胡根生,陳長春,梁 棟

1．安徽大學計算智能與信號處理教育部重點實驗室,安徽合肥 230039;2．安徽大學電子信息工程學院,安徽合肥 230601

聯(lián)合云量自動評估和加權支持向量機的Landsat圖像云檢測

胡根生1,2,陳長春1,2,梁 棟1,2

1．安徽大學計算智能與信號處理教育部重點實驗室,安徽合肥 230039;2．安徽大學電子信息工程學院,安徽合肥 230601

針對云量自動評估算法難以檢測Landsat圖像中的半透明云問題,提出一種云量自動評估和加權支持向量機相結合的云檢測算法。首先根據(jù)云在不同波段中的大氣輻射特點,結合陸地衛(wèi)星ETM＋圖像數(shù)據(jù)的光譜特性,利用云量自動評估算法將圖像像元初步分成云像元、非云像元和待定像元,再以云的光譜特性構造特征向量,利用加權支持向量機算法進行待定像元的云層檢測,最終獲得全部圖像的云檢測結果。仿真試驗結果表明,該方法既具有云量自動評估算法的云檢測優(yōu)勢,還對云量自動評估算法難以識別的半透明云有較好的檢測效果。

陸地衛(wèi)星圖像;云檢測;云量自動評估;支持向量機

1 引 言

云檢測是衛(wèi)星遙感圖像處理與應用過程中的一大難點,云和晴空的分離是反演大氣和地表各種參數(shù)所必須的預處理工作,云檢測結果的正確與否直接影響到其他參數(shù)的反演結果。

目前國內外研究較多的云檢測方法是產生二分“云/晴空”掩模[1-3]。文獻[4]利用高分辨率遙感圖像像元值和同時相同區(qū)域的低空間分辨率圖像的無云像元值進行比較實現(xiàn)云像元鑒定,再進行基于目標的區(qū)域生長方法獲得云掩模。該方法的優(yōu)點是不依賴熱波段且可用于最高分辨率遙感圖像的云識別,缺點是利用高分辨率圖像和中低分辨率圖像之間地物光譜的線性相關性識別云層時,如果圖像中存在大片云層,則方法失效。文獻[5—6]提出閾值算法進行云檢測,文獻[7]結合光譜閾值法和紋理分析法實現(xiàn)遙感相機自主辨云。閾值法簡單易實現(xiàn),但算法性能對閾值的選擇比較敏感。針對Landsat圖像,文獻[8]使用迭代自回歸技術(ISODATA)產生Landsat TM圖像的云和云陰影掩模。ISODATA是無監(jiān)督分類,還有一些研究使用有監(jiān)督分類方法建立云掩模,這些方法利用一些特殊波段來確定云閾值,比如文獻[9]使用TM波段1和波段4的亮度閾值,文獻[10]使用ETM＋波段1和波段6L。文獻[11—12]提出云量自動評估(automatic cloud cover assessment,ACCA)算法,通過建立兩組濾波器,并利用地物的先驗特征進行Landsat圖像云檢測,檢測結果表明,91%的云量自動評估與實際云覆蓋率相差20%以內。文獻[13]采用基于像元和基于目標的方法,提高ACCA算法檢測Landsat ETM＋圖像中云的識別率。ACCA算法現(xiàn)已被應用于其他傳感器,如ASTER[14]、SPOT及IRS-LISS[15]。ACCA算法由于缺少1．375μm波段,因而云邊緣以及半透明云例如卷云等難以檢測。文獻[16]提出了MLTK算法,通過設置Landsat圖像波段1、波段3、波段4和波段5的反射率閾值,將Landsat圖像像元分解成云像元和其他非云像元。由于缺少熱波段數(shù)據(jù), MLTK算法對于薄云、冰雪、巖石等高反射率地物上空的云層檢測能力有限。

近年來,以統(tǒng)計學習理論和結構風險最小化原理為基礎的支持向量機(support vector machine, SVM)已被有效地應用于遙感圖像云檢測和云去除[17-18]。本文提出一種基于ACCA和WSVM相結合的Landsat遙感圖像云檢測算法,先利用ACCA算法對Landsat圖像進行初步處理,實現(xiàn)厚云的快速有效檢測,再利用WSVM算法的強學習能力將ACCA算法難以檢測的半透明云檢測出來。

