基于BP神經(jīng)網(wǎng)絡的Landsat影像去云方法

王睿，韋春桃，馬云棟，胡濤

(1.桂林理工大學測繪地理信息學院，廣西桂林541006;2.廣西百色開發(fā)投資集團有限公司，廣西百色533000;3.重慶交通大學土木建筑學院，重慶400074)

光學影像的波長設置一般較短，地物的光譜信息易受天氣影響，常被云層遮擋，這在很大程度上縮小了光學遙感影像的選擇范圍。因此，探討如何修復帶云影像在遙感應用方面具有重要意義。

帶云影像的修復根據(jù)云層薄厚來選擇處理方法:薄云區(qū)影像由于存在云層和下墊面的混合像元，常采用濾波法[1]去除處于低頻的云層信息來修復影像;厚云區(qū)影像完全遮擋下墊面信息，需參考多時相影像進行地物的還原，修復的主要步驟包括云區(qū)、陰影的檢測以及去除。常用的陰影檢測方法是通過云增強模型來突出云區(qū)光譜信息，再設定閾值檢測云:掩膜方程法(Fmask)[2]需要云層高度數(shù)據(jù)且計算量大;色彩空間變換法[3]依賴熱紅外波段，通用性較弱;多時相云檢測法(MTCD)[4]需要較為完整的影像數(shù)據(jù)建立厚云增強模型，且易受地物變化影響。在去除方面主要是依靠多時相遙感影像進行替換，多數(shù)研究采用線性模型解決影像間的光譜差異的問題[5－6]?？紤]到大氣條件、季節(jié)變化、地類反射差異等因素影響，影像間的光譜差異會在局部區(qū)域偏離線性變化規(guī)律，導致整體影像存在非線性關系。

針對多時相遙感影像之間光譜信息存在非線性問題，本文采用BP神經(jīng)網(wǎng)絡算法擬合兩幅影像之間光譜變換的映射關系，將無云參考影像與帶云目標影像的光譜信息進行匹配，減少影像間的光譜差異，再把光譜糾正后的參考影像鑲嵌入云和陰影的檢測區(qū)域，修復含有厚云的遙感影像。

1 去云原理及方法

本文去除Landsat影像上的厚云及其陰影方法可分為3個步驟:①利用HOT算法檢測云區(qū)、陰影成像幾何關系檢測陰影，得到云區(qū)與陰影的檢測圖;②設定樣本和期望值訓練BP神經(jīng)網(wǎng)絡，將無云參考影像輸入網(wǎng)絡后得到與帶云目標影像光譜信息相近的圖像;③將光譜匹配后的圖像對應云和陰影檢測的像元位置鑲嵌入帶云目標圖像，最終去除云和陰影。

1.1 HOT算法檢測云區(qū)

Landsat數(shù)據(jù)中藍波段與紅波段相關性高，在晴空范圍內(nèi)兩者的二維散點圖呈現(xiàn)出一條帶狀的“晴空線”;但有云層的影像成像條件不佳，各地物在藍波段處的反射率比紅波段處的反射率升高的更快，使晴空線上的地物點向藍波段軸靠近。厚云在各個可見光波段處反射率均較高、反射變化程度小，云像元集中在另一條帶狀直線上，與晴空線形成一個夾角，這里定義它為“云層線”，此時散點圖形成“箭頭”狀(圖1a)。根據(jù)云層線偏離晴空線的特點，從其物理模型分析偏移量(圖1b)可以將厚云與其他地物區(qū)別開，這就是haze optimized transform[7]，簡稱HOT算法，計算公式為[8]

式中:Bblue、Bred分別是地物像元在藍色和紅色波段的灰度值;θ為晴空線傾角;AK為晴空線的截距。

帶云影像在居民地處常有與云層反射率相似的高亮體，高亮地物偏離晴空線的量值小于云層偏移量，使“高亮體線”位于晴空線與云層線之間。導致HOT算法在計算云層偏移量時涵蓋了高亮體偏移量，使檢測結(jié)果中二者混淆。本文將晴空線傾角θ換為高亮體線傾角，以高亮體線為基準計算HOT(即云層線到高亮體線的距離)。這樣就避開了高亮體的干擾，得到較為準確的云區(qū)檢測圖。

圖1 云檢測示意圖Fig.1 Diagram of cloud detection

1.2 利用成像幾何關系檢測云影

厚云與云影常成對出現(xiàn)，云影相對于云的位置偏向基本保持一致，并且各個云影伸縮變化的幅度范圍類似。檢測云影時在目標影像上選擇n個分布均勻的碎云Mi(i=1，2，…，n)，獲取其多邊形質(zhì)心坐標:碎云Mi(x1i，y1i)與其對應的陰影質(zhì)心坐標Ni(x2i，y2i)(圖2a)，計算兩個質(zhì)心之間的距離di和連線MiNi的方位角α，統(tǒng)計n對質(zhì)心間距的平均值和標準差σ，則對于整幅影像來說陰影距離厚云的偏移量為d=+3σ[9]。在云區(qū)檢測斑塊圖的基礎上加上偏移量進行偏移，并采用數(shù)學形態(tài)學膨脹算法解決陰影形變的問題(圖2b)，最終得到陰影檢測圖。

