一種多傳感器的云檢測算法

一種多傳感器的云檢測算法

1遙感圖像云檢測算法地球上的平均覆蓋范圍從1.3%覆蓋云。對(duì)于遙感圖像來說，云覆蓋是最常見的噪聲，它顯著影響了接收遠(yuǎn)程信息的質(zhì)量，并降低了數(shù)據(jù)的利用率。因此,要求計(jì)算機(jī)運(yùn)用各種云檢測算法,自動(dòng)剔除云層覆蓋率大的圖像,以節(jié)約傳輸帶寬。通常的云檢測算法,要求控制檢測錯(cuò)誤率在15%以內(nèi),本文通過大量試驗(yàn),得出該檢測算法能有效控制檢測錯(cuò)誤率為12%滿足工程應(yīng)用要求。目前,國內(nèi)研究者對(duì)于云檢測的算法幾乎全部使用光譜分析法,利用可見光和紅外等多通道數(shù)據(jù)和云及其他地物的反射率差異進(jìn)行檢測,很少利用紋理等其他圖像特征。本文提出基于遙感圖像空間紋理特征和統(tǒng)計(jì)特征的云檢測新方法。該方法運(yùn)用云及其下墊物的紋理特征區(qū)分云、雪和其他地物,由于該方法是從遙感圖像的普遍特征出發(fā)進(jìn)行云檢測,所以針對(duì)不同衛(wèi)星不同傳感器所獲得的遙感圖像,均有良好的檢測效果。方法首先通過對(duì)多種衛(wèi)星的不同傳感器所獲得的遙感圖像中云的空間紋理及統(tǒng)計(jì)特征進(jìn)行分析,建立云特征模型。接著對(duì)圖像進(jìn)行預(yù)處理,采用高斯低通濾波器對(duì)空域卷積去除噪聲和sobel算子銳化圖像邊緣,以突出云的邊緣特征。然后對(duì)圖像進(jìn)行紋理和統(tǒng)計(jì)特征提取,最后通過聚類算法,檢測出云域。2云與雪的特征在遙感圖像處理分析過程中,可供利用的影像特征包括光譜特征、空間特征、時(shí)間特征等,目前,絕大多數(shù)的遙感圖像云特征建模都是從圖像的光譜特征出發(fā),考慮云與其它地物在可見光、近紅外和熱紅外波段上的差異,根據(jù)不同的下墊面(一般陸地、海洋、雪/冰、沙漠和高原)和不同種類的云(高、中、低云和直展云)采用不同的檢測算法。然而這些方法的一個(gè)共同缺陷在于都沒有利用圖象像素之間的空間相關(guān)特性,處理的方法是逐點(diǎn)計(jì)算,點(diǎn)與點(diǎn)之間的處理相互獨(dú)立,忽略了圖象像素之間的空間上下文信息。由于含云區(qū)具有時(shí)間偶然性和局部能量集中在低頻范圍的特征,云與地表、植被、海洋等表現(xiàn)在圖像上差異顯著。圖1給出云、冰雪和地表圖像,其中圖1a為云圖,b為冰雪,c為地表建筑。從圖1中可以看出,云與非云區(qū)紋理差異很大,因此利用紋理特征來檢測云域是可行的。云與雪在灰度上極為相似,因此,云與雪的區(qū)分是云檢測中的難點(diǎn)。觀察圖1可以看出,云區(qū)灰度均勻性強(qiáng),在頻率范圍內(nèi)表現(xiàn)為低頻特性,云的邊緣通常較為模糊、圓潤、且梯度變化緩慢,而冰雪覆蓋陸地,由于受地形影響,邊緣通常較為銳利、梯度大,因此可以采用計(jì)算圖平均梯度和灰度共生矩陣的方法區(qū)分云與雪。對(duì)于圖像來說,分形維數(shù)是圖像物體表面不規(guī)則度的度量,由于云雪表面不規(guī)則度不同,因此可以通過分形維數(shù)的計(jì)算來區(qū)分。圖像的灰度梯度信息則檢出了圖像中灰度跳變的部分,將圖像的梯度信息加進(jìn)灰度共生矩陣,則使得共生矩陣更能包含圖像的紋理基元及其排列的信息。然而在工程應(yīng)用中,分形維數(shù)的計(jì)算還沒有統(tǒng)一的完善的方法,本文采用盒維來近似分形維數(shù)。3云檢測基于空間紋理和統(tǒng)計(jì)特征3.1預(yù)處理圖像的噪聲及預(yù)處理驗(yàn)證遙感圖像在成像和傳輸過程中,不可避免地受到噪聲的影響,預(yù)處理采用高斯低通濾波器對(duì)空域卷積去除噪聲和sobel算子銳化圖像邊緣,試驗(yàn)證明預(yù)處理使提取圖像紋理特征更為正確。3.2圖像分形維數(shù)紋理是對(duì)于圖像各像元灰度空間分布的一種描述,是圖像局部性質(zhì)(灰度分布函數(shù))的統(tǒng)計(jì)。目前公認(rèn)的一種重要的紋理分析方法是灰度共生矩陣,它是建立在估計(jì)圖像的二階組合條件概率密度函數(shù)基礎(chǔ)上的。