一种多传感器的云检测算法

一种多传感器的云检测算法

1遥感图像云检测算法地球上的平均覆盖范围从1.3%覆盖云。对于遥感图像来说，云覆盖是最常见的噪声，它显著影响了接收远程信息的质量，并降低了数据的利用率。因此,要求计算机运用各种云检测算法,自动剔除云层覆盖率大的图像,以节约传输带宽。通常的云检测算法,要求控制检测错误率在15%以内,本文通过大量试验,得出该检测算法能有效控制检测错误率为12%满足工程应用要求。目前,国内研究者对于云检测的算法几乎全部使用光谱分析法,利用可见光和红外等多通道数据和云及其他地物的反射率差异进行检测,很少利用纹理等其他图像特征。本文提出基于遥感图像空间纹理特征和统计特征的云检测新方法。该方法运用云及其下垫物的纹理特征区分云、雪和其他地物,由于该方法是从遥感图像的普遍特征出发进行云检测,所以针对不同卫星不同传感器所获得的遥感图像,均有良好的检测效果。方法首先通过对多种卫星的不同传感器所获得的遥感图像中云的空间纹理及统计特征进行分析,建立云特征模型。接着对图像进行预处理,采用高斯低通滤波器对空域卷积去除噪声和sobel算子锐化图像边缘,以突出云的边缘特征。然后对图像进行纹理和统计特征提取,最后通过聚类算法,检测出云域。2云与雪的特征在遥感图像处理分析过程中,可供利用的影像特征包括光谱特征、空间特征、时间特征等,目前,绝大多数的遥感图像云特征建模都是从图像的光谱特征出发,考虑云与其它地物在可见光、近红外和热红外波段上的差异,根据不同的下垫面(一般陆地、海洋、雪/冰、沙漠和高原)和不同种类的云(高、中、低云和直展云)采用不同的检测算法。然而这些方法的一个共同缺陷在于都没有利用图象像素之间的空间相关特性,处理的方法是逐点计算,点与点之间的处理相互独立,忽略了图象像素之间的空间上下文信息。由于含云区具有时间偶然性和局部能量集中在低频范围的特征,云与地表、植被、海洋等表现在图像上差异显著。图1给出云、冰雪和地表图像,其中图1a为云图,b为冰雪,c为地表建筑。从图1中可以看出,云与非云区纹理差异很大,因此利用纹理特征来检测云域是可行的。云与雪在灰度上极为相似,因此,云与雪的区分是云检测中的难点。观察图1可以看出,云区灰度均匀性强,在频率范围内表现为低频特性,云的边缘通常较为模糊、圆润、且梯度变化缓慢,而冰雪覆盖陆地,由于受地形影响,边缘通常较为锐利、梯度大,因此可以采用计算图平均梯度和灰度共生矩阵的方法区分云与雪。对于图像来说,分形维数是图像物体表面不规则度的度量,由于云雪表面不规则度不同,因此可以通过分形维数的计算来区分。图像的灰度梯度信息则检出了图像中灰度跳变的部分,将图像的梯度信息加进灰度共生矩阵,则使得共生矩阵更能包含图像的纹理基元及其排列的信息。然而在工程应用中,分形维数的计算还没有统一的完善的方法,本文采用盒维来近似分形维数。3云检测基于空间纹理和统计特征3.1预处理图像的噪声及预处理验证遥感图像在成像和传输过程中,不可避免地受到噪声的影响,预处理采用高斯低通滤波器对空域卷积去除噪声和sobel算子锐化图像边缘,试验证明预处理使提取图像纹理特征更为正确。3.2图像分形维数纹理是对于图像各像元灰度空间分布的一种描述,是图像局部性质(灰度分布函数)的统计。目前公认的一种重要的纹理分析方法是灰度共生矩阵,它是建立在估计图像的二阶组合条件概率密度函数基础上的。为了避免云区与非云区交界的干扰,对灰度共生矩阵进行阈值化和正规化处理,然后提取灰度平均和梯度均匀性的纹理特征。作为描述纹理的一个有力工具,分形维数是图像物体表面不规则度的度量,即表面纹理粗糙度,分形维数越大,对应的图像表面越粗糙。本文采用盒维来计算图像的分型维数,将遥感图像看作三维空间中的一个曲面Z=f(x,y),f(x,y)为像素点的位置坐标,Z代表灰度值,将图像分为δ×δ的格子,计算格子内灰度最大差值dδ(i,j),当≤m/2(m为图像宽度)则格子非空的盒维总数:Nδ=∑dδ(i,j)/δ。对不同的δ,(,logδi)用最小二乘法进行线性回归得到的直线斜率去负,即为分形维数的估计值N。3.3云域和非云域的聚类分析首先采用阈值分割法,对云和陆地海洋进行粗分类,认为灰度值较大的部分为云区。然后结合灰度共生矩阵的参数特征,识别出灰度均匀梯度小的区域。接着将云及其他下垫面物质区分,并结合分形维数区分云和冰雪覆盖区域。根据阈值粗分类结果,利用特征参数对图像进行聚类,并根据聚类结果将图像二值化为云域和非云域。最后标识出云区,并计算云覆盖率。4结果与讨论4.1云域典型云域实际尺寸检测用上述方法对186幅图像(数据类型包含Aster,ETM,Modis等遥感图像)进行云检测识别。由于遥感图像尺寸过大,缩略显示无法看清云层纹理细节,为了观察检测结果,截取图中典型云域实际尺寸显示其检测过程及结果,见图2。处理去噪提取图像边缘;图2c:阈值粗分类检测;图2d纹理法细分类并二值化结果,云域灰度值为1,非云域为0。根据这一结果可以进一步计算出图3各截图中的云层覆盖率见表2。根据以上方法,进而计算整幅遥感图像进行云检测,如图4所示,图4a是Landsat7卫星11月23日拍摄的ETM图像,图b是用动态阈值法粗分类,图c是粗分类结果中冰雪域,图d是云检测结果,即ETM图像中的云域二值化图像,进一步计算整幅ETM图像的云覆盖率为2.14%,说明该图像的数据有效性很高。4.2算法验证试验工程上称云覆盖率小于15%的图像为有效图像,经检测和覆盖率计算对有效图像应予以保留。反之,当云覆盖率大于15%,即超过15%的像素信息被云层覆盖,则认为该图像为无效图像,应在数据传输前予以剔出。将无效图像判断为有效图像加以传输的概率,通常称为检测错误率,工程上要求算法的检测错误率在15%以内。本文通过186幅图像试验验证,算法能有效控制检测错误率至12%。对于将有效图像判为无效图像,这种误判会造成有效数据的损失,工程上严格要求该错误率为0%,本算法能严格控制这种错误率,试验中没有发生误判。在识别判断时,由于无效图像云覆盖率大,云的形状各异且具有时间偶然性等特点,因此无效图像的判断难度比较大。为了对云的特征深入研究,试验中选择大量无效图像,而在实际应用中,无效图像远少于试验图像库中的无效图像所占总图像的比例。所以理论上推断,本算法在实际应用中检测错误率会进一步大幅降低。5多遥感图像检测本文