一种新的基于特征提取的云判别方法.docxVIP

第一章引言1.1 云判别的重要性当前，可见光遥感图像用于获取地面物体的影像，为气象观察预测、地球资源普查、环境污染检测和自然灾害监测等领域提供了丰富的遥感图像信息。然而，遥感成像过程中，由于受大气密度、天气变化等因素的影响，大量的云层被一起记录下来（如图1），遮挡了地面物体的影像，造成了局部地面物体（地物）信息丢失，不利于地面物体目标的识别，从而使得遥感图像的数据利用率非常低。因此，有效的云层检测，剔除图像中云层覆盖的区域，对于缓解海量遥感图像数据对传输通道的压力，提高卫星遥感图像利用率以及后续的目标识别和提取有着非常重要的意义。图 1 云层遮挡的遥感图像图2 分块后的遥感图像1.2 云判别过程要对一幅可见光遥感图像进行去除云区域的处理，首先要对这幅图像进行分块，然后对每一块一一进行识别。首先，为了提高精确度，需要将一张遥感图像分化成小块。分块越小，云层区域漏判为地物的情况就会越少，同时地物误判为云层区域的情况也会越少，从而精确度越高。比如，如果将图1判为地物，显然是不正确的，因为图中有明显的云层，这属于漏判情况；如果将图1判为云，那么其中的地物信息就会被丢失掉，这属于误判情况。而如果将图像分成小块，比如图2就是将图1分成了四块，然后一一判定，显然地物和云层变得更容易区分，出现漏判和误判的情况就会大大减少，从而提高了精确度。分块之后，对于每一个块用特定的云识别算法进行判定，根据判定结果对块进行剔除或者保留。在云识别算法中，由于云层和地物在某些特征上存在很大的差异，将这些特征从待判定的块中提取出来检验，即可判断此块是云还是地物。然后进行后续的操作，这样就完成了遥感图像的云判别。其中，云识别算法是整个云判别过程的核心。1.3 云判别问题的现状目前的云判别算法可概括为阈值法和模式分类法。其中阈值法主要是根据光谱阈值来判别云，包括多光谱阈值法，自动阈值法等；本文主要研究模式分类法，即从模式识别的角度，提取合适的特征，通过选择合适的分类器实现云图判别。在模式分类法中，提取什么特征，怎样提取特征是模式分类法的关键。因为从图像中提取的特征唯一标识这幅图像，分类时这些特征能否最大程度区分开不同类别的图像，能否有效的表征不同类别的差异，就成了研究模式分类算法的核心。所以，在现今云判别研究阶段，特征提取的好坏决定了云判别算法的好坏，解决云判别问题的关键在于解决特征提取问题。本文主要内容即是对传统特征提取方法进行研究，提出新的特征提取方法。1.4本文的架构本文按照以下顺序进行：第二章介绍传统的云判别的特征提取方法和其存在的问题；第三章详细介绍针对传统方法的问题，本文提出的新的云判别的特征提取方法；第四章展示用于实验的数据库、分类器和对比试验结果，证明了本文方法的相比于传统方法的优越性；第五章进行总结，并对未来的工作进行展望。第二章传统云判别的特征提取方法和缺陷2.1传统云判别的特征提取方法传统用于云判别的特征提取总体来讲包括灰度特征提取、频率特征提取、纹理特征提取三个方面。其中，灰度特征表征了图像的灰度特性，是以图像中的像素灰度值作为计算对象进行计算得到的特征值，如图像的均值、方差、直方图、熵等等；频率特征表征了图像在频域的特性，以图像频域系数为计算对象得到的特征值，比如DCT，FFT或者小波域系数的统计值等；纹理特征表征了图像局部的纹理边缘特性，通常是纹理强度，局域粗糙度等等。传统特征提取方法在云判别领域得到很多应用。比如，陈鹏等在【1】中为了研究在不同特征下云图和非云图的聚类特性，提取了图像的均值、方差、差分、熵等灰度特征，DCT和小波域定义的频率特征，以及由sobel和公发矩阵计算得到的纹理特征，试验中得到了良好的聚类特性；C.I.Cristodoulou等在【2】中总结了前人提出的SF、SGLDM、GLDS、NGTDM、SFM、TEM、FDTA、FPS等8种特征提取方法，共94个特征，包含了大部分传统用于云判别的特征提取方法。虽然特征较多，但仍然可以划分为以下的灰度特征、频率特征和纹理特征三类：灰度特征均值，中值，标准差，方差，偏度（skewness），边缘峰度（kurtosis），角二阶矩，对比度（contrast），相关系数，熵，直方图和各种信息学量；频率特征Fourier变换系数的径向和（radial sum）与法向和（angular sum）等；纹理特征图像的局域粗糙度（coarseness，roughness），纹理强度（strength），复杂度（complexity），基于共发矩阵的各种统计量，Hurst系数，纹理能量（texture energy），周期性（periodicity），以及自定义的其他特征等；2.2 传统特征存在的缺陷尽管传统特征提取方法在云判别问题中取得了一定效果，但是由于传统的特征提取只计算了图像像素和纹理