基于偏好型支持向量機的遙感圖像云檢測技術

杜家昊，周 晴，趙文杰

(1.中國科學院國家空間科學中心 復雜航天系統電子信息技術重點實驗室，北京 101499； 2.中國科學院大學，北京 101408)

0 引 言

根據國際衛星云氣候計劃觀測數據，全球67%以上區域時常被云層覆蓋[1]。云的覆蓋會導致遙感圖像信息缺失，甚至無法使用，浪費了衛星寶貴的存儲空間[2]。因此高效、準確的云檢測算法對遙感衛星在軌應用具有重要意義。

目前的云檢測方法，大致可分為3類：基于閾值的方法、基于傳統機器學習的方法和基于深度學習的方法?；陂撝档姆椒ㄊ抢迷坪推渌匚镌诓煌庾V范圍內的反射率差，人工設置閾值和特征提取規則來識別云和下墊面[3]。此外，許多算法結合了多時間信息[4]、空間信息[5]和動態閾值[6]。隨著機器學習技術的興起，傳統的機器學習算法如人工神經網絡[7]、支持向量機[8]和隨機森林[9]已經被用于云分類問題。與基于閾值的方法相比，它們消除了閾值設置的問題，并且特征選擇更加靈活[10]。最近，基于深度學習的云檢測方法諸如卷積神經網絡[11]、SegNet網絡[12]、注意力機制[13]等，在遙感應用領域取得了顯著突破。基于深度學習的方法可以自動提取重要特征[14]，在訓練樣本充足的情況下，該方法往往具有較高的精度和較強的泛化能力，但實現復雜。

然而，目前的大多數云檢測方法對于與云特征相似的下墊面如雪地、沙漠、冰原等高亮地物往往無能為力[15]。為此，本文提出了一種基于PSVM的遙感圖像云檢測技術，既能準確區分云和一般地貌，同時對于許多難以區分的特殊下墊面也能準確識別。

1 圖像紋理特征提取

在遙感圖像云檢測中，圖像的灰度分布是影響圖像特征的重要因素[16]，而紋理特征是當圖像灰度按照一定規律變化時，整體會呈現出的一種周期性的視覺現象。本文提取圖像的紋理特征主要分為3個步驟，即圖像灰度共生矩陣的提取、灰度共生矩陣的歸一化處理和圖像紋理特征值的計算。

灰度共生矩陣通過圖像的空間相關性來描述圖像的紋理特征。在提取灰度共生矩陣前，首先要將圖像轉化為灰度圖，之后使用式(1)對圖像進行壓縮，以提高算法的運算速度。其中圖像壓縮后的灰度等級為k，通過實驗，本文選取k=16

Ave=INT[Ave/(256/k)]

(1)

我們將壓縮好的圖像分成N×N的子塊，假設圖像子塊中任意一點 (x,y) 處的灰度值為g1，它附近的另一點 (x+i,y+j) 處的灰度值為g2，這兩點的灰度值構成一個灰度點對 (g1,g2)。 構建一個k×k的方陣，將每個灰度點對的所有出現次數寫入灰度點對對應的行和列，即可得到灰度共生矩陣，如圖1所示。其中i和j的大小決定了提取的是粗紋理還是細紋理，i和j的正負反映了圖像所提取的紋理方向θ，有0°、45°、90°和135°這4種情況，一般選取θ=0°。

圖1 灰度共生矩陣的計算方法

在得到圖像的灰度共生矩陣后，可以發現，不同尺寸的圖像所包含的像素點個數是不相同的，圖像越大，其灰度共生矩陣中元素的取值也就越大，因此需要對灰度共生矩陣進行歸一化，使其適應不同大小的圖像。假設圖像的大小為N×N，灰度共生矩陣應按照式(2)進行歸一化，歸一化后的灰度共生矩陣也被稱為聯合概率矩陣

(2)

根據聯合概率矩陣，分別計算出圖像的能量、對比度、逆差矩、熵、自相關性等圖像的紋理特征指標

(3)

式(3)為圖像能量的計算公式，其中k為圖像的灰度級數，它是將聯合概率矩陣中的所有元素取平方之后相加得到。如果圖像的紋理均勻、單一，則能量會有較大值，它反映了圖像紋理的粗細度和分布的均勻程度

(4)

