風(fēng)云氣象衛(wèi)星影像自動精細(xì)云檢測

劉 軍，鄭群峰,2，邢秀為，陳訓(xùn)來,2，陳 潛,2，錢 靜

(1. 深圳南方強天氣研究重點實驗室，廣東 深圳 518040； 2. 深圳市氣象局，廣東 深圳 518040； 3. 中國科學(xué)院深圳先進(jìn)技術(shù)研究院,廣東 深圳 518055)

隨著遙感衛(wèi)星技術(shù)的不斷發(fā)展，遙感技術(shù)在氣象科研與應(yīng)用方面發(fā)揮著越來越重要的作用。云是氣象與氣候研究中比較重要的影像因子，正確地分離氣象遙感圖像中的有云像元和無云像元,對于天氣預(yù)報、氣象災(zāi)害預(yù)防、溫度反演、救援及生態(tài)環(huán)境的監(jiān)控等都有重大的影響，因此衛(wèi)星云圖云檢測變得越來越重要[1]。做好云檢測工作能夠為后續(xù)云剔除、云分類及其他氣象應(yīng)用打下堅實的基礎(chǔ)。

傳統(tǒng)的云檢測方法主要以閾值分割方法為主，云在可見光和近紅外光譜中表現(xiàn)的特性是高反射率低亮溫，利用這一特性，可以選擇合適的閾值確定像素上是否有云。目前的閾值法包括光譜結(jié)合閾值法、頻率結(jié)合閾值法等[2-3]。另一類云檢測方法主要是根據(jù)云的紋理、形狀、灰度等物理特征來進(jìn)行分類[4-5]。紋理分析法利用云與地面紋理特征差異，常以分塊子圖為單位，結(jié)合二階矩、分形維數(shù)、灰度共生矩陣和多次雙邊濾波進(jìn)行紋理特征計算。統(tǒng)計學(xué)方法也有較成功的應(yīng)用，主要分為統(tǒng)計方程和聚類分析法。統(tǒng)計方程法利用樣本數(shù)據(jù)建立模擬公式計算云的反射率或亮溫來進(jìn)行云檢測，聚類分析法是根據(jù)不同地物類型的像元觀測值存在明顯的差別的原理實現(xiàn)云檢測，在樣本量較大時，要獲得聚類結(jié)論有一定困難，需要人為干預(yù)，極大地影響了檢測效率。近年來綜合智能法在遙感領(lǐng)域的應(yīng)用也逐漸增多，主要包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機和模糊邏輯算法等[6-7]。綜合智能法在實現(xiàn)的過程中需要獲取大量的訓(xùn)練樣本，對分類特征的選取要求較高，針對不同數(shù)據(jù)需要重新選取樣本，導(dǎo)致效率低下。

摳圖技術(shù)可以實現(xiàn)精細(xì)的目標(biāo)檢測。2000年，文獻(xiàn)[8]設(shè)計了Knockout系統(tǒng),用于估計未知區(qū)域中的任意像素點。文獻(xiàn)[9]最先在摳圖方法上利用統(tǒng)計學(xué)的方法來估計alpha值，即基于概率統(tǒng)計的圖像摳圖方法。2012年文獻(xiàn)[10]提取出了一種基于顏色和紋理加權(quán)的采樣摳圖方法。文獻(xiàn)[11]提出了基于學(xué)習(xí)的摳圖方法。文獻(xiàn)[12]提出了穩(wěn)健性摳圖方法。在此基礎(chǔ)上，還有更多的改進(jìn)摳圖方法廣泛應(yīng)用于數(shù)字圖像處理的各個領(lǐng)域[13-17]。但是在這些方法的實際適用中，需要事先給定前景和背景的樣本，在海量影像處理應(yīng)用中具有一定的局限性。因此，基于摳圖技術(shù)優(yōu)良的細(xì)節(jié)檢測能力，本文將其引入氣象衛(wèi)星云檢測業(yè)務(wù)中，基于集成閾值技術(shù)[18]，通過連通區(qū)自動生成三分圖，從而實現(xiàn)自動的精細(xì)云檢測。

