周雪珺， 楊曉非， 姚行中

(1. 華中科技大學(xué)光學(xué)與電子信息學(xué)院，湖北 武漢 430074；2. 第二炮兵指揮學(xué)院精確制導(dǎo)技術(shù)實驗室，湖北 武漢 430012)

遙感圖像的云分類和云檢測技術(shù)研究

周雪珺1， 楊曉非1， 姚行中2

(1. 華中科技大學(xué)光學(xué)與電子信息學(xué)院，湖北 武漢 430074；2. 第二炮兵指揮學(xué)院精確制導(dǎo)技術(shù)實驗室，湖北 武漢 430012)

為了有效減小云層遮蓋對遙感圖像數(shù)據(jù)利用率的影響，提出了一種基于灰度特性的算法，實現(xiàn)了遙感圖像高效自動的云分類及云檢測。該方法首先將大幅遙感圖像切分成小塊子圖，然后統(tǒng)計子圖灰度值的均值和方差，在此基礎(chǔ)上將云分成無云、薄云和厚云三類，最后通過邊緣檢測算法，實現(xiàn)了對厚云影響范圍的有效標(biāo)記。對100幅典型水域遙感圖像的實驗測試結(jié)果表明：正確云分類判別率達(dá)到97%，誤判率小于4%，漏判率小于2%，基本滿足實時性需求，證明了該算法的有效性。

遙感圖像；灰度特性；云分類；云檢測

隨著衛(wèi)星遙感技術(shù)的快速發(fā)展，使得星載遙感影像在環(huán)境、農(nóng)業(yè)、氣象等領(lǐng)域得到廣泛的應(yīng)用[1]。但采用可見光衛(wèi)星成像的圖像，往往受天氣的影響，使得圖像存在云遮擋，不能直接應(yīng)用和分析，如果將此圖像完全作廢，則增加了衛(wèi)星拍照成本，而且對于某些雨水較多的地區(qū)，很難找到拍照區(qū)完全無云的機(jī)會。因此，對圖像進(jìn)行云分類檢測，通過一定的措施，對不同時間段獲取的同一地區(qū)圖像，將有云區(qū)域與無云區(qū)域進(jìn)行替換，得到一張完整的無云圖像。替換后的圖像包含了更為全面和豐富的地表信息，更有利于對圖像進(jìn)一步的分析處理，如目標(biāo)識別、動態(tài)監(jiān)測等，這對提高遙感數(shù)據(jù)利用率有重要的意義。

常用的云檢測方法有閾值法及模式分類法。其中閾值法是利用云與地物在可見光及紅外通道上所表現(xiàn)出的反射率、亮度和溫度的不同來設(shè)置閾值，實現(xiàn)云檢測[2]，包括多光譜閾值法[3]、動態(tài)閾值法[4]、多通道閾值法[5]等。模式分類法即從模式識別的角度，提取合適的特征，通過選擇合適的分類器實現(xiàn)云圖判別[6]，郁文霞等[7]基于遙感圖像空間紋理特征和統(tǒng)計特征進(jìn)行云判，陳鵬等[8]通過統(tǒng)計灰度、頻率和紋理特性，選擇無監(jiān)督分類器(K-均值：k-means)和有監(jiān)督分類器(支持向量機(jī)：SVM)進(jìn)行分類，將每幅圖像分割成小塊子圖后，根據(jù)上述特性對子圖判斷是云類還是地物類，得出的分類結(jié)果都在95%以上；單娜等[9]結(jié)合光譜閾值和紋理分析這兩種方法，提出了一種基于樹狀判別結(jié)構(gòu)的快速高準(zhǔn)確度云檢測算法。

上述算法在云檢測中都取得了一定的成效，然而都沒有對云進(jìn)行系統(tǒng)的分類，只對圖像中的云和地物進(jìn)行了分類，在對不同的云類型進(jìn)行檢測時存在適應(yīng)性較差的問題。因此本文提出了一種基于灰度特性的云分類及云檢測算法，該算法能夠很好地區(qū)分出無云、薄云和厚云這三類云，并通過邊緣檢測算法，對厚云在遙感圖像中的位置進(jìn)行了有效標(biāo)記。通過大量的實驗，得到正確云分類判別率為 97%以上，證明了本算法的可行性和有效性。

1 基于灰度特性的遙感圖像云分類及云檢測算法

云分類及云檢測算法分為兩大部分：①云分類模塊：將原始圖像切分成小塊子圖，通過對每幅子圖統(tǒng)計灰度值的均值和方差范圍后確定出云的類型；②云檢測模塊：在分類的基礎(chǔ)上，通過邊緣檢測算法標(biāo)記出厚云的影響范圍。

