高分辨率遙感影像中云和似云目標的自動區分

李愛勤，王環東，王靜怡，胡翔云

(1. 浙江省測繪科學技術研究院，浙江 杭州 310000； 2. 武漢大學遙感信息工程學院，湖北 武漢 430079)

?

高分辨率遙感影像中云和似云目標的自動區分

李愛勤1，王環東2，王靜怡2，胡翔云2

(1. 浙江省測繪科學技術研究院，浙江 杭州 310000； 2. 武漢大學遙感信息工程學院，湖北 武漢 430079)

云的存在會對遙感影像的處理及目標識別等產生影響，因此，自動提取云對高分辨率衛星影像的應用具有重要意義。高分影像上更加復雜的云的細節形態及似云目標的干擾，使得高分影像的自動云提取難以達到實用水平。本文以雪地為例，選取形狀、紋理和邊緣3個差異化特征作為云與似云目標區分的關鍵，提出了一種區分高分辨率遙感影像中云和似云目標的云檢測算法。首先利用Wallis濾波對輸入影像進行預處理，增強影像中不同尺度的影像紋理模式；然后對影像進行快速穩定的均值漂移分割，利用灰度和紋理特征構成支持向量機的第一層分類器，將分割后的區域對象分成“云”和普通地物，再利用邊緣、形狀、紋理等特征結合灰度特征構成支持向量機的第二層分類器，將“云”區分為云區和似云目標；最后使用Grab-cut對云檢測結果進行邊緣迭代精化。本文算法取得了優良的試驗結果，證明了算法在似云目標干擾下對高分辨率遙感影像進行精確云檢測的能力。

云檢測；似云目標；支持向量機；均值漂移分割

云的存在給遙感解譯帶來極大不便，對圖像分析產生重要影響，薄云還會使圖像中部分像素混雜著地物和云層信息，使影像分割變得困難，信息提取產生錯誤。云檢測作為影像預處理的重要步驟，對遙感影像尤其是高分辨率遙感影像的應用具有重要價值。而似云目標如冰、雪、沙漠及部分建筑物等，由于其高分辨與云相似，會給云檢測帶來許多干擾。因此，進行高分辨遙感影像云檢測中的云和似云目標區分的方法研究對于提高云檢測正確率意義重大。現有的遙感影像云檢測方法主要可以分為利用云和地物多光譜物理特性差異的物理方法[1-4]、基于云的空間紋理的檢測方法[5-8]、運用模式識別的檢測方法[9-11]及綜合使用多種方法對云檢測進行效果優化的綜合優化方法。物理方法計算簡單，能較好地區分云和似云目標，其缺點在于閾值的確定及應用范圍的有限。空間紋理特征法具有適應范圍廣的優勢，但由于下墊面的復雜性及似云目標的干擾，僅使用空間紋理特征并不能較好地區分似云目標和云區。模式識別方法打破了影像本身對云檢測的約束，它通過特征提取整合影像中目標的光譜信息和空間信息，從而形成了一套行之有效的通用云檢測機制，其難點主要在于合適的特征組合及樣本集的選擇。綜合優化方法則往往能取得優于單一方法的檢測結果。由于高分辨率遙感影像上地物種類繁多，無論是哪一類云檢測方法都可能將似云目標誤分為云，因此對云和似云目標進行自動區分意義重大。

本研究針對高分辨率遙感影像，以對象分析為基礎，提出一種有效的云檢測方法，同時針對影像上與云相似的下墊面，如冰、雪或沙漠等，利用機器學習的方法，選取合適特征，實現云區與似云目標的區分，提高如冰川、高原等特殊區域的云檢測正確率。

1 云和似云目標的自動區分

本文提出的高分辨率影像云檢測算法分為影像預處理、影像分割、特征提取、云檢測及似云目標判別及結果精化5個步驟。算法流程如圖1所示。

圖1 云檢測算法流程

由于遙感影像上的云相對于大多數地物具有亮度較高、紋理較少等特點，通過簡單的分類就能區分出大多數的云區，但與此同時也會將大部分的高亮地物誤分為云。針對這一特點，本文設計了雙層分類器，第一層分類器用于“云”和普通地物的分類，第二層分類器用于將“云”分成云區和似云地物。