2 加權支持向量機

在標準支持向量機方法中,不同類別的樣本采用相同的懲罰參數(shù),造成預測結果偏向于大樣本類別。因此,根據(jù)各個樣本的具體情況,應該選擇不同的懲罰參數(shù),從而得到更準確的預測結果,即所謂的加權支持向量機[19-20]。

設給定樣本集x＝{(x1,y1),(x2,y2),…, (xn,yn)},其中xi∈Rd,yi∈{－1,＋1},n是樣本數(shù)量,xi為輸入向量,yi為xi所屬類別,d為xi的維數(shù)。加權支持向量機模型描述如下

式中,C是均衡常數(shù);非線性函數(shù)φ(·)將訓練樣本集數(shù)據(jù)x映射到一個高維線性特征空間;si表示第i個訓練樣本的加權系數(shù)。

采用Lagrange乘子法求解得到對偶的二次規(guī)劃為

式中,矩陣H是半正定矩陣,Hij＝y(tǒng) iyjK(xi, xj);e＝[1 1…1]T;α＝[α1α2…αn]T。由計算出的αi可以得出決策函數(shù)如下

式中,SV表示支持向量集;NNSV為支持向量個數(shù)。

由于訓練樣本對最終分類模型的貢獻程度不一樣,特別是位于分類超平面上的支持向量樣本貢獻最大,為了增加支持向量樣本的權重,本文采用一種基于兩類樣本中心距離的權值確定方法。

如果樣本點是線性可分的,則互中心距離要大于自中心距離。假設中心距離和加權系數(shù)存在某種函數(shù)關系,則可以構造權值函數(shù)si＝f(D)。相比其他樣本點,支持向量樣本所對應的自中心距離相對較大,而對應的互中心距離相對較小,因而本文構造二次權重函數(shù)

將自中心距離較大的樣本加權系數(shù)賦值為1,自中心距離較小的樣本加權系數(shù)賦值為足夠小的正數(shù)ε。另一方面,將互中心距離較小的樣本加權系數(shù)賦值為1,互中心距離較大的樣本加權系數(shù)賦值為足夠小的正數(shù)ε。其滿足的自中心距離與權值關系的邊界條件為

先對每類樣本分別求出基于自中心距離和互中心距離的權重系數(shù),再求其平均值作為每類樣本的權重系數(shù)。這樣,支持向量樣本所獲得的權重就較大,遠離分類超平面的樣本點所獲得權重系數(shù)就較小。

3 云檢測算法

3．1 基于ACCA算法的像元分類

ACCA算法[12]需要把Landsat圖像波段2到波段5的原始數(shù)據(jù)轉化成大氣頂部反射率,波段6原始數(shù)據(jù)轉換成傳感器溫度值。在波段i上,大氣頂部輻射亮度和圖像數(shù)據(jù)的關系如下

式中,Qi是遙感圖像像元量化水平;Gi是波段i上的傳感器響應值;Q0i是波段i上零輻射亮度的偏置值。

式中,ds是日地天文單位距離;E0i是波段i上的大氣外層太陽輻射照度;θ是太陽天頂角。

波段6的亮度溫度和大氣頂部輻射亮度之間的轉換公式如下

式中,T和K2分別是傳感器上的溫度和校準常數(shù)1 282．71,均以開爾文度數(shù)表示;K1是校準常數(shù)666．09是波段6的大氣頂部輻射亮度。

ACCA算法利用8個濾波器將Landsat圖像像元分解成云像元、非云像元和待定像元。

亮度閾值濾波器:將圖像中各個像元在波段3上的反射率和亮度閾值比較,如果該像元的反射率小于此閾值,則將該像元識別為非云像元。如果該像元的反射率大于此閾值,則將該像元送到歸一化雪差異指數(shù)濾波器中進行處理。

