改進HOT的高分影像自動去薄云算法

劉 澤 樹，陳 甫，劉 建 波，孫 業 超

(1.中國科學院大學，北京 100049；2.中國科學院遙感與數字地球研究所，北京 100094；3.中國資源衛星應用中心，北京 100094)

?

改進HOT的高分影像自動去薄云算法

劉 澤 樹1,2，陳 甫2，劉 建 波2，孫 業 超3

(1.中國科學院大學，北京 100049；2.中國科學院遙感與數字地球研究所，北京 100094；3.中國資源衛星應用中心，北京 100094)

為了有效去除薄云對高分光學影像造成的干擾，解決傳統算法自動化程度低、去薄云效果不理想的問題，提出改進的薄云最優化變換(Improved Haze-Optimized Transformation，IHOT)算法。首先采用暗原色先驗知識從薄云影像中自動選取晴空區，運用薄云最優化變換檢測薄云，再創新性地利用植被區域云檢測精度較高的特點改進檢測結果，最終使用虛擬云點法進行薄云去除。利用高分一號影像進行實驗，證明該文提出的算法能夠有效地去除薄云對高分影像的影響，尤其對人造地物的色彩和紋理信息恢復效果優于傳統算法。

高分影像；去薄云；自動檢測；IHOT

0 引言

高分辨率衛星影像擁有更加豐富的空間結構和紋理信息，是目前最具有經濟價值的衛星數據之一。國產衛星“高分一號”的正式投用，進一步刺激了國內各行業對于高分辨率衛星數據的需求。高分辨率衛星回訪周期較長，特定時間的感興趣區域影像數量較少，如果受到云的干擾極有可能造成無數據可用的情況，消除云層的干擾是高分影像預處理過程中亟待解決的問題。高分影像中的厚云遮擋了絕大部分的地面輻射，采用其他時相的影像進行鑲嵌是唯一的解決方法[1]；而薄云僅削弱了地物的部分反射特性，因此可以基于單幅影像的特征去除薄云干擾，重建下墊面地物信息，提高高分影像的利用率。

目前國內外的薄云去除方法主要有空域去云和頻域去云兩類。均勻分布的薄云在頻域上具有低頻的特征，使用高通濾波器過濾薄云是常用的頻域去云方法。馮春等[2-4]對同態濾波法進行改進，取得了較好的去云效果；朱錫芳[5]等對薄云影像進行小波分解，通過調節細節系數達到去除影像薄云的目的。然而頻域濾波的方法必然會損失部分地物的低頻信息，影響晴空區影像的質量。

空域去云算法種類較多，根據波段光譜特征和成像時大氣狀況，建立輻射轉換模型消除薄云的影響[6]，但該方法需要詳細的大氣參數，適用性不強；Chavez[7]提出的單幅影像去薄云算法只能處理薄云分布均勻的情況；Liang等[8]對云區影像和晴空區影像的地類分別進行直方圖匹配，生成的無云影像可能出現邊緣效應；暗像元扣除法[9](Dark-Object Subtraction，DOS)是一種常用的單景去云算法，然而如何選取合適的暗像元是應用中的難題；Zhang等[10]基于HOT(Haze-Optimized Transformation)去除影像薄云，但對于建筑物、裸地、冰雪等地物會發生矯正不足或矯正過度的情況；He等[11]利用形態學方法完善HOT檢測結果，但需要人工調整形態學操作的迭代次數；李存軍等[12]使用HOT檢測薄云，對影像的近紅外和短波紅外波段進行聚類，對每種地類的云區影像與晴空區影像進行均值匹配，該方法僅適用于紅外波段未受到云層干擾的情況。因而，利用高分影像特征，尋找一種有效去除薄云干擾的方法，對提高影像產品質量和利用率具有重要意義。

1 薄云自動檢測和去除的原理及方法

1.1 薄云自動檢測原理

2002年Zhang等[10]在對遙感影像進行大量統計后發現一種客觀現象：處于晴空區域的不同地物的紅色波段和藍色波段DN值具有高度相關性，兩個波段的散點圖近似地分布在一條直線上，稱之為“晴空線”(Clear Line)。受薄云或氣溶膠的影響，藍色波段和紅色波段的DN值都會升高，但藍色波段對云干擾更敏感，DN值升高幅度更大。因而薄云覆蓋區域下的像元會偏離晴空線，云越厚，偏移量越大，由此得到HOT云檢測算法。

