資源三號影像朵云識別中云雪分離研究

李騰騰，唐新明，高小明

(1. 山東科技大學測繪科學與工程學院，山東 青島 266510； 2. 國家測繪地理信息局衛星

測繪應用中心，北京 101300)

?

資源三號影像朵云識別中云雪分離研究

李騰騰1，唐新明2，高小明2

(1. 山東科技大學測繪科學與工程學院，山東 青島 266510； 2. 國家測繪地理信息局衛星

測繪應用中心，北京 101300)

Research on Separation of Snow and Cloud in ZY-3 Images Cloud Recognition

LI Tengteng,TANG Xinming,GAO Xiaoming

摘要：針對資源三號全色衛星影像在朵云識別過程中云雪不能分離的問題，提出了一種基于云雪邊界特征并利用改進的平均梯度和分形維數等紋理信息的云雪分離方法。首先為了減少雪和其他地物對云的干擾進行初步云識別，本文利用灰度均值、分形維數和灰度共生矩陣計算的能量作為特征參數大體提取云區，此時云雪不分；然后再進行云雪分離，利用改進的平均梯度和分形維數特征值來剔除被誤識別為云的雪。本文采用的分類方法是支持向量機分類。利用資源三號全色衛星影像測試結果表明，該方法是資源三號全色遙感影像朵云識別中一種有效的云雪分離方法。

關鍵詞：資源三號全色遙感影像；灰度共生矩陣；平均梯度；分形維數；云雪分離；支持向量機

通過光學衛星遙感影像，人們可以獲得大量的、直觀的表面客體或事物，另外，衛星遙感影像也越來越多地應用于資源調查、自然災害監測、環境污染監測、制圖及軍事目的的地面目標識別等方面。但是，云的存在減少了衛星遙感影像上的有效信息，影響了遙感影像的使用，尤其是朵云(也叫厚云)的存在，造成了衛星遙感影像上信息的盲區，因此云的去除有很重要的意義。而云區的判斷又是云去除前很關鍵的步驟。在云的識別中，雪是最大的影響因素，在可見光-近紅外波段的范圍內，云和雪光譜特性很相近[1]，云雪不能分離，資源三號全色衛星遙感影像上云雪的光譜信息相近，如果只利用光譜信息，云雪很難分離。

關于如何分離遙感影像上的云和雪的問題，目前的研究主要還是從光譜信息和紋理信息入手。孫磊等[2]通過分形維數、灰度共生矩陣、小波變換等方法提取云和雪區域的多種紋理特征，并利用徑向基核函數的支持向量機分類器進行云雪自動檢測。丁海燕等[3]通過訓練大量的試驗樣本獲得了表征云、雪紋理特征的分形維數值的統計規律，提出了一種基于分形維數的全色影像云和積雪自動識別方法。陳婷等[4]針對全色圖像的冰雪識別問題，以過渡區理論為基礎，提出了基于過渡區特征的冰雪識別方法，使用到的過渡區特征有厚度、均值和方差。殷青軍等[5]通過分析NOAA/AVHRR資料中云和雪的光譜特征，針對青海省南部的云、雪特征,提出了新的云、雪判別因子，對于區分青海省南部地區的云、雪有較好的效果。李微等[6]總結了云和不同目標之間的光譜差異，并結合MODIS影像的波段范圍，提出了一種通用的多光譜云檢測算法。對于資源三號全色遙感影像，無法使用云雪的光譜特征差異進行云雪分離，而更多要考慮使用影像的紋理信息。

一、資源三號全色影像云雪特征提取

1. 資源三號全色影像上云雪特點

資源三號測繪衛星是我國第一顆民用高分辨率立體測圖衛星，于2012年1月9日成功發射。該衛星兼有測繪和國土資源普查的功能，用于1∶50 000立體測圖及更大比例尺基礎地理信息產品的生產和更新，以及開展國土資源調查與監測[7]。從資源三號全色影像上可以看出，大片的云和雪中央，灰度值是影像的最大值，而且都是相同的，幾乎沒有紋理可言，但在邊界上，云的邊界比較模糊、圓潤，灰度變換緩慢，如圖1所示。雪受到地形的影響，邊界比較清晰，灰度變化快，如圖2所示。因此，資源三號全色衛星影像上的云雪分離需要考慮云雪的邊界特征。初步云識別階段，分別建立云和其他地物的訓練樣本，其他地物的訓練樣本中沒有雪的樣本，云樣本中云的含量占60%～100%，提取能量、分形維數、均值3個特征參數；云雪分離階段，分別建立云邊界和雪邊界樣本，樣本中全部是云和雪的邊界，不存在全云或全雪的情況，提取分析維數和改進的平均梯度，支持向量機在云檢測方面具有一定的優勢[8-9]，因此本文使用支持向量進行樣本的訓練和識別。