歸一化雪差異指數(shù)濾波器:是由波段2和波段5的反射率表示

由于云像元和雪像元在波段2上的反射率很接近,但是在波段5上云像元的反射率高而雪像元的反射率低。因此,此濾波器被有效應用于消除雪的干擾。如果某像元的NDSI值大于設定的閾值,則該像元被認為是雪像元,被標記為非云點,否則將該像元送往溫度濾波器處理。

溫度閾值濾波器:將波段6的亮溫值與設定的閾值比較,如果一個像元溫度值超過該閾值,則將該像元標記為非云點,否則將該像元送往波段5/6復合濾波器中繼續(xù)檢驗。

波段5/6復合濾波器表達式為

如果一個像元的復合值超過閾值,則此像元被標記為待定點,否則將該像元送往波段4/3比率濾波器中繼續(xù)處理。

波段4/3比率濾波器:用來排除高反射率的植被。綠色植物在近紅外波段(波段4)有較高的反射率,在紅色波段(波段3)中有較低的反射率。因此植被的波段4/3比值高于云。如果一個像元的波段4/3比值超過設定的閾值,則該像元被標記為待定點,否則將該像元送往波段4/2比率濾波器中繼續(xù)檢驗。

波段4/2比率濾波器:枯萎植物在綠色區(qū)域(波段2)有較高的反射率。因此植被的波段4/2比值高于云。如果一個像元的波段4/2比值超過設定的閾值,則該像元被標記為待定點,否則將該像元送往波段4/5比率濾波器中繼續(xù)檢驗。

波段4/5比率濾波器:用于排除高反射率的巖石和沙漠區(qū)域。如果一個像元的波段4/5比值低于設定的閾值,則該像元被標記為待定點,否則將該像元送往波段5/6復合閾值濾波器中繼續(xù)檢驗。

如果一個像元的波段5/6比值超過設定的閾值,則該像元被標記為暖云點,否則該像元為冷云點。

3．2 基于WSVM的云檢測

經過ACCA算法的8組濾波器處理之后,每一景圖像中每個像元都被確定為云像元、非云像元或待定像元,ACCA算法對待定像元利用地物的先驗特征進行云檢測,算法由于缺少1．375μm波段,因而云邊緣以及半透明云例如卷云等難以檢測。本文將ACCA算法和WSVM算法相結合,對待定像元利用WSVM算法進行進一步分類,提高云檢測的精確性。

由于多光譜圖像含有豐富的地物信息,在不同時刻、不同地理位置上具有不同的光譜特性,而云的光譜特征受云的類型、厚度、透明度、高度、背景等多種因素影響。為了降低預測誤差,本文從Landsat圖像數(shù)據(jù)庫中挑選與試驗圖像具有相同地理位置的含云典型圖像構建訓練樣本和測試樣本。針對Landsat圖像的特點,根據(jù)云層特定的光譜特性,由波段2到波段5的反射率值、波段6的溫度值、NDVI(歸一化植被指數(shù))、NDSI、波段5/6、4/3、4/2、4/5的比值作為圖像內容信息的特征描述,形成圖像的11維特征向量,利用該11維特征向量訓練WSVM,獲得分類超平面,再將待定像元構建上述的11維特征向量,利用WSVM算法進行待定像元云檢測,最終獲得全部像元的云檢測結果。全部云檢測過程示意圖見圖1。

圖1 云檢測過程示意圖Fig．1 The diagram of cloud detection processing

4 試驗與結果

本部分進行試驗?；贏CCA的云檢測算法、基于MLTK云檢測算法、基于ACCA和 SVM相結合的云檢測算法被用來與本文提出的基于ACCA和WSVM相結合的云檢測算法進行對比分析。試驗中ACCA算法采用文獻[12]中的各項參數(shù),MLTK算法和參數(shù)來自文獻[16], SVM和WSVM模型的核函數(shù)取高斯核K(xi,核參數(shù)σ和均衡常數(shù)C采用網(wǎng)格搜索法確定。

試驗選取來自Landsat 7 ETM＋傳感器拍攝的不同云含量的3組多光譜圖像,已經過輻射校正和幾何校正等處理。為了便于文中顯示,將多光譜圖像中的部分波段(紅、綠、藍波段)合成彩色圖像,并從圖像中截取大小為300×300的子圖,見圖2。3組圖像的拍攝時間、全球參考系統(tǒng)坐標WRS見表1。

