一种面向遥感影像云影检测的云及云阴影距离估计方法

摘要

面向遥感影像云影检测的云及云阴影距离估计方法，包括：逐列提取影像灰度值；逐行计算累积灰度值，并除以像素数目，得到灰度值累积率；提取曲线上各段的斜率；将连续出现的低速累积与快速累积作为一个云阴影和云的区域，并将低速累积起始点和快速累积起始点之间的距离作为云和云阴影的纵向距离；逐行对相距Δr的两行r

说明书

技术领域

本发明涉及一种面向遥感影像云影检测的云及云阴影距离估计方法。具体实现上，根据云和云阴影形成的内在关系，结合云和云阴影灰度值较高和较低的特点，将其转化为灰度值累积率，初步估计云和云阴影之间的距离；然后利用种子生长提取云和云阴影，再根据云阴影和云之间的灰度值呈现负相关的特点，通过极小化相关系数，获得云和云阴影的距离优化估计。本方法完全基于影像特征而无需太阳高度角、传感器位置与姿态等参数，准确估计云和阴影之间的距离，可用于云及云阴影的复合类别提取及其相互验证，提高云影检测精度。

背景技术

被动遥感获取的影像上，云和云阴影区域(在不致混淆的情况下，以下简称云影)仅包含少量的地表信息，在遥感影像上形成信息的空白区域。一方面，云影的存在使得可用的无云数据匮乏，数据的匮乏成为面向地表应用的重要限制性因素。另一方面，由于云和云阴影引起影像统计特征发生畸变，制约影像色彩归一化、影像镶嵌、时间序列分析、变化检测等诸多应用，通过云影检测获得云影掩膜，从而将云影区域剔除，能够显著提高各种处理与分析的精度。因而，云影检测是遥感影像预处理的重要研究内容。

云影检测的一种直观而简单方法是利用云亮度值较高而阴影亮度值较低的特点进行阈值分割，阈值选取是需要解决的关键问题。动态阈值(吴传庆、王桥、杨志峰.基于混合像元分解的水体遥感图像去云法[J].遥感学报.2006,(10)2:176-183.)和多阈值方法(王伟,宋卫国,刘士兴等.KMeans聚类与多光谱阈值相结合的MODIS云检测算法[J].光谱学与光谱分析,2011,31(4):1061-1064.)等先进阈值选取方法用于提高阈值选取的精度。然而，该类方法的一个无法解决的内在缺陷：难以有效区分云和高反射率地物以及云阴影和低反射率地物，阈值优化是在误检率和漏检率之间达到平衡。

为了解决云和高反射率地物以及云阴影和低反射地物不可区分性问题，一方面，云顶温度较低等辅助信息用于提高云影检测精度。典型算法如针对Landsat ETM+的ACCA(Automatic Cloud-Cover Assessment)算法通过云影在各个波段的反射特征构建决策树，，实现云影检测，从而提高云影检测精度(Irish RR,Barker JL,Goward SN,et al.Characterization of the Landsat-7ETM+Automated Cloud-Cover Assessment(ACCA)Algorithm[J].Photogrammetric Engineering&Remote Sensing,2006,72(10):1179–1188.)。多时相影像的灰度值比较方法是通过云和云阴影造成相近时间获取影像上灰度值突变，用于辅助云影检测(Hagolle O,Huc M,Pascual D V,et al.AMulti-Temporal Method for Cloud Detection,Applied to FORMOSAT-2,VENμS,LANDSAT and SENTINEL-2Images[J].Remote Sensing of Environment,2010,114(8):1747–1755.)。该类方法的缺点在于需要额外的辅助信息，如多期影像或特殊的光谱通道(如热红外)，在辅助信息不足的情况下，方法的实用性降低。

云和云阴影形成上的内在联系，使得云和云阴影之间存在一定的空间关系，通过云和云阴影的相互验证，能够提高云和云阴影的检测的精度。云和云阴影在影像上的空间关系决定于影像获取时刻的太阳高度角、传感器位置和姿态、云的高度。影像元数据中一般提供了太阳高度角、传感器的位置和姿态等参数，但是云高度确定是一个难于获得参数，因而无法通过物理模型直接获得云和阴影位置关系的参数。对此一般的解决方法是在影像分割获得云和云阴影的基础上，通过太阳高度角确定云和云之间的对应关系的面向对象方法(Zhu,Z.,&Woodcock,C.E.(2012).Object-based Cloud and Cloud Shadow Detection in Landsat Imagery.Remote Sensing of Environment,118,83–94.；Watmough Gr,Atkinson Pm,Hutton C W.A Combined Spectral and Object-Based Approach to Transparent Cloud Removal in an Operational Setting for Landsat ETM+[J].International Journal Of Applied Earth Observation And Geoinformation,2011,13(2):220–227.)。该类方法取得了较好的效果的同时，也存在一些不足，如云和云阴影提取的精度决定了距离估计的精度，给算法的应用带来不确定性。对此本发明提出一种基于影像的云及云阴影的距离估计方法。

