高分一號衛星影像自動云檢測

鐘 靜，康一飛，韓 昱，王 歡

（1.廣東省國土資源技術中心，廣東 廣州 510075； 2.蘇州中科天啟遙感科技有限公司，江蘇 蘇州 215004 3.西安航天天繪數據技術有限公司，陜西 西安 710061； 4.四川省遙感信息測繪院，四川 成都 610100）

1 研究現狀

影像云檢測一直是遙感領域中的研究熱點。光譜閾值法是最簡單有效的云區提取算法，它基于云和地物在可見光波段光譜特性差異，通過亮度閾值實現云與非云目標的區分［1-4］。常用經驗閾值或基于最大類間方差（Otsu）原理的自動閾值。此類算法快速有效，但不可避免地會對積雪、建筑物、裸地等高亮目標產生誤判，且無法定性篩選無云影像。充分利用熱紅外信息的多光譜綜合法［5］可有效改進檢測效果，但它要求影像有足夠的波段，主要應用于高光譜相機和紅外多光譜相機影像，不適用于高分一號衛星影像。

另一類方法通過分析影像上云和地物紋理特征的差異，提取合適的特征或特征組合區分云和地物［5,6］。高分一號衛星影像上云的種類繁多，不同種類云的特征在各個特征空間內的分布都不集中，精確提取有一定難度。一些改進后算法綜合利用影像的輻射和紋理特征，以分類的方式得到云、水、晴空、云影等不同類別［7,8］。這些算法在一定程度上提高了檢測精度，但需要采用大量經過人工解譯且種類不同的含云影像作為樣本對分類器進行訓練，極其耗時、費力，且算法效率普遍較低，難以滿足高分一號衛星海量影像自動化處理的需要。

基于同一地區時相相近的兩幅或兩幅以上影像進行云檢測也是一類常見的方法。這類方法將云看作影像中的變化目標，使用變化檢測的思想去檢測云［9］。除此之外，基于立體視覺方法給云檢測問題提供了一個新思路［10］。這類基于多幅影像的云檢測方法常常與基于單幅影像的云檢測算法聯合使用，可有效提高檢測精度，但缺點是對數據要求較高，影像本身需具備比較精確的地理信息，難以運用于1A級影像產品。

2 算法與流

提出一種適用于高分一號衛星影像的自動云檢測算法，如圖1所示。首先通過無云和含云樣本影像，分別粗估最高亮度和最低亮度閾值，分別用于保證云的準確率和查全率；然后在雙閾值的輔助下，定性篩選無云影像，并計算含云影像的精確亮度閾值。最后，對閾值分割出的云區執行形態學綜合運算，改善云檢測精度，得到最終的含云量和云掩模。

圖1 整體流程圖

2.1 灰度直方圖與最高亮度閾值

灰度直方圖提供了一種確立圖像中簡單物體亮度邊界的有效方法。對于一幅不含云的影像，可近似認為其最大灰階低于最高亮度閾值。但考慮到地物本身輻射特征的復雜性，以及傳感器CCD在某些情況下的異常響應，一般的基于灰度統計的分析中，會舍棄直方圖高亮度一端1%比例的像素［11］。本文記錄舍棄后的末端截斷灰階代替實際最大灰階，用于粗估最高亮度閾值。具體步驟如下：

1） 選取一定數目不含云的影像，應盡量包含多種地物，如植被、城鎮、水面等，但不應包含積雪；

2）逐張統計影像灰度直方圖，舍棄直方圖位于高亮度一端占總數1%的像素，記錄末端截斷閾值Tend；

3）將所有的Tend按從高到低的順序排列，舍棄最高的1%，記錄剩余Tend的最大值，即為最高亮度閾值Thigh。

2.2 Otsu算法與最低亮度閾值

Otsu算法也稱最大類間方差算法，它以目標和背景的方差最大為原則，將圖像按灰度級聚類分成背景和目標兩部分［11,12］。在已知影像多云的情況下，Otsu算法可用于云區的快速檢測和提取［2］。但對于少云和無云影像，Otsu閾值極易被確定在兩類地物之間，從而造成大量的誤判。因此，Otsu算法不能直接用于云檢測，但可用來粗估最低亮度閾值，具體步驟如下：

