實(shí)現(xiàn)遙感相機(jī)自主辨云的小波SCM算法

陶淑蘋,金 光,張貴祥,曲宏松

1.中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所,吉林長春,130033;2.中國科學(xué)院研究生院,北京,100039

1 引 言

空間對地遙感相機(jī)分辨力和幅寬不斷提高,使得遙感圖像數(shù)據(jù)量急劇增加,這給有限的星上固存和數(shù)傳帶寬帶來了極大挑戰(zhàn)。地球表面1/3～1/2覆蓋有云層,使得可見光及近紅外空間遙感相機(jī)拍攝到大量被云覆蓋的圖像。被云覆蓋的遙感圖像地物信息丟失,幾乎沒有利用價值。因此實(shí)時有效地進(jìn)行云層自動檢測,進(jìn)而控制相機(jī)在有云區(qū)停止拍照,對于節(jié)約星上固存空間,緩解遙感信息海量數(shù)據(jù)的傳輸壓力和提高遙感圖像利用率具有十分重要的意義。

為解決這一問題,中科院長春光機(jī)所提出在俯拍相機(jī)基礎(chǔ)上加載前視辨云相機(jī)的方案,其中前視相機(jī)用于對云進(jìn)行自動判別,并計(jì)算出有云區(qū)和無云區(qū)的經(jīng)緯度,控制俯拍相機(jī)在有云區(qū)關(guān)機(jī)停拍,以節(jié)省有限且寶貴的星上資源,提高資源利用率。本文算法即是根據(jù)這一需求,為前視相機(jī)設(shè)計(jì)的云自動檢測算法。

云的種類繁多,在時間和空間分布上有極大的不確定性,因此它一直是遙感圖像分析處理中的一大難點(diǎn)。早期的云檢測方法根據(jù)在可見光波段云比大多數(shù)地物有更高的反射率的光譜輻射特性,通過光譜閾值判別將云和地面物體大致分開,目前已有許多學(xué)者在閾值判斷方法的基礎(chǔ)上研究了更加精確的云檢測算法,如同態(tài)濾波法、聚類法、多光譜分析法等[1-3],該類方法實(shí)現(xiàn)簡單,但因?yàn)闆]有考慮圖像灰度間的空間相關(guān)性,因此檢測誤差較大。還有學(xué)者從紋理特征的角度提出了紋理分析的方法,獲得了較好的判別精確度[4-8]。紋理分析方法利用圖像像素之間的空間上下文信息[9],克服了光譜分析方法逐點(diǎn)計(jì)算、點(diǎn)點(diǎn)之間獨(dú)立的缺點(diǎn),但文獻(xiàn)[4—8]都是基于灰度共生矩陣從單一尺度提取紋理特征,事實(shí)上尺度特性也是紋理特性的一個主要方面,已有試驗(yàn)結(jié)果表明,人類視覺系統(tǒng)在進(jìn)行紋理處理時是以多尺度方式進(jìn)行的[10],本文利用小波的多尺度分析特性來提取圖像紋理特征。該算法結(jié)合圖像的光譜特征和紋理特征兩方面信息,采用一種多分支判別樹結(jié)構(gòu)模型,可快速準(zhǔn)確地實(shí)現(xiàn)云自動檢測。

2 特征提取

2.1 光譜閾值

云在可見光和近紅外波段對于光線的反射率比大多數(shù)地面物體要強(qiáng)的多,在圖像上表現(xiàn)為云相對于地面目標(biāo)具有較高的灰度值。因此可以利用這一特性,采用基于圖像光譜特征的閾值判別方法對遙感圖像云及其下墊物進(jìn)行初步的粗略分類。

文獻(xiàn)[10]詳細(xì)列出了各種地物的亮度系數(shù),可知除了雪、白墻等少數(shù)地物的波譜亮度系數(shù)接近0.9外,其他物體的亮度系數(shù)都比云的亮度系數(shù)要小很多,因此可以用基于光譜分析的閾值判別方法很容易將云與大部分地物區(qū)分開。對于初步處理后得到的類云數(shù)據(jù)可以進(jìn)一步采用圖像的紋理特性進(jìn)行詳細(xì)判別。圖像光譜閾值的確定可以根據(jù)經(jīng)驗(yàn),通過對數(shù)據(jù)庫中大量的歷史樣圖進(jìn)行統(tǒng)計(jì),獲取云層的經(jīng)驗(yàn)閾值。經(jīng)驗(yàn)閾值沒有考慮圖像本身的信息不能保證對每幅遙感圖像都有很好的分辨效果,但是該方法在統(tǒng)計(jì)意義上接近最優(yōu)[7],而且本文提出的算法中只是利用光譜閾值對云和地物進(jìn)行粗略分類,并且從算法實(shí)時性考慮采用經(jīng)驗(yàn)閾值方法比較合理。