1.1 影像預處理

Wallis濾波器在遙感影像處理尤其是目標識別、影像匹配等領域常常被應用[12]。它可以抑制影像噪聲，提升影像反差，增強圖像在不同尺度下的紋理細節。本文中，為了提升后續影像分割和特征提取的效果，選用Wallis濾波對輸入影像進行去噪和細節增強。

Wallis濾波器的一般形式為

gw(x,y)=g(x,y)·r1+r2

(1)

其中

r1=c·sf/(c·sg+sf/c)

r0=b·mf+(1-b-r1)·mg

式中，gw(x,y)和g(x,y)分別為濾波后影像與原始影像的灰度信號；r1和r0分別為乘性系數與加性系數，當r1>1時，該變換是一高通濾波，當r1<1時，該變換為一低通濾波；mg和sg分別為某一像素在一定鄰域的灰度均值和方差；mf和sf分別為影像均值和方差的目標值；b為影像反差擴展系數；c為影像亮度系數[13]。

Wallis濾波效果如圖2所示，可以發現Wallis濾波在暗部細節進行進一步提升的同時，對影像亮部(主要是云區)同樣進行了亮度和細節的提升，并且保證在不出現曝光過度的范圍之內。

圖2 Wallis濾波效果(局部)

1.2 影像分割

影像分割是利用特征將影像分割成若干互不相交的區域，使每個區域具有獨立一致性，而相鄰區域間的差別盡可能大。在云檢測中，筆者希望影像分割能較好地快速將云和地物分割開來，在保證各區域內部一致性的同時，盡量保證對象的完整性。本文選取均值漂移(mean shift)算法來進行影像分割。

利用mean shift算法對全色影像進行影像分割試驗的結果如圖3所示。

圖3 mean shift影像分割結果

可以看到，mean shift算法對復雜地物表面分割較為細碎，對云區會按照云層頂部層次分割為不同的區域，對云區形成的巨大陰影則分割為一塊完整的區域，對雪地的分割雖然邊緣較為粗糙，但較好地保持了每塊雪地的完整性，能夠滿足需求。

1.3 特征提取

特征提取是能夠成功區分出云和似云特征的關鍵。云形態多變、邊界模糊和背景復雜這3個特點，給云檢測帶來了不小的困難。因此，提取出的特征必須足夠豐富，能充分描述云的各種形態下的特點，而模糊的邊界也可以成為區分云區和似云地物的特征之一，而云背景的復雜性則要求采取多層分類結構來對云區逐次進行提取。

1.3.1 灰度特征

灰度均值和灰度方差可用于描述影像整體的亮度和紋理。灰度16維直方圖則將灰度信息組織為16維特征，能提供比灰度均值更多的影像信息。

1.3.2 紋理特征

灰度方差及灰度共生矩陣是研究圖像紋理特征的有效手段，在遙感領域應用廣泛。常用于云檢測的灰度共生矩陣二次統計量包括二階矩(能量)、對比度(慣性矩)、相關性(同質性)和熵[14]。

LTP(local trinary pattern)是LBP描述子的一種改進方案。LTP算子的編碼規則定義如下

(2)

(3)

式中，nc表示中心像素點(u,v)的灰度值；ni表示等間隔地分布在以(u,v)為圓心、R為半徑的圓上的N個領域點的灰度值；T為閾值。

對于紋理缺乏、灰度分布均勻的區域，LTP算子比LBP算子在噪聲環境之下具有更穩定的能力，因為LTP能攜帶更多的信息，表示更多模式。對于帶噪聲的灰度分布均勻區域和紋理變化較大的區域，LBP算子由于描述能力有限，不能將它們區分開，而LTP算子可以發揮三值編碼的優勢將它們區分開[15]。

1.3.3 形狀特征

分形維數是一種數學方法，主要用于對自然界復雜的幾何形體進行研究。分形的核心特點是自相似性，即自身與自身的某一部分相似。盒維數算法經常用于灰度圖像，其定義為：

設F為RN上任意非空的有界子集，Nδ(F)為直徑最大為δ的可以覆蓋F的集的最小個數，則F的上、下盒維數分別定義為

(4)