HOT的計算主要分為兩步：選取晴空區，計算晴空線；計算每個像元與晴空線的距離，作為HOT值。HOT定義如下：

HOT=B1sinθ-B3cosθ

(1)

式中：θ是晴空線與藍色波段的傾角，B1為藍色波段，B3為紅色波段。由式(1)得到的晴空線上的HOT并不為0，因而對其計算進行改進[12]，公式如下：

HOT=B1sinθ-B3cosθ-|I|cosθ

(2)

式中:I為晴空線截距。

傳統的HOT法需要手動勾勒晴空區，是薄云檢測流程自動化的主要障礙。本文基于暗原色先驗知識，提出自動檢測晴空區的方法。暗原色先驗[13]是基于對大量晴空圖像的統計得到的一種客觀規律：在晴空圖像中，大多數局部圖像塊內存在這樣的像元，它們至少有一個顏色通道的亮度值很低。對于晴空圖像J，暗原色定義為：

Jdark(x)=miny∈Ω(x)(minc∈{r,g,b}Jc(y))

(3)

式中：Jc是圖像J的一個顏色通道，Ω(x)是以x為中心的圖像塊，本文使用3×3的窗口。在晴空圖像中，Jdark稱為圖像J的暗原色，其亮度值總是很低，并且趨于0。本文利用該統計規律，計算高分薄云影像的暗原色通道，選取亮度值接近0的區域作為晴空區，為后續的薄云去除流程提供晴空區數據。

在使用HOT法進行云檢測時發現，某些地物類別并不符合HOT假設，如冰雪、裸地、建筑物等。如圖1所示，紅藍波段的散點圖形狀類似飛機，其中兩翼為不符的地物，移除不滿足HOT假設的地物可以提高去薄云的效果[14]。形態學方法可以部分優化HOT結果[11]，但需要預先輸入處理窗口的大小和迭代次數，參數的選擇是實際應用的難點。為提高HOT云檢測方法的精度，本文對檢測結果進行質量評價，去除裸地、建筑物等地物的干擾，重建高精度的薄云檢測結果，為后續云去除提供支持。

圖1 GF-1 晴空影像紅藍波段散點圖

Fig.1 The scatter plot of blue band and red band in clear areas of GF-1 images

1.2 基于歸一化植被指數改進薄云檢測結果

高分影像中的地物紋理信息更加復雜，傳統HOT方法對于建筑物、道路和廣場等高反射率地物的薄云檢測結果并不理想，尤其是對于真彩色的人造地物檢測結果偏差很大。為了適應高分影像特征，提高人造地物的薄云檢測精度，本文對HOT檢測結果進行質量評估，并依賴高置信度點對薄云檢測結果重建。首先檢驗不同地物的HOT檢測結果。使用K-means聚類方法將GF-1晴空測試數據分為10類(圖2)，并對每種地物的HOT檢測結果進行統計，發現大部分地物類型的HOT在零值附近分布，變化浮動很小。由分類結果得知第1類地物為水體，第2、3、4類為植被，第9、10類地物為建筑物。觀察統計結果發現：晴空影像中建筑物的HOT值變化浮動很大，并與預期結果偏差較遠；植被的薄云檢測結果很理想，在零值附近小范圍變化。由此可知,植被地區的HOT值檢測結果可信度很高。

圖2 高分一號晴空影像10種地物類別的HOT值

Fig.2 HOT of 10 land-cover classes in clear areas of GF-1 images

基于NDVI對薄云檢測結果改進的步驟如下：

(1) 計算薄云影像的歸一化植被指數。歸一化植被指數[15](NDVI)能反映植被生長力、覆蓋度等信息，NDVI取值范圍為[-1,1]，負值表示可見光波段高反射率的區域，0表示巖石、裸地，正值表示植被覆蓋，并隨覆蓋度的增大而增大。式(4)中NIR為近紅外波段亮度值，RED為紅色波段亮度值。

(4)

(2) 以歸一化植被指數為指導，構建植被區域選取掩膜，選取高置信度檢測結果作為重建薄云檢測的基礎。利用式(5)計算可靠的薄云檢測圖像(Reliable Haze-Optimized Transformation，RHOT)：

RHOT(x)=HOT(x)×cs(x)

(5)

(6)

式中:NDVI(x)表示像元x處的歸一化植被指數；Ω(x)是以像元x為中心、邊長為s的窗口；a為計算掩膜時的閾值。本實驗使用3×3的窗口，a取0.1。

(3) 使用插值算法重建薄云檢測結果(IHOT)。由于待插值區域大小不定且分布不規律，不能直接使用傳統插值算法，本文對最近鄰插值法進行了部分修改。對于RHOT中所有待插值像元，計算以待插值像元為中心的窗口內非零點的均值并將其賦值給該像元，如果窗口內不存在非零點則增加窗口大小。

