CN106920231A - 一种基于全色图像统计特征的遥感图像云评估方法 - Google Patents

Abstract

本发明提供一种基于全色图像统计特征的遥感图像云评估方法，具体过程为：步骤一、将全色遥感图像划分成多个相邻的图像块，针对每个图像块，计算相应的均差对比度归一化系数；步骤二、对每个图像块相应的均差对比度归一化系数，采用非对称广义高斯分布建模得到对应的特征参数；步骤三、使用多变量高斯模型对所述特征参数进行拟合，得到均值向量和协方差矩阵；步骤四、计算全色遥感图像的均值向量和协方差矩阵与数据库中无云图像的均值向量和协方差矩阵之间的距离，根据所述距离判断全色遥感云图像上的云量。本发明可以准确地估算出图像中云的多少，不会出现漏检薄云的情况。

Description

一种基于全色图像统计特征的遥感图像云评估方法

技术领域

本发明属于遥感图像处理技术领域，具体涉及一种基于全色图像统计特征的遥感图像云评估方法。

背景技术

卫星遥感图像在采集的过程中经常会受到包括噪声、模糊、条带、低对比度、雾和云遮挡等因素影响，导致图像质量下降，影响图像的使用。其中，云遮挡是一种最普遍的遥感图像质量破坏的自然因素。云层会阻挡地球表面物体的光谱信号传输到星上成像传感器，导致无法获得清晰成像，有可能造成目标重要信息丢失，严重影响后续目标检测识别等任务的执行。

由于受到能源、重量、体积等因素的限制，星上的计算和存储资源都受到很大的限制，而且分配给每颗卫星的空间传输链路带宽也是很有限的。然而，到目前为止，各个国家的卫星处理系统对采集到的所有图像都一视同仁，做一系列同样的处理，包括压缩、校正、下传等。而其中有很多图像包含的有效目标信息很少，图像质量很差，这些图像下传到地面接收站也是没有意义的，反而极大地占用和浪费本就很有限的空间资源。因此，如果可以建立一种能在轨实时处理的客观遥感图像质量评价机制，帮助星上系统在轨判断图像质量进而决定是否对图像进行后续处理，将可以节约很大一部分资源用于完成其他更重要的任务。

在过去的二三十年间，世界各国的专家学者相继提出了很多自动云遮挡评测(ACCA，Automatic Cloud-Cover Assessment)算法。美国地质勘探局(USGS，United StatesGeological Survey)记载的最早的ACCA算法是在1987年美国EROS(Earth ResourcesObservation and Science)数据中心提出的Landsat 5号卫星云遮挡方法。该方法分别利用可见光红色、中红外和热红外三个谱段图像，通过设置阈值排除掉图像中黑色、雪和相对温度较暖的内容。该方法比较粗糙，容易漏检暖云，也区分不好云和冰雪等。1999年，美国Landsat 7号卫星发射成功，美国航空航天局(NASA)研究人员Richard R.Irish提出了针对Landsat 7图像的两通道ACCA算法。该算法首先在第一个通道中利用5个ETM+(EarthThematicMapper)谱段(Band 2至Band 6)图像信息以及8个不同的滤波器把图像中的内容分成云、非云和疑似云，然后在第二通道通过对热红外谱段(Band 6)分析对疑似云进一步检测判断。Landsat 7ACCA算法思想也是基于云的一些基本物理特性，包括高反射率和温度低等。所以，它也存在误检冰雪的情况，同时存在漏检薄卷云的问题。该套算法目前依然运用在2013年发射的Landsat 8卫星处理系统中，并作为判断标准之一。由于Richard提出的Landsat 7ACCA方法主要依赖热红外波段，而Landsat 8在设计初期并没有考虑携带热红外传感器(Thermal Infrared Sensor,TIRS)，虽然最后发射时安装了TIRS，但是其设计使用寿命只有三年时间。因此，研究人员提出了只利用可见光波段无热红外谱段的ACCA模型：AT-ACCA和C5-ACCA。AT-ACCA的设计思想是通过Landsat 8其他波段图像人为构造出一幅热红外波段图像，进而仍然可以运用Landsat 7的模型；C5-ACCA模型则是通过对多个可见光谱段的图像进行学习分离出云。

从上述分析可以看出，现有的云量评估方法有两个特点：第一是建立在云的高反射和温度低的物理特性上；第二是需要利用多个谱段图像信息。这两个特点也分别导致如下两个问题：第一是薄卷云的漏检；第二是复杂的算法网络结构，不适合在轨实现。

因此，有必要研究一种既可以在轨实时处理，又可以同时检测出厚云和薄云，并且也不需要借助热红外波段的云评估模型。

发明内容

本发明针对遥感图像中云层遮挡情况进行研究，提出一种基于全色图像统计特征的遥感图像云评估方法，其目的是为解决现有云评估方法需要借助多个谱段图像同时存在漏检薄云的问题。

