基于多特征综合及机器学习的高分卫星影像云检测方法

摘要

本发明公开了一种基于多特征综合及机器学习的高分卫星影像云检测方法，本发明针对GF?1/2卫星影像特点，对比分析了云与其它背景地物在光谱特征、纹理特征等方面的典型差异，进行特征选择，然后构造特征空间，将多特征进行综合成为特征向量，并将该特征向量输入到SVM?RBF分类器中进行分类，最终获得全部像素的云检测结果。另外，为了进一步消除地面高反射地物对云检测的影响，利用形态学算子和形状特征约束进行虚检去除的方法，使得检测精度进一步提高。本发明相比传统方法，精度高，不依赖热波段，具有很好的扩展性。

说明书

技术领域

本发明属于遥感影像处理技术领域，涉及一种高分卫星影像云检测方法，尤 其涉及一种基于多特征综合及机器学习的高分卫星影像云检测方法。

背景技术

GF-1/2卫星是我国自主研制的空间分辨率较高的民用光学遥感卫星，相比 中低分辨率的卫星影像，更加关注局部，它们的正式投入使用，使我们摆脱了对 国外高分数据的依赖，推动了对地观测和减灾应急应用的发展。但是GF-1/2光 学卫星影像，在获取的时候容易受到气候的影响，在很大程度上影响了地物信息 获取的质量，从而降低了数据的利用率，而云层遮挡地物就是其中影响之一。云 的存在严重影响了遥感影像的判读，云和晴空的分离是反演大气和地表各种参数 必须的预处理工作，云检测结果的正确与否直接影响到其它参数的反演结果，所 以需要能够自动判断影像云量进行分拣。而在减灾应急中，影像资源是非常宝贵 的，要充分利用，因此需要能够判断影像中特定区域是否有云干扰，即使影像整 体云量超标，只要特定区域没有云，影像还是可以用的，因此准确地进行云检测 非常重要。

云检测一直是遥感领域的热点问题，国内外学者相继提出不同的云检测方 法。方法可以分为两类，利用热红外波段和未利用热红外波段。利用热红外波段， 往往会有较好的精度，但是大多数高分辨率卫星没有热红外波段，例如GF-1/2 卫星，空间分辨率高，但是没有热红外波段。所以大多数针对高分影像的研究， 是基于利用影像信息，时空信息以及空间相关性进行云检测，但相对于前者，精 度低。

发明内容

为了解决上述技术问题，本发明提出了一种基于多特征综合及机器学习的高 分卫星影像云检测方法，本发明相比传统方法，精度高，不依赖热波段，具有很 好的扩展性。

本发明所采用的技术方案是：一种基于多特征综合及机器学习的高分卫星影 像云检测方法，其特征在于，包括以下步骤：

步骤1：在高分多光谱遥感影像中，对比分析云和其他背景地物的典型特征 然后根据云的典型特征分析，提取光谱特征、纹理特征和NDVI特征，将其归一 化，组建特征空间；

云的典型特征主要包括：高反射光谱特征，均一、平滑、对比度低的纹理特 征，以及NDVI为负值的特性。

步骤2：在影像云区域、背景区域中随机提取训练样本和测试样本；

步骤3：对影像云区域、背景区域像素进行光谱特征、纹理特征及NDVI特 征提取，将训练样本和测试样本的光谱特征、纹理特征和NDVI特征作为影像像 素内容信息的特征描述；

步骤4：构造SVM-RBF(RadialBasisFunction)分类器模型，对影像云区 域、背景区域提取出的训练样本进行分别学习，获得一组非平行超平面参数；

步骤5：对获取的高分影像像素进行光谱特征、纹理特征及NDVI特征提取， 把提取出的特征向量输入到SVM-RBF分类器中进行分类，最终获得全部像素的云 检测结果。

作为优选，云检测后，若存在部分建筑物和道路误判为云的情况，则利用形 态学算子以及长宽比和矩形度形状特征约束进行虚检去除的方法，对误判情况进 行处理。

本发明针对高分辨遥感影像云的特点，提出了一种多特征综合结合机器学习 的分类方法对高分影像进行云检测。该方法对云检测的精度较高，最后对高分影 像中存在的建筑物和道路异常，利用云和建筑物、道路，具有较明显的形状特征 进行有效地去除，表明异常得到有效地减少。结果表明，本发明提出多特征综合 结合机器学习的方法在高分影像云检测中具有很好地适用性和可靠性。

