CN111047570B - 一种基于纹理分析法的自动云检测方法 - Google Patents

Abstract

本说明书实施例提供了一种基于纹理分析法的自动云检测方法，通过获得待检测影像；对所述待检测影像进行图像变换；计算经过图像变换后的所述待检测图像的第一一阶差分特征；判断所述第一一阶差分特征是否满足第一预设阈值；当所述第一一阶差分特征满足所述第一预设阈值时，确定所述待检测图像为云图像；当所述第一一阶差分特征不满足所述第一预设阈值时，对所述待检测图像高斯金字塔分解，并计算分解后所述待检测图像的第二一阶差分特征；判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果，达到了有效的拉开云与地物的分布距离，实现云与地物区分，有效地对检测结果的误判与漏判进行修正的技术效果。

Description

一种基于纹理分析法的自动云检测方法

技术领域

本说明书实施例涉及云检测技术领域，尤其涉及一种基于纹理分析法的自动云检测方法。

背景技术

随着对地观测技术的快速发展，遥感影像的获取正变得越来越容易，如今的遥感图像正向着更高空间分辨率、更高清晰度、更大信息量的方向发展。目前的光学卫星影像一般具有信息量大、分辨率高和几何形状稳定等特点，但同时它又极易受到气候因素的影响，而云层遮挡就是其中影响之一。因此，云检测技术一直以来都是遥感影像处理领域的研究热点与难点，由于云的种类繁多，其亮度，纹理，形状多变，且在不同尺度空间中的特征表现各不相同，这些都给自动云检测带来诸多不便，尤其表现在云与冰雪等高亮度目标地物的区分上；此外，光学遥感卫星传感器的光谱探测范围窄，影像数据量大，一些运算效率低下且需要人工参与的方法难以满足海量数据自动化业务处理的需求。

目前针对遥感影像的自动云检测算法主要分为两类：一种是以分析云和地物光谱特性为基础的阈值法，另一种是分析图像特性的纹理分析法。纹理分析法是通过分析影像上云和地物的纹理特征差异，提取合适的特征或特征组合(分形维数，灰度共生矩阵，或将这些特征在多维空间进行延拓)来区分云和地物。但由于云的种类十分繁杂，不同类型的云具有不同的图像特征值，而且特征值的分布并不集中，再加上地物的种类同样繁杂，并不存在一种特征或者特征组合能够将云与地物明显的区分开。种种因素也导致基于纹理分析法进行自动云检测所面临的几个难点：(1)如何有效的拉开云与地物在空间上的分布距离；(2)如何选取合适的空间特征将云与地物加以区分；(3)如何对检测结果中存在的误判与漏判进行修正。

发明内容

本说明书实施例提供及一种基于纹理分析法的自动云检测方法，解决了现有技术中基于纹理分析法进行自动云检测难以有效的拉开云与地物在空间上的分布距离，难以选取合适的空间特征将云与地物加以区分，同时取法对检测结果中存在的误判与漏判进行修正的技术问题，达到了有效的拉开云与地物在空间上的分布距离，实现将云与地物区分，有效地对检测结果中的误判与漏判进行修正的技术效果。

鉴于上述问题，提出了本申请实施例以便提供一种基于纹理分析法的自动云检测方法。

本说明书实施例提供一种基于纹理分析法的自动云检测方法，所示方法包括：步骤1：获得待检测影像；步骤2：对所述待检测影像进行图像变换；步骤3：计算经过图像变换后的所述待检测图像的第一一阶差分特征；步骤4：判断所述第一一阶差分特征是否满足第一预设阈值；步骤5：当所述第一一阶差分特征满足所述第一预设阈值时，确定所述待检测图像为云图像；当所述第一一阶差分特征不满足所述第一预设阈值时，对所述待检测图像高斯金字塔分解，并计算分解后所述待检测图像的第二一阶差分特征；步骤6：判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果。

优选地，在所述步骤3中，具体包括：根据灰度为i的所述待检测图像(x，y)的像素，获得与距离为δ、方向为θ、灰度为j的像素(x+Δx，y+Δy)同时出现的概率P(i，j，δ，θ)，其中，

