CN102799903B - 一种基于空间与光谱信息的高光谱自动云检测方法 - Google Patents

Abstract

本发明公开了一种基于空间与光谱信息的高光谱自动云检测方法，可用于航天、航空高光谱遥感图像的自动云判，减少高光谱遥感数据的存储成本，节省传输带宽。该方法包括以下步骤：根据云、雪和水等光谱样本进行预处理和波段选择，之后进行特征提取；采用分类器进行样本训练，得到云的光谱分类模型；在高光谱图像云检测阶段，通过与训练阶段相同的预处理、波段选择和特征提取，对高光谱每个像元进行分类；考察像元与邻域像元的一致性，最终确定该像元是否为有云像元，最后统计有云像元所占比例，给出云判结果。本发明结合图像分割、目标分类识别和机器学习技术，解决了高光谱云判问题，避免了仅利用纹理信息或仅利用光谱信息而造成的低检测率的缺陷。

Description

一种基于空间与光谱信息的高光谱自动云检测方法

技术领域

本发明涉及遥感技术领域，尤其是一种基于空间与光谱信息的高光谱自动云检测方法，可应用于航天、航空传感器平台获取的高光谱遥感影像的自动云检测。

背景技术

随着空间技术和传感器技术的飞速发展，遥感影像数据已经成为人们获取信息的重要手段，在军事侦察、环境监测、资源调查、土地利用和城市规划等领域发挥越来越重要的作用。然而，云作为光信号传播的一种障碍，很大程度上影响了遥感信息获取的质量，从而降低了数据的利用率。目前除了合成孔径雷达传感器可以透过云层直接成像，其他传感器均未能彻底解决影像数据的云覆盖问题，大量含云的遥感影像不仅给遥感影响处理，如识别、分类带来困难，也增加了传输带宽和存储空间。因此，快速准确的自动云检测方法是当前遥感信息处理亟待解决的问题。

在遥感图像云的检测和识别方面，国内外的研究者和技术人员进行了大量的研究，也取得了一些研究成果。传统的检测方法大致可以分为两类，一类是基于光谱的方法，主要利用云在不同的光谱波段有不同反射特征，大部分以灰度阈值或灰度聚类的方法实现，基于这些方法的研究已应用于MODIS的一些云识别与分类。这些方法主要基于无监督学习，识别效果通常依赖于算法中阈值的选取大小，因此，系统不够稳定；另外，由于图像光谱特征受周围环境影响较大，可能存在局部误差及同谱异物、同物异谱现象，导致识别效果变差；算法中没有考虑到图像的空间信息，其识别率难以进一步提高，虚警率和漏检率难以得到保证。另一类云判方法利用云影像的灰度空间分布提取特征，常用纹理特征和物理特征(云的亮度、洁白度等)。纹理特征常以统计模型法、结构法、场模型法或频域/空域联合分析法来度量。这些方法中存在计算量大，自然纹理很难用单一模型表达的缺点，算法泛化性能不好，大多数方法只适合一部分特定图像。难以满足现代遥感海量数据处理及实时快速判读图像情报的需要。

随着高光谱遥感技术的发展进步，可以获得地物更丰富的光谱信息，图像光谱信息和空间信息的有效结合能有效提高图像中云的特征判别，基于空间信息与光谱信息的自动云检测系统能改进检测效果，并在适用性能和稳定性能方面有显著提高。