1.1 云分類模塊

在不同的領(lǐng)域?qū)⒃品殖刹煌念愋?，例如：氣象中根?jù)云距地球表面的高度可將云分為高云(纖維狀卷云、密卷云、卷層云和卷云砧)、中云(高積云和高層云)和低云(積云、積雨云、層積云、層云和霧)[10]。但這種分類方法不適合遙感圖像的處理，為此本文將遙感圖像中云的類型定義成三種，即：無云、薄云和厚云。薄云是遙感圖像中常出現(xiàn)的一種云，它不單包含云的信息，還包含一些地物信息，所以對它的研究比較多；而厚云亮度值遠(yuǎn)大于普通陸地和水面，被厚云遮擋處的圖像也幾乎不包含任何地面景物，沒有太大的實用價值，需要用其他時段的同區(qū)域圖像替代這一區(qū)域。

云分類模塊的流程圖如圖1所示。

圖1 云分類算法流程圖

在進(jìn)行云分類判斷時，往往不能直接從一幅遙感圖像中確定云的類型，因為在一幅圖像中，會同時存在幾種不同類型的云或者無云的情況。為此，首先將原始的遙感圖像(這里采用的圖像像素為1920×3456)按行分成20份、按列分成24份，變成像素為 96×144的小圖像，每幅遙感圖像就有 480幅小圖像，然后對每一幅小圖像統(tǒng)計三種類型云的均值和方差。對于水域而言，由于無云圖像都近似黑色的，均值和方差都比較??；厚云由于亮度很大的原因，均值比較大，而方差會出現(xiàn)很小如近似為零或者很大的情況，圖2所示為一幅原始的遙感圖像被分割成 96×144的小圖像后四種典型厚云的方差值(其中矩形的像素為96×144)，其中矩形1的方差為6583.9，矩形2的方差為537.2123，矩形3的方差為49.1611，矩形4的方差為0；薄云相比較而言均值和方差都比厚云略小一點。通過對100幅水域遙感圖像，即48000幅小圖像的統(tǒng)計，得出表1中的數(shù)據(jù)，由此可以通過均值和方差較好的區(qū)分出無云、薄云和厚云這三種類型的云。

得出三種類型云的均值和方差閾值范圍后，就對原始遙感圖像切分后的480個小圖像進(jìn)行判斷：首先通過閾值判斷是否為無云圖像，然后判斷是否為薄云圖像，最后剩余的圖像認(rèn)為是厚云圖像。將無云圖像的灰度值和索引值存在元胞數(shù)組中，將其二值圖灰度值全部設(shè)置為零，保存在相應(yīng)的元胞數(shù)組中；這里將薄云圖像也當(dāng)做無云圖像來處理，因為課題要求主要是完成厚云的檢測，方便后續(xù)再對圖像進(jìn)行目標(biāo)識別，而本文定義的薄云是可以看到云下面的地表信息，所以對薄云只需分類而無需進(jìn)行檢測處理；而對于厚云保存了圖像灰度值和索引值后，對每幅小圖像采用 Otsu算法[11]進(jìn)行二值化處理，即每幅小圖像用 Otsu算法計算出一個閾值[12]，大于閾值的認(rèn)為是目標(biāo)即云，灰度值變?yōu)?，小于閾值的認(rèn)為是背景，灰度值變?yōu)?，然后將其灰度值保存到相應(yīng)的元胞數(shù)組中，這樣有助于解決閾值單一性的缺陷，對每幅小圖像有較好的自適應(yīng)性。對圖像進(jìn)行判斷后，將云類型cloud-type值按未分類、無云、薄云和厚云分別賦值0、1、2和3，這樣就可以很好地觀察到480幅小圖像的云分類結(jié)果，方便后續(xù)實驗統(tǒng)計云正確判別率、誤判率和漏判率。

圖2 分割后四種典型厚云

表1 三種類型云的均值、方差統(tǒng)計表

1.2 云檢測模塊

1.2.1 連通區(qū)域標(biāo)記

由上述方法得到480幅小圖像的二值圖后，就要對其連通區(qū)域進(jìn)行標(biāo)記。二值圖像的連通區(qū)域標(biāo)記是從僅有“0”像素(通常表示背景點)和“1”像素(通常表示前景點)組成的一幅點陣圖像中，將相互鄰接(4鄰域或8鄰域)的“1”值像素集合提取出來[13]。