P(i,j,δ,θ)＝{{[(x,y),(x+Δx,y+Δy)]f(x,y)＝i,

f(x+Δx,y+Δy)＝j；x＝0,1,…,N_x-1；y＝0,1,…N_y-1}

式中，i，j＝0，1，…，L-1；x，y为图像中的像素坐标；L为图像的灰度级数；N_x，N_y分别为图像的行数和列数；

获得归一化处理结果：

其中，R为图像像素对个数；

获得惯性矩f：

获得第一一阶差分特征：

优选地，所述图像变换为对所述待检测图像进行均化色调处理。

优选地，在所述步骤5中，所述对所述待检测图像高斯金字塔分解，具体包括：当所述待检测图像的原图为g₀，则第k阶的滤波图像g_k的大小为R_k*C_k的图像，获得每个节点的递推公式为：

式中，w(m,n)为生成核，且w(m,n)的分离变量为：

其中，w满足归一性、对称性和均匀分布性，则用参数a表示为：

当参数a＝0.4时，根据所述生成核的等效权值函数获得高斯函数，并获得所述待检测图像的特征值。

优选地，所述获得所述待检测图像的特征值，具体包括：

获得第一特征的k级n阶退化率，其中，所述k级n阶退化率为在第k+n级分解图与第k级分解图中取值之比：

优选地，所述判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果，具体包括：

获得所述分解后的所述待检测图像的第二一阶差分的0级1阶退化率；

判断所述退化率是否第二预设阈值；

当满足所述第二预设阈值时，确定所述待检测图像为云图像；当不满足所述第二预设阈值时，确定所述待检测图像为地物图像。

优选地，所述第二预设阈值为所述待检测图像的灰度均值的函数，具体为：

式中，g_v表示所述待检测图像的灰度均值。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本说明书实施例提供的一种基于纹理分析法的自动云检测方法，通过步骤1：获得待检测影像；步骤2：对所述待检测影像进行图像变换；步骤3：计算经过图像变换后的所述待检测图像的第一一阶差分特征；步骤4：判断所述第一一阶差分特征是否满足第一预设阈值；步骤5：当所述第一一阶差分特征满足所述第一预设阈值时，确定所述待检测图像为云图像；当所述第一一阶差分特征不满足所述第一预设阈值时，对所述待检测图像高斯金字塔分解，并计算分解后所述待检测图像的第二一阶差分特征；步骤6：判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果，解决了现有技术中基于纹理分析法进行自动云检测难以有效的拉开云与地物在空间上的分布距离，难以选取合适的空间特征将云与地物加以区分，同时取法对检测结果中存在的误判与漏判进行修正的技术问题，达到了有效的拉开云与地物在空间上的分布距离，实现将云与地物区分，有效地对检测结果中的误判与漏判进行修正的技术效果。

附图说明

图1为本说明书实施例中提供的一种基于纹理分析法的自动云检测方法流程图；

图2为本说明书实施例中提供的一种基于纹理分析法的自动云检测方法中一阶差分对云和地物的区分能力示意图；

图3为本说明书实施例中提供的一种基于纹理分析法的自动云检测方法中经一阶差分阈值分类后仍存误判的云图；

图4为本说明书实施例中提供的一种基于纹理分析法的自动云检测方法中错误检测示意图；

图5为本说明书实施例中提供的一种基于纹理分析法的自动云检测方法中补充检测结果图；

图6为本说明书实施例中提供的一种基于纹理分析法的自动云检测方法的检测流程图；

图7为本说明书实施例中提供的一种基于纹理分析法的自动云检测装置示意图。

具体实施方式

本发明实施例提供了一种基于纹理分析法的自动云检测方法，用于解决现有技术中基于纹理分析法进行自动云检测难以有效的拉开云与地物在空间上的分布距离，难以选取合适的空间特征将云与地物加以区分，同时取法对检测结果中存在的误判与漏判进行修正的技术问题，本发明提供的技术方案总体思路如下：

