高分辨率全色遥感图像云判方法
技术领域
本发明涉及空间光电信息处理技术领域,尤其是涉及一种基于模式识别的针对高分辨率全色光学卫星成像平台的遥感图像云判技术。
背景技术
随着空间技术的发展,对太空遥感提出了更高的要求,主要包括高空间分辨率、高光谱分辨率和高时间分辨率。随之而来的是空间遥感图像的数据量呈几何级数增加,对数据传输码速率的要求增加至几百甚至几千Mbps,而目前最高传输速率只有300~600Mbps,己成为制约空间遥感图像分辨率提高的“瓶颈”。实际上,满幅被云覆盖的遥感图像(如图1-3所示)占遥感图像总数的比例超过50%,几乎不具备任何可用信息或可用信息较少。这类图像占用了处理系统中大量的存储空间、处理能力和传输带宽,很大程度上影响了遥感信息获取的质量,降低了传输带宽的利用率。因此有必要研究用于提高大容量图像数据传输有效性和效能的在轨云检测技术,从而高效、快速地对卫星平台获取的遥感图像进行云去除,提高传输效能和图像信息利用率。由于星上处理器的运算能力及存储空间资源有限,这要求云判技术不仅要占用少量的存储空间,而且应具有很高的执行效率,以满足实时处理的要求。另外,由于云的形态各异,且组成成分具有较大差别,有些与地物目标类似,这又要求检测方法具有更高的检测概率与更低的虚警概率。
总体来看,云判技术大体分为两类。一类是基于多谱段信息融合的云检测方法,该方法根据云在不同谱段下的反照率,构造适当的单一阈值,进行云识别。此类方法运算速率较高,但强烈依赖于传感器,光学系统等参数,阈值大小会随季节与地理位置变化,且难以实现星上较高精度的多光谱配准。另一类方法则是基于图像特征的云检测方法,该方法在全色遥感图像云检测方面取得了一定的优势。但此类方法仍面临着运算速度慢、检测概率低、普适性较差等问题。且方法大多针对气象卫星,对于高分辨率图像并不适用。可见,如何选择具有鲁棒性的特征参量,以适应不同形态、不同条件下的云检测;如何对高维度的特征空间进行去相关压缩处理,以降低星上处理器的存储负担;以及如何进行最优化聚类,以提高云检测的准确度为云判技术的三个重要环节。
为得到高分辨率的遥感图像,通常情况下采用全色成像器件(CCD)进行成像。图像中的云具有较高灰度,但同时,人造建筑及冰雪也会呈现高亮度的特性,因此,单一的灰度阈值无法用于云检测。同时,不同形态、不同类别的云具有差别较大的纹理特征,且纹理特征可受到平台振动、模糊等因素的影响。因此,需寻找另一类特征参量作为检测判据。对于遥感图像而言,图像奇异值的稳定性好,当图像被施加小的扰动时图像的奇异值不会有很大的变化,且奇异值对应于目标的辐射特性与几何特性,奇异值所表现的是图像的内在属性而非视觉特性,反映的是图像矩阵元素之间的关系,具有较强的鲁棒性,可用奇异值作为图像的分类特征参量。
对于获取的图像特征参量数据,为有效地减小计算与存储负担,需对特征矢量进行去相关压缩处理。传统的特征压缩方法为线性判别分析法(LDA),此类方法适用于协方差相同的两类样本分类,对于协方差不同的两类样本,不能实现最佳的去相关压缩效果。而线性异方差判别法(HDA)则在协方差不同的两类样本分类问题上表现出了一定的优势,且线性运算压缩满足实时性要求。
发明内容
为了解决全色遥感图像云检测问题,令检测结果更加准确,且满足时实性要求,本发明提出了一种高分辨率全色遥感图像云判方法,该方法能够对全色CCD获取的遥感图像进行快速、准确地云检测。
为了实现上述发明目的,本发明的高分辨率全色遥感图像云判方法主要包括以下步骤:
1) 对训练图像块(通常为64×64),进行归一化处理;
2) 对提取归一化图像进行奇异值分解,提取奇异值作为特征参量;
3) 按照上述方法将训练样本映射为特征空间中的点;
4) 利用HDA法对上述特征空间进行特征压缩;
5) 在所获得的一维压缩子空间中,构造单一阈值作为云检测判据;
6) 对待检测图像,利用训练好的分类器进行云检测。
上述方法中,所述步骤2)包括:计算样本的奇异值,将奇异值按大小排序,提取排序结果的前三个奇异值作为特征参量,构造三维特征矢量,生成三维特征空间,其中特征空间的基底为三个奇异值,并将特征空间进行标准化处理。
上述方法中,所述步骤4)包括:利用最速下降法解算并优化HDA法,得到相应的压缩矩阵,压缩矩阵为一维行向量。
上述方法中,所述步骤5)包括:在一维压缩子空间,分别计算两类样本的类质心,并以最小化虚警率为原则寻找最佳阈值作为分类器。
上述方法中,所述步骤6)包括:针对待检测图像单元(通常为64×64),首先将其灰度进行归一化处理,对处理结果进行奇异值分解,并提取奇异值最大的前三个量作为特征参量,构造三维特征矢量,并对特征矢量进行标准化。然后利用步骤4)得到的压缩矩阵对三维特征矢量进行压缩,并利用步骤5)得到的阈值进行类别划分,判断是否为云。
上述方法中,在所述步骤2)中,对特征空间进行标准化处理,即利用训练样本的最大奇异值将各特征分量进行归一化。
上述方法中,在所述步骤6)中,对特征矢量进行标准化,即利用训练样本的最大奇异值将特征矢量各分量进行归一化。
