面向?qū)ο蠛虶URLS結(jié)合的高空間分辨率遙感數(shù)據(jù)云檢測

殷亞秋，冷 玥，趙玉靈，安 娜，鞠 星

(1. 中國國土資源航空物探遙感中心，北京100083； 2. 中國地質(zhì)大學(xué)(北京)，北京100083)

利用衛(wèi)星遙感手段獲取地面信息過程中，云的存在影響了信息獲取的質(zhì)量，降低了數(shù)據(jù)利用率，云檢測是遙感數(shù)據(jù)處理首要解決的問題之一[1-2]。隨著我國高空間分辨率衛(wèi)星數(shù)據(jù)在各行業(yè)的應(yīng)用越來越廣泛，實現(xiàn)國產(chǎn)高空間分辨率遙感數(shù)據(jù)準(zhǔn)確云檢測具有重要意義。

國內(nèi)外學(xué)者針對不同衛(wèi)星數(shù)據(jù)對云檢測算法進(jìn)行了研究[3-5]。現(xiàn)有的云檢測算法以多波譜閾值法為主，基于云在可見光波段有較強反射而在紅外波段有較低溫度進(jìn)行識別，主要應(yīng)用于NOAA、GEOS、Landsat等系列衛(wèi)星[6-7]。該方法簡單易行，但是要求傳感器具有熱紅外波段，不適用于國產(chǎn)高空間分辨率四波段數(shù)據(jù)。有學(xué)者提出了基于特征學(xué)習(xí)和聚類分割的云檢測算法，如人工神經(jīng)網(wǎng)絡(luò)、統(tǒng)計模式識別、支持向量機等。文獻(xiàn)[8]采用奇異值分解進(jìn)行紋理特征提取，并采用自組織特征映射網(wǎng)絡(luò)進(jìn)行云區(qū)自動檢測。文獻(xiàn)[9]結(jié)合Landsat 7影像利用最小二乘小波孿生支持向量機多分類算法進(jìn)行云檢測，實現(xiàn)了不同類型云區(qū)的多分類識別。這些算法能夠較好地應(yīng)用于MODIS、Landsat等衛(wèi)星數(shù)據(jù)，而對國產(chǎn)數(shù)據(jù)的應(yīng)用研究仍然較少。文獻(xiàn)[10]針對資源三號多光譜影像的特點，提出了一種結(jié)合最小二乘原理與閾值法的云檢測方法，該算法能夠?qū)Σ煌聣|面情況的云像元進(jìn)行有效識別。在該方法應(yīng)用中由于Windows環(huán)境下Matlab平臺開發(fā)的GURLS(grand unified regularized least squares)軟件庫可開辟內(nèi)存空間有限，無法利用其進(jìn)行整景遙感影像處理。有學(xué)者提出了基于面向?qū)ο蠓椒ǖ倪b感影像信息提取技術(shù)，文獻(xiàn)[11]采用面向?qū)ο蟮姆椒ǚ治鐾瓿闪擞《饶嵛鱽喸?997年和1998年嚴(yán)重森林火災(zāi)后的制圖任務(wù)。文獻(xiàn)[12]利用HJ-1 CCD多光譜影像，基于面向?qū)ο蠓椒▽崿F(xiàn)了厚云、薄云及云影的檢測。本文針對Windows操作系統(tǒng)開發(fā)的Matlab平臺GURLS軟件庫的局限性，將面向?qū)ο笈c正則化最小二乘方法相結(jié)合，減少了整景高分?jǐn)?shù)據(jù)用于計算的數(shù)據(jù)量，對不同時相場景的高分一號、二號影像進(jìn)行處理，通過與傳統(tǒng)基于像元的最大似然法、支持向量機法對比分析，從而得出結(jié)論。

1 試驗數(shù)據(jù)

國產(chǎn)高分衛(wèi)星高分一號、二號PMS多光譜相機具有4個波段，分別為0.45～0.52、0.52～0.59、0.63～0.69和0.77～0.89 μm，數(shù)據(jù)的空間分辨率分別為8和4 m。從中選擇6景不同時相場景的影像進(jìn)行試驗。影像下墊面涵蓋耕地、園地、林地、草地、工礦倉儲用地、交通運輸用地、水域及水利設(shè)施用地等《土地利用現(xiàn)狀分類》國家標(biāo)準(zhǔn)中的12個一級類別，見表1。對影像進(jìn)行RPC糾正、輻射定標(biāo)、幾何定標(biāo)等預(yù)處理。

