半逆法自動云檢測

徐永強，周　俊，趙海富，仉樹軍，吳金亮

(1. 總參陸航研究所，北京 101121； 2. 中國電子科技集團公司第五十四研究所，河北 石家莊 050081)

A Semi-inverse Approach to Detect Cloud

XU Yongqiang，ZHOU Jun，ZHAO Haifu，ZHANG Shujun，WU Jinliang

?

半逆法自動云檢測

徐永強1，周俊1，趙海富1，仉樹軍1，吳金亮2

(1. 總參陸航研究所，北京 101121； 2. 中國電子科技集團公司第五十四研究所，河北 石家莊 050081)

A Semi-inverse Approach to Detect Cloud

XU Yongqiang，ZHOU Jun，ZHAO Haifu，ZHANG Shujun，WU Jinliang

摘要：針對高分影像質量判定的需求，提出色度過濾法和半逆法相結合的云檢測算法。根據色度過濾，識別可疑云區，生成搜索掩碼；利用半逆法，生成原圖的半逆圖像，度量色度差異，識別高亮云區；由高亮云區在掩碼區迭代搜索，進一步達到對薄云的檢測，迭代策略的使用避免了城區對薄云區檢測的干擾。該方法在大量高分影像數據上進行了試驗驗證， 均得到較好結果。

關鍵詞：色度過濾；半逆法；圖像分割；顏色空間

一、引言

高分一號自投入使用以來，在土地利用變更調查、地質災害監測、生態環境監測、耕地數量調查、農業設施分布調查等方面發揮著越來越重要的作用。首批高分影像數據包括2 m全色、8 m多光譜、2 m全色8 m多光譜融合、16 m多光譜4類。

衛星在獲取影像時，很容易受到拍攝地區天氣狀況的影響，其中云區對地物的遮擋直接影像拍攝影像的可用性。云區遮擋地物信息不僅造成采集信息的缺失，而且給影像后續的使用帶來極大干擾，直接影響地物的分類、目標的檢測、地物的識別等。影像數據接收后，對其進行質量檢測，識別其被云影響的區域范圍，有很大實用價值。高分影像數據量巨大，如果質量檢測完全依賴人工操作，將消耗大量人力和時間。云自動檢測算法自動對影像中的云區進行檢測，篩選排除被云高度污染的影像，將極大地減少人工操作，提高效率。

二、研究背景介紹

云主要由空氣中的水汽凝結而成，云中粒子直徑遠大于太陽入射波長，對可見光無選擇性反射及散射，即紅、綠和藍光的反射量相同，散射量也相同。因此在可見光波段中，云色調較亮呈現白色或灰白色，反射率接近1。

目前有大量云檢測算法被提出。Cao等[1]利用積分法對高分辨率影像進行自動云檢測；Smith等[2]利用天頂角和云透射率結合閾值分割云區；Souza-echer等[3]在HIS顏色空間中利用平行六面體法識別云區；楊俊等[4]利用插值法獲取局部閾值來識別云區； 曹瓊等[5]分析圖像的紋理特征進行云區的提取。目前的云檢測算法主要是針對國外衛星(Landsat、MODIS、NOAA等)影像進行處理。國內高分影像數據近期才發布，針對其影像數據的云檢測算法研究較少，并且空間分辨率、波譜參數不同，算法處理也不相同。本文算法主要針對國內高分多光譜影像數據進行自動云檢測。GF-1衛星有效光譜參數見表 1。

表1　GF-1衛星有效光譜參數　μm

三、云區識別及提取

算法的整體處理流程如圖1所示。對于待檢測的高分影像數據，首先利用meanshift算法[7]對其進行分塊預處理，以每個分割塊作為基本處理單元， 利用色度過濾法去除彩色區域，利用半逆法識別可信云區，再擴延識別出薄云區域。

圖1　半逆法自動云檢測流程

1. 分塊預處理

圖像分割作為云檢測預處理，合并相鄰的相似像元，分離相異像元。相比于影像中單個像素，分割出的區域具有相同或相似的光譜及紋理特性。本文采用meanshift算法對圖像進行分塊處理。meanshift算法通過不斷迭代偏移均值，將相似像素進行聚類合并。分割算法中最小分割區域的設置可以去除掉孤立的高亮像素點，提高算法的穩定性及魯棒性。圖2(a)為輸入的高分影像；圖2(b)為其對應的分割影像，每個分割塊的顏色值是區塊內像素點的顏色值平均值。

圖2　CIE Lab色度過濾

2. CIE Lab色度過濾

將分塊的高分影像(圖2(b))由RGB顏色空間映射到CIE Lab 顏色空間。CIE Lab顏色空間為均勻顏色空間，視覺感知距離與顏色空間中點的距離成比例。其中，L代表亮度;a正值代表紅色，負值代表綠色；b正值代表黃色，負值代表藍色。CIE Lab顏色空間中的3個坐標是相互獨立的。色度度量a,b絕對值的大小，度量了顏色偏移白色或灰白色的距離。從RGB顏色空間到CIE Lab顏色空間的變換公式如下

(1)

(2)

(3)

圖2(c)顯示了映射的強度分量，圖2(d)、(e)對a、b取絕對值，并映射到[0, 255]進行顯示。圖2(d)、(e)顯示每個分割塊的色度跟強度大小無關，真實地反映了色彩強度。 圖2(f)為色度過濾生成的可疑云區掩碼圖，在算法處理中，掩碼圖生成的判斷標準為Dct<10。生成的掩碼圖覆蓋了圖像中表現接近灰色或白色的區域，過濾了山區植被區， 縮小后續云區識別的范圍。