发明内容

针对传统的遥感影像云和云阴影距离估计方法的不足，本发明提出一种基于影像的云及云阴影距离估计方法。

本发明的原理为：在可见光与近红外通道，云对遥感过程的影响主要体现在(如图1)：(I)云对可见光以及近红外波段的高反射，一方面将地表信息的地球长波辐射反射回地表，使得到达传感器的包含地表信息辐射量减少；另一方面将太阳辐射大量反射并被传感器接收，相当于在影像中加入强度较大的白噪声，在影像上形成云。(II)同时，云对太阳辐射的大量反射，使得到达地表的辐射量减少，从而使得地表反射的长波辐射相应减少，在影像上形成云阴影。可以看出云和云阴影之间存在共生关系且灰度值之间表现为负相关。

搭载光学传感器的卫星平台一般采用太阳同步轨道，以获取北半球上午影像(为了论述的方便，这里仅考虑北半球上午影像，其他情形可以根据太阳高度角进行初始估计)。由于阳光从东南方向照射过来，导致遥感影像上的云阴影一般出现在云的西北方向。同时，由于太阳和云的距离远远大于传感器与云的距离，且传感器一般是垂直对地观测，使得南北方向的距离远远大于东西方向的距离。因而，典型北半球的云和云阴影之间的距离如图2所示。

根据以上原理，为了准确估计云和云阴影之间的距离，本发明的一种面向遥感影像云影检测的云及云阴影距离估计方法采用如下技术方案处理一景影像：

步骤1：逐列提取影像灰度值，将其看成是随行变化的函数。由于云的灰度值较高，云阴影灰度值较低，因而云在曲线上形成“高原”，而云阴影形成“洼地”；

步骤2：从第一行开始，逐行计算累积灰度值，并除以像素数目，该数值可以视为灰度值累积率，对应的曲线称为灰度值累积率曲线；

步骤3：采用道格拉斯方法对上述曲线进行简化，用不同长度的线段进行表示，提取曲线上各段的斜率。云阴影部分灰度值较低，累积缓慢，导致相应线段的斜率较小。而云的亮度值较高，快速累积，导致曲线相应线段的斜率较大；

步骤4：将连续出现的低速累积与快速累积作为一个云阴影和云的区域，并将低速累积起始点和快速累积起始点之间的距离作为云和云阴影的纵向距离Δr。将快速累积区域的像素标记为云，低速累积区域的像素标记为云阴影，将所有提取的云和云阴影纵向距离的均值作为整景影像纵向距离的估计；

步骤5：逐行对相距Δr的两行r_i和r_i+Δr，按照步骤1和步骤2计算灰度累积率，并识别其中的快速累积与低速累积区域。将在r_i行的低速累积区域和r_i+Δr行的快速累积区域作为一组云影，并将低速累积起始点与快速累积区域之间的距离作为对应的云和云阴影区域的横向距离Δc。同时将快速累积区域的像素标记为云，而低速累积区域的像素标记为云阴影，将所有提取的云和云阴影横向距离的均值作为整景影像横向距离的估计。

步骤6：在上述基础上，将标记为云和云阴影的像素进行种子生长，并根据连通区域进行云和云阴影标记，得到云和云阴影对象；

步骤7：在获得纵向距离Δr和横向Δc的基础上，设定阈值模板阈值r'和c'，在Δr±r'和Δc±c'范围移动云阴影模板，将云和云阴影相关系数达到最小时的距离作为该云和云阴影之间的最佳的距离估计

在此基础上，可以利用云阴影和云的共生关系进行云影检测，一种方法为像素X(i,j)位置为云阴影，而为云，从而通过云和云阴影的相互检验，提高云影检测精度。

本发明的优点是：(1)根据云阴影和云在形成上的内在联系，结合太阳、传感器三者的空间关系，估计云和云阴影之间的大致位置关系，同时利用位置关系估计云和云阴影的共生关系进行云影检测，能够克服高低反射率地物对云和云阴影提取的不利影响。(2)根据云和云阴影的灰度特点，在灰度值累积率域中进行云阴影和云距离估计，该方法直接在原始影像的空间完成云和云阴影距离估计，避免传统面向对象方法云影提取的不足。