圖1　云的邊界　　　 圖2　雪的邊界

2. 初步云識別紋理特征參數分析

初步云識別無需考慮雪的因素，采用云與一般地物可分離的特征值。提取灰度共生矩陣計算得到的能量、分形維數和灰度均值作為雪與其他地物分離的特征值。

(1) 灰度共生矩陣

灰度共生矩陣(grey level co-occurrence matrix，GLCM)包含帶有相似灰階值像素的位置信息[10]，并且為方陣，維數等于圖像的灰度級,灰度共生矩陣中的行列位置(i,j)的值表示了在圖像中像素的灰度值為i和像素的灰度值為j，并且相鄰距離為d，方向為θ的這樣兩個像素出現的次數,在實際應用中θ一般選擇為0、45°、90°、135°。在計算得到共生矩陣之后，一般不是直接使用計算的灰度共生矩陣，而是在此基礎上計算幾種紋理特征量，如反差、能量、熵、同質性等，其中能量(角二階矩)是灰度共生矩陣各元素值的平方和，是對圖像紋理的灰度變化穩定程度的度量，反映了圖像灰度分布均勻程度和紋理粗細度，根據曹瓊等[11]對云和其他地物灰度共生矩陣的研究，能量特征區分云和其他地物的效果較好，因此采用灰度共生矩陣計算出的能量來作為云與其他地物分離的紋理特征之一。假設灰度共生矩陣中的位置(i,j)的值為f(i,j)，能量計算公式為

(1)

(2) 分形維數

法國數學家Mandlebrot在20世紀70年代首次提出了分形幾何理論，它指的是影像上的像素在不同尺度上表現出一定程度的自相似性。資源三號衛星遙感影像上云的紋理復雜多變，但是整體和局部存在著某種相似性，滿足分形的特點,因此也可以把分形維數的結果作為云與其他地物分離的紋理特征之一。本文計算的分形維數為計算相對比較簡單，使用范圍比較廣的盒維數。具體盒維數計算請參看文獻[12]。如圖3所示為436個云區和地物的影像計算出的分形維數結果，從圖上可以看出，云區的分形維數小于地物的分形維數，分形維數可以很好地分離云區和其他地物。

圖3

(3) 影像均值

資源三號衛星遙感影像上云的灰度值要明顯大于其他地物，訓練樣本中的云影像中云的含量在60%以上，這樣云樣本的灰度均值會大于大部分其他地物樣本的灰度均值。假設影像大小為m×n，f(i,j)表示窗口內(i,j)位置處的像素灰度值，因此該窗口影像的均值計算值見式(2)，云與其他地物樣本的均值計算值如圖4所示。

(2)

圖4

3. 云雪分離階段紋理特征參數分析

(1) 平均梯度

(3)

(4)

(5)

圖5

圖6

(2) 分形維數

分形維數是圖像物體表面不規則度的度量，由于云和雪表面不規則度不同，可以通過分形維數的計算進行區分[14]，并且云雪的邊界特征也會增加兩者分形維數的計算值之間的差距，計算方法同初步云識別階段的分形維數計算。如圖7所示為315幅云雪邊界影像提取的分形維數的計算值，上面的曲線是雪邊界樣本的分形維數計算值，下面的曲線是云邊界樣本的分形維數計算值，可以看出分形維數可以大體上分離云和雪，只有個別的樣本出現了混淆。

圖7

二、試驗結果

1. 試驗數據

試驗影像選自資源三號正視高分辨率全色衛星影像，空間分辨率為2.1 m，所選數據主要覆蓋四川省西部山區，影像中部分山頂有積雪，同時存在朵云，數據具有一定的典型性，對于資源三號影像的云雪分離研究具有實際意義。

本文采用OpenCV[15]提供的核函數為徑向基函數的SVM分類器來進行云雪分離的研究，通過使用K折交叉驗證的方式選取最佳的參數。訓練樣本同樣來自于資源三號正視高分辨率全色影像，初步云識別階段，各自選取了436幅64×64像素的云和其他地物樣本，如圖8—圖9所示。云雪分離階段，分別選取了315幅64×64像素的云邊界和雪邊界樣本，如圖10—圖11所示。

圖8　　　　　　　　　　　圖9

圖10　　　　　　　　　　　圖11

2. 試驗具體步驟和結果分析

(1) 試驗具體步驟

1) SVM訓練階段：使用SVM分別訓練初步云識別階段的樣本和云雪分離階段的樣本，如圖12所示。

2) 初步云識別階段：使用64×64像素的窗口遍歷測試影像，移動步長為32，使用SVM進行預測，并將判斷為云的窗口輸出保存，此時輸出的影像包含全部的云和部分的雪，如圖13所示。