圖2 3組Landsat多光譜圖像部分波段合成彩色圖像Fig．2 Three color images synthetized by partial bands of Landsat multi-spectral images

表1 3組Landsat多光譜圖像信息Tab．1 Information of three groups of Landsat multi-spectral images

對上述3組多光譜圖像分別利用4種不同云檢測算法的檢測結果二值圖見(圖3—圖5),其中白色區(qū)域表示云區(qū)域,黑色區(qū)域表示非云區(qū)域。

從上述3組圖像云檢測結果可以看出,4種算法都能夠將厚云識別出來,但ACCA算法難以檢測云邊緣以及薄云,MLTK算法利用光譜閾值對云和地物分類,能夠檢測出部分薄云,但在復雜地表信息區(qū)域把部分具有高反射率的巖石誤判為云像元,該方法對云邊緣和薄云存在一些漏判現(xiàn)象。在ACCA云檢測的基礎上,利用SVM和WSVM的學習算法對待定像元進行云檢測,能有效提高薄云檢測效果。由于WSVM算法對不同的樣本進行加權,突出支持向量的權重,其學習效果更優(yōu)于相同權重的SVM算法,從圖3(d)、圖4(d)、圖5(d)可以看出本文算法將檢測的云邊緣擴展到透明云與非云區(qū)域的交界處,檢測出了其他3種算法難以檢測的云邊緣以及薄云,對薄云像元有更好的識別精度,有效地提高了云檢測效果。對上述云檢測結果的評價,可用定量分析方法。本文選取準確率、Kappa系數(shù)作為定量評價標準。由于真實的地表信息難以獲取,本文將試驗圖像分解成10×10的小塊,采用氣象專家目測打分的方法獲取云掩膜,并假設該云掩膜是準確的,試驗中的準確率和Kappa系數(shù)都是以此為參考獲得的。利用不同算法云檢測結果的定量評價指標見表2。

圖3 不同算法云檢測結果比較(第1組)Fig．3 Results of cloud detection for different algorithms(group 1)

圖4 不同算法云檢測結果比較(第2組)Fig．4 Results of cloud detection for different algorithms(group 2)

圖5 不同算法云檢測結果比較(第3組)Fig．5 Results of cloud detection for different algorithms(group 3)

表2 4種云檢測算法的定量評價結果比較Tab．2 Comparison of quantitative evaluation results for four cloud detection algorithms

從表2可以看出,本文算法云檢測效果優(yōu)于其他3種云檢測算法,從定量評價上證明了本文算法的優(yōu)越性。這是因為ACCA算法不能識別透明薄云,MLTK算法只能檢測出部分薄云,且存在誤判現(xiàn)象,SVM＋ACCA算法對透明云與非云區(qū)域交界處的云邊緣不能有效識別,而本文算法能夠有效識別出圖像中薄云區(qū)域并將檢測的云邊緣擴展到透明云與非云區(qū)域的交界處。表3是4種不同云檢測算法在上述3組試驗中檢測出的云含量比較,表中的云含量是指不同算法正確識別出的云像素占整幅圖像像素的百分比。從表3可以看出,在ACCA算法的基礎上,對待定像元利用WSVM算法進行進一步檢測,可以提高檢測出的云含量。除了上述3組試驗外,本文作者還利用含云的Landsat圖像進行了多次試驗,結果都表明,4種方法都能將圖像中的厚云檢測出來,而ACCA算法結合WSVM算法對半透明云有良好的檢測能力,如果圖像中含有大量的半透明云,利用本文算法可以有效提高檢測出的云含量。

表3 4種云檢測算法的云含量比較Tab．3 Comparison of cloud content for four cloud detection algorithms(%)

