方火能，璩澤旭，王元樂(lè)，肖化超，王 鵬，王國(guó)璽

西安空間無(wú)線電技術(shù)研究所,西安 710000

0 引 言

隨著載荷成像技術(shù)的迅猛發(fā)展，遙感衛(wèi)星圖像的高空間分辨率、高時(shí)間分辨率、高光譜分辨率、大觀測(cè)幅寬、高量化位數(shù)使得空間數(shù)據(jù)量呈指數(shù)倍增長(zhǎng)，占用了大量星上存儲(chǔ)空間和數(shù)據(jù)傳輸帶寬，嚴(yán)重制約了星地、星間高效頻繁的數(shù)據(jù)傳輸與交互，影響了遙感衛(wèi)星圖像的應(yīng)用[1].目前傳統(tǒng)的數(shù)據(jù)處理一般通過(guò)增大下傳遙感圖像的壓縮比或提高星地傳輸鏈路帶寬來(lái)實(shí)現(xiàn)探測(cè)數(shù)據(jù)的快速下傳，但是遙感圖像壓縮技術(shù)已多年未有明顯突破[2-3]，同時(shí)壓縮比過(guò)高會(huì)顯著影響圖像質(zhì)量[4]，通過(guò)傳統(tǒng)壓縮方式降低傳輸數(shù)據(jù)量已遇到瓶頸.理論上通道傳輸帶寬可以通過(guò)更高頻段和更大發(fā)射功率來(lái)進(jìn)行提高，但是在實(shí)際工程實(shí)現(xiàn)時(shí)受衛(wèi)星自身資源限制，星上數(shù)傳功率有限，導(dǎo)致傳輸速率提升空間有限，同時(shí)頻段越高相關(guān)微波產(chǎn)品的設(shè)計(jì)制造難度越大[5].圖像傳輸通道帶寬與海量遙感圖像數(shù)據(jù)量之間存在著巨大的差距和矛盾，嚴(yán)重制約了高分辨率光學(xué)遙感技術(shù)的應(yīng)用.對(duì)于我國(guó)尤其明顯，因?yàn)槲覈?guó)在世界范圍內(nèi)地面數(shù)據(jù)接收站較少，且地面數(shù)據(jù)接收站數(shù)量弧段中繼傳輸能力有限，回傳時(shí)間很長(zhǎng)，面臨的數(shù)據(jù)快速下傳壓力比西方航天強(qiáng)國(guó)更大.圖像數(shù)據(jù)量的急劇增長(zhǎng)和有限的傳輸能力是影響探測(cè)信息時(shí)效性的最大矛盾[6]，因此迫切需要研究減少星上無(wú)效數(shù)據(jù)存儲(chǔ)和下傳量的新途徑.

在實(shí)際應(yīng)用中，遙感圖像成像過(guò)程中經(jīng)常受到云層遮擋導(dǎo)致地物信息缺失，被云層遮擋的目標(biāo)基本不再具備可用信息，存儲(chǔ)這些無(wú)用信息圖像不僅浪費(fèi)存儲(chǔ)空間而且影響數(shù)據(jù)再次檢索和利用的效率.經(jīng)統(tǒng)計(jì)，云覆蓋占據(jù)了全球1/3以上區(qū)域，導(dǎo)致衛(wèi)星成像過(guò)程中存在大量無(wú)效數(shù)據(jù)；而現(xiàn)有壓縮方法未考慮云覆蓋的問(wèn)題，導(dǎo)致下傳的數(shù)據(jù)存在大量無(wú)用數(shù)據(jù)[7].同時(shí)當(dāng)前的星載圖像壓縮均從圖像的角度進(jìn)行無(wú)差別的統(tǒng)一編碼，未能結(jié)合圖像所包含的信息重要度來(lái)進(jìn)行圖像傳輸效率的優(yōu)化提升.因此，有必要開(kāi)展面向海量遙感圖像的在軌云檢測(cè)、區(qū)域圖像感興趣度研究，利用云判結(jié)果及圖像信息重要度來(lái)指導(dǎo)圖像的高效壓縮，從而提高衛(wèi)星有效數(shù)據(jù)的存儲(chǔ)和傳輸效率，實(shí)現(xiàn)光學(xué)遙感衛(wèi)星應(yīng)用效能的提升.

