基于無人機航空影像的薄云去除方法研究

張 肅，吳傳智

（1.四川省地質調查院，成都 610081）

受遙感傳感器的限制，現在不受云霧影響的傳感器只有雷達，如LiDAR（機載激光雷達）及SAR（合成孔徑雷達）[1-2]。其余的光學傳感器在獲取影像的過程中均會受到云霧的影響。對于單幅影像，頻域濾波技術是一類重要的云層去除方法，包括同態濾波和小波分析等算法。趙忠明等[3]使用了同態濾波法對影像進行薄云去除；賴格英等[4]提出了使用同態濾波方法結合DEM對AVHRR影像進行處理，去除了部分云噪聲；Feng等[5]提出了一種改進的同態濾波算法，該算法僅對有云區域進行處理；謝華美等[6]采用同態濾波方法，去除含有薄云信息的低頻分量，并對有云和無云的區域進行判斷；馬建文等[7]采用了同態濾波方法處理中巴資源衛星數據，并且匹配有云區和無云區相同地類的反射率來去除云層；李洪利等[8]采用改進同態濾波方法對衛星影像進行薄云去除，保留無云區像素，替換有云區像素，有效去除薄云。

另外，小波變換和薄云去除方法是近年來提出的有效的薄云去除方法。國內外相關專家做出了大量研究[9-30]。研究表明，根據不同的云覆蓋程度以及不同的數據類型，需要選擇不同的去云方法。對于局部有厚云的影像，由于地物的反射完全被云層所遮擋，地物的信息并不能到達傳感器，采用多時相影像的時間平均法較為有效。無人機影像一般是單時相影像，難以找到另一時相的同區域數據與之匹配，并且同區域衛星影像空間分辨率也不能匹配。無人機攝影由于拍攝的高程較小（飛行高度2 000 m左右），遇到有薄云時，采用同態濾波法較合適。其算法的基本思路是采用傅里葉變換將影像從時域變換到頻域，選取高通濾波器進行濾波，過濾薄云信息，再變換回時域得到處理后的影像，達到去除薄云的目的。但是，此方法也存在對有云區域和無云區域同時進行濾波使得有用的地物信息丟失等問題。

為了解決上述問題，本文采用面向對象分類方法，對無人機影像進行多尺度分割并分類，精確地分離出有云區域和無云區域。再單獨對有云區影像進行同態濾波處理，用處理后的有云區域影像替換原始的有云區域圖像，并且用Wallis濾波的方法對整幅影像進行濾波，使得有云區域和無云區域的地物的光譜特征趨同，得到處理后的無人機影像。結果證明該算法可以有效弱化云層對無人機影像的干擾，有利于影像的后續解譯。

1 研究區域情況及數據來源

研究區域位于四川省雅安市漢源縣附，處于 102°40′49.94″E～102°46′03.69″E， 29°18′34.93″N～ 29°21′04.87″N間，面積約20 km2。該地區覆蓋多種土地利用類型，包含林地、草地、耕地、河流等。

無人機影像獲取時間為2013年11月，采用LTBT-150系列無人機進行航攝，影像只有3個波段。無人機影像數據如圖1所示。從圖中可見，影像當中部分區域被薄云所覆蓋，其中左上方區域云層較厚，其余地區云層較薄。

圖1 2013年11月無人機彩色影像

2 研究方法

無人機遙感影像中的薄云具有以下特點：亮度較高、對比度較低、頻域信息集中于低頻部分。薄云去除的核心思想就是去除有云區域內的薄云信息，同時盡量保留有云區域內地物的特征。其主要流程如圖2所示。

圖2 薄云去除流程圖

2.1 有云區域識別

對整幅影像進行同態濾波會導致無云區域內的信息損失，所以進行同態濾波前應當精準確定有云區域的范圍。經典云層識別方法包括目視解譯，對比濾波前后像素的灰度值，非局部獨立像素逼近法，掩膜函數法、數學形態學等方法。但上述方法要求影像為多波段數據，對于僅有3個波段的無人機影像并不適用。而近年來迅速發展的面向對象分類方法更加適合提取無人機影像的有云區域。本文中采用ecognition軟件提取有云區域。

傳統的影像分類方法僅利用光譜信息，容易忽略豐富且重要的空間信息，無法解決同物異譜和異物同譜的現象。而無人機的空間分辨率高達0.2m，導致影像的數據量巨大，用傳統方法對無人機影像進行分類運算量大，速度慢。近年來，面向對象的分類方法逐漸發展起來，其優點是能夠充分利用高分辨率遙感影像的空間信息，提高信息分類精度，并且能在不同尺度空間提取特定信息，從而提高分類精度[31]。在本研究中，有云區提取的基本步驟如下：