圖2 陰影檢測示意圖Fig.2 Diagram of shadow detection

1.3 BP神經(jīng)網(wǎng)絡模型

人工神經(jīng)網(wǎng)絡是計算機對人腦或自然神經(jīng)網(wǎng)絡若干個基本特征的抽象和模擬，把大量簡單的處理單元連接成網(wǎng)絡結(jié)構，解決高度復雜的非線性動力學問題[10－11]。其中在遙感應用領域得到廣泛使用的神經(jīng)網(wǎng)絡是誤差反向傳播學習網(wǎng)絡(Back Propagation network，簡稱BP網(wǎng)絡)。

1.3.1 光譜匹配原理分析及操作BP網(wǎng)絡算法首先需要人工獲取樣本值P和期望值T，通過網(wǎng)絡激勵函數(shù)的計算將樣本值P向期望值T轉(zhuǎn)換。以輸出誤差為依據(jù)調(diào)整網(wǎng)絡權值和閾值，使網(wǎng)絡不斷逼近樣本值與期望值之間的映射關系。

為減少計算量，本文以影像灰度值代表其光譜特性并參與計算。BP算法在光譜匹配實驗中的實質(zhì)是把求解兩幅遙感影像的光譜特性轉(zhuǎn)換問題轉(zhuǎn)化為求解樣本灰度值與期望灰度值之間的轉(zhuǎn)換關系問題。當獲取晴空區(qū)無云參考影像和帶云目標影像的光譜特征點時，該點所表示的灰度值分別作為樣本值P和期望值T輸入BP網(wǎng)絡。樣本值P經(jīng)過正向傳播計算驗證輸出值與期望值T的均方誤差是否超限，再由誤差反向傳播優(yōu)化網(wǎng)絡參數(shù)，往返計算，直到誤差達標或是循環(huán)次數(shù)達到設限為止。此時，訓練好的網(wǎng)絡已保存各個計算層最優(yōu)的權值和閾值，最終獲取輻射特征之間的轉(zhuǎn)換關系。光譜匹配的具體操作如下:

①將參考影像和目標影像進行配準，保證選取特征點時兩幅影像在同一坐標點下地類相同;

②在參考影像上進行ISODATA聚類，以判別的地物類型為依據(jù)，選取晴空區(qū)各地類紋理變化明顯處作為特征點，則樣本值P由待修正光譜信息的參考影像特征點灰度值組成，期望值T由樣本特征點對應地類在目標影像上的灰度值組成;

③訓練BP網(wǎng)絡后獲取光譜轉(zhuǎn)換關系，將整幅無云參考影像輸入網(wǎng)絡，根據(jù)優(yōu)化的網(wǎng)絡參數(shù)計算可得到與目標影像光譜相近的圖像。

1.3.2 網(wǎng)絡訓練結(jié)構為減少計算量及縮短計算時間，本文采用單個隱含層，可基本滿足實驗要求。實驗中使用參考影像和目標影像各自對應的3個波段分別作為輸入、輸出數(shù)據(jù)，因此輸入和輸出節(jié)點數(shù)均設為3個。隱含層節(jié)點數(shù)的選擇目前尚無通用的理論指導，經(jīng)反復實驗及調(diào)試認為10個節(jié)點對實驗效果較為理想。因此利用BP神經(jīng)網(wǎng)絡進行光譜匹配的網(wǎng)絡結(jié)構設計為3－10－3。

1.4 像元鑲嵌替換

無云參考影像經(jīng)過BP神經(jīng)網(wǎng)絡光譜匹配后，其光譜特征已與帶云目標影像相近。對應云區(qū)和陰影檢測圖相應的像元位置替換目標影像的像元去除云區(qū)和陰影。

2 實驗結(jié)果與分析

為驗證參考影像與目標影像的成像時差大小對實驗結(jié)果是否有影響，本文采用兩組Landsat 8數(shù)據(jù)的波段7、5、3影像(大小均為1 024×1 024像元，分辨率30 m)計算，以說明算法的有效性。

2.1 地物未發(fā)生變化的云去除實驗

實驗1。使用桂林部分地區(qū)2013－09－01和2013－09－17兩幅影像，圖3a、3b分別給出3個波段的假彩合成圖。該區(qū)域地表覆蓋物主要為植被、水體、裸地、居民地和田地，由于時相相近，兩幅影像的地物類型未發(fā)生明顯變化。目標影像中厚云與陰影的下墊面均包含這幾個地類，以此檢驗實驗結(jié)果對不同紋理區(qū)域修復的適用性。圖3c中白色區(qū)域為厚云檢測位置，灰色區(qū)域為陰影檢測位置，圖3d為目標影像的最終修復結(jié)果。可見，BP神經(jīng)網(wǎng)絡算法在裸地、居民地和田地處的細節(jié)表達明顯，修復圖像較為清晰。

