張波,胡亞東,洪津

(1 中國科學(xué)院合肥物質(zhì)科學(xué)研究院安徽光學(xué)精密機(jī)械研究所,中國科學(xué)院通用光學(xué)定標(biāo)與表征技術(shù)重點(diǎn)實(shí)驗(yàn)室,安徽 合肥 230031;2 中國科學(xué)技術(shù)大學(xué), 安徽 合肥 230026)

0 引 言

地表上空覆蓋的云在遙感衛(wèi)星對(duì)地觀測(cè)時(shí)會(huì)對(duì)地物造成遮擋,導(dǎo)致遙感圖像上的地物信息在不同程度上缺失,影響了遙感圖像的處理與應(yīng)用。準(zhǔn)確地實(shí)現(xiàn)遙感圖像的云檢測(cè)是遙感圖像后續(xù)應(yīng)用的前提和基礎(chǔ),意義重大。但由于云的種類繁多且云檢測(cè)的地物背景復(fù)雜,導(dǎo)致云檢測(cè)過程中容易出現(xiàn)誤判、漏判等情況。減小云和地物在遙感圖像中容易相互混淆的部分對(duì)云檢測(cè)結(jié)果的負(fù)面影響,提高檢測(cè)準(zhǔn)確率是遙感圖像云檢測(cè)方向研究的重點(diǎn)及難點(diǎn)之一。

目前,研究人員在遙感圖像的云檢測(cè)方面做了大量的研究工作,提出了多種各具特色的云檢測(cè)方法,這些云檢測(cè)方法可歸類為光譜閾值法、空間紋理法、模式識(shí)別法及綜合優(yōu)化法[1]。光譜閾值法是利用云和地物在不同波段的光譜特征差異,通過設(shè)置閾值來實(shí)現(xiàn)云檢測(cè)。為了提升云檢測(cè)的準(zhǔn)確率,光譜閾值法常采用多波段閾值組合或者借助地表反射率集等先驗(yàn)知識(shí)來進(jìn)行云檢測(cè)[2]。但一些高分辨率衛(wèi)星可用于云檢測(cè)的波段有限,這類遙感圖像可用于云檢測(cè)的光譜信息相對(duì)較少,同時(shí)在空間分辨率上也與常用的地表反射率數(shù)據(jù)集差距明顯,所以普通的光譜閾值法在這類遙感圖像上直接運(yùn)用往往效果不佳。空間紋理法是依據(jù)云和地物在遙感圖像上的紋理特征差異,利用統(tǒng)計(jì)學(xué)的方法提取遙感圖像的紋理特征和空間特征來實(shí)現(xiàn)云的檢測(cè)與識(shí)別。隨著遙感圖像空間分辨率的提高,空間紋理法獲得了越來越多的應(yīng)用,但部分云和地物在遙感圖像上的紋理特征相似,只使用紋理特征法進(jìn)行云檢測(cè)時(shí)難以區(qū)分這些容易相互混淆的云和地物,紋理特征法通常和其他方法共同使用來提升云檢測(cè)的準(zhǔn)確率[3]。隨著計(jì)算機(jī)技術(shù)的發(fā)展,各種模式識(shí)別類的方法被引入到遙感圖像云檢測(cè)的研究中并取得了良好的效果,為了保證云檢測(cè)的準(zhǔn)確率,模式識(shí)別類的云檢測(cè)方法在實(shí)驗(yàn)樣本的選擇、特征的選擇與提取、分類器的設(shè)計(jì)與訓(xùn)練等方面提出了很高的要求[4,5]。綜合優(yōu)化法綜合利用光譜閾值法、紋理特征法、模式識(shí)別法等方法各自的優(yōu)點(diǎn)來實(shí)現(xiàn)云檢測(cè),往往能取得較好的效果。

