劉 楊 江 濤 黃 玨

(山東科技大學(xué) 測繪科學(xué)與工程學(xué)院, 山東 青島 266590)

0 引言

云和云陰影的存在會阻礙地物目標(biāo)與傳感器之間能量的傳輸,對于水色遙感的相關(guān)研究而言,會降低衛(wèi)星數(shù)據(jù)在水環(huán)境監(jiān)測中的可用性。此外,不同類型水體的光譜特征存在差異,也會對基于光譜分析的云和云陰影檢測結(jié)果產(chǎn)生影響。因此在云和云陰影檢測中考慮水體的光譜特征對提高檢測精度具有重要的意義[1-5]。

ZHU等[6]提出Fmask(Function of mask)算法,首先通過多光譜測試對影像中的可能云像元進行標(biāo)記,其次通過水體測試進行水陸分離并分別進行云檢測,實現(xiàn)水陸上方的云掩膜;QIU等[7]人在Fmask的基礎(chǔ)上提出了MFmask(Mountainous Fmask)算法,利用數(shù)字高程模型(Digital Elevation Model，DEM)數(shù)據(jù)對Fmask算法中的水體測試進行改進,在提高水陸分離精度的基礎(chǔ)上進一步提高云檢測的精度。云陰影在遙感影像上具有較低反射率的特性,不僅在幾何形狀上與云保持著相似性,而且與云像元保持著特定的位置關(guān)系[8]。例如王凌等[9]針對Landsat8-OLI(陸地成像儀，Operational Land Imager)影像,利用深藍(lán)和短波紅外波段的組合去除了云陰影;劉心燕等[10]針對高分四號衛(wèi)星,使用了紅和近紅外兩個單波段和彼此之間的波段組合識別了云陰影。通過對比上述的云和云陰影檢測算法發(fā)現(xiàn),算法中并未考慮不同水體的光譜特征及其影響。因此本文首先在Fmask算法的基礎(chǔ)上,對可能的云像元進行識別;然后基于云與不同水體的光譜特征,利用光譜差異分析技術(shù)識別潛在云像元;最后根據(jù)云陰影的光譜特征設(shè)定基于影像的動態(tài)閾值,識別云陰影像元。

1 原理和方法

1.1 云識別

Fmask算法中首先將整幅影像可能的云像元進行識別,其次通過水體測試進行水陸分離并分別進行云檢測。然而Fmask算法中未考慮到不同類型水體信息對識別結(jié)果的影響,因此本文在此基礎(chǔ)上利用TM/ETM+數(shù)據(jù)對算法進行了補充,對不同類型水體上的云進行了識別檢測。云檢測的過程包括識別厚云像元和薄云像元兩步,并將含有泥沙和葉綠素的水體像元歸為渾濁水像元,同時將藍(lán)、綠、紅、近紅外波段的反射率簡寫為Rb1、Rb2、Rb3、Rb4;TM/ETM+的第5和第7波段分別稱為短波紅外1和短波紅外2波段,其波段反射率簡寫為Rb5、Rb7。

1.1.1識別厚云像元

通過對不同類型水體進行大量光譜測試發(fā)現(xiàn),渾濁水像元、純水像元的Rb5<0.1,而厚云像元Rb5>0.1;渾濁水像元、純水像元的Rb2<0.2,而厚云像元Rb2>0.2;渾濁水像元、純水像元的Rb7<0.12,而厚云像元Rb7>0.12;渾濁水像元、純水像元、云像元的Rb4/Rb1值存在差異,其厚云像元Rb4/Rb1>0.5。

1.1.2識別薄云像元

薄云像元具有一部分水體信息的特征,如果要精準(zhǔn)的識別,需要區(qū)分水體的類型。通過Fmask水體測試分別將上述研究區(qū)域影像中渾濁水像元的Rb2從小到大排列,經(jīng)對比發(fā)現(xiàn),富含葉綠素高的水體其置信區(qū)間82.5%上分位的取值大于0.15,而富含泥沙高的水體其值小于0.15。