2.2 存在地物變化的云去除實驗

實驗2。使用南寧部分地區(qū)2013－09－15和2013－11－18兩個Landsat 8數(shù)據(jù)，圖4a、4b為3個波段的假彩合成圖。由于兩幅影像的成像時間存在季節(jié)變化，植被和耕地地區(qū)發(fā)生較大改變。經(jīng)過BP神經(jīng)網(wǎng)絡的光譜信息校正，能比較準確地預測出被厚云和陰影遮擋地區(qū)(圖4c為檢測結(jié)果)原本的地物像元灰度值，對目標影像進行鑲嵌后圖像得到了較好的改善，如圖4d所示。

圖3 地物未發(fā)生變化去云結(jié)果Fig.3 Unchanged object in cloud detection

圖4 地物發(fā)生變化的去云實驗結(jié)果Fig.4 Changed object in cloud detection

2.3 實驗結(jié)果評價

目標影像上的厚云和陰影區(qū)域是通過像元替換鑲嵌進行修復的，本文在修復結(jié)果圖上抽取云區(qū)的鑲嵌部分像元與晴空區(qū)像元，計算其灰度均值、信息熵和平均梯度。數(shù)值越接近目標影像值，則說明鑲嵌區(qū)像元的色彩表現(xiàn)程度、細節(jié)、表現(xiàn)力和清晰度越好。

從圖像整體的鑲嵌質(zhì)量方面看，根據(jù)空間頻率活動性(SFA)[12]，分別按照修復后圖像的行、列計算灰度值I(i，j)之間的差異，以反映鑲嵌邊界的拼縫是否光滑。SFA值越小，表明在接縫處的像元灰度值過度得越平緩、拼接質(zhì)量越高。其公式定義為

表1是對比本文BP算法與文獻[6]的線性模型算法在波段7處去云方面的效果，可看出BP算法在均值、信息熵和平均梯度方面更接近目標影像，而SFA值則小于線性模型，說明神經(jīng)網(wǎng)絡的鑲嵌邊界更為平滑，在去除厚云及其陰影方面具有一定的可行性和有效性。

表1 波段7厚云及其陰影鑲嵌結(jié)果評價Table 1 Comparison of cloud and shadow removing methods in Band 7

3 結(jié)論

利用BP神經(jīng)網(wǎng)絡進行圖像的光譜匹配，對參考影像顏色校正后能保持原有分辨率，光譜特征得到統(tǒng)一、紋理清晰。將高亮體線傾角替換晴空線傾角計算HOT，能夠在一定程度上避開高亮體對云檢測的干擾。利用云區(qū)檢測圖進行偏移和膨脹計算檢測云影，無需再確定閾值進行分割，算法簡單有效。

由于大幅影像的云影偏移差異較大，需要分區(qū)域處理且人工干預較多，仍需要進一步的研究。

[1]李剛，楊武年，翁韜.一種基于同態(tài)濾波的遙感圖像薄云去除算法[J].測繪科學，2007，32(3):47－48.

[2]Zhu Z，Woodcock C E.Object-based cloud and cloud shadow detection in Landsat imagery[J].Remote Sensing of Environment，2012，118:83－94.

[3]李微，李德仁.基于HSV色彩空間的MODIS云檢測算法研究[J].中國圖象圖形學報，2011，16(9):1696－1701.

[4]Hagolle O，Huc M，Pascual D V，et al.A multi-temporal methodforclouddetection，appliedtoFORMOSAT-2，VENμS，LANDSAT and SENTINEL-2 images[J].Remote Sensing of Environment，2010，114:1747－1755.

[5]周偉，關鍵，姜濤，等.多光譜遙感影像中云影區(qū)域的檢測與修復[J].遙感學報，2012，16(1):132－142.

[6]李炳燮，馬張寶，齊清文，等.Landsat TM遙感影像中厚云和陰影去除[J].遙感學報，2010，14(3):534－545.

[7]Zhang Y，Guindon B，Cihlar J.An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images[J].Remote Sensing of Envi-ronment，2002，82(2－3):173－187.

[8]李存軍，劉良云，王紀華，等.基于Landsat影像自身特征的薄云自動探測和去除[J].浙江大學學報:工學版，2006，40(1):10－13.

[9]秦雁，鄧孺孺，何穎清，等.基于光譜及幾何信息的TM圖像厚云去除算法[J].國土資源遙感，2012(4):55－61.

[10]Bao Y H，Ren J B.Wetland landscape classification based on BP neutral network in DaLinor Lake Area[J].Procedia Environmental Sciences，2011，10:2360－2366.

[11]Zhang L P，Wu K，Zhong Y F，et al.A new sub-pixel mapping algorithm based on BP neural network with an observation model[J].Neurocomputing，2008，71(10－12):2046－2054.

[12]武新，張煥龍，舒云星.基于視覺感知的鑲嵌圖像質(zhì)量評估[J].計算機工程，2008，34(18):220－222.