CN105913421A - 基于自适应形状暗通道的遥感图像云检测方法 - Google Patents

Abstract

本发明提出了一种基于自适应形状暗通道的遥感图像云检测方法，用于解决现有遥感图像云检测方法中存在的运算量大、复杂度高和检测结果不准确的技术问题。包括如下步骤：将待检测的RGB遥感云图分割为多个不规则的超像素块，对分割结果进行标记；结合标记对待检测的RGB遥感云图进行自适应形状暗通道处理，得到灰度图；对灰度图进行二值化处理和形态学处理；对形态学处理后的二值图进行导向滤波处理，得到滤波后的灰度图；对滤波后的灰度图进行二次二值化处理和二次形态学处理，得到最终云检测结果。本发明具有过程简单、云检测效果显著的特点，用于遥感图像的预处理过程，可以实现对遥感图像的剔除、分类和后续的目标识别。

Description

基于自适应形状暗通道的遥感图像云检测方法

技术领域

本发明属于图像处理技术领域，涉及一种星上遥感图像的云检测方法，具体涉及一种基于自适应形状暗通道的遥感图像云检测方法，用于遥感图像的预处理过程，可以实现对遥感图像的剔除、分类和后续的目标识别。

背景技术

随着科技的高速发展，卫星遥感技术进入了一个能快速及时地获取对地观测信息的新阶段。根据国际卫星云气候计划ISCCP(International Satellite CloudClimatology Project)提供的全球云量数据显示，云覆盖了50％以上的地球表面。因此遥感卫星获取卫星图像，尤其是获取大范围的遥感影像时，多数情况下都会有云的存在，真正的无云晴空地面目标物体影像很难获取。遥感图像中，云的存在会遮蔽或者覆盖云层区域下面的真实的地面目标物体的信息，影响遥感图像的质量，从而降低图像的数据利用率，使得影像识别、分类难以保证精度，有时甚至无法进行。为了能够有效的从遥感图像数据中提取地面目标物体的信息，提高遥感卫星图像数据的可用性和利用率，必须对遥感图像中存在的云进行检测，采取必要的措施，以消除或降低云的干扰和影响。

传统遥感图像云检测方法较多，主要分为阈值法和模式分类法。阈值法是其中相对较成熟且易于实现的方法,主要思想是对需要进行检测的像素点利用不同通道组合的量温、量温差、反射率与所设置的阈值进行比对，判断出像素点是云像素点还是非云像素点。但此类方法强烈依赖于传感器，光学系统等参数，阈值大小会随季节与地理位置发生变化，难以实现星上较高精度的配准。模式分类法是基于图像特征的云检测方法，选择并提取云的特征，设计检测器对图像进行云检测。该方法相比阈值法取得了一定的优势，但此类方法经常需要训练样本，不但耗时且样本的数量和质量直接影响云检测结果的准确性，存在运算量大、复杂度高等问题。

近年来，随着云检测的要求越来越高，云检测的方法呈现多样化发展，出现了多算法综合使用的优化检测方法，云检测效果优于单一阈值法和模式分类法。例如，中国专利申请，授权公告号CN101799921B，名称为“一种光学遥感图像云检测方法”的发明专利中，公开了一种将三个判别特征参数以合理的次序结合起来进行遥感图像云检测的方法。该方法将遥感图像划分为基本处理单元，根据灰度阈值、纹理特征分形维数和纹理特征角二阶矩三种判别参数将基本处理单元检测为云层和地面目标物体两类。但是该方法存在的不足是，通过图像纹理特征分形维数和纹理特征角二阶矩进行检测时，需要训练样本得到参数进行对比判断，此过程运算量大，复杂度高。同时灰度阈值的选取常为经验值或者统计值，存在不确定性。

发明内容

本发明的目的在于克服上述已有技术的缺陷，提出了一种基于自适应形状暗通道的遥感图像云检测方法，用于解决现有遥感图像云检测方法中存在的运算量大、复杂度高和检测结果不准确的技术问题。

