CN103500449A - 一种星上可见光遥感图像云检测方法 - Google Patents

Abstract

本发明一种星上可见光遥感图像云检测方法。本发明首先对遥感图像进行小块分割，对每个子块进行亮像素点个数统计，亮像素点个数低于阈值，则判为非云，否则可能为云；然后计算子块图像的平均梯度和灰度共生矩阵的角二阶矩，利用事先训练好的权重参数进行分类，分为云和非云。本发明方法简单，判别准确度高，且具有一定的适应性，可应用于航天可见光遥感图像传输系统减少数据量，也可应用于遥感目标检测的预处理中。

Description

一种星上可见光遥感图像云检测方法

技术领域

本发明属于航天遥感领域，涉及一种星上可见光遥感图像云检测方法。

背景技术

在航天遥感数据传输系统中，传统技术为从数据去冗余的角度较少数据量，具体技术为图像压缩技术，无损压缩技术压缩程度有限，有损压缩则可能丢失有用信息。云检测的方法是从遥感数据的有用性出发，删除可见光遥感图像中对地物观测无用的云图像数据。如此处理关键是准确检测出云图像来，尤其是占数据量较大的厚云图像。

目前对遥感图像的云处理方法比较多，很大部分是对多光谱图像利用光谱信息进行云检测，本发明只涉及可见光一个谱段的云检测。而针对可见光图像云检测的方法，一般是在地面进行云检测，与星上在轨应用相比，地面云检测设备不受空间功耗、重量、体积等得约束，因此检测方法对复杂度无严格要求。此外，目前卫星遥感图像云检测方法大多针对某颗具体卫星，检测方法针对性强，不具有通用性。

发明内容

本发明解决的技术问题是：克服现有技术的不足，提供一种星上可见光遥感图像云检测方法，解决了卫星遥感图像在轨云检测的问题。

本发明的技术方案是：一种星上可见光遥感图像云检测方法，步骤如下：

1）将待检测的遥感图像分割为R×L个子块图像；其中R、L均为正整数；

2）判断每个子块图像中亮度值大于第一阈值T₁的个数N，若N小于第二阈值T₂，则该子块图像为非云图像；若N大于等于第二阈值T₂，则进入步骤3）；

3）对步骤2）中获得的个数N大于等于第二阈值T₂的子块图像获取纹理特征；所述纹理特征包括平均梯度

和灰度共生矩阵的角二阶矩ASM；

4）将事先训练好的权值代入预设的核函数获得函数值，若函数值小于等于第三阈值T₃为，则该子块图像为非云图像，若函数值大于第三阈值T₃为，则该子块图像为云图像。

本发明与现有技术相比的优点在于：本发明提出的星上可见光图像云检测方法，方法简单，满足在轨应用的需求，发明方法在特征选取方面，采用简单的亮度特征和纹理特征，在分类器的设计方面，运算量较大的训练过程在地面完成，而较简单的分类处理过程则在轨进行，因此，整个方法简单易于硬件实现；发明方法分类准确度高，通过对卫星遥感图像的分类结果表明，该方法对厚云的检测准确度优于90%以上；同时具有适应性，通过选取普遍的云的特征和学习训练的方法，该方法能适应不同卫星成像数据，实验测试多颗卫星图像，该方法均能较好检测出厚云，具有较好的适应性能。

附图说明

图1为本发明的流程图；

图2为本发明的共生矩阵计算过程示意图。

具体实施方式

如图1所示，本发明提出了一种星上可见光遥感图像云检测方法：

1.对遥感图像分割为R×L个子块图像；子块作为分类的基本单元，块的大小由分辨率决定，一般定为覆盖数十米范围为佳；其中R、L均为正整数；

2.统计子块图像中亮度值大于阈值T₁的像素个数n，云在遥感图像亮度特征中表现为高亮度，通过亮度信息的初步筛选，减少进一步分类的误差；

3.计算子块的纹理特征，具体包括平均梯度

和灰度共生矩阵的角二阶矩ASM，平均梯度和共生矩阵的角二阶矩是从两个不同的方面反应图像的纹理特征，云图像尤其是厚云图像（除边缘外），相对地面要平坦些，因此利用这两个特征可以有效区分云和地物；

4.利用纹理特征进行分类为利用训练好的权值和阈值T₃，对纹理特征进行分类；将训练好的的参数代入预设的核函数求解函数值，若其函数值大于T₃为云，否则为非云；这是利用纹理特征进行分类，其分类器需要事先训练，训练过程可以采用学习算法（支持向量机SVM等），先选取典型的亮度值符合要求的子块，认为区分云子块和地物子块，并作好标记，计算各自的平均梯度

