實現遙感相機自主辨云的小波SCM算法

陶淑蘋,金 光,張貴祥,曲宏松

1.中國科學院長春光學精密機械與物理研究所,吉林長春,130033;2.中國科學院研究生院,北京,100039

1 引 言

空間對地遙感相機分辨力和幅寬不斷提高,使得遙感圖像數據量急劇增加,這給有限的星上固存和數傳帶寬帶來了極大挑戰。地球表面1/3～1/2覆蓋有云層,使得可見光及近紅外空間遙感相機拍攝到大量被云覆蓋的圖像。被云覆蓋的遙感圖像地物信息丟失,幾乎沒有利用價值。因此實時有效地進行云層自動檢測,進而控制相機在有云區停止拍照,對于節約星上固存空間,緩解遙感信息海量數據的傳輸壓力和提高遙感圖像利用率具有十分重要的意義。

為解決這一問題,中科院長春光機所提出在俯拍相機基礎上加載前視辨云相機的方案,其中前視相機用于對云進行自動判別,并計算出有云區和無云區的經緯度,控制俯拍相機在有云區關機停拍,以節省有限且寶貴的星上資源,提高資源利用率。本文算法即是根據這一需求,為前視相機設計的云自動檢測算法。

云的種類繁多,在時間和空間分布上有極大的不確定性,因此它一直是遙感圖像分析處理中的一大難點。早期的云檢測方法根據在可見光波段云比大多數地物有更高的反射率的光譜輻射特性,通過光譜閾值判別將云和地面物體大致分開,目前已有許多學者在閾值判斷方法的基礎上研究了更加精確的云檢測算法,如同態濾波法、聚類法、多光譜分析法等[1-3],該類方法實現簡單,但因為沒有考慮圖像灰度間的空間相關性,因此檢測誤差較大。還有學者從紋理特征的角度提出了紋理分析的方法,獲得了較好的判別精確度[4-8]。紋理分析方法利用圖像像素之間的空間上下文信息[9],克服了光譜分析方法逐點計算、點點之間獨立的缺點,但文獻[4—8]都是基于灰度共生矩陣從單一尺度提取紋理特征,事實上尺度特性也是紋理特性的一個主要方面,已有試驗結果表明,人類視覺系統在進行紋理處理時是以多尺度方式進行的[10],本文利用小波的多尺度分析特性來提取圖像紋理特征。該算法結合圖像的光譜特征和紋理特征兩方面信息,采用一種多分支判別樹結構模型,可快速準確地實現云自動檢測。

2 特征提取

2.1 光譜閾值

云在可見光和近紅外波段對于光線的反射率比大多數地面物體要強的多,在圖像上表現為云相對于地面目標具有較高的灰度值。因此可以利用這一特性,采用基于圖像光譜特征的閾值判別方法對遙感圖像云及其下墊物進行初步的粗略分類。

文獻[10]詳細列出了各種地物的亮度系數,可知除了雪、白墻等少數地物的波譜亮度系數接近0.9外,其他物體的亮度系數都比云的亮度系數要小很多,因此可以用基于光譜分析的閾值判別方法很容易將云與大部分地物區分開。對于初步處理后得到的類云數據可以進一步采用圖像的紋理特性進行詳細判別。圖像光譜閾值的確定可以根據經驗,通過對數據庫中大量的歷史樣圖進行統計,獲取云層的經驗閾值。經驗閾值沒有考慮圖像本身的信息不能保證對每幅遙感圖像都有很好的分辨效果,但是該方法在統計意義上接近最優[7],而且本文提出的算法中只是利用光譜閾值對云和地物進行粗略分類,并且從算法實時性考慮采用經驗閾值方法比較合理。

光譜分析方法簡單易實現,但對閾值的選擇比較敏感。因為薄云籠罩的圖像下傳到地面經處理后仍可以識別地物,為了減小將地物誤判為云的可能性,在選取閾值及閾值百分比的時候適當將判為地物的比例加大,進而減小閾值選擇對誤判的影響。然而光譜分析處理的基本單位是像元,沒有考慮像元之間的空間結構信息,因此進一步采用紋理分析方法判別。

2.2 圖像紋理特征分析

紋理分析方法,大致分為統計方法和結構方法。因為云的種類繁多,在時間和空間分布上有極大的不確定性,但在統計方法中云仍有別于地物的紋理特征,這里采用統計方法。

2.2.1 基于離散小波變換的尺度共生矩陣

灰度共生矩陣是常用的提取紋理特征的統計方法[4,8]。但灰度共生矩陣是從單一尺度上提取紋理特征的。事實上尺度特性也是紋理特性的一個主要方面,已有試驗結果表明,人類視覺系統在進行紋理處理時是以多尺度方式進行的。根據這一觀點,可以利用小波的多尺度分析特性來提取圖像紋理特征。本文設計一種基于離散小波變換的尺度共生矩陣(scale-based concurrent matrix, SCM)提取圖像紋理特征的方法。