发明内容

为了实现高光谱遥感图像的自动云判，本发明的目的是综合利用图像处理、模式识别和人工智能技术，提供一种基于空间与光谱信息的高光谱云检测方法。

本发明所提出的一种基于空间与光谱信息的高光谱自动云检测方法，其特征在于，该方法包括以下步骤：

步骤S1，将云、雪和水的光谱样本作为训练样本，对所述训练样本依次进行预处理以过滤噪声、波段选择以剔除掉影响光谱发射率的波段和光谱描述特征提取；

步骤S2，根据提取得到的训练样本的光谱描述特征进行有监督训练，根据学习的结果得到云光谱分类模型；

步骤S3，对输入的待检测的高光谱遥感图像也进行与所述训练样本同样的预处理、波段选择与光谱描述特征提取处理；

步骤S4，根据所述步骤S2学习得到的云光谱分类模型，对所述高光谱遥感图像中的每一个像元进行分类，以初步判断所述高光谱遥感图像中的每一个像元是否含有云；

步骤S5，利用所述步骤S4的初步分类结果以及空间一致性过确定所述高光谱遥感图像中有云的像元；

步骤S6，统计所述高光谱遥感图像中有云像元占所述高光谱遥感图像所有像元的比例，如果该比例大于一预定阈值，则判定该高光谱遥感图像为有云图像，即得到高光谱遥感图像的云判结果。

本发明的有益效果是，本发明通过基于空间信息与光谱信息的自动云检测，结合图像分割、目标分类识别和机器学习技术，解决了高光谱云判问题，避免了仅利用纹理信息或仅利用光谱信息而造成的低检测率。本发明通过对云光谱的训练学习和空间一致性的判断得出云判结果，该方法鲁棒性较强。

附图说明

图1是本发明提出的一种基于空间与光谱信息的高光谱自动云检测方法的流程图。

图2是本发明邻域像元空间位置关系的示意图。

图3是本发明空间一致性判断流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。

图1是本发明提出的一种基于空间与光谱信息的高光谱自动云检测方法的流程图，如图1所示，本发明提出的一种基于空间与光谱信息的高光谱自动云检测方法，包括以下几个步骤：

步骤S1，将云、雪和水等的光谱样本作为训练样本，对所述训练样本依次进行预处理以过滤噪声、波段选择以剔除掉影响光谱发射率的波段和光谱描述特征提取；

其中，用以过滤噪声的预处理操作是本领域的通用技术，在此不作赘述；所述波段选择是根据波长范围过滤掉对大气气溶胶影响较大的波段，保留图像质量较好的波段；所述特征提取是将保留下来的波段的反射值组成一维的向量，作为光谱的描述特征，当然也可以提取其它的光谱描述特征。

步骤S2，根据提取得到的训练样本的光谱描述特征进行有监督训练，根据学习的结果得到云光谱分类模型；

该步骤中，可以采用离线学习的方式来训练得到云光谱分类模型，而有监督训练方法为本领域的通用技术，在此不作赘述。

步骤S3，对输入的待检测的高光谱遥感图像也进行与所述训练样本同样的预处理、波段选择与光谱描述特征提取处理，并且提取的光谱特征与所述训练样本提取的光谱描述特征相同；

步骤S4，根据所述步骤S2学习得到的云光谱分类模型，对所述高光谱遥感图像中的每一个像元进行分类，以初步判断所述高光谱遥感图像中的每一个像元是否含有云；

步骤S5，利用所述步骤S4的初步分类结果以及空间一致性过确定所述高光谱遥感图像中有云的像元；

一般来说，云在图像中都是成片出现的，很少有孤立的云像元，因此根据高光谱遥感图像中邻域像元的空间相关性，可以通过统计某一像元的8邻域像元与该像元在光谱角度与分类类别的一致性来判断该像元是否确实为有云像元。

图2给出了本发明邻域像元空间位置关系的示意图。图中，像元Px为待判断的像元，P1、P2…P8为其邻域像元，图中右侧由上到下分别为像元P1与Px的光谱曲线图。

如果某一像元的邻域像元中被初步分类为含有云的像元的数量超过5个，且该像元与所有邻域像元的光谱角度距离都比较小，则可判断该像元为有云像元，否则判断为无云像元。

图3给出了本发明空间一致性判断流程图。如图3所示，所述步骤S5进一步包括以下步骤：

步骤S51，对于每个经过光谱分类后初步判断为有云的像元，统计其8邻域像元的分类类别；

步骤S52，如果所述8邻域像元中有超过5个的邻域像元的分类结果均为有云像元，则继续计算该像元与其所有邻域像元光谱向量的最大光谱角度；

其中，两个像元的光谱向量的最大光谱角度θ(x，y)由下式计算：

$\mathrm{\&theta;}(x,y)=\arccos \left(\frac{<x,y>}{\left|\right|x\left|\right|\left|\right|y\left|\right|}\right)$

