一种快速准确的遥感数字影像含云量检测方法技术

本发明专利技术提出的一种快速准确的遥感数字影像含云量检测方法，基于视觉显著性原理，首先利用遥感影像分割算法将影像分为同质的若干个分割影像块，然后以每一个分割影像块为单位提取视觉特性。视觉特性总体上可以分为两大类，区域特性和区域对比度特性，通过这两类特征的描述作为对该区域进行分类的基础，然后选择合适的分类器对该区域进行分类，最终得到该遥感数字影像的云掩膜图像。本发明专利技术对云量检测的精度整体高，云量检测误差很小，对云的具体位置和边界的检测相对准确，较现有技术有较大提升，在不同遥感平台上普适性好拥有广阔的应用空间。

【技术实现步骤摘要】
一种快速准确的遥感数字影像含云量检测方法
本专利技术涉及一种遥感数字影像含云量检测方法，特别涉及一种快速准确的遥感数字影像含云量检测方法，属于影像含云量检测

技术介绍
遥感技术在对地观测上扮演着越来越重要的角色，通过对遥感数字影像的解译和分析，可以得到环境、气象、农业、森林、自然灾害等各种有效信息并应用在人类生活的各方面。在全球范围内地球表面上被云覆盖的面积平均约为66％，在卫星影像中有约66％的比例是云的影像。而遥感数字影像中的云在各应用场景中起的作用并不好，在光学遥感应用中，云是阻挡获得有效信息的干扰源，在遥感数字影像中云的出现会严重遮挡需要被观测的地面信息，更会对下一步的分析应用产生干扰，导致所需地面信息缺失，正则化植被指数估计产生偏差，地面目标分类识别错误及变化检测的误检测等，遥感数字影像中被云覆盖的部分是无价值的，需要剔除掉。由于遥感数字影像中大量的云的存在，浪费了遥感数据平台上大量的存储资源和传输资源，而云包含的信息量极少，通过对遥感数字影像中的云进行检测，可以大幅压缩遥感数字影像的数据量，减少对遥感数据平台的存储资源和传输资源的浪费。在各应用场景中，遥感数字影像中的云起着不同的作用，因此在进行分析应用前，对遥感数字影像进行含云量检测十分必要。含云量检测现实应用意义很大，不仅可在气象领域中为天气预报和气候监测提供强有力的数据支持，并且可应用在气象灾害的预警预报中，减少人民群众的生命财产损失。通过含云量检测对遥感数字影像进行压缩，还可以使遥感数字影像的星地传输效率大幅提高。在地里国情监测方面，矿产普查，基础设施监测，地图制图，变化检测等等应用中，含云量检测也是必不可少的一项重要处理过程。现有技术的遥感图像含云量检测模型和算法中，主流是从云的物理特性出发进行含云量检测，这类方法被称为物理阈值法。斯特拉等人对云的物理特性进行了详细研究，对水和冰在7um-13um波段区间内的反射特性曲线、散射特性曲线、吸收特性曲线进行了详细研讨，深入研究了水和冰微粒在不同粒度下的光谱特征，显示8um，11um，12um三个波段最适合进行含云量检测，利用这三个波段的响应值可以很好的将云与下垫面区分开来。获得云象信息，李微等人针对多波段通道的影像数据，综合分析沙漠、云、雪、植被、水体等地面目标的光谱曲线，发现了云的光谱特性与其它不同目标之间存在的差异，总结出了一套含云量检测方法，针对指定场景和自适应的三维阈值对聚合簇进行分类得到含云量检测结果。除针对单一平台的含云量检测外，现有技术也有不少能够适用于多个平台的含云量检测算法。物理阈值法都需要选定一个或者多个合适阈值才能达到理想效果，在不同的场景下或者不同的卫星平台下使用的阈值并不相同，因此许多自适应选取阈值的方法被提出，物理阈值法从云的物理特性出发，但物理阈值法有不少的缺陷：一是容易受到空气中含水量的影响，云本质上是水或冰的细小微粒，从物理特性角度，空气中的含水量会严重影响对云的判断。