基于小波的紋理分析方法首先利用小波對圖像進行多尺度分解。本文采用的是二維離散小波變換。離散小波變換具有如下分解關系[10,12-14]:

每層的近似系數(低頻)進一步分解為四部分:低頻部分、水平方向高頻邊緣信息、垂直方向高頻邊緣信息和對角線方向高頻邊緣信息。如圖1所示。

圖1 二維離散小波變換示意圖Fig.1 The chart of two-dimensional discrete wavelet decomposition

其中,Lo_D、Hi_D分別為低通和高通濾波器。

對cAj首先進行行方向卷積運算,再進行列方向卷積運算,得到cAj+1為 j+1尺度的低頻分量為水平高頻分量為垂直高頻分量為對角方向高頻分量。

利用離散小波變換對圖像進行多尺度分解完成后,生成尺度共生矩陣。定義尺度共生矩陣Gk(i,j)為

它是相鄰兩尺度的函數。式中,ck為小波分解系數,矩陣元素定義為

并歸一化得

式中

在每一尺度上計算各分量的共生矩陣,雖然尺度共生矩陣在許多方面包含了紋理的統計特性,但不能直接作為紋理分析的特征,仍需要構造一些二次統計量,并以此作為紋理特征。目前在遙感圖像處理中常用的紋理特征主要有分形維數、角二階矩(angle second moment,ASM)、熵、慣性矩、相關、局部平穩等[12]。本文中利用ASM和熵。

2.2.2 角二階矩

角二階矩是圖像灰度分布均勻性的度量。定義

粗紋理ASM值較大,因為 fASM是共生矩陣元素值的平方和,因此可理解為粗紋理含有較多的能量。細紋理ASM值較小,含有較少的能量。當共生矩陣中的元素分布集中于主對角線時,說明從局部區域觀察圖像的灰度分布是比較均勻的。從圖像整體來觀察,紋理較粗,此時 fASM值較大,反之 fASM較小。

角二階矩反映的是圖像灰度分布的均勻性。很明顯圖像邊緣變化尖銳性等細節信息包含在小波分解后的高頻系數中,因此本文算法只取分解后的高頻部分進行ASM特征量的提取。具體方法如下:將每一尺度3個方向的高頻分量分別取其共生矩陣的ASM,然后取均值作為該尺度的角二階矩。

用MATLAB軟件對獲取的遙感圖像(數據類型包括ASTER、MODIS、SPOT以及CBERS可見光和近紅外波段遙感圖像)以512×512大小的子圖作為基本處理單元,進行分割。從分割后的子圖像中人眼進行分類,選取云層覆蓋超過2/3的子圖為云層子圖;無云或云覆蓋約5%以內的子圖為地物子圖。將篩選出的云層子圖和地物子圖,作為訓練樣本。訓練結果如圖2、圖3所示。

由圖可知云層子圖的角二階矩值分布較為分散,且98%樣本角二階矩值分布集中在0.25～0.45之間,小于0.23的樣本不到0.5%。地物子圖的角二階矩值則較為集中,且數值小得多。幾乎全部的地物樣本角二階矩值都介于0.22～ 0.23之間。根據訓練結果可知角二階矩值可以較好地識別大部分云層。對于角二階矩值較小的云層樣本區分性不太好。可以結合熵值進行判別。

圖2 云層子圖的高頻角二階矩值Fig.2 The high frequency coefficients’ASM of cloud subimages

圖3 地物子圖的高頻角二階矩值Fig.3 The high frequency coefficients’ASM of ground subject subimages

2.2.3 熵

熵值是圖像所含信息量的度量,紋理信息也屬圖像的信息。若圖像充滿細紋理,則 g^(i,j)的數值近似相等,圖像的 fe值最大;若圖像紋理較少則 g^(i,j)的數值差別較大,對應圖像的 fe值會較小;同理若圖像沒有任何紋理,則尺度共生矩陣幾乎為零矩陣,熵值也接近于0。

因為云區灰度比較均勻,邊緣圓潤模糊,細節信息較少,因此在頻率范圍內表現為低頻特性[7],高頻信息很少。而熵作為圖像所含信息量多少的表征,可以只在低頻部分進行熵值計算,以減少計算量。試驗結果也表明云與地物的熵值在低頻部分的區分性比高頻部分的要大得多。

對分類后的樣本進行訓練,訓練結果如圖4、圖5。

從訓練結果可以看到:99.6%的云層樣本熵值集中在0.116 1左右;地物的熵值則要大得多,而且分布相對分散。但云層和地物的熵值分布差別性很大,因此可以較好地區分兩者。