通過區(qū)分水體類型之后并發(fā)現(xiàn),純水像元、渾濁水像元、薄云像元的Rb7/Rb3值差異較大,薄云像元Rb7/Rb3>0.2且Rb7>0.05,而純水或者渾濁水像元Rb7/Rb3<0.2且Rb7<0.05;同時Rb3和Rb2識別薄云像元也很關(guān)鍵,富含泥沙或者葉綠素的水體中,這兩個波段的反射率差異明顯,如果采用同一個閾值進行提取,就有可能造成薄云像元的誤提,因此要分開進行薄云像元檢測。即:

當(dāng)水體含有較高的泥沙時,薄云像元的Rb3>0.1且Rb2>0.14,當(dāng)水體含有較高的葉綠素時,薄云像元的Rb3>0.15且Rb2>0.2。

1.2 云陰影的識別

1.2.1云陰影基本檢測

劉心燕[5]在利用GF-4號識別云陰影使用了紅、近紅外波段。根據(jù)本文的實驗,短波紅外2波段也能夠較好的識別水體上的云陰影，即

Rb3Rb3

Tb3為云陰影在紅光波段處的閾值;Tb7為云陰影在短波紅外2波段處的閾值;Tb4為云陰影在近紅外波段處的閾值。在可見光波段中,云陰影Rb3值會明顯低于富含泥沙或者葉綠素水體的;在短波紅外波段,云陰影的反射率與不同類型水體的相比較低,且都處于低值;水體中富含泥沙或者葉綠素時,云陰影Rb4會明顯低于水體的Rb4,將影像中的各個單波段反射率從小到大排列取置信區(qū)間12.5%下分位的值作為最終的閾值進行云陰影檢測,能夠提高精度。

1.2.2云陰影差異性檢測

王凌[4]針對OLI影像,為了更近一步地將水體與云陰影的差異性進行擴大,提出了使用深藍(lán)、短波紅外波段構(gòu)建暗像元指數(shù)NDPI,其次通過歸一化植被指數(shù)NDVI構(gòu)建比值陰影指數(shù)RSI來識別云陰影。本文對NDPI進行了改進,采用藍(lán)綠光波段進行歸一化處理,能夠更加的擴大水體與云陰影的差異性。即:

(1)

(2)

(3)

經(jīng)分析得到,云陰影RSI的值大于不同類型水體的值。為了排除外部條件因素對影像的干擾,本文將RSI進行從小到大排列,選取每幅影像中其置信區(qū)間82.5%上分位值TS作為最終的閾值,能夠更好地將一些非陰影的物體進行排除。即:

RSI>TS

(4)

將基本云陰影檢測和差異性檢測結(jié)合起來,則為最終的云陰影檢測。完成云和云陰影檢測流程之后,為了能更好地展示檢測的結(jié)果,需要對云和云陰影的掩膜進行腐蝕膨脹操作,最終得到精確的云和云陰影掩膜。

2 結(jié)果分析及討論

為了后續(xù)能夠更好地評價檢測結(jié)果的準(zhǔn)確性,根據(jù)資料得知黃河口、膠州灣屬于富含泥沙較高的水體類型,而巢湖和太湖屬于富含葉綠素較高的水體類型,分別對其水體上方的云和云陰影進行檢測。

2.1 云及云陰影檢測結(jié)果

本文采用Matlab2014軟件通過Fmask算法中水體測試后,充分考慮到不同類型水體光譜特征對云和云陰影識別的影響,對云識別部分進行了改進并結(jié)合提出的云陰影算法,選取了不同云類型,不同時相的不同水域類型進行分析,并采取目視解譯的方式驗證精度的可靠性。由于影像較大,為了能夠更好地展示檢測的結(jié)果,選取300×300子圖像進行目視解譯。為了突出本文算法的優(yōu)勢,對本文與Fmask3.2版本得到的云及云陰影檢測結(jié)果進行了對比分析,如表1所示。在表1中,原圖為432波段合成的假彩色影像,其中白色為云塊,黑色為云陰影,背景為不同類型的水體。圖中的圓圈為兩種結(jié)果的差異之處。