在本发明实施例的技术方案中，通过步骤1：获得待检测影像；步骤2：对所述待检测影像进行图像变换；步骤3：计算经过图像变换后的所述待检测图像的第一一阶差分特征；步骤4：判断所述第一一阶差分特征是否满足第一预设阈值；步骤5：当所述第一一阶差分特征满足所述第一预设阈值时，确定所述待检测图像为云图像；当所述第一一阶差分特征不满足所述第一预设阈值时，对所述待检测图像高斯金字塔分解，并计算分解后所述待检测图像的第二一阶差分特征；步骤6：判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果，达到了有效的拉开云与地物在空间上的分布距离，实现将云与地物区分，有效地对检测结果中的误判与漏判进行修正的技术效果。

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本说明书实施例的技术方案做详细的说明，应当理解本说明书实施例以及实施例中的具体特征是对本说明书实施例技术方案的详细的说明，而不是对本说明书技术方案的限定，在不冲突的情况下，本说明书实施例以及实施例中的技术特征可以相互组合。

在本文公开使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本公开。在本文公开和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

实施例一

图1为本发明实施例中一种基于纹理分析法的自动云检测方法的流程示意图。如图1所示。该方法包括步骤1-6。

步骤1：获得待检测影像。

步骤2：对所述待检测影像进行图像变换。

进一步的，所述图像变换为对所述待检测图像进行均化色调处理。

具体而言，在进行自动云检测时，首先需要采集到待检测影像，进而将待检测的影像先进行图像变换，再进行分类。这样能够有效的拉开云和地物的特征值在空间上的分布距离，并且很大程度上简化了分类的过程，从而可以快速高效地进行自动云检测。

具体的：本实施例中将待检测影像先进行图像变换是指先将每个图像块采用均化色调的方法进行增强处理，以突出图像的纹理特征，从而拉开云和地物在特征空间内的分布距离；然后再对影像进行分类的处理，进一步拉开了云和地物在特征空间内的分布。

色调均化又称为直方图均衡化，是一种常用的灰度变换方法；从大的方面来讲，它属于图像空域处理的一种重要的图像处理技术，这类方法直接以图像的像素操作为基础，主要分为灰度变换和空域滤波两大类。色调均化的基本思想是将原始图像的不均衡直方图变换为均匀分布的直方图，扩展了像元取值的动态范围，从而达到增强图像整体对比度的效果。

通常，暗图像直方图的分布集中在灰度较低的一端，而亮图像直方图分布偏向于灰度较高的一端，如果一幅图像的灰度直方图几乎覆盖了整个灰度的取值范围，并且除了个别灰度值的个数较为突出，整个灰度值分布近似于均匀分布，那么这幅图像就具有较大的灰度动态范围和较高的对比度，同时图像的细节更为丰富。如果仅依靠输入图像的直方图信息，就可以得到一个变换函数，利用该变换函数可以将输入图像达到上述效果，该过程就是色调均化处理，即直方图均衡化。所以，采用先对图像进行色调均化处理的操作，将原本不均匀的直方图分布变换为均匀的直方图分布，增强图像整体的对比度，部分特征被增强，云层与地物的空间分布距离被拉大，使二者的混杂区域明显变小。

步骤3：计算经过图像变换后的所述待检测图像的第一一阶差分特征。

进一步的，在所述步骤3中，具体包括：根据灰度为i的所述待检测图像(x，y)的像素，获得与距离为δ、方向为θ、灰度为j的像素(x+Δx，y+Δy)同时出现的概率P(i，j，δ，θ)，其中，

P(i,j,δ,θ)＝{{[(x,y),(x+Δx,y+Δy)]f(x,y)＝i,

f(x+Δx,y+Δy)＝j；x＝0,1,…,N_x-1；y＝0,1,…N_y-1}

式中，i，j＝0，1，…，L-1；x，y为图像中的像素坐标；L为图像的灰度级数；N_x，N_y分别为图像的行数和列数；

获得归一化处理结果：

其中，R为图像像素对个数；

获得惯性矩f：

获得第一一阶差分特征：

具体而言，当待检测图像经过色调均化处理之后，进而可以对色调均化处理之后的图像计算其一阶差分特征，从而达到能够将云与地物明显的区分开的技术效果。

由于经过色调均化处理的图像，云和地物在某些图像特征上混合区域较小，所以能够较好的将其区分开，其中典型常用的图像特征有惯性矩和一阶差分。惯性矩是基于图像灰度共生矩阵的纹理特征二次统计量，能体现图像纹理的沟纹深浅及其清晰程度。其中，灰度共生矩阵是从图像(x，y)灰度为i的像素出发，统计与距离为δ、方向为θ、灰度为j的像素(x+Δx，y+Δy)同时出现的概率P(i，j，δ，θ)，用数学式表示为：