3) 云雪分離階段：再次遍歷步驟2)生成的影像，窗口大小為64×64像素，移動步長為32像素，當窗口內的影像均值小于整景影像的灰度最大值時進行判斷，也就是避免窗口內全是云或雪的情況，這樣才能利用云雪的邊界和紋理特征。將SVM判斷為云的窗口影像輸出保存，此時就構成云區的影像，如圖14所示。

4) 提取云區的輪廓：上一步已經保存了識別出來的云區的影像，這一步只要提取云的外邊界多邊形即可，多邊形的位置也可以同時保存下來，可以利用云區的位置信息進行去云等相關操作。

(2) 結果分析

從圖12—圖14可以看出，初步云識別、云雪分離兩步操作得到了比較精確的云區，雖然云中間出現了一部分空洞，但是云的邊界還是完整地保存了下來，只要提取云區的外邊界輪廓，就可以得到剔除雪的云區邊界。如圖15、圖16所示為剔除雪之后的云區輪廓在原始影像上標示出來的結果，云的邊界用白色的實線勾畫出來。從結果上可以看出，90%以上的朵云都被識別出來，并且去除了95%以上的雪，做到了云雪分離，并且對于資源三號全色影像具有一定的通用性。

圖12　　　　　　圖13　　　　　　圖14

圖15

圖16

三、結束語

本文針對資源三號全色衛星影像朵云識別中云雪難以分離的問題，提出了基于邊界特征并利用改進的平均梯度和分形維數等紋理信息的云雪分離方法，經過初步云識別和云雪分離兩步，做到了剔除

95%以上的雪的結果，云識別的效果較好，并且具有一定的通用性，該方法是資源三號全色遙感影像朵云識別中一種有效的云雪分離方法。但是也仍存在需要改進的地方，如云、其他地物、云邊界和雪邊界的訓練樣本需要繼續完善，程序執行效率需要繼續提高，云區多邊形合并需要繼續研究等。

參考文獻：

[1]魏鋒華,李才興，扎西央宗，等.基于中巴資源衛星數據的積雪監測研究[J].國土資源遙感,2007,19(3):31-35.

[2]孫磊,曹曉光.基于多種紋理特征的全色圖像云雪區特征提取[J].電子設計工程,2014,22(2):174-176.

[3]丁海燕,馬靈玲,李子揚,等.基于分形維數的全色影像云雪自動識別方法[J].遙感技術與應用,2013,28(1):52-57.

[4]陳婷,汪愛華,王智勇，等.基于過渡區特征的全色遙感圖像冰雪識別[J].國土資源遙感,2013,25(2):27-32.

[5]殷青軍,楊英蓮,徐維新，等.NOAA衛星資料云雪識別方法的研究[J].高原氣象,2002,21(5):526-528.

[6]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.

[7]潘紅播,張過,唐新明,等.資源三號測繪衛星傳感器校正產品幾何模型[J].測繪學報,2013,42(4):516-522.

[8]向大芳.支持向量機云檢測方法的穩定性分析研究[J].計算機應用與軟件,2013,30(1):226-228.

[9]赫英明,王漢杰,姜祝輝，等.支持向量機在云檢測中的應用[J].解放軍理工大學學報(自然科學版),2009,10(2):191-194.

[10]PARKER J R， 景麗.圖像處理與計算機視覺算法及應用[M]. 2版. 北京:清華大學出版社,2013.

[11]曹瓊,鄭紅,李行善,等.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.

[12]SHAN Na,ZHENG Tianyao,WANG Zhensong,et al. High-speed and High-accuracy Algorithm for Cloud Detection and Its Application[J]. Journal of Remote Sensing,2009,13(6):1138-1155.

[13]趙英時,李小文,趙冬梅,等.遙感應用分析原理與方法[M].北京:科學出版社,2003.

[14]郁文霞,曹曉光,徐琳,等.遙感圖像云自動檢測[J].儀器儀表學報,2006,27(z3):2184-2186.

[15]GARY B, ADRIAN K,于仕琪,等.學習OpenCV(中文版)[M].北京:清華大學出版社,2009.

中圖分類號：P237

文獻標識碼：B

文章編號：0494-0911(2016)02-0046-04

作者簡介：李騰騰(1988—)，男，碩士，主要研究方向為遙感影像處理與信息提取。E-mail: 956138898@qq.com

基金項目：國家測繪地理信息局基礎測繪科技項目

收稿日期：2015-01-12

引文格式： 李騰騰，唐新明，高小明. 資源三號影像朵云識別中云雪分離研究[J].測繪通報，2016(2)：46-49.DOI:10.13474/j.cnki.11-2246.2016.0046.