CN105574826B - 遥感影像的薄云去除方法 - Google Patents

Abstract

本发明提供一种遥感影像的薄云去除方法，其包括如下步骤：S101、计算遥感影像的亮度影像；S103、对所述亮度影像进行粗处理；S105、对所述亮度影像进行累积直方图截断处理；S107、恢复所述遥感影像的色彩信息。所述遥感影像的薄云去除方法能够更有效地去除遥感影像中薄云的影响，调整不均匀光照，提高整个影像的对比度，恢复色彩信息。

Description

遥感影像的薄云去除方法

技术领域

本发明涉及遥感影像技术领域，尤其涉及一种遥感影像的薄云去除方法。

背景技术

随着成像技术的不断发展，彩色遥感图像获取的渠道越来越多。但是在遥感影像获取过程中，易受云雾干扰等因素的影响，遥感影像可能出现色彩不丰富、对比度低、光照不均匀等问题。进而在遥感影像的使用过程中，很难获取成像时的大气参数，导致很难通过云雾成像模型来去除薄云的影响，使得从遥感图像中无法获取有云区域中的信息，因此，遥感图像中的去云技术成为图像增强领域中很重要的一个分支。

为了突出在遥感图像中云区域中的信息，抑制不需要的信息，常见的去薄云的方法有：1)多光谱图像法；2)多幅图像插值法；3)数据融合法；4)图像增强法；5)物理模型法。对于一幅遥感图像是某一地区某一特定时间的单波段图像，前3种方法均不适合去除薄云。第4种方法很多，例如同态滤波法、Retinex法等等，其中同态滤波法从本质上说，是通过取对数和傅里叶变换后，相乘的运算变成相加的运算，再用高通滤波的方法，提取高频成分，抑制低频的成分，因此同态滤波法常用于黑白遥感图像中去除低频部分的薄云，但对于彩色遥感图像去除薄云则需要选用新的方法。Retinex图像增强方法是在原始图像中减去平滑的部分，这部分是由原始图像与高斯函数进行卷积运算后产生的；多尺度Retinex图像增强方法，综合了小尺度Retinex突出图像细节和大尺度Retinex呈现色彩等优点，但对于遥感影像而言，效果并不是非常明显。物理模型去云的大致思想是：用一幅无云的晴天图像做参考，获得先验知识后，首先计算出物理模型的参数，然后利用所得出的模型参数实现云雾的去除。图像复原是先收集图像的先验知识，假设退化的过程，根本思想是利用退化模型修正失真，得到原始图像的最优估计复原图像。由于退化模型是建立在云层形成的物理过程上，所以很具有针对性，但并不适用于单幅遥感影像去云。

发明内容

基于此，本发明提供一种遥感影像的薄云去除方法，以有效解决现有技术单幅遥感影像上的薄云去除和匀色匀光问题。

一种遥感影像的薄云去除方法，其包括如下步骤：

S101、计算遥感影像的亮度影像；

S103、对所述亮度影像进行粗处理；

S105、对所述亮度影像进行累积直方图截断处理；

S107、恢复所述遥感影像的色彩信息。

本发明一较佳实施方式中，步骤S101中，定义遥感影像的亮度影像为：

I＝(R+G+B)/3，

其中，R、G和B分别表示所述遥感影像的红色、绿色和蓝色波段；

考虑到颜色向量之间的相关性：

其中，ε为一个极小量。

本发明一较佳实施方式中，步骤S103中进一步包括：

对所述亮度影像进行快速傅里叶变换；

进行高斯滤波；

对滤波后的结果进行傅里叶逆变换，得到亮度影像的背景影像；

用原始亮度影像减去所述背景影像，即可得到粗处理后的亮度影像。

本发明一较佳实施方式中，步骤S105采用累积直方图截断的方法对所述粗处理后的亮度影像进行拉伸。

本发明一较佳实施方式中，步骤S105中，设定一个截断比例阈值t，则截断阈值为T＝tMN，其中，M和N分别为粗处理后亮度影像的高度和宽度，统计所述亮度影像的直方图h(n)，其中n＝1、2、…、256；分别从直方图的左边和右边开始计算累计直方图，将满足下列条件的灰度值作为截断灰度值：

