風云氣象衛星影像自動精細云檢測

劉 軍，鄭群峰,2，邢秀為，陳訓來,2，陳 潛,2，錢 靜

(1. 深圳南方強天氣研究重點實驗室，廣東 深圳 518040； 2. 深圳市氣象局，廣東 深圳 518040； 3. 中國科學院深圳先進技術研究院,廣東 深圳 518055)

隨著遙感衛星技術的不斷發展，遙感技術在氣象科研與應用方面發揮著越來越重要的作用。云是氣象與氣候研究中比較重要的影像因子，正確地分離氣象遙感圖像中的有云像元和無云像元,對于天氣預報、氣象災害預防、溫度反演、救援及生態環境的監控等都有重大的影響，因此衛星云圖云檢測變得越來越重要[1]。做好云檢測工作能夠為后續云剔除、云分類及其他氣象應用打下堅實的基礎。

傳統的云檢測方法主要以閾值分割方法為主，云在可見光和近紅外光譜中表現的特性是高反射率低亮溫，利用這一特性，可以選擇合適的閾值確定像素上是否有云。目前的閾值法包括光譜結合閾值法、頻率結合閾值法等[2-3]。另一類云檢測方法主要是根據云的紋理、形狀、灰度等物理特征來進行分類[4-5]。紋理分析法利用云與地面紋理特征差異，常以分塊子圖為單位，結合二階矩、分形維數、灰度共生矩陣和多次雙邊濾波進行紋理特征計算。統計學方法也有較成功的應用，主要分為統計方程和聚類分析法。統計方程法利用樣本數據建立模擬公式計算云的反射率或亮溫來進行云檢測，聚類分析法是根據不同地物類型的像元觀測值存在明顯的差別的原理實現云檢測，在樣本量較大時，要獲得聚類結論有一定困難，需要人為干預，極大地影響了檢測效率。近年來綜合智能法在遙感領域的應用也逐漸增多，主要包括人工神經網絡、支持向量機和模糊邏輯算法等[6-7]。綜合智能法在實現的過程中需要獲取大量的訓練樣本，對分類特征的選取要求較高，針對不同數據需要重新選取樣本，導致效率低下。

摳圖技術可以實現精細的目標檢測。2000年，文獻[8]設計了Knockout系統,用于估計未知區域中的任意像素點。文獻[9]最先在摳圖方法上利用統計學的方法來估計alpha值，即基于概率統計的圖像摳圖方法。2012年文獻[10]提取出了一種基于顏色和紋理加權的采樣摳圖方法。文獻[11]提出了基于學習的摳圖方法。文獻[12]提出了穩健性摳圖方法。在此基礎上，還有更多的改進摳圖方法廣泛應用于數字圖像處理的各個領域[13-17]。但是在這些方法的實際適用中，需要事先給定前景和背景的樣本，在海量影像處理應用中具有一定的局限性。因此，基于摳圖技術優良的細節檢測能力，本文將其引入氣象衛星云檢測業務中，基于集成閾值技術[18]，通過連通區自動生成三分圖，從而實現自動的精細云檢測。

1 閉形式摳圖原理

圖像中一個像素點的值可以用式(1)表示，摳圖方法中將圖像I作為輸入，第i個像素是其對應的前景顏色Fi和背景顏色Bi的組合。

Ii=αiFi+(1-αi)Bi

(1)

式中，αi為前景的不透明度。摳圖是需要求解出αi，而式(1)右邊都是未知的。因此，對于一個3通道的彩色圖像，每個像素對應于3個等式7個未知數。為了解決嚴重的欠約束問題，需要通過用戶提供更多的約束來解決病態問題。

假設F和B是每個像素附近小窗口上的近似常量，并且F和B局部平滑。重寫式(1),將α表示成圖像I的線性函數

αi≈aIi+b?i∈w

(2)

(3)

式中，wj為窗口w附近的小窗口。代價函數式(3)包括a的一個正則化項，用來維持這個項的數值穩定性。

2 本文方法

2.1 總體思路

本文將摳圖原理引入風云衛星影像自動精細云檢測任務中，主要包括3個步驟：①集成閾值二值圖，使用風云衛星影像可見光波段灰度圖進行10種閾值方法二值化，采用投票策略，將得到的10種二值化圖像進行合成以得到集成閾值圖像；②連通區域三分圖，在集成閾值圖像的基礎上求取連通區域，剔除比較小的連通區域，以連通區域的重心為種子點，生成連通區域三分圖；③閉形式摳圖，使用閉形式求解alpha的值，最終得到本文的精細云檢測結果。

