. 測(cè)繪學(xué)報(bào), 2012, 41(2): 225-231, 238.LIANGDong,KONGJie,HUGensheng,etal.TheRemovalofThickCloudandCloudShadowofRemoteSensingImageBasedonSupportVectorMachine[J].ActaGeodaeticaetCartographicaSinica, 2012, 41(2): 225-231, 238.

[12]VENKATESWARLUNB,SINGHRP.AFastMaximumLikelihoodClassifier[J].InternationalJournalofRemoteSensing, 1995, 16(2): 313-320.

[13]張波, 季民河, 沈琪. 基于小波變換的高分辨率快鳥(niǎo)遙感圖像薄云去除[J]. 遙感信息, 2011(3): 38-43.

ZHANGBo,JIMinhe,SHENQi.Wavelet-basedCloudRemovalfromHighresolutionRemoteSensingData:AnExperimentwithQuickBirdImagery[J].RemoteSensingInformation, 2011(3): 38-43.

[14]陶淑蘋(píng), 金光, 張貴祥, 等. 實(shí)現(xiàn)遙感相機(jī)自主辨云的小波SCM算法[J]. 測(cè)繪學(xué)報(bào), 2011, 40(5): 598-603.

TAOShuping,JINGuang,ZHANGGuixiang,etal.AWaveletSCMAlgorithmUsedtoDetectCloudinRemoteSensingCameras[J].ActaGeodaeticaetCartographicaSinica, 2011, 40(5): 598-603.

[15]陳奮, 閆冬梅, 趙忠明. 基于無(wú)抽樣小波的遙感影像薄云檢測(cè)與去除[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2007, 32(1): 71-74.

CHENFen,YANDongmei,ZHAOZhongming.HazeDetectionandRemovalinRemoteSensingImagesBasedonUndecimatedWaveletTransform[J].GeomaticsandInformationScienceofWuhanUniversity, 2007, 32(1): 71-74.

[16]陳振煒, 張過(guò), 寧津生, 等. 資源三號(hào)測(cè)繪衛(wèi)星自動(dòng)云檢測(cè)[J]. 測(cè)繪學(xué)報(bào), 2015, 44(3): 292-300.DOI: 10.11947/j.AGCS.2015.20130384.

CHENZhenwei,ZHANGGuo,NINGJinsheng,etal.AnAutomaticCloudDetectionMethodforZY-3Satellite[J].ActaGeodaeticaetCartographicaSinica, 2015, 44(3): 292-300.DOI: 10.11947/j.AGCS.2015.20130384.

[17]吳更石, 梁德群, 田原. 基于分形維數(shù)的紋理圖像分割[J]. 計(jì)算機(jī)學(xué)報(bào), 1999, 22(10): 1109-1113.

WUGengshi,LIANGDequn,TIANYuan.TextureImageSegmentationUsingFractalDimension[J].ChineseJournalofComputers, 1999, 22(10): 1109-1113.

[18]馮建輝, 楊玉靜. 基于灰度共生矩陣提取紋理特征圖像的研究[J]. 北京測(cè)繪, 2007(3): 19-22.

FENGJianhui,YANGYujing.StudyofTextureImagesExtractionBasedonGrayLevelCo-occurrenceMatrix[J].BeijingSurveyingandMapping, 2007(3): 19-22.

[19]夏德深, 金盛, 王健. 基于分?jǐn)?shù)維與灰度梯度共生矩陣的氣象云圖識(shí)別(I)：分?jǐn)?shù)維對(duì)紋理復(fù)雜度和粗糙度的描述[J]. 南京理工大學(xué)學(xué)報(bào), 1999, 23(3): 278-281.

XIADeshen,JINSheng,WANGJian.FractalDimensionandGGCMBasedMeteorologyCloudPicturesRecognition——DescriptionofTextureComplexityandRoughnessbyFractalDimension(I)[J].JournalofNanjingUniversityofScienceandTechnology, 1999, 23(3): 278-281.

