CN110599488A - 一种基于Sentinel-2气溶胶波段的云检测方法 - Google Patents

Abstract

本发明公开了一种基于Sentinel‑2气溶胶波段的云检测方法，其特征在于，包括如下步骤：1）影像收集；2）生成最小值影像；3）求取最小值影像的均值和标准差；4）求取分割阈值下限；5）生成均值影像；6）求取均值影像的均值和标准差；7）求取分割阈值上限；8)计算分割阈值；9）影像云检测。这种方法受客观因素的限制少，对于影像中厚云、卷云和薄云的识别，可以表现出稳健的效果，还可以为后续大气参数反演、影像配准和融合等任务提供更优质的影像数据，而且对大尺度土地利用制图及作物产量预估等研究有非常重要的实用价值。

Description

一种基于Sentinel-2气溶胶波段的云检测方法

技术领域

本发明涉及遥感技术、云微物理学领域，具体是一种基于Sentinel-2气溶胶波段的云检测方法。

背景技术

遥感影像广泛应用于大面积的遥感土地利用制图、农作物长势监测、农作物产量预估和病虫害监测等领域。随着高/较高分辨卫星数据的不断共享，遥感影像的应用价值在高精度土地利用与土地覆盖(Land-Use and Land-Cover Change，简称LUCC)研究中越来越重要。然而光学遥感影像极容易受到云噪声的影响，导致影像存在许多数据缺省的区域，这对基于高/较高分辨率遥感的大尺度LUCC研究的解译精度和可靠性提出了巨大挑战。

当前云检测有关的研究主要包括反射率阈值法、纹理分析法、多特征协同法以及结合机器学习、深度学习识别云噪声等方法。反射率阈值法容易受到云噪声边缘混合像元的影响；纹理分析法难以识别纹理复杂的卷云和薄云；多特征协同法以及结合机器学习、深度学习识别云噪声的方法，虽然在一定程度上可以提高云检测的精度，但是仍存在一定的误判和漏判。另外，对于高时空分辨率的Sentinel-2遥感影像，基于QA60波段的云检测很难得到令人满意的识别效果；有研究基于Sentinel-2影像的三个近红外波段进行云检测，得到了较高的总体精度，但是在高海拔地区出现了云和雪混淆的现象。

发明内容

本发明的目的是为了解决现有技术存在的问题，而提供一种基于Sentinel-2气溶胶波段的云检测方法。这种方法受客观因素的限制少，对于影像中厚云、卷云和薄云的识别，可以表现出稳健的效果，还可以为后续大气参数反演、影像配准和融合等任务提供更优质的影像数据，而且对大尺度土地利用制图及作物产量预估等研究有非常重要的实用价值。

实现本发明目的的技术方案是：

一种基于Sentinel-2气溶胶波段的云检测方法，包括如下步骤：

1)影像收集：收集一幅影像或时间临近的多幅影像，通过波段分解函数筛选出收集的影像的气溶胶波段影像，将气溶胶波段影像作为计算分割阈值的原始基础影像；

2)生成最小值影像：对比原始基础影像的反射率数值，对原始基础影像中的每一个像元都筛选出最小值，将所有像元的最小值赋值到原始基础影像相应像元的位置，从而生成一幅气溶胶波段的最小值影像；

3)求取最小值影像的均值和标准差：对步骤2)中的最小值影像进行编程并遍历，读取最小值影像中每个像元的反射率数值，将得到的数值全部代入均值公式和标准差公式，通过均值公式和标准差公式求取最小值影像中所有像元反射率的均值和标准差，均值公式(1)和标准差公式(2)如下所示：

其中，表示影像所有像元反射率的均值，σ表示影像所有像元反射率的标准差，N表示影像的像元数目，x_i表示影像第i个像元的反射率数值；

4)求取分割阈值下限：对最小值影像的均值和最小值影像0.5倍的标准差执行加法运算，得到的结果作为分割阈值下限；

5)生成均值影像：对比原始基础影像的反射率数值，在同一个像元的位置，计算原始基础影像的反射率均值，将所有像元的均值赋值到原始基础影像相应像元的位置，从而生成一幅气溶胶波段的均值影像；