圖4 云層子圖的低頻熵值Fig.4 The low frequency coefficients’entropy of cloud subimages

圖5 地物子圖的低頻熵值Fig.5 The low frequency coefficients’entropy of ground object subimages

在減輕數據存儲和下傳壓力的前提下,為了能盡可能多地獲取遙感圖像資源、減小誤判的可能,將ASM和熵判決結果進行比對,當兩者均判別為云層時才將圖像判斷為云層。

3 改進的云層檢測算法及應用

圖6為本文提出的小波SCM云判別算法結構圖。該算法結構為多分支樹形,其中所有葉子節點均為最終節點。首先利用計算量較小的光譜閾值判別方法對云和地物進行粗略分類,當判決為地物時前視相機發出控制指令通知俯拍相機可以拍照,算法結束。當判決為云層時前視相機計算云層所在位置并發出控制指令通知俯拍相機到云層位置時停拍,算法結束。

當閾值判別不能確定是云還是地物時,繼續采用紋理分析方法進行判別。本文采用基于離散小波變換的尺度共生矩陣方法來提取圖像紋理特征。將計算得到的圖像二階統計量與訓練結果匹配。為了減小算法計算量在提取ASM和熵時分別只取小波分解的高頻和低頻系數。為了能盡可能多地獲取遙感圖像資源、減小誤判的可能,本文算法采用一種雙判別方式:將ASM和熵判別結果進行比對,當兩者均判決為云層時才將圖像判斷為云層。

圖6 小波SCM云判別算法結構圖Fig.6 The structure of cloud discrimination algorithm based on wavelet SCM

4 試驗結果與分析

為了驗證算法的準確性,選取另外245幅遙感圖像進行試驗。將遙感圖像劃分為8×8圖像子圖,并將劃分后的子圖進行分類,然后分別對4種類型的子圖進行該算法的驗證,試驗結果如表1所示。云區提取圖如圖7～圖9所示,原始衛星遙感圖像為圖7(a)、圖8(a)、圖9(a),圖7～圖9的(b)分別為利用本文算法提取的云區圖。

圖7 光學遙感衛星獲取的海邊地區遙感圖Fig.7 Plain area image acquired by optical remote sensing satellite

圖8 光學遙感衛星獲取的丘陵地區遙感圖Fig.8 Hill area image acquired by optical remote sensing satellite

圖9 光學遙感衛星獲取的中國港臺地區遙感圖Fig.9 Hongkong and Taiwan area image acquired by optical remote sensing satellite

從提取結果看,該算法基本可以正確識別云層和地物,尤其對于大塊云層的識別效果較好。但仍存在一些誤判的區域,誤判區域主要是地面積雪,因為雪與云層的光譜特征極為相似,紋理特征雖有差別,但區分不大,易發生誤判。本文算法采用的ASM與熵值雙判別方法可以在一定程度上減小誤判的可能,總誤判率小于5%。

雖然云區邊緣和薄云區存在著一些漏判現象,但是這符合應用需求。因為遙感圖像資源十分珍貴,加之薄云覆蓋的地物經圖像處理后仍可以判讀,因此理論上就應該將此類區域判為無云區。

表1 小波SCM算法檢測結果Tab.1 Results of the cloud discrimination algorithm based on wavelet SCM

5 參照試驗及評價

為了對本文算法進行評價,以文獻[8]中算法為參照進行對比。參考算法也采用了光譜閾值和紋理特征結合的分析方法,但在紋理分析時是基于灰度共生矩陣從單一尺度提取分形維數和ASM作為圖像紋理特征。而且參考算法ASM判決是在分形維數判決結果基礎上進行,未采用雙判決機制。根據參考算法對遙感圖像進行判別得到結果如圖10所示。圖11為本文算法判別結果。

圖10 參考算法判別結果Fig.10 Result detected by reference algorithm

圖11 本文算法判別結果Fig.11 Result detected by this paper algorithm

表2 對比試驗檢測結果Tab.2 Results of the comparative experiment

兩種算法的對比檢測結果見表2。對比圖10和圖11以及表2數據可以發現,誤判率方面本文算法明顯優于參考算法;漏判率方面本文算法較參考算法有所增大,這是因為在云區邊緣尤其是薄云覆蓋區域本文算法更多判為地物。但是考慮到遙感圖像的珍貴性和地面圖像處理技術的不斷發展,判為地物更為合理。

6 結 論

本文結合光譜閾值與紋理分析方法的優點,提出的多分支小波SCM云判別算法能基本正確識別云層和地物。其中采用的小波尺度共生矩陣可以更充分地提取圖像紋理特征,基于ASM和熵值的雙判別機制能進一步減小誤判的可能,但是訓練樣本數目不夠豐富,以后隨著獲取遙感圖像的增多,訓練結果應該適時更新,以實現更高的精確度。另外減小積雪造成的誤判率和由云層判別的結果進一步計算整幅圖像的云層覆蓋率是本文以后的工作方向。

[1] FENG Chun,MA Jianwen,DAI Qin,et al.An Improved Method forRapid Removal ofThin Cloud in Remote Sensing Images[J]. Remote SensingforLand and Resources,2004,4(62):1-3.(馮春,馬建文,戴芹,等.一種改進的遙感圖像薄云快速去除方法[J].國土資源遙感, 2004,4(62):1-3.)