P(i,j,δ,θ)＝{{[(x,y),(x+Δx,y+Δy)]f(x,y)＝i,

f(x+Δx,y+Δy)＝j；x＝0,1,…,N_x-1；y＝0,1,…N_y-1}

式中，i，j＝0，1，…，L-1；x，y是图像中的像素坐标；L为图像的灰度级数；Nx，Ny分别为图像的行列数。

归一化得到如下：

其中，R为图像像素对个数。

由此求得惯性矩f：

一阶差分体现图像邻近像素的差异分布，一定程度上能够体现灰度变化的平坦程度，定义如下：

一阶差分对于云和地物的区分效果最好，而且计算量较小，可以作为云检测算法的主要特征，该特征对云和地物的区分能力如图2所示：其中参加统计所用的样本尺寸均为32×32的图块，经过色调均化处理后生成的样本图，图2表示云和地物在一阶差分这个特征值上，分别按从小到大排列的比较结果，由图2可见，经色调均化处理后的影像上，云的一阶差分值普遍小于地物，而且能够明显的区分开，所以选取这个特征对云和地物加以区分很合适，从而实现选取一个合适的空间特征在云层与地物的空间分布距离被拉大的基础上将云与地物加以区分的目的。

步骤4：判断所述第一一阶差分特征是否满足第一预设阈值。

具体而言，当得到第一一阶差分特征之后，需要进一步有效的对检测结果中存在的误判与漏判进行修正。因此，此时需要判断步骤3中得到的第一一阶差分特征是否满足第一预设阈值。

步骤5：当所述第一一阶差分特征满足所述第一预设阈值时，确定所述待检测图像为云图像；当所述第一一阶差分特征不满足所述第一预设阈值时，对所述待检测图像高斯金字塔分解，并计算分解后所述待检测图像的第二一阶差分特征。

步骤6：判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果。

进一步的，在所述步骤5中，所述对所述待检测图像高斯金字塔分解，具体包括：

当所述待检测图像的原图为g₀，则第k阶的滤波图像g_k的大小为R_k*C_k的图像，获得每个节点的递推公式为：

式中，w(m,n)为生成核，且w(m,n)的分离变量为：

其中，w满足归一性、对称性和均匀分布性，则用参数a表示为：

当参数a＝0.4时，根据所述生成核的等效权值函数获得高斯函数，并获得所述待检测图像的特征值。

进一步的，所述获得所述待检测图像的特征值，具体包括：

获得第一特征的k级n阶退化率，其中，所述k级n阶退化率为在第k+n级分解图与第k级分解图中取值之比：

进一步的，所述判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果，具体包括：获得所述分解后的所述待检测图像的第二一阶差分的0级1阶退化率；判断所述退化率是否第二预设阈值；当满足所述第二预设阈值时，确定所述待检测图像为云图像；当不满足所述第二预设阈值时，确定所述待检测图像为地物图像。

具体而言，将图像的一阶差分与第一预设阈值比较之后，归为两类：一类认定为云图，另一类为地物和云的混合体。对第二类地物和云的混合体再次执行高斯金字塔分解图像补充检测算法以及云量值修正算法。即，当第一一阶差分特征满足第一预设阈值时，确定待检测图像为云图像；当第一一阶差分特征不满足第一预设阈值时，对待检测图像高斯金字塔分解，并计算分解后待检测图像的第二一阶差分特征。

对色调均化处理的图像进行一阶差分特征值计算之后，虽然能够将大部分的云与地物区分开，但是仍存在由以下三点原因引起的漏判与误判会影响云检测的准确率：第一是部分区域云地混杂；第二是点状云体积远小于图块处理单元；第三是云地在一阶差分特征空间内仍存在着交集；