表1 不同時相場景影像信息

2 面向?qū)ο蠛虶URLS相結(jié)合的云檢測

本文以對象為單元進(jìn)行云檢測，分類前選擇合適尺度將影像分割成互不交疊的多邊形對象，以多邊形對象為單位進(jìn)行處理，減少了用于分類的數(shù)據(jù)量。基于對象建立分類知識庫，從對象的光譜特征、紋理特征、形狀特征3個方面提取分類規(guī)則集。利用光譜特征進(jìn)行云對象初步識別，基于光譜、紋理和形狀的綜合特征利用正則化最小二乘算法進(jìn)行云對象再提取，得到最終的云檢測結(jié)果，算法流程如圖1所示。

2.1 圖像分割

目前應(yīng)用比較廣泛的分割算法主要包括基于閾值的分割法、邊緣檢測法和基于區(qū)域的分割法，以及基于新數(shù)學(xué)工具、新理論的影像分割方法[12-14]。由于高空間分辨率遙感影像細(xì)節(jié)特征豐富，傳統(tǒng)的影像分割方法已經(jīng)不再適用[15-16]。文獻(xiàn)[17]提出了分型網(wǎng)絡(luò)演化法，該方法可操作性強且效果穩(wěn)健。本文選擇此方法，利用eCognition軟件平臺進(jìn)行影像分割。

設(shè)置異質(zhì)性閾值，根據(jù)合并準(zhǔn)則自下而上進(jìn)行處理，循環(huán)直至對象間的異質(zhì)性值超出閾值[17]。由于高分辨率影像細(xì)節(jié)信息豐富，光譜權(quán)重過小會造成所得對象雖然形狀規(guī)則但可分性較低。緊湊度的權(quán)重值越大，形狀規(guī)則的對象描述越好，而光滑度權(quán)值越大，對象邊緣越光滑。云在遙感影像上呈不規(guī)則狀，設(shè)置光譜因子權(quán)值、形狀因子權(quán)值、緊湊度權(quán)值、光滑度權(quán)值分別為0.8、0.2、0.5、0.5。分別取尺度閾值為10、20、30、40、50進(jìn)行分割，結(jié)果表明30尺度能夠?qū)⒃七M(jìn)行完整分割并避免對象過于破碎，為最佳分割尺度。

2.2 對象特征規(guī)則集建立

云檢測的精度大小取決于對象知識庫中的規(guī)則能否有效地區(qū)分地物，因此對象特征的選擇對于云檢測質(zhì)量而言至關(guān)重要。光譜特征均值和均值比值可以用來區(qū)分云與大部分植被、土壤、水體等地物。云的紋理特征屬于隨機紋理，但又區(qū)別于下墊面其他地物，利用灰度共生矩陣，選擇4種紋理特征統(tǒng)計量，計算4個方向均值作為識別特征。對于光譜特征和云比較接近的高亮房屋建筑、道路和化工設(shè)施等地物選擇形狀特征進(jìn)行區(qū)分。所選擇的8種特征如下所示：

(1) 對象灰度均值(Mean LayerN)為對象內(nèi)所包含像素第N波段灰度值均值。

(2) 對象灰度比值(Mean LayerN1/Mean LayerN2)為對象內(nèi)所包含像素在第N1波段與第N2波段均值的比值。

(3) 對象同質(zhì)度(Hom)為對象灰度均勻性度量，對象灰度越均勻，同質(zhì)度值越大。pi,j指歸一化后的灰度共生矩陣。

(1)

(4) 對象對比度(Con)反映對象灰度內(nèi)像素灰度值變化的總量，像素灰度差別越大，對比度越大。

(2)

(5) 對象角二階矩(Ang)反映對象內(nèi)灰度分布均勻程度和紋理粗細(xì)度。灰度共生矩陣中元素分布越集中，角二階矩值越小，分布越均勻，角二階矩值越大。

(3)

(6) 圓度(Roundness)描述對象接近于橢圓的程度，計算方法為對象最小外接橢圓與最大內(nèi)接橢圓半徑之差。

(7) 矩形度(Rectangular Fit)體現(xiàn)對象對其外接矩形的充滿程度，計算方法為對象面積與其最小外接矩形面積之比。

(8) 形狀指數(shù)(Shape index)即計算對象形狀與相同面積的正方形之間的偏離程度。bv為對象邊界長度，A為對象面積。

(4)

2.3 GURLS云檢測

本文基于對象采用閾值和GURLS相結(jié)合的方法進(jìn)行云檢測。利用光譜特征進(jìn)行閾值法云對象初提取，再基于光譜、形狀、紋理綜合特征，利用正則化最小二乘方法進(jìn)行云對象再識別。利用Windows環(huán)境下Matlab平臺開發(fā)的GURLS軟件包進(jìn)行正則化最小二乘分類，采用高斯核函數(shù)，對偶優(yōu)化方法尋找最優(yōu)參數(shù)，具體步驟如下：

