高分辨率遙感影像中云和似云目標(biāo)的自動(dòng)區(qū)分

李愛(ài)勤，王環(huán)東，王靜怡，胡翔云

(1. 浙江省測(cè)繪科學(xué)技術(shù)研究院，浙江 杭州 310000； 2. 武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079)

?

高分辨率遙感影像中云和似云目標(biāo)的自動(dòng)區(qū)分

李愛(ài)勤1，王環(huán)東2，王靜怡2，胡翔云2

(1. 浙江省測(cè)繪科學(xué)技術(shù)研究院，浙江 杭州 310000； 2. 武漢大學(xué)遙感信息工程學(xué)院，湖北 武漢 430079)

云的存在會(huì)對(duì)遙感影像的處理及目標(biāo)識(shí)別等產(chǎn)生影響，因此，自動(dòng)提取云對(duì)高分辨率衛(wèi)星影像的應(yīng)用具有重要意義。高分影像上更加復(fù)雜的云的細(xì)節(jié)形態(tài)及似云目標(biāo)的干擾，使得高分影像的自動(dòng)云提取難以達(dá)到實(shí)用水平。本文以雪地為例，選取形狀、紋理和邊緣3個(gè)差異化特征作為云與似云目標(biāo)區(qū)分的關(guān)鍵，提出了一種區(qū)分高分辨率遙感影像中云和似云目標(biāo)的云檢測(cè)算法。首先利用Wallis濾波對(duì)輸入影像進(jìn)行預(yù)處理，增強(qiáng)影像中不同尺度的影像紋理模式；然后對(duì)影像進(jìn)行快速穩(wěn)定的均值漂移分割，利用灰度和紋理特征構(gòu)成支持向量機(jī)的第一層分類器，將分割后的區(qū)域?qū)ο蠓殖伞霸啤焙推胀ǖ匚?，再利用邊緣、形狀、紋理等特征結(jié)合灰度特征構(gòu)成支持向量機(jī)的第二層分類器，將“云”區(qū)分為云區(qū)和似云目標(biāo)；最后使用Grab-cut對(duì)云檢測(cè)結(jié)果進(jìn)行邊緣迭代精化。本文算法取得了優(yōu)良的試驗(yàn)結(jié)果，證明了算法在似云目標(biāo)干擾下對(duì)高分辨率遙感影像進(jìn)行精確云檢測(cè)的能力。

云檢測(cè)；似云目標(biāo)；支持向量機(jī)；均值漂移分割

云的存在給遙感解譯帶來(lái)極大不便，對(duì)圖像分析產(chǎn)生重要影響，薄云還會(huì)使圖像中部分像素混雜著地物和云層信息，使影像分割變得困難，信息提取產(chǎn)生錯(cuò)誤。云檢測(cè)作為影像預(yù)處理的重要步驟，對(duì)遙感影像尤其是高分辨率遙感影像的應(yīng)用具有重要價(jià)值。而似云目標(biāo)如冰、雪、沙漠及部分建筑物等，由于其高分辨與云相似，會(huì)給云檢測(cè)帶來(lái)許多干擾。因此，進(jìn)行高分辨遙感影像云檢測(cè)中的云和似云目標(biāo)區(qū)分的方法研究對(duì)于提高云檢測(cè)正確率意義重大。現(xiàn)有的遙感影像云檢測(cè)方法主要可以分為利用云和地物多光譜物理特性差異的物理方法[1-4]、基于云的空間紋理的檢測(cè)方法[5-8]、運(yùn)用模式識(shí)別的檢測(cè)方法[9-11]及綜合使用多種方法對(duì)云檢測(cè)進(jìn)行效果優(yōu)化的綜合優(yōu)化方法。物理方法計(jì)算簡(jiǎn)單，能較好地區(qū)分云和似云目標(biāo)，其缺點(diǎn)在于閾值的確定及應(yīng)用范圍的有限?？臻g紋理特征法具有適應(yīng)范圍廣的優(yōu)勢(shì)，但由于下墊面的復(fù)雜性及似云目標(biāo)的干擾，僅使用空間紋理特征并不能較好地區(qū)分似云目標(biāo)和云區(qū)。模式識(shí)別方法打破了影像本身對(duì)云檢測(cè)的約束，它通過(guò)特征提取整合影像中目標(biāo)的光譜信息和空間信息，從而形成了一套行之有效的通用云檢測(cè)機(jī)制，其難點(diǎn)主要在于合適的特征組合及樣本集的選擇。綜合優(yōu)化方法則往往能取得優(yōu)于單一方法的檢測(cè)結(jié)果。由于高分辨率遙感影像上地物種類繁多，無(wú)論是哪一類云檢測(cè)方法都可能將似云目標(biāo)誤分為云，因此對(duì)云和似云目標(biāo)進(jìn)行自動(dòng)區(qū)分意義重大。

