孫舜蓉

　?。üI(yè)和信息化部電信設(shè)備認(rèn)證中心，北京 100088）

        摘要：為了滿足遙感衛(wèi)星實(shí)時(shí)云檢測(cè)要求，提出了一種基于光譜角的云檢測(cè)算法。首先在多光譜譜段構(gòu)成的歐式空間中構(gòu)造參考云矢量；然后計(jì)算圖像中各像元矢量與參考云矢量的光譜角，對(duì)光譜角進(jìn)行高斯濾波生成云掩膜；最后計(jì)算得到圖像中云量百分比。利用該算法對(duì)156景人工標(biāo)注過(guò)的LandSat7有云圖像進(jìn)行云檢測(cè)，結(jié)果表明本文算法云檢測(cè)整體精度能到達(dá)83.6%，平均執(zhí)行速度為360 ms。本文算法原理簡(jiǎn)單，執(zhí)行速度快，檢測(cè)效果好，具有星上實(shí)時(shí)應(yīng)用潛力。

　　關(guān)鍵詞：云污染；多光譜遙感；光譜角；云檢測(cè)

　　中圖分類號(hào)：P407.8文獻(xiàn)標(biāo)識(shí)碼：ADOI： 10.19358/j.issn.1674-7720.2017.06.006

　　引用格式：孫舜蓉. 一種基于光譜角原理的多光譜遙感圖像云檢測(cè)算法［J］.微型機(jī)與應(yīng)用，2017,36（6）：16-18，21.

　　0引言

　　未來(lái)的遙感衛(wèi)星將向著更高空間分辨率、更高時(shí)間分辨率、更高光譜分辨率以及更高輻射分辨率的方向發(fā)展，這將導(dǎo)致圖像數(shù)據(jù)量的成倍增長(zhǎng)，給星上硬件資源帶來(lái)巨大壓力。中國(guó)科學(xué)院地理空間數(shù)據(jù)云系統(tǒng)［1］對(duì)2014年1月1日到2015年1月1日的Landsat 7 ETM+ 湖北省的135景圖像進(jìn)行云量統(tǒng)計(jì)，結(jié)果見表1所示。若定義云量小于5%的圖像為干凈圖像，則該比例僅為20%，即80%的圖像都或多或少地被云圖污染。云量在80%以上的圖像55景，占總圖像的40.78%，這部分圖像屬于云圖嚴(yán)重污染圖像，基本上沒有應(yīng)用價(jià)值，因此可以不需要從衛(wèi)星下傳到地面。同樣的結(jié)論可以從CNES（法國(guó)空間研究中心）對(duì)SPOT5圖像的統(tǒng)計(jì)中得到。地面神經(jīng)網(wǎng)絡(luò)分類器對(duì)SPOT5圖像分類結(jié)果表明80%以上為“有云”。

　　除氣象衛(wèi)星外，云圖在高分辨率遙感圖像中有害無(wú)益，一是污染圖像，對(duì)地物識(shí)別造成困難；二是占用了大量寶貴的運(yùn)算和存儲(chǔ)資源；三是占用有限的傳輸帶寬。這三方面使得相機(jī)有效成像時(shí)間縮短，極大地限制了衛(wèi)星的成像能力。因此，開發(fā)星上實(shí)時(shí)高效的云檢測(cè)算法勢(shì)在必行。星上可根據(jù)云量的檢測(cè)結(jié)果對(duì)原始圖像進(jìn)行針對(duì)性的處理，可以有效改善衛(wèi)星成像效率，然而星上云檢測(cè)遠(yuǎn)不如地面云檢測(cè)成熟。

　　云檢測(cè)算法在文獻(xiàn)［2］、［3］中得到很好的歸納總結(jié)?？傊?，現(xiàn)有算法具有以下特點(diǎn)：

　?。?)云判算法多為地面應(yīng)用，發(fā)展比較成熟，但星上實(shí)時(shí)云判研究較少。

　?。?)單譜段云圖檢測(cè)基于圖像閾值、圖像紋理進(jìn)行云判別。由于云千變?nèi)f化，云檢測(cè)分類器往往難以區(qū)分與云具有相似紋理的冰雪下墊面。

　?。?)云檢測(cè)算法針對(duì)特定的傳感器進(jìn)行量身定制，還沒有一種云檢測(cè)算法能適應(yīng)所有類型的傳感器。

　?。?)地面算法較為復(fù)雜，不適合直接移植到星上應(yīng)用，基于光譜和紋理的分類思想具有借鑒意義。

　　本文在分析云和典型地物的光譜反射率特性的基礎(chǔ)上，給出利用光譜角進(jìn)行云檢測(cè)的算法原理和步驟，然后對(duì)比自動(dòng)云覆蓋評(píng)估算法，給出云檢測(cè)結(jié)果以及代碼執(zhí)行效率，最后給出分析結(jié)論。

