CN105956557A - 一种面向对象的时序遥感影像云覆盖区域自动检测方法 - Google Patents

Abstract

本发明提供一种面向对象的时序遥感影像云覆盖区域自动检测方法，包括数据准备、影像配准、多尺度影像分割、辐射差异消除、光谱相似度计算、阈值分割和检测结果生成六个步骤，其采用面向对象的解译方法，能够有效对云覆盖区域进行模式划分，充分利用时序影像富含的时序信息，能够有效利用时序影像之间的多特征优势，时序遥感影像云覆盖区域检测中，采用多特征融合的策略，充分利用时序和光谱信息，可以使得检测的结果更加可靠，也更加具有稳健性。

Description

一种面向对象的时序遥感影像云覆盖区域自动检测方法

技术领域

本发明涉及遥感影像云覆盖区域自动精准检测领域，具体是一种面向对象的时序遥感影像云覆盖区域自动检测方法。

背景技术

随着多时相遥感数据的不断积累以及空间数据库的相继建立，如何从这些遥感数据中提取和检测特定地物的信息已成为遥感科学和地理信息科学的重要研究课题。根据同一区域不同时相的遥感影像，可以提取城市、环境等动态变化的信息，为资源管理与规划、环境保护等部门提供科学决策的依据。但是，在地形复杂区域，如我国西南山区，开展多时相遥感影像的专题解译，由于山区特殊复杂的气候条件，采用光学遥感技术获取的遥感影像发现受云覆盖影响非常严重。因此，在遥感解译的实际应用和理论技术研究方面，开展时序遥感影像云覆盖区域自动检测基础理论与关键技术研究，正在成为解决国家安全和社会经济发展重大需求的研究焦点。

许章华等人在《农业机械学报》2013年第44卷第6期提出了一种基于面向对象与替换法的遥感影像云检测与去除技术。他们首先采用面向对象的方法，充分利用对象的色调、形状、纹理、层次及类间邻居对象、子对象、父对象的相关特征，实现多尺度影像分割，然后根据影像特点及其覆盖区状况，定义植被、水体、不透水面、厚云、薄云、云影和其他阴影等7个类别，实现云及阴影提取。最后利用像元替换法，即用其他影像的像元代替原影像相同位置像元的方法，实现了云影的去除。该方法主要是利用单一时相遥感影像包含的特征信息，开展云覆盖区域的自动检测，没有充分利用和发掘时序遥感影像中富含的时序信息。而在时序遥感影像中，有云的影像和无云影像存在明显的差异，因此，有必要充分利用时序遥感影像的时序信息以及不同时相间的差异，研究适合时序遥感影像云覆盖区域的自动、准确云检测方法。

针对上述难点和存在的问题，许多学者试图通过对传统算法的改进，或者引入诸多约束条件。尽管这些检测方法都具有一定的潜力，但是云覆盖区域的复杂化以及目标先验信息匮乏等，导致这些算法都存在着一定的局限性。为此，有必要研究新的多时相可见光遥感图像云覆盖区域检测方法来有效克服上述难点。

发明内容

针对现有技术中存在的问题，本发明提供一种基于面向对象的时序遥感影像云覆盖区域自动检测方法，能够有效对云覆盖区域进行模式划分，充分利用时序和光谱信息，可使得检测的结果更加可靠，也更加具有稳健性。

本发明解决其技术问题所采取的技术方案为：

一种基于面向对象的时序遥感影像云覆盖区域自动检测方法，包括下述步骤：

(1)数据准备：输入两个相同空间范围、不同时相的光学遥感影像，分别记为：X₁和X₂；

(2)影像配准：对输入的两时相遥感影像X₁和X₂进行影像配准，经几何校正后，得到影像配准后的遥感影像X₁ ^c和X₂ ^c；

(3)多尺度影像分割：采用图像分析软件eCognition开展多尺度分割，以步骤(2)中经过影像配准后得到的遥感影像X₁ ^c和X₂ ^c为实验输入数据，进行波段叠加后生成的影像X₁₊₂ ^c作为多尺度影像分割的输入数据，经分割后，获得影像图斑，对于云覆盖区域，因为其形状及颜色与相邻地物的差异，容易被分割至一个图斑，即形成一个对象；

