鐘 靜，康一飛，韓 昱，王 歡

（1.廣東省國(guó)土資源技術(shù)中心，廣東 廣州 510075； 2.蘇州中科天啟遙感科技有限公司，江蘇 蘇州 215004 3.西安航天天繪數(shù)據(jù)技術(shù)有限公司，陜西 西安 710061； 4.四川省遙感信息測(cè)繪院，四川 成都 610100）

1 研究現(xiàn)狀

影像云檢測(cè)一直是遙感領(lǐng)域中的研究熱點(diǎn)。光譜閾值法是最簡(jiǎn)單有效的云區(qū)提取算法，它基于云和地物在可見(jiàn)光波段光譜特性差異，通過(guò)亮度閾值實(shí)現(xiàn)云與非云目標(biāo)的區(qū)分［1-4］。常用經(jīng)驗(yàn)閾值或基于最大類間方差（Otsu）原理的自動(dòng)閾值。此類算法快速有效，但不可避免地會(huì)對(duì)積雪、建筑物、裸地等高亮目標(biāo)產(chǎn)生誤判，且無(wú)法定性篩選無(wú)云影像。充分利用熱紅外信息的多光譜綜合法［5］可有效改進(jìn)檢測(cè)效果，但它要求影像有足夠的波段，主要應(yīng)用于高光譜相機(jī)和紅外多光譜相機(jī)影像，不適用于高分一號(hào)衛(wèi)星影像。

另一類方法通過(guò)分析影像上云和地物紋理特征的差異，提取合適的特征或特征組合區(qū)分云和地物［5,6］。高分一號(hào)衛(wèi)星影像上云的種類繁多，不同種類云的特征在各個(gè)特征空間內(nèi)的分布都不集中，精確提取有一定難度。一些改進(jìn)后算法綜合利用影像的輻射和紋理特征，以分類的方式得到云、水、晴空、云影等不同類別［7,8］。這些算法在一定程度上提高了檢測(cè)精度，但需要采用大量經(jīng)過(guò)人工解譯且種類不同的含云影像作為樣本對(duì)分類器進(jìn)行訓(xùn)練，極其耗時(shí)、費(fèi)力，且算法效率普遍較低，難以滿足高分一號(hào)衛(wèi)星海量影像自動(dòng)化處理的需要。

基于同一地區(qū)時(shí)相相近的兩幅或兩幅以上影像進(jìn)行云檢測(cè)也是一類常見(jiàn)的方法。這類方法將云看作影像中的變化目標(biāo)，使用變化檢測(cè)的思想去檢測(cè)云［9］。除此之外，基于立體視覺(jué)方法給云檢測(cè)問(wèn)題提供了一個(gè)新思路［10］。這類基于多幅影像的云檢測(cè)方法常常與基于單幅影像的云檢測(cè)算法聯(lián)合使用，可有效提高檢測(cè)精度，但缺點(diǎn)是對(duì)數(shù)據(jù)要求較高，影像本身需具備比較精確的地理信息，難以運(yùn)用于1A級(jí)影像產(chǎn)品。

2 算法與流

提出一種適用于高分一號(hào)衛(wèi)星影像的自動(dòng)云檢測(cè)算法，如圖1所示。首先通過(guò)無(wú)云和含云樣本影像，分別粗估最高亮度和最低亮度閾值，分別用于保證云的準(zhǔn)確率和查全率；然后在雙閾值的輔助下，定性篩選無(wú)云影像，并計(jì)算含云影像的精確亮度閾值。最后，對(duì)閾值分割出的云區(qū)執(zhí)行形態(tài)學(xué)綜合運(yùn)算，改善云檢測(cè)精度，得到最終的含云量和云掩模。

圖1 整體流程圖

2.1 灰度直方圖與最高亮度閾值

灰度直方圖提供了一種確立圖像中簡(jiǎn)單物體亮度邊界的有效方法。對(duì)于一幅不含云的影像，可近似認(rèn)為其最大灰階低于最高亮度閾值。但考慮到地物本身輻射特征的復(fù)雜性，以及傳感器CCD在某些情況下的異常響應(yīng)，一般的基于灰度統(tǒng)計(jì)的分析中，會(huì)舍棄直方圖高亮度一端1%比例的像素［11］。本文記錄舍棄后的末端截?cái)嗷译A代替實(shí)際最大灰階，用于粗估最高亮度閾值。具體步驟如下：