5 結束語

ACCA算法通過建立兩組濾波器,并利用地物的先驗特征進行Landsat圖像云檢測,對圖像中的積云、層云等具有較好的檢測效果,但由于ACCA算法缺少1．375μm波段,因而云邊緣以及半透明云例如卷云等難以檢測。傳統(tǒng)的SVM算法在解決小樣本、非線性以及高維空間模式識別中表現(xiàn)出較強的優(yōu)勢,但SVM對大規(guī)模數(shù)據(jù)進行分類時將耗費大量的機器內存和運算時間。本文結合ACCA算法和WSVM算法的云檢測優(yōu)勢,先用ACCA算法對原始數(shù)據(jù)進行預處理,再利用WSVM算法進行判斷分類。由于不同樣本對最終分類的貢獻程度不一樣,通過選用合理的權值系數(shù)構建WSVM分類器,對圖像信息進行預測分類,與ACCA閾值法相比,避免了由于主觀因素造成的誤差。試驗結果表明,本文方法進行遙感圖像云檢測具有較好的效果,就本文的試驗結果而言,云檢測含量比ACCA算法有著明顯的提高。下一步的研究將考慮云層特征包括光譜特征和紋理特征的提取并對特征加權,以及構建更強分類能力的模型,進一步提高云檢測的精確性。

[1] ZAVODY A M,MUTLOW C T,LLEWELLYN-JONES D T．Cloud Clearing over the Ocean in the Processing of Data from the Along-track Scanning Radiometer(ATSR) [J]．Journal of Atmospheric and Oceanic Technology, 2000,17(5):595-615．

[2] WILSON M J,OREOPOULOS L．Enhancing a Simple MODIS Cloud Mask Algorithm for the Landsat Data Continuity Mission[J]．IEEE Transactions on Geoscience and Remote Sensing,2013,51(2):723-731．

[3] LIU Ronggao,LIU Yang．Generation of New Cloud Masks from MODIS Land Surface Reflectance Products[J]．Remote Sensing of Environment,2013,133(15):21-37．

[4] SEDANO F,KEMPENEERS P,STROBL P,et al．A Cloud Mask Methodology for High Resolution Remote Sensing Data Combining Information from High and Medium Resolution Optical Sensors[J]．ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(5):588-596．

[5] JEDLOVEC G J,HAINES S L,LAFONTAINE F J．Spatial and Temporal Varying Thresholds for Cloud Detection in GOES Imagery[J]．IEEE Transactions on Geoscience and Remote Sensing,2008,46(6):1705-1717．

[6] DI VITTORIO A V,EMERY W J．An Automated,Dynamic Threshold Cloud-masking Algorithm for Daytime AVHRR Images over Land[J]．IEEE Transactions on Geoscience and Remote Sensing,2002,40(8):1682-1694．

[7] TAO Shuping,JIN Guang,ZHANG Guixiang,et al．A Wavelet SCM Algorithm Used to Detect Cloud in Remote Sensing Cameras[J]．Acta Geodaetica et Cartographica Sinica,2011,40(5):598-603．(陶淑蘋,金光,張貴祥,等．實現(xiàn)遙感相機自主辨云的小波SCM算法[J]．測繪學報,2011,40(5):598-603．)

[8] HELMER E H,RUEFENACHT B．Cloud-free Satellite Image Mosaics with Regression Trees and Histogram Matching[J]．Photogrammetric Engineering and Remote Sensing,2005,71(9):1079-1089．

[9] SONG M,CIVCO D L．A Knowledge-based Approach for Reducing Cloud and Shadow[C]∥ASPRS-ACSM Annual Conference and FIG XXII Congress．Washington D C: [s．n．],2002．

[10] MARTINUZZI S,GOULD W A,RAMOS GONZALEZ O M．Creating Cloud-free Landsat ETM＋Data Sets in Tropical Landscapes:Cloud and Cloud-shadow Removal [R]．[S．l．]:United States Department of Agriculture, 2007:1-18．

[11] IRISH R R,BARKER J L,GOWARD S N,et al．Characterization of the Landsat-7 ETM＋Automated Cloud-cover Assessment(ACCA)Algorithm[J]．Photogrammetric Engineering&Remote Sensing,2006,72 (10):1179-1188．

[12] IRISH R R．Landsat7 Automatic Cloud Cover Assessment [J]．Proceedings of SPIE,2000,4049:348-355．