本发明的技术思路是：

自适应形状暗通道处理根据图像中像素点的空间、亮度、纹理、轮廓特征进行云检测，区分出云像素点和非云像素点。传统暗通道处理结束后，图像中云像素点和非云像素点的亮度对比度得到增强，其中云像素点的亮度值会保持不变，呈现出高亮，而非云像素点的亮度值明显下降，甚至亮度值为0，呈现出黑暗。自适应形状暗通道处理在传统暗通道处理基础上结合分割算法，改善了对云区边缘的检测。在得到的待检测RGB遥感云图的灰度图中通过求取动态阈值进行二值化后，可以初步获得云检测的轮廓图。

根据以上技术思路，实现本发明目的采取的技术方案，包括如下步骤：

步骤1，将待检测的RGB遥感云图分割为多个不规则的超像素块，并对该RGB遥感云图中的每个像素点属于哪个超像素块进行标记，得到待检测RGB遥感云图的像素点标记数组labels[i]＝n，其中，i表示该待检测的RGB遥感云图中的第i个像素点，n表示此像素点属于第n个超像素块；

步骤2，结合得到的待检测RGB遥感云图的像素点标记数组labels[i]＝n，对待检测的RGB遥感云图进行自适应形状暗通道处理，得到待检测RGB遥感云图的灰度图，具体实现步骤如下：

步骤2a，将待检测的RGB遥感云图分解为R、G、B三个颜色通道的图像；

步骤2b，遍历待检测的RGB遥感云图，比较每个像素点的R、G、B三个颜色通道值，选取每个像素点最小的通道值，得到单通道图像；

步骤2c，对得到的单通道图像进行最小值滤波，在每次滤波中，结合待检测RGB遥感云图的像素点标记数组labels[i]＝n，对滤波窗口内的滤波邻域像素点标记值和滤波中心像素点的标记值进行判断，如果标记值相同，则进行邻域内的像素点与滤波中心像素点的大小比较，从比较结果中选取像素点的最小值代替滤波中心像素点的值；

步骤3，求取待检测RGB遥感云图的灰度图的动态阈值，并利用求得的动态阈值对该待检测RGB遥感云图的灰度图进行二值化处理，得到含有云区域轮廓的二值图；

步骤4，对得到的含有云区域轮廓的二值图进行形态学处理，包括滤波去噪、去除小面积区域和填洞，得到形态学处理后的含有云区域轮廓的二值图；

步骤5，对得到的形态学处理后的含有云区域轮廓的二值图进行导向滤波处理，得到云区域轮廓改善的灰度图；

步骤6，求取得到的云区域轮廓改善的灰度图的动态阈值，并利用求得的动态阈值对对该灰度图进行二值化处理，得到云区域轮廓改善的二值图；

步骤7，对得到的云区域轮廓改善的二值图进行二次形态学处理，包括滤波去噪、去除小面积区域和填洞，最终得到RGB遥感云图的云检测结果。

本发明与现有技术相比较，具有如下优点：

第一，本发明由于在获取云检测轮廓图中利用暗通道处理，可以简单高效的对待检测RGB遥感云图进行检测，与现有技术采用的需要获取大量样本并进行样本训练得到云特征参数进行云检测相比，减少了对样本的需求量，避免了训练过程的运算量，提高了云检测的适用性。

第二，本发明由于在获取云检测初步轮廓图中利用自适应暗通道处理，可以更加准确的对待检测RGB遥感云图进行检测。与现有技术采用的通过阈值来进行云区的检测相比，减少了图像中云区的误判，降低了后续云检测的难度，提高了云检测的准确性。

附图说明

图1是本发明的流程框图；

图2是本发明进行超像素分割的结果示意图；

图3是本发明进行自适应暗通道处理的结果示意图；

图4是本发明进行导向滤波的结果示意图。

具体实施方式

以下结合附图和具体实施例，对本发明作进一步详细的描述。

参照图1，是本发明的流程框图。

步骤1，利用超像素分割算法将待检测的RGB遥感云图分割为多个不规则的超像素块，并对分割后该RGB遥感云图中的每个像素点属于哪个超像素块进行标记，得到待检测RGB遥感云图的像素点标记数组labels[i]＝n，其中，i表示该待检测的RGB遥感云图中的第i个像素点，n表示此像素点属于第n个超像素块；

