基于多特征提取的遙感影像云檢測算法研究

李超煒+鄧新蒲+趙昊宸

摘要：高分辨率遙感影像中存在大量的云噪聲，這些云層對遙感數(shù)據(jù)的后續(xù)處理和傳輸產(chǎn)生不利影響。本文針對遙感圖像中云層污染問題，對多光譜影像中云層亮度、紋理、頻率等特征展開分析，通過樣本統(tǒng)計了云層與下墊面在不同方面的特征差異?；诜治龅慕Y(jié)果，利用灰度共生矩陣和Gabor濾波器的各個特征值，依據(jù)特征的可分離度選擇有效的特征，并對上述特征進行云檢測。對檢測為云的樣本，近一步采用條件邊緣膨脹優(yōu)化云層邊緣的檢測精度。實驗結(jié)果證明本算法對高分辨遙感影像的云層具有較好的檢測效果。

關鍵詞：遙感影像；高分辨率；云層特征提??；云檢測

中圖分類號：TN976 文獻標識碼：A 文章編號：1007-9416（2017）09-0124-04

隨著空間科學技術的發(fā)展，遙感衛(wèi)星的時空分辨率和光譜分辨率逐漸提高，已廣泛應用于偵查、測繪、資源監(jiān)測和深空探測。在光學衛(wèi)星影像中，云層是可見光和紅外波段主要的污染源之一。大量云層的存在影響了對地觀測和地標提取，被云覆蓋的遙感影像可用信息很少，卻占用了系統(tǒng)大量的存儲空間和傳輸帶寬，進而降低了衛(wèi)星數(shù)據(jù)的利用率，這對衛(wèi)星有限的資源帶來了不利影響。因此在遙感衛(wèi)星影像的處理中，云層的檢測十分重要。針對云污染的問題，有必要研究高效、快速地篩選含云影像及計算云量，從而有效提高衛(wèi)星平臺遙感圖像的利用率。

目前針對云檢測主要從亮度、紋理、頻率三個方面出發(fā)，提取不同的特征組合來進行云層識別。常用的方法有分形維數(shù)[1]、灰度共生矩陣[2]、小波變換和Gabor濾波器[3]等。李志偉等[4]通過光譜特征提取主云區(qū)，再通過紋理特征局部二值模式LBP和形狀特征周長面積比來優(yōu)化云層檢測結(jié)果，但該方法受相機輻射校正系數(shù)影響，該系數(shù)在一年中不固定，因此光譜特征的閾值設定不穩(wěn)定。譚一華等[5]利用最大響應濾波器（Maximum Response）提取云層不同方向和不同尺度的紋理特征，得到8維特征矢量。該方法雖然充分地提取了云層紋理特征，但由于MR濾波器對紋理特征的計算量大，且云層沒有明顯的方向性，因此十分耗時。余長輝等[1]分別提取了平均灰度、方差、一階差分和DCT高頻系數(shù)、小波高頻系數(shù)以及GCLM的特征值和分形維數(shù)，但特征之間有冗余，不利于后續(xù)云檢測。李鵬飛等[2]僅利用平均梯度和灰度共生矩陣中的角二階矩值來提取云層紋理特征作為SVM分類基礎，未對云層光譜特征做分析。

目前的特征提取方法都建立在上述三個方面，但對各個特征值的選擇并沒有詳細的論證和分析?；诖?，本文在三個特征空間比較分析，通過樣本的統(tǒng)計，基于可分離度的計算實現(xiàn)云層特征的優(yōu)選?；谔崛〉奶卣魇噶浚捎肧VM進行云層與下墊面的分類，對判別為云層子圖的樣本，通過條件邊緣膨脹，進一步優(yōu)化云層邊緣提取，得到包含云層邊緣的二值圖像。實驗結(jié)果表明本算法對遙感影像云層檢測具有較好的效果。

1 多特征提取的云檢測算法

1.1 算法流程

本算法的框架如圖1所示，主要包括：樣本特征提取、分類器訓練、云子圖判別以及云層邊緣優(yōu)化四個部分。

樣本特征提取包括亮度、紋理和頻率三個方面。基于樣本子圖計算特征矢量，分類器采用支持向量機，對云層子圖進行判別。本算法有兩個關鍵內(nèi)容：特征選擇和邊緣優(yōu)化，將在后續(xù)章節(jié)中詳細闡述。

1.2 亮度特征提取

由于云層與下墊面具有不同的輻射率，在多光譜影像中反應為不同的亮度值。采用高分一號影像為樣本，高分一號多光譜影像包含四個波段，分別為：B波段（0.45um～0.52um）、G波段（0.52um～0.59um）、R波段（0.63um～0.69um）和近紅外波段（0.77um～0.89um）。