因此，需要进一步计算以提高云检测准确率，采用基于高斯金字塔分解的图像特征退化率来检测误判。

具体的：高斯金字塔分解是对图像进行一系列低通抽样滤波。设原图为g₀，那么它的一阶金字塔滤波图像g₁的分辨率和采样密度都会比原图降低。迭代该算法可以求得g₁的滤波图像g₂，称这一系列的图像g₀,g₁,g₂,…g_N为高斯金字塔。

第k阶的滤波图像g_k的大小为R_k*C_k的图像，那么对每个节点有递推公式：

式中w(m,n)称为生成核，可将其分离变量写作：

w满足归一性、对称性和均匀分布性，在这些条件约束下，可列方程用参数a表示如下：

当参数a取0.4的时候，生成核的等效权值函数类似于高斯函数，因此该多尺度分解算法被称为高斯金字塔分解。对于每一级高斯金字塔分解的图像，都可以计算出图像的各个特征值，随着分解的进行，图像的特征值会发生变化，称此过程为特征的退化。

定义某个特征在第k+n级分解图与第k级分解图中取值之比为该特征的k级n阶退化率：

其中，一阶差分的0级1阶退化率能够较好的区分云和地物。具体做法如下：

色调均衡化图像的一阶差分与预设的阈值比较之后，归为两类：一类认定为云图，另一类为地物和云的混合体。后者进一步进行高斯金字塔分解，求取其一阶差分的0级1阶退化率，这个退化率与一个动态阈值做比较，最终区分云地。其中，这个动态阈值是关于该图像块灰度均值的函数，设置如下：

式中，g_v表示该图像块的灰度均值。

举例说明以上检测的具体流程：

经过增强并用一阶差分阈值分类(以下称为“步骤A”)，再进行补充检测计算(以下称为“步骤B”)可用下面的例子说明。

如图3所示，为步骤A经过增强并用一阶差分阈值分类后仍存在较严重误判的影像云图，该图云量为100％，但经步骤A的云检测结果如图4所示，图中全白的区域表示步骤A检测出来的云，云量为71.82％，误差较大。可见，只经过步骤A仍存在大量区域的云不能被识别，原因在于该区域的云与一些地物有很大的纹理相似性，比如积雪的丘陵、沙漠等。现进行步骤B的补充检测，结果如图5所示，图中浅灰色的区域为补判所检测出的云，综合步骤A所检测的云，总体云量为99.71％，近似100％，符合云检测要求。

进一步的，如图6所示，为本实施例中的基于纹理分析法进行自动云检测的一种具体实施方式，具体如下：

首先，将影像按照32×32的大小进行分块；对于每个图像块，分别计算灰度均值G_v；

其次，对每块影像的灰度均值G_v进行判断；其中，若G_v小于80，说明图像块整体色调偏暗，进一步计算该图像块的灰度方差V_ar，当V_ar大于30时，认为该图像块存在点状云或与下垫面形成强烈灰度反差的云类，当V_ar小于30时，认为该图像块是暗地表；若G_v大于235，说明该图像块亮度值很高，接近于全白的图像，认为该图像块为云；若G_v介于80和235之间，则将该图像块进行色调均化处理，计算处理后图像块的一阶差分值FD，当FD小于预设的阈值时，认为该图像块为云，否则将图像块进行高斯金字塔分解，计算分解后图像的一阶差分值FD2，若FD2小于预设的阈值时，该图像块为云，否则为地物。

最后，将影像上所有的图像块均按上述方法计算后，再进行云量值的修正，以符合人工云判的标准，统计计算得到云量值。

因此，本实施例中的基于纹理分析法的自动云检测方法，通过对影像进行色调均化处理能够有效的拉开云与地物在空间上的分布距离；通过对影像计算一阶差分特征值能够选取此空间特征将云与地物加以区分；通过对经一阶差分特征值与阈值比较后的云地混合体进行高斯金字塔分解图像补充检测以及云量值修正算法可以有效地对检测结果中的误判与漏判进行修正；