[2] GóMEZ-CHOVA L,AMORóS J,CAMPS-VALLS G,et al. Cloud Detection for CHRIS/Proba Hyperspectral Images[C]∥Proceedings of the SPIE,Remote Sensing of Clouds and the Atmosphere.Bruges:[s.n.],2005.

[3] LI Wei,FANG Shenghui,DIAN Yuanyong,et al.Cloud Detection in MODIOS Data Based on Spectrum Analysis [J]. Geomaticsand Information Science of Wuhan University,2005,30(5):435-438.(李微,方圣輝,佃袁勇,等.基于光譜分析的MODIS云檢測算法研究[J].武漢大學學報:信息科學版,2005,30(5):435-438.)

[4] TIAN B,SHAIKH M A,AZIMI-SADJADI M R,et al.A Study of Cloud Classification with Neural Networks Using Spectral and Textural Features[J].IEEE Transactions on Neural Networks,1999,10(1):138-151.

[5] VáSQUEZ R E,MANIAN V B.Texture Based Cloud Detection in MODIS Images[C]∥ Proceedings of the SPIE,Remote Sensing of Clouds and the Atmosphere. Crete:[s.n.],2003.

[6] OUMAR D,KIDIYO K,JOSEPH R.Textural Analysis for the Detection of Dust Clouds from Infrared Satellite Images[C]∥Proceedings of the SPIE,Remote Sensing of the Marine Environment.Goa:[s.n.],2006.

[7] YU Wenxia,CAO Xiaoguang,XU Lin.Automatic Cloud Detection for Remote Sensing Image[J].Chinese Journal of Scientific Instrument,2006,27(6):2184-2186.(郁文霞,曹曉光,徐琳.遙感圖像云自動檢測[J].儀器儀表學報, 2006,27(6):2184-2186.)

[8] SHAN Na,ZHENG Tianyao,WANG Zhensong.High

speed and High Accuracy Algorithm for Cloud Detection and Its Application[J].Journal of Remote Sensing,2009, 13(6):1138-1155.(單娜,鄭天垚,王貞松.快速高準確度云檢測算法及其應用[J].遙感學報,2009,13(6):1138-1155.)

[9] ZHENG Zhaobao,ZHOU Yueqin.A Study of Texture and Description for AerialImages[J].Acta Geodaetica et Cartographica Sinica,1997,26(3):228-234.(鄭肇葆,周月琴.論航空影像的紋理與描述[J].測繪學報,1997,26(3): 228-234.)

[10] WU Jun,ZHAO Zhongming.Scale Co-occurrence Matrix for Texture Analysis Using Wavelet Transform[J].Journal of Remote Sensing,2001,5(2):100-103.(吳均,趙忠明.利用基于小波的尺度共生矩陣進行紋理分析[J].遙感學報,2001,5(2):100-103.)

[11] DAI Yongshu.Photography and Aviation Photography [M].Beijing:PLA Press,1998:153.(戴勇書.攝影與航空攝影[M].北京:解放軍出版社,1998:153.)

[12] ZHU Changqing,YANG Qihe,ZHU Wenzhong.Remote Sensing Relief Image Texture Analysis and Classification Based on Wavelet Transform Features[J].Acta Geodaetica et Cartographica Sinica,1996,25(4):252-256.(朱長青,楊啟和,朱文忠.基于小波變換特征的遙感地貌影像紋理分析和分類[J].測繪學報,1996,25(4):252-256.)

[13] SONG Yanxing,YUAN Feng,DING Zhenliang,et al. Detection of Region of Interest by Morphological Haar Wavelet Method[J].Optics and Precision Engineering, 2009,17(7):1752-1758.(宋燕星,袁峰,丁振良,等.使用形態Haar小波法檢測目標感興趣區域[J].光學精密工程,2009,17(7):1752-1758.)

[14] HUAN Ruohong,YANG Ruliang.A Target Detection Method for SAR Image Based on Feature Classification Discrimination[J].Acta Geodaetica et Cartographica Sinica, 2009,38(4):324-329.(宦若虹,楊汝良.一種基于特征分類辨識的SAR圖像目標檢測方法[J].測繪學報,2009, 38(4):324-329.)