式(4)為圖像對比度的計算公式，如果聯合概率矩陣中偏離對角線的元素有較大的值，則對比度較大。因為偏離對角線的元素是圖像中灰度值跳變較大的點對，所以對比度反映了整個圖像像素值的亮度變化快慢情況

(5)

式(5)為圖像逆差矩的計算公式，即如果聯合概率矩陣對角線元素有較大的值，則逆差矩值較大，它反映了圖像局部紋理的同質性，圖像內部紋理越均勻，逆差矩越大

(6)

式(6)為圖像熵的計算公式，當聯合概率矩陣值分布不集中時，熵具有較大的值，反之，熵具有較小的值。熵是對圖片隨機性和信息量的度量，當圖片中的噪聲很大或者圖片紋理特征隨機性較強時，熵具有較大的值，反之，熵具有較小的值

(7)

(8)

式(7)和式(8)為圖像的自相關性計算公式。當圖像的聯合概率矩陣中各元素值均勻且相等時，即圖像的紋理較為均勻時，圖像的自相關性較大，反之，自相關性較小。自相關性總體來說反映了圖像在某個方向上的紋理一致性。

2 基于PSVM的遙感圖像云檢測技術

2.1 數據預處理

作為最成功的地球觀測計劃之一，Landsat計劃為衛星遙感的科學和應用做出了巨大貢獻，其開放和免費的數據政策使得全球受益。本文所用到的遙感圖像數據均來自地理空間數據云網站(http://www.gscloud.cn/)的Landsat系列衛星。本文首先選取了多個具有典型特征的云和下墊面圖片600張，將其中的500張圖片作為訓練集，50張作為驗證集，余下的50張圖片作為測試集。

對選取的600張圖片的云區和下墊面區域進行人工標識，之后程序自動對圖片進行分塊處理，子塊大小為N×N。算法自動統計每一個子塊中的云量，將云量超過60%的子塊自動分類為云子塊，將云量低于20%的子塊分類為下墊面子塊，其余子塊自動剔除。

使用式(1)至式(8)，提取所有云和下墊面子塊的能量、對比度、熵、逆差矩、自相關性和平均灰度值6個特征，以N=60為例，提取到的特征值見表1。由于不同的特征值取值范圍不同，因此需要對特征值進行歸一化處理，將所有特征值映射到區間[0,1]。

表1 圖像特征值(節選)

2.2 遙感圖像云檢測方案設計

SVM是一種針對分類和回歸問題的統計學習理論[17]。如圖2所示，SVM的主要目的是尋找一個最優的二分類超平面使兩類樣本間的分類間隔最大[18]。其中ω和b分別為超平面的法向量和截距，Margin為樣本間的分類間隔。

圖2 SVM分類原理

根據2.1節得到的訓練樣本數據，建立SVM分類器，利用訓練樣本 (xi,yi) 求解如下的二次優化問題

(9)

(10)

式中：αi和αj為拉格朗日乘子，C為懲罰因子， K(x,xi) 為核函數。核函數將高維特征空間的非線性運算轉換為原輸入空間的核函數計算[19]，避免了“維數災難”。目前常用的核函數有4種，分別是線性核(LINEAR)、多項式核(POLY)、徑向核(RBF)和Sigmoid核

K(x,xi)=exp(-γ|x-xi|2)γ>0

(11)

本文選取徑向核函數，它可以將樣本映射到無限維的空間中，是應用最廣的核函數。同時核函數中只有一個參數，計算量少，便于調參[20]。式(11)為徑向核的計算公式，γ為核函數的一個待調整參數。選取合適的C和γ值，使用OpenCv庫提供的SVM分類器，輸入訓練樣本，開始訓練。之后讀取驗證集中的樣本和標簽，使用訓練產生的svm.xml模型文件對這些數據進行驗證，以檢驗訓練模型的準確度，若模型在驗證集中準確率較低，則調整參數C和γ，重復上述訓練和驗證過程，直至得到滿意的結果。本文最終選取C=10，γ=0.01。使用訓練產生的svm.xml文件對測試集圖像子塊數據進行測試，將測試得到的結果和測試集標簽進行比對，以測試訓練得到的模型的準確度。

在對遙感圖像進行云檢測時，先將待檢測圖像劃分成若干個子塊，再使用分類器逐一進行判斷，將云子塊涂成白色，將下墊面子塊涂成黑色，得到的新圖像即為云檢測結果。遙感圖像云檢測流程如圖3所示。