6)求取均值影像的均值和标准差：对步骤5)中的均值影像进行编程并遍历，读取均值影像中每个像元的反射率数值，将得到的数值全部代入均值公式(1)和标准差公式(2)，通过均值公式(1)和标准差公式(2)求取均值影像中所有像元反射率的均值和标准差；

7)求取分割阈值上限：对均值影像的均值和均值影像0.5倍的标准差执行减法运算，得到结果作为分割阈值上限；

8)计算分割阈值：求取步骤4)中分割阈值下限与步骤7)中分割阈值上限的均值，得到的均值作为最终的分割阈值；

9)影像云检测：对步骤1)的原始基础影像中反射率大于分割阈值和小于等于分割阈值的区域分别进行掩膜提取和赋值，完成对原始基础影像的二值分割，二值分割的二值影像即为最终的云检测结果。

本技术方案基于Sentinel-2数据应用。

这种方法受客观因素的限制少，对于影像中厚云、卷云和薄云的识别，可以表现出稳健的效果，还可以为后续大气参数反演、影像配准和融合等任务提供更优质的影像数据，而且对大尺度土地利用制图及作物产量预估等研究有非常重要的实用价值。

附图说明

图1为实施例的流程示意图；

图2a为实施例中收集的一幅原始基础影像示意图；

图2b为实施例中人工目视标注的标签影像示意图；

图2c为实施例中云检测结果空间分布图；

图3为实施例中最小值影像生成示意图。

具体实施方式

下面结合附图和实施例对本发明的内容作进一步的阐述，但不是对本发明的限定。

实施例：

参照图1，一种基于Sentinel-2气溶胶波段的云检测方法，包括如下步骤：

1)影像收集：收集一幅影像或时间临近的多幅影像，作为计算分割阈值的原始基础影像，本例为了获取云噪声信息丰富的典型区域，基于GEE平台收集了2019年夏季的多幅Sentinel-2影像L2A级产品数据，且该数据已经大气校正处理，通过目视判读选取2019年8月24日和2019年8月29日的2景影像用于云检测，为了获取气溶胶波段阈值分割算法的分割阈值，使用GEE平台上的波段分解函数即select函数筛选出Sentinel-2的气溶胶波段影像，并将该气溶胶波段影像作为原始基础影像；

2)生成最小值影像：对比原始基础影像的每个像元的反射率数值，在同一像元上，对比找出反射率的最小值，将所有像元的最小值赋值到原始基础影像相应像元的位置，从而生成一幅气溶胶波段的最小值影像Min，如图3所示；

3)求取最小值影像的均值和标准差：对步骤2)中的最小值影像进行编程并遍历，读取最小值影像中每个像元的反射率数值，将得到的数值全部代入均值公式和标准差公式，通过均值公式和标准差公式求取最小值影像中所有像元反射率的均值Min_mean和标准差Min_stdDev，均值公式(1)和标准差公式(2)如下所示：

其中，表示影像所有像元反射率的均值，σ表示影像所有像元反射率的标准差，N表示影像的像元数目，x_i表示影像第i个像元的反射率数值；

4)求取分割阈值下限：为了防止与最小值影像中均值偏差大于300的反射率数值引入分割阈值而产生误差，对最小值影像的均值和最小值影像0.5倍的标准差执行加法运算，得到的结果作为分割阈值下限，同时排除最小值影像中反射率偏低的影响因素；

5)生成均值影像：对比原始基础影像的反射率数值，在同一个像元的位置，计算原始基础影像的反射率均值，将所有像元的均值赋值到原始基础影像相应像元的位置，从而生成一幅气溶胶波段的均值影像Mean；