其中，x、y分别表示两个像元的光谱向量。

步骤S53，如果计算得到的该像元与其所有邻域像元光谱向量的最大光谱角度均在某一预定范围内，则判断该像元为有云像元，否则该像元为无云像元。

所述预定范围可设为[0，π/2]。

步骤S6，统计所述高光谱遥感图像中有云像元占所述高光谱遥感图像所有像元的比例，如果该比例大于一预定阈值，则判定该高光谱遥感图像为有云图像，即得到高光谱遥感图像的云判结果。

该步骤中，所述高光谱遥感图像中有云像元占所述高光谱遥感图像所有像元的比例以百分数的形式来表示；所述预定阈值可预先设定。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于空间与光谱信息的高光谱自动云检测方法，其特征在于，该方法包括以下步骤：

步骤S1，将云、雪和水的光谱样本作为训练样本，对所述训练样本依次进行预处理以过滤噪声、波段选择以剔除掉影响光谱发射率的波段和光谱描述特征提取；

步骤S2，根据提取得到的训练样本的光谱描述特征进行有监督训练，根据学习的结果得到云光谱分类模型；

步骤S3，对输入的待检测的高光谱遥感图像也进行与所述训练样本同样的预处理、波段选择与光谱描述特征提取处理；

步骤S4，根据所述步骤S2学习得到的云光谱分类模型，对所述高光谱遥感图像中的每一个像元进行分类，以初步判断所述高光谱遥感图像中的每一个像元是否含有云；

步骤S5，利用所述步骤S4的初步分类结果以及空间一致性过确定所述高光谱遥感图像中有云的像元；

步骤S6，统计所述高光谱遥感图像中有云像元占所述高光谱遥感图像所有像元的比例，如果该比例大于一预定阈值，则判定该高光谱遥感图像为有云图像，即得到高光谱遥感图像的云判结果；

所述步骤S5进一步包括以下步骤：

步骤S51，对于每个经过光谱分类后初步判断为有云的像元，统计其8邻域像元的分类类别；

步骤S52，如果所述8邻域像元中有超过5个的邻域像元的分类结果均为有云像元，则继续计算该像元与其所有邻域像元光谱向量的最大光谱角度；

步骤S53，如果计算得到的该像元与其所有邻域像元光谱向量的最大光谱角度均在某一预定范围内，则判断该像元为有云像元，否则该像元为无云像元。

2.根据权利要求1所述的方法，其特征在于，所述波段选择是根据波长范围过滤掉对大气气溶胶影响较大的波段，保留图像质量较好的波段。

3.根据权利要求1所述的方法，其特征在于，所述特征提取是将保留下来的波段的反射值组成一维的向量，作为光谱描述特征。

4.根据权利要求1所述的方法，其特征在于，所述步骤S2中，采用离线学习的方式来训练得到云光谱分类模型。

5.根据权利要求1所述的方法，其特征在于，所述步骤S3中，对输入的待检测的高光谱遥感图像提取的光谱描述特征与对所述训练样本提取的光谱描述特征相同。

6.根据权利要求1所述的方法，其特征在于，所述步骤S52中，两个像元的光谱向量的最大光谱角度θ(x,y)由下式计算：

$\mathrm{\&theta;}(x,y)=\arccos \left(\frac{\&lang;x,y\&rang;}{\left|\right|x\left|\right|\left|\right|y\left|\right|}\right)$

其中，x、y分别表示两个像元的光谱向量。

7.根据权利要求1所述的方法，其特征在于，所述预定范围为[0,π/2]。

8.根据权利要求1所述的方法，其特征在于，所述步骤S6中的所述预定阈值可预先设定。