本文采取的標(biāo)記方法是對圖中任意灰度值為1的像素點，搜索其8連通區(qū)域，將8鄰域內(nèi)灰度值為1的像素點放入同一個數(shù)組中，掃描整個二值圖像，將得到一個包含很多連通域的元胞數(shù)組。再對元胞中的每一個數(shù)組采用 matlab工具箱中的regionprops函數(shù)，獲取其最小外接矩形區(qū)域的數(shù)組status，其中status包含了矩形區(qū)域的左上角坐標(biāo)值和矩形長寬值等信息[14]。

1.2.2 最小外接矩形坐標(biāo)

通過上述方法可以得到每幅圖中連通區(qū)域的外接矩形坐標(biāo)值，但都是針對像素為 96×144的圖像得出的，這時需求出這些外接矩形在原始圖像中的坐標(biāo)值。由于status中包含每幅圖中矩形的左上角坐標(biāo)值x、y和矩形的長寬值w、h，這樣就可以得到矩形的4個頂點坐標(biāo)值。由此可知第1-1矩形(1-1表示第一行第一列的矩形)的坐標(biāo)值不變，第1-2矩形坐標(biāo)為x＋144和y，依次類推，第1-24矩形坐標(biāo)為x＋144×23和y；同理，第2-1矩形的坐標(biāo)為x和y＋96，第2-2矩形的坐標(biāo)為x＋144和y＋96，類推得到第 2-24矩形的坐標(biāo)為 x＋144×23和y＋96；綜上所述，得到第20-1矩形的坐標(biāo)為x和y＋96×19，···，第20-24矩形的坐標(biāo)為x＋144×23和y＋96×19。按照這個方法，就可以得出480幅圖像中所有外接矩形在原始圖像中的4個頂點坐標(biāo)值(其中minX 、minY 為左上角坐標(biāo)，maxX 等于minX 加上矩形的長度 w，maxY 等于minY 加上矩形的寬度h)。即：但要說明的是，在這480幅圖像中會出現(xiàn)無云的圖像，這時元胞status中矩形的4個參數(shù)值就為空，不能進(jìn)行上述的坐標(biāo)加法運算，所以為了運算能夠正確進(jìn)行，就把坐標(biāo)值為空的情況賦值為零。

1.2.3 合并矩形

通過上述方法得到外接矩形后，會出現(xiàn)矩形重疊或者距離過近的情況，這時就要考慮合并矩形。合并矩形的流程如圖3所示。對任意不同的矩形兩兩比較，首先判斷是否重疊，若重疊合并矩形，不重疊就再判斷矩形之間距離是否小于等于某個值(例如 64)，若小于等于 64合并矩形，否則保持矩形原樣，不對它進(jìn)行處理。

圖3 合并矩形流程圖

具體算法步驟如下：

步驟 1.判斷是否重疊，是比較兩個矩形中心點坐標(biāo)差與矩形的長寬值。假設(shè)任意兩個矩形坐標(biāo)值為 vertex1和 vertex2，如式(1)，長寬值為 w1、h1和w2、 h2，則兩個矩形的中心點坐標(biāo)為

如果兩個矩形在x方向中心點坐標(biāo)差的絕對值小于等于矩形長度的一半，即：

則認(rèn)為在x方向矩形重疊；同理若兩個矩形在y方向中心點坐標(biāo)差的絕對值小于等于矩形寬度的一半，即：則認(rèn)為在y方向矩形重疊。當(dāng)同時滿足式(2)和式(3)時，就認(rèn)為矩形重疊，執(zhí)行步驟3，否則認(rèn)為矩形不重疊執(zhí)行步驟2。

步驟2.判斷矩形之間距離是否小于64，也是采用類似的方法。計算兩個矩形在x、y方向中心點坐標(biāo)差的絕對值減去矩形長、寬度一半的值，即：如果式(4)和式(5)都成立，則認(rèn)為矩形之間的距離小于64像素值，執(zhí)行步驟3，否則維持矩形不變。

步驟3.合并矩形采用變化頂點坐標(biāo)值來實現(xiàn)。首先對x方向坐標(biāo)值進(jìn)行改變：對任意兩個矩形，若大于則把的值賦給，否則的值賦給若小于則把的值賦給否則的值賦給結(jié)束x方向坐標(biāo)值的改變。同理y方向坐標(biāo)值也按照這個方法進(jìn)行變化。得到合并后的坐標(biāo)值后，按照式(1)，把vertex元胞中含有相同值的元素去掉，得到所有合并后的矩形頂點坐標(biāo)值，這時再去掉矩形中長和寬小于 64像素值的矩形，認(rèn)為這時標(biāo)記的是圖像中的目標(biāo)，最后保存處理后的合并矩形頂點坐標(biāo)信息。