光譜分析方法簡單易實(shí)現(xiàn),但對閾值的選擇比較敏感。因?yàn)楸≡苹\罩的圖像下傳到地面經(jīng)處理后仍可以識別地物,為了減小將地物誤判為云的可能性,在選取閾值及閾值百分比的時候適當(dāng)將判為地物的比例加大,進(jìn)而減小閾值選擇對誤判的影響。然而光譜分析處理的基本單位是像元,沒有考慮像元之間的空間結(jié)構(gòu)信息,因此進(jìn)一步采用紋理分析方法判別。

2.2 圖像紋理特征分析

紋理分析方法,大致分為統(tǒng)計(jì)方法和結(jié)構(gòu)方法。因?yàn)樵频姆N類繁多,在時間和空間分布上有極大的不確定性,但在統(tǒng)計(jì)方法中云仍有別于地物的紋理特征,這里采用統(tǒng)計(jì)方法。

2.2.1 基于離散小波變換的尺度共生矩陣

灰度共生矩陣是常用的提取紋理特征的統(tǒng)計(jì)方法[4,8]。但灰度共生矩陣是從單一尺度上提取紋理特征的。事實(shí)上尺度特性也是紋理特性的一個主要方面,已有試驗(yàn)結(jié)果表明,人類視覺系統(tǒng)在進(jìn)行紋理處理時是以多尺度方式進(jìn)行的。根據(jù)這一觀點(diǎn),可以利用小波的多尺度分析特性來提取圖像紋理特征。本文設(shè)計(jì)一種基于離散小波變換的尺度共生矩陣(scale-based concurrent matrix, SCM)提取圖像紋理特征的方法。

基于小波的紋理分析方法首先利用小波對圖像進(jìn)行多尺度分解。本文采用的是二維離散小波變換。離散小波變換具有如下分解關(guān)系[10,12-14]:

每層的近似系數(shù)(低頻)進(jìn)一步分解為四部分:低頻部分、水平方向高頻邊緣信息、垂直方向高頻邊緣信息和對角線方向高頻邊緣信息。如圖1所示。

圖1 二維離散小波變換示意圖Fig.1 The chart of two-dimensional discrete wavelet decomposition

其中,Lo_D、Hi_D分別為低通和高通濾波器。

對cAj首先進(jìn)行行方向卷積運(yùn)算,再進(jìn)行列方向卷積運(yùn)算,得到cAj+1為 j+1尺度的低頻分量為水平高頻分量為垂直高頻分量為對角方向高頻分量。

利用離散小波變換對圖像進(jìn)行多尺度分解完成后,生成尺度共生矩陣。定義尺度共生矩陣Gk(i,j)為

它是相鄰兩尺度的函數(shù)。式中,ck為小波分解系數(shù),矩陣元素定義為

并歸一化得

式中

在每一尺度上計(jì)算各分量的共生矩陣,雖然尺度共生矩陣在許多方面包含了紋理的統(tǒng)計(jì)特性,但不能直接作為紋理分析的特征,仍需要構(gòu)造一些二次統(tǒng)計(jì)量,并以此作為紋理特征。目前在遙感圖像處理中常用的紋理特征主要有分形維數(shù)、角二階矩(angle second moment,ASM)、熵、慣性矩、相關(guān)、局部平穩(wěn)等[12]。本文中利用ASM和熵。

2.2.2 角二階矩

角二階矩是圖像灰度分布均勻性的度量。定義

粗紋理ASM值較大,因?yàn)?fASM是共生矩陣元素值的平方和,因此可理解為粗紋理含有較多的能量。細(xì)紋理ASM值較小,含有較少的能量。當(dāng)共生矩陣中的元素分布集中于主對角線時,說明從局部區(qū)域觀察圖像的灰度分布是比較均勻的。從圖像整體來觀察,紋理較粗,此時 fASM值較大,反之 fASM較小。

角二階矩反映的是圖像灰度分布的均勻性。很明顯圖像邊緣變化尖銳性等細(xì)節(jié)信息包含在小波分解后的高頻系數(shù)中,因此本文算法只取分解后的高頻部分進(jìn)行ASM特征量的提取。具體方法如下:將每一尺度3個方向的高頻分量分別取其共生矩陣的ASM,然后取均值作為該尺度的角二階矩。