云層在不同通道的影像中相比下墊面都具有較高的亮度值，因此從RGB空間或某一通道的亮度值提取云層特征只能反映云層輻射強度。事實上，云層接近白色，R、G、B值近似相等，在HIS色彩空間中反映為亮度值高，飽和度低。如圖2所示，云層在I通道有明顯的亮度，但在S通道相比下墊面飽和度要低，因此本文在HIS空間中提取云層亮度和飽和度，作為輻射亮度值的特征。

1.3 紋理特征提取

下墊面中如雪、冰、明亮的水體和建筑物等具有與云層相似的光譜特征，因此紋理特征對近一步區(qū)分云層中的雜質(zhì)十分有效。常用的紋理特征有：灰度共生矩陣、分形維數(shù)、局部二值模式等?；叶裙采仃囉蒆aralick等[6]提出，主要利用紋理灰度級的空間關系，首先根據(jù)圖像像素間的方向和距離建立共生矩陣，再從矩陣中提取出有意義的數(shù)值作為特征值，基于灰度共生矩陣，常用的紋理特征值有：

其中，Si，j，k是特征值vi在類Cj和Ck中分離度，和σi，j是特征值vi在類Cj中的均值和方差，和σi，k是特征值vi在類Ck中的均值和方差。分離度Si，j，k值越大，特征分離性越好。選取高分2號衛(wèi)星圖像的云和下墊面子（64×64）各500幅作為統(tǒng)計樣本，云層樣本包括卷云、層云等不同紋理的云樣本，下墊面樣本既包括森林、山丘、裸地等紋理特征復雜的區(qū)域，也包含海洋、湖面等紋理細節(jié)少的樣本。部分樣本如圖3所示。

計算云層樣本和下墊面樣本各個特征值，結(jié)果如圖4所示。

上述樣本計算的分離度值如表1所示，可以看出相關性的分離度值最大，同質(zhì)性和能量特征分離性其次，對比度的分離性最差。相關性表示圖像中像素灰度的相似度，在灰度共生矩陣中的元素分布均勻、差異較小時，圖像的紋理具有較好的延續(xù)性，圖像相關性較大。對比度突出了圖像中臨近像元的反差，提取出了圖像的邊緣信息。如果原圖像的灰度變化很快，則其灰度共生矩陣中主要零元素將偏離主對角線分布，即具有較大特征值。相反圖像灰度變化平緩，其灰度共生矩陣中的主要非零元素將在主對角線附近分布，具有較小的對比度特征值?；谏鲜龇治觯疚倪x擇相關性和同質(zhì)性兩個特征來描述云層紋理。endprint

1.4 頻率特征提取

頻率特征主要反映為提取不同尺度及方向下的紋理細節(jié)，常用的方法有：小波變換、Gaobr濾波器等。Gaobr濾波器是線性濾波器，主要針對圖像邊緣檢測。Gabor濾波器的提出主要是解決Fourier變換不能提取局部信息，而進入時間局部化的窗函數(shù)。由于Gabor濾波器與人類視覺細胞的視覺刺激響應類似，能較好地提取目標的局部空間和頻率域信息，因此其在視覺領域中是一種常用的圖像預處理方式。由Gabor函數(shù)形成的二維Gabor濾波器能夠較好地在空間域和頻率域取得最優(yōu)化，可以較好地表示相應于空間頻率方位和方向選擇性的局部信息，是常用的紋理表示和描述方法。

然而云層并沒有明顯的方向性，采用不同尺度、不同方向的濾波器對云層進行頻率特征提取往往相互之間冗余性大，計算復雜度高。因此對不同的濾波尺度和方向，有必要根據(jù)其對特征分離的效果，選擇分離度大的特征進行云層特征提取。選擇64×64大小的云層樣本與下墊面樣本，分析Gabor濾波器不同中心頻率與方向的特征分離度。如圖5所示，圖中為兩個中心頻率、四個方向一共8個Gabor濾波響應，分別以每個濾波響應的均值和標準差為特征值，計算16個特征的分離度。由圖中可以看出云層和下墊面樣本在不同方向的響應分離性相似，由于云層沒有明顯的方向性，因此不同方向的Gabor響應在中心頻率相同時沒有明顯分離性。

以分離度做縱坐標，將每個方向，不同中心頻率的Gabor響應分離度響應變化如圖6所示?？梢钥闯?，不同方向的Gabor響應分離度均隨著中心頻率的減小（正弦載波波長的增加）而增加，在濾波波長增長到40um時趨于平緩，即分離度不再變化。同時，四個方向的分離度值最大均在0.6左右，135°方向的分離度值最大。為簡化特征冗余度，選擇每個方向正弦載波長為60um的Gabor濾波響應的均值和方差，共8維特征矢量描述云層頻率特征。

