Kmeans聚類與多波譜閾值相結合的煙檢測算法研究

王 偉

(青島市退役軍人服務中心，山東 青島 266000)

發(fā)生森林和草原火災時，會釋放大量的煙霧。傳統(tǒng)煙檢測算法通常多波段閾值組合，再輔助以噪點濾除進行煙檢測。這種方法受限于地域和時間變化，而且由于煙霧的化學組成千變?nèi)f化，并沒有固定的波譜特征。本文將Kmeans聚類和多波譜閾值相結合進行煙檢測研究，以克服閾值方法的不足，期望得到更好的煙檢測算法。

1 Kmeans聚類算法

聚類分析就是在數(shù)據(jù)特征相似的基礎上來進行分類。聚類分析廣泛應用于科學和工業(yè)諸多領域，包括數(shù)學、圖像學、經(jīng)濟學以及生物學等。在不同的應用領域，很多聚類技術都得到了發(fā)展，這些技術方法通過一定的標準，比較衡量不同數(shù)據(jù)間的相似性，把數(shù)據(jù)分類到不同的簇中。

Kmeans 算法是廣泛應用于科學和工業(yè)諸多聚類算法中簡單有效的算法之一。Kmeans算法的工作機理是：把n個樣本點分為k個簇，使得各簇內(nèi)的樣本點具有較高的相似性，而各簇間的樣本點相似程度較低，相似度的計算是依據(jù)一個簇中樣本點的平均值來進行。該算法根據(jù)聚類性能指標最小化原則，通常使用的聚類準則函數(shù)是求簇內(nèi)的各個樣本點到該簇中心的誤差平方和最小。

算法具體流程如下：

(4)更新各簇的聚類中心：

(5)計算數(shù)據(jù)集D中的所有點的平方誤差Ei，并與前一次誤差Ei-1比較。

若|Ei+1-Ei|<δ則算法結束，否則轉入(2)進行再次迭代。

應用Kmeans算法進行聚類分析時，分類數(shù)k需要事先給定，然而很多時候，事先并不知道這個k值應該給定多少才最為合適，這也是Kmeans 算法的一個缺點。但是也可以根據(jù)需要以及樣本空間分布，指定分類的數(shù)目。Kmeans聚類算法計算速度快，聚類性能良好，因此Kmeans聚類算法在工程實際中得到了廣泛的應用。

將遙感影像分割成為一系列的像元矩陣，采用聚類分析法獲取影像中各像元所代表的云、煙或者其他地物類型。當像元矩陣內(nèi)各種地類觀測值存在明顯差別時，聚類方法可以將各種地物非常合理的檢測出來。

2 煙檢測聚類特征分析

根據(jù)之前學者的研究，表1列出了與煙霧檢測相關的MODIS波段信息[1]。

表1 MODIS 煙檢測相關波段分析

1)0.87 μm和0.66 μm波段反射率比值

煙和云都是由一些微小顆粒組成，它們的波譜特征具有一定的相似性。可見光0.66 μm波段(MODIS 1通道)和0.87 μm波段(MODIS 2通道)可以用于陸地、海洋以及沙漠地區(qū)的云檢測以外，也可以用于煙檢測[2]。煙在這兩個波段上的反射率相近，通常情況下，0.87 μm波段反射率比0.66 μm波段反射率略大一點，而水體和植被則在這兩個波段上的反射率差異明顯。但是該方法容易受到云的影響，對于白天無云時煙檢測的效果較好。

2)0.4 μm和0.87 μm波段反射率

通常情況下，煙霧顆粒非常小，其平均半徑約為0.14 μm。根據(jù)瑞利散射理論，尺度小于入射光波長的粒子產(chǎn)生的散射現(xiàn)象，分子散射強度與入射光的波長四次方成反比，且各方向的散射光強度是不一樣的。煙霧顆粒對波長較短的波段的輻射更加敏感，而對波長較長的波段則正好相反。其中與煙檢測相關的MODIS通道中，0.4 μm波段(MODIS 通道3、通道8)對于煙霧顆粒最為敏感。0.87 μm波段(MODIS 通道2)為輻射波長最長的波段通道，對于植被輻射更為敏感。該方法除了受到云的影響以外，還會受到裸露地表的影響。

3)11 μm波段亮溫

在可見光波段云和煙有相似的波譜特征，但是在紅外波段，云頂溫度隨高度增加而降低，云層越高其溫度越低。由于植被燃燒產(chǎn)生的高溫，煙霧顆粒具有較高的亮度溫度值，因此可以利用11 μm波段將二者區(qū)分。基本思想是設置閾值檢驗11 μm波段(MODIS 31通道)亮溫值的大小，當亮度溫度高于設置的閾值時則判識為煙。

低云與地面接近，云頂溫度較高，在紅外波段內(nèi)不易區(qū)分低云和煙。陸地表面的反射率變化很大，該方法會受到裸露的地表或者高溫熱點的干擾。因此簡單的11 μm波段閾值需要輔助以其他的煙檢測方法。

3 煙檢測算法構建

將Kmeans聚類和多波譜閾值相結合進行煙檢測研究，以克服閾值方法的不足，期望得到更好的煙檢測算法。本算法選取MODIS L1B級數(shù)據(jù)作為研究數(shù)據(jù)。算法過程分為以下三個步驟：第一步，采用Kmeans聚類算法對聚類特征參數(shù)進行聚類分析，得到初始分類；第二步，將初始分類再進行多波譜閾值判斷排除云干擾因素；第三步采用中值濾波器濾除噪點，最后得到煙檢測結果。其具體檢測流程如圖1所示。

