李騰騰，唐新明，高小明

(1. 山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，山東 青島 266510； 2. 國(guó)家測(cè)繪地理信息局衛(wèi)星

測(cè)繪應(yīng)用中心，北京 101300)

?

資源三號(hào)影像朵云識(shí)別中云雪分離研究

李騰騰1，唐新明2，高小明2

(1. 山東科技大學(xué)測(cè)繪科學(xué)與工程學(xué)院，山東 青島 266510； 2. 國(guó)家測(cè)繪地理信息局衛(wèi)星

測(cè)繪應(yīng)用中心，北京 101300)

Research on Separation of Snow and Cloud in ZY-3 Images Cloud Recognition

LI Tengteng,TANG Xinming,GAO Xiaoming

摘要：針對(duì)資源三號(hào)全色衛(wèi)星影像在朵云識(shí)別過(guò)程中云雪不能分離的問(wèn)題，提出了一種基于云雪邊界特征并利用改進(jìn)的平均梯度和分形維數(shù)等紋理信息的云雪分離方法。首先為了減少雪和其他地物對(duì)云的干擾進(jìn)行初步云識(shí)別，本文利用灰度均值、分形維數(shù)和灰度共生矩陣計(jì)算的能量作為特征參數(shù)大體提取云區(qū)，此時(shí)云雪不分；然后再進(jìn)行云雪分離，利用改進(jìn)的平均梯度和分形維數(shù)特征值來(lái)剔除被誤識(shí)別為云的雪。本文采用的分類(lèi)方法是支持向量機(jī)分類(lèi)。利用資源三號(hào)全色衛(wèi)星影像測(cè)試結(jié)果表明，該方法是資源三號(hào)全色遙感影像朵云識(shí)別中一種有效的云雪分離方法。

關(guān)鍵詞：資源三號(hào)全色遙感影像；灰度共生矩陣；平均梯度；分形維數(shù)；云雪分離；支持向量機(jī)

通過(guò)光學(xué)衛(wèi)星遙感影像，人們可以獲得大量的、直觀的表面客體或事物，另外，衛(wèi)星遙感影像也越來(lái)越多地應(yīng)用于資源調(diào)查、自然災(zāi)害監(jiān)測(cè)、環(huán)境污染監(jiān)測(cè)、制圖及軍事目的的地面目標(biāo)識(shí)別等方面。但是，云的存在減少了衛(wèi)星遙感影像上的有效信息，影響了遙感影像的使用，尤其是朵云(也叫厚云)的存在，造成了衛(wèi)星遙感影像上信息的盲區(qū)，因此云的去除有很重要的意義。而云區(qū)的判斷又是云去除前很關(guān)鍵的步驟。在云的識(shí)別中，雪是最大的影響因素，在可見(jiàn)光-近紅外波段的范圍內(nèi)，云和雪光譜特性很相近[1]，云雪不能分離，資源三號(hào)全色衛(wèi)星遙感影像上云雪的光譜信息相近，如果只利用光譜信息，云雪很難分離。

關(guān)于如何分離遙感影像上的云和雪的問(wèn)題，目前的研究主要還是從光譜信息和紋理信息入手。孫磊等[2]通過(guò)分形維數(shù)、灰度共生矩陣、小波變換等方法提取云和雪區(qū)域的多種紋理特征，并利用徑向基核函數(shù)的支持向量機(jī)分類(lèi)器進(jìn)行云雪自動(dòng)檢測(cè)。丁海燕等[3]通過(guò)訓(xùn)練大量的試驗(yàn)樣本獲得了表征云、雪紋理特征的分形維數(shù)值的統(tǒng)計(jì)規(guī)律，提出了一種基于分形維數(shù)的全色影像云和積雪自動(dòng)識(shí)別方法。陳婷等[4]針對(duì)全色圖像的冰雪識(shí)別問(wèn)題，以過(guò)渡區(qū)理論為基礎(chǔ)，提出了基于過(guò)渡區(qū)特征的冰雪識(shí)別方法，使用到的過(guò)渡區(qū)特征有厚度、均值和方差。殷青軍等[5]通過(guò)分析NOAA/AVHRR資料中云和雪的光譜特征，針對(duì)青海省南部的云、雪特征,提出了新的云、雪判別因子，對(duì)于區(qū)分青海省南部地區(qū)的云、雪有較好的效果。李微等[6]總結(jié)了云和不同目標(biāo)之間的光譜差異，并結(jié)合MODIS影像的波段范圍，提出了一種通用的多光譜云檢測(cè)算法。對(duì)于資源三號(hào)全色遙感影像，無(wú)法使用云雪的光譜特征差異進(jìn)行云雪分離，而更多要考慮使用影像的紋理信息。

一、資源三號(hào)全色影像云雪特征提取

1. 資源三號(hào)全色影像上云雪特點(diǎn)