本发明提出的高分辨率全色遥感图像云判技术,提出了云判技术的模式识别思想,将待检测对象划分为两类,即云和下垫面地物,利用分类技术进行云检测。在特征提取技术环节,本发明提出以奇异值作为特征参量,可有效地对抗平台振动,模糊等因素的影响,其具有极强的鲁棒性,蕴含目标本质的属性,能够避免环境、对象状态等因素对分类的影响,保证了分类的准确性。在特征压缩过程中,本发明首次将HDA技术引入云检测,弥补了传统特征压缩技术的不足,对云与地物特征分类空间,能够最大限度地抽取分类信息,对协方差不同的云与地物两类样本,能够实现去相关压缩的最优化。且本方法为线性压缩方法,满足实时性要求。在一维空间两类分类问题上,本发明提出了基于虚警率最小化的分类阈值计算方法。利用本发明所提出的方法对实际遥感图像进行云判仿真实验,通过量化实验结果验证了本发明的性能与优势。本发明适用于高分辨率全色遥感图像的云检测,具有较高的检测概率与较低的虚警概率,且占用处理系统较少的存储空间和运算耗时。应用本发明能够显著提高云判精度与实时性。
附图说明
图1是缺乏可用信息遥感图像(全局薄云覆盖);
图2是缺乏可用信息遥感图像(全局厚云覆盖);
图3是缺乏可用信息遥感图像(局部云);
图4是三维特征空间;
图5是一维压缩子空间;
图6是星上实时云判总体流程;
图7是QuickBid2全色图像;
图8是云检测仿真实验结果。
具体实施方式
为使本发明的目的、方法及优势更加清晰,下面结合附图对本发明的技术方案作进一步阐述,但并不限定本发明的保护范围。
本发明首先对扫描图像块进行快速SVD分解,计算前三个奇异值作为输入特征矢量。然后利用基于异方差判别分析(HDA)技术的特征压缩算法,将特征空间压缩至一维子空间,在一维压缩子空间中以最小化虚警率为原则寻找最佳阈值作为分类器。最后利用训练好的分类器对输入的图像进行云检测。具体步骤如下:
1、选取云与地物训练样本各500幅,记为x i ,i=1,2,…1000。各样本类属标号记为j,j=1为云,j=-1为下垫面地物。对训练样本图像(64×64)按式(1)做归一化处理:
(1);
式中,q为探测器量化位数,M,N为图像尺寸,I为原始图像。
2、对归一化图像I std 按式(2)进行奇异值分解,并对其奇异值进行从大到小排序。
(2);
式中U,V为酉矩阵,Σ为对角阵,Σ=diag(σ 1, σ 2, …, σ 64),其中σ 1≥σ 2≥…≥σ 64。以σ 1,σ 2,σ 3作为特征空间的标准基,并将其按式(3)进行标准化,标准化的特征空间如图4所示。
(3);
式中i为样本编号,i=1,2,…,1000。k为特征参量编号,k =1,2,3。
将训练样本映射至特征空间中的点,即:
(4);
3、设转换矩阵θ=[θ p | θ m-p ] m×m ,提取矩阵θ中子块θ p 作为压缩矩阵,将维度压缩为R m →R p 。以下式对矩阵θ进行最佳估计:
(5);
式中
m为原始特征空间维度,
p为压缩子空间维度,
N为训练样本总数,
N j 为第
j类的样本数,
为总数据的方差,
j 为类
j的类内协方差矩阵;
与
j 定义如下:
(7);
(8);
(9);
令m=3,p=1,N=1000,N 1= N 2=500,连同训练样本带入式(5)、(6)、(7),并利用最速下降法求解矩阵θ,得到压缩矩阵θ 1。求解过程如下:
1)初始化ct=0,θ(ct)=Rands3×3,即θ初始值为三阶随机矩阵,step=0.01;
(10);
(11);
4)直到||
(
ct)-
(
ct-1)||<10
-6或
ct=1000时,迭代结束,取:
(12);
否则,返回步骤2),迭代继续。
4、对特征空间进行压缩,得到一维压缩子空间(图5),即:
(13);
5、在一维压缩子空间中,以虚警率最小化为原则寻找分类阈值,如式(14)所示。
(14);
其中P false 为虚警概率,即:
(15);
其中#(detect_cloud)为云样本的误判个数,相应的#(detect_ground)为地物样本的误判个数。#(train_cloud)为参与训练的云样本总数,#(train_cloud)为参与训练的地物样本总数。利用训练样本求解阈值T,其中y i >T,训练样本判定为云,否则判定为地物。根据压缩子空间样本分布情况设定T的取值范围及变化步长,分别计算不同的T值对应的虚警概率,取虚警概率最小对应的T值作为最佳阈值。
6、对扫描输入图像块
x input ,利用训练所得分类器进行云检测,流程如图6所示。以步骤1和2建立输入图像的特征矢量,并用步骤3的求解结果
θ 1对特征矢量进行压缩处理,即:
(16);
然后与步骤5中训练所得阈值T进行比较,若y input >T,则输入图像块被判定为云,若y input <T,则判定为下垫面地物。
为验证本发明方法的性能,利用本发明方法进行仿真测试,分别从定量与定性两方面对本发明方法的性能进行综合度量。图7和图8给出了应用本发明对实际遥感图像(QuickBird2全色图像)进行云判的结果。以云与下垫面地物图像各1000块作为测试样本,对本发明方法进行综合性能测试,经实际测试,本发明的检测概率为96.7%,虚警概率为2.4%,在matlab2012仿真平台本发明平均检测耗时为1.16ms。
实验结果表明,本发明对于高分辨率全色遥感图像的云检测具有很好的性能,能够有效地辨识各类虚警源。且本发明极大地降低了处理器的存储空间及运算速度,为实际工程应用提供了有效的方法途径。