圖3 云檢測算法方案設計流程

2.3 基于PSVM的改進方案設計

盡管使用2.2節的方案進行Landsat衛星圖像云檢測已經達到了一個不錯的效果，例如，當N=60時，分類器對于絕大多數的云和下墊面分類準確率為97.46%，第3章中將給出更為詳細的數據。但是，針對某些特殊的下墊面，例如雪地、高亮的山脈或地表等和云相似的地物時，分類器常常把它們錯分類成云。

在實驗初期，我們嘗試將雪地等特殊下墊面加入到下墊面子塊的訓練集中，盡管這樣做保證了訓練集的完整性，但是分類器常常表現出糟糕的判別結果，不但不能準確地識別特殊下墊面，甚至對于許多云和一般下墊面也常常分類錯誤，分類準確率大大降低。為了讓分類器能夠準確地區分絕大多數的云和下墊面，我們先將包含特殊下墊面的衛星遙感圖像從訓練集中剔除，再進行訓練。

雖然雪地等特殊下墊面與云的灰度值及紋理特征較為接近，但是分類器真的就無法將二者區分嗎？通過將云、特殊下墊面和一般下墊面的能量、對比度、逆差矩、熵、自相關性進行分析比較，我們發現，相比于一般的下墊面，云和特殊下墊面的特征值較為接近。但是單獨對比云和特殊下墊面的特征值，它們之間依然有一定的差別，只是這一差別相比于云和一般下墊面表現得微乎其微，因此分類器難以將云和所有類型的下墊面準確區分，但是卻可以準確地將云和特殊下墊面區分開。

針對這一發現，本文提出了一種PSVM算法，將下墊面樣本塊中的所有非特殊下墊面去除，僅保留特殊下墊面和云作為訓練集，進行訓練，得到一個SVM模型，記作SVM_S。由于訓練集包含了完備的云樣本集和不完備的下墊面樣本集，因此訓練得到的SVM模型對云樣本有較高的判別準確度，且能較好地區分云樣本和特殊下墊面樣本，但容易將其它下墊面樣本誤判為云。為此，我們再將下墊面樣本中所有特殊下墊面去除，只保留一般下墊面和云作為訓練集，進行訓練，得到另一個SVM模型，記作SVM_G，與上一步得到的模型共同實現云判別。

在對遙感圖像進行云檢測時，本文同樣采用分塊判斷的方式實現。為了減小云檢測過程中算法的誤判對整體效果的影響，本文對分塊過程進行了改進，采用重疊分塊的方法，以提高檢測效果。步長為S，分塊大小為N，從左至右，從上至下，逐塊對圖片進行云檢測。改進的圖片檢索流程如圖4所示。

圖4 改進的圖片檢索流程

對于任意一個測試樣本圖片，首先將圖片重疊劃分成N×N的子塊，步長選取12。之后采用SVM_S對各個子塊進行判別，若判別為云，則采用SVM_G對該子塊進行二次判斷，并取SVM_G的判別結果為最終結果，若判別為下墊面，則直接將SVM_S的判別結果作為最終結果。算法流程如圖5所示。

3 實驗結果

本文首先驗證了不同N值對識別效果的影響，不同實驗分組所選取的訓練集樣本和測試集樣本均是由前文所述的600張Landsat衛星遙感圖像采用相同的步長使用重疊切片的算法劃分得到，數量基本相同。不同N值對算法識別效果的影響見表2，在這里訓練集和測試集中不包含特殊下墊面樣本。其中，SVM_GU表示SVM_G對一般下墊面的識別準確率，SVM_GC表示SVM_G對云的識別準確率，SVM_GA表示SVM_G的平均識別準確率。

表2 傳統SVM不同切片大小識別準確率對比/%

接下來，本文對提出的PSVM方法的識別準確率進行了測試，見表3。其中，SVM_PU表示本文提出的方法對一般下墊面的識別準確率，SVM_PC表示本文方法對云的識別準確率，SVM_PA表示本文方法對云和一般下墊面的平均識別準確率，SVM_PS表示本文方法對特殊下墊面的識別準確率。