其中，V_left和V_right分别为左截断和右截断灰度值；

在得到该波段影像的左右截断灰度值后，按照下式对粗处理后的亮度影像进行灰度值拉伸：

如果I'(x,y)＜V_left，则

I'(x,y)＝0，

如果I'(x,y)＞V_right，则

I'(x,y)＝255，

否则

其中，β为亮度调节因子，且β≤1。

本发明一较佳实施方式中，步骤S107中，所述截断处理后的亮度影像通过如下公式恢复所述遥感影像的色彩信息：

其中，ε为一个极小量。

相对于现有技术，本发明提供的遥感影像的薄云去除方法能够更有效地去除遥感影像中薄云的影响，调整不均匀光照，提高整个影像的对比度，恢复色彩信息。

附图说明

图1为本发明一实施例提供的遥感影像的薄云去除方法的流程图；

图2为步骤S105中对所述亮度影像进行直方图截断处理前的直方图；

图3为步骤S105中对所述亮度影像进行直方图截断处理后的直方图；

图4a～图4d为采用不同方法对包含薄云的遥感影像进行薄云去除后的结果图；

图5a～图5d为采用不同方法对包含厚云的遥感影像进行薄云去除后的结果图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施方式。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

请参阅图1，本发明一实施例提供的一种遥感影像的薄云去除方法，其包括如下步骤：

S101、计算遥感影像的亮度影像。

本实施例中，定义遥感影像(彩色影像)的亮度影像为：

I＝(R+G+B)/3 (1)

其中，R、G和B分别表示彩色影像的三个波段：Red(R)、Green(G)and Blue(B)，即红色、绿色和蓝色。

对于由红(R)、绿(G)和蓝(B)三个波段组成的真彩色影像，假设某个像素在处理前的颜色向量为X＝(R,G,B)，处理后该颜色向量满足X'＝(αR,αG,αB)，则可以认为该像素的颜色信息没有变化，只是亮度发生了变化。

考虑到颜色向量之间的相关性：

其中，ε为一个极小量，用于防止分母为0。

通过此相关性，采用下式，即可以通过匀光后的亮度影像来恢复影像的颜色信息：

其中，ε为一个防止分母为0的极小量，I'为经过处理后的亮度影像。

由此，后续步骤通过对亮度影像的处理，即可恢复出原始的彩色影像。

S103、对所述亮度影像进行粗处理。

对亮度影像I进行快速傅里叶变换：

ffti＝FFT(I) (4)

其中，FFT表示快速傅里叶变换。

然后对ffti进行高斯滤波，频率域的高斯滤波器为：

其中，σ₀表示截止频率，D(u,v)为频率域中坐标为(u,v)的点到傅里叶变换原点的距离。

再对滤波后的结果进行傅里叶逆变换，即可得到亮度影像的背景影像：

B＝IFFT(ffti×H) (6)

其中，IFFT表示快速傅里叶变换的逆变换。

进而，用原始亮度影像减去背景影像，即可得到粗处理后的亮度影像：

I'(x,y)＝I(x,y)-B(x,y)+mean (7)

其中，mean为亮度影像的均值。

S105、对所述亮度影像进行累积直方图截断处理。

受云层的影响，匀光后的影像在每个波段上的灰度值均偏高，对比度较低，表现为在每个波段上，其直方图集中在高灰度值区域，因此本发明采用累积直方图截断的方法对粗处理后的亮度影像进行拉伸，以达到增强对比度的效果。

设定一个截断比例阈值t，则截断阈值为T＝tMN，其中，M和N分别为粗处理后亮度影像的高度和宽度。统计所述亮度影像的直方图h(n)，其中n＝1、2、…、256。分别从直方图的左边和右边开始计算累计直方图，将满足下列条件的灰度值作为截断灰度值：

其中，V_left和V_right分别为左截断和右截断灰度值。在得到该波段影像的左右截断灰度值后，按照下式对粗处理后的亮度影像进行灰度值拉伸：

如果I'(x,y)＜V_left，则

I'(x,y)＝0 (9)

如果I'(x,y)＞V_right，则

I'(x,y)＝255 (10)

否则

其中，β为亮度调节因子，且β≤1，其作用是抑制亮度的过渡饱和。

请一并参阅图2和图3，为对亮度影像进行直方图截断处理前后的直方图对比，可知，截断处理前，直方图集中在高灰度值区域，而截断处理后，直方图覆盖了整个灰度区间，在影像上则表现为亮度和对比度适中。

