CN113176211B - 一种基于hsv颜色空间模型变换的日间云检测方法 - Google Patents

Abstract

本发明公开了一种基于HSV颜色空间模型变换的日间云检测方法，该方法包括对所获取的遥感数据进行辐射定标，获得目标波段的反射率信息；根据反射率信息来分析厚云、薄云、海水、陆地四种物体在预设波段或波段组合中的反射特性，选取反映云信息的若干个波段或波段组合，依次放入红、绿、蓝三通道生成RGB假彩色图像；根据HSV颜色空间模型转换方程，计算得到色度、饱和度以及亮度分量；根据所计算得到分量数据中的云像元的分布特性来构建日间云检测指数算法NDCD_day；利用日间云检测指数算法计算得到NDCD_day统计直方图，根据直方图中的分布特征来设定阀值并检测污染像元。本发明NDCD_day算法有效减少了薄云的误判和漏判情况，具有更高的可靠性、通用性以及准确性。

Description

一种基于HSV颜色空间模型变换的日间云检测方法

背景技术

地球表面有一层时而稀薄时而密厚的云层，它是水蒸气遇冷液化成的小水滴或凝华成的小冰晶后漂浮在空中的可见聚合物，是地球的一种自然现象，影响着地表辐射收支和能量平衡。每个时刻，地球表面约有50％的区域被各种各样的云覆盖。云对地物接收到的太阳辐射以及传感器接收到的地物热辐射均有较大的影响，利用热红外遥感技术获取真实SST(Sea Surface Temperature)的过程中，云通过遮挡海面削弱了传感器对海表辐射值的真实记录，导致受云污染的像元SST反演结果偏低，因此云检测成为了卫星遥感图像预处理的关键技术之一。同时，在海洋要素定量研究工作中，准确的云检测步骤也是必不可少的。

在遥感图像的可见光通道，云的反射率明显高于水体。而在红外通道，云顶亮温却明显低于水体温度，因此通过对可见光与红外通道设立阈值，可以得到不错的云检测结果。对于海洋下垫面，背景并不复杂，但是薄云的反射率和亮温值与水体接近，薄云像元容易被漏判，从而影响海洋物理参数的遥感定量反演结果，造成较大的偏差。因此，如何准确而快速地判识薄云和体积较小的卷云，是目前云检测工作的难点。

几十年来，前人在遥感数据的云检测方面做了大量的研究工作，提出了多种自动云检测算法，希望能够准确判断出云污染像元，从而提高SST反演精度。1989年Rossow等提出了基于可见光窄波段0.6μm和热红外波段11μm的ISCCP(International SatelliteCloud Climatology Project)云检测算法，算法中以各像元辐射值与晴空辐射值的差值是否大于晴空辐射值本身的变化作为云像元的判定阈值，检测结果的不确定性过分受阈值影响。1991年Srowe等基于AVHRR(Advanced Very high resolution Radiometer)传感器的五个通道建立了CLAVR(CLoud from AVhrR)算法，将空间差异性作为判断条件，以2×2像元矩阵作为检测窗口，以窗口中4个像元点的判识结果来判定像元矩阵的类型，由于循环次数多，此算法处理效率不高。1994年Wylie等基于HIRS多光谱数据提出了CO₂薄片法，利用CO₂吸收波段检测不同层次的云，对薄卷云的检测比较有效，但当云像元和晴空像元间的差异小于仪器噪音时，算法将失效。1999年Wisetphanichkij和Dejhan利用小波分析法进行云检测，将多分辨率的小波分解图像融合以达到消除云污染的目的，但这种方法计算复杂。2000年Azimi-Sadjadi和Zekavat将机器学习算法支持向量机SVM(Support Vector Machines)引入云检测领域，这种方法需对地物特征进行标准化，并选取样本进行训练学习，其检测效果取决于分类方法的选择及特征样本的代表性。