用MATLAB軟件對獲取的遙感圖像(數(shù)據(jù)類型包括ASTER、MODIS、SPOT以及CBERS可見光和近紅外波段遙感圖像)以512×512大小的子圖作為基本處理單元,進(jìn)行分割。從分割后的子圖像中人眼進(jìn)行分類,選取云層覆蓋超過2/3的子圖為云層子圖;無云或云覆蓋約5%以內(nèi)的子圖為地物子圖。將篩選出的云層子圖和地物子圖,作為訓(xùn)練樣本。訓(xùn)練結(jié)果如圖2、圖3所示。

由圖可知云層子圖的角二階矩值分布較為分散,且98%樣本角二階矩值分布集中在0.25～0.45之間,小于0.23的樣本不到0.5%。地物子圖的角二階矩值則較為集中,且數(shù)值小得多。幾乎全部的地物樣本角二階矩值都介于0.22～ 0.23之間。根據(jù)訓(xùn)練結(jié)果可知角二階矩值可以較好地識別大部分云層。對于角二階矩值較小的云層樣本區(qū)分性不太好?？梢越Y(jié)合熵值進(jìn)行判別。

圖2 云層子圖的高頻角二階矩值Fig.2 The high frequency coefficients’ASM of cloud subimages

圖3 地物子圖的高頻角二階矩值Fig.3 The high frequency coefficients’ASM of ground subject subimages

2.2.3 熵

熵值是圖像所含信息量的度量,紋理信息也屬圖像的信息。若圖像充滿細(xì)紋理,則 g^(i,j)的數(shù)值近似相等,圖像的 fe值最大;若圖像紋理較少則 g^(i,j)的數(shù)值差別較大,對應(yīng)圖像的 fe值會較小;同理若圖像沒有任何紋理,則尺度共生矩陣幾乎為零矩陣,熵值也接近于0。

因?yàn)樵茀^(qū)灰度比較均勻,邊緣圓潤模糊,細(xì)節(jié)信息較少,因此在頻率范圍內(nèi)表現(xiàn)為低頻特性[7],高頻信息很少。而熵作為圖像所含信息量多少的表征,可以只在低頻部分進(jìn)行熵值計(jì)算,以減少計(jì)算量。試驗(yàn)結(jié)果也表明云與地物的熵值在低頻部分的區(qū)分性比高頻部分的要大得多。

對分類后的樣本進(jìn)行訓(xùn)練,訓(xùn)練結(jié)果如圖4、圖5。

從訓(xùn)練結(jié)果可以看到:99.6%的云層樣本熵值集中在0.116 1左右;地物的熵值則要大得多,而且分布相對分散。但云層和地物的熵值分布差別性很大,因此可以較好地區(qū)分兩者。

圖4 云層子圖的低頻熵值Fig.4 The low frequency coefficients’entropy of cloud subimages

圖5 地物子圖的低頻熵值Fig.5 The low frequency coefficients’entropy of ground object subimages

在減輕數(shù)據(jù)存儲和下傳壓力的前提下,為了能盡可能多地獲取遙感圖像資源、減小誤判的可能,將ASM和熵判決結(jié)果進(jìn)行比對,當(dāng)兩者均判別為云層時才將圖像判斷為云層。

3 改進(jìn)的云層檢測算法及應(yīng)用

圖6為本文提出的小波SCM云判別算法結(jié)構(gòu)圖。該算法結(jié)構(gòu)為多分支樹形,其中所有葉子節(jié)點(diǎn)均為最終節(jié)點(diǎn)。首先利用計(jì)算量較小的光譜閾值判別方法對云和地物進(jìn)行粗略分類,當(dāng)判決為地物時前視相機(jī)發(fā)出控制指令通知俯拍相機(jī)可以拍照,算法結(jié)束。當(dāng)判決為云層時前視相機(jī)計(jì)算云層所在位置并發(fā)出控制指令通知俯拍相機(jī)到云層位置時停拍,算法結(jié)束。

當(dāng)閾值判別不能確定是云還是地物時,繼續(xù)采用紋理分析方法進(jìn)行判別。本文采用基于離散小波變換的尺度共生矩陣方法來提取圖像紋理特征。將計(jì)算得到的圖像二階統(tǒng)計(jì)量與訓(xùn)練結(jié)果匹配。為了減小算法計(jì)算量在提取ASM和熵時分別只取小波分解的高頻和低頻系數(shù)。為了能盡可能多地獲取遙感圖像資源、減小誤判的可能,本文算法采用一種雙判別方式:將ASM和熵判別結(jié)果進(jìn)行比對,當(dāng)兩者均判決為云層時才將圖像判斷為云層。

