基于無人機(jī)航空影像的薄云去除方法研究

張 肅，吳傳智

（1.四川省地質(zhì)調(diào)查院，成都 610081）

受遙感傳感器的限制，現(xiàn)在不受云霧影響的傳感器只有雷達(dá)，如LiDAR（機(jī)載激光雷達(dá)）及SAR（合成孔徑雷達(dá)）[1-2]。其余的光學(xué)傳感器在獲取影像的過程中均會受到云霧的影響。對于單幅影像，頻域?yàn)V波技術(shù)是一類重要的云層去除方法，包括同態(tài)濾波和小波分析等算法。趙忠明等[3]使用了同態(tài)濾波法對影像進(jìn)行薄云去除；賴格英等[4]提出了使用同態(tài)濾波方法結(jié)合DEM對AVHRR影像進(jìn)行處理，去除了部分云噪聲；Feng等[5]提出了一種改進(jìn)的同態(tài)濾波算法，該算法僅對有云區(qū)域進(jìn)行處理；謝華美等[6]采用同態(tài)濾波方法，去除含有薄云信息的低頻分量，并對有云和無云的區(qū)域進(jìn)行判斷；馬建文等[7]采用了同態(tài)濾波方法處理中巴資源衛(wèi)星數(shù)據(jù)，并且匹配有云區(qū)和無云區(qū)相同地類的反射率來去除云層；李洪利等[8]采用改進(jìn)同態(tài)濾波方法對衛(wèi)星影像進(jìn)行薄云去除，保留無云區(qū)像素，替換有云區(qū)像素，有效去除薄云。

另外，小波變換和薄云去除方法是近年來提出的有效的薄云去除方法。國內(nèi)外相關(guān)專家做出了大量研究[9-30]。研究表明，根據(jù)不同的云覆蓋程度以及不同的數(shù)據(jù)類型，需要選擇不同的去云方法。對于局部有厚云的影像，由于地物的反射完全被云層所遮擋，地物的信息并不能到達(dá)傳感器，采用多時相影像的時間平均法較為有效。無人機(jī)影像一般是單時相影像，難以找到另一時相的同區(qū)域數(shù)據(jù)與之匹配，并且同區(qū)域衛(wèi)星影像空間分辨率也不能匹配。無人機(jī)攝影由于拍攝的高程較?。w行高度2 000 m左右），遇到有薄云時，采用同態(tài)濾波法較合適。其算法的基本思路是采用傅里葉變換將影像從時域變換到頻域，選取高通濾波器進(jìn)行濾波，過濾薄云信息，再變換回時域得到處理后的影像，達(dá)到去除薄云的目的。但是，此方法也存在對有云區(qū)域和無云區(qū)域同時進(jìn)行濾波使得有用的地物信息丟失等問題。

為了解決上述問題，本文采用面向?qū)ο蠓诸惙椒?，對無人機(jī)影像進(jìn)行多尺度分割并分類，精確地分離出有云區(qū)域和無云區(qū)域。再單獨(dú)對有云區(qū)影像進(jìn)行同態(tài)濾波處理，用處理后的有云區(qū)域影像替換原始的有云區(qū)域圖像，并且用Wallis濾波的方法對整幅影像進(jìn)行濾波，使得有云區(qū)域和無云區(qū)域的地物的光譜特征趨同，得到處理后的無人機(jī)影像。結(jié)果證明該算法可以有效弱化云層對無人機(jī)影像的干擾，有利于影像的后續(xù)解譯。

1 研究區(qū)域情況及數(shù)據(jù)來源

研究區(qū)域位于四川省雅安市漢源縣附，處于 102°40′49.94″E～102°46′03.69″E， 29°18′34.93″N～ 29°21′04.87″N間，面積約20 km2。該地區(qū)覆蓋多種土地利用類型，包含林地、草地、耕地、河流等。

無人機(jī)影像獲取時間為2013年11月，采用LTBT-150系列無人機(jī)進(jìn)行航攝，影像只有3個波段。無人機(jī)影像數(shù)據(jù)如圖1所示。從圖中可見，影像當(dāng)中部分區(qū)域被薄云所覆蓋，其中左上方區(qū)域云層較厚，其余地區(qū)云層較薄。