国内的云检测研究起步相对较晚，2001年师春香等基于177幅GMS红外云图建立了云系特征库，然后利用神经网络进行自动分割，证明了多阈值和人工神经网络相结合判别云像元的可行性。2003年宋小宁和赵英时根据云像元的光谱特征和纹理结构特征，提出了一种基于空间结构分析和神经网络的云自动检测算法，并将多种云检测算法进行对照分析与相互验证。2007年马芳等根据GMS-5卫星云图在各通道的统计特征，设计了红外分裂窗通道差值云检测算法，结合水汽通道阈值，可在任何太阳高度角的情况下使用。2010年郭洪涛等基于FY-2C、MTSAT等卫星数据，通过多通道的时空特性对比试验来消除不同下垫面的阈值选取困难，提出了优化的ISCCP云检测算法。2011年何全军基于FY-3A/VIRR数据，以冰雪、沙漠、海岸、陆地和水体五种下垫面为基础，建立了一种多光谱阈值的日间云检测算法。2011年李微和李德仁首次将HSV色彩空间引入云检测领域，并提出了MODIS云检测算法，这种算法具有简单、高时效、高精度等特点，但却没有考虑薄云的情况。2016年靳泽群等基于MODIS数据建立了BP(Back Propagation)神经网络算法，并利用该算法进行了云检测和云相态的识别，最后与MOD06产品进行对比发现，该算法快速准确，具有较强的自主学习能力。2019年关峥嵘等基于遥感图像的纹理特征，利用改进的最大响应滤波器和K均值聚类分析法，建立了一种快速的云检测算法。

虽然方法众多，但大部分存在适应性差、检测效率低、结果主观性强等缺陷。同时，若将这些算法直接移植至国产卫星数据的预处理流程中，可能会因其局限性而造成云像元的漏判和误判，进一步引起SST反演误差。

发明内容

为解决适应性差、检测效率低、结果主观性强等缺陷，同时为能更好地识别薄云，获取更准确的SST反演数据，本发明提供了一种基于HSV颜色空间模型变换的日间云检测方法。

为实现上述目的，本发明采用如下的技术方案：

本发明提供了一种基于HSV颜色空间模型变换的日间云检测方法，包括：

对所获取的遥感数据进行辐射定标，获得目标波段的反射率信息；

根据所获得的反射率信息来分析厚云、薄云、海水、陆地四种物体在预设波段或波段组合中的反射特性，选取反映云信息的若干个波段或波段组合，依次放入红、绿、蓝三通道生成RGB假彩色图像；所述厚云为像元内75％以上的可见光无法透过的云层，其他云层为薄云；

对所生成的RGB假彩色图像根据HSV颜色空间模型转换方程，计算得到色度、饱和度以及亮度分量；

根据所计算得到的色度、饱和度以及亮度分量度以及亮度分量数据中的云像元的分布特性来构建日间云检测指数算法NDCD_day；

利用日间云检测指数算法计算得到NDCD_day统计直方图，根据直方图中的分布特征来设定阀值并检测污染像元。

进一步地，所述遥感数据为FY-4A/AGRI L1级遥感数据，根据FY-4A/AGRI L1数据文件中所包含的辐射定标系数，通过如下线性关系式完成数字量化值与表观反射率的转换：

R＝Scale×DN+Offset

其中DN表示传感器记录的数字量化值，以二进制科学数据集存储，Scale表示增益值，Offset表示偏移值。

进一步地，所述目标波段的反射率信息包括：可见光0.47μm、0.65μm波段，近红外0.83μm、1.38μm波段，以及短波红外1.61μm、2.23μm波段的反射率信息。

进一步地，根据厚云、薄云、海水、陆地四种物体在FY-4A/AGRI传感器可见光、近红外及短波红外波段的反射率特性，选取出能够清晰显示四种物体像元的波段或波段组合，并将它们的反射率进行归一化运算后，通过对四种物体的特征分布进行分析，选取出R_0.83、R_0.65及R_0.83/R_0.65，依次放入红、绿、蓝三通道生成RGB假彩色图像。