1 研究方案

目前所使用的云檢測(cè)方法主要有2種：1)傳統(tǒng)方法，主要基于物理特性的閾值法、基于紋理與空間信息的云檢測(cè)算法以及基于模式識(shí)別的云檢測(cè)算法[8]；2)基于深度學(xué)習(xí)的光學(xué)遙感圖像云檢測(cè)算法[9].基于深度學(xué)習(xí)的云檢測(cè)算法首先需要建立各類(lèi)衛(wèi)星拍攝的全色圖像和高光譜等海量圖像樣本庫(kù)，并對(duì)收集到的圖像進(jìn)行云區(qū)域標(biāo)注，然后使用標(biāo)注后的樣本庫(kù)對(duì)深度學(xué)習(xí)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和優(yōu)化.受星上有限的算力資源限制，無(wú)法實(shí)現(xiàn)星上高達(dá)幾十乃至上百Gbps的海量遙感圖像實(shí)時(shí)云檢測(cè)處理.但是僅利用傳統(tǒng)方法進(jìn)行云檢測(cè)，難以高效、快速地將云與冰雪等相似特性的下墊面進(jìn)行分離，尤其是在遙感器不具備多個(gè)譜段數(shù)據(jù)的情況下，云檢測(cè)準(zhǔn)確率會(huì)顯著降低.

從遙感圖像數(shù)據(jù)應(yīng)用角度，所顯示及恢復(fù)的圖像一般以“景”為單位，針對(duì)海量的遙感圖像數(shù)據(jù)，用戶(hù)一般對(duì)包含大量可用的地物信息或者重點(diǎn)區(qū)域的“景”圖更加關(guān)注.考慮云檢測(cè)實(shí)時(shí)性并結(jié)合應(yīng)用實(shí)際，本文基于傳統(tǒng)方法在保證檢測(cè)性能的前提下盡可能地降低運(yùn)算量，針對(duì)性選取亮像素點(diǎn)比例、角二階矩、平均梯度等運(yùn)算量相對(duì)較少的特征來(lái)構(gòu)建多維特征分類(lèi)器，并對(duì)多維特征進(jìn)行降維處理，該方法對(duì)厚云具備良好的實(shí)時(shí)檢測(cè)性能.由于被厚云遮擋的地物基本不含可用信息，于是可通過(guò)對(duì)檢測(cè)的云圖進(jìn)行剔除或采用大壓縮比壓縮，從而大幅降低星上存儲(chǔ)空間及傳輸帶寬.對(duì)于大多數(shù)高分辨率衛(wèi)星而言，其傳感器波段只包括了可見(jiàn)光波段和近紅外波段，易將地物的冰雪誤判為云圖[10].為了區(qū)分高亮復(fù)雜下墊面地表區(qū)的云雪，一些學(xué)者采用基于成分分析和分形求和模型，研究并構(gòu)建了高亮下墊面地區(qū)云雪分離算法[11]，可有效區(qū)分云圖和地物雪地，但是該類(lèi)方法處理流程及運(yùn)算復(fù)雜度較高，難以做到實(shí)時(shí)，僅適合在地面處理應(yīng)用.本文根據(jù)地球表面不同緯度及季節(jié)的氣候差異性，利用衛(wèi)星平臺(tái)提供的姿軌數(shù)據(jù)及UTC時(shí)間，解算出圖像景中心點(diǎn)的經(jīng)緯度位置及對(duì)應(yīng)成像地物所處的季節(jié)時(shí)間.對(duì)檢測(cè)出來(lái)的厚云圖，根據(jù)其位置信息及季節(jié)信息來(lái)決定對(duì)當(dāng)前景圖是否進(jìn)行云剔除處理.針對(duì)所檢測(cè)出來(lái)的薄云區(qū)域，根據(jù)圖像景中心的經(jīng)緯度與星上預(yù)存的感興趣區(qū)域位置模板庫(kù)的匹配結(jié)果，來(lái)決定當(dāng)前景圖是否為用戶(hù)“感興趣區(qū)域”.若為“感興趣區(qū)域”，則對(duì)當(dāng)前景圖不進(jìn)行剔除處理，傳送至壓縮模塊進(jìn)行常規(guī)壓縮；若為“非感興趣區(qū)域”，則進(jìn)行云填充處理后采用大壓縮比進(jìn)行壓縮.對(duì)于無(wú)云區(qū)域，由于包含了豐富的地物信息，采用常規(guī)壓縮進(jìn)行.星載海量遙感圖像實(shí)時(shí)云檢測(cè)與智能壓縮的總體方案見(jiàn)圖1所示.

圖1 遙感圖像在軌實(shí)時(shí)云檢測(cè)與智能壓縮處理流程圖Fig.1 Procedure for remote sensing image on-board real-time cloud detection and compression processing

2 技術(shù)方法

2.1 景圖像生成及分塊

在光學(xué)遙感器領(lǐng)域，一般將CCD圖像傳感器稱(chēng)為線陣相機(jī)，用于推掃成像；CMOS圖像傳感器稱(chēng)為面陣相機(jī)，用于凝視成像[12].線陣相機(jī)成像工作時(shí)，輸出的圖像行長(zhǎng)固定，成像總行數(shù)與積分時(shí)間及相機(jī)工作時(shí)長(zhǎng)有關(guān).面陣相機(jī)成像大小為行列均固定，成像的數(shù)據(jù)量與面陣幀頻及相機(jī)工作時(shí)長(zhǎng)有關(guān).