在不同的下垫面或者不同的时间点采集的遥感数字影像数据进行含云量检测时，所使用的阈值不一样；二是用物理阈值法需要用到红外波段，红外波段是区分云与下垫面的指示器，不同遥感数据平台上红外波段的设置不相同，针对某一种遥感数据平台的物理模型，在其它平台上可能找不到合适的红外波段进行套用，高空间分辨率的卫星影像往往缺乏合适的红外波段；三是阈值容易受温度等外界环境因素的影响，物理阈值法的模型中有很大部分的是基于云顶温度低于下垫面温度进行含云量检测的，利用红外波段反演出影像中区域的温度分布情况，然而一年四季温度在不断变换，温度变化会直接影响阈值的设定，这样的高分影像数据时物理模型就很难适用。利用物理阈值法进行含云量检测由于太容易受到其它因素的干扰，普适性较差。因此要提高含云量检测模型的鲁棒性，必须要使用除了光谱信息以外的其它信息。现有技术有一些通过纹理进行含云量检测的方法，基特等提出了利用场景分析的方法通过分析相邻象元之间的临界关系进行含云量检测，付丽提出利用纹理特性进行含云量检测的算法，物理阈值法中利用经验阈值或自适应阈值进行云与非云的分类算法的鲁棒性较差，黎阳等提出用马尔科夫随机场模型进行含云量检测的方法，该方法建立以像素图和目标图为基础的两个马尔科夫场，使含云量检测转化成求解包含六个参数的马尔科夫随机场的最优解的过程。通过解决最优化问题进行含云量检测避免了仅通过阈值进行含云量检测而带来了诸多问题，但人工干预很多，无法科学计算得到最优的分类结果，在分类精度上误差大，在抗噪声上无法避免过拟合问题，在含云量检测上实际计算速度较慢，在不同遥感平台上普适性不好，应用面很小。近些年来，视觉显著性算法的发展具备了丰富的视觉特性，大量研究人员开始利用视觉显著性算法进行目标检测，提出了利用区域特性融合方法进行显著性目标检测，通过集成区域特性、区域对比度特性和区域背景度作为视觉显著性特征，然后利用监督分类的方法得到视觉显著性图像，用显著性图像来描述目标所在的位置。这些研究使得视觉显著性模型可以应用到显著性目标的检测中，在遥感数字影像上的云具备视觉显著性，本专利技术的方法就是以这些模型为基础，将视觉显著性模型应用对云目标的检测中。综合来看，现有技术除了以上问题外，还存在以下缺陷：一是现有技术云目标检测结果中包含很多脉冲噪声，需要进一步处理才能确定云的边界，特征设置局限于像素本身的物理光谱特征，不能得到该区域的统计特征和区域间的统计特征，在特征的设计与选择上局限很多；二是现有技术利用云的光谱特性进行含云量检测时，需要利用近红外光谱特征进行含云量检测，但利用近红外光谱特征有难以逾越的瓶颈，云本质上是水或冰的细小微粒，从物理特性角度出发，空气中的含水量会严重影响对云的判断，导致在不同的下垫面或不同的时间采集的遥感数字影像数据进行含云量检测，使用的阈值不一样；红外波段是区分云和下垫面的指示器，在不同的遥感数据平台上红外波段设置的采样波段范围不尽相同，针对某一种遥感数据平台研究的物理模型，在其它平台上可能找不到合适的红外波段进行套用，现有的高分辨率卫星影像缺乏合适的红外波段，这些物理模型很难适用，此外温度变化会间接影响含云量检测时阈值的设定；三是现有技术的含云量检测算法设定阈值作为云或非云分类器，人工干预很多，无法科学计算得到最优的分类结果，在分类精度上误差大，在抗噪声上无法避免过拟合问题，在含云量检测上实际计算速度较慢；四是现有技术的遥感数字影像含云量检测方法无法有效的将显著性图像融合成最终的云掩膜图像，对云量检测的精度整体偏低，云量检测误差很大，对云的具体位置和边界的检测不够准确，在不同遥感平台上普适性不好，应用面很窄。
技术实现思路
针对现有技术的不足，本专利技术提出的一种快速准确的遥感数字影像含云量检测方法，基于视觉显著性原理，首先利用遥感影像分割算法将影像分为同质的若干个分割影像块，然后以每一个分割影像块为单位提取视觉特性。视觉特性总体上可以分为两大类，区域特性和区域对比度特性，通过这两类特征的描述作为对该区域进行分类的基础，然后选择合适的分类器对该区域进行分类，最终得到该遥感数字影像的云掩膜图像。本本文档来自技高网...

