CN104537678A - 一种从单幅遥感图像中去除云雾的方法 - Google Patents

Abstract

本发明公开一种从单幅遥感图像中去除云雾的方法，包括如下步骤：先对原图像作伽玛校正，提高景物部分的清晰度和图像对比度；将云雾和景物数据分别分配到小波分解的高层和低层细节系数；计算高层细节系数的暗通道图，并作权重大于1的加权处理，归一化后得到云层系数；对于高层细节系数，将其重构图与云层系数反转后的结果相乘，去除其中的云雾，保留其中的景物。对于低层细节系数，将其重构图与云层系数放大后的结果相乘，并叠加原低层细节系数重构图，以突出其中云层下的景物信息；两部分细节系数的处理结果和近似系数重构图相叠加，得到最终处理结果。本发明在削弱云层覆盖的同时，提高云下景物的清晰度，并较好地保留云区以外的景物信息。

Description

一种从单幅遥感图像中去除云雾的方法

技术领域

本发明属于遥感图像处理技术领域，涉及一种从单幅遥感图像中去除云雾的图像增强方法。

背景技术

随着航空航天事业的发展，对地遥感成像技术越来越多地服务于社会主义建设的各行各业，对推动国民经济稳定发展和保障国家社会安全起着重要作用。在对地成像过程中，云雾是常见的干扰源，含有云雾的遥感图像对比度低，景物不清晰，可读性差。运用数字图像处理技术，减少遥感图像中云雾的影响，提高图像清晰度和突出重要信息，对于提高遥感卫星勘测地球资源和监测自然灾害的效率，为国家相关决策部门提供可靠数据具有重要意义。

目前，多光谱图像去云雾、多幅图像叠加去云雾、多传感器图像融合去云雾等方法广泛应用于去云雾处理中，效果明显，但都需要同地区同来源的多幅图像，数据采集成本高，周期长。相比而言，单幅遥感图像去云雾方法所需遥感数据量少，采集数据的成本低，能在较短时间内给出处理结果，效率高，灵活性更强，应用范围更广。

根据遥感图像中景物和云雾频率分布的差异，单幅遥感图像去云雾方法较常使用高通滤波、低通滤波或同态滤波等技术，通过分离高、低频率成分，去除云雾。小波变换具有多分辨率分析的特点，基于小波变换的方法去云雾效果有进一步改善。例如，小波系数加权算法对分解后的小波系数加权，突出景物细节，降低云雾影响，效果优于同态滤波法。但对于局部有浓云的遥感图像，运用该算法后，景物色彩将会失真。在此基础上，小波阈值算法根据云层较亮的特点，对高层细节系数作阈值处理，删除云的同时，较好保留云区以外的信息，但处理结果有明显的边界，视觉效果还有待改进。

发明内容

本发明的目的是：针对局部有浓云覆盖的单幅遥感图像，削弱云层覆盖，提高云下景物的清晰度，并较好地保持云区以外景物的原有信息，提高视觉效果和去云雾处理质量。

数字图像是影像信息经过数字化后的二维离散数据，具有有限分辨率。根据小波变换理论，设原始图像处于V_m尺度空间，并用该空间的近似系数C_m表示。对数字图像作一层小波分解的过程是，在水平和垂直两个方向上各经过一次低通滤波或者一次高通滤波，得到V_m+1尺度空间的近似系数C_m+1，W_m+1小波空间的垂直细节系数水平细节系数和对角细节系数近似系数C_m+1代表了C_m的低频部分，细节系数和是C_m的高频部分。数字图像的第二层小波分解，即是按照类似的方法进一步分解V_m+1尺度空间的近似系数C_m+1，得到V_m+2尺度空间的近似系数C_m+2，W_m+2小波空间的垂直细节系数水平细节系数和对角细节系数数字图像作多层小波变换的过程以此类推。由此可见，原始数字图像经过n层小波变换，将被逐渐分解成V_m+n尺度空间的近似系数C_m+n和W_m+1至W_m+n各小波空间的细节系数。

由数字图像多层小波变换的过程可见，V_m尺度空间近似系数C_m分别经过低通滤波和高通滤波处理，得到第一层的近似系数和细节系数，该近似系数经过多次低通滤波即得到其他层的近似系数，因此层数较低的近似系数频率高于层数较高的近似系数。由于同一层的细节系数频率高于近似系数，那么层数较低的细节系数频率高于层数较高的细节系数，最高层的近似系数频率最低。

在受云雾干扰的遥感图像中，云雾数据频率较低，景物数据频率较高，背景信息频率最低。那么将遥感图像作n层小波变换后，选择合理的分界层数l，使第1层至第l层细节系数将主要包含景物，第l+1至第n层细节系数主要含有云雾，而背景信息则主要包含在第n层近似系数中。为叙述方便，以下将以分界层数l分开的两类细节系数分别称为低层细节系数和高层细节系数。