1.5 條件邊緣膨脹

將上述特征空間中提取的亮度、飽和度、相關性、同質(zhì)性和8維Gabor濾波響應特征組成12維特征矢量用于SVM分類訓練。由于多特征提取得到的為子圖，為使檢測結(jié)果接近真實云層邊緣，這里對檢測后識別為云層的子圖進行條件邊緣膨脹。在原圖中提取云層子圖的邊緣，以邊緣像素為原點，比較鄰域像素與其的亮度差。對某一鄰域點，若亮度差小于ρI（i，j）（I（i，j）為邊緣點亮度，實驗中ρ為1%～1.6%），該點就視為云層像素。每次條件膨脹后，以新增加的云像素點為原點進行下一次條件膨脹。實驗中，迭代膨脹次數(shù)限制為4，并且在膨脹時新增加的云像素點小于N（本文為100）則視為云層像素已膨脹完，提前停止迭代。

2 實驗結(jié)果與分析

本文中云檢測實驗分為兩部分：云層樣本訓練和測試圖片檢測。云層樣本來自GF-2遙感影像，部分樣本如圖3所示，尺寸大小為64*64。所有測試圖均為1024*1024大小，每張圖也分為大小為64*64的子圖。訓練樣本和測試樣本均包含兩類：云層和下墊面。如圖7所示，測試圖包含厚云、薄云、卷云和積云等不同類型的云層。下墊面包含海洋、山巒和農(nóng)田、沙漠等。實驗包含：樣本訓練、圖片分割、特征提取、云層判別。采用SVM對樣本進行訓練，基于判別模型對子圖屬性進行判定。若子圖識別為云層，則標記為1，否則標記為0。

結(jié)果如圖8所示，本文采用目視判別實驗結(jié)果?？梢钥闯?，對不同類型的云層，本算法都能較好地檢測出主要云區(qū)。分別統(tǒng)計樣本總數(shù)m與正確判為云的樣本數(shù)量n，得到云檢測精度為93%。對于錯誤的判別結(jié)果，一方面是因為部分子圖屬于云層與地物混合，難以準確判別其是云層還是下墊面；另一方面，由于樣本尺寸小，上述特征矢量難以準確描述所有樣本的特點。后續(xù)研究可以針對云層選取描述性、分離度更好的特征矢量，對于云圖樣本采用軟分割而不是硬性分為矩形子圖，從而更好地檢測云層邊緣。

3 結(jié)語

本文針對高分辨率遙感影像中大面積云層覆蓋的問題，研究了基于云層特征提取的云檢測算法。通過對高分2號衛(wèi)星樣本特征值的統(tǒng)計分析，得到灰度共生矩陣和Gabor濾波響應各個特征值在不同參數(shù)下的分離度，進而采用具有區(qū)分性的特征。對于輻射特性，本文采用HIS空間的亮度和飽和度。對SVM的分類結(jié)果，采用邊緣條件膨脹，進一步優(yōu)化云層邊緣的提取結(jié)果。實驗結(jié)果表明本文算法對遙感影像中的云層具有較好的檢測效果。

參考文獻

[1]Yu Changhui， Yuan Yuan. Cloud detection method based on feature extraction in remote sensing images[J].ISPRS - International Archives of the Photogrammetry， Remote Sensing and Spatial Information Sciences，2013，（05）：173-177.

[2]Pengfei Li， Limin Dong and Huachao Xiao. A cloud image detection method based on SVM vector machine[J]. Neurocomputing 2015，16（9）：34-42.

[3]Zhenyu An， Zhenwei Shi. Scene learning for cloud detection on remote-sening images[J]. IEEE Journal of STIAEOARS， 2015，20（3）：1-17.

[4]Zhiwei Li， Huanfeng Shen. Multi-feature combined cloud and cloud shadow detection in GF-1 wide field of view imagery[J]. Remote Sensing of Environment， 2017，19（1）：342-358.

[5]Yihua Tan， Ji Qi， Feifei Ren. Real-time Cloud Detection in high resolution images using maximum response filter and principle component analysis[J]. 2016 IEEE IGARSS.

[6]J.Munkres. Algorithms for the assignment and transportation problems J.Soc. Ind.Appl.Math.1957，5（1）：32-38.

[7]R.Osada， T.Funkhouer， B. Chazelle， D.Dobkin. Shape distributions. ACM Trans.Gr.2002，21（4）：807-832.endprint