圖6 小波SCM云判別算法結(jié)構(gòu)圖Fig.6 The structure of cloud discrimination algorithm based on wavelet SCM

4 試驗(yàn)結(jié)果與分析

為了驗(yàn)證算法的準(zhǔn)確性,選取另外245幅遙感圖像進(jìn)行試驗(yàn)。將遙感圖像劃分為8×8圖像子圖,并將劃分后的子圖進(jìn)行分類,然后分別對4種類型的子圖進(jìn)行該算法的驗(yàn)證,試驗(yàn)結(jié)果如表1所示。云區(qū)提取圖如圖7～圖9所示,原始衛(wèi)星遙感圖像為圖7(a)、圖8(a)、圖9(a),圖7～圖9的(b)分別為利用本文算法提取的云區(qū)圖。

圖7 光學(xué)遙感衛(wèi)星獲取的海邊地區(qū)遙感圖Fig.7 Plain area image acquired by optical remote sensing satellite

圖8 光學(xué)遙感衛(wèi)星獲取的丘陵地區(qū)遙感圖Fig.8 Hill area image acquired by optical remote sensing satellite

圖9 光學(xué)遙感衛(wèi)星獲取的中國港臺地區(qū)遙感圖Fig.9 Hongkong and Taiwan area image acquired by optical remote sensing satellite

從提取結(jié)果看,該算法基本可以正確識別云層和地物,尤其對于大塊云層的識別效果較好。但仍存在一些誤判的區(qū)域,誤判區(qū)域主要是地面積雪,因?yàn)檠┡c云層的光譜特征極為相似,紋理特征雖有差別,但區(qū)分不大,易發(fā)生誤判。本文算法采用的ASM與熵值雙判別方法可以在一定程度上減小誤判的可能,總誤判率小于5%。

雖然云區(qū)邊緣和薄云區(qū)存在著一些漏判現(xiàn)象,但是這符合應(yīng)用需求。因?yàn)檫b感圖像資源十分珍貴,加之薄云覆蓋的地物經(jīng)圖像處理后仍可以判讀,因此理論上就應(yīng)該將此類區(qū)域判為無云區(qū)。

表1 小波SCM算法檢測結(jié)果Tab.1 Results of the cloud discrimination algorithm based on wavelet SCM

5 參照試驗(yàn)及評價

為了對本文算法進(jìn)行評價,以文獻(xiàn)[8]中算法為參照進(jìn)行對比。參考算法也采用了光譜閾值和紋理特征結(jié)合的分析方法,但在紋理分析時是基于灰度共生矩陣從單一尺度提取分形維數(shù)和ASM作為圖像紋理特征。而且參考算法ASM判決是在分形維數(shù)判決結(jié)果基礎(chǔ)上進(jìn)行,未采用雙判決機(jī)制。根據(jù)參考算法對遙感圖像進(jìn)行判別得到結(jié)果如圖10所示。圖11為本文算法判別結(jié)果。

圖10 參考算法判別結(jié)果Fig.10 Result detected by reference algorithm

圖11 本文算法判別結(jié)果Fig.11 Result detected by this paper algorithm

表2 對比試驗(yàn)檢測結(jié)果Tab.2 Results of the comparative experiment

兩種算法的對比檢測結(jié)果見表2。對比圖10和圖11以及表2數(shù)據(jù)可以發(fā)現(xiàn),誤判率方面本文算法明顯優(yōu)于參考算法;漏判率方面本文算法較參考算法有所增大,這是因?yàn)樵谠茀^(qū)邊緣尤其是薄云覆蓋區(qū)域本文算法更多判為地物。但是考慮到遙感圖像的珍貴性和地面圖像處理技術(shù)的不斷發(fā)展,判為地物更為合理。

6 結(jié) 論

本文結(jié)合光譜閾值與紋理分析方法的優(yōu)點(diǎn),提出的多分支小波SCM云判別算法能基本正確識別云層和地物。其中采用的小波尺度共生矩陣可以更充分地提取圖像紋理特征,基于ASM和熵值的雙判別機(jī)制能進(jìn)一步減小誤判的可能,但是訓(xùn)練樣本數(shù)目不夠豐富,以后隨著獲取遙感圖像的增多,訓(xùn)練結(jié)果應(yīng)該適時更新,以實(shí)現(xiàn)更高的精確度。另外減小積雪造成的誤判率和由云層判別的結(jié)果進(jìn)一步計(jì)算整幅圖像的云層覆蓋率是本文以后的工作方向。

[1] FENG Chun,MA Jianwen,DAI Qin,et al.An Improved Method forRapid Removal ofThin Cloud in Remote Sensing Images[J]. Remote SensingforLand and Resources,2004,4(62):1-3.(馮春,馬建文,戴芹,等.一種改進(jìn)的遙感圖像薄云快速去除方法[J].國土資源遙感, 2004,4(62):1-3.)