待检测的RGB遥感云图为需要进行云检测的遥感图像，必须含有R、G、B三个颜色通道，R代表红色通道，G代表绿色通道，B代表蓝色通道。待检测RGB遥感云图中的每个像素点的像素值都由其R、G、B三个颜色通道的值组合得到。

由于所述的待检测的RGB遥感云图中所含有的云块大小、位置、形状不同，为了更好地对云进行检测，将待检测的RGB遥感云图分割为多个不规则的超像素块。超像素分割算法是现有技术中常用的一种像素分割算法，其根据纹理的相似性、亮度的相似性以及轮廓的连续性把一副图像划分为多个不规则的超像素块。SLIC(simplelinear iterative clustering)即简单的线性迭代聚类，是超像素分割众多算法中一种思想简单、实现方便、但效果出众的算法，因此本实施例选取超像素分割SLIC算法，分割结果如图2所示。

SLIC将RGB彩色图像转化为CIELAB颜色空间和XY坐标下的五维特征向量，然后对五维特征向量构造距离度量标准，对图像像素进行局部聚类的过程。CIELAB色彩模型是由亮度(L)和有关色彩的A、B三个要素组成。L表示亮度，L的值域从0(黑色)到100(白色)。A表示从洋红色至绿色的范围(A负值表示绿色而正值表示品红)，B表示从黄色至蓝色的范围(B为负值表示蓝色而正值表示黄色)。LAB颜色被设计来接近人类生理视觉，它不仅包含了RGB颜色空间的所有色域，还能表示RGB不能表现的色彩，整体色域宽阔。将图像转换为CIELAB颜色空间和XY坐标下的五维特征向量后，对五维特征向量构造欧式距离度量标准，进行局部聚类，聚类过程中在每个超像素块内选取一个种子点，通过多次迭代计算，种子点附近与种子点欧式距离最短的像素点，即认为此像素点与种子点属于同一超像素块

超像素块的分割个数由分辨率决定，一般定为超像素分割算法结束后每个超像素块内的像素总数为50至100为佳。

步骤2，结合超像素分割算法得到的待检测RGB遥感云图的像素点标记数组labels[i]＝n，对待检测的RGB遥感云图进行自适应形状暗通道处理，得到待检测RGB遥感云图的灰度图；

在绝大多数非天空的局部区域里，某一些像素总会有至少一个颜色通道具有很低的值。即该区域光强度的最小值是个很小的数，这是传统暗通道理论。

实际生活中造成图像存在暗通道主要有三个因素：(1)建筑物和城市中玻璃窗户的阴影，或者是树叶等自然景观的投影；(2)色彩鲜艳的物体或表面，在RGB的三个颜色通道中有些通道的值很低(比如绿色的草地、树、植物，红色或黄色的花朵、叶子，或者蓝色的水面)；(3)颜色较暗的物体或者表面，例如灰暗色的树叶和石头。总之，自然景物经暗通道处理后总是很灰暗。而图像中云像素点由于R、G、B三个通道的像素值都比较高，经过暗通道处理之后像素值仍然很高，呈现高亮。因此云像素点和非云像素点的亮度对比度得到增强，通过求取动态阈值进行二值化处理，可以将云区和非云区区分开。

具体实施步骤如下：

步骤2a，利用现有图像处理中常用的分解图像方法将待检测的RGB遥感云图分解为R、G、B三个颜色通道的图像；

步骤2b，遍历待检测的RGB遥感云图，比较每个像素点的R、G、B三个颜色通道值，选取每个像素点最小的通道值，得到单通道图像；

步骤2c，对得到的单通道图像遍历进行最小值滤波，使最小值滤波效果最优，后续云检测效果最准确，本实施例中最小值滤波的滤波窗口大小设置为15×15，在每次滤波过程中，结合待检测RGB遥感云图的像素点标记数组labels[i]＝n，依次将滤波窗口内的滤波邻域像素点与滤波中心像素点进行标记值判断，如果标记值相同，表明滤波邻域像素点与滤波中心像素点属于同一超像素块，则进行此邻域内像素点与滤波中心像素点的大小比较，从比较结果中选取滤波窗口内所有像素点的最小值代替滤波中心像素点的值；