云的形態(tài)各異,依據(jù)不同的分類標(biāo)準(zhǔn)會(huì)產(chǎn)生不同的分類結(jié)果。在學(xué)術(shù)交流和工程應(yīng)用中經(jīng)常會(huì)將云分為厚云、薄云兩類。但厚云、薄云本身并沒有明確且嚴(yán)謹(jǐn)?shù)亩x,實(shí)際應(yīng)用中一般將完全遮擋地物目標(biāo)、嚴(yán)重影響地物判讀的云稱為厚云,而將沒有完全遮擋地物目標(biāo),對(duì)地物場景判讀影響有限的云稱為薄云[6]。各種云檢測(cè)方法在對(duì)厚云的檢測(cè)上大多能取得良好的效果,但云和地物中都存在著一些在遙感圖像上容易相互混淆的部分,導(dǎo)致實(shí)際的云檢測(cè)過程中會(huì)出現(xiàn)誤判和漏判。其中被誤判為云的地物主要是冰雪、裸地、高亮建筑物等似云地物,被漏判的云主要是包括厚云邊緣過渡部分在內(nèi)的各種薄云。薄云對(duì)地物并沒有形成完全的遮擋,可以通過技術(shù)手段實(shí)現(xiàn)被遮擋的地物信息在一定程度上恢復(fù),因此一些遙感圖像應(yīng)用場合會(huì)對(duì)遙感圖像中的厚云、薄云區(qū)別處理,通過各種方法恢復(fù)被薄云遮擋部分的地物信息,從而提高遙感圖像的利用率[7]。

本文設(shè)計(jì)了一種基于多特征融合的層次支持向量機(jī)云檢測(cè)算法。算法綜合利用云和地物在遙感圖像上的灰度、紋理、頻率特征的差異,分兩層設(shè)計(jì)了三個(gè)有針對(duì)性的分類器,對(duì)云檢測(cè)過程容易相互混淆的部分增加有針對(duì)性的檢測(cè)環(huán)節(jié),實(shí)現(xiàn)了厚云、薄云、地物之間的區(qū)分,從而提升了云檢測(cè)的準(zhǔn)確率。另外,將云在檢測(cè)結(jié)果上分為厚云、薄云兩部分給遙感圖像的后續(xù)應(yīng)用提供了更多的參考信息。

1 原理與方法

1.1 超像素分割

云在自然界中通常以不規(guī)則的幾何形狀聚合出現(xiàn),在遙感圖像特別是在高分辨率遙感圖像上表現(xiàn)為閉合的連通區(qū)域,極少以孤立的像素點(diǎn)形式出現(xiàn)。因此,以像素塊為單位進(jìn)行云檢測(cè)相較于以像素點(diǎn)為單位進(jìn)行云檢測(cè)可以更好地利用云這一形狀特征,提升云檢測(cè)的效率,同時(shí)以像素塊為單位進(jìn)行云檢測(cè)還可以消除單個(gè)像素點(diǎn)噪聲對(duì)云檢測(cè)結(jié)果的影響。

超像素分割是利用被分割圖像中臨近像素點(diǎn)在紋理、顏色、亮度等特征上的相似性進(jìn)行聚類,將原圖分割成數(shù)個(gè)形狀和面積各不相同的像素塊的圖像分割方法。由于云的幾何形狀不規(guī)則,在云檢測(cè)過程中采用超像素分割的方法相較于將遙感圖像規(guī)則分割的方法更能充分利用云和地物的形狀特征。簡單線性迭代聚類算法(Simple linear iterative clustering,SLIC)是Achnta 等[8]提出的一種經(jīng)典的超像素分割方法。SLIC算法首先將RGB 圖像轉(zhuǎn)換為CIELAB 顏色空間和XY 坐標(biāo)下的5 維特征向量,然后再對(duì)這5 維特征向量構(gòu)造度量標(biāo)準(zhǔn),并對(duì)圖像像素進(jìn)行局部聚類實(shí)現(xiàn)生成超像素。相較于其他超像素分割算法,SLIC 算法在運(yùn)算速度、物體輪廓保持等方面優(yōu)勢(shì)明顯[8,9]。更重要的是,SLIC 算法可以結(jié)合實(shí)際需求控制生成超像素的個(gè)數(shù)及超像素塊的大小規(guī)模,相較于其他超像素分割算法,以SLIC 算法分割形成的像素塊為云檢測(cè)單位可以更好地實(shí)現(xiàn)小面積云塊的檢測(cè)。因此選擇SLIC 算法對(duì)遙感圖像進(jìn)行超像素分割,并以分割后形成的像素塊為單位進(jìn)行云檢測(cè)。