(5)

若式(4)與式(5)相等，則稱這兩個共同的值為F的盒維數，記為

(6)

1.3.4 邊緣梯度

云區邊緣一般是模糊的，即使是具有層次的積狀云頂部，每層之間的邊緣同樣呈現緩慢過渡的趨勢。而似云地物如雪地一般具有較為清晰的邊緣。

為了更好地區分云和雪，本文專門設計了一種邊緣梯度的特征，定義如下：

設(x,y)為圖像分割后圖塊的邊緣像素點，G(x,y)為對應(x,y)的灰度值，D為邊緣梯度的最大值，則

(7)

式中，i∈{-k+1,-k+2,…,-1,0,…,k-1,k},一般取k=2。計算得到的D1、D2、D3、D4分別為0°、45°、90°和135°方向的邊緣梯度最大值。邊緣梯度越大，說明該邊緣清晰的概率越高。

1.4 云檢測和似云目標判別

本文使用支持向量機(SVM)作為分類器。云檢測和似云目標判別使用了雙層分類器，第一層分類器用于“云”和普通地物的分類，第二層分類器用于將“云”分為云區和似云地物。通過對不同特征組合進行試驗，選擇灰度均值、16維灰度直方圖、方差、加權LTP描述子的特征組合作為第一層分類器；對于第二層分類器，則使用灰度均值、16維灰度直方圖、灰度共生矩陣(能量、對比度、相關性、熵)、加權LTP描述子、邊緣梯度和盒維數的特征組合。

1.5 結果精化

Grab-Cut是Graph-Cut算法的改進和發展，它首先通過迭代的“圖割”算法提取出前景的大致輪廓，再通過邊界精化算法對提取出的輪廓進行優化[16]。

由于mean shift分割的區域邊緣較為粗糙，云檢測之后需要對檢測結果進行進一步的精化。因此，本文將上面4個步驟生成的結果作為程序的初始值，利用Grab-Cut對結果進行進一步的精化。

2 試驗結果與分析

本文選用OrbView-3高分辨率全色遙感影像(分辨率為1 m)，建立樣本集。樣本示例分別如圖4和圖5所示。

圖4 云區樣本及真值示例

圖5 雪地樣本及真值示例

檢測結果分別如圖6和圖7所示。針對存在似云目標干擾的高分辨率遙感影像，本文提出的云檢測方法達到了95.65%的準確率與94.03%的召回率，充分證明了該算法能夠實現對云區和似云目標的自動區分，從而實現了高精度的云檢測，提升了在似云目標干擾下云檢測算法的魯棒性。

圖6 云區檢測結果(無雪地干擾)

圖7 云區檢測結果(存在雪地干擾)

3 結 語

本文使用雙層支持向量機分類結構，設計了針對云和似云目標的邊緣特征——邊緣梯度，并且對特征選擇進行了大量試驗，對技術框架包括雙層分類器和Grab-Cut的使用進行了驗證。在對OrbView-3全色影像的云檢測試驗中，發現本文算法取得了較為優良的試驗結果。這表明本文的特征選擇和技術框架是高分辨率遙感影像云檢測中的云和似云目標區分的一種可行方案。今后將在本文的基礎上，引入更多有效特征來應對更加復雜的云檢測場景。

[1] 李艷兵,李元祥,翟景秋.衛星云圖形態特征提取和表示的一種方法[J].南京氣象學院學報,2006,29(5): 682-687.

[2] LI W, LI D. The Universal Cloud Detection Algorithm of MODIS Data[C]∥Proceedings of SPIE, the International Society for Optical Engineering.[S.l.]：Society of Photo-Optical Instrumentation Engineers, 2006.

[3] WU X,CHENG Q.Study on Methods of Cloud Identification and Data Recovery for MODIS Data[C]∥Remote Sensing.[S.l.]：International Society for Optics and Photonics，2007.

[4] ZHU Z, WOODCOCK C E. Object-based Cloud and Cloud Shadow Detection in Landsat Imagery[J]. Remote Sensing of Environment, 2012, 118: 83-94.