2009年香港中文大学何凯明依据大量自然景物图像数据的统计结果，提出了暗通道先验理论，并将之成功运用到单幅图像去雾霾处理中。该理论指出在户外无雾霾数字图像中，除了天空区域，大多数区域往往含有一些暗像素，在这些像素的RGB三个通道中，至少有一个通道的灰度值很低，接近于0。根据暗通道先验理论，数字图像f(x,y)以(x₀,y₀)为中心的邻域Ω，其暗像素的最低灰度值表示为

$J^{\mathrm{dark}}(x_0,y_0)=\underset{c\∈(r,g,b\})}{\min }\left\{\underset{(i,j)\∈\mathrm{\Ω}}{\min }\right[f^c(i,j)\left]\right\}---\left(1\right)$

其中c表示RGB三个通道中的任一通道。暗通道先验理论表明，含有云雾的遥感图片的暗通道图像，云雾区域的像素值仍高于景物区域，云雾浓度越大的区域像素值也越大，暗通道图像各像素值一定程度上代表了原图中对应位置处云雾的浓度。

本发明处理单幅遥感图像的基本思路是，采用小波变换分解原图，并将云雾和景物分别分配到高层和低层细节系数，通过暗通道处理高层细节系数，计算云层的厚度，再进一步处理，去除云雾。

本发明提出一种从单幅遥感图像中去除云雾的方法，包括如下步骤：

(1)首先，原图像预处理。先对原图像作伽玛校正，提高景物部分的清晰度和图像对比度。如果景物较清晰，该步骤可省略。

(2)然后，将云雾和景物数据分别分配到小波分解的高层和低层细节系数。将图像作多层小波分解，合理选择分界层数，将分解系数分为低层细节系数、高层细节系数和最高层近似系数，尽量使云雾和景物分开，其中低层细节系数包含景物信息，高层细节系数包含云雾数据。分别重构以上三部分系数，低层细节系数、高层细节系数和最高层近似系数的重构图分别设为d(x,y)、g(x,y)、j(x,y)。

(3)计算云层系数。按公式(2)处理高层细节系数重构图，

$t(x_0,y_0)=K\underset{c\∈(r,g,b\})}{\min }\left\{\underset{(i,j)\∈\mathrm{\Ω}}{\min }\right[g^c(i,j)\left]\right\}---\left(2\right)$

其中c表示RGB三个通道中的任一通道，Ω为以(x₀,y₀)为中心的邻域，K为大于1的常数。并按公式(3)归一化处理t(x,y)，得到云层系数为

$p(x,y)=\frac{t(x,y)-\min \left(t(x,y)\right)}{\max \left(t(x,y)\right)-\min \left(t(x,y)\right)}---\left(3\right)$

(4)处理细节系数。按照公式(4)处理高层细节系数重构图，去除其中的云雾，保留其中的景物。按照公式(5)处理低层细节系数重构图，突出云层下的景物信息。

g'(x,y)＝[1-p(x,y)]*g(x,y)    (4)

d'(x,y)＝[1+w*p(x,y)]*d(x,y)    (5)

(5)叠加细节系数的处理结果d’(x,y)、g’(x,y)和近似系数重构图j(x,y)，得到最终处理结果。

与现有技术相比，本发明具有如下有益效果：

(1)对于局部含有浓云覆盖的单幅遥感图像，去除云的同时，突出云覆盖下的景物信息。

(2)较好地保留景物的真实色彩。

附图说明

图1是去云雾算法流程图。

图2是实施例一云雾景物在小波分解层中的分配示意图的原图。

图3是对图2的第10层近似重构。

图4是对图2的低层细节重构。

图5是对图2的高层细节重构。

图6是图2的云层系数。

图7是对图5高层细节的处理结果。

图8是对图4低层细节的处理结果。

图9是采用本发明方法处理图2的效果。

图10是采用小波加权方法处理图2的效果。

图11是采用小波阈值方法处理图2的效果。

具体实施方式

下面结合附图对本发明作进一步详细说明。

本发明去云雾算法流程如图1所示。

步骤一，原图像预处理。当遥感图像也含有雾时，整体泛白，景物的对比度较低。为此，先对原图像作伽玛校正，提高景物部分的清晰度和图像对比度。如果景物较清晰，该步骤可省略。

步骤二，将云雾和景物数据分别分配到小波分解的高层和低层细节系数。将图像作多层小波分解，合理选择分界层数，将分解系数分为低层细节系数、高层细节系数和最高层近似系数，尽量使云雾和景物分开，其中低层细节系数包含景物信息，高层细节系数包含云雾数据。分别重构以上三部分系数。

步骤三，计算云层系数。根据暗通道先验理论，采用公式(2)处理高层细节系数重构图，取K>1，以扩大景物和云雾区域像素值的差异。采用公式(3)归一化处理以上结果，得到云层系数。

步骤四，处理细节系数。对于高层细节系数，将其重构图与云层系数反转后的结果相乘，去除其中的云雾，保留其中的景物。对于低层细节系数，将其重构图与云层系数放大后的结果相乘，并与原低层细节系数重构图相叠加，以突出其中云层下的景物信息。

