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程信息的質(zhì)量，并降低了數(shù)據(jù)的利用率。因此,要求計算機運用各種云檢測算法,自動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,要求控制檢測錯誤率在15%以內(nèi),本文通過大量試驗,得出該檢測算法能有效控制檢測錯誤率為12%滿足工程應(yīng)用要求。目前,國內(nèi)研究者對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)計特征的云檢測新方法。該方法運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)進行云檢測,所以針對不同衛(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)計特征進行分析,建立云特征模型。接著對圖像進行預(yù)處理,采用高斯低通濾波器對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。然后對圖像進行紋理和統(tǒng)計特征提取,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,處理的方法是逐點計算,點與點之間的處理相互獨立,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。觀察圖1可以看出,云區(qū)灰度均勻性強,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,因此可以采用計算圖平均梯度和灰度共生矩陣的方法區(qū)分云與雪。對于圖像來說,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)計特征3.1預(yù)處理圖像的噪聲及預(yù)處理驗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空域卷積去除噪聲和sobel算子銳化圖像邊緣,試驗證明預(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。目前公認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,對灰度共生矩陣進行閾值化和正規(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,對應(yīng)的圖像表面越粗糙。本文采用盒維來計算圖像的分型維數(shù),將遙感圖像看作三維空間中的一個曲面Z=f(x,y),f(x,y)為像素點的位置坐標,Z代表灰度值,將圖像分為δ×δ的格子,計算格子內(nèi)灰度最大差值dδ(i,j),當≤m/2(m為圖像寬度)則格子非空的盒維總數(shù):Nδ=∑dδ(i,j)/δ。對不同的δ,(,logδi)用最小二乘法進行線性回歸得到的直線斜率去負,即為分形維數(shù)的估計值N。3.3云域和非云域的聚類分析首先采用閾值分割法,對云和陸地海洋進行粗分類,認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)對圖像進行聚類,并根據(jù)聚類結(jié)果將圖像二值化為云域和非云域。最后標識出云區(qū),并計算云覆蓋率。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186幅圖像(數(shù)據(jù)類型包含Aster,ETM,Modis等遙感圖像)進行云檢測識別。由于遙感圖像尺寸過大,縮略顯示無法看清云層紋理細節(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紋理法細分類并二值化結(jié)果,云域灰度值為1,非云域為0。根據(jù)這一結(jié)果可以進一步計算出圖3各截圖中的云層覆蓋率見表2。根據(jù)以上方法,進而計算整幅遙感圖像進行云檢測,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,進一步計算整幅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算法驗證試驗工程上稱云覆蓋率小于15%的圖像為有效圖像,經(jīng)檢測和覆蓋率計算對有效圖像應(yīng)予以保留。反之,當云覆蓋率大于15%,即超過15%的像素信息被云層覆蓋,則認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?通常稱為檢測錯誤率,工程上要求算法的檢測錯誤率在15%以內(nèi)。本文通過186幅圖像試驗驗證,算法能有效控制檢測錯誤率至12%。對于將有效圖像判為無效圖像,這種誤判會造成有效數(shù)據(jù)的損失,工程上嚴格要求該錯誤率為0%,本算法能嚴格控制這種錯誤率,試驗中沒有發(fā)生誤判。在識別判斷時,由于無效圖像云覆蓋率大,云的形狀各異且具有時間偶然性等特點,因此無效圖像的判斷難度比較大。為了對云的特征深入研究,試驗中選擇大量無效圖像,而在實際應(yīng)用中,無效圖像遠少于試驗圖像庫中的無效圖像所占總圖像的比例。所以理論上推斷,本算法在實際應(yīng)用中檢測錯誤率會進一步大幅降低。5多遙感圖像檢測本文