[5] SOLVSTEEN C. Correlation-based Cloud Detection and an Examination of the Split-window Method[C]∥Satellite Remote Sensing II.[S.l.]：International Society for Optics and Photonics, 1995.

[6] 曲衛平,劉文清,劉建國, 等.應用單波段亮度變化率獲取無云干擾的衛星數據[J].光譜學與光譜分析,2006,26(11): 2011-2015.

[7] 陳鵬,張榮,劉政凱.遙感圖像云圖識別中的特征提取[J].中國科學技術大學學報,2009, 39(5): 484-488.

[8] 單娜,鄭天垚,王貞松.快速高準確度云檢測算法及其應用[J].遙感學報,2009(6): 1138-1155.

[9] AZIMI-SADJADI M R, SHAIKH M A, TIAN B, et al. Neural Network-based Cloud Detection/Classification Using Textural and Spectral Features[C]∥Geoscience and Remote Sensing Symposium.[S.l.]：IEEE, 1996.

[10] YUAN Y, HU X. Bag-of-words and Object-based Classification for Cloud Extraction from Satellite Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(8): 4197-4205.

[11] HU X, WANG Y, SHAN J. Automatic Recognition of Cloud Images by Using Visual Saliency Features[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(8): 1760-1764.

[12] 張力,張祖勛,張劍清. Wallis 濾波在影像匹配中的應用[J].武漢測繪科技大學學報,1999,24(1): 24-27.

[13] 王博,張永軍,陳奇.一種改進的自適應 Wallis 濾波算法[J].測繪科學,2015,40(5): 95-98.

[14] 曹瓊,鄭紅,李行善.一種基于紋理特征的衛星遙感圖像云探測方法[J].航空學報,2007, 28(3): 661-666.

[15] 曾慧,穆志純,王秀青.一種魯棒的圖像局部特征區域的描述方法[J].自動化學報,2011, 37(6): 658-664.

[16] ROTHER C, KOLMOGOROV V, BLAKE A. Grabcut: Interactive Foreground Extraction Using Iterated Graph Cuts[C]∥ACM Transactions on Graphics (TOG).[S.l.]：ACM, 2004.

Automatic Discrimination of Cloud and Cloud-like Target in High Resolution Satellite Imagery

LI Aiqin1,WANG Huandong2,WANG Jingyi2,HU Xiangyun2

(1. Zhejiang Surveying and Mapping Science and Technology Research Institute, Hangzhou 310000, China; 2. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China)

Clouds in remote sensing imagery have an impact on its process and subsequent target recognition. Thus, automatic cloud extraction is essential to the application of high-resolution imagery. The complex shapes of the clouds in high-resolution imagery and the interference of cloud-like targets make it difficult to achieve a practical automatic cloud extraction. In this paper, we choose snow as the example of cloud-like target, and develop an algorithm which chooses shape, texture and edge as the key features to discriminate cloud from cloud-like targets. Firstly, the input image is preprocessed with Wallis filtering to enhance texture patterns at different scales. Then the input is segmented by a fast stable mean-shift segmentation. The first support vector machine classifier is built with gray and texture features, which divides all segmented parts into “cloud” and common ground targets. A second classifier is built with edge, shape and texture features to divide “cloud” areas into clouds and cloud-like targets. Finally, Grab-cut is applied to refine edges of cloud extraction results iteratively. Experiments achieve good results and demonstrate the algorithm’s capability to extract clouds in high-resolution imagery precisely with the interference of cloud-like targets.

cloud detection; cloud-like target; SVM; mean shift

李愛勤，王環東，王靜怡，等.高分辨率遙感影像中云和似云目標的自動區分[J].測繪通報，2017(6)：31-35.

10.13474/j.cnki.11-2246.2017.0184.

2016-11-15；

2017-02-06

浙江省科技技術項目(2015C33010)

李愛勤(1967—)，男，教授級高級工程師，主要研究方向為測繪遙感與地理信息。E-mail：aqli_cn@126.com

胡翔云

P237

A

0494-0911(2017)06-0031-05