S107、彩色影像恢复。

经过截断处理后的亮度影像，通过公式(3)即：

恢复影像的色彩信息。

其中，ε为一个极小量，用于防止分母为0。

本实施例利用多幅包含薄云和厚云的遥感影像来测试本发明提供的遥感影像的薄云去除方法的有效性，同时与常规方法同态滤波和MSRCR进行了比较。

请参阅图4a～图4d和图5a～图5d，其中图4a～图4d为采用不同方法对包含薄云的遥感影像进行薄云去除后的结果图，图5a～图5d为采用不同方法对包含厚云的遥感影像进行薄云去除后的结果图。可以看出，本发明方法能够有效地去除云层，还原地物的真实色彩，同时有效地提高了对比度；而同态滤波和MSRCR均存在色彩不真实，对比度低的缺陷。

为客观评价各算法的结果图像的对比度，采用标准差和清晰度来衡量影像的质量，即：

其中，Δ_x＝f(x+1,y)-f(x,y)，Δ_y＝f(x,y+1)-f(x,y)，M和N是影像的宽度和高度,f(x,y)表示影像的某一个波段，mean表示该波段的均值，x和y表示像素坐标。

标准差反映了影像的细节信息，标准差越大，细节越丰富；而清晰度反映了影像的细微反差，清晰度越高，影像质量越好。

质量评价结果如表1和表2所示：

表1薄云去除影像质量评价结果

表2较厚云去除影像质量评价结果

从评价结果可以看出，同态滤波和MSRCR方法对于薄云和较厚云不一定总能得到好的结果，而本发明提供的遥感影像的薄云去除方法的对比度更高，视觉效果更好。在表1中，与原始影像相比，本发明提供的遥感影像的薄云去除方法的平均标准差是原始影像的1.39倍，平均清晰度是1.84倍；而在表2中，平均标准差提高到2.16倍，平均清晰度提高到2.72倍。而同态滤波和MSRCR的方差和清晰度都与原始影像相当，甚至还有些低于原始影像。这与视觉平均的结果是一致的，证明了本发明提供的遥感影像的薄云去除方法在提高对比度和保持色彩信息方面的优越性。

相对于现有技术，本发明提供的遥感影像的薄云去除方法能够更有效地去除遥感影像中薄云的影响，调整不均匀光照，提高整个影像的对比度，恢复色彩信息。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (3)

1.一种遥感影像的薄云去除方法，其特征在于，包括如下步骤：

S101、计算遥感影像的亮度影像；

S103、对所述亮度影像进行粗处理；

S105、对所述亮度影像进行累积直方图截断处理；

S107、恢复所述遥感影像的色彩信息；

定义遥感影像的亮度影像为：

I＝(R+G+B)/3，

其中，R、G和B分别表示所述遥感影像的红色、绿色和蓝色波段；

考虑到颜色向量之间的相关性：

其中，ε为一个极小量；

步骤S103中进一步包括：

对所述亮度影像进行快速傅里叶变换；

进行高斯滤波；

对滤波后的结果进行傅里叶逆变换，得到亮度影像的背景影像；

用原始亮度影像减去所述背景影像，即可得到粗处理后的亮度影像；

步骤S107中，所述截断处理后的亮度影像通过前述公式的相关性，采用下式，即可以通过匀光后的亮度影像来恢复影像的颜色信息：

其中I'为经过处理后的亮度影像。

2.如权利要求1所述的遥感影像的薄云去除方法，其特征在于，步骤S105采用累积直方图截断的方法对所述粗处理后的亮度影像进行拉伸。

3.如权利要求2所述的遥感影像的薄云去除方法，其特征在于，步骤S105中，设定一个截断比例阈值t，则截断阈值为T＝tMN，其中，M和N分别为粗处理后亮度影像的高度和宽度，统计所述亮度影像的直方图h(n)，其中n＝1、2、…、256；分别从直方图的左边和右边开始计算累计直方图，将满足下列条件的灰度值作为截断灰度值：

其中，V_left和V_right分别为左截断和右截断灰度值；

在得到该波段影像的左右截断灰度值后，按照下式对粗处理后的亮度影像进行灰度值拉伸：

如果I'(x,y)<V_left，则

I'(x,y)＝0，

如果I'(x,y)>V_right，则

I'(x,y)＝255，

否则

其中，β为亮度调节因子，且β≤1。