本研究針對(duì)高分辨率遙感影像，以對(duì)象分析為基礎(chǔ)，提出一種有效的云檢測(cè)方法，同時(shí)針對(duì)影像上與云相似的下墊面，如冰、雪或沙漠等，利用機(jī)器學(xué)習(xí)的方法，選取合適特征，實(shí)現(xiàn)云區(qū)與似云目標(biāo)的區(qū)分，提高如冰川、高原等特殊區(qū)域的云檢測(cè)正確率。

1 云和似云目標(biāo)的自動(dòng)區(qū)分

本文提出的高分辨率影像云檢測(cè)算法分為影像預(yù)處理、影像分割、特征提取、云檢測(cè)及似云目標(biāo)判別及結(jié)果精化5個(gè)步驟。算法流程如圖1所示。

圖1 云檢測(cè)算法流程

由于遙感影像上的云相對(duì)于大多數(shù)地物具有亮度較高、紋理較少等特點(diǎn)，通過(guò)簡(jiǎn)單的分類就能區(qū)分出大多數(shù)的云區(qū)，但與此同時(shí)也會(huì)將大部分的高亮地物誤分為云。針對(duì)這一特點(diǎn)，本文設(shè)計(jì)了雙層分類器，第一層分類器用于“云”和普通地物的分類，第二層分類器用于將“云”分成云區(qū)和似云地物。

1.1 影像預(yù)處理

Wallis濾波器在遙感影像處理尤其是目標(biāo)識(shí)別、影像匹配等領(lǐng)域常常被應(yīng)用[12]。它可以抑制影像噪聲，提升影像反差，增強(qiáng)圖像在不同尺度下的紋理細(xì)節(jié)。本文中，為了提升后續(xù)影像分割和特征提取的效果，選用Wallis濾波對(duì)輸入影像進(jìn)行去噪和細(xì)節(jié)增強(qiáng)。

Wallis濾波器的一般形式為

gw(x,y)=g(x,y)·r1+r2

(1)

其中

r1=c·sf/(c·sg+sf/c)

r0=b·mf+(1-b-r1)·mg

式中，gw(x,y)和g(x,y)分別為濾波后影像與原始影像的灰度信號(hào)；r1和r0分別為乘性系數(shù)與加性系數(shù)，當(dāng)r1>1時(shí)，該變換是一高通濾波，當(dāng)r1<1時(shí)，該變換為一低通濾波；mg和sg分別為某一像素在一定鄰域的灰度均值和方差；mf和sf分別為影像均值和方差的目標(biāo)值；b為影像反差擴(kuò)展系數(shù)；c為影像亮度系數(shù)[13]。

Wallis濾波效果如圖2所示，可以發(fā)現(xiàn)Wallis濾波在暗部細(xì)節(jié)進(jìn)行進(jìn)一步提升的同時(shí)，對(duì)影像亮部(主要是云區(qū))同樣進(jìn)行了亮度和細(xì)節(jié)的提升，并且保證在不出現(xiàn)曝光過(guò)度的范圍之內(nèi)。

圖2 Wallis濾波效果(局部)

1.2 影像分割

影像分割是利用特征將影像分割成若干互不相交的區(qū)域，使每個(gè)區(qū)域具有獨(dú)立一致性，而相鄰區(qū)域間的差別盡可能大。在云檢測(cè)中，筆者希望影像分割能較好地快速將云和地物分割開(kāi)來(lái)，在保證各區(qū)域內(nèi)部一致性的同時(shí)，盡量保證對(duì)象的完整性。本文選取均值漂移(mean shift)算法來(lái)進(jìn)行影像分割。