进一步地，所述归一化运算的计算公式为：

式中，X_norm表示归一化计算得到的数据，X表示波段或波段比值的原始数据，X_max、X_min分别表示原始数据集中的最大值和最小值。

进一步地，所述根据HSV颜色空间模型转换方程，计算得到色度、饱和度以及亮度分量为：

式中，R、G、B分别表示RGB颜色空间中的红色、绿色、蓝色分量，H、S、V分别表示HSV颜色空间中的色调、饱和度、亮度分量，而max＝max(R,G,B)，min＝min(R,G,B)。

进一步地，日间云检测指数算法NDCD_da为：

式中NDCD_day为日间云检测指数，H、V分别为HSV颜色空间模型中的色调、亮度分量。

进一步地，所述云检测指数算法NDCD_day的阀值通过如下方式获取：

通过云检测指数算法计算得到的NDCD_day及其空间分布图和统计直方图，直方图中有海水、陆地、厚云和薄云四个主要的峰值，根据各物体峰值间相连的谷值对应的NDCD_day指数值设定阈值。

本发明与现有技术相比，有益效果在于：

通过海水、陆地、厚云和薄云四种物体在日间各波段中的反射特性，找出最能反映云信息的三个波段或波段组合并生成RGB假彩色图像，利用HSV颜色空间模型变换获得色度和亮度分量数据，构建云检测指数算法，这个过程具有处理流程简单、运算速度较快等特点。同时通过统计直方图依据不同图像的情况设定检测阈值，使得稀薄云的识别结果也更加准确。相比较于国家卫星中心的云检测产品，本发明NDCD_day算法有效减少了薄云的误判和漏判情况，具有更高的可靠性、通用性以及准确性。

附图说明

图1为本发明实施例1提供的基于HSV颜色空间模型变换的日间云检测方法流程图；

图2为RBG与HSV颜色空间模型示意图；

图3为海水、陆地、厚云和薄云在FY-4A/AGRI传感器可见光、近红外及短波红外波段中的反射特性折线图；

图4为云检测指数分布及其统计直方图；

图5为NDCD_day云检测算法结果与国家卫星中心的云检测产品的对比图；

图6为图5中X₁和X₂区域的放大情况及其与对应的RGB近真彩色图像(R_0.83、R_0.65、R_0.47依次放入红、绿、蓝三通道)的对比结果。

具体实施方式

下面，结合附图以及具体实施方式，对本发明做进一步描述：

实施例：

目前主流的云检测算法是多波段阈值法，虽然比较容易实现，但步骤也相对繁琐，需要对多个波段运算逐一探索研究，给出对应的阈值，最后综合起来才能获知检测结果的好坏，然后还需返回进行多次调试，才能寻得合适的阈值。

为能更高效、准确地判识云污染像元，本发明依据FY-4A/AGRI一级(L1B)数据各波段的光谱特性及各地物的波谱反射与辐射特性，从图像处理方向思考，构建效率性、适用性、准确性更强的云检测算法。

图像处理中使用较多的是HSV颜色空间模型(见图2右)，因为它比RGB模型(见图2左)更接近人们对彩色的感知经验，能更好地解释实际颜色，更直观地表达颜色的色调、鲜艳程度和明暗程度。该模型是一个倒立的圆锥体，可以用三维空间的坐标系来表示。其中，椎体高度表示颜色亮度V，顶面表示最亮的颜色(即V＝1)，底部的圆锥顶点表示最暗的黑色(即V＝0)，值得注意的是，亮度值和光的强度之间是没有直接联系的。绕V轴旋转的角度表示色调H，取值范围为0-360°，当角度为0°、120°、240°时，分别表示红色、绿色、蓝色，每种颜色和它们的互补色相差180°。顶面圆心到圆周的距离表示饱和度S，由于饱和度取值范围为0-1，因此圆锥体顶面的半径为1。

由于HSV空间变换法能够以云与海表辐射的光谱差异为理论基础，以色彩空间正变换为数学基础，具有计算速度快、简单易行、精度高、适用于不同季节等特点，因此本发明考虑以这种方法为基础，通过对不同的波段组合进行对比分析，建立高效的云检测算法。