附图说明

图1为本发明实施例的流程图。

图2为本发明实施例的GF-1/2卫星影像中的厚云、薄云、植被、一般建筑 物、高亮建筑物、水的反射率曲线图。

图3为本发明实施例的GF-1MSS2416影像各波段直方图。

图4为本发明实施例的GF-1MSS2417影像各波段直方图。

图5为本发明实施例的GF-2MSS2319影像各波段直方图。

图6为本发明实施例的GF-1MSS2416影像的原始图和云检测结果图。

图7为本发明实施例的GF-1MSS2417影像的原始图和云检测结果图。

图8为本发明实施例的GF-2MSS2319影像的原始图和云检测结果图。

图9为本发明实施例的三幅影像的云检测图的矩形度和长宽比。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对 本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解 释本发明，并不用于限定本发明。

本发明所提供的一种基于多特征综合及机器学习的云检测方法是，针对 GF-1/2卫星影像特点，对比分析了云与其他背景地物在光谱特征、纹理特征等 方面的典型差异，利用多特征综合及机器学习进行云检测。该方法首先进行特征 选择，然后构造特征空间，最后基于SVM的多特征综合实现云检测。以下结合附 图和实施例详细说明本发明技术方案。

如图1所示，实施例的流程具体包括以下步骤：

步骤1：在多光谱遥感影像中，对比分析云和其他背景地物的典型特征，然 后根据云的典型特征分析，提取光谱特征、纹理特征和NDVI特征，将其归一化， 组建特征空间；特征空间中特征选取指标如表1；

云的典型特征主要包括：高反射光谱特征，均一、平滑、对比度低的纹理特 征，以及NDVI为负值的特性。

表1特征选取指标

在多光谱遥感影像中，云与背景地物表现出不同的光谱特征，一般情况下， 云层在各个波长对太阳光的散射较为均匀，因此云在可见光和近红外波段均具有 较高的反射率，但云的光谱反射率随着波长的增加而缓慢减小，如图2。根据云 层特定的光谱特性，利用波段1、波段2、波段3、波段4的反射率值得到云层 的光谱特征。

在遥感影像中，云与植被、建筑物、山体等背景地物往往具有不同的纹理特 征。灰度共生矩阵是一种标准的纹理提取方法，并且在处理高分影像时，具有有 效性，所以本发明利用灰度共生矩阵提取纹理特征。如图3、图4、图5，通过 分析三幅高分影像四个波段的直方图，发现第四波段直方图分布均匀，纹理特征 较丰富，所以本发明在计算纹理指标值的时候，选择第四波段。另外，通过大量 的实验分析，纹理窗口大小为11*11时，既能保持计算速度，又能很好保持云和 其他背景地物的纹理特征。

NDVI(归一化植被指数)是一个比较好的特征来区分植被和其他地物。所以在 进行云检测的时候，选择其作为光谱特征和纹理特征的补充。

根据此，提取光谱特征、纹理特征和其他特征，将其归一化，组建特征空间。

步骤2：在影像云区域、背景区域中随机提取训练样本和测试样本；训练样 本数和测试样本数请见表2；

表2训练样本数和测试样本数

步骤3：对影像云区域、背景区域像素进行光谱特征、纹理特征及NDVI特 征提取，将训练样本和测试样本的光谱特征、纹理特征和NDVI特征作为影像像 素内容信息的特征描述；

步骤4：构造SVM-RBF(RadialBasisFunction)分类器模型，对影像云区 域、背景区域提取出的训练样本进行分别学习，获得一组非平行超平面参数；

步骤5：对获取的高分影像像素进行光谱特征、纹理特征及NDVI特征提取， 把提取出的特征向量输入到SVM-RBF分类器中进行分类，最终获得全部像素的云 检测结果，如图6、图7、图8。

云检测后，往往存在部分建筑物和道路误判为云的情况，利用长宽比和矩形 度形状特征，对误判情况进行处理。统计分类图像中每个对象的矩形度和长宽比， 如图9所示。从图中可以看出，三幅影像大部分的对象矩形度集中在0.3-1.09， 长宽比集中在0.5-3.5，而影像中高频目标为云，所以去除矩形度不在0.3-1.09或 长宽比不在0.5-3.5的低频目标，紧接着对影像进行腐蚀膨胀，去除微小的误判 对象，得出最终的云检测结果。

本实施例的精度验证；在原始影像上随机选取不同的云样本和其他背景地物 的测试样本，样本数量如表2，对分类精度和后处理精度进行检测，检测精度分 别达到了97.6％和98.4％以上，说明本文方法的有效性。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是 对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不 脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发 明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。