資源三號(hào)測(cè)繪衛(wèi)星是我國(guó)第一顆民用高分辨率立體測(cè)圖衛(wèi)星，于2012年1月9日成功發(fā)射。該衛(wèi)星兼有測(cè)繪和國(guó)土資源普查的功能，用于1∶50 000立體測(cè)圖及更大比例尺基礎(chǔ)地理信息產(chǎn)品的生產(chǎn)和更新，以及開(kāi)展國(guó)土資源調(diào)查與監(jiān)測(cè)[7]。從資源三號(hào)全色影像上可以看出，大片的云和雪中央，灰度值是影像的最大值，而且都是相同的，幾乎沒(méi)有紋理可言，但在邊界上，云的邊界比較模糊、圓潤(rùn)，灰度變換緩慢，如圖1所示。雪受到地形的影響，邊界比較清晰，灰度變化快，如圖2所示。因此，資源三號(hào)全色衛(wèi)星影像上的云雪分離需要考慮云雪的邊界特征。初步云識(shí)別階段，分別建立云和其他地物的訓(xùn)練樣本，其他地物的訓(xùn)練樣本中沒(méi)有雪的樣本，云樣本中云的含量占60%～100%，提取能量、分形維數(shù)、均值3個(gè)特征參數(shù)；云雪分離階段，分別建立云邊界和雪邊界樣本，樣本中全部是云和雪的邊界，不存在全云或全雪的情況，提取分析維數(shù)和改進(jìn)的平均梯度，支持向量機(jī)在云檢測(cè)方面具有一定的優(yōu)勢(shì)[8-9]，因此本文使用支持向量進(jìn)行樣本的訓(xùn)練和識(shí)別。

圖1　云的邊界　　　 圖2　雪的邊界

2. 初步云識(shí)別紋理特征參數(shù)分析

初步云識(shí)別無(wú)需考慮雪的因素，采用云與一般地物可分離的特征值。提取灰度共生矩陣計(jì)算得到的能量、分形維數(shù)和灰度均值作為雪與其他地物分離的特征值。

(1) 灰度共生矩陣

灰度共生矩陣(grey level co-occurrence matrix，GLCM)包含帶有相似灰階值像素的位置信息[10]，并且為方陣，維數(shù)等于圖像的灰度級(jí),灰度共生矩陣中的行列位置(i,j)的值表示了在圖像中像素的灰度值為i和像素的灰度值為j，并且相鄰距離為d，方向?yàn)棣鹊倪@樣兩個(gè)像素出現(xiàn)的次數(shù),在實(shí)際應(yīng)用中θ一般選擇為0、45°、90°、135°。在計(jì)算得到共生矩陣之后，一般不是直接使用計(jì)算的灰度共生矩陣，而是在此基礎(chǔ)上計(jì)算幾種紋理特征量，如反差、能量、熵、同質(zhì)性等，其中能量(角二階矩)是灰度共生矩陣各元素值的平方和，是對(duì)圖像紋理的灰度變化穩(wěn)定程度的度量，反映了圖像灰度分布均勻程度和紋理粗細(xì)度，根據(jù)曹瓊等[11]對(duì)云和其他地物灰度共生矩陣的研究，能量特征區(qū)分云和其他地物的效果較好，因此采用灰度共生矩陣計(jì)算出的能量來(lái)作為云與其他地物分離的紋理特征之一。假設(shè)灰度共生矩陣中的位置(i,j)的值為f(i,j)，能量計(jì)算公式為

(1)

(2) 分形維數(shù)

法國(guó)數(shù)學(xué)家Mandlebrot在20世紀(jì)70年代首次提出了分形幾何理論，它指的是影像上的像素在不同尺度上表現(xiàn)出一定程度的自相似性。資源三號(hào)衛(wèi)星遙感影像上云的紋理復(fù)雜多變，但是整體和局部存在著某種相似性，滿足分形的特點(diǎn),因此也可以把分形維數(shù)的結(jié)果作為云與其他地物分離的紋理特征之一。本文計(jì)算的分形維數(shù)為計(jì)算相對(duì)比較簡(jiǎn)單，使用范圍比較廣的盒維數(shù)。具體盒維數(shù)計(jì)算請(qǐng)參看文獻(xiàn)[12]。如圖3所示為436個(gè)云區(qū)和地物的影像計(jì)算出的分形維數(shù)結(jié)果，從圖上可以看出，云區(qū)的分形維數(shù)小于地物的分形維數(shù)，分形維數(shù)可以很好地分離云區(qū)和其他地物。