[13] WATMOUGH G R,ATKINSON P M,HUTTON C W．A Combined Spectral and Object-based Approach to Transparent Cloud Removal in an Operational Setting for Landsat ETM＋[J]．International Journal of Applied Earth Observation and Geoinformation,2011,13(2): 220-227．

[14] HULLEY G C,HOOK S J．A New Methodology for Cloud Detection and Classification with ASTER Data[J]．Geophysical Research Letters,2008,35(16):L16812．

[15] SOILLE P．Image-2006 Mosaic:SPOT-HRVIR/HRG and IRS-LISSⅢCloud Detection[R]．[S．l．]:European Commission,2008．

[16] OREOPOULOS L,WILSON M J,VARNAI T．Implementation on Landsat Data of a Simple Cloud-mask Algorithm Developed for MODIS Land Bands[J]．IEEE Geoscience and Remote Sensing Letters,2011,8(4): 597-601．

[17] LEIVA-MURILLO J M,GOMEZ-CHOVA L,CAMPSVALLS G．Multitask Remote Sensing Data Classification [J]．IEEE Transactions on Geoscience and Remote Sensing,2013,51(1):151-161．

[18] LIANG Dong,KONG Jie,HU Gensheng,et al．The Removal of Thick Cloud and Cloud Shadow of Remote Sensing Image Based on Support Vector Machine[J]．Acta Geodaetica et Cartographica Sinica,2012,41(2):225-231．(梁棟,孔頡,胡根生,等．基于支持向量機的遙感影像厚云及云陰影去除[J]．測繪學報,2012,41(2): 225-231．)

[19] GUO Lei,WU Youxi,ZHAO Lei,et al．Classification of Mental Task from EEG Signals Using Immune Feature Weighted Support Vector Machines[J]．IEEE Transactions on Magnetics,2011,47(5):866-869．

[20] HWANG J P,PARK S,KIM E．A New Weighted Approach to Imbalanced Data Classification Problem via Support Vector Machine with Quadratic Cost Function[J]．Expert Systems with Applications,2011,38(7):8580-8585．

(責任編輯:陳品馨)

Cloud Detection for Landsat Images by Combination of ACCA with WSVM

HU Gensheng1,2,CHEN Changchun1,2,LIANG Dong1,2
1．Key Laboratory of Intelligent Computing and Signal Processing,Ministry of Education,Anhui University,Hefei 230039,China;2．School of Electronics and Information Engineering,Anhui University,Hefei 230601,China

A cloud detection algorithm combining ACCA(automatic cloud cover assessment)with WSVM (weighted support vector machine)is proposed to solve the problem that ACCA algorithm is difficult to detect the translucent cloud on Landsat images．Firstly,the ACCA algorithm is used to divide image pixels into cloud pixels,non-cloud pixels and undetermined pixels based on the atmospheric radiation characteristics of cloud in different bands and the spectral characteristics of Landsat ETM＋image data．Then using the spectral properties of cloud to construct feature vectors,and using WSVM algorithm to detect the undetermined pixels,the cloud detection results of all the images are obtained．Experimental results show that this method not only has the advantages of ACCA cloud detection algorithm,but also has good detection effect for the translucent cloud which is hardly identified by ACCA．

Landsat images;cloud detection;cloud cover assessment;support vector machine

HU Gensheng(1971—),male,PhD,associate professor,majors in machine learning,image processing,pattern recognition．

LIANG Dong

P237:TP391

A

1001-1595(2014)08-0848-07

國家自然科學基金(61172127);安徽省自然科學基金(1208085QF104)

2013-04-22

胡根生(1971—),男,博士,副教授,主要從事機器學習、圖像處理、模式識別等的研究。

E-mail:hugs2906＠sina．com

梁棟

E-mail:dliang＠ahu．edu．cn

HU Gensheng,CHEN Changchun,LIANG Dong．Cloud Detection for Landsat Images by Combination of ACCA with WSVM [J]．Acta Geodaetica et Cartographica Sinica,2014,43(8):848-854．(胡根生,陳長春,梁棟．聯(lián)合云量自動評估和加權支持向量機的Landsat圖像云檢測[J]．測繪學報,2014,43(8):848-854．)

10．13485/j．cnki．11-2089．2014．0117

修回日期:2014-02-21