表1 不同水體類型上的云及云陰影檢測結(jié)果

由表1可以看出,Fmask檢測結(jié)果中,厚云檢測結(jié)果較好,而薄云具有穿透性,具備了不同水體的光譜特征,Fmask算法未考慮到這一點,使得薄云的檢測結(jié)果較差。本文因考慮到不同類型水體的光譜特征對檢測結(jié)果的影響,因此無論是厚云、薄云還是碎云,經(jīng)過對比可以看出,云的檢測精度得到了提高,并且云的邊界清晰、結(jié)構(gòu)較為完整,位于影像邊界的云也能夠識別出來。Fmask算法得到的云陰影檢測結(jié)果,漏提和錯提的現(xiàn)象較為普遍,而且云陰影的位置不能較精準(zhǔn)的識別,而本文得到的云陰影檢測結(jié)果與假彩色合成影像進行對比發(fā)現(xiàn),云陰影位置較為準(zhǔn)確,結(jié)構(gòu)完整,并沒有出現(xiàn)較為嚴(yán)重的錯提現(xiàn)象。

2.2 定量分析

為了能夠驗證算法的適用性,對上述的云及云陰影檢測結(jié)果進行了定量分析,并對云和云陰影進行了矢量化處理,計算了云像元的正確率Rcct、云像元的誤判率Rccm、云像元的遺漏率Rcom、晴空像元正確率Rcsc,以及云陰影像云的正確率Rscct、云陰影像元的誤判率Rsccm、云陰影像元的遺漏率Rscom、晴空像元正確率Rscsc。計算公式如下:

(5)

(6)

(7)

(8)

(9)

(10)

(11)

(12)

式中:Rc為矢量化影像中云像元正確判別為云像元的總數(shù);Rcs為矢量化影像中云陰影像元正確判別為云陰影像元的總數(shù);Ec為矢量化影像中晴空像元誤判為云像元的總數(shù);Ecs為矢量化影像中晴空像元誤判為云陰影像元的總數(shù);Cs為矢量化影像中云像元漏判為晴空像元的總數(shù);Ccs為矢量化影像中云陰影像元漏判為晴空像元的總數(shù);Rs為檢測云像元時,矢量化影像中晴空像元被正確判為晴空像元的總數(shù);Rss為檢測云陰影像元時,矢量化影像中晴空像元被正確判為晴空像元的總數(shù);Tcloud為矢量化影像中云像元的總數(shù);Tclear為矢量化影像中晴空像元的總數(shù);Tshadow為矢量化影像中云陰影像元的總數(shù)。在計算云像元精度時,把云陰影像元看作為晴空像元;在計算云陰影像元精度時,把云像元看作為晴空像元。表2和表3分別為本文與Fmask對不同水體類型上方云像云和云陰影像元的定量分析結(jié)果。從表2可以看出,本文的云像元檢測結(jié)果總體精度達(dá)90%以上,而Fmask云像元檢測結(jié)果總體精度達(dá)84%以上。本文云像元的誤判率較低,而云像元的遺漏率更低。Fmask算法中云像元遺漏率較高,主要是因為沒有考慮到不同水體信息對提取結(jié)果的影響,造成了一部分薄云像元的漏提。從表3可以看出,本文的云陰影像元檢測結(jié)果總體精度達(dá)88%以上,而Fmask云陰影像元檢測結(jié)果總體精度卻只達(dá)71%以上。本文云陰影像元的誤判率和遺漏率較低,而Fmask云陰影像元的誤判率和遺漏率較高,主要因為Fmask算法中云像元的提取存在很大偏差,在進行云陰影匹配時,造成了云陰影像云漏提或者錯提現(xiàn)象更為嚴(yán)重。不管是云檢測還是云陰影檢測,本文與Fmask的晴空像元的正確率都達(dá)到了90%以上。

表2 云像元結(jié)果定量分析

表3 云陰影像元結(jié)果定量分析

3 結(jié)束語

隨著水環(huán)境污染越來越重,時刻監(jiān)測水環(huán)境的問題尤為突出。而運用遙感技術(shù)在對水環(huán)境監(jiān)測方面頗為重要,但是云和云陰影的存在會阻礙遙感數(shù)據(jù)的應(yīng)用,因此合理有效的識別并去除云和云陰影對水色遙感相關(guān)研究十分重要。本文根據(jù)TM/ETM+數(shù)據(jù)完成了水體上方云和云陰影檢測識別,但數(shù)據(jù)單一,未來可以考慮利用多源數(shù)據(jù)完善云和云陰影識別算法。