1算法原理及實(shí)現(xiàn)流程

　　不同地物由于物理特征的不同，各自具有獨(dú)特的光譜反射特性。圖1為云和典型地物的光譜反射率曲線。由圖1可見，在0.4μm ~0.9μm可見光區(qū)域，云具有相對(duì)高的反射率，但是比冰雪低；在1.4μm以上的短波紅外譜段，云的反射率比冰雪、土壤和植被的反射率都高。多光譜探測(cè)器的光譜響應(yīng)在其譜段范圍內(nèi)響應(yīng)是近似線性的，那么，典型地物反射率曲線等價(jià)于探測(cè)器對(duì)地物的光譜響應(yīng)曲線，也就是說(shuō)地物反射率越高，表現(xiàn)為圖像的量化值越大。而且，譜段越多，光譜分辨率越高，描繪的光譜曲線越完整，利用發(fā)射率信息對(duì)地物的區(qū)分度就越高。本文提出一種利用光譜矢量表征地物，進(jìn)而利用光譜矢量與標(biāo)準(zhǔn)地物參考矢量之間的相似性，即光譜角的大小和矢量長(zhǎng)度來(lái)對(duì)地物進(jìn)行分類的方法，原理描述如下。

　　對(duì)于具有n個(gè)譜段的多光譜圖像，圖像像元可用n維矢量來(lái)表示，例如圖2中的Pi。假設(shè)Pr為某地物參考矢量，若Pi與Pr的指向相近，且長(zhǎng)度也相近，則可以認(rèn)為Pi與Pr相似。Pi的長(zhǎng)度可以通過(guò)對(duì)Pi的求模操作即|Pi|來(lái)得到，而Pi與Pr間的光譜角可用如下數(shù)學(xué)表達(dá)式得到:

　　αi=arccos(Pi·Pr/|Pi|·|Pr|)(1)

　　式中:αi為圖像像元矢量與參考像元矢量之間的夾角，即光譜角，代表了光譜響應(yīng)的相似性，其變化范圍是［0，π/2］。Pi·Pr為矢量點(diǎn)乘操作，|Pi|表示Pi的長(zhǎng)度，|Pr|表示Pr的長(zhǎng)度。光譜角度越小，同時(shí)矢量長(zhǎng)度越接近，則被估計(jì)像元的光譜響應(yīng)與參考像元的光譜響應(yīng)就越相似，參考物與被估計(jì)像元為同一類型的概率就越高。如圖2所示，假設(shè)圖像有3個(gè)譜段，分別用i，j，k表示，αi就是像元Pi與參考像元Pr之間的光譜角。

　　基于光譜角的云檢測(cè)流程如圖3所示。

　　基于以上分析，提出基于光譜角的云檢測(cè)算法如下：

　　(1)計(jì)算遙感圖像某像元Pi與云參考像元Pr的之間的光譜角，見式（1）。

　　(2)為了利用矢量的長(zhǎng)度信息，構(gòu)造一個(gè)包含像元Pi矢量與云參考像元Pr矢量長(zhǎng)度的高斯濾波器，對(duì)αi進(jìn)行濾波，即乘以一個(gè)高斯權(quán)重系數(shù)GsCoef，該權(quán)重系數(shù)由式（2）得到，范圍是（0,1 ］。高斯系數(shù)的作用是給那些矢量長(zhǎng)度與參考像元矢量長(zhǎng)度接近的像元賦予較大的權(quán)重，直觀解釋就是矢量長(zhǎng)度相近的像元更有可能是同一類地物。濾波結(jié)果為Cgsi，其范圍是（0，1］。

　　GsCoef=e-((|Pi|-|Pr|)2/(0.35·|Pr|2))(2)

　　Cgsi=GsCoef*（π-αi）/π(3)

　　(3)取適當(dāng)?shù)拈撝祵?duì)Cgsi進(jìn)行二值化，即當(dāng)minThreshold<Cgsi<=maxThreshold時(shí)，該像元Ci為云，否則非云。其中minThreshold為最小閾值，maxThreshold最大閾值。

　　if (Cgsi>minThreshold && Cgsi<=maxThreshold)