1）選取一定數目的多云影像；

2） 通過Otsu算法逐張自動計算亮度閾值，并對影像進行灰度分割，得到粗略云檢測結果；

3）人工檢查粗略云檢測結果是否基本符合實際。若出現嚴重的錯檢或漏檢，則移除該異常影像，再增補一張樣本影像，重復1）～2）步；

4）將所有TOtsu按從低到高的順序排列，舍棄最低的1%，記錄剩余TOtsu的最小值，即為最低亮度閾值Tlow。

上述兩個閾值粗估過程中，為保證粗估結果的合理性，樣本影像數目應多于100幅。對Tend和TOtsu進行排序后，分別舍棄占總數1%的最高和最低值，這是由于這些統計數字近似呈高斯分布，舍棄部分極端值后的結果更符合實際需求。

2.3 計算精確亮度閾值

對于一張待檢測影像，首先通過最高亮度閾值定性篩選無云影像，而對于含云影像，則以雙閾值為限定條件執行Otsu計算，得到精確閾值。具體步驟如下：

1）若影像灰度直方圖中，大于Thigh的像素比例極小，則定性判定為無云影像。否則，執行下一步；

2）選取直方圖中位于高閾值Thigh和低閾值Tlow之間的部分執行Otsu計算，得到閾值T；

3）根據閾值T，對影像執行灰度分割，閾值以上的部分即為初始云區。

2.4 云區形態學綜合

如果僅使用灰度分割的方式，則不可避地引發對高亮度似云目標的誤判。傳統算法常利用建筑物、裸地尺寸遠小于云層的特點，對云區進行“腐蝕-膨脹”形態學處理［2］。但這會較大程度上改變云區的輪廓，降低檢測準確率。本文通過基于目標面積的形態學腐蝕和帶限制條件的形態學膨脹來解決這一問題。具體布步驟如下：

1） 檢測面積小于K1的云區，并認為這是高亮噪聲（筑物、裸地等），予以刪除，即標記為非云；

2）在對云區執行形尺度為K2的形態學膨脹，但膨脹的過程中同時判斷新增像元的亮度，若亮度小于Tlow，則該像元不予膨脹；

3）檢測面積小于K3的非云區，并認為這是細小云縫，予以刪除，即標記為云。

上述云區形態學運算過程中，K1、K2和K3均為配置參數，可根據具體情況改動。例如，若場景中常含有大型人造目標(機場等)，則應設定一個較大的K1來避免錯檢；若需要充分挖掘云縫中的有效信息，則應設置一個較小的K2和K3；若重點關注云區的查全率，不希望得到過于破碎的云掩模，則應設置一個較大的K2和 K3。

3 實驗與分析

以高分一號衛星1A級全色影像為例，完成上述4 個步驟，得到最終的云掩模。并通過本文算法與傳統Otsu閾值，以及傳統的“腐蝕-膨脹”形態學運算作對比，驗證本文算法的有效性和優勢。

3.1 閾值分割結果評價與對比

分別選取3幅無云、少云和多云影像作為代表（圖2、3、4），展示在雙閾值限定條件下的精確閾值分割過程，同時選取傳統Otsu閾值分割后結果作對比。其中b圖兩側紅色直線代表本文算法得到的雙閾值：Thigh=578、Tlow= 243。在前期傳感器校正及輻射定標工作沒有較大改動情況下，上述雙閾值有普適性，適用于所有高分一號衛星1A級全色影像。b圖中間的紫色直線表示以雙閾值為限定條件下的Otsu閾值。d圖藍色直線代表傳統Otsu閾值。