1 閉形式摳圖原理

圖像中一個像素點的值可以用式(1)表示，摳圖方法中將圖像I作為輸入，第i個像素是其對應(yīng)的前景顏色Fi和背景顏色Bi的組合。

Ii=αiFi+(1-αi)Bi

(1)

式中，αi為前景的不透明度。摳圖是需要求解出αi，而式(1)右邊都是未知的。因此，對于一個3通道的彩色圖像，每個像素對應(yīng)于3個等式7個未知數(shù)。為了解決嚴(yán)重的欠約束問題，需要通過用戶提供更多的約束來解決病態(tài)問題。

假設(shè)F和B是每個像素附近小窗口上的近似常量，并且F和B局部平滑。重寫式(1),將α表示成圖像I的線性函數(shù)

αi≈aIi+b?i∈w

(2)

(3)

式中，wj為窗口w附近的小窗口。代價函數(shù)式(3)包括a的一個正則化項，用來維持這個項的數(shù)值穩(wěn)定性。

2 本文方法

2.1 總體思路

本文將摳圖原理引入風(fēng)云衛(wèi)星影像自動精細(xì)云檢測任務(wù)中，主要包括3個步驟：①集成閾值二值圖，使用風(fēng)云衛(wèi)星影像可見光波段灰度圖進(jìn)行10種閾值方法二值化，采用投票策略，將得到的10種二值化圖像進(jìn)行合成以得到集成閾值圖像；②連通區(qū)域三分圖，在集成閾值圖像的基礎(chǔ)上求取連通區(qū)域，剔除比較小的連通區(qū)域，以連通區(qū)域的重心為種子點，生成連通區(qū)域三分圖；③閉形式摳圖，使用閉形式求解alpha的值，最終得到本文的精細(xì)云檢測結(jié)果。

2.2 初始二分圖

基于閉形式的摳圖方法需要輸入比較精確的三元圖，多數(shù)情況下是通過手工標(biāo)記獲得。而對于海量遙感影像而言，手工獲取每幅影像的三元圖是不可能完成的任務(wù)。為了避免手工標(biāo)記的失誤，減輕工作量，本文在生成三元圖之前先自動生成初步二分圖，在此基礎(chǔ)上自動生成三元圖。生成初步二分圖的基本思路是閾值法，然而單個閾值法得到的二分圖結(jié)果可能存在局部錯誤，集合多個方法的二分圖結(jié)果可能更有代表性[18]。因此，本文采用集成閾值的策略，先采用10種閾值法生成各自的二值圖，然后通過投票策略得到集成閾值結(jié)果圖，也即初始二分圖。

本文采用了矩量保持法、模糊集方法、迭代法、最大類間方差法、全局閾值法、直方圖雙峰法、閾值插值法、均值法、基于小波的多閾值方法、基于邊界點的遞歸多域值方法等10種閾值法敘述如下，實際應(yīng)用中可以采用其他閾值法。

2.3 集成閾值投票策略

由于每個閾值方法得到的二值圖均存在一定的誤差，為了盡可能得到準(zhǔn)確的初始二分圖，本文采用簡單投票策略作為閾值結(jié)果集成的方式。即對于一幅原始影像生成的以上10種閾值結(jié)果，設(shè)定一個投票值，針對每一個像素，當(dāng)各個閾值結(jié)果投票數(shù)大于或者等于該投票數(shù)，則該像素的初始狀態(tài)設(shè)為1(云)，否則設(shè)為0(非云)。最后得到的二值圖像即為初始二分圖。根據(jù)經(jīng)驗，本文設(shè)置的投票數(shù)為7。

2.4 連通區(qū)域三分圖

通過集成閾值法得到了初始二分圖，在此基礎(chǔ)上，本文采用連通區(qū)域標(biāo)記算法對初始二分圖上的像素塊進(jìn)行分區(qū)標(biāo)記，用于后續(xù)的三分圖生成；然后利用游程編碼的方式對二分圖進(jìn)行團(tuán)的標(biāo)記，定義等價表，標(biāo)記等價對，查找等價對的結(jié)果，將等價對標(biāo)記初始團(tuán)，得到連通區(qū)域標(biāo)記圖；最后以連通區(qū)域的重心點為種子點，將連通區(qū)域的重心點標(biāo)記為確定前景，其他為灰色區(qū)域，得到連通區(qū)域三分圖。