1.2.4 輸出云檢測后圖像

如果在連通區(qū)域標(biāo)記時，連通域個數(shù)都為0，則認(rèn)為原始圖像是無云圖像，這時直接輸出原圖像，不用進(jìn)行后續(xù)處理計算；而對其他圖像，得到最后合并矩形的頂點坐標(biāo)后，在原始圖像中按照坐標(biāo)值畫出矩形框，輸出云檢測后圖像。

2 實驗結(jié)果與分析

2.1 實驗數(shù)據(jù)

本文隨機(jī)選取100幅像素為1920×3456的典型水域遙感圖像作為實驗數(shù)據(jù)，即共有48000幅像素為96×144的小圖像。

2.2 云分類結(jié)果

原始遙感圖像中包含各種云類信息，首先通過人工方式對每幅圖中的云進(jìn)行分類，然后通過上述算法對圖像進(jìn)行云分類判斷，分類結(jié)果如表2所示。

表2 分類結(jié)果

定義云分類正確率p1=(1–|人工分類云總數(shù)–算法分類云總數(shù)|/人工分類云總數(shù))×100%，誤判率p2為實驗中誤判云類的個數(shù)與人工分類個數(shù)之比，漏判率 p3為實驗中漏判云類的個數(shù)與人工分類個數(shù)之比。用上述算法對100幅圖像進(jìn)行云分類后，得到的云分類結(jié)果精度如表3所示。

表3 算法性能參數(shù)值(%)

2.3 云檢測結(jié)果

對分類后的云進(jìn)行云檢測結(jié)果如圖 4(a)～(d),其中圖4(a)為無云圖像直接輸出原圖；圖4(b)中既含有薄云又含有厚云，對薄云部分直接輸出，不用矩形框標(biāo)記，厚云部分用矩形框標(biāo)記，并且得到了每個矩形框的4個頂點坐標(biāo)值；圖4(c)為厚云圖像，但厚云比較小且分布散開，將其距離很近的云用一個矩形框標(biāo)記，其余相距較遠(yuǎn)的分別用矩形框標(biāo)記，同樣會得到各個矩形的頂點坐標(biāo)值；圖4(d)為厚云圖像，圖中含有一大片厚云，用一個矩形把云標(biāo)記，輸出矩形的頂點坐標(biāo)值。

圖4 云檢測結(jié)果

2.4 實驗分析與比較

與目前的算法相比，本文能夠較好的對圖像中的薄云和厚云進(jìn)行分類，并對其區(qū)分處理，而且還能得到含有標(biāo)記了厚云的矩形框坐標(biāo)，在后續(xù)對圖像進(jìn)行目標(biāo)識別和勘測時，就可以無需處理此坐標(biāo)中的圖像部分，為研究者提供了方便。下面將具體與兩篇參考文獻(xiàn)的算法進(jìn)行比較分析：文獻(xiàn)8的云檢測結(jié)果如圖5(a)所示，它在進(jìn)行云和地物類區(qū)分時，就沒有考慮薄云的影響，將薄云也劃分成地物類，如圖中矩形框標(biāo)記為 1的部分，而且還將部分較小的厚云和很亮的厚云也標(biāo)記為地物類，如圖中矩形框標(biāo)記為 2的部分和矩形框標(biāo)記為 3的部分，本文算法就能夠很好的對這部分的厚云進(jìn)行處理，如圖 4(b)和(c)，大大提高了云檢測的準(zhǔn)確性；文獻(xiàn) 9的云檢測結(jié)果如圖 5(b)所示，它只能對大片的厚云進(jìn)行檢測，沒有分析如何對薄云和小片的厚云進(jìn)行處理，而本文從云的多樣性出發(fā)，詳細(xì)分析了各種云的分類和檢測，提高了云檢測的適用性。

圖5 算法比較

3 結(jié) 論

本文針對遙感圖像中云圖的多樣性，從圖像分割及灰度特性出發(fā)，將云分成了無云、薄云和厚云三類，并對厚云采用邊緣檢測算法進(jìn)行有效標(biāo)記，為后續(xù)的消云處理奠定了基礎(chǔ)，實驗結(jié)果表明本算法對云分類有較高的準(zhǔn)確率。但本算法在應(yīng)用中將原始圖像切分成小塊子圖，破壞了圖像的整體性，有些圖像單從小圖來看，很難判別是薄云還是厚小碎片云，下一步工作將從圖像的整體上把握，對整幅圖進(jìn)行有效的云檢測研究。

[1] 唐王琴, 梁 棟, 胡根生, 馬雪亮, 杭丹萍. 基于支持向量機(jī)的遙感圖像厚云去除算法[J]. 遙感技術(shù)與應(yīng)用, 2011, 26(1): 111-116.