[2] GóMEZ-CHOVA L,AMORóS J,CAMPS-VALLS G,et al. Cloud Detection for CHRIS/Proba Hyperspectral Images[C]∥Proceedings of the SPIE,Remote Sensing of Clouds and the Atmosphere.Bruges:[s.n.],2005.

[3] LI Wei,FANG Shenghui,DIAN Yuanyong,et al.Cloud Detection in MODIOS Data Based on Spectrum Analysis [J]. Geomaticsand Information Science of Wuhan University,2005,30(5):435-438.(李微,方圣輝,佃袁勇,等.基于光譜分析的MODIS云檢測算法研究[J].武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2005,30(5):435-438.)

[4] TIAN B,SHAIKH M A,AZIMI-SADJADI M R,et al.A Study of Cloud Classification with Neural Networks Using Spectral and Textural Features[J].IEEE Transactions on Neural Networks,1999,10(1):138-151.

[5] VáSQUEZ R E,MANIAN V B.Texture Based Cloud Detection in MODIS Images[C]∥ Proceedings of the SPIE,Remote Sensing of Clouds and the Atmosphere. Crete:[s.n.],2003.

[6] OUMAR D,KIDIYO K,JOSEPH R.Textural Analysis for the Detection of Dust Clouds from Infrared Satellite Images[C]∥Proceedings of the SPIE,Remote Sensing of the Marine Environment.Goa:[s.n.],2006.

[7] YU Wenxia,CAO Xiaoguang,XU Lin.Automatic Cloud Detection for Remote Sensing Image[J].Chinese Journal of Scientific Instrument,2006,27(6):2184-2186.(郁文霞,曹曉光,徐琳.遙感圖像云自動檢測[J].儀器儀表學(xué)報(bào), 2006,27(6):2184-2186.)

[8] SHAN Na,ZHENG Tianyao,WANG Zhensong.High

speed and High Accuracy Algorithm for Cloud Detection and Its Application[J].Journal of Remote Sensing,2009, 13(6):1138-1155.(單娜,鄭天垚,王貞松.快速高準(zhǔn)確度云檢測算法及其應(yīng)用[J].遙感學(xué)報(bào),2009,13(6):1138-1155.)

[9] ZHENG Zhaobao,ZHOU Yueqin.A Study of Texture and Description for AerialImages[J].Acta Geodaetica et Cartographica Sinica,1997,26(3):228-234.(鄭肇葆,周月琴.論航空影像的紋理與描述[J].測繪學(xué)報(bào),1997,26(3): 228-234.)

[10] WU Jun,ZHAO Zhongming.Scale Co-occurrence Matrix for Texture Analysis Using Wavelet Transform[J].Journal of Remote Sensing,2001,5(2):100-103.(吳均,趙忠明.利用基于小波的尺度共生矩陣進(jìn)行紋理分析[J].遙感學(xué)報(bào),2001,5(2):100-103.)

[11] DAI Yongshu.Photography and Aviation Photography [M].Beijing:PLA Press,1998:153.(戴勇書.攝影與航空攝影[M].北京:解放軍出版社,1998:153.)

[12] ZHU Changqing,YANG Qihe,ZHU Wenzhong.Remote Sensing Relief Image Texture Analysis and Classification Based on Wavelet Transform Features[J].Acta Geodaetica et Cartographica Sinica,1996,25(4):252-256.(朱長青,楊啟和,朱文忠.基于小波變換特征的遙感地貌影像紋理分析和分類[J].測繪學(xué)報(bào),1996,25(4):252-256.)

[13] SONG Yanxing,YUAN Feng,DING Zhenliang,et al. Detection of Region of Interest by Morphological Haar Wavelet Method[J].Optics and Precision Engineering, 2009,17(7):1752-1758.(宋燕星,袁峰,丁振良,等.使用形態(tài)Haar小波法檢測目標(biāo)感興趣區(qū)域[J].光學(xué)精密工程,2009,17(7):1752-1758.)

[14] HUAN Ruohong,YANG Ruliang.A Target Detection Method for SAR Image Based on Feature Classification Discrimination[J].Acta Geodaetica et Cartographica Sinica, 2009,38(4):324-329.(宦若虹,楊汝良.一種基于特征分類辨識的SAR圖像目標(biāo)檢測方法[J].測繪學(xué)報(bào),2009, 38(4):324-329.)