圖2 無云影像閾值分割

圖3 少云影像閾值分割

圖4 影像閾值分割

可以看出，對于多云影像（圖4），傳統Otsu分割算法和本文閾值分割算法均作出了較為精確的判斷。但對于無云（圖2）和少云（圖3）影像，傳統Otsu分割算法出現了較為嚴重的誤判。相比之下，本文算法有較大優勢，能對少云影像作出比較精確的判斷，也能定性識別出無云影像。通過圖3、4可以看出，僅使用閾值分割會造成結果中有很多由高亮度建筑物和裸地等引起的噪點，因此要執行云區形態學綜合。

3.2 云區形態學綜合評價與對比

以上述少云影像（圖3）為例，對3a中所示的初始閾值分割圖進行形態學綜合。同時，將本文形態學算法與傳統的“腐蝕-膨脹”形態學運算作對比，兩種云區綜合算法結果展示在圖5中。同時，選取圖5a左上角紅色方框內局部區域，分別將腐蝕亮斑、條件膨脹、填充云縫3個子步驟的中間結果展示在圖6中。

從圖5、6可以看出，經過形態學綜合處理后，云掩模中的高亮度、小面積噪聲得到消除，且云縫得到填充，方便后續使用。相比于傳統的“腐蝕-膨脹”算法，本文使用的形態學算法更好地保留了云的真實邊緣輪廓，有效地降低了錯檢和漏檢率。

4 結 語

圖5 云區形態學綜合

圖6 云區(局部)形態學綜合

針對高分一號衛星影像普遍含云且光譜探測范圍窄、波段少、數據量大的特點，提出一種基于自適應閾值和形態學綜合的云檢測算法。實驗表明，該算法簡單有效，能對少云、多云影像作出比較精確的檢測，也能定性識別出無云影像，適用于全色、多光譜影像，可滿足海量數據自動化處理的需要。

[1] 李德仁, 童慶禧, 李榮興,等． 高分辨率對地觀測的若干前沿科學問題[J]．中國科學:地球科學, 2012(6):805-813

[2] 陳翠嬋, 黃國森, 王越,等． 含云衛星影像配準算法研究[J]．測繪通報, 2016(10):81-84

[3] 吳磊, 康一飛, 李娜娜,等． 大面積含云衛星遙感影像勻光算法的改進[J]．地理空間信息,2016,14(1):41-43

[4] 秦永, 付仲良, 周凡,等． 一種利用TM影像自動檢測云層的方法[J]．武漢大學學報:信息科學版,2014,39(2):234-238

[5] 陳振煒, 張過, 寧津生,等． 資源三號測繪衛星自動云檢測[J]．測繪學報, 2015, 44(3):292-300

[6] 李騰騰, 唐新明, 高小明． 資源三號影像朵云識別中云雪分離研究[J]．測繪通報, 2016(2):46-49

[7] 胡根生, 陳長春, 梁棟． 聯合云量自動評估和加權支持向量機的Landsat圖像云檢測[J]．測繪學報,2014,43(8):848-854

[8] 譚凱,張永軍,童心,等．國產高分辨率遙感衛星影像自動云檢測[J]．測繪學報, 2016, 45(5):581-591

[9] 方勇, 常本義． 聯合應用多傳感器影象消除云層遮擋影響的研究[J]．中國圖象圖形學報,2001,6(2):138-141

[10] Wu T, Hu X, Zhang Y, et al． Automatic Cloud Detection for High Resolution Satellite StereoImages and Its Application in Terrain Extraction[J]． ISPRS Journal of Photogrammetry &Remote Sensing, 2016(121):143-156

[11] GadallahFL, Csillag F, Smith E J M． Destriping Multisensor Imagery with Moment Matching[J]． IntJRemote Sensing,2000,21(12):2 505-2 511

[12] Nobuyuki O． A Threshold Selection Method from Gray-Level Histograms[J]． IEEE Transactions onSystems Man & Cybernetics,1979, 9(1):62-66