1.3 薄云去除

本文采用虛擬云點[11]的方法對影像每個波段去除薄云干擾，具體步驟如下：1)根據IHOT原理可知，IHOT值越大，影像受到云的干擾越嚴重，云越厚。本文根據改進的薄云檢測結果將影像按照云的厚度分類，并對每類影像的亮度值進行統計，計算該類的最大值和最小值。2)對每類影像的最大、最小DN值分別進行線性回歸，兩條直線的交點即虛擬云點。如圖3，其中VCP為虛擬云點，P為原始影像某像元，P′為該像元去除云干擾后的值。3)穿過虛擬云點VCP和薄云影像的像元P做直線，該直線在IHOT為0時得到一點P′，P′即對應的無云影像的像元。虛擬云點去云算法公式如下：

(7)

式中：IHOTv cp、DNv cp分別為虛擬云點對應的IHOT值、DN值,DNresult為去云后像元的DN值。

圖3 虛擬云點算法

Fig.3 The visual cloud point method

綜上所述，本文高分影像的薄云自動檢測與去除流程如圖4所示。在傳統HOT方法去云流程(實線框)的基礎上，本文實現了晴空區選取的自動化，并對薄云檢測結果進行改進，提出了一種新的高分影像去薄云算法。

圖4 高分影像薄云自動檢測與去除流程

Fig.4 Flow of automated thin cloud detection and removal of high-resolution images

2 實驗及結果分析

實驗數據采用北京某地區的高分一號影像，接收時間為2013年6月。本文從中選取薄云遮蓋的區域，按照圖4流程進行薄云自動檢測與去除。傳統HOT去云算法中，云檢測過程需要手動選取晴空區，限制了云檢測步驟的自動化，本文創新性地基于暗原色先驗知識，自動提取晴空區域，實驗得到的自動檢測結果與目視判別結果一致(圖5)。

圖5 實驗數據及晴空區自動檢測結果

Fig.5 Representative hazy image of GF-1 and the result of automatic detection of clear region

線性回歸晴空區影像紅藍波段的亮度值，獲得該影像的晴空線。利用式(2)計算每個像元的HOT值，圖6a為得到的薄云檢測結果，HOT值越大，云越厚。對比原始影像，可發現建筑物區域的HOT檢測結果很突兀，其中紅色屋頂建筑HOT極低，藍色屋頂建筑HOT極高，其他類型建筑物HOT也明顯偏高。正如1.1節中所述，某些類型的地物不符合HOT假設，通過實驗分析發現植被區域的HOT檢測準確率很高，基于歸一化植被指數利用式(5)對薄云檢測結果進行改進，得到IHOT(圖6b)。

圖6 薄云檢測結果改進前后對比

Fig.6 The comparison between HOT and IHOT

圖7(見封3)是薄云覆蓋的GF-1影像采用不同算法去薄云后的結果。與原始影像對比，傳統HOT法丟失了彩色建筑的色彩信息，導致結果影像(圖7a)與事實不符；同態濾波法(圖7b)僅能夠去除部分區域的薄云，并損失了晴空區影像的部分低頻信息；本文算法結果(圖7c)薄云去除效果較好，不僅有效消除了薄云的干擾，同時充分還原了較厚云層下墊面的地物信息，對于地物色彩和紋理信息的還原更加真實。圖7d為原始影像局部，對應圖5a中虛線框的位置，圖7e、圖7f、圖7g分別是基于HOT去云法、同態濾波法和本文算法云去除后的影像。

由于傳統HOT去云算法對彩色建筑恢復效果很不理想，下文僅針對同態濾波法和本文算法結果進行定量分析。本文采用影像均值、歸一化相關系數以及結構相似性度量指標(SSIM)[16]對比兩種薄云去除算法。由表1可知兩種算法都使云區影像的平均亮度值有所下降，削弱了云對影像的干擾，生成的無云影像與原始影像相關系數都很高，而本文算法結果的結構相似性指標明顯優于同態濾波法，可見本文算法對高分影像的空間結構、紋理等細節信息的恢復是很明顯的。

表1 不同薄云去除算法處理前后影像統計指標

Table 1 The statistical index of haze-removal image with different methods

算法原始云區影像均值薄云去除后影像均值薄云去除前后影像相關系數SSIM同態濾波法381．3096203．59130．91200．6213本文算法381．3096285．43970．97050．9071