为了达到上述目的，本发明的技术方案包括如下步骤：

一种基于全色图像统计特征的遥感图像云评估方法，具体过程为：

步骤一、将全色遥感图像划分成多个相邻的图像块，针对每个图像块，计算相应的均差对比度归一化系数；

步骤二、对每个图像块相应的均差对比度归一化系数，采用非对称广义高斯分布建模得到对应的特征参数；

步骤三、使用多变量高斯模型对所述特征参数进行拟合，得到均值向量和协方差矩阵；

步骤四、计算全色遥感图像的均值向量和协方差矩阵与数据库中无云图像的均值向量和协方差矩阵之间的距离，根据所述距离判断全色遥感云图像上的云量。

进一步地，本发明所述特征参数包括所建模型的形状参数、尺度参数及广义高斯分布的均值。

进一步地，本发明所述相应的均差对比度归一化系数包括：每个图像块与其水平、竖直和两个对角线方向邻近的图像块的均差对比度归一化系数的乘积。

有益效果：

第一，本发明利用不同云量带来全色图像均差对比度归一化系数的不同这一发现，利用全色图像均差对比度归一化系数作为判别特征，可以准确地估算出图像中云的多少，不会出现漏检薄云的情况。

第二，本发明在估计云量时只需要借助全色图像的信息，无需其他更多波段图像及热红外图像，既简化网络、降低计算复杂度，同时也可以解决没有安装热红外成像器的卫星系统在轨云评估的问题。

第三，与建立在云的物理特性上的传统云量估计算法不同的是，本发明是基于不同类型的云对图像对比度影响不一样的观察结果。因此，不易受到具有相似物理特性的地物的干扰，既可以检测厚云也可以检测薄云。

第四，本发明在估计云量时，不直接设置各种阈值分离出云，因为不同的图像内容阈值也不一样。本发明充分利用无云图像和云图像在MSCN系数上的区别，通过计算云图像与无云图像在对应统计特征上的距离作为云量多少的估算指标，简单有效，同时避免阈值分割产生的误差。

附图说明

图1为本发明的实施流程图。

图2为本发明示例不同类型云图像块的均差对比度归一化分布。

图3为本发明示例全厚云图像块的均差对比度归一化分布。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明一种基于全色图像统计特征的遥感图像云评估方法，如图1所示，具体过程为：

步骤一、将全色遥感图像划分成多个相邻的图像块，计算每个图像块的均差对比度归一化(Mean SubtractedContrast Normalization,MSCN)系数具体为：

为了使计算机能够对全色遥感图像进行处理，需要将全色遥感图像的像素值的数据类型转换成双浮点型。

全色遥感图像的谱段是整个可见光波段产生的一幅图像，由于每颗卫星都会携带可见光光学成像器，但是不一定安装热红外传感器。因此，本发明仅利用单幅全色图像即可，该方法一方面可以适用于无热红外传感器的卫星系统，另一方面大大简化算法框架。

与现有技术不同，本发明不再基于云的普遍物理特性。由于发现厚云或几乎不透明的云与薄的卷云及层云对图像对比度的破坏程度不一样，大片的厚云或几乎不透明的云造成对应的区域地物完全被遮挡，完全一片白；而薄卷云或层云区域图像对比度降低，但是地物不会被完全遮住。

基于上述观察发现，本发明提出计算全色图像的均差对比度归一化MSCN系数厚云或不透明云图像区域的MSCN系数分布很窄，在零值附近的系数很多，峰值很高；而薄卷云或层云区域的MSCN系数分布则更宽，拖尾更长，呈现拉普拉斯分布；对无云的自然区域的MSCN系数分布呈现高斯分布，分布宽，拖尾长。因此本发明利用均差对比度归一化MSCN系数作为云图像上云量的判断特征。

本实例图像块的大小较佳64×64至256×256范围内设置。

步骤二、对每个图像块均差对比度归一化系数采用非对称广义高斯分布(Asymmetric Generalized Gaussian Distribution,AGGD)建模，得到对应的特征参数。

广义高斯分布建模为：

其中，(γ,β_l,β_r)是模型的三个尺度和形状参数，可以通过矩匹配的方法求解得到，将γ,β_l,β_r作为对应的特征参数。

由于广义高斯分布的均值η也对模型有影响，因此将其作为特征之一：

因此较佳采用γ,β_l,β_r和η这四类参数作为特征参数。

由于云图像的均差对比度归一化系数分布不是一个规则的高斯分布，为了计算分布的偏差，需要对水平、竖直和两个对角线方向的临近系数乘积：和作非对称广义高斯建模。因此，每个图像块都可以得到16个特征参数。

步骤三、使用多变量高斯(Multi-variate Gaussian，MVG)模型求取每一特征参数的均值和协方差，得到更有效和更紧致的特征参数，各特征参数的均值构成均值向量，各特征参数的协方差构成协方差矩阵。

步骤四、计算全色遥感图像的均值向量和协方差矩阵与数据库中无云图像的均值向量和协方差矩阵之间距离，根据所算距离判断全色遥感云图像上的云量，距离越大，云越多，距离为零，则无云。