1.2 特征提取及選擇

各種云檢測(cè)方法都是利用云和地物在不同特征方面存在的差異來實(shí)現(xiàn)云和地物的區(qū)分,難點(diǎn)是部分云和地物在某些特征上十分相似導(dǎo)致在云檢測(cè)時(shí)容易產(chǎn)生混淆,采用單一特征進(jìn)行云檢測(cè)往往效果并不理想。采用多特征融合的方法進(jìn)行云檢測(cè),綜合云和地物的灰度、紋理、頻率特征更容易實(shí)現(xiàn)云和地物的區(qū)分。

1.2.1 灰度特征選擇

云在可見光波段的反射率高,在可見光遙感圖像上表現(xiàn)為灰度值較高,呈現(xiàn)出白色和明亮的特點(diǎn),易與大部分地面物體區(qū)分。設(shè)計(jì)的云檢測(cè)算法選擇灰度均值、灰度方差作為云和地物區(qū)分的灰度特征。

1.2.2 紋理特征選擇

云的形態(tài)多種多樣,不同的云在紋理上會(huì)有一定的區(qū)別,但遙感圖像上的云相較于大部分地物具有紋理光滑的特點(diǎn)。設(shè)計(jì)的云檢測(cè)算法選擇灰度共生矩陣(Gray level co-occurrence matrix,GLCM)及局部二值模式特征(Local binary patterns,LBP)來描述遙感圖像的紋理特征。

灰度共生矩陣是一種通過研究灰度的空間相關(guān)特性來描述紋理的方法[10],設(shè)計(jì)的云檢測(cè)算法選取角二階矩(Angular second moment)、熵(Entropy)、對(duì)比度(Contrast)、相關(guān)性(Correlation)4 個(gè)常用的灰度共生矩陣的統(tǒng)計(jì)特征來描述遙感圖像的紋理特征,其計(jì)算公式分別為

式中: x、y 為灰度共生矩陣的第x 行、第y 列,P(x,y)為灰度共生矩陣中第x 行、第y 列的元素,μx、μy為均值,σx、σy為標(biāo)準(zhǔn)差。

LBP 特征是一種用來描述圖像局部紋理特征的算子,相較于整個(gè)像素層上進(jìn)行紋理分析的方法具有理論簡單、計(jì)算容易、灰度不變性和旋轉(zhuǎn)不變性等諸多優(yōu)勢(shì)[11],廣泛用于遙感圖像紋理特征的描述[12]。

1.2.3 頻率特征選擇

云和地物在遙感圖像的頻域上表現(xiàn)出不同的特性,遙感圖像中的云區(qū)域在頻域上主要分布在低頻部分,而地物區(qū)域主要集中在頻率較高的部分[13],小波變換可以實(shí)現(xiàn)遙感圖像時(shí)域到頻域的變換,在薄云檢測(cè)和地物信息恢復(fù)時(shí)能夠起到良好的效果[14]。設(shè)計(jì)的云檢測(cè)算法利用小波分解原理,將圖像分解為高頻和低頻分量,選取小波變換提取的低頻系數(shù)作為頻率特征。

1.3 算法設(shè)計(jì)

支持向量機(jī)(Support vector machine,SVM)是基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的機(jī)器學(xué)習(xí)方法,在解決小樣本、非線性及高維模式識(shí)別問題上效果顯著,已被廣泛應(yīng)用于遙感影像的云檢測(cè)中,并取得了良好的效果[15]。層次支持向量機(jī)(Hierarchical support vector machines,H-SVM)是將二叉樹分類的思想引入支持向量機(jī)分類器的設(shè)計(jì)中,采用二叉樹構(gòu)造支持向量機(jī)分類器,將分類對(duì)象分為兩個(gè)子類,再將每個(gè)子類進(jìn)一步分類,最終得到單獨(dú)的類別,具有邏輯清晰、容易實(shí)現(xiàn)、分類效率高的優(yōu)勢(shì)[16]。由于云和地物中都存在著一些在遙感圖像上容易相互混淆的部分,為了保證準(zhǔn)確率,普通支持向量機(jī)分類器在針對(duì)波段數(shù)有限的遙感圖像進(jìn)行云檢測(cè)時(shí)往往對(duì)樣本訓(xùn)練、特征提取、分類器設(shè)計(jì)要求很高,算法實(shí)現(xiàn)難度大的同時(shí)針對(duì)薄云、似云地物等的檢測(cè)效果并不理想。為了更準(zhǔn)確的區(qū)分出云和地物中容易相互混淆的部分,保證云檢測(cè)的準(zhǔn)確率,本文采用層次支持向量機(jī)對(duì)遙感圖像分兩層設(shè)計(jì)三個(gè)分類器進(jìn)行分類。由于是分層分類,第二層分類器可以對(duì)第一層分類的結(jié)果進(jìn)行有針對(duì)性的優(yōu)化,所以每個(gè)分類器面向的分類對(duì)象相對(duì)簡單,每個(gè)分類器的樣本訓(xùn)練及特征提取可以更加有針對(duì)性,這樣既降低了樣本選擇及分類器設(shè)計(jì)的難度,同時(shí)也提升了分類的準(zhǔn)確率。算法具體可分為以下5 個(gè)步驟:

1)遙感圖像分割。采用SLIC 算法對(duì)遙感圖像進(jìn)行超像素分割,對(duì)分割后的像素塊按式(5)進(jìn)行灰度化并保存,作為后續(xù)云檢測(cè)算法的基本單位。

2)第一層支持向量機(jī)分類。第一層分類器SVM1 主要實(shí)現(xiàn)云和地物的初步分離,選擇典型的厚云像素塊及地物像素塊作為訓(xùn)練樣本,提取灰度均值、灰度方差、LBP 特征對(duì)選擇的樣本進(jìn)行訓(xùn)練。用訓(xùn)練好的分類器對(duì)超像素分割后的遙感圖像以像素塊為單位進(jìn)行第一層分類,結(jié)果分為“云”、“地物”兩類。由于還要進(jìn)行第二層分類,所以對(duì)第一層分類的準(zhǔn)確度要求不高,這樣降低了樣本選擇及分類器設(shè)計(jì)的難度。第一層被分類為“云”的像素塊中含有被誤判為云的似云地物,“地物”中則含有被漏判的云。

3)第二層支持向量機(jī)分類。第二層分類器針對(duì)第一層的分類結(jié)果做進(jìn)一步分類。對(duì)第一層分類結(jié)果為“云”的像素塊設(shè)計(jì)一個(gè)針對(duì)云和似云地物的分類器SVM2。選擇厚云與城鎮(zhèn)、裸地、冰雪等典型的似云地物作為訓(xùn)練樣本,提取圖像的LBP 紋理、灰度共生矩陣對(duì)選擇的樣本進(jìn)行訓(xùn)練。用訓(xùn)練好的分類器對(duì)第一層分類結(jié)果為“云”的像素塊進(jìn)行分類,檢測(cè)出第一層分類被誤判為云的似云地物,結(jié)果分類為“厚云”、“似云地物”兩類。對(duì)于第一層分類結(jié)果為“地物”的像素塊設(shè)計(jì)一個(gè)針對(duì)普通地物與薄云的分類器SVM3,選擇薄云與普通地物作為訓(xùn)練樣本,提取圖像的灰度均值、小波頻率特征對(duì)選擇的樣本進(jìn)行訓(xùn)練。用訓(xùn)練好的分類器對(duì)第一層分類結(jié)果為“地物”的像素塊進(jìn)行分類,檢測(cè)出第一層分類中被漏判的云,主要為包括碎云及厚云邊緣過渡部分在內(nèi)的各種薄云,結(jié)果分類為“薄云”、“普通地物”。

4)將第二層分類結(jié)果中“似云地物”、“普通地物”的像素塊合并為“地物”,經(jīng)過層次支持向量機(jī)兩層分類后遙感圖像被分為“薄云”、“厚云”、“地物”三個(gè)部分。對(duì)分類結(jié)果進(jìn)行標(biāo)記,將被分類為“地物”的像素塊灰度值設(shè)為0,被分類為“薄云”的像素塊灰度值設(shè)為125、被分類為“厚云”像素塊灰度值設(shè)為255,形成初步的云掩膜圖。

5)對(duì)云掩膜的結(jié)果進(jìn)行圖形學(xué)的膨脹處理,可以消除云檢測(cè)結(jié)果中存在的孔洞部分,并使云檢測(cè)的邊緣更加自然,形成最終云檢測(cè)結(jié)果。