3 結語

本文針對傳統薄云檢測方法手動勾勒晴空區、自動化程度低的特點，提出了基于暗原色先驗知識自動檢測晴空區的策略；針對HOT云檢測方法在高分影像中建筑物、道路、廣場等地物失效的問題，利用植被區域云檢測結果準確的特點，結合歸一化植被指數提出IHOT云檢測算法，提高了去云后影像的質量。實驗表明，文中的薄云去除效果明顯優于傳統的HOT法和同態濾波法。但本文算法的效果可能受季節和植被覆蓋率的影響，提高算法的適用性是進一步研究的目標。

[1] LU D.Detection and substitution of clouds/hazes and their cast shadows on IKONOS images[J].International Journal of Remote Sensing,2007,28(18):4027-4035.

[2] 馮春,馬建文,戴芹,等.一種改進的遙感圖像薄云快速去除方法[J].國土資源遙感,2004,4(62):1.

[3] 李剛,楊武年,翁韜.一種基于同態濾波的遙感圖像薄云去除算法[J].測繪科學,2007,32(3):47-48.

[4] 趙忠明,朱重光.遙感圖象中薄云的去除方法[J].環境遙感,1996,11(3):195-199.

[5] 朱錫芳,吳峰,莊燕濱.基于Mallat算法遙感圖像去云霧處理的改進方法[J].遙感學報,2007,11(2):241-246.

[6] BERK A,BERNSTEIN L S,ANDERSON G P,et al.MODTRAN cloud and multiple scattering upgrades with application to AVIRIS[J].Remote Sensing of Environment,1998,65(3):367-375.

[7] CHAVEZ P S.Radiometric calibration of Landsat Thematic Mapper multispectral images[J].Photogrammetric Engineering and Remote Sensing,1989,55(9):1285-1294.

[8] LIANG S,FANG H,CHEN M.Atmospheric correction of Landsat ETM+ land surface imagery.I.Methods[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(11):2490-2498.

[9] SAUNDERS R W,KRIEBEL K T.An improved method for detecting clear sky and cloudy radiances from AVHRR data[J].International Journal of Remote Sensing,1988,9(1):123-150.

[10] ZHANG Y,GUINDON B,CIHLAR J.An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images[J].Remote Sensing of Environment,2002,82(2):173-187.

[11] HE X Y,HU J B,CHEN W,et al.Haze removal based on advanced haze-optimized transformation (AHOT) for multispectral imagery[J].International Journal of Remote Sensing,2010,31(20):5331-5348.

[12] 李存軍,劉良云,王紀華,等.基于Landsat 影像自身特征的薄云自動探測與去除[J].浙江大學學報(工學版),2006,40(1):10-13.

[13] HE K,SUN J,TANG X.Single image haze removal using dark channel prior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12):2341-2353.

[14] MORO G D,HALOUNOVA L.Haze removal for high-resolution satellite data:A case study[J].International Journal of Remote Sensing,2007,28(10):2187-2205.

[15] 趙時英.遙感應用分析原理與方法[M].北京:科學出版社,2003.373-374.

[16] WANG Z,BOVIK A C,SHEIKH H R,et al.Image quality assessment:From error visibility to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

Automatic Removal of Thin Cloud Based on Improved Haze-Optimized Transformation for High-Resolution Image

LIU Ze-shu1,2，CHEN Fu2，LIU Jian-bo2,SUN Ye-chao3

(1.UniversityofChineseAcademyofSciences,Beijing100049;2.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100094;3.ChinaCentreforResourcesSatelliteDataandApplication,Beijing100094，China)

A new algorithm is developed to remove the haze from high-resolution image effectively and improve the automatic degree of cloud detection methods.The clear region of haze image is selected automatically based on the prior of dark channel,and the thin cloud detection is generated by improved haze-optimized transformation (IHOT),then the haze is removed with the virtual cloud point method.Using the GF-1 image to make experiment,the proposed algorithm is proved to be better than the traditional algorithms in recovering the color and texture information of artificial objects.

high-resolution image;haze removal;automatic detection;IHOT

2014-06-10；

2014-07-18

民用航天十二五預研項目

劉澤樹(1990-)，男，碩士研究生，主要研究方向為遙感圖像處理。E-mail:liuzeshu0318@sina.com

10.3969/j.issn.1672-0504.2015.01.009

TP751

A

1672-0504(2015)01-0041-04