附图说明

图1是遥感过程中云和云阴影形成原理示意图；

图2是北半球典型光学影像上云和云影位置关系示意图，其中图2(a)是原始影像，图2(b)是提取的云和云阴影矢量图；

图3是本发明方法的具体实施流程图；

图4是本发明纵向距离估计原理图，其中图4(a)是原始的影像及其某列，图4(b)是该列的灰度值度；图4(c)是灰度累积率图；图4(d)提取云影纵向距离示意图；

图5是本发明横向距离估计原理图；

图6是本发明针对国产高分1号数据的实验结果1；

图7是本发明针对国产高分1号数据的实验结果2；

图8是本发明针对Landsat TM5数据的实验结果。

具体实施方式

下面结合附图进一步说明本发明的技术方案。

假设有一景R行C列的遥感影像X，需要估计其中的云和云阴影之间的距离，以进行云影检测。

本发明的一种面向遥感影像云影检测的云及云阴影距离估计方法，包括如下步骤：

步骤1：灰度值提取

逐列提取各景影像的灰度值，第c列(c＝1,2,...,C)的灰度值可以表示为：

X^c＝＜x_1,c,x_2,c,....,x_R,c＞^T

图4(a)为GF1影像，竖线左侧三行的灰度值曲线如图4(b)，其中框内的云和云阴影在灰度值曲线上表象为灰度值较高的高原和灰度值较低的洼地。但由于其中的灰度值变化剧烈，难以直接提取云和云阴影区域。

步骤2：灰度累积率曲线提取

第c列的灰度值累积率的计算方法为：

其中，R为影像的行数，可以看出最后一项是该列灰度的算术平均值。该曲线可以视为灰度值随行的累积速率，最后达到该列的均值。图4(c)中可以看出阴影的灰度值累积较慢，而云的累积较快，且拥有明确的拐点，从而使得云及其对应云阴影区域更加容易提取。

步骤3：灰度累积率曲线拟合

采用道格拉斯方法，对上述曲线进行简化，并将曲线表示为由各个线段组成的折线。假设一共拟合为n段折线，其中第i条线段可以表示为：

L(i)＝(i,k_i,b_i,rb_i,re_i)

其中k_i和b_i分别为第i曲线的斜率和截距，rb_i和re_i分别为该段曲线的起始行数和结束行数。

步骤4：纵向距离估计与云阴影和云提取

将连续出现的低速累积线段和快速累积线段作为一个云阴影和云的候选区域，假设第i+1条线段检测为云，而i条线段检测为云阴影，将云和云阴影之间的纵向距离Δr_k可以表示为：

Δr_k＝rb_i+1-rb_i

rb_i+1和rb_i分别第i+1和i条线段的起始行数，即图4(d)中AB段的距离。

在此基础上，将快速累积区域内的像素标记为云，低速累积区域内的像素标记为云阴影，，即图4(d)中AB段的像素段比较为云阴影，而BC段标记为云。

假设影像上共提取到K组对应云和云阴影，并纵向距离的均值该景影像上云和云阴影纵向距离Δr的估计；

步骤5：横向距离估计

逐行统计第r行和第r+Δr行的灰度累积率，如图5所示将相距Δr上连续出现的低速累积和快速累积分别作为云和云阴影，并按照步骤4估计云和云阴影的纵向距离估计方法估计横向距离，然后标记云和云阴影，再将云和云阴影的横向距离的均值作为整景影像云和云阴影距离的初步估计Δc。

通过上述过程，可以获得遥感影像上云和云阴影距离的初步估计Δr和Δc。

步骤6：云和云阴影种子生长

由于云和云阴影的边缘的数据可能未能有效提取，因而，将上述标记好的云和云阴影统计联通区域，并进行种子生长，获得云和云阴影。

步骤7：云影距离优化

在获得纵向距离Δr和横向Δc的基础上，设定云阴影模板阈值r'和c'，在Δr±r'和Δc±c'范围内移动模板，并计算相关系数C，将负相关系数达到最小值的偏移作为最佳估计

根据上述步骤，可以获得云和云阴影之间的距离优化估计。在此基础上可以对云和云阴影进行相互验证，以提高云影检测精度。在此基础上，采用方法对两组GF1影像和一组Landsat方法进行处理，得到的结果如图6到图8所示。可以看出本文方法能够有效的对云和阴影进行有效检测，且云和云阴影同时提取，能够有效区分高低反射率地物。

本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举，本发明的保护范围不应当被视为仅限于实施例所陈述的具体形式，本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。