步骤五，两部分细节系数的处理结果和近似系数重构图相叠加，得到最终处理结果。

下面结合附图及实施例对本发明作进一步描述。

实施例一

采用如图2所示的一幅含有云雾的遥感图片，给出本发明的使用方法。

首先，由于原图有雾，整体对比度低，对原图像作伽玛校正。

然后，采用“sym8”小波函数作10层小波分解，选择分界层数l＝5，其近似系数和细节系数的重构图如图3-图5所示，此时，云雾主要处于高层细节系数中。

其次，按照式(2)～(3)处理高层细节系数重构图，计算云层系数，如图6所示，图中越亮的区域像素值越接近于1。对比原图可见，云层越厚，图6对应部分越亮，景物区对应部分较暗，云层系数与云层厚度一致。

接着，处理细节系数。对于高层细节系数，将云层系数反转后，与高层细节系数重构图相乘，恰当地根据云雾浓度从高层细节系数中除去云雾，结果如图7所示，可见原来中心区域的云雾浓度最大，处理后亮度降低最多，其他云雾区的亮度也有所降低，而原本清晰的景物区域则保留较完全。对于低层细节系数，将云层系数放大一定倍数后，与低层细节系数重构图相乘，再与原低层细节系数重构图相叠加，增强云下的景物信息，而云区以外的景物变化不大。当取放大倍数为1.5时，处理图4的结果如图8所示，可见云雾覆盖下的景物有所增强，而其余区域变化不大，云雾区以外的景物信息基本不变。

最后，将高层、低层细节系数重构图的处理结果和近似系数重构图相叠加，处理结果如图9所示。小波加权算法和小波阈值算法的处理结果分别如图10和图11所示，从视觉效果来看，小波加权算法虽然去除了较多的云雾，但整体色彩较均匀，对比度不高，云区外的景物有颜色失真，云区下的景物细节还不够突出。采用小波阈值算法处理后，云区以外的信息保留较完整，色彩鲜艳，但残留明显的云区边界。此外，虽然云区覆盖下景物较原图更能分辨，但细节仍不够突出。本发明较好地保留云区外树木等景物信息，色彩接近真实状况，并且云雾覆盖下的树木突出比较显著。对比图9～11可见，本发明处理结果的清晰度最高。

综上所述，本发明一种从单幅遥感图像中去除云雾的方法，包括如下步骤：(1)先对原图像作伽玛校正，提高景物部分的清晰度和图像对比度。(2)将图像作多层小波分解，合理选择分界层数，将分解系数分为低层细节系数、高层细节系数和最高层近似系数，尽量使景物和云雾数据分别分配到低层细节系数和高层细节系数，并重构以上三部分系数。(3)计算高层细节系数的暗通道图，并作权重大于1的加权处理，归一化后得到云层系数。(4)对于高层细节系数，将其重构图与云层系数反转后的结果相乘，去除其中的云雾，保留其中的景物。对于低层细节系数，将其重构图与云层系数放大后的结果相乘，并叠加原低层细节系数重构图，以突出其中云层下的景物信息。(5)两部分细节系数的处理结果和近似系数重构图相叠加，得到最终处理结果。本发明在削弱云层覆盖的同时，提高云下景物的清晰度，并较好地保留云区以外的景物信息。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种从单幅遥感图像中去除云雾的方法，包括如下步骤：

第一步，原图像预处理：先对原图像作伽玛校正，提高景物部分的清晰度和图像对比度，如果景物较清晰，该步骤可省略；

第二步，将云雾和景物数据分别分配到小波分解的高层和低层细节系数：将图像作多层小波分解，合理选择分界层数，将分解系数分为低层细节系数、高层细节系数和最高层近似系数，使云雾和景物分开，其中低层细节系数包含景物信息，高层细节系数包含云雾数据；分别重构以上三部分系数，低层细节系数、高层细节系数和最高层近似系数的重构图分别设为d(x,y)、g(x,y)、j(x,y)；

第三步，计算云层系数：按公式(2)处理高层细节系数重构图，

$t(x_0,y_0)=K\underset{c\∈\{r,g,b\}}{\min }\left\{\underset{(i,j)\∈\mathrm{\Ω}}{\min }\right[g^c(i,j)\left]\right\}---\left(2\right)$

其中c表示RGB三个通道中的任一通道，Ω为以(x₀,y₀)为中心的邻域，K为大于1的常数；并按公式(3)归一化处理t(x,y)，得到云层系数为

$p(x,y)=\frac{t(x,y)-\min \left(t(x,y)\right)}{\max \left(t(x,y)\right)-\min \left(t(x,y)\right)}---\left(3\right)$

第四步，处理细节系数：按照公式(4)处理高层细节系数重构图，去除其中的云雾，保留其中的景物；按照公式(5)处理低层细节系数重构图，突出云层下的景物信息，

g'(x,y)＝[1-p(x,y)]*g(x,y)          (4)

d'(x,y)＝[1+w*p(x,y)]*d(x,y)        (5)

第五步，叠加细节系数的处理结果d’(x,y)、g’(x,y)和近似系数重构图j(x,y)，得到最终处理结果。