利用mean shift算法對(duì)全色影像進(jìn)行影像分割試驗(yàn)的結(jié)果如圖3所示。

圖3 mean shift影像分割結(jié)果

可以看到，mean shift算法對(duì)復(fù)雜地物表面分割較為細(xì)碎，對(duì)云區(qū)會(huì)按照云層頂部層次分割為不同的區(qū)域，對(duì)云區(qū)形成的巨大陰影則分割為一塊完整的區(qū)域，對(duì)雪地的分割雖然邊緣較為粗糙，但較好地保持了每塊雪地的完整性，能夠滿足需求。

1.3 特征提取

特征提取是能夠成功區(qū)分出云和似云特征的關(guān)鍵。云形態(tài)多變、邊界模糊和背景復(fù)雜這3個(gè)特點(diǎn)，給云檢測(cè)帶來(lái)了不小的困難。因此，提取出的特征必須足夠豐富，能充分描述云的各種形態(tài)下的特點(diǎn)，而模糊的邊界也可以成為區(qū)分云區(qū)和似云地物的特征之一，而云背景的復(fù)雜性則要求采取多層分類結(jié)構(gòu)來(lái)對(duì)云區(qū)逐次進(jìn)行提取。

1.3.1 灰度特征

灰度均值和灰度方差可用于描述影像整體的亮度和紋理?；叶?6維直方圖則將灰度信息組織為16維特征，能提供比灰度均值更多的影像信息。

1.3.2 紋理特征

灰度方差及灰度共生矩陣是研究圖像紋理特征的有效手段，在遙感領(lǐng)域應(yīng)用廣泛。常用于云檢測(cè)的灰度共生矩陣二次統(tǒng)計(jì)量包括二階矩(能量)、對(duì)比度(慣性矩)、相關(guān)性(同質(zhì)性)和熵[14]。

LTP(local trinary pattern)是LBP描述子的一種改進(jìn)方案。LTP算子的編碼規(guī)則定義如下

(2)

(3)

式中，nc表示中心像素點(diǎn)(u,v)的灰度值；ni表示等間隔地分布在以(u,v)為圓心、R為半徑的圓上的N個(gè)領(lǐng)域點(diǎn)的灰度值；T為閾值。

對(duì)于紋理缺乏、灰度分布均勻的區(qū)域，LTP算子比LBP算子在噪聲環(huán)境之下具有更穩(wěn)定的能力，因?yàn)長(zhǎng)TP能攜帶更多的信息，表示更多模式。對(duì)于帶噪聲的灰度分布均勻區(qū)域和紋理變化較大的區(qū)域，LBP算子由于描述能力有限，不能將它們區(qū)分開(kāi)，而LTP算子可以發(fā)揮三值編碼的優(yōu)勢(shì)將它們區(qū)分開(kāi)[15]。

1.3.3 形狀特征

分形維數(shù)是一種數(shù)學(xué)方法，主要用于對(duì)自然界復(fù)雜的幾何形體進(jìn)行研究。分形的核心特點(diǎn)是自相似性，即自身與自身的某一部分相似。盒維數(shù)算法經(jīng)常用于灰度圖像，其定義為：

設(shè)F為RN上任意非空的有界子集，Nδ(F)為直徑最大為δ的可以覆蓋F的集的最小個(gè)數(shù)，則F的上、下盒維數(shù)分別定義為

(4)

(5)

若式(4)與式(5)相等，則稱這兩個(gè)共同的值為F的盒維數(shù)，記為

(6)

1.3.4 邊緣梯度

云區(qū)邊緣一般是模糊的，即使是具有層次的積狀云頂部，每層之間的邊緣同樣呈現(xiàn)緩慢過(guò)渡的趨勢(shì)。而似云地物如雪地一般具有較為清晰的邊緣。

為了更好地區(qū)分云和雪，本文專門設(shè)計(jì)了一種邊緣梯度的特征，定義如下：

設(shè)(x,y)為圖像分割后圖塊的邊緣像素點(diǎn)，G(x,y)為對(duì)應(yīng)(x,y)的灰度值，D為邊緣梯度的最大值，則

(7)

式中，i∈{-k+1,-k+2,…,-1,0,…,k-1,k},一般取k=2。計(jì)算得到的D1、D2、D3、D4分別為0°、45°、90°和135°方向的邊緣梯度最大值。邊緣梯度越大，說(shuō)明該邊緣清晰的概率越高。