目前常用的遙感圖像壓縮算法有JPEG-LS、JPEG2000、SPIHT等，無(wú)論采取哪種算法，均采用分塊思想按照一定圖像幅寬大小作為輸入進(jìn)行圖像壓縮.對(duì)于固定寬幅圖像，一般按照?qǐng)D像行等分、塊最大的原則進(jìn)行輸入圖像的分塊(定義一塊大小為L(zhǎng)行、C列)處理，將分出的子塊圖像分別送給壓縮單元進(jìn)行壓縮處理.綜合前端載荷成像特點(diǎn)及后端圖像壓縮的分塊要求，線陣或面陣成像構(gòu)建星上一景圖像大小為

1)線陣成像，景圖像大小為N×K個(gè)圖像子塊，其中每個(gè)子塊大小為L(zhǎng)×C，k為線陣圖像行長(zhǎng)L0與子塊長(zhǎng)度L相除后的向上取整，對(duì)不足的子塊進(jìn)行固定數(shù)據(jù)填充處理；

2)面陣成像，景圖像大小為一幅面陣圖像，為了便于處理，將1個(gè)面陣分割為j個(gè)L×C的圖像子塊.

根據(jù)光學(xué)遙感衛(wèi)星線陣或面陣成像的特點(diǎn)，通過(guò)景圖及圖像壓縮塊的統(tǒng)一處理，構(gòu)建如圖2所示的線陣圖像景或面陣圖像景.

圖2 圖像景構(gòu)建Fig.2 Image scene construction

2.2 高性能實(shí)時(shí)云檢測(cè)

閾值分析法是利用云和地物的亮度差異選擇合適的閾值來(lái)實(shí)現(xiàn)分離，該方法算法簡(jiǎn)單，容易實(shí)現(xiàn)，無(wú)需較多硬件資源便可實(shí)現(xiàn)快速的云檢測(cè).但是固定閾值難以對(duì)下墊面中含有冰雪、高亮建筑物進(jìn)行有效區(qū)分.基于云的紋理及空間特性差異可以實(shí)現(xiàn)云地分割，包括灰度特征、頻率特征、紋理特征、輻射特性等[13-15]，通過(guò)合適的特征或特征組合來(lái)區(qū)分是否為云圖，由于遙感影像中云的種類(lèi)較多，所選的特征并不能全面準(zhǔn)確地描述云和下墊面的差異.

本文基于景圖分塊的思想來(lái)實(shí)現(xiàn)云檢測(cè)，對(duì)每個(gè)子塊的云邊緣紋理無(wú)需精確的識(shí)別，從而專(zhuān)注于當(dāng)前子塊區(qū)域紋理的特征提取，綜合利用閾值分析和空間紋理特征檢測(cè)相結(jié)合來(lái)進(jìn)行云圖的識(shí)別.考慮星上計(jì)算資源，選用灰度值、平均梯度、灰度共生矩陣等顯著性特征來(lái)構(gòu)建候選特征參量，其中灰度共生矩陣主要包括二階矩陣、對(duì)比度、相關(guān)度、熵、方差、逆差距等.但并不是所有的特征參量均有利于云圖與地物的分類(lèi)，因此選擇具有良好分類(lèi)效果的特征非常重要，為了加快云檢測(cè)效率，將上述的原始多維特征進(jìn)行壓縮，可獲得較低維度的特征空間，從而消除各特征參量間的冗余性[14]，有利于降低星載處理系統(tǒng)的計(jì)算和存儲(chǔ)資源消耗.

高性能在軌實(shí)時(shí)云檢測(cè)流程如圖3所示，星載實(shí)時(shí)云檢測(cè)處理分為景圖構(gòu)建、圖像分塊、閾值分析、特征計(jì)算、基于SVM分類(lèi)器云檢測(cè)共5部分，選取亮像素點(diǎn)比例、角二階矩、平均梯度等運(yùn)算量相對(duì)較少的特征來(lái)構(gòu)建多維特征SVM分類(lèi)器.其中閾值參數(shù)及SVM模型的權(quán)重均可支持上注，通過(guò)將閾值分析法及空間紋理特征分析法相結(jié)合，可對(duì)厚云實(shí)現(xiàn)良好的檢測(cè)性能.

圖3 在軌實(shí)時(shí)云檢測(cè)算法流程Fig.3 On orbit real-time cloud detection algorithm flow

針對(duì)非厚云景圖，可結(jié)合下文2.3節(jié)中圖像景中心的經(jīng)緯度、高程信息、季節(jié)信息來(lái)進(jìn)行輔助分類(lèi).星載載荷成像時(shí)，不僅包含原始圖像，還包括相關(guān)輔助數(shù)據(jù)；為確保圖像傳輸格式的完整性，同時(shí)與后端的壓縮兼容，將云檢測(cè)結(jié)果的標(biāo)識(shí)信息存放在每個(gè)子塊的圖像輔助數(shù)據(jù)中，用于指導(dǎo)后面的圖像壓縮.