圖1 2013年11月無人機(jī)彩色影像

2 研究方法

無人機(jī)遙感影像中的薄云具有以下特點(diǎn)：亮度較高、對比度較低、頻域信息集中于低頻部分。薄云去除的核心思想就是去除有云區(qū)域內(nèi)的薄云信息，同時盡量保留有云區(qū)域內(nèi)地物的特征。其主要流程如圖2所示。

圖2 薄云去除流程圖

2.1 有云區(qū)域識別

對整幅影像進(jìn)行同態(tài)濾波會導(dǎo)致無云區(qū)域內(nèi)的信息損失，所以進(jìn)行同態(tài)濾波前應(yīng)當(dāng)精準(zhǔn)確定有云區(qū)域的范圍。經(jīng)典云層識別方法包括目視解譯，對比濾波前后像素的灰度值，非局部獨(dú)立像素逼近法，掩膜函數(shù)法、數(shù)學(xué)形態(tài)學(xué)等方法。但上述方法要求影像為多波段數(shù)據(jù)，對于僅有3個波段的無人機(jī)影像并不適用。而近年來迅速發(fā)展的面向?qū)ο蠓诸惙椒ǜ舆m合提取無人機(jī)影像的有云區(qū)域。本文中采用ecognition軟件提取有云區(qū)域。

傳統(tǒng)的影像分類方法僅利用光譜信息，容易忽略豐富且重要的空間信息，無法解決同物異譜和異物同譜的現(xiàn)象。而無人機(jī)的空間分辨率高達(dá)0.2m，導(dǎo)致影像的數(shù)據(jù)量巨大，用傳統(tǒng)方法對無人機(jī)影像進(jìn)行分類運(yùn)算量大，速度慢。近年來，面向?qū)ο蟮姆诸惙椒ㄖ饾u發(fā)展起來，其優(yōu)點(diǎn)是能夠充分利用高分辨率遙感影像的空間信息，提高信息分類精度，并且能在不同尺度空間提取特定信息，從而提高分類精度[31]。在本研究中，有云區(qū)提取的基本步驟如下：

1）根據(jù)影像的光譜特征和幾何特征，將整幅影像進(jìn)行分割為不同的區(qū)塊，這些區(qū)塊內(nèi)部具有相似的特征。選擇尺度分割度參數(shù)時，需要經(jīng)過多次實(shí)驗(yàn)來選擇最佳參數(shù)。當(dāng)分割的區(qū)塊過大時，同一個分塊之內(nèi)會包含不同的地物類別，會對分類造成干擾；而當(dāng)分割的區(qū)塊過小時，連接在一起的同一類地物被分割為多個區(qū)塊，也不利于地物分類。經(jīng)過多次測試，對于0.2 m分辨率的無人機(jī)影像，尺度參數(shù)設(shè)置為100就可以保證分割的準(zhǔn)確性。

2）根據(jù)一系列的分類規(guī)則對這些小的分塊進(jìn)行分類。分類規(guī)則為每一個波段的光學(xué)特征以及幾何特征。對每一個小分塊賦予一個類別之后，根據(jù)不同的規(guī)則方法，可以對分類的結(jié)果進(jìn)行調(diào)整。

3）對于最后剩下的錯誤類別，采用人工分類進(jìn)行修正。給每一個錯誤的區(qū)塊直接指定正確的類別，這對于最后修正某些類別的錯誤邊界有很好的效果。至此，影像分類得到了完整的結(jié)果，包括有云區(qū)域以及植被、農(nóng)田、河流等地物類別。

提取的有云區(qū)域顯示在圖3之中，粉色的區(qū)域?yàn)樘崛〕龅挠性茀^(qū)域，和圖1的無人機(jī)影像進(jìn)行對比，可以看出，有云區(qū)域被精確地提取出來。

圖3 無人機(jī)影像中提取出的有云區(qū)域（粉色）

2.2 無人機(jī)影像的同態(tài)濾波處理

當(dāng)影像有薄云時，傳感器接收到的圖像由太陽輻射，經(jīng)過薄云反射、太陽輻射、地物反射之后再穿透薄云這兩部分輻射疊加組合而成，其數(shù)學(xué)表達(dá)式為：