(4)辐射差异消除：分别对步骤(2)影像配准后的遥感影像X₁ ^c和X₂ ^c，采用相邻波段依次相除的方法生成新的多波段影像，减少辐射条件差异而导致的伪变化信息；

原始多波段影像依次进行除运算，以生产一个新的多波段影像。对于一个n波段的原始影像，进行波段变换后，将产生一个波段数为n-1的影像。例如本发明所采用的实验数据为4个波段的QuickBird影像

Image_original＝{band₁,band₂,band₃,band₄}

变换后的影像为

Image_transform＝{band_1/2,band_2/3,band_3/4}

(5)光谱相似度计算：以步骤(3)取得的多尺度影像分割后得到的影像图斑为基本分析单元，步骤(4)经辐射差异消除所得的多波段影像为光谱相似度计算输入数据，采用数理统计学中的t检验方法为理论依据，建立时空光谱相似度计算模型，进行多时相遥感影像的光谱相似度计算；

t检验法应用于构建多时相光谱相似度计算模型的原理，是通过分析特定区域内不同时相遥感影像的均值，方差之间的关系来确定其差异性，通过分割对象范围内的t值的大小反映其变化程度。变化信息在邻域t检验图像上表征为数值较大区域，反之，t值小的像素表示未发生变化，中间值则代表存在轻微的变化。多波段遥感影像区域t检验法表示为：

时空光谱相似度计算模型为：

$\begin{array}{c}t\left(R\right)=\frac{|\stackrel{\‾}{g}(i,j)-\stackrel{\‾}{f}(i,j)|}{\sqrt{\underset{l=1}{\overset{k}{\Σ}}\underset{i,j\∈R}{\Σ}{\left(g\right(i,j,l)-\stackrel{\‾}{g}(i,j\left)\right)}^2\underset{i,j\∈R}{\Σ}{\left(f\right(i,j,l)-\stackrel{\‾}{f}(i,j\left)\right)}^2}}\\ \stackrel{\‾}{g}\left(R\right)=\frac{1}{W^{2}L}\underset{i\∈R}{\Σ}\underset{j\∈R}{\Σ}\underset{k=1}{\overset{L}{\Σ}}g(i,j,k)\\ \stackrel{\‾}{f}\left(R\right)=\frac{1}{W^{2}L}\underset{i\∈R}{\Σ}\underset{j\∈R}{\Σ}\underset{k=1}{\overset{L}{\Σ}}f(i,j,k)\end{array}$

其中：L为遥感影像的波段数；R为步骤(3)多尺度分割获得的图斑对象；i,j为区域R内目标像元的水平、垂直坐标；g(i,j,k)和f(i,j,k)分别为步骤(4)获取的多波段影像的像元(i,j,k)的光谱值；t(R)是通过t检验法获取的区域R的光谱相似度计算值；为影像X₁ ^c区域R的光谱平均值，为影像X₂ ^c区域R的光谱平均值。

(6)阈值分割和检测结果生成：选定阈值，对步骤(5)所得差异影像进行阈值分割，确定影像的变化区域和非变化区域。假设步骤(5)所得差异影像灰度级为[0,L]，设定阈值T，进行二值化分割，将将影像分为两类，[0,T]为一类,[T,L]为另一类。根据所得阈值分割结果，对于像素值范围为[T,L]内的像元所在区域，判定为云覆盖区域，为最终检测结果。

本发明的有益效果：

(1)在遥感影像云覆盖区域自动检测中，采用面向对象的解译方法，能够有效对云覆盖区域进行模式划分，充分利用时序影像富含的时序信息，能够有效利用时序影像之间的多特征优势。