2.2 初始二分圖

基于閉形式的摳圖方法需要輸入比較精確的三元圖，多數情況下是通過手工標記獲得。而對于海量遙感影像而言，手工獲取每幅影像的三元圖是不可能完成的任務。為了避免手工標記的失誤，減輕工作量，本文在生成三元圖之前先自動生成初步二分圖，在此基礎上自動生成三元圖。生成初步二分圖的基本思路是閾值法，然而單個閾值法得到的二分圖結果可能存在局部錯誤，集合多個方法的二分圖結果可能更有代表性[18]。因此，本文采用集成閾值的策略，先采用10種閾值法生成各自的二值圖，然后通過投票策略得到集成閾值結果圖，也即初始二分圖。

本文采用了矩量保持法、模糊集方法、迭代法、最大類間方差法、全局閾值法、直方圖雙峰法、閾值插值法、均值法、基于小波的多閾值方法、基于邊界點的遞歸多域值方法等10種閾值法敘述如下，實際應用中可以采用其他閾值法。

2.3 集成閾值投票策略

由于每個閾值方法得到的二值圖均存在一定的誤差，為了盡可能得到準確的初始二分圖，本文采用簡單投票策略作為閾值結果集成的方式。即對于一幅原始影像生成的以上10種閾值結果，設定一個投票值，針對每一個像素，當各個閾值結果投票數大于或者等于該投票數，則該像素的初始狀態設為1(云)，否則設為0(非云)。最后得到的二值圖像即為初始二分圖。根據經驗，本文設置的投票數為7。

2.4 連通區域三分圖

通過集成閾值法得到了初始二分圖，在此基礎上，本文采用連通區域標記算法對初始二分圖上的像素塊進行分區標記，用于后續的三分圖生成；然后利用游程編碼的方式對二分圖進行團的標記，定義等價表，標記等價對，查找等價對的結果，將等價對標記初始團，得到連通區域標記圖；最后以連通區域的重心點為種子點，將連通區域的重心點標記為確定前景，其他為灰色區域，得到連通區域三分圖。

本文認為初始二分圖中每個連通區的中心點被正確分類為前景的概率是最高的，用此中心點作為完全準確的前景是合理的。同時有可能一個連通區非常大，因此，為了得到更多的前景點，本文將原始圖像切分成若干不重疊的圖像塊，在每個圖像塊內計算連通區，再以連通區域中心點為種子點，設定為確定前景。然后在一定鄰域內完全無云的像素點則確定為背景，其余區域為過渡區域，從而生成最后的三分圖。不同于常規摳圖方法中需要精確標記前景區域的思路，本文的前景是由若干自動生成的連通區中心點組成的，從而保證了前景的正確性，結果如圖1所示。為了保證圖像細節，本文采用4鄰域連通區域標記。

3 試驗與結果分析

為了測試本文方法的有效性，利用多幅風云2G影像進行了試驗，并將檢測結果與基于學習的摳圖方法(文獻[11])、穩健性摳圖檢測算法(文獻[12])進行了比較。風云2G影像包括白天可見光云圖、晝夜紅外云圖和水汽分布圖，本文試驗僅使用可見光云圖。為保證對比方法的公正性，基于學習的摳圖方法和穩健性摳圖方法均采用了本文提出的三分圖作為前景與背景的標記。

圖2為各個方法的云檢測結果圖。從原始可見光圖像中可以看出，圖像右上角有大片的厚云，左邊有小團云，右下角有部分薄云，中間區域有零星薄云。從檢測結果看，3種方法都能很好地檢測出右邊的大片厚云，而且邊緣細節豐富，范圍比較一致；但是3種方法都沒有檢測出中間區域的零星薄云，本文方法較好地檢測出了左上角和右下角的薄云，而另外兩種方法則表現不佳，存在一定的漏檢。圖3給出了圖2中3個局部區域的放大結果。

由圖3(a)—(d)對比可知，基于學習的摳圖云檢測方法和穩健性摳圖云檢測方法未檢測出該區域的云。本文的方法從視覺上看，基本能將云檢測出來，且將一些含云量比較小、薄云低云部分正確標記出來；由圖3(e)—(h)對比可知，基于學習和穩健性摳圖云檢測方法的結果基本一致，本文方法在上端的云檢測結果稍差；由圖3(i)—(l)可知，其他兩種云檢測方法均未檢測出圖像左下角的云，而本文方法能正確檢測出來。

4 結論與討論

本文提出了基于連通區域的閉形式摳圖的自動精細云檢測方法。首先對影像的灰度圖執行多種閾值方法，通過集成閾值結果的方式得到初始二分圖；然后利用游程編碼，得到連通區域三分圖；最后使用閉形式摳圖算法對連通區域三分圖進行摳圖得到云檢測結果?；趯嶋H的風云2G影像，將本文方法與基于學習的摳圖檢測和穩健性摳圖檢測方法進行比較。試驗結果表明，本文方法在準確性上具有一定的優勢，在不同類型的云層均有較好的檢測結果，改善了云的錯檢和漏檢情況，提高了云的檢測精度。然而本文算法在細小薄云的檢測方面仍然存在不足，這也是下一步將重點改進的方向。