进一步的，经色调均化处理的待检测影像还具有以下三个优点：均衡化变换后的图像，部分特征被增强，云层与地物的差距拉大，使二者的混杂区域明显变小；均衡化变换后的图像意味着在一定程度上统一了图像，使得用于云检测的输入影像不在受分辨率不同辐射情况不同以及产品生成方式不同的限制，提高了云检测算法的适用性；均衡化变换后的图像只需一阶差分特征就能区分大多数云和地物，不再像传统的纹理分析法那样需要计算较多的图像特征，很大程度上简化了后续算法，大幅度提高了云检测的计算效率。

实施例二

基于与前述实施例中一种基于纹理分析法的自动云检测方法同样的发明构思，本发明还提供一种基于纹理分析法的自动云检测装置，如图7所示，包括：

第一获得单元11，用于获得待检测影像；

第一变换单元12，用于对所述待检测影像进行图像变换；

第一计算单元13，用于计算经过图像变换后的所述待检测图像的第一一阶差分特征；

第一判断单元14，用于判断所述第一一阶差分特征是否满足第一预设阈值；

第一执行单元15，用于当所述第一一阶差分特征满足所述第一预设阈值时，确定所述待检测图像为云图像；当所述第一一阶差分特征不满足所述第一预设阈值时，对所述待检测图像高斯金字塔分解，并计算分解后所述待检测图像的第二一阶差分特征；

第二获得单元16，用于判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果。

进一步地，所述第一计算单元中计算经过图像变换后的所述待检测图像的第一一阶差分特征，具体包括：

第三获得单元，用于根据灰度为i的所述待检测图像(x，y)的像素，获得与距离为δ、方向为θ、灰度为j的像素(x+Δx，y+Δy)同时出现的概率P(i，j，δ，θ)，其中，