式中，f(x,y)為傳感器接收到的信息；r(x,y)為地物反射率，代表信號，是需要提取的信息；t(x,y)代表云層的透射率，表示噪聲，而L為太陽輻射強(qiáng)度，α代表太陽輻射在大氣傳輸過程中的衰減系數(shù)，其中t(x,y),r(x,y),α的的取值范圍為[0,1]。公式（1）可以簡化為公式（2）：

式中，fi(x,y)為照射分量，反映了薄云的信息；fr(x,y)為反射分量，反映了地物的信息。因此，影像的亮度值可以理解為照射分量和反射分量的乘積。對式（2）兩邊同時去取對數(shù)可得：

薄云的信息在照射分量之中為低頻信息，而地物信息在反射分量中為高頻信息，影像的亮度值的對數(shù)可以表達(dá)為反射分量的對數(shù)和照射分量的對數(shù)之和，即高頻分量和低頻分量的增函數(shù)之和。采用離散傅里葉變換將式（3）變換到頻域，可以得到式（4）：

2.3 濾波后影像的處理

同態(tài)濾波對影像的處理會造成無云區(qū)的低頻信息丟失，為了避免信息損失，使用有云區(qū)域之內(nèi)的同態(tài)濾波后影像與原影像進(jìn)行鑲嵌處理，得到鑲嵌后的影像。

此時，有云區(qū)域和無云區(qū)域內(nèi)的地物有一定的亮度、對比度和色調(diào)的差別，這就涉及到影像的色彩一致性處理。常用的算法包括基于Mask原理的勻光方法、基于自適應(yīng)模板的勻光方法，基于頻域的勻光方法，基于Wallis濾波器的勻色方法等[32]。本文采用Wallis濾波器進(jìn)行勻色，通過Wallis線性濾波器，使得影像不同區(qū)域位置的灰度的方差和均值具有相似的數(shù)值，讓整幅影像具有近似的色調(diào)、亮度和對比度。進(jìn)行勻光勻色處理的同時，對有云區(qū)域和無云區(qū)域的邊緣進(jìn)行平滑過渡，從而得到最終的影像。如圖4所示。

圖4 薄云去除之后的無人機(jī)遙感影像

3 實(shí)驗(yàn)結(jié)果與分析

通過對薄云去除前后無人機(jī)影像的對比（圖1、4），可見，采用了同態(tài)濾波處理，有云區(qū)域處理后影像鑲嵌以及色彩一致性處理之后，對薄云區(qū)域，去除效果較好，沒有明顯的邊界效應(yīng)，使得后期的解譯更加準(zhǔn)確。對左上方的小部分厚云區(qū)域，處理方法僅降低了厚云的亮度，未能去除云層對地物的影響。同時，無云區(qū)域的地貌特征得以完整保留，說明了薄云去除方法的有效性。

4 結(jié) 語

本文提出了一種基于面向?qū)ο蟮耐瑧B(tài)濾波薄云去除方法，對無人機(jī)影像進(jìn)行了薄云去除實(shí)驗(yàn)。該算法采用了面向?qū)ο蟮姆诸惙椒?，將有云區(qū)域和無云區(qū)域精準(zhǔn)隔離，改進(jìn)了傳統(tǒng)的同態(tài)濾波算法，避免了原有算法造成的無云區(qū)域信息損失。并且對薄云去除之后整幅影像進(jìn)行了色彩一致性處理，使有云區(qū)和無云區(qū)的地物在色調(diào)和反差上更為接近，更有利于后續(xù)的影像解譯工作。

研究結(jié)果顯示影像中薄云部分得到了明顯減弱，薄云區(qū)內(nèi)的地物細(xì)節(jié)清晰顯現(xiàn)，說明了此算法的有效性。但此方法對厚云去除的效果不理想，僅降低了厚云區(qū)域的亮度而未能恢復(fù)地物信息。后續(xù)研究可以考慮結(jié)合多時相影像替換的方法，將厚云部分的信息替換為其他時相的無人機(jī)影像信息，更加有效的去除影像中的云層。