為了避免云區(qū)與非云區(qū)交界的干擾,對(duì)灰度共生矩陣進(jìn)行閾值化和正規(guī)化處理,然后提取灰度平均和梯度均勻性的紋理特征。作為描述紋理的一個(gè)有力工具,分形維數(shù)是圖像物體表面不規(guī)則度的度量,即表面紋理粗糙度,分形維數(shù)越大,對(duì)應(yīng)的圖像表面越粗糙。本文采用盒維來計(jì)算圖像的分型維數(shù),將遙感圖像看作三維空間中的一個(gè)曲面Z=f(x,y),f(x,y)為像素點(diǎn)的位置坐標(biāo),Z代表灰度值,將圖像分為δ×δ的格子,計(jì)算格子內(nèi)灰度最大差值dδ(i,j),當(dāng)≤m/2(m為圖像寬度)則格子非空的盒維總數(shù):Nδ=∑dδ(i,j)/δ。對(duì)不同的δ,(,logδi)用最小二乘法進(jìn)行線性回歸得到的直線斜率去負(fù),即為分形維數(shù)的估計(jì)值N。3.3云域和非云域的聚類分析首先采用閾值分割法,對(duì)云和陸地海洋進(jìn)行粗分類,認(rèn)為灰度值較大的部分為云區(qū)。然后結(jié)合灰度共生矩陣的參數(shù)特征,識(shí)別出灰度均勻梯度小的區(qū)域。接著將云及其他下墊面物質(zhì)區(qū)分,并結(jié)合分形維數(shù)區(qū)分云和冰雪覆蓋區(qū)域。根據(jù)閾值粗分類結(jié)果,利用特征參數(shù)對(duì)圖像進(jìn)行聚類,并根據(jù)聚類結(jié)果將圖像二值化為云域和非云域。最后標(biāo)識(shí)出云區(qū),并計(jì)算云覆蓋率。4結(jié)果與討論4.1云域典型云域?qū)嶋H尺寸檢測用上述方法對(duì)186幅圖像(數(shù)據(jù)類型包含Aster,ETM,Modis等遙感圖像)進(jìn)行云檢測識(shí)別。由于遙感圖像尺寸過大,縮略顯示無法看清云層紋理細(xì)節(jié),為了觀察檢測結(jié)果,截取圖中典型云域?qū)嶋H尺寸顯示其檢測過程及結(jié)果,見圖2。處理去噪提取圖像邊緣;圖2c:閾值粗分類檢測;圖2d紋理法細(xì)分類并二值化結(jié)果,云域灰度值為1,非云域?yàn)?。根據(jù)這一結(jié)果可以進(jìn)一步計(jì)算出圖3各截圖中的云層覆蓋率見表2。根據(jù)以上方法,進(jìn)而計(jì)算整幅遙感圖像進(jìn)行云檢測,如圖4所示,圖4a是Landsat7衛(wèi)星11月23日拍攝的ETM圖像,圖b是用動(dòng)態(tài)閾值法粗分類,圖c是粗分類結(jié)果中冰雪域,圖d是云檢測結(jié)果,即ETM圖像中的云域二值化圖像,進(jìn)一步計(jì)算整幅ETM圖像的云覆蓋率為2.14%,說明該圖像的數(shù)據(jù)有效性很高。4.2算法驗(yàn)證試驗(yàn)工程上稱云覆蓋率小于15%的圖像為有效圖像,經(jīng)檢測和覆蓋率計(jì)算對(duì)有效圖像應(yīng)予以保留。反之,當(dāng)云覆蓋率大于15%,即超過15%的像素信息被云層覆蓋,則認(rèn)為該圖像為無效圖像,應(yīng)在數(shù)據(jù)傳輸前予以剔出。將無效圖像判斷為有效圖像加以傳輸?shù)母怕?通常稱為檢測錯(cuò)誤率,工程上要求算法的檢測錯(cuò)誤率在15%以內(nèi)。本文通過186幅圖像試驗(yàn)驗(yàn)證,算法能有效控制檢測錯(cuò)誤率至12%。對(duì)于將有效圖像判為無效圖像,這種誤判會(huì)造成有效數(shù)據(jù)的損失,工程上嚴(yán)格要求該錯(cuò)誤率為0%,本算法能嚴(yán)格控制這種錯(cuò)誤率,試驗(yàn)中沒有發(fā)生誤判。在識(shí)別判斷時(shí),由于無效圖像云覆蓋率大,云的形狀各異且具有時(shí)間偶然性等特點(diǎn),因此無效圖像的判斷難度比較大。為了對(duì)云的特征深入研究,試驗(yàn)中選擇大量無效圖像,而在實(shí)際應(yīng)用中,無效圖像遠(yuǎn)少于試驗(yàn)圖像庫中的無效圖像所占總圖像的比例。所以理論上推斷,本算法在實(shí)際應(yīng)用中檢測錯(cuò)誤率會(huì)進(jìn)一步大幅降低。5多遙感圖像檢測本文