P(i,j,δ,θ)＝{{[(x,y),(x+Δx,y+Δy)]f(x,y)＝i,

f(x+Δx,y+Δy)＝j；x＝0,1,…,N_x-1；y＝0,1,…N_y-1}

式中，i，j＝0，1，…，L-1；x，y为图像中的像素坐标；L为图像的灰度级数；N_x，N_y分别为图像的行数和列数；

第四获得单元，用于获得归一化处理结果：

其中，R为图像像素对个数；

第五获得单元，用于获得惯性矩f：

第六获得单元，用于获得第一一阶差分特征：

进一步地，所述图像变换为对所述待检测图像进行均化色调处理。

进一步地，所示第一执行单元中所述对所述待检测图像高斯金字塔分解，具体包括：

第七获得单元，用于当所述待检测图像的原图为g₀，则第k阶的滤波图像g_k的大小为R_k*C_k的图像，获得每个节点的递推公式为：

式中，w(m,n)为生成核，且w(m,n)的分离变量为：

其中，w满足归一性、对称性和均匀分布性，则用参数a表示为：

第八获得单元，用于当参数a＝0.4时，根据所述生成核的等效权值函数获得高斯函数，并获得所述待检测图像的特征值。

进一步地，所述第八获得单元中，所述获得所述待检测图像的特征值，具体包括：

第九获得单元，用于获得第一特征的k级n阶退化率，其中，所述k级n阶退化率为在第k+n级分解图与第k级分解图中取值之比：

进一步地，所述第二获得单元中，所述判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果，具体包括：

第十获得单元，用于获得所述分解后的所述待检测图像的第二一阶差分的0级1阶退化率；

第二判断单元，用于判断所述退化率是否第二预设阈值；

第二执行单元，用于当满足所述第二预设阈值时，确定所述待检测图像为云图像；当不满足所述第二预设阈值时，确定所述待检测图像为地物图像。

进一步地，所述第二执行单元中，所述第二预设阈值为所述待检测图像的灰度均值的函数，具体为：

式中，g_v表示所述待检测图像的灰度均值。

前述图1实施例一中的一种基于纹理分析法的自动云检测方法的各种变化方式和具体实例同样适用于本实施例的一种基于纹理分析法的自动云检测装置，通过前述对一种基于纹理分析法的自动云检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种基于纹理分析法的自动云检测装置的实施系统，所以为了说明书的简洁，在此不再详述。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本说明书实施例提供的一种基于纹理分析法的自动云检测方法，通过步骤1：获得待检测影像；步骤2：对所述待检测影像进行图像变换；步骤3：计算经过图像变换后的所述待检测图像的第一一阶差分特征；步骤4：判断所述第一一阶差分特征是否满足第一预设阈值；步骤5：当所述第一一阶差分特征满足所述第一预设阈值时，确定所述待检测图像为云图像；当所述第一一阶差分特征不满足所述第一预设阈值时，对所述待检测图像高斯金字塔分解，并计算分解后所述待检测图像的第二一阶差分特征；步骤6：判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果，解决了现有技术中基于纹理分析法进行自动云检测难以有效的拉开云与地物在空间上的分布距离，难以选取合适的空间特征将云与地物加以区分，同时取法对检测结果中存在的误判与漏判进行修正的技术问题，达到了有效的拉开云与地物在空间上的分布距离，实现将云与地物区分，有效地对检测结果中的误判与漏判进行修正的技术效果。

本领域内的技术人员应明白，本发明的实施例可提供为系统、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的系统、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的设备。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令设备的制造品，该指令设备实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本说明书的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本说明书范围的所有变更和修改。

显然，本领域的技术人员可以对本说明书进行各种改动和变型而不脱离本说明书的精神和范围。这样，倘若本说明书的这些修改和变型属于本说明书权利要求及其等同技术的范围之内，则本说明书也意图包含这些改动和变型在内。

Claims (4)

1.一种基于纹理分析法的自动云检测方法，其特征在于，所述方法包括：

步骤1：获得待检测影像；

步骤2：对所述待检测影像进行图像变换，所述图像变换为对所述待检测图像进行均化色调处理；

步骤3：计算经过图像变换后的所述待检测图像的第一一阶差分特征；

步骤4：判断所述第一一阶差分特征是否满足第一预设阈值；

步骤5：当所述第一一阶差分特征满足所述第一预设阈值时，确定所述待检测图像为云图像；当所述第一一阶差分特征不满足所述第一预设阈值时，对所述待检测图像高斯金字塔分解，并计算分解后所述待检测图像的第二一阶差分特征；

步骤6：判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果；

其中，在所述步骤3中，具体包括：

根据灰度为i的所述待检测图像(x，y)的像素，获得与距离为δ、方向为θ、灰度为j的像素(x+Δx，y+Δy)同时出现的概率P(i，j，δ，θ)，其中，

P(i,j,δ,θ)＝{{[(x,y),(x+Δx,y+Δy)]|f(x,y)＝i,

f(x+Δx,y+Δy)＝j；x＝0,1,…,N_x-1；y＝0,1,…N_y-1}

式中，i，j＝0，1，…，L-1；x，y为图像中的像素坐标；L为图像的灰度级数；N_x，N_y分别为图像的行数和列数；

获得归一化处理结果：

其中，R为图像像素对个数；

获得惯性矩f：

获得第一一阶差分特征：

其中，在所述步骤5中，所述对所述待检测图像高斯金字塔分解，具体包括：

当所述待检测图像的原图为g₀，则第k阶的滤波图像g_k的大小为R_k*C_k的图像，获得每个节点的递推公式为：

式中，w(m,n)为生成核，且w(m,n)的分离变量为：

其中，w满足归一性、对称性和均匀分布性，则用参数a表示为：

当参数a＝0.4时，根据所述生成核的等效权值函数获得高斯函数，并获得所述待检测图像的特征值。

2.如权利要求1所述的方法，其特征在于，所述获得所述待检测图像的特征值，具体包括：

获得第一特征的k级n阶退化率，其中，所述k级n阶退化率为在第k+n级分解图与第k级分解图中取值之比：

3.如权利要求1所述的方法，其特征在于，所述判断所述分解后所述待检测图像的第二一阶差分特征是否满足第二预设阈值，获得判断结果，具体包括：

获得所述分解后的所述待检测图像的第二一阶差分的0级1阶退化率；

判断所述退化率是否第二预设阈值；

当满足所述第二预设阈值时，确定所述待检测图像为云图像；当不满足所述第二预设阈值时，确定所述待检测图像为地物图像。

4.如权利要求3所述的方法，其特征在于，所述第二预设阈值为所述待检测图像的灰度均值的函数，具体为：

式中，g_v表示所述待检测图像的灰度均值。

Images