整個(gè)云檢測(cè)算法的流程框圖如下:

圖1 云檢測(cè)流程圖Fig.1 Flow chart of cloud detection

2 試驗(yàn)結(jié)果與分析

高分一號(hào)上搭載了4 臺(tái)寬視場多光譜相機(jī)(Wide field view sensor,WFV),WFV 影像包含藍(lán)(0.45～0.52μm)、綠(0.52～0.59μm)、紅(0.63～0.69μm)、近紅外(0.77～0.89μm)4 個(gè)波段,各波段的分辨率為16 m,數(shù)據(jù)的量化精度為10 bit。選取高分一號(hào)WFV 的RGB 波段合成圖像進(jìn)行試驗(yàn)來測(cè)試算法的有效性。由于遙感圖像的原圖數(shù)據(jù)量過大,縮略顯示后難以看清云檢測(cè)算法對(duì)于薄云、碎云、云區(qū)邊緣、各種地物的檢測(cè)細(xì)節(jié),為了便于更直觀的評(píng)估云檢測(cè)算法的效果,截取遙感原圖中500 pixel×500 pixel 的子圖進(jìn)行實(shí)驗(yàn)并展示云檢測(cè)算法的結(jié)果。實(shí)驗(yàn)選取的遙感圖像的下墊面包含了植被、海洋、城鎮(zhèn)、裸地、雪地等不同的地表類型,同時(shí)也包含了厚云、薄云、碎云等多種云類型。選擇基于傳統(tǒng)支持向量機(jī)的云檢測(cè)算法作為對(duì)比,圖2 直觀展示了兩種云檢測(cè)算法的云檢測(cè)結(jié)果,每組圖像從左到右分別是灰度化后的遙感圖像、傳統(tǒng)支持向量機(jī)算法的云檢測(cè)結(jié)果圖、本文算法的云檢測(cè)結(jié)果圖。

圖2 下墊面分別為植被(a)、海洋(b)、城鎮(zhèn)(c)、裸地(d)、雪地(e)時(shí)云檢測(cè)結(jié)果對(duì)比Fig.2 Comparison of cloud detection results when underlying surface are vegetation(a),ocean(b),town(c),bare land(d),snow(e)

圖2(a)-(e)的下墊面分為植被、海洋、城鎮(zhèn)、裸地、雪地。由圖2 可直觀看出,設(shè)計(jì)的云檢測(cè)算法實(shí)現(xiàn)了厚云、薄云的區(qū)分檢測(cè),兩種算法在針對(duì)不同下墊面遙感圖像的厚云檢測(cè)上都取得了良好的效果,但在厚云邊緣、小面積碎云、特別是圖2(d)大面積薄云的檢測(cè)上優(yōu)勢(shì)明顯。設(shè)計(jì)的云檢測(cè)算法在對(duì)碎云、包括厚云邊緣過渡部分在內(nèi)的各種薄云檢測(cè)時(shí)減少了漏判現(xiàn)象,整體云檢測(cè)效果優(yōu)于對(duì)比算法。

為了定量統(tǒng)計(jì)所提算法的云檢測(cè)效果,文獻(xiàn)[17]利用目視解譯的方法從原始遙感圖像中提取云掩膜作為真實(shí)云層信息,并采用召回率(Recall)、虛警率(Falsealarm)、準(zhǔn)確率(Accuracy)對(duì)兩種算法的云檢測(cè)效果進(jìn)行對(duì)比。其中召回率的定義為遙感圖像中被云檢測(cè)算法正確識(shí)別為云的像素占圖像中真實(shí)云像素總數(shù)的比例,取值范圍為0～1,數(shù)值越高說明算法正確識(shí)別出的云像素越多,算法性能越好。虛警率的定義為遙感圖像中被云檢測(cè)算法識(shí)別為云的像素中地物像素所占的比例,取值范圍為0～1,數(shù)值越低說明被算法誤判為云的地物越少,算法性能越好。準(zhǔn)確率表明算法正確識(shí)別的云像素和地物像素占遙感圖像總像素的比例,在0～1 的取值范圍內(nèi)數(shù)值越高說明算法整體性能越好。召回率、虛警率、準(zhǔn)確率的計(jì)算公式分別為