步骤3，求取待检测RGB遥感云图的灰度图的动态阈值，使求取的动态阈值更准确，后续云检测效果更显著，本实施例中利用现有技术中常用的阈值计算算法大津法求取待检测RGB遥感云图的灰度图的动态阈值T1，并利用求得的动态阈值T1对该待检测RGB遥感云图的灰度图进行二值化处理，得到含有云区域轮廓的二值图；

具体地，利用得到的阈值T1对待检测RGB遥感云图的灰度图进行二值化处理为：将灰度图中的像素点遍历进行比较，若像素点的像素值大于T1，则判断该像素点可能是云区，若像素点的像素值小于T1，则判断该像素点是非云区，最终初步获得含有云区域轮廓的二值图。

步骤4，对得到的含有云区域轮廓的二值图进行常用形态学处理，包括滤波去噪、去除小面积区域和填洞，得到形态学处理后的含有云区域轮廓的二值图；

获得的图像都有噪声的存在，噪声对最后的云检测结果有很大的影响，因此必须对图像进行去噪处理。使滤波去噪效果更显著，本实施例中选取中值滤波来去除孤点噪声，中值滤波的窗口大小设置为3×3，去噪的同时保持了图像的边缘特性，也不会使图像产生显著的模糊。

去除小面积区域是去除图片中面积小于给定阈值的区域的操作，保证了云的特性：总是聚集一团而不是星星点点。本实施例中阈值根据经验值设置为1000。

填洞处理将二值图中的背景空洞补充为背景，使得最终云检测结果的完成性。

步骤5，对得到的形态学处理后的含有云区域轮廓的二值图进行导向滤波处理，得到云区域轮廓改善的灰度图；

云的边缘处多为薄云区域，通过导向滤波处理可以补充对薄云的检测。导向滤波具有四个参数：导向图像i、滤波输入图像p、滤波窗口大小r以及滤波调整参数e；本实施例中导向图像i选取输入的待检测RGB遥感云图的灰度图，滤波输入图像p选取上述步骤4得到的经过形态学处理后含有云区域轮廓的二值图，滤波窗口大小r由经验值设置，滤波调整参数e也由经验值设置。

步骤6，本实施例中通过大津法求取得到的云区域轮廓改善的灰度图的动态阈值T2，并利用求得的动态阈值对该灰度图进行二值化处理，得到云区域轮廓改善的二值图；

导向滤波处理后，在得到的云区域轮廓改善后的灰度图中增加了云边缘区域的检测，云边缘区域亮度增加，变为高亮区域，通过大津法求取动态阈值T2进行二值化处理将云边缘区域和非云区域进行区分。

根据求得的阈值T2对得到的灰度图中的像素点大小遍历进行比较，若像素点的像素值大于T2，则判断该像素点可能是云区，若像素点的像素值小于T2，则判断该像素点是非云区，最终初步获得云区域轮廓改善的二值图。

步骤7，对得到的云区域轮廓改善的二值图进行二次形态学处理，包括滤波去噪、去除小面积区域和填洞，最终得到RGB遥感云图的云检测结果。

导向滤波和二值化处理会对获得的云区域轮廓改善的二值图增加噪声，噪声对最后的云检测结果有很大的影响，同样本实施例中选取中值滤波来去除孤点噪声，中值滤波的窗口大小设置为3×3，保持图像的边缘特性，不会使图像产生显著的模糊。

再次进行去除小面积区域处理保证了云的特性：总是聚集一团而不是星星点点。本实施例中阈值根据经验值设置为1000。

填洞处理将二值图中的背景空洞补充为背景，使得最终云检测结果的完成性。

参照图2，是本发明进行超像素分割的结果示意图。

对待检测的RGB遥感云图利用超像素分割SLIC算法进行分割后，分割图像中包含多个不规则的超像素块。每个超像素块内的像素点具有纹理相似、亮度相似以及轮廓连续，每个超像素块内像素点的标记值相同。