6)求取均值影像的均值和标准差：对步骤5)中的均值影像进行编程并遍历，读取均值影像中每个像元的反射率数值，将得到的数值全部代入均值公式(1)和标准差公式(2)，通过均值公式(1)和标准差公式(2)求取均值影像中所有像元反射率的均值Mean_mean和标准差Mean_stdDev；

7)求取分割阈值上限：为防止与均值影像中均值偏差大于300的反射率数值引入分割阈值误差，对均值影像的均值和均值影像0.5倍的标准差执行减法运算，得到结果作为分割阈值上限，排除均值影像中反射率偏高的影响因素；

8)计算分割阈值：求取步骤4)中分割阈值下限与步骤7)中分割阈值上限的均值作为最终云检测的分割阈值T，具体计算公式如下：

9)影像云检测：遍历步骤1)中的所有原始基础影像，对每一幅影像中反射率大于分割阈值和小于等于分割阈值的区域分别进行掩膜提取，并将大于分割阈值的像素赋值为9999，小于等于分割阈值的像素赋值为1，完成对原始基础影像的二值分割，得到16位的二值影像，二值影像即为最终的云检测结果，如图2c所示。

为了评估本例的云检测效果，基于一幅原始基础影像进行人工目视标注，如图2a所示，得到一幅标签影像，如图2b所示，并基于该标签影像对该原始基础影像的分类结果进行精度评价，实际评价结果表明，本例方法云检测空间格局与原始基础影像基本一致，准确度高达96％，对于影像解译以及大尺度土地利用或土地覆盖变化研究，有非常重要的实用价值和意义。

Claims (1)

1.一种基于Sentinel-2气溶胶波段的云检测方法，其特征在于，包括如下步骤：

1)影像收集：收集一幅影像或时间临近的多幅影像，通过波段分解函数筛选出收集的影像的气溶胶波段影像，将气溶胶波段影像作为计算分割阈值的原始基础影像；

2)生成最小值影像：对比原始基础影像的反射率数值，对原始基础影像中的每一个像元都筛选出最小值，将所有像元的最小值赋值到原始基础影像相应像元的位置，从而生成一幅气溶胶波段的最小值影像；

3)求取最小值影像的均值和标准差：对步骤2)中的最小值影像进行编程并遍历，读取最小值影像中每个像元的反射率数值，将得到的反射率数值全部代入均值公式和标准差公式，通过均值公式和标准差公式求取最小值影像中所有像元反射率的均值和标准差，均值公式(1)和标准差公式(2)如下所示：

其中，表示影像所有像元反射率的均值，σ表示影像所有像元反射率的标准差，N表示影像的像元数目，x_i表示影像第i个像元的反射率数值；

4)求取分割阈值下限：对最小值影像的均值和最小值影像0.5倍的标准差执行加法运算，得到的结果作为分割阈值下限；

5)生成均值影像：对比原始基础影像的反射率数值，在同一个像元的位置，计算原始基础影像的反射率均值，将所有像元的均值赋值到原始基础影像相应像元的位置，从而生成一幅气溶胶波段的均值影像；

6)求取均值影像的均值和标准差：对步骤5)中的均值影像进行编程并遍历，读取均值影像中每个像元的反射率数值，将得到的数值全部代入均值公式(1)和标准差公式(2)，通过均值公式(1)和标准差公式(2)求取均值影像中所有像元反射率的均值和标准差；

7)求取分割阈值上限：对均值影像的均值和均值影像0.5倍的标准差执行减法运算，得到结果作为分割阈值上限；

8)计算分割阈值：求取步骤4)中分割阈值下限与步骤7)中分割阈值上限的均值，得到的均值作为最终的分割阈值；

9)影像云检测：对步骤1)的原始基础影像中反射率大于分割阈值和小于等于分割阈值的区域分别进行掩膜提取和赋值，完成对原始基础影像的二值分割，二值分割的二值影像即为最终的云检测结果。