本文認(rèn)為初始二分圖中每個連通區(qū)的中心點被正確分類為前景的概率是最高的，用此中心點作為完全準(zhǔn)確的前景是合理的。同時有可能一個連通區(qū)非常大，因此，為了得到更多的前景點，本文將原始圖像切分成若干不重疊的圖像塊，在每個圖像塊內(nèi)計算連通區(qū)，再以連通區(qū)域中心點為種子點，設(shè)定為確定前景。然后在一定鄰域內(nèi)完全無云的像素點則確定為背景，其余區(qū)域為過渡區(qū)域，從而生成最后的三分圖。不同于常規(guī)摳圖方法中需要精確標(biāo)記前景區(qū)域的思路，本文的前景是由若干自動生成的連通區(qū)中心點組成的，從而保證了前景的正確性，結(jié)果如圖1所示。為了保證圖像細(xì)節(jié)，本文采用4鄰域連通區(qū)域標(biāo)記。

3 試驗與結(jié)果分析

為了測試本文方法的有效性，利用多幅風(fēng)云2G影像進(jìn)行了試驗，并將檢測結(jié)果與基于學(xué)習(xí)的摳圖方法(文獻(xiàn)[11])、穩(wěn)健性摳圖檢測算法(文獻(xiàn)[12])進(jìn)行了比較。風(fēng)云2G影像包括白天可見光云圖、晝夜紅外云圖和水汽分布圖，本文試驗僅使用可見光云圖。為保證對比方法的公正性，基于學(xué)習(xí)的摳圖方法和穩(wěn)健性摳圖方法均采用了本文提出的三分圖作為前景與背景的標(biāo)記。

圖2為各個方法的云檢測結(jié)果圖。從原始可見光圖像中可以看出，圖像右上角有大片的厚云，左邊有小團(tuán)云，右下角有部分薄云，中間區(qū)域有零星薄云。從檢測結(jié)果看，3種方法都能很好地檢測出右邊的大片厚云，而且邊緣細(xì)節(jié)豐富，范圍比較一致；但是3種方法都沒有檢測出中間區(qū)域的零星薄云，本文方法較好地檢測出了左上角和右下角的薄云，而另外兩種方法則表現(xiàn)不佳，存在一定的漏檢。圖3給出了圖2中3個局部區(qū)域的放大結(jié)果。

由圖3(a)—(d)對比可知，基于學(xué)習(xí)的摳圖云檢測方法和穩(wěn)健性摳圖云檢測方法未檢測出該區(qū)域的云。本文的方法從視覺上看，基本能將云檢測出來，且將一些含云量比較小、薄云低云部分正確標(biāo)記出來；由圖3(e)—(h)對比可知，基于學(xué)習(xí)和穩(wěn)健性摳圖云檢測方法的結(jié)果基本一致，本文方法在上端的云檢測結(jié)果稍差；由圖3(i)—(l)可知，其他兩種云檢測方法均未檢測出圖像左下角的云，而本文方法能正確檢測出來。

4 結(jié)論與討論

本文提出了基于連通區(qū)域的閉形式摳圖的自動精細(xì)云檢測方法。首先對影像的灰度圖執(zhí)行多種閾值方法，通過集成閾值結(jié)果的方式得到初始二分圖；然后利用游程編碼，得到連通區(qū)域三分圖；最后使用閉形式摳圖算法對連通區(qū)域三分圖進(jìn)行摳圖得到云檢測結(jié)果?；趯嶋H的風(fēng)云2G影像，將本文方法與基于學(xué)習(xí)的摳圖檢測和穩(wěn)健性摳圖檢測方法進(jìn)行比較。試驗結(jié)果表明，本文方法在準(zhǔn)確性上具有一定的優(yōu)勢，在不同類型的云層均有較好的檢測結(jié)果，改善了云的錯檢和漏檢情況，提高了云的檢測精度。然而本文算法在細(xì)小薄云的檢測方面仍然存在不足，這也是下一步將重點改進(jìn)的方向。