圖1 Kmeans聚類與多波譜閾值相結合的煙檢測算法流程

3.1 Kmeans聚類分析

在不同時間和不同條件下，植被燃燒的產(chǎn)物會有很大的不同，所以煙霧沒有一個相對固定的波譜特征。因此采用傳統(tǒng)的閾值方法很難選用合適的波段組合，而且閾值的設置會隨著煙霧波普特征的不同而不同。通常情況下煙霧顆粒都非常小，根據(jù)瑞利散射理論，煙霧顆粒對波長較短的波段更加敏感，而對波長較長的波段則正好相反。與煙檢測相關的MODIS通道中，通道3和通道8的中心波長最短，因此對于煙霧顆粒也最為敏感。本文選用通道3數(shù)據(jù)作為聚類分析的主要特征參數(shù)。初始聚類中心的選取采用最大最小距離選心法，以提高聚類分析的效率。

根據(jù)實驗結果，初始聚類可分為兩類：第一類為煙霧和一部分云；第二類為植被、水體和陸地等其他地物類型。

3.2 閾值法濾除云

云是由大氣中的水汽凝結而成的水滴、冰晶以及由它們的混合物組成。云的亮溫相對于煙一般較低，因此本文選取熱紅外輻射波段區(qū)分煙霧和云：

BT31>285K

R1<0.3

式中：BT31為31通道的亮溫值；R1為通道1的輻射率。在一定情況下若滿足上式，認為該點為煙，否則認為該像元為非煙。本文依據(jù)云及下墊面的反射率與亮度溫度統(tǒng)計分析，確定本次實驗使用的閾值為285 K。

3.3 中值濾波器濾除噪點

在去除一些孤立的像元點以外，水體和裸露地表的反射也會產(chǎn)生一些噪點。在進行圖像處理之前，通常需要使用降噪技術先進行一定程度的降噪。中值濾波就是一種非線性的數(shù)字濾波器技術，通常用于去除圖像或者其他信號中的噪聲。中值濾波是圖像處理中的一個常用步驟，對于斑點噪聲和椒鹽噪聲來說尤其有用。中值濾波的基本原理就是把數(shù)字圖像中一點的值用該點的一個鄰域中各點的中值代替，讓周圍的像素值更加接近真實值，從而消除噪聲點。其設計思想就是采樣檢查輸入信號并判斷它是否代表了真實信號，使用奇數(shù)個采樣組成的劈窗算法進行運算，以實現(xiàn)這項功能。首先對劈窗口中的數(shù)值進行排序，位于窗口中間的中值作為輸出；然后丟棄最早的值，取得新的采樣，重復上面的計算過程。其具體實現(xiàn)方法如下：

(1)從圖像中的某個采樣窗口取出奇數(shù)個數(shù)據(jù)進行排序。

(2)用排序后的中值取代要處理的數(shù)據(jù)。

中值濾波在圖像處理中，常用于用來保護邊緣信息，是經(jīng)典的平滑噪聲的方法。中值濾波是基于排序統(tǒng)計理論的一種能有效抑制噪聲的非線性信號處理技術。

4 算法應用研究

為了驗證該算法進行煙檢測的精確性和適用性，本文選取了2009年4月29日10時30分的黑龍江省大興安嶺山區(qū)MODIS數(shù)據(jù)進行應用研究。結合馬里蘭大學李占清提出的亮溫法火點檢測算法，對本文提出的煙檢測算法進行了驗證。李占清提出的火點檢測算法的基本步驟為

BT21>315K

BT21-BT31>14K

BT31≥260K

R2≤0.22

BT31-BT32<4KANDBT21-B31≥19K

式中：BT21，BT31，BT32分別代表21通道，31通道和32通道的亮溫值。R2代表通道2的輻射率。若像元點通過以上所有公式的檢驗，則判識該像元為火點，否則為非火點。煙霧主要由火災燃燒產(chǎn)生，因此火點周圍會聚集大量的煙霧。應用火點檢測算法與煙檢測算法相互印證，從而檢驗本文算法的精確性和實用性。

2009年4月27日黑龍江與莫斯科交界處的大興安嶺山區(qū)發(fā)生了森林火災，大火共燃燒蔓延了5天，在森林上空聚集了大量的煙霧。圖2是對2009年4月29日10時30分過境的Terra衛(wèi)星獲取的MODIS 1KM數(shù)據(jù)進行投影和定標，獲得的大興安嶺山區(qū)白天遙感影像。截取的圖像的大小為400×400，中心經(jīng)緯度為東經(jīng)128.4度，北緯49.6度。

圖2 黑龍江大興安嶺山區(qū)白天遙感影像真彩色合成圖像

圖2中A、B、C三處有植被燃燒形成的東北向煙羽；D處有大片的白色云區(qū)。

煙檢測結果如圖3所示，黑色區(qū)域為森林火點，白色區(qū)域為本文煙檢測算法的檢測結果。圖3(a)、圖3(b)、圖3(c)分別是圖2 中A、B、C處煙霧檢測結果，煙霧形態(tài)提取完整。經(jīng)過幾日的森林火災，煙霧會擴

散到火點的上方或者下風處。通過與火點檢測算法的比對，可以看出檢測到的煙霧位于火點的下風處，這十分符合煙霧擴散的規(guī)律，煙檢測結果與火點檢測結果吻合得很好。而且從圖3(a)可以看出該算法對于細小的煙羽仍然具有較好的檢測結果，圖3(c)則顯示該算法具有一定的穿透云層檢測云下煙羽的能力。

圖3 基于聚類分析的煙檢測結果圖