【技术保护点】
1.一种快速准确的遥感数字影像含云量检测方法，其特征在于：采用遥感数据平台具备的红、绿、蓝三个通道的影像信息作为数据源，一是对遥感数字影像进行三个层次的遥感影像分割，三个层次的遥感影像分割分别为过分割、适度分割、粗分割；二是以每个分割影像块为单位提取视觉特性，视觉特性包括区域特性和区域对比度特性两类；三是利用随机森林算法训练分类器，对每个分割影像块进行云或非云的判断并生成显著性图像，每幅影像都进行了三个层次的遥感影像分割，会得到的三幅显著性图像；四是通过平等投票融合的方式将三幅显著性图像融合成最终的云掩膜图像。/n

【技术特征摘要】
1.一种快速准确的遥感数字影像含云量检测方法，其特征在于：采用遥感数据平台具备的红、绿、蓝三个通道的影像信息作为数据源，一是对遥感数字影像进行三个层次的遥感影像分割，三个层次的遥感影像分割分别为过分割、适度分割、粗分割；二是以每个分割影像块为单位提取视觉特性，视觉特性包括区域特性和区域对比度特性两类；三是利用随机森林算法训练分类器，对每个分割影像块进行云或非云的判断并生成显著性图像，每幅影像都进行了三个层次的遥感影像分割，会得到的三幅显著性图像；四是通过平等投票融合的方式将三幅显著性图像融合成最终的云掩膜图像。


2.根据权利要求1所述的一种快速准确的遥感数字影像含云量检测方法，其特征在于，基于云在遥感数字影像中的视觉显著性原理，设置实现遥感数字影像含云量检测算法模型，具体步骤为：
第一步，对遥感数字影像进行遥感影像分割，在遥感数字影像上进行含云量检测先对遥感数字影像进行分割，以分割影像块为对象进行云或非云的判断，对云或非云的判断以像素为单位，特征设置不局限于像素本身的物理光谱特征，可得到区域的统计特征和区域间的统计特征，对遥感数字影像进行多尺度遥感影像分割提取不同尺度下的视觉特性，含云量检测具体应用采用改进的基于图论分割算法，通过调整阈值控制遥感影像分割的阈值，达到过分割或粗分割的目的；
第二步，以分割影像块为单位提取视觉特性，采用各遥感数据平台都具备的红、绿、蓝三个通道作为输入数据，然后以分割影像块为单位提取视觉特性。基于显著性算法机理，通过区域统计特性描述云区域与非云区域的差异，含云量检测视觉特性设计包括两大类：区域特性和区域对比度特性；
第三步，基于自上而下的视觉显著性检测算法框架进行含云量检测，采用随机森林算法作为云分类器，在分类精度上分类错误率收敛于泛化误差界，提高单颗分类决策树的分类强度或通过随机法降低分类决策树间的相关性，在抗噪声上引入装袋法和特征子空间法两大随机法，在含云量检测上无需对训练样本进行预处理，训练集中的特征向量在各维度下表现稳定；
第四步，通过平等投票融合的方式将三幅显著性图像融合成最终的云掩膜图像，遥感影像分割阶段，同一张影像进行含云量检测时会得到三个尺度的显著性图，将这三个尺度的显著性图融合得到最终的云掩膜图像。


3.根据权利要求1所述的一种快速准确的遥感数字影像含云量检测方法，其特征在于，遥感影像分割中，以分割影像块为单位来判断云或非云，以像素为单位进行含云量检测，得到该区域的统计特征和区域间的统计特征，令A代表整张影像区域，则遥感影像分割可视为将A分割为n个子区域的过程，同时满足以下条件：
(1)
(2)Ai是一个连通区域，i＝1，2，...，n
(3)对所有的i和j且i≠j，满足
(4)P(Ai)＝TRUE，i＝1，2，...，n
(5)P(Ai∪Aj)＝FALSE，i≠j
其中P为逻辑函数，
遥感影像分割采用改进的基于图论分割方法，改进的基于图论分割方法将遥感影像表示为图的形式：
B＝(V，D)，
其中V为节点的集合，D为边的集合，vi对应一个像素点，且vi∈V，一条边将两个节点vi与vj连接在一起，且(vi，vj)∈D，每一条边都对应一个权重w(vi，vj)，这个权重为非负值，由对应的两个节点的特性决定，边的权重函数由两个节点上的色彩、灰度差、位移多种局部特性决定。


4.根据权利要求3所述的一种快速准确的遥感数字影像含云量检测方法，其特征在于，改进的基于图论分割方法的具体流程如下：
步骤一，将每条边的权重赋予非负的初值，初值利用任何边缘检测算法得到，并且将所有边缘按照权重递增排序π＝(o1，o2，…，om)；
步骤二，初次分割表示为S0，每个节点vi位于自己的区域中，重复步骤三m次；
步骤三，利用Sq-1得到Sq，假设vi和vj为第q条边的两个端点，即oq＝(vi，vj)，当在第Sq-1次分割中vi和vj位于不同的区域中，且w(oq)比两边区域中的区域内部差异都...

【专利技术属性】
技术研发人员：王程，高宏松，
申请(专利权)人：王程，
类型：发明
国别省市：浙江;33