(2)时序遥感影像云覆盖区域检测中，采用多特征融合的策略，充分利用时序和光谱信息，在光谱信息方面，利用云覆盖区域同其他相邻地物存在明显差异，同时，在时序信息方面，利用同一区域有云和无云覆盖时的变化信息，构建综合利用光谱、时序信息的多时相光谱相似度计算模型，可以使得检测的结果更加可靠，也更加具有稳健性。

附图说明

图1是本发明面向对象的时序遥感影像云覆盖区域自动检测方法的流程示意图；

图2是不同时相中分辨率遥感影像实验数据，其中图2(a)为2009年4月CBERS-02B遥感影像，图2(b)为2009年6月CBERS-02B遥感影像；

图3是多尺度分割效果图，其中图3(a)是分割参数为50时的分割效果图，图3(b)是分割参数为100时的分割效果图，图3(c)是分割参数为200时的分割效果图，图3(d)是分割参数为300时的分割效果图，图3(e)是分割参数为500时的分割效果图；

图4(a)是基于像元未做辐射差异消除的实验结果图，图4(b)是基于像元做辐射差异消除的实验结果图，图4(c)是面向对象未做辐射差异消除的实验结果图，图4(d)是面向对象做辐射差异消除的实验结果图；

图5(a)是基于像元的光谱相似度局部分析结果，图5(b)是面向对象的光谱相似度局部分析结果；

图6是面向对象时序遥感影像云覆盖区域阈值分割检测结果示意图。

具体实施方式

下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述。

请参考图1，本发明提供一种基于面向对象的时序遥感影像云覆盖区域自动检测方法，包括下述步骤：

(1)数据准备

为全面的分析方法的性能，我们一方面将本发明方法与传统像素级检测算法进行比较。另外，为进一步验证本发明方法对遥感影像的鲁棒性，选择两组不同的数据集(图2(a)、图2(b))进行实验。数据集为国产资源卫星遥感影像CBERS-02B，空间分辨率为20米，波段为红绿蓝三个可见光波段和近红外波段，共4波段，红绿蓝三可见光波段合成彩色影像如图所示。影像大小均为1024*1024像素，获取时间分别为2009年4月及2009年6月，所在地区为长江干流枝江段。设所输入的两时相遥感影像为X₁和X₂，经几何校正后，得到影像配准后的遥感影像X₁ ^c和X₂ ^c。

(2)影像配准

由于数据集1、2中影像采集时间差别小，处于春末初夏季节，因此植被覆盖类别相近，由于时间间隔小，其他地类变化小，有利于开展云覆盖区域检测。对输入的两时相遥感影像X₁和X₂进行影像配准，经几何校正后，得到影像配准后的遥感影像X₁ ^c和X₂ ^c。两组数据经过辐射和几何精度校正，匹配精度控制在0.5像素之内。分别比较两组数据集(图2(a)、图2(b))可以发现，场景中复杂度性与典型性主要体现在：云覆盖区域较多，且云云形状无规则，各云覆盖区域光谱也存在差异。另外，受光照变化影响，图2(b)存在大量阴影区域，同时，水体也存在较大差异。

(3)多尺度影像分割

采用商业图像分析软件eCognition对输入的高分辨率影像进行多分辨率分割，其中参与分割的影像为X₁ ^c和X₂ ^c进行波段叠加后生成的组合影像X₁₊₂ ^c。

为进一步分析分割尺度对检测结果的影响，分别采用不同尺度参数进行了分割实验，并且对分割结果所提取的云覆盖区域对象进行分析。其中，红色线条表示分割边界线。分割结果如图3所示。

通过比较5种不同尺度的分割结果可以得出如下结论：每个单一尺度的分割结果存在较大差异，对于云覆盖区的分割结果明显，表明云覆盖区域分析对象的提取和分割结果之间的关系紧密。如采用50参数进行进行分割，对于覆盖面积较大的云，将被分割成多个对象的现象非常明显，如图3(a)所示区域，充分体现了过度分割。逐渐增大分割参数，将参数扩大至100时，单一云对象被分割多个对象的现象得到明显改善,如图3(b)所示。参数为200时，发生了明显变化，如分割为两个区域的云对象，在参数为200的条件下，已经分割为一个对象，如图3(c)所示。本次实验采用分割尺度参数为200作为最优值，提取对象开展下序相关工作。