1）根據影像的光譜特征和幾何特征，將整幅影像進行分割為不同的區塊，這些區塊內部具有相似的特征。選擇尺度分割度參數時，需要經過多次實驗來選擇最佳參數。當分割的區塊過大時，同一個分塊之內會包含不同的地物類別，會對分類造成干擾；而當分割的區塊過小時，連接在一起的同一類地物被分割為多個區塊，也不利于地物分類。經過多次測試，對于0.2 m分辨率的無人機影像，尺度參數設置為100就可以保證分割的準確性。

2）根據一系列的分類規則對這些小的分塊進行分類。分類規則為每一個波段的光學特征以及幾何特征。對每一個小分塊賦予一個類別之后，根據不同的規則方法，可以對分類的結果進行調整。

3）對于最后剩下的錯誤類別，采用人工分類進行修正。給每一個錯誤的區塊直接指定正確的類別，這對于最后修正某些類別的錯誤邊界有很好的效果。至此，影像分類得到了完整的結果，包括有云區域以及植被、農田、河流等地物類別。

提取的有云區域顯示在圖3之中，粉色的區域為提取出的有云區域，和圖1的無人機影像進行對比，可以看出，有云區域被精確地提取出來。

圖3 無人機影像中提取出的有云區域（粉色）

2.2 無人機影像的同態濾波處理

當影像有薄云時，傳感器接收到的圖像由太陽輻射，經過薄云反射、太陽輻射、地物反射之后再穿透薄云這兩部分輻射疊加組合而成，其數學表達式為：

式中，f(x,y)為傳感器接收到的信息；r(x,y)為地物反射率，代表信號，是需要提取的信息；t(x,y)代表云層的透射率，表示噪聲，而L為太陽輻射強度，α代表太陽輻射在大氣傳輸過程中的衰減系數，其中t(x,y),r(x,y),α的的取值范圍為[0,1]。公式（1）可以簡化為公式（2）：

式中，fi(x,y)為照射分量，反映了薄云的信息；fr(x,y)為反射分量，反映了地物的信息。因此，影像的亮度值可以理解為照射分量和反射分量的乘積。對式（2）兩邊同時去取對數可得：

薄云的信息在照射分量之中為低頻信息，而地物信息在反射分量中為高頻信息，影像的亮度值的對數可以表達為反射分量的對數和照射分量的對數之和，即高頻分量和低頻分量的增函數之和。采用離散傅里葉變換將式（3）變換到頻域，可以得到式（4）：

2.3 濾波后影像的處理

同態濾波對影像的處理會造成無云區的低頻信息丟失，為了避免信息損失，使用有云區域之內的同態濾波后影像與原影像進行鑲嵌處理，得到鑲嵌后的影像。

此時，有云區域和無云區域內的地物有一定的亮度、對比度和色調的差別，這就涉及到影像的色彩一致性處理。常用的算法包括基于Mask原理的勻光方法、基于自適應模板的勻光方法，基于頻域的勻光方法，基于Wallis濾波器的勻色方法等[32]。本文采用Wallis濾波器進行勻色，通過Wallis線性濾波器，使得影像不同區域位置的灰度的方差和均值具有相似的數值，讓整幅影像具有近似的色調、亮度和對比度。進行勻光勻色處理的同時，對有云區域和無云區域的邊緣進行平滑過渡，從而得到最終的影像。如圖4所示。

圖4 薄云去除之后的無人機遙感影像

3 實驗結果與分析

通過對薄云去除前后無人機影像的對比（圖1、4），可見，采用了同態濾波處理，有云區域處理后影像鑲嵌以及色彩一致性處理之后，對薄云區域，去除效果較好，沒有明顯的邊界效應，使得后期的解譯更加準確。對左上方的小部分厚云區域，處理方法僅降低了厚云的亮度，未能去除云層對地物的影響。同時，無云區域的地貌特征得以完整保留，說明了薄云去除方法的有效性。

4 結 語

本文提出了一種基于面向對象的同態濾波薄云去除方法，對無人機影像進行了薄云去除實驗。該算法采用了面向對象的分類方法，將有云區域和無云區域精準隔離，改進了傳統的同態濾波算法，避免了原有算法造成的無云區域信息損失。并且對薄云去除之后整幅影像進行了色彩一致性處理，使有云區和無云區的地物在色調和反差上更為接近，更有利于后續的影像解譯工作。

研究結果顯示影像中薄云部分得到了明顯減弱，薄云區內的地物細節清晰顯現，說明了此算法的有效性。但此方法對厚云去除的效果不理想，僅降低了厚云區域的亮度而未能恢復地物信息。后續研究可以考慮結合多時相影像替換的方法，將厚云部分的信息替換為其他時相的無人機影像信息，更加有效的去除影像中的云層。