(1) 閾值法初判。基于圖像分割結(jié)果，計算對象的Mean Layer 1、Mean Layer 3和Mean Layer 4/Mean Layer 3特征值，識別出大部分云對象，但其中也包含了易與云混淆的建筑物、道路、基巖裸地等高亮地物。

(2) 特征值計算。在步驟1提取的基礎(chǔ)上，對提取的云對象進(jìn)行連通區(qū)域合并，計算合并后對象的Mean Layer 1、Mean Layer 3、Mean Layer 4/Mean Layer 3、Hom、Con、Ang、Roundness、Rectangular Fit、Shape index特征值。

(3) 樣本選擇。將影像分為云和偽云兩類，對各類地物進(jìn)行目視判讀，選擇典型的云圖斑和偽云圖斑作為訓(xùn)練樣本。

(4) GURLS軟件云檢測。將選擇的樣本數(shù)據(jù)和測試數(shù)據(jù)轉(zhuǎn)換成軟件統(tǒng)一的格式，選擇模型參數(shù)、核函數(shù)、優(yōu)化方法等一系列參數(shù)，執(zhí)行分類。

與基于像素分類相比，基于對象進(jìn)行分類克服了“椒鹽噪聲”，降低了用于分類的數(shù)據(jù)量，縮短了云檢測的時間。

3 結(jié)果分析

將6景影像利用面向?qū)ο蠛虶URLS結(jié)合的方法進(jìn)行云檢測得到圖2所示結(jié)果。圖2(a)、(b)云分布于城市建筑物之上，容易與高亮的建筑物和道路混淆，從結(jié)果來看算法對云與高亮建筑進(jìn)行了有效區(qū)分。圖2(c)、(f)下墊面分布成片冰雪和結(jié)冰河流，極易與云混淆，結(jié)果顯示厚云與冰雪能夠有效區(qū)分。圖2(d)中下墊面主要分布植被、建筑和采礦用地，采礦區(qū)由于開采造成了山體巖石裸露，容易與云相混淆，算法能夠?qū)⑵渑c云進(jìn)行有效區(qū)分。圖2(e)下墊面主要分布有沙漠、河流灘涂、水田，裸露的河流灘涂具有較高反射率，易與薄云相混淆，結(jié)果可見算法能夠?qū)⒎植加诼懵逗訛┲系暮裨坪筒糠直≡铺崛〕鰜怼?/p>

為了對比評價基于像素的最大似然法和支持向量機(support vector machine,SVM)法，對6幅影像進(jìn)行云檢測，并對3種方法的云檢測精度進(jìn)行評價。借助于Google Earth工具，利用原始的多光譜影像和全色影像對試驗區(qū)進(jìn)行人工目視解譯，將解譯結(jié)果作為精度評價的本底參考圖像，3種方法的精度評價結(jié)果見表2。可以看出面向?qū)ο驡URLS結(jié)合法獲得的6景影像云檢測總體精度均在95%以上，Kappa系數(shù)均達(dá)到了0.90以上，精度高于基于像素的最大似然法和SVM法。

SVMGURLSOA/(%)KappaOA/(%)KappaOA/(%)Kappa199.50.9399.40.9199.800.98299.810.5899.800.6099.980.95398.830.7898.980.8399.470.90499.280.8899.580.9299.650.94599.260.7999.270.8299.730.94698.490.8798.520.8798.970.91

4 結(jié) 語

本文以高分一號、高分二號多光譜數(shù)據(jù)為數(shù)據(jù)源，采用面向?qū)ο笈cGURLS相結(jié)合的方法進(jìn)行了云檢測，基于FNEA分割獲取同質(zhì)對象，采用光譜、紋理和形狀特征建立對象規(guī)則集作為輸入，利用Windows環(huán)境下Matlab平臺開發(fā)的GURLS軟件包進(jìn)行了正則化最小二乘分類獲取云檢測結(jié)果。

選擇6景不同的時相和場景數(shù)據(jù)，將該方法與傳統(tǒng)基于像素的最大似然法和SVM法進(jìn)行了對比分析。結(jié)果表明，在下墊面地物類型復(fù)雜多樣的情況下該方法均能獲得較高的精度，即整體分類精度高于95%，Kappa系數(shù)在0.9以上，表明該方法對于國產(chǎn)高分辨率4波段相機具有較好的普適性和穩(wěn)健性。