多尺度分割实验结果表明，采用两个时相叠加的影像进行分割，能够在分割过程中，充分利用两个时相间云覆盖区域之间的光谱差异，生成一类分割对象结果，在唯一对象范围内，可有效开展面向对象的影像分析工作。

(4)辐射差异消除

为分析两个不同时相遥感影像在不同辐射条件下，对水体覆盖区域产生的检测结果的影响，进行了辐射差异影响消除分析。

分别采用基于像元和面向对象的方法，对比分析辐射影响对相似度计算结果的影响。

采用经波段相除法，即辐射差异消除方法，根据两个不同时相的遥感影像，生成波段相除后的影像为输入，进行相似度计算。同时，以原始遥感影像为输入，进行相似度计算。两类不同的输入数据所获得的基于像元和面向对象的结果分别如图4所示。

(5)光谱相似度计算

图4(a)和图4(b)分别为采用基于像元方法获取的未经辐射消除影响和经过辐射消除影响的光谱相似度计算结果。图中，白色高亮区域表示光谱差异性大，即存在变化的区域，黑色暗调区域表示未存在变化区域。图4(a)和图4(b)均能够有效将云覆盖区域有效显示，即白色高亮显示，但是图4(a)中将河流所在区域，即大面积水体覆盖区域也程白色显示，如图4(a)中右下角所示A区域。而在图4(b)中对应的相同区域方框所示B区域，已经有效将相似度计算结果转变为未变化区域。

图4(c)和图4(d)分别为采用面向对象方法获取的未经辐射消除影响和经过辐射消除影响的光谱相似度计算结果。图4(c)中右下角所示C和D区域,明显降河流所在区域计算为白色高亮区域，即变化区域。图4(d)中右下角所示E和F区域，有效将河流所在区域计算结果转变为黑暗区域，转换为未变化区域。

通过相互对比的实验分析，可以有效证明，本发明中研究的辐射差异消除方法能够有效减低因为不同时相遥感影像间的辐射差异而导致的伪检测信息。

为全面的分析方法的性能，我们一方面将本发明方法与传统像素级检测算法进行比较。基于像元的方法，采用7*7像元窗口进行多时相空间邻域光谱相似度计算。分别获得如图5(a)基于像元相似度计算结果和图5(b)面向对象相似度计算结果。

图5(a)所标示的A、C区域，云覆盖区域和相邻地物之间的反差不够明显，即对应区域难以有效实现云覆盖区域和相邻地物的区分。而在对应面向对象解译结果的图5(b)所标示的B、D区域，已经实现了云覆盖区域和相邻地物的大反差区分，容易实现云覆盖区域的自动判定。

(6)阈值分割和检测结果生成

根据面向对象相似度计算结果，选定阈值，进行阈值分割，确定影像的变化区域和非变化区域，获得如图6所示结果。

在设计和构造了统一的面向对象的时序遥感影像云覆盖区域自动检测框架基础上，利用多组时序遥感影像，综合多种算法实验和比较了该框架在时序遥感云覆盖区域自动检测中的适用性及检测效果。最终可以得到如下结论：

1、本发明提出的统一检测框架在遥感影像云覆盖区域自动检测中是可行且有效的。通过多尺度分割算法不仅实现了场景中对象的准确提取，还充分利用了多尺度分割过程中产生的图斑所包含的光谱信息、时序信息用于变化检测，进而通过两种特征信息综合利用获得最终的检测结果。实验证明，该方法很好的弥补了单一时相遥感影像检测结果所带来的不确定性，使最终检测结果更加接近于实际变化。另外，由于采用面向对象的分析方法，在光谱相似度计算过程中不易受到噪声影响，能够更好的对云覆盖区域对象进行特征描述，同时能有效减少城市场景中常见的阴影区域对检测结果的干扰，更进一步缩小和确定了实际变化发生的位置，有效提高了云覆盖区域检测精度。