　　Ci=1;//該像元判斷為云

　　else

　　Ci=0;//該像元判斷為非云

　　(4)重復(fù)步驟(1)~(3)，依次完成所有像元檢測(cè)，生成云掩膜。統(tǒng)計(jì)云像元所占比例，為后續(xù)處理做好準(zhǔn)備。

2實(shí)驗(yàn)結(jié)果

　　為了便于比較，本文利用開源遙感圖像處理軟件Grass7.0提供的自動(dòng)云評(píng)估ACCA算法C++代碼，與文中的光譜角云檢測(cè)算法C++代碼，從整體檢測(cè)精度（Cloud Overall Accuracy, COA）以及執(zhí)行速度上進(jìn)行比較。計(jì)算平臺(tái)為：Lenovo Windows 7 64 bit PC; Intel Core i52520 @2.5 GHz CPU; 4.00 GB RAM。

　　從美國(guó)地質(zhì)調(diào)查局網(wǎng)站得到156景經(jīng)過(guò)人工標(biāo)注的Landsat7圖像，作為本文云檢測(cè)精度評(píng)價(jià)的標(biāo)準(zhǔn)圖像。此156景數(shù)據(jù)分布在9個(gè)不同的緯度區(qū)域，對(duì)不同地域的云分布有一定統(tǒng)計(jì)意義，同時(shí)它們是文獻(xiàn)［3］中所采用的212幅人工標(biāo)注圖像的子集。在這156景8 bit量化的遙感圖像中，圖像專業(yè)分析人員利用Photoshop中的圖像套索工具一點(diǎn)點(diǎn)地分離云和非云像元。

　　綜合考慮檢測(cè)精度和運(yùn)算速度，本文取Landsat7中的Band1(450~515 nm)，Band3(630~690 nm)，Band4(750~900 nm)，Band5(1 550~1 750 nm)作為試驗(yàn)對(duì)象，利用這四個(gè)譜段構(gòu)造光譜角進(jìn)行云檢測(cè)。同時(shí)，為了更好地模擬在軌實(shí)時(shí)處理過(guò)程，利用從原始圖像截取的1 024像元×1 024像元大小的含不同云量的圖像進(jìn)行試驗(yàn)。云參考矢量Pr取(225,215,182,168)，minThreshold取0.6，maxThreshold取1，比較結(jié)果如圖4~6所示。

　　對(duì)于參考圖像，ACCA算法耗時(shí)較長(zhǎng)，平均耗時(shí)為2 299.6 ms。耗時(shí)曲線中顯示對(duì)不同的圖像，耗時(shí)相差較大，這是因?yàn)锳CCA算法針對(duì)不同的地物采用不同的算法分支，而某些分支中包含有循環(huán)處理。SA執(zhí)行速度很快，平均耗時(shí)僅為361.1 ms。

　　圖7是帶云的原始圖像，圖8是人工標(biāo)注的云圖像，圖中，云標(biāo)注為全白，非云地物為全黑。典型的ACCA云檢測(cè)結(jié)果如圖9所示，SA檢測(cè)結(jié)果如圖10所示。整體檢測(cè)精度分布如表2所示，可知ACCA的整體檢測(cè)精度達(dá)到89.05%，高于SA算法的83.6%。對(duì)檢測(cè)誤差較大的圖像進(jìn)行分析發(fā)現(xiàn)，高緯度地區(qū)覆蓋的冰和雪常被誤檢為云，因?yàn)楸┓瓷渎逝c云接近，且具有較高亮度；對(duì)薄云的漏檢在兩種算法中均存在，SA算法相對(duì)較嚴(yán)重。

3結(jié)論

　　分析可知，SA的檢測(cè)精度略低于ACCA，但是仍然高于83%。最為關(guān)鍵的是，SA算法執(zhí)行時(shí)間僅為ACCA算法執(zhí)行時(shí)間的1/6，這在實(shí)時(shí)圖像處理中尤為重要。對(duì)于高緯度地區(qū)SA算法的過(guò)檢問題，可以針對(duì)高緯度地區(qū)的冰雪特點(diǎn)，適當(dāng)調(diào)高閾值，提高檢測(cè)精度。在軌應(yīng)用時(shí)，一些實(shí)際問題例如圖像的輻射校正、幾何校正、圖像匹配等問題需要加以考慮。

　　參考文獻(xiàn)

　?。?］ 侯舒維, 孫文方, 鄭小松. 遙感圖像云檢測(cè)方法綜述［J］. 空間電子技術(shù), 2014, 11(3).6877.

　?。?］ TAPAKIS R, CHARALAMBIDES A G. Equipment and methodologies for cloud detection and classification: a review［J］. Solar Energy, 2013,95(5): 392430.