采用本发明实现基于HSV颜色空间变换模型的日间云检测流程如图1所示，现结合附图以及具体实施方式，对本发明进行详细描述：

101、利用FY-4A/AGRI L1级遥感数据文件中自带的增益和偏移系数，对FY-4A/AGRI L1级遥感数据进行辐射定标，通过如下线性关系式即可完成DN值与表观反射率的转换：

R＝Scale×DN+Offset

其中DN表示传感器记录的数字量化值，以二进制科学数据集存储，Scale表示增益值(斜率)，Offset表示偏移值(截距)。各波段经辐射定标后可得到表观反射率数据，值的范围为0-1。

102、先分析厚云、薄云、海水、陆地四种物体在各波段或波段组合中的反射特性。由图3可知，在0.65μm可见光波段，云具有很高的反射率(大于60％)。其反射率大小随云层厚度和高度变化，有些云的反射率可达70％以上。而水体在这个波段的反射率较低(低于10％)，薄云和陆地的反射率居中。因此0.65μm波段反射率(记R_0.65)能轻松分辨水体像元。同时，由于水体对0.83μm近红外波段具有很强的吸收性，没有太阳耀斑的水体表面反射率会低于5％。而厚云、薄云、陆地仍具有相对较高的反射率，因此0.83μm波段同样具有较好的识别水体像元的能力。Suomi-NPP/VIIRS云掩膜算法VCM(VIIRS Cloud Mask)中就使用了这一波段反射率(记R_0.83)作为日间辨识水体像元的依据。另外如图3所示，0.83μm波段处厚云和陆地的反射率均比0.65μm波段高，薄云在两个波段中具有相似的反射率，而只有水体在0.83μm波段的反射率比0.65μm波段低。所以0.83μm与0.65μm波段反射率的比值(记R_0.83/R_0.65)可以更高效地识别出水体像元。接着将R_0.83、R_0.65及R_0.83/R_0.65这三个最能反映云信息的波段或波段组合，依次放入红、绿、蓝三通道生成RGB假彩色图像，其中陆地呈现出紫色，海水呈现出黑色，厚云呈现出亮黄色，薄云呈现出淡黄色。

在对波段组合进行对比评价的过程中，为使它们处于同一量级，进行了归一化计算，即将波段反射率或波段比值的数据线性拉伸至[01]范围内。归一化计算方程如下：

式中，X_norm表示归一化计算得到的数据，X表示波段或波段比值的原始数据，X_max、X_min分别表示原始数据集中的最大值和最小值。

103、根据如下HSV颜色空间模型转换方程，可以获得HSV彩色图像以及对应的色度H、饱和度S和亮度V三种数据：

式中，R、G、B分别表示RGB颜色空间中的红色、绿色、蓝色分量，H、S、V分别表示HSV颜色空间中的色调、饱和度、亮度分量，而max＝max(R,G,B)，min＝min(R,G,B)。其中色度表示物体颜色，海水、陆地、厚云和薄云分别表现出不同的颜色。饱和度表示色彩的纯度，其值大小取决于含色成分和消色成分(灰色)的比例。亮度表示反光体(或发光体)表面反光(或发光)强弱的物理量，这里表示四种物体反射太阳辐射及其接收太阳辐射的比值，每种物体在不同波段中有特定的比值范围。

104、依据分量数据中云像元的分布特性，构建日间云检测算法NDCD_day。通过色度和亮度分量，能够较轻松地分辨出四种物体，而通过饱和度S则无法达到区分物体的目的，因此考虑利用其中的色度H和亮度V归一化数据构建云检测指数方程。其中海水的色度与陆地、薄云的相近，而它的亮度是四种物体中最小的。为能获得较优的云检测指数方程，我们对色度和亮度的三种组合计算形式进行了讨论，最终确定云检测指数方程形式如下：

式中NDCD_day为日间云检测指数，H、V分别为HSV颜色空间模型中的色调、亮度分量。

105、通过上述云检测指数算法计算得到的NDCD_day(范围在-1-1)及其空间分布图和统计直方图(见图4)，直方图中有海水、陆地、厚云和薄云四个主要的峰值，根据各物体峰值间相连的谷值对应的NDCD_day指数值设定阈值，就可以实现日间云像元的判识(将检测出的云像元标记为1，否则为0，结果见图5(a))。利用云检测结果，可以获得晴空海水遥感数据，为后续海洋参数定量反演、海-气变化监测等科学研究提供更纯净、准确的输入参数。