2、与传统像素级变化检测算法相比，本发明提出的对象级的多尺度融合变化检测方法以对象作为变化检测基本单元，有效提高了云覆盖区域的可分性。除个别尺度外，两组实验中单一尺度下检测精度依然高于像素级检测算法。由此可见，在云覆盖区域自动检测工作中，面向对象的方法比像素级的检测方法更能够适用实际需要。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种面向对象的时序遥感影像云覆盖区域自动检测方法，其特征在于：包括

(1)数据准备：输入两个相同空间范围、不同时相的光学遥感影像，分别记为：X₁和X₂；

(2)影像配准：对输入的两时相遥感影像X₁和X₂进行影像配准，经几何校正后，得到影像配准后的遥感影像X₁ ^c和X₂ ^c；

(3)多尺度影像分割：采用图像分析软件开展多尺度分割，以步骤(2)中经过影像配准后得到的遥感影像X₁ ^c和X₂ ^c为实验输入数据，进行波段叠加后生成的影像X₁₊₂ ^c作为多尺度影像分割的输入数据，经分割后，获得影像图斑；

(4)辐射差异消除：分别对步骤(2)影像配准后的遥感影像X₁ ^c和X₂ ^c，采用相邻波段依次相除的方法生成新的多波段影像，减少辐射条件差异而导致的伪变化信息；

(5)光谱相似度计算：以步骤(3)取得的多尺度影像分割后得到的影像图斑为基本分析单元，步骤(4)所得的多波段影像为光谱相似度计算基础数据，采用数理统计学中的t检验方法为理论依据，建立时空光谱相似度计算模型，生成差异影像；

(6)阈值分割和检测结果生成：选定阈值，对步骤(5)所得差异影像进行阈值分割，确定影像的变化区域和非变化区域。

2.如权利要求1所述的面向对象的时序遥感影像云覆盖区域自动检测方法，其特征在于：步骤(5)中时空光谱相似度计算模型为：

$t\left(R\right)=\frac{|\stackrel{\‾}{g}(i,j)-\stackrel{\‾}{f}(i,j)|}{\sqrt{\underset{l=1}{\overset{k}{\Σ}}\underset{i,j\∈R}{\Σ}{\left(g\right(i,j,l)-\stackrel{\‾}{g}(i,j\left)\right)}^2+\underset{i,j\∈R}{\Σ}{\left(f\right(i,j,l)-\stackrel{\‾}{f}(i,j\left)\right)}^2}}$

$\stackrel{\‾}{g}\left(R\right)=\frac{1}{W^{2}L}\underset{i\∈R}{\Σ}\underset{j\∈R}{\Σ}\underset{k=1}{\overset{L}{\Σ}}g(i,j,k)$

$\stackrel{\‾}{f}\left(R\right)=\frac{1}{W^{2}L}\underset{i\∈R}{\Σ}\underset{j\∈R}{\Σ}\underset{k=1}{\overset{L}{\Σ}}f(i,j,k)$

其中：

t(R)是通过t检验法获取的区域R的光谱相似度计算值；L为遥感影像的波段数；R为步骤(3)多尺度分割获得的图斑对象；i,j为区域R内目标像元的水平、垂直坐标；g(i,j,k)和f(i,j,k)分别为步骤(4)获取的多波段影像的像元(i,j,k)的光谱值；为影像X₁ ^c区域R的光谱平均值，为影像X₂ ^c区域R的光谱平均值。

3.如权利要求1所述的面向对象的时序遥感影像云覆盖区域自动检测方法，其特征在于：步骤(6)具体为：假设步骤(5)所得差异影像灰度级为[0,L]，设定阈值T，进行二值化分割，将将影像分为两类，[0,T]为一类,[T,L]为另一类，根据所得阈值分割结果，对于像素值范围为[T,L]内的像元所在区域，判定为云覆盖区域，为最终检测结果。