本实例中数据库的建立过程如下：

(一)从USGS网站上下载20个不同场景的2016年全年Landsat 8全色图像，场景包括海港、内陆城市、林地、沙漠等不同地物情况。

(二)从下载的图像中截取出无云的图像块，图像块的大小可以在64×64至256×256范围内设置。由于图像块大小在上述范围内效果比较稳定，本实例一共截取了150幅128×128的清晰无云图像块。

(三)计算每一无云图像块的均差对比度归一化(MSCN)系数

其中，i,j是像素点的位置，如果图像块I的大小为M×N，则有i∈{1,2,…,M}，j∈{1,2,…,N}。I(i,j)是第i行第j列的像素点的像素值，μ(i,j)和σ(i,j)是图像块局部均值和标准差，

其中，ω＝{ω_k,l|k＝-K,…,K,l＝-L,…,L}是一个二维对称的单位高斯权重核，一般设置K＝L，取值根据图像块大小而定。常用的设置为K＝L＝3。

图2中展示了无云图像块、厚云图像块和薄卷云图像块的均差对比度归一化系数分布曲线。可以看到无云图像块(a)对应的分布曲线(d)最矮，服从高斯分布，厚云图像块(b)虽然只有一部分厚云，但是呈现出的分布(e)也比薄云图像块(c)的分布(f)更尖锐，在零值附近的系数更多。图3所示是一幅全厚云图像块及其均差对比度归一化系数分布曲线，系数几乎都是零。因此，将均差对比度归一化系数能够较为准确反应图像中的云情况。

(四)对步骤(三)中得到的150幅无云图像块的MSCN系数用非对称广义高斯分布建模。

设一幅无云图像块的MSCN系数矩阵其广义高斯建模为：

其中，(γ,β_l,β_r)是模型的三个尺度和形状参数，可以通过矩匹配的方法求解得到。同时，由于广义高斯分布的均值η也对模型有影响，因此将其作为特征之一：

因此，针对每一图像块，其对应的特征参数包括γ,β_l,β_r及η共4个特征参数

由图2所示的分布曲线图可以知道云图像的均差对比度归一化系数分布不是一个规则的高斯分布。为了计算分布的偏差，需要对水平、竖直和两个对角线方向的临近系数乘积：和作非对称广义高斯建模。因此，每个图像块都可以得到16个特征参数。

(五)为了得到不同无云图像场景共同的统计特征，需要将150幅无云图像块的特征参数放在一起组成一个大的参数矩阵。然后，通过多变量高斯模型求取150幅图像每个特征参数的均值和协方差，得到均值向量和协方差矩阵。其多变量高斯建模为：

其中，x＝(x₁,…,x_k)是150幅完全无云图像块的特征矩阵，x_k是第k个特征向量，在本发明中k＝16。υ是均值向量，Σ是协方差矩阵。至此，得到了清晰无云图像的统计特征，记为υ_r和Σ_r；

至此，完成了数据库的建立。

实例：

对一幅待测试全色遥感云图像重复类似上述步骤。首先将整幅图像分成等大的正方形图像块，然后求取每个图像块的均差对比度归一化系数矩阵，对系数矩阵使用非对称广义高斯分布建模，得到每个图像块的模型特征参数。将所有图像块的特征参数组合成一个参数矩阵，用多变量高斯模型拟合得到均值向量和协方差矩阵，记为υ_d和Σ_d，为测试云图像的特征。

计算测试云图像υ_d和Σ_d和清晰无云图像υ_r和Σ_r之间的距离：

距离D代表测试云图像特征与清晰无云图像特征之间的距离，该距离表征测试图像云量的多少。如果测试图像也是一幅无云图像，则D＝0，测试图像云越多越厚，距离D越大。

自此，就完成了基于全色图像统计特征的遥感图像云评估方法。

综上，以上仅为本发明的较佳实例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于全色图像统计特征的遥感图像云评估方法，其特征在于，具体过程为：

步骤一、将全色遥感图像划分成多个相邻的图像块，针对每个图像块，计算相应的均差对比度归一化系数；

步骤二、对每个图像块相应的均差对比度归一化系数，采用非对称广义高斯分布建模得到对应的特征参数；

步骤三、使用多变量高斯模型对所述特征参数进行拟合，得到均值向量和协方差矩阵；

步骤四、计算全色遥感图像的均值向量和协方差矩阵与数据库中无云图像的均值向量和协方差矩阵之间的距离，根据所述距离判断全色遥感云图像上的云量。

2.根据权利要求1所述基于全色图像统计特征的遥感图像云评估方法，其特征在于，所述特征参数包括所建模型的形状参数、尺度参数及广义高斯分布的均值。

3.根据权利要求1或2所述基于全色图像统计特征的遥感图像云评估方法，其特征在于，所述相应的均差对比度归一化系数包括：每个图像块与其水平、竖直和两个对角线方向邻近的图像块的均差对比度归一化系数的乘积。

4.根据权利要求1所述基于全色图像统计特征的遥感图像云评估方法，其特征在于，所述图像块的大小处于64×64至256×256范围内。