本发明对FY-4A/AGRI遥感图像的适用性分析如下：

以不同日期、不同时刻的多景FY-4A/AGRI图像为应用实例，将其云检测结果与对应的国家卫星中心的云检测产品、RGB近真彩色图像进行对比分析(见图5、图6)，发现卫星中心云检测产品中对薄云的漏判和误判情况在NDCD_day云检测结果中得到了有效地改善。说明本发明建立的云检测指数算法不仅步骤简便快捷，而且对薄云的识别也更加准确，能够最大程度地判识出图像中所有受云污染的像元，验证了NDCD_day算法的可靠性和准确性。

对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。

Claims (4)

1.一种基于HSV颜色空间模型变换的日间云检测方法，其特征在于，包括：

对所获取的遥感数据进行辐射定标，获得目标波段的反射率信息；

根据所获得的反射率信息来分析厚云、薄云、海水、陆地四种物体在预设波段或波段组合中的反射特性，选取反映云信息的若干个波段或波段组合，依次放入红、绿、蓝三通道生成RGB假彩色图像；所述厚云为像元内75%以上的可见光无法透过的云层，其他云层为薄云；

对所生成的RGB假彩色图像根据HSV颜色空间模型转换方程，计算得到色度、饱和度以及亮度分量；

根据所计算得到的色度、亮度分量数据中的云像元的分布特性来构建日间云检测指数NDCD_day；

利用日间云检测指数计算得到NDCD_day统计直方图，根据直方图中的分布特征来设定阈值并检测污染像元；

所述遥感数据为FY-4A/AGRI L1级遥感数据，根据FY-4A/AGRI L1数据文件中所包含的辐射定标系数，通过如下线性关系式完成数字量化值与表观反射率的转换：

R = Scale × DN + Offset

其中DN表示传感器记录的数字量化值，以二进制科学数据集存储，Scale表示增益值，Offset表示偏移值；

所述目标波段的反射率信息包括：可见光0.47μm、0.65μm波段，近红外0.83μm、1.38μm波段，以及短波红外1.61μm、2.23μm波段的反射率信息；

日间云检测指数NDCD_day为：

式中NDCD_day为日间云检测指数，H、V分别为HSV颜色空间模型中的色度、亮度分量；

日间云检测指数NDCD_day的阈值通过如下方式获取：

通过日间云检测指数计算得到的NDCD_day及其空间分布图和统计直方图，直方图中有海水、陆地、厚云和薄云四个主要的峰值，根据各物体峰值间相连的谷值所对应的NDCD_day指数值设定阈值。

2.如权利要求1所述的基于HSV颜色空间模型变换的日间云检测方法，其特征在于，根据厚云、薄云、海水、陆地四种物体在FY-4A/AGRI传感器可见光、近红外及短波红外波段的反射率特性，选取出能够清晰显示四种物体像元的波段或波段组合，并将它们的反射率进行归一化运算后，通过对四种物体的特征分布进行分析，选取出R _0.83、R _0.65及R _0.83/R _0.65，依次放入红、绿、蓝三通道生成RGB假彩色图像。

3.如权利要求2所述的基于HSV颜色空间模型变换的日间云检测方法，其特征在于，所述归一化运算的计算公式为：

式中，X _norm表示归一化计算得到的数据，X表示波段或波段比值的原始数据，X _max、X _min分别表示原始数据集中的最大值和最小值。

4.如权利要求3所述的基于HSV颜色空间模型变换的日间云检测方法，其特征在于，所述根据HSV颜色空间模型转换方程，计算得到色度、饱和度以及亮度分量为：

式中，R、G、B分别表示RGB颜色空间中的红色、绿色、蓝色分量，H、S、V分别表示HSV颜色空间中的色度、饱和度、亮度分量，而max = max(R,G,B)，min = min(R,G,B)。

Images