3. 半逆法識別

筆者受He等工作[8]的啟發，并分析了大量含云高分多光譜影像數據，發現在云區中，每個像素點的每一個顏色通道都有較高值，而非云區中，像素分布滿足暗點原理, 即每個像素點的周圍都會包含暗點像素，即其至少在某一個顏色通道上有很小值(r、g或b)，接近于0, 具體原理細節可參考文獻[8]。Ancuti等[9]進一步延伸暗點原理，提出了像素半逆法，用于霧效去除。 經過大量高分多光譜影像的測試發現，半逆法在檢測云區方面也有較好效果，云區內每個像素點各通道值均較大，進行半逆處理，仍得到原始值，而對于在某一個通道上有較低值的像素點，進行半逆處理后，色度有很大變化。

(4)

圖3　半逆法提取云區

4. 薄云區檢測

半逆法檢測了高亮顯示的云區，色度過濾排除了色彩明顯的地物的干擾。從高亮云區向周圍擴延，進一步對薄云區進行檢測。如圖4(a)所示, 從半逆法檢測的高亮云區開始，基于色度過濾產生的掩碼(圖2(f)), 向周邊迭代遍歷檢測薄云區。 遍歷范圍為圖2(f)對應的掩碼區域，在每個分割塊周圍臨域尋找薄云區域，并迭代進行。采用閾值法對薄云區進行判別，RGB顏色通道的最小值大于90。 該判斷基于暗點原理，即非云區在某一個通道上值較小，接近于0。在擴延過程中考慮近紅外波段的影響(近紅外波段為0.77～0.89 μm)，植被葉片結構產生的多重反射，導致其反射率較高，通常用于識別植被覆蓋。擴延中如果近紅外的值大于RGB通道的最小值，即停止外擴。檢測結果如圖4(b)所示。

圖4　薄云區檢測

四、結果及比較

檢測結果圖4(b)所示， 不僅檢測了影像中的高亮云區，對其周圍的薄云區也有較好檢測結果。半逆法及薄云區檢測策略的使用使算法排除了城區對薄云區檢測的干擾，實現了魯棒的云檢測效果。圖5列出了其他一些檢測結果。圖5(a)為原始高分影像， 圖5(b)為檢測結果圖。為更好地顯示檢測結果，在檢測結果圖中添加了一個半透明的白色圖層，用于標識檢測到的云區。在圖像分割中，使用同一組參數對原始影像進行分塊預處理。在色度過濾中，閾值統一設置為10，該閾值的選擇考慮了云區顏色可能出現的色偏現象，提高了算法的適用性。半逆法中，閾值也統一設置為10， 對云區的顏色偏移，也有一定的適應性。而薄云區閾值的選擇，是作了大量測試得出的經驗值。但大量試驗證明，檢測效果很好。對于大小為4500像素×4548像素的多光譜影像，算法處理時間在10 s以內。該時間主要消耗在對影像的分割預處理上，有待改近。算法的處理時間相對于人工檢測云覆蓋，已經大大減少了。人工檢測涉及打開影像、查看、量算云區面積，整個工作流程繁瑣，耗時，還易出現漏查的情況。相對人工檢測，自動云檢測提供了效率更高的選擇。

圖5　檢測結果

五、結束語

色度過濾法及半逆法的結合，實現了對高分影像數據的自動云區檢測。檢測算法可以較好地排除城區對薄云區檢測的干擾。算法目前還達不到實時檢測的程度，瓶頸在于分割預處理，筆者正在尋找更快速的分割算法對其進行替代，以實現對高分影像的實時自動云檢測處理。

參考文獻：

[1]CAOQ，ZHENGH.AMethodforDetectingCloudinSatelliteRemoteSensingImageBasedonTexture[J].ActaAeronauticaetAstronauticaSinica, 2007, 28(3):661-665.

[2]SMITHS，TOUMIR．MeasuringCloudCoverandBrightnessTemperaturewithaGroundBasedThermalInfraredCamera[J]．JournalofAppliedMeteorolClimital，2008，47(2):683-693．

[3]SOUZA-ECHERMP，PEREIRAEB，BINSLS，etal．ASimpleMethodfortheAssessmentoftheCloudCoverStateinHighLatitudeRegionsbyaGroundBasedDigitalCamera[J]．JournalofAtmosphericandOceanicTechnology，2006，23(3):437-447.

[4]楊俊，呂偉濤，馬穎，等． 基于局部閾值插值的地基云自動檢測方法[J]． 氣象學報，2010，68(6): 1007-1017．

[5]曹瓊,鄭紅,李行善.一種基于紋理特征的衛星遙感圖像云探測方法[J].航空學報，2007, 28(3): 661-666.

[6]楊寧. 高分辨率影像面向對象分類特征選擇方法研究[D]. 西安: 西安科技大學, 2012.

[7]COMMANICIUD，MEERP.MeanShift:ARobustApproachtowardFeatureSpaceAnalysis[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2002, 24(5)：630-619.

[8]HEKM,SUNJ,TANGXO.SingleImageHazeRemovalUsingDarkChannelPrior[C]∥IEEEConferenceonComputerVisionandPatternRecognition.Miami,FL:IEEE, 2009: 1956-1963.

[9]ANCUTICO,ANCUTIC,HERMANSC,etal.AFastSemi-InverseApproachtoDetectandRemovetheHazefromaSingleImage[C]∥10thAsianConferenceonComputerVision.BerlinHeidelberg:Springer,2011: 501-514.

引文格式： 徐永強，周俊，趙海富，等. 半逆法自動云檢測[J].測繪通報，2015(1)：63-65.DOI:10.13474/j.cnki.11-2246.2015.0012

作者簡介：徐永強(1974—)，男，高級工程師，研究方向為空天信息應用。E-mail： xyq77@126.com

收稿日期：2014-07-10

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2015)01-0063-03