表3 PSVM方法不同切片大小識別準確率對比/%

最后，本文使用包含特殊下墊面在內的完備訓練集進行訓練，得到的訓練模型記作SVM_G2，再在各個測試集上測試，見表4。其中，SVM_G2U表示SVM_G2對一般下墊面的識別準確率，SVM_G2C表示SVM_G2對云的識別準確率，SVM_G2A表示SVM_G2對云和一般下墊面的平均識別準確率，SVM_G2S表示SVM_G2對特殊下墊面的識別準確率。

表4 加入特殊下墊面對SVM識別準確率的影響/%

接下來，本文對比了傳統支持向量機(SVM_G)、加入特殊下墊面訓練的傳統支持向量機(SVM_G2)與本文提出方法(SVM_P)的平均識別準確率，如圖6所示。實驗結果表明隨著N值的增加，算法識別準確率逐漸增加。當切片大小增加到60時，識別準確率已經達到一個較高的值，盡管繼續增大切片大小識別準確率依然呈上升趨勢，但增加有限，同時較大的切片大小不利于對圖像云區域的精確識別，因此本文選取切片大小為60。之后，對比SVM_G2A與SVM_GA可以看出，將特殊下墊面加入到訓練集中不但不能幫助我們準確區分云和特殊下墊面，還會降低訓練模型識別一般下墊面和云的準確率。以N=60為例，與SVM_G中的數據相比，SVM_G2下墊面樣本的識別準確率降低了1.21%，云樣本的識別準確率降低了5.76%，綜合識別準確率降低了3.48%。最后，綜合對比3個方法的識別準確率，可以得出，當N大于等于24時，本文提出的算法對云和一般下墊面的識別準確率最高。以N=60為例，本文算法綜合識別準確率為97.48%。與傳統的支持向量機97.46%的準確率相比，提高了0.02%。這是由于在一般下墊面的遙感圖像中，時常也會存在少量與云特征相似的特殊下墊面，而本文的算法能夠將這些下墊面較為準確地識別出來，盡管對于云的識別準確率略有降低，但綜合準確率有所提高。

圖6 平均識別準確率對比

本文還對比了加入特殊下墊面訓練的支持向量機(SVM_G2)和本文提出的方法(SVM_P)對特殊下墊面的識別準確率，如圖7所示?？梢钥闯觯疚奶岢鏊惴▽μ厥庀聣|面的識別準確率遠高于傳統的支持向量機算法，以N=60為例，本文提出的算法對特殊下墊面的識別準確率為99.31%，而傳統的支持向量機算法識別準確率僅為24.1%，準確率提升了75.21%。

圖7 特殊下墊面識別準確率對比

使用PSVM算法選取N=60對包含特殊下墊面在內的完整測試集進行測試，得出本文算法的綜合識別準確率為97.66%。本文算法對遙感圖像的識別效果如圖8所示。

圖8 本文算法識別效果

從圖8中可以看出，算法對于絕大多數的下墊面都能準確識別。上述圖片使用傳統的支持向量機也能夠準確識別，然而，對于雪地等特殊的下墊面，一般方法往往會出現大量的誤判，而本文提出的PSVM算法在兼顧一般遙感圖像識別效果的同時，對于包含特殊下墊面的圖像也有不錯的識別效果。傳統的支持向量機與本文算法對特殊下墊面的識別結果對比如圖9和圖10所示。

圖9 傳統支持向量機對特殊下墊面識別效果

圖10 本文算法對特殊下墊面識別效果

4 結束語

本文提出了一種基于PSVM的遙感圖像云檢測算法，通過使用提取到的云和下墊面的紋理特征，訓練產生支持向量機模型，對Landsat系列衛星遙感圖像進行云檢測。針對雪地等特殊下墊面難以區分的問題，本文將云和特殊下墊面的紋理特征單獨提取出來，進行偏好訓練，產生只對特殊下墊面敏感的SVM模型，并與前面訓練所得到的模型進行聯合判斷。通過這種方式，分類器能夠準確區分云和各類下墊面，極大地提高了分類廣度和識別準確率，為后續遙感圖像云檢測提供了又一個創造性思路。

實驗結果表明，與傳統的SVM算法相比，本文算法對云和一般下墊面識別準確率提高了0.02%，對特殊下墊面識別準確率提高了75.21%，性能提升顯著。后續我們將收集更多衛星的遙感圖像進行訓練并優化算法，以提高模型的泛化能力和算法的運算速度。