1） 選取一定數(shù)目不含云的影像，應(yīng)盡量包含多種地物，如植被、城鎮(zhèn)、水面等，但不應(yīng)包含積雪；

2）逐張統(tǒng)計(jì)影像灰度直方圖，舍棄直方圖位于高亮度一端占總數(shù)1%的像素，記錄末端截?cái)嚅撝礣end；

3）將所有的Tend按從高到低的順序排列，舍棄最高的1%，記錄剩余Tend的最大值，即為最高亮度閾值Thigh。

2.2 Otsu算法與最低亮度閾值

Otsu算法也稱最大類間方差算法，它以目標(biāo)和背景的方差最大為原則，將圖像按灰度級(jí)聚類分成背景和目標(biāo)兩部分［11,12］。在已知影像多云的情況下，Otsu算法可用于云區(qū)的快速檢測(cè)和提?。?］。但對(duì)于少云和無(wú)云影像，Otsu閾值極易被確定在兩類地物之間，從而造成大量的誤判。因此，Otsu算法不能直接用于云檢測(cè)，但可用來(lái)粗估最低亮度閾值，具體步驟如下：

1）選取一定數(shù)目的多云影像；

2） 通過(guò)Otsu算法逐張自動(dòng)計(jì)算亮度閾值，并對(duì)影像進(jìn)行灰度分割，得到粗略云檢測(cè)結(jié)果；

3）人工檢查粗略云檢測(cè)結(jié)果是否基本符合實(shí)際。若出現(xiàn)嚴(yán)重的錯(cuò)檢或漏檢，則移除該異常影像，再增補(bǔ)一張樣本影像，重復(fù)1）～2）步；

4）將所有TOtsu按從低到高的順序排列，舍棄最低的1%，記錄剩余TOtsu的最小值，即為最低亮度閾值Tlow。

上述兩個(gè)閾值粗估過(guò)程中，為保證粗估結(jié)果的合理性，樣本影像數(shù)目應(yīng)多于100幅。對(duì)Tend和TOtsu進(jìn)行排序后，分別舍棄占總數(shù)1%的最高和最低值，這是由于這些統(tǒng)計(jì)數(shù)字近似呈高斯分布，舍棄部分極端值后的結(jié)果更符合實(shí)際需求。

2.3 計(jì)算精確亮度閾值

對(duì)于一張待檢測(cè)影像，首先通過(guò)最高亮度閾值定性篩選無(wú)云影像，而對(duì)于含云影像，則以雙閾值為限定條件執(zhí)行Otsu計(jì)算，得到精確閾值。具體步驟如下：

1）若影像灰度直方圖中，大于Thigh的像素比例極小，則定性判定為無(wú)云影像。否則，執(zhí)行下一步；

2）選取直方圖中位于高閾值Thigh和低閾值Tlow之間的部分執(zhí)行Otsu計(jì)算，得到閾值T；

3）根據(jù)閾值T，對(duì)影像執(zhí)行灰度分割，閾值以上的部分即為初始云區(qū)。

2.4 云區(qū)形態(tài)學(xué)綜合

如果僅使用灰度分割的方式，則不可避地引發(fā)對(duì)高亮度似云目標(biāo)的誤判。傳統(tǒng)算法常利用建筑物、裸地尺寸遠(yuǎn)小于云層的特點(diǎn)，對(duì)云區(qū)進(jìn)行“腐蝕-膨脹”形態(tài)學(xué)處理［2］。但這會(huì)較大程度上改變?cè)茀^(qū)的輪廓，降低檢測(cè)準(zhǔn)確率。本文通過(guò)基于目標(biāo)面積的形態(tài)學(xué)腐蝕和帶限制條件的形態(tài)學(xué)膨脹來(lái)解決這一問(wèn)題。具體布步驟如下：