[2] 劉 健. FY-2云檢測中動態(tài)閾值提取技術(shù)改進(jìn)方法研究[J]. 紅外與毫米波學(xué)報, 2010, 29(4): 288-292.

[3] 侯 岳, 劉培洵, 陳順云, 劉少峰. 基于MODIS影像的夜間云檢測算法研究[J]. 國土資源遙感, 2008, (1): 34-37.

[4] Di Vittorio A V, Emery W J. An automated dynamic threshold cloud-masking algorithm for daytime AVHRR images over land [J]. IEEE Transaction on Geoscience and Remote Sensing, 2002, 40(8): 1682-1694.

[5] 馬 芳, 張 強, 郭 鈮, 張 杰. 多通道衛(wèi)星云圖云檢測方法的研究[J]. 大氣科學(xué), 2007, 31(1): 119-128.

[6] 趙 敏, 張 榮, 尹 東, 王 奎. 一種新的可見光遙感圖像云判別算法[J]. 遙感技術(shù)與應(yīng)用, 2012, 27(1): 106-110.

[7] 郁文霞, 曹曉光, 徐 琳, Bencherkei M. 遙感圖像云自動檢測[J]. 儀器儀表學(xué)報, 2006, 27(6): 2184-2186.

[8] 陳 鵬, 張 榮, 劉政凱. 遙感圖像云圖識別中的特征提取[J]. 中國科學(xué)技術(shù)大學(xué)學(xué)報, 2009, 39(5): 484-488.

[9] 單 娜, 鄭天垚, 王貞松. 快速高準(zhǔn)確度云檢測算法及其應(yīng)用[J]. 遙感學(xué)報, 2009, 13(6): 1147-1155.

[10] 王丕浩, 劉宗義, 張開斗. 應(yīng)用衛(wèi)星氣象學(xué)[M]. 青島:中國海洋大學(xué)出版社, 2004: 51-60.

[11] Otsu N A threshold selection method from gray-level histograms [J]. IEEE Transaction on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

[12] 劉紀(jì)紅, 王鋮媛. 一種基于自適應(yīng)閾值的圖像二值化算法[C]//2009中國控制與決策會議論文集(3). 桂林, 2009: 3958-3962.

[13] 曹長虎, 李亞非. 一種二值圖像連通區(qū)域標(biāo)記快速算法[J]. 科學(xué)技術(shù)與工程, 2010, 10(33): 8168-8171, 8180.

[14] 姚 敏. 數(shù)字圖像處理[M]. 北京: 機(jī)械工業(yè)出版社, 2006: 269-270.

The Study of Cloud Classification and Detection in Remote Sensing Image

Zhou Xuejun1, Yang Xiaofei1, Yao Xingzhong2
(1. School of Optical and Electronic Information, Huazhong University of Science and Technology, Wuhan Hubei 430074, China; 2. Laboratory of Precision-Guided Technology, Second Artillery Command College, Wuhan Hubei 430012, China)

Cloud shelter in remote sensing image may cause low date utilization rate, so the research of automatic and efficient cloud classification and detection method is increasingly important. This article proposes a high performance and high accuracy algorithm for the cloud classification and cloud edge detection based on gray character. This method finds out the mean and variance of gray value to classify cloud into three categories by dividing the image, then uses edge detection methods to remark the influence area of thick cloud. Primary testing results of 100 water remote sensing images have showed that this algorithm is valid and can satisfy the engineering requirement: the precise classification rate is 97%, the false rate is lower than 4% and the missed rate is lower than 2%.

remote sensing image; gray character; cloud classification; cloud detection

TP 751

A

2095-302X(2014)05-0768-06

2014-01-23；定稿日期：2014-06-11

周雪珺(1991–)，女，湖北武漢人，碩士研究生。主要研究方向為數(shù)字圖像處理。E-mail：zxj9122@hust.edu.cn

姚行中(1962–)，男，湖北隨州人，教授，博士。主要研究方向為衛(wèi)星圖像的處理與應(yīng)用、精確制導(dǎo)技術(shù)。E-mail：X.Z.Yao@hust.edu.cn