1.4 云檢測(cè)和似云目標(biāo)判別

本文使用支持向量機(jī)(SVM)作為分類器。云檢測(cè)和似云目標(biāo)判別使用了雙層分類器，第一層分類器用于“云”和普通地物的分類，第二層分類器用于將“云”分為云區(qū)和似云地物。通過(guò)對(duì)不同特征組合進(jìn)行試驗(yàn)，選擇灰度均值、16維灰度直方圖、方差、加權(quán)LTP描述子的特征組合作為第一層分類器；對(duì)于第二層分類器，則使用灰度均值、16維灰度直方圖、灰度共生矩陣(能量、對(duì)比度、相關(guān)性、熵)、加權(quán)LTP描述子、邊緣梯度和盒維數(shù)的特征組合。

1.5 結(jié)果精化

Grab-Cut是Graph-Cut算法的改進(jìn)和發(fā)展，它首先通過(guò)迭代的“圖割”算法提取出前景的大致輪廓，再通過(guò)邊界精化算法對(duì)提取出的輪廓進(jìn)行優(yōu)化[16]。

由于mean shift分割的區(qū)域邊緣較為粗糙，云檢測(cè)之后需要對(duì)檢測(cè)結(jié)果進(jìn)行進(jìn)一步的精化。因此，本文將上面4個(gè)步驟生成的結(jié)果作為程序的初始值，利用Grab-Cut對(duì)結(jié)果進(jìn)行進(jìn)一步的精化。

2 試驗(yàn)結(jié)果與分析

本文選用OrbView-3高分辨率全色遙感影像(分辨率為1 m)，建立樣本集。樣本示例分別如圖4和圖5所示。

圖4 云區(qū)樣本及真值示例

圖5 雪地樣本及真值示例

檢測(cè)結(jié)果分別如圖6和圖7所示。針對(duì)存在似云目標(biāo)干擾的高分辨率遙感影像，本文提出的云檢測(cè)方法達(dá)到了95.65%的準(zhǔn)確率與94.03%的召回率，充分證明了該算法能夠?qū)崿F(xiàn)對(duì)云區(qū)和似云目標(biāo)的自動(dòng)區(qū)分，從而實(shí)現(xiàn)了高精度的云檢測(cè)，提升了在似云目標(biāo)干擾下云檢測(cè)算法的魯棒性。

圖6 云區(qū)檢測(cè)結(jié)果(無(wú)雪地干擾)

圖7 云區(qū)檢測(cè)結(jié)果(存在雪地干擾)

3 結(jié) 語(yǔ)

本文使用雙層支持向量機(jī)分類結(jié)構(gòu)，設(shè)計(jì)了針對(duì)云和似云目標(biāo)的邊緣特征——邊緣梯度，并且對(duì)特征選擇進(jìn)行了大量試驗(yàn)，對(duì)技術(shù)框架包括雙層分類器和Grab-Cut的使用進(jìn)行了驗(yàn)證。在對(duì)OrbView-3全色影像的云檢測(cè)試驗(yàn)中，發(fā)現(xiàn)本文算法取得了較為優(yōu)良的試驗(yàn)結(jié)果。這表明本文的特征選擇和技術(shù)框架是高分辨率遙感影像云檢測(cè)中的云和似云目標(biāo)區(qū)分的一種可行方案。今后將在本文的基礎(chǔ)上，引入更多有效特征來(lái)應(yīng)對(duì)更加復(fù)雜的云檢測(cè)場(chǎng)景。

[1] 李艷兵,李元祥,翟景秋.衛(wèi)星云圖形態(tài)特征提取和表示的一種方法[J].南京氣象學(xué)院學(xué)報(bào),2006,29(5): 682-687.

[2] LI W, LI D. The Universal Cloud Detection Algorithm of MODIS Data[C]∥Proceedings of SPIE, the International Society for Optical Engineering.[S.l.]：Society of Photo-Optical Instrumentation Engineers, 2006.

[3] WU X,CHENG Q.Study on Methods of Cloud Identification and Data Recovery for MODIS Data[C]∥Remote Sensing.[S.l.]：International Society for Optics and Photonics，2007.

[4] ZHU Z, WOODCOCK C E. Object-based Cloud and Cloud Shadow Detection in Landsat Imagery[J]. Remote Sensing of Environment, 2012, 118: 83-94.

[5] SOLVSTEEN C. Correlation-based Cloud Detection and an Examination of the Split-window Method[C]∥Satellite Remote Sensing II.[S.l.]：International Society for Optics and Photonics, 1995.