和灰度共生矩阵的角二阶矩ASM，带标记进行训练，获得训练参数供分类器使用。

下面针对10bit数据，具体实施过程如下：

一、对输入图像进行64×64的分块；

二、统计子块图像中亮度值大于阈值T₁的像素个数n；

如10bit图像中，计算子块图像中像素亮度值大于800的个数，若n>3/4×64×64，这可能为云，否则非云。

三、获得子块图像的纹理特征，具体包括平均梯度

和灰度共生矩阵的角二阶矩ASM；

平均梯度的计算如下：

$\▿\stackrel{\_}{g}=\frac{1}{(M-1)\×(N-1)}\underset{i=1}{\overset{M-1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N-1}{\mathrm{\Σ}}}\sqrt{\frac{{\▿}_i^{2}f(i,j)+{\▿}_j^{2}f(i,j)}{2}}$

式中：

为图像的平均梯度，M和N分别代表子块图像的长和宽，

和

分别表示像素点(i,j)在行和列方向的梯度。如图2的子块图像，其平均梯度为：

$\begin{array}{c}\▿\stackrel{\_}{g}=\frac{1}{(4-1)\×(4-1)}\underset{i=1}{\overset{4-1}{\mathrm{\Σ}}}\underset{j=1}{\overset{4-1}{\mathrm{\Σ}}}\sqrt{\frac{{\▿}_i^{2}f(i,j)+{\▿}_j^{2}f(i,j)}{2}}\\ =\frac{1}{3\×3}[\sqrt{\frac{{(1-2)}^2}{2}+{(1-2)}^2}+\sqrt{\frac{{(2-3)}^2+{(2-3)}^2}{2}}...+\sqrt{\frac{{(1-2)}^2+{(1-2)}^2}{2}}]\\ =\frac{1}{9}(1+1+1+1+1+3+1+3+1)\\ =1.44\end{array}$

灰度共生矩阵中(i,j)位置的元素p(i,j,d,θ)表示一个灰度为i而另一个灰度为j的两个相距为d，方向为θ的像元对出现的次数。

云检测是利用相邻像素的纹理特性进行检测，采用距离d为1，也就是相邻像素点，相邻像素有8个，考虑星上传感器大多为线阵，采用上下相邻像素作为共生矩阵的像素对能减少辐射畸变的影响。其计算方法如下：

p(i,j,1,90°)=#{((k,l),(m,n))∈(L_y×L_x)×(L_y×L_x)丨k-m=1,l-n=0，I(k,l)=i,I(m,n)=j};

其中(k,l),(m,n)为像素对的行列位置，I(k,l),I(m,n)为像素对的灰度级，L_y,L_x为分别为图像的长和宽，i,j为在共生矩阵中的行、列位置，#{……}表示集合中元素的个数。

如图2所示，上像素为1，下像素为2的像素对，共3对，故在共生矩阵中（1,2）位置的值为3。

获得共生矩阵后，要计算共生矩阵的特征值，本发明选取角二阶矩(Angular Second Moment），其计算方法如下：

$\mathrm{ASM}=\underset{i,j}{\mathrm{\Σ}}P{(i,j)}^2$

其中P(i,j)为共生矩阵中各点的概率。

图2中 $\mathrm{ASM}=0^2+0^2+0^2+\frac{3^2}{12}+...0^2=0.25$

四、利用纹理特征进行分类为利用事先训练好的权值和阈值T₃，对纹理特征进行分类，大于T₃为云，否则为非云；

若训练的纹理特征权值分别为a=0.1、b=0.9，阈值T₃为1，若选取预设的一次多项式核函数

则训练后的核函数为

将计算得到

ASM=0.25代入训练后的核函数中，得出的函数值结果0.1×1.44+0.9×0.25=0.369<1，因此该子块图像判为非云。

本发明未详细说明部分属本领域技术人员公知常识。

Claims (1)

1.一种星上可见光遥感图像云检测方法，其特征在于步骤如下：

1）将待检测的遥感图像分割为R×L个子块图像；其中R、L均为正整数；

2）判断每个子块图像中亮度值大于第一阈值T1的个数N，若N小于第二阈值T₂，则该子块图像为非云图像；若N大于等于第二阈值T₂，则进入步骤3）；

3）对步骤2）中获得的个数N大于等于第二阈值T2的子块图像获取纹理特征；所述纹理特征包括平均梯度和灰度共生矩阵的角二阶矩ASM；

4）将事先训练好的权值代入预设的核函数获得函数值，若函数值小于等于第三阈值T₃为，则该子块图像为非云图像，若函数值大于第三阈值T₃为，则该子块图像为云图像。

Images