1） 檢測(cè)面積小于K1的云區(qū)，并認(rèn)為這是高亮噪聲（筑物、裸地等），予以刪除，即標(biāo)記為非云；

2）在對(duì)云區(qū)執(zhí)行形尺度為K2的形態(tài)學(xué)膨脹，但膨脹的過(guò)程中同時(shí)判斷新增像元的亮度，若亮度小于Tlow，則該像元不予膨脹；

3）檢測(cè)面積小于K3的非云區(qū)，并認(rèn)為這是細(xì)小云縫，予以刪除，即標(biāo)記為云。

上述云區(qū)形態(tài)學(xué)運(yùn)算過(guò)程中，K1、K2和K3均為配置參數(shù)，可根據(jù)具體情況改動(dòng)。例如，若場(chǎng)景中常含有大型人造目標(biāo)(機(jī)場(chǎng)等)，則應(yīng)設(shè)定一個(gè)較大的K1來(lái)避免錯(cuò)檢；若需要充分挖掘云縫中的有效信息，則應(yīng)設(shè)置一個(gè)較小的K2和K3；若重點(diǎn)關(guān)注云區(qū)的查全率，不希望得到過(guò)于破碎的云掩模，則應(yīng)設(shè)置一個(gè)較大的K2和 K3。

3 實(shí)驗(yàn)與分析

以高分一號(hào)衛(wèi)星1A級(jí)全色影像為例，完成上述4 個(gè)步驟，得到最終的云掩模。并通過(guò)本文算法與傳統(tǒng)Otsu閾值，以及傳統(tǒng)的“腐蝕-膨脹”形態(tài)學(xué)運(yùn)算作對(duì)比，驗(yàn)證本文算法的有效性和優(yōu)勢(shì)。

3.1 閾值分割結(jié)果評(píng)價(jià)與對(duì)比

分別選取3幅無(wú)云、少云和多云影像作為代表（圖2、3、4），展示在雙閾值限定條件下的精確閾值分割過(guò)程，同時(shí)選取傳統(tǒng)Otsu閾值分割后結(jié)果作對(duì)比。其中b圖兩側(cè)紅色直線代表本文算法得到的雙閾值：Thigh=578、Tlow= 243。在前期傳感器校正及輻射定標(biāo)工作沒(méi)有較大改動(dòng)情況下，上述雙閾值有普適性，適用于所有高分一號(hào)衛(wèi)星1A級(jí)全色影像。b圖中間的紫色直線表示以雙閾值為限定條件下的Otsu閾值。d圖藍(lán)色直線代表傳統(tǒng)Otsu閾值。

圖2 無(wú)云影像閾值分割

圖3 少云影像閾值分割

圖4 影像閾值分割

可以看出，對(duì)于多云影像（圖4），傳統(tǒng)Otsu分割算法和本文閾值分割算法均作出了較為精確的判斷。但對(duì)于無(wú)云（圖2）和少云（圖3）影像，傳統(tǒng)Otsu分割算法出現(xiàn)了較為嚴(yán)重的誤判。相比之下，本文算法有較大優(yōu)勢(shì)，能對(duì)少云影像作出比較精確的判斷，也能定性識(shí)別出無(wú)云影像。通過(guò)圖3、4可以看出，僅使用閾值分割會(huì)造成結(jié)果中有很多由高亮度建筑物和裸地等引起的噪點(diǎn)，因此要執(zhí)行云區(qū)形態(tài)學(xué)綜合。

3.2 云區(qū)形態(tài)學(xué)綜合評(píng)價(jià)與對(duì)比

以上述少云影像（圖3）為例，對(duì)3a中所示的初始閾值分割圖進(jìn)行形態(tài)學(xué)綜合。同時(shí)，將本文形態(tài)學(xué)算法與傳統(tǒng)的“腐蝕-膨脹”形態(tài)學(xué)運(yùn)算作對(duì)比，兩種云區(qū)綜合算法結(jié)果展示在圖5中。同時(shí)，選取圖5a左上角紅色方框內(nèi)局部區(qū)域，分別將腐蝕亮斑、條件膨脹、填充云縫3個(gè)子步驟的中間結(jié)果展示在圖6中。