圖3

(3) 影像均值

資源三號(hào)衛(wèi)星遙感影像上云的灰度值要明顯大于其他地物，訓(xùn)練樣本中的云影像中云的含量在60%以上，這樣云樣本的灰度均值會(huì)大于大部分其他地物樣本的灰度均值。假設(shè)影像大小為m×n，f(i,j)表示窗口內(nèi)(i,j)位置處的像素灰度值，因此該窗口影像的均值計(jì)算值見(jiàn)式(2)，云與其他地物樣本的均值計(jì)算值如圖4所示。

(2)

圖4

3. 云雪分離階段紋理特征參數(shù)分析

(1) 平均梯度

(3)

(4)

(5)

圖5

圖6

(2) 分形維數(shù)

分形維數(shù)是圖像物體表面不規(guī)則度的度量，由于云和雪表面不規(guī)則度不同，可以通過(guò)分形維數(shù)的計(jì)算進(jìn)行區(qū)分[14]，并且云雪的邊界特征也會(huì)增加兩者分形維數(shù)的計(jì)算值之間的差距，計(jì)算方法同初步云識(shí)別階段的分形維數(shù)計(jì)算。如圖7所示為315幅云雪邊界影像提取的分形維數(shù)的計(jì)算值，上面的曲線是雪邊界樣本的分形維數(shù)計(jì)算值，下面的曲線是云邊界樣本的分形維數(shù)計(jì)算值，可以看出分形維數(shù)可以大體上分離云和雪，只有個(gè)別的樣本出現(xiàn)了混淆。

圖7

二、試驗(yàn)結(jié)果

1. 試驗(yàn)數(shù)據(jù)

試驗(yàn)影像選自資源三號(hào)正視高分辨率全色衛(wèi)星影像，空間分辨率為2.1 m，所選數(shù)據(jù)主要覆蓋四川省西部山區(qū)，影像中部分山頂有積雪，同時(shí)存在朵云，數(shù)據(jù)具有一定的典型性，對(duì)于資源三號(hào)影像的云雪分離研究具有實(shí)際意義。

本文采用OpenCV[15]提供的核函數(shù)為徑向基函數(shù)的SVM分類(lèi)器來(lái)進(jìn)行云雪分離的研究，通過(guò)使用K折交叉驗(yàn)證的方式選取最佳的參數(shù)。訓(xùn)練樣本同樣來(lái)自于資源三號(hào)正視高分辨率全色影像，初步云識(shí)別階段，各自選取了436幅64×64像素的云和其他地物樣本，如圖8—圖9所示。云雪分離階段，分別選取了315幅64×64像素的云邊界和雪邊界樣本，如圖10—圖11所示。

圖8　　　　　　　　　　　圖9

圖10　　　　　　　　　　　圖11

2. 試驗(yàn)具體步驟和結(jié)果分析

(1) 試驗(yàn)具體步驟

1) SVM訓(xùn)練階段：使用SVM分別訓(xùn)練初步云識(shí)別階段的樣本和云雪分離階段的樣本，如圖12所示。

2) 初步云識(shí)別階段：使用64×64像素的窗口遍歷測(cè)試影像，移動(dòng)步長(zhǎng)為32，使用SVM進(jìn)行預(yù)測(cè)，并將判斷為云的窗口輸出保存，此時(shí)輸出的影像包含全部的云和部分的雪，如圖13所示。

3) 云雪分離階段：再次遍歷步驟2)生成的影像，窗口大小為64×64像素，移動(dòng)步長(zhǎng)為32像素，當(dāng)窗口內(nèi)的影像均值小于整景影像的灰度最大值時(shí)進(jìn)行判斷，也就是避免窗口內(nèi)全是云或雪的情況，這樣才能利用云雪的邊界和紋理特征。將SVM判斷為云的窗口影像輸出保存，此時(shí)就構(gòu)成云區(qū)的影像，如圖14所示。

4) 提取云區(qū)的輪廓：上一步已經(jīng)保存了識(shí)別出來(lái)的云區(qū)的影像，這一步只要提取云的外邊界多邊形即可，多邊形的位置也可以同時(shí)保存下來(lái)，可以利用云區(qū)的位置信息進(jìn)行去云等相關(guān)操作。

(2) 結(jié)果分析

從圖12—圖14可以看出，初步云識(shí)別、云雪分離兩步操作得到了比較精確的云區(qū)，雖然云中間出現(xiàn)了一部分空洞，但是云的邊界還是完整地保存了下來(lái)，只要提取云區(qū)的外邊界輪廓，就可以得到剔除雪的云區(qū)邊界。如圖15、圖16所示為剔除雪之后的云區(qū)輪廓在原始影像上標(biāo)示出來(lái)的結(jié)果，云的邊界用白色的實(shí)線勾畫(huà)出來(lái)。從結(jié)果上可以看出，90%以上的朵云都被識(shí)別出來(lái)，并且去除了95%以上的雪，做到了云雪分離，并且對(duì)于資源三號(hào)全色影像具有一定的通用性。