[6] 曲衛(wèi)平,劉文清,劉建國(guó), 等.應(yīng)用單波段亮度變化率獲取無(wú)云干擾的衛(wèi)星數(shù)據(jù)[J].光譜學(xué)與光譜分析,2006,26(11): 2011-2015.

[7] 陳鵬,張榮,劉政凱.遙感圖像云圖識(shí)別中的特征提取[J].中國(guó)科學(xué)技術(shù)大學(xué)學(xué)報(bào),2009, 39(5): 484-488.

[8] 單娜,鄭天垚,王貞松.快速高準(zhǔn)確度云檢測(cè)算法及其應(yīng)用[J].遙感學(xué)報(bào),2009(6): 1138-1155.

[9] AZIMI-SADJADI M R, SHAIKH M A, TIAN B, et al. Neural Network-based Cloud Detection/Classification Using Textural and Spectral Features[C]∥Geoscience and Remote Sensing Symposium.[S.l.]：IEEE, 1996.

[10] YUAN Y, HU X. Bag-of-words and Object-based Classification for Cloud Extraction from Satellite Imagery[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(8): 4197-4205.

[11] HU X, WANG Y, SHAN J. Automatic Recognition of Cloud Images by Using Visual Saliency Features[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(8): 1760-1764.

[12] 張力,張祖勛,張劍清. Wallis 濾波在影像匹配中的應(yīng)用[J].武漢測(cè)繪科技大學(xué)學(xué)報(bào),1999,24(1): 24-27.

[13] 王博,張永軍,陳奇.一種改進(jìn)的自適應(yīng) Wallis 濾波算法[J].測(cè)繪科學(xué),2015,40(5): 95-98.

[14] 曹瓊,鄭紅,李行善.一種基于紋理特征的衛(wèi)星遙感圖像云探測(cè)方法[J].航空學(xué)報(bào),2007, 28(3): 661-666.

[15] 曾慧,穆志純,王秀青.一種魯棒的圖像局部特征區(qū)域的描述方法[J].自動(dòng)化學(xué)報(bào),2011, 37(6): 658-664.

[16] ROTHER C, KOLMOGOROV V, BLAKE A. Grabcut: Interactive Foreground Extraction Using Iterated Graph Cuts[C]∥ACM Transactions on Graphics (TOG).[S.l.]：ACM, 2004.

Automatic Discrimination of Cloud and Cloud-like Target in High Resolution Satellite Imagery

LI Aiqin1,WANG Huandong2,WANG Jingyi2,HU Xiangyun2

(1. Zhejiang Surveying and Mapping Science and Technology Research Institute, Hangzhou 310000, China; 2. School of Remote Sensing and Information Engineering, Wuhan University, Wuhan 430079, China)

Clouds in remote sensing imagery have an impact on its process and subsequent target recognition. Thus, automatic cloud extraction is essential to the application of high-resolution imagery. The complex shapes of the clouds in high-resolution imagery and the interference of cloud-like targets make it difficult to achieve a practical automatic cloud extraction. In this paper, we choose snow as the example of cloud-like target, and develop an algorithm which chooses shape, texture and edge as the key features to discriminate cloud from cloud-like targets. Firstly, the input image is preprocessed with Wallis filtering to enhance texture patterns at different scales. Then the input is segmented by a fast stable mean-shift segmentation. The first support vector machine classifier is built with gray and texture features, which divides all segmented parts into “cloud” and common ground targets. A second classifier is built with edge, shape and texture features to divide “cloud” areas into clouds and cloud-like targets. Finally, Grab-cut is applied to refine edges of cloud extraction results iteratively. Experiments achieve good results and demonstrate the algorithm’s capability to extract clouds in high-resolution imagery precisely with the interference of cloud-like targets.

cloud detection; cloud-like target; SVM; mean shift

李愛(ài)勤，王環(huán)東，王靜怡，等.高分辨率遙感影像中云和似云目標(biāo)的自動(dòng)區(qū)分[J].測(cè)繪通報(bào)，2017(6)：31-35.

10.13474/j.cnki.11-2246.2017.0184.

2016-11-15；

2017-02-06

浙江省科技技術(shù)項(xiàng)目(2015C33010)

李愛(ài)勤(1967—)，男，教授級(jí)高級(jí)工程師，主要研究方向?yàn)闇y(cè)繪遙感與地理信息。E-mail：aqli_cn@126.com

胡翔云

P237

A

0494-0911(2017)06-0031-05