從圖5、6可以看出，經(jīng)過(guò)形態(tài)學(xué)綜合處理后，云掩模中的高亮度、小面積噪聲得到消除，且云縫得到填充，方便后續(xù)使用。相比于傳統(tǒng)的“腐蝕-膨脹”算法，本文使用的形態(tài)學(xué)算法更好地保留了云的真實(shí)邊緣輪廓，有效地降低了錯(cuò)檢和漏檢率。

4 結(jié) 語(yǔ)

圖5 云區(qū)形態(tài)學(xué)綜合

圖6 云區(qū)(局部)形態(tài)學(xué)綜合

針對(duì)高分一號(hào)衛(wèi)星影像普遍含云且光譜探測(cè)范圍窄、波段少、數(shù)據(jù)量大的特點(diǎn)，提出一種基于自適應(yīng)閾值和形態(tài)學(xué)綜合的云檢測(cè)算法。實(shí)驗(yàn)表明，該算法簡(jiǎn)單有效，能對(duì)少云、多云影像作出比較精確的檢測(cè)，也能定性識(shí)別出無(wú)云影像，適用于全色、多光譜影像，可滿足海量數(shù)據(jù)自動(dòng)化處理的需要。

[1] 李德仁, 童慶禧, 李榮興,等． 高分辨率對(duì)地觀測(cè)的若干前沿科學(xué)問(wèn)題[J]．中國(guó)科學(xué):地球科學(xué), 2012(6):805-813

[2] 陳翠嬋, 黃國(guó)森, 王越,等． 含云衛(wèi)星影像配準(zhǔn)算法研究[J]．測(cè)繪通報(bào), 2016(10):81-84

[3] 吳磊, 康一飛, 李娜娜,等． 大面積含云衛(wèi)星遙感影像勻光算法的改進(jìn)[J]．地理空間信息,2016,14(1):41-43

[4] 秦永, 付仲良, 周凡,等． 一種利用TM影像自動(dòng)檢測(cè)云層的方法[J]．武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2014,39(2):234-238

[5] 陳振煒, 張過(guò), 寧津生,等． 資源三號(hào)測(cè)繪衛(wèi)星自動(dòng)云檢測(cè)[J]．測(cè)繪學(xué)報(bào), 2015, 44(3):292-300

[6] 李騰騰, 唐新明, 高小明． 資源三號(hào)影像朵云識(shí)別中云雪分離研究[J]．測(cè)繪通報(bào), 2016(2):46-49

[7] 胡根生, 陳長(zhǎng)春, 梁棟． 聯(lián)合云量自動(dòng)評(píng)估和加權(quán)支持向量機(jī)的Landsat圖像云檢測(cè)[J]．測(cè)繪學(xué)報(bào),2014,43(8):848-854

[8] 譚凱,張永軍,童心,等．國(guó)產(chǎn)高分辨率遙感衛(wèi)星影像自動(dòng)云檢測(cè)[J]．測(cè)繪學(xué)報(bào), 2016, 45(5):581-591

[9] 方勇, 常本義． 聯(lián)合應(yīng)用多傳感器影象消除云層遮擋影響的研究[J]．中國(guó)圖象圖形學(xué)報(bào),2001,6(2):138-141

[10] Wu T, Hu X, Zhang Y, et al． Automatic Cloud Detection for High Resolution Satellite StereoImages and Its Application in Terrain Extraction[J]． ISPRS Journal of Photogrammetry &Remote Sensing, 2016(121):143-156

[11] GadallahFL, Csillag F, Smith E J M． Destriping Multisensor Imagery with Moment Matching[J]． IntJRemote Sensing,2000,21(12):2 505-2 511

[12] Nobuyuki O． A Threshold Selection Method from Gray-Level Histograms[J]． IEEE Transactions onSystems Man & Cybernetics,1979, 9(1):62-66