[20]夏德深, 金盛, 王健. 基于分?jǐn)?shù)維與灰度梯度共生矩陣的氣象云圖識(shí)別(II)：灰度梯度共生矩陣對(duì)紋理統(tǒng)計(jì)特征的描述[J]. 南京理工大學(xué)學(xué)報(bào), 1999, 23(4): 289-292.XIADeshen,JINSheng,WANGJian.FractalDimensionandGGCMMeteorologyCloudPicturesRecognition——DeshcriptionofTextureStatisticalCharacteristicsbyGrayLevel-gradientCo-occurrenceMatrix(Ⅱ)[J].JournalofNanjingUniversityofScienceandTechnology, 1999, 23(4): 289-292.

[21]ZHANGQing,XIAOChunxia.CloudDetectionofRGBColorAerialPhotographsbyProgressiveRefinementScheme[J].JournalofLatexClassFiles, 2012, 11(4): 1-12.

[22]黎曦, 鄭宏, 劉操. 利用HSI色彩空間的PCNN人臉識(shí)別方法[J]. 武漢大學(xué)學(xué)報(bào)(信息科學(xué)版), 2014, 39(12): 1499-1503.LIXi,ZHENGHong,LIUCao.AMethodofFaceRecognitionBasedonHIS-PCNN[J].GeomaticsandInformationScienceofWuhanUniversity, 2014, 39(12): 1499-1503.

[23]徐逸祥, 朱子豪, 劉英毓. 衛(wèi)星影像的云霧檢測(cè)及干擾去除[J]. 國(guó)土資源遙感, 2006(3): 23-28.XUYixiang,ZHUZihao,LIUYingyu.DevelopingTechniquefortheDetectionandRemovalofCloudandHazeinSatelliteImages[J].RemoteSensingforLand&Resources, 2006(3): 23-28.

[24]BOYKOVYY,JOLLYMP.InteractiveGraphCutsforOptimalBoundary&RegionSegmentationofObjectsinN-DImages[C]∥Proceedingsofthe8thIEEEInternationalConferenceonComputerVision.Vancouver,BC:IEEE, 2001, 1: 105-112.

(責(zé)任編輯：張艷玲)

TANKai(1991—),male，postgraduate,majorsinthetheoriesandmethodsofclouddetectionofremotesensingimages.

Automatic Cloud Detection for Chinese High Resolution Remote Sensing Satellite Imagery

TAN Kai,ZHANG Yongjun,TONG Xin,KANG Yifei

School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China

Cloud detection is always an arduous problem in satellite imagery processing, especially the thin cloud which has the similar spectral characteristics as ground surfacehas long been the obstacle of the production of imagery product. In this paper, an automatic cloud detection method for Chinese high resolution remote sensing satellite imagery is introduced to overcome this problem.Firstly, the image is transformed from RGB to HIS color space by an improved color transformation model. The basic cloud coverage figure is obtained by using the information of intensity and saturation,followed by getting the modified figure with the information of near-infrared band and hue. Methods of histogram equalization and bilateral filtering, combined with conditioned Otsu thresholding are adopted to generate texture information. Then the cloud seed figureis obtained by using texture information to eliminate the existed errors in the modified figure. Finally, cloud covered areas are accurately extracted by integration of intensity information from the HIS color space and cloud seed figure. Compared to the detection results of other automatic and interactive methods, the overall accuracy of our proposed method achieves nearly 10% improvement, and it is capable of improving the efficiency of cloud detection significantly.Key words： Chinese satellite imagery; cloud detection; improved HIS model;bilateral filtering;Otsu thresholding

2015-10-14

2016-02-17

譚凱(1991—)，男，碩士生，主要從事遙感影像云檢測(cè)方面的研究。

E-mail：kai_tan@whu.edu.cn

張永軍

Correspondingauthor：ZHANGYongjun

E-mail：zhangyj@whu.edu.cn

10.11947/j.AGCS.2016.20150500.

TAN Kai,ZHANG Yongjun,TONG Xin,et al.Automatic Cloud Detection for Chinese High Resolution Remote Sensing Satellite Imagery[J]. Acta Geodaetica et Cartographica Sinica,2016,45(5):581-591. DOI:10.11947/j.AGCS.2016.20150500.

P237

A

1001-1595(2016)05-0581-110

國(guó)家自然科學(xué)基金(41322010;41571434);國(guó)家863計(jì)劃(2013AA12A401)

引文格式：譚凱，張永軍，童心，等.國(guó)產(chǎn)高分辨率遙感衛(wèi)星影像自動(dòng)云檢測(cè)[J].測(cè)繪學(xué)報(bào)，2016,45(5)：581-591.