基于多特征提取的遥感影像云检测算法研究.docVIP

基于多特征提取的遥感影像云检测算法研究 　　摘要：高分辨率遥感影像中存在大量的云噪声，这些云层对遥感数据的后续处理和传输产生不利影响。本文针对遥感图像中云层污染问题，对多光谱影像中云层亮度、纹理、频率等特征展开分析，通过样本统计了云层与下垫面在不同方面的特征差异。基于分析的结果，利用灰度共生矩阵和Gabor滤波器的各个特征值，依据特征的可分离度选择有效的特征，并对上述特征进行云检测。对检测为云的样本，近一步采用条件边缘膨胀优化云层边缘的检测精度。实验结果证明本算法对高分辨遥感影像的云层具有较好的检测效果。 　　关键词：遥感影像；高分辨率；云层特征提取；云检测 　　中图分类号：TN976 文献标识码：A 文章编号：1007-9416（2017）09-0124-04 　　随着空间科学技术的发展，遥感卫星的时空分辨率和光谱分辨率逐渐提高，已广泛应用于侦查、测绘、资源监测和深空探测。在光学卫星影像中，云层是可见光和红外波段主要的污染源之一。大量云层的存在影响了对地观测和地标提取，被云覆盖的遥感影像可用信息很少，却占用了系统大量的存储空间和传输带宽，进而降低了卫星数据的利用率，这对卫星有限的资源带来了不利影响。因此在遥感卫星影像的处理中，云层的检测十分重要。针对云污染的问题，有必要研究高效、快速地筛选含云影像及计算云量，从而有效提高卫星平台遥感图像的利用率。 　　目前针对云检测主要从亮度、纹理、频率三个方面出发，提取不同的特征组合来进行云层识别。常用的方法有分形维数[1]、灰度共生矩阵[2]、小波变换和Gabor滤波器[3]等。李志伟等[4]通过光谱特征提取主云区，再通过纹理特征局部二值模式LBP和形状特征周?L面积比来优化云层检测结果，但该方法受相机辐射校正系数影响，该系数在一年中不固定，因此光谱特征的阈值设定不稳定。谭一华等[5]利用最大响应滤波器（Maximum Response）提取云层不同方向和不同尺度的纹理特征，得到8维特征矢量。该方法虽然充分地提取了云层纹理特征，但由于MR滤波器对纹理特征的计算量大，且云层没有明显的方向性，因此十分耗时。余长辉等[1]分别提取了平均灰度、方差、一阶差分和DCT高频系数、小波高频系数以及GCLM的特征值和分形维数，但特征之间有冗余，不利于后续云检测。李鹏飞等[2]仅利用平均梯度和灰度共生矩阵中的角二阶矩值来提取云层纹理特征作为SVM分类基础，未对云层光谱特征做分析。 　　目前的特征提取方法都建立在上述三个方面，但对各个特征值的选择并没有详细的论证和分析。基于此，本文在三个特征空间比较分析，通过样本的统计，基于可分离度的计算实现云层特征的优选。基于提取的特征矢量，采用SVM进行云层与下垫面的分类，对判别为云层子图的样本，通过条件边缘膨胀，进一步优化云层边缘提取，得到包含云层边缘的二值图像。实验结果表明本算法对遥感影像云层检测具有较好的效果。 　　1 多特征提取的云检测算法 　　1.1 算法流程 　　本算法的框架如图1所示，主要包括：样本特征提取、分类器训练、云子图判别以及云层边缘优化四个部分。 　　样本特征提取包括亮度、纹理和频率三个方面。基于样本子图计算特征矢量，分类器采用支持向量机，对云层子图进行判别。本算法有两个关键内容：特征选择和边缘优化，将在后续章节中详细阐述。 　　1.2 亮度特征提取 　　由于云层与下垫面具有不同的辐射率，在多光谱影像中反应为不同的亮度值。采用高分一号影像为样本，高分一号多光谱影像包含四个波段，分别为：B波段（0.45um～0.52um）、G波段（0.52um～0.59um）、R波段（0.63um～0.69um）和近红外波段（0.77um～0.89um）。 　　云层在不同通道的影像中相比下垫面都具有较高的亮度值，因此从RGB空间或某一通道的亮度值提取云层特征只能反映云层辐射强度。事实上，云层接近白色，R、G、B值近似相等，在HIS色彩空间中反映为亮度值高，饱和度低。如图2所示，云层在I通道有明显的亮度，但在S通道相比下垫面饱和度要低，因此本文在HIS空间中提取云层亮度和饱和度，作为辐射亮度值的特征。 　　1.3 纹理特征提取 　　下垫面中如雪、冰、明亮的水体和建筑物等具有与云层相似的光谱特征，因此纹理特征对近一步区分云层中的杂质十分有效。常用的纹理特征有：灰度共生矩阵、分形维数、局部二值模式等。灰度共生矩阵由Haralick等[6]提出，主要利用纹理灰度级的空间关系，首先根据图像像素间的方向和距离建立共生矩阵，再从矩阵中提取出有意义的数值作为特征值，基于灰度共生矩阵，常用的纹理特征值有： 　　其中，Si，j，k是特征值vi在类Cj和Ck中分离度，和σi，j是特征值vi在类Cj中的均值和方差，和σi，k是特征值vi在类Ck中的均值和