圖12　　　　　　圖13　　　　　　圖14

圖15

圖16

三、結(jié)束語(yǔ)

本文針對(duì)資源三號(hào)全色衛(wèi)星影像朵云識(shí)別中云雪難以分離的問(wèn)題，提出了基于邊界特征并利用改進(jìn)的平均梯度和分形維數(shù)等紋理信息的云雪分離方法，經(jīng)過(guò)初步云識(shí)別和云雪分離兩步，做到了剔除

95%以上的雪的結(jié)果，云識(shí)別的效果較好，并且具有一定的通用性，該方法是資源三號(hào)全色遙感影像朵云識(shí)別中一種有效的云雪分離方法。但是也仍存在需要改進(jìn)的地方，如云、其他地物、云邊界和雪邊界的訓(xùn)練樣本需要繼續(xù)完善，程序執(zhí)行效率需要繼續(xù)提高，云區(qū)多邊形合并需要繼續(xù)研究等。

參考文獻(xiàn)：

[1]魏鋒華,李才興，扎西央宗，等.基于中巴資源衛(wèi)星數(shù)據(jù)的積雪監(jiān)測(cè)研究[J].國(guó)土資源遙感,2007,19(3):31-35.

[2]孫磊,曹曉光.基于多種紋理特征的全色圖像云雪區(qū)特征提取[J].電子設(shè)計(jì)工程,2014,22(2):174-176.

[3]丁海燕,馬靈玲,李子揚(yáng),等.基于分形維數(shù)的全色影像云雪自動(dòng)識(shí)別方法[J].遙感技術(shù)與應(yīng)用,2013,28(1):52-57.

[4]陳婷,汪愛(ài)華,王智勇，等.基于過(guò)渡區(qū)特征的全色遙感圖像冰雪識(shí)別[J].國(guó)土資源遙感,2013,25(2):27-32.

[5]殷青軍,楊英蓮,徐維新，等.NOAA衛(wèi)星資料云雪識(shí)別方法的研究[J].高原氣象,2002,21(5):526-528.

[6]李微,方圣輝,佃袁勇，等.基于光譜分析的MODIS云檢測(cè)算法研究[J].武漢大學(xué)學(xué)報(bào)(信息科學(xué)版),2005,30(5):435-438.

[7]潘紅播,張過(guò),唐新明,等.資源三號(hào)測(cè)繪衛(wèi)星傳感器校正產(chǎn)品幾何模型[J].測(cè)繪學(xué)報(bào),2013,42(4):516-522.

[8]向大芳.支持向量機(jī)云檢測(cè)方法的穩(wěn)定性分析研究[J].計(jì)算機(jī)應(yīng)用與軟件,2013,30(1):226-228.

[9]赫英明,王漢杰,姜祝輝，等.支持向量機(jī)在云檢測(cè)中的應(yīng)用[J].解放軍理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2009,10(2):191-194.

[10]PARKER J R， 景麗.圖像處理與計(jì)算機(jī)視覺(jué)算法及應(yīng)用[M]. 2版. 北京:清華大學(xué)出版社,2013.

[11]曹瓊,鄭紅,李行善,等.一種基于紋理特征的衛(wèi)星遙感圖像云探測(cè)方法[J].航空學(xué)報(bào),2007,28(3):661-666.

[12]SHAN Na,ZHENG Tianyao,WANG Zhensong,et al. High-speed and High-accuracy Algorithm for Cloud Detection and Its Application[J]. Journal of Remote Sensing,2009,13(6):1138-1155.

[13]趙英時(shí),李小文,趙冬梅,等.遙感應(yīng)用分析原理與方法[M].北京:科學(xué)出版社,2003.

[14]郁文霞,曹曉光,徐琳,等.遙感圖像云自動(dòng)檢測(cè)[J].儀器儀表學(xué)報(bào),2006,27(z3):2184-2186.

[15]GARY B, ADRIAN K,于仕琪,等.學(xué)習(xí)OpenCV(中文版)[M].北京:清華大學(xué)出版社,2009.

中圖分類(lèi)號(hào)：P237

文獻(xiàn)標(biāo)識(shí)碼：B

文章編號(hào)：0494-0911(2016)02-0046-04

作者簡(jiǎn)介：李騰騰(1988—)，男，碩士，主要研究方向?yàn)檫b感影像處理與信息提取。E-mail: 956138898@qq.com

基金項(xiàng)目：國(guó)家測(cè)繪地理信息局基礎(chǔ)測(cè)繪科技項(xiàng)目

收稿日期：2015-01-12

引文格式： 李騰騰，唐新明，高小明. 資源三號(hào)影像朵云識(shí)別中云雪分離研究[J].測(cè)繪通報(bào)，2016(2)：46-49.DOI:10.13474/j.cnki.11-2246.2016.0046.