式中: TP 為云檢測(cè)算法正確識(shí)別的云像素?cái)?shù)量,FN 為被云檢測(cè)算法漏判的云像素?cái)?shù)量,FP 為被云檢測(cè)算法誤判為云的地物像素?cái)?shù)量,TN 為云檢測(cè)算法正確識(shí)別的地物像素?cái)?shù)量,N 為遙感圖像中像素的總量。

由于作為對(duì)比的云檢測(cè)算法在檢測(cè)結(jié)果上沒有實(shí)現(xiàn)薄云、厚云的區(qū)分,因此在定量統(tǒng)計(jì)云檢測(cè)結(jié)果時(shí),將本文算法云檢測(cè)結(jié)果中的“厚云”、“薄云”統(tǒng)一作為云像素進(jìn)行統(tǒng)計(jì)。表1 為兩種算法的結(jié)果定量對(duì)比。

表1 云檢測(cè)定量評(píng)價(jià)Table 1 Quantitative evaluation of cloud detection

由表1 可見,在對(duì)圖2(a)、(b)、(c)的檢測(cè)上,本文算法的召回率明顯高于對(duì)比算法,兩種算法的虛警率差距不大,且對(duì)于不同下墊面表現(xiàn)不同,準(zhǔn)確率總體稍高于對(duì)比算法。對(duì)于圖2(d)的大面積薄云檢測(cè)上,新算法的準(zhǔn)確率、召回率遠(yuǎn)高于對(duì)比算法,優(yōu)勢(shì)十分明顯。對(duì)于下墊面為雪地的圖2(e),新算法的虛警率低于對(duì)比算法,整體準(zhǔn)確率高于對(duì)比算法。兩種算法的虛警率分別為27.6%、36.3%,高于對(duì)于其他類型下墊面遙感圖像云檢測(cè)時(shí)的虛警率,說明當(dāng)下墊面為雪地時(shí),兩種算法都存在較明顯的將雪地誤判為云的現(xiàn)象。對(duì)五幅圖像的檢測(cè)結(jié)果取平均值,新算法對(duì)于實(shí)驗(yàn)圖像的平均召回率為93.6%,高于對(duì)比算法的75.2%;平均虛警率為8.5%,低于對(duì)比算法的10.5%;平均準(zhǔn)確率為95.4%,高于對(duì)比算法的88.9%。由定量分析結(jié)果可見,基于層次支持向量機(jī)的云檢測(cè)算法適用于多種下墊面的云檢測(cè),整體云檢測(cè)效果優(yōu)于傳統(tǒng)的支持向量機(jī)算法,在對(duì)包括厚云邊緣過渡部分在內(nèi)的各種薄云檢測(cè)上優(yōu)勢(shì)明顯。

3 結(jié) 論

設(shè)計(jì)的云檢測(cè)算法綜合了云和地物在遙感圖像上灰度、紋理、頻率特征的差異,采取層次支持向量機(jī)進(jìn)行分類。定性和定量分析表明,在僅使用RGB 波段的條件下,算法能夠?qū)Χ喾N情況下的遙感圖像實(shí)現(xiàn)有效的云檢測(cè),具有較高云檢測(cè)準(zhǔn)確率的同時(shí)可以實(shí)現(xiàn)厚云、薄云的區(qū)分檢測(cè)。相較于傳統(tǒng)支持向量機(jī)云檢測(cè)方法明顯提升了對(duì)包括厚云邊緣過渡部分在內(nèi)的各種薄云的檢測(cè)能力,同時(shí)算法在針對(duì)似云地物的檢測(cè)方面也較傳統(tǒng)支持向量機(jī)算法具有一定優(yōu)勢(shì)。但算法在對(duì)下墊面為雪地的遙感圖像進(jìn)行檢測(cè)時(shí)虛警率偏高,同時(shí)厚云和薄云雖然在學(xué)術(shù)交流和遙感圖像應(yīng)用中經(jīng)常使用,但二者并沒有準(zhǔn)確可量化的分類標(biāo)準(zhǔn),所以實(shí)驗(yàn)只對(duì)厚云、薄云進(jìn)行了初步的定性區(qū)分,并沒有進(jìn)行定量分析。后續(xù)研究將重點(diǎn)針對(duì)這兩點(diǎn)不足之處進(jìn)行完善。