参照图3，是本发明进行自适应暗通道处理的结果示意图。

对待检测的RGB遥感云图进行自适应暗通道处理后，得到待检测的RGB遥感云图灰度图。灰度图中呈现高亮的区域可能为云区，呈现黑暗的区域可能为非云区。

参照图4，是本发明进行导向滤波的结果示意图。

对形态学处理后的含有云区域轮廓的二值图进行导向滤波处理后，得到云区域轮廓改善的灰度图。图像中高亮区域为云区，相比形态学处理后的含有云区域轮廓的二值图，云区域轮廓改善的灰度图中增加了对云区边缘处的检测，确保了云区检测的准确性。

Claims (6)

1.一种基于自适应形状暗通道的遥感图像云检测方法，包括如下步骤：

(1)将待检测的RGB遥感云图分割为多个不规则的超像素块，并对该RGB遥感云图中的每个像素点属于哪个超像素块进行标记，得到待检测RGB遥感云图的像素点标记数组labels[i]＝n，其中，i表示该待检测的RGB遥感云图中的第i个像素点，n表示此像素点属于第n个超像素块；

(2)结合得到的待检测RGB遥感云图的像素点标记数组labels[i]＝n，对待检测的RGB遥感云图进行自适应形状暗通道处理，得到待检测RGB遥感云图的灰度图，具体实现步骤如下：

(2a)将待检测的RGB遥感云图分解为R、G、B三个颜色通道的图像；

(2b)遍历待检测的RGB遥感云图，比较每个像素点的R、G、B三个颜色通道值，选取每个像素点最小的通道值，得到单通道图像；

(2c)对得到的单通道图像进行最小值滤波，在每次滤波中，结合待检测RGB遥感云图的像素点标记数组labels[i]＝n，对滤波窗口内的滤波邻域像素点标记值和滤波中心像素点的标记值进行判断，如果标记值相同，则进行邻域内的像素点与滤波中心像素点的大小比较，从比较结果中选取像素点的最小值代替滤波中心像素点的值；

(3)求取待检测RGB遥感云图的灰度图的动态阈值，并利用求得的动态阈值对该待检测RGB遥感云图的灰度图进行二值化处理，得到含有云区域轮廓的二值图；

(4)对得到的含有云区域轮廓的二值图进行形态学处理，包括滤波去噪、去除小面积区域和填洞，得到形态学处理后的含有云区域轮廓的二值图；

(5)对得到的形态学处理后的含有云区域轮廓的二值图进行导向滤波处理，得到云区域轮廓改善的灰度图；

(6)求取得到的云区域轮廓改善的灰度图的动态阈值，并利用求得的动态阈值对对该灰度图进行二值化处理，得到云区域轮廓改善的二值图；

(7)对得到的云区域轮廓改善的二值图进行二次形态学处理，包括滤波去噪、去除小面积区域和填洞，最终得到RGB遥感云图的云检测结果。

2.根据权利要求1所述的基于自适应形状暗通道改进的遥感图像云检测方法，其特征在于，步骤(1)中所述的将待检测的RGB遥感云图分割为多个不规则的超像素块，采用超像素分割SLIC算法。

3.根据权利要求1所述的一种基于自适应形状暗通道改进的遥感图像云检测方法，其特征在于，步骤(3)中所述的求取待检测RGB遥感云图的灰度图的动态阈值，采用大津法。

4.根据权利要求1所述的一种基于自适应形状暗通道改进的遥感图像云检测方法，其特征在于，步骤(4)中所述的对得到的含有云区域轮廓的二值图进行形态学处理中的滤波去噪，采用中值滤波。

5.根据权利要求1所述的一种基于自适应形状暗通道改进的遥感图像云检测方法，其特征在于，步骤(6)中所述的求取得到的云区域轮廓改善的灰度图的动态阈值，采用大津法。

6.根据权利要求1所述的一种基于自适应形状暗通道改进的遥感图像云检测方法，其特征在于，步骤(7)中所述的对得到的云区域轮廓改善的二值图进行二次形态学处理中的滤波去噪，采用中值滤波。