2.3 圖像景中心點(diǎn)實(shí)時(shí)定位

遙感圖像幾何定位是根據(jù)圖像上識(shí)別的某個(gè)目標(biāo)點(diǎn)的影像坐標(biāo)，利用遙感圖像的幾何定位模型確定該點(diǎn)幾何位置的過(guò)程[16].傳感器幾何模型是進(jìn)行幾何處理的基礎(chǔ)，反映了地面點(diǎn)三維空間坐標(biāo)與相應(yīng)像點(diǎn)在像平面坐標(biāo)系中二維坐標(biāo)之間的數(shù)學(xué)關(guān)系.利用衛(wèi)星成像時(shí)刻GPS相位中心的軌道數(shù)據(jù)、星敏感器測(cè)得的姿態(tài)數(shù)據(jù)，以及GPS、星敏感器、傳感器之間的安裝關(guān)系來(lái)構(gòu)建嚴(yán)密幾何成像模型，可實(shí)現(xiàn)景圖像中心點(diǎn)的幾何定位.

共線方程作為衛(wèi)星影像幾何處理的基本模型，其本質(zhì)為相機(jī)投影中心、像點(diǎn)及對(duì)應(yīng)的物方點(diǎn)3點(diǎn)共線，即像方矢量與物方矢量共線，其中像方矢量以投影中心為起點(diǎn)、像點(diǎn)為終點(diǎn)；物方矢量以投影中心為起點(diǎn)、物方點(diǎn)為終點(diǎn)，如圖4所示.

圖4 影像矢量共線圖Fig.4 Image vector collinear graph

相比于CCD線陣數(shù)據(jù)，CMOS面陣數(shù)據(jù)單幀圖像曝光時(shí)間大幅度縮短[17]，其成像與定位解算模型相對(duì)簡(jiǎn)單，面陣中心點(diǎn)即為中心投影，下文重點(diǎn)對(duì)線陣圖像定位進(jìn)行闡述.光學(xué)衛(wèi)星傳感器以線陣推掃成像時(shí)，每一掃描行均滿(mǎn)足中心投影.在影像目標(biāo)點(diǎn)定位過(guò)程中，需要根據(jù)目標(biāo)點(diǎn)在條帶影像上的行號(hào)得到該影像行的推掃成像時(shí)刻.根據(jù)不同的衛(wèi)星設(shè)計(jì)，有些衛(wèi)星可獲得每一影像行的準(zhǔn)確成像時(shí)刻，有些衛(wèi)星則每間隔一定行數(shù)給出一組成像時(shí)刻及影像行積分時(shí)間，后者需要根據(jù)行號(hào)插值來(lái)計(jì)算出目標(biāo)點(diǎn)的所在行成像時(shí)刻.

衛(wèi)星在飛行過(guò)程中，每隔一定時(shí)間會(huì)獲取一組GPS數(shù)據(jù)，包括衛(wèi)星在該時(shí)刻下位于WGS84坐標(biāo)系下的位置和運(yùn)動(dòng)速度矢量.由于GPS數(shù)據(jù)的獲取時(shí)刻與衛(wèi)星各影像行的成像時(shí)刻并不一致，故需根據(jù)目標(biāo)點(diǎn)的成像時(shí)刻對(duì)GPS數(shù)據(jù)進(jìn)行內(nèi)插計(jì)算：首先對(duì)一定間隔的一組GPS數(shù)據(jù)進(jìn)行多項(xiàng)式擬合，得到衛(wèi)星運(yùn)行軌道的局部曲線，再代入目標(biāo)點(diǎn)的成像時(shí)刻，內(nèi)插出該時(shí)刻下的衛(wèi)星位置及速度矢量.

衛(wèi)星的姿態(tài)數(shù)據(jù)與GPS軌道數(shù)據(jù)類(lèi)似，衛(wèi)星在成像過(guò)程中每隔一定時(shí)間獲取一組在空間固定慣性坐標(biāo)系下的衛(wèi)星姿態(tài)數(shù)據(jù).由于衛(wèi)星姿態(tài)數(shù)據(jù)的獲取時(shí)刻與各影像行的成像時(shí)刻也不一致，故處理方法亦同GPS數(shù)據(jù)，需對(duì)一組姿態(tài)數(shù)據(jù)進(jìn)行擬合，由目標(biāo)點(diǎn)的成像時(shí)刻內(nèi)插得到該時(shí)刻下的衛(wèi)星姿態(tài).

由目標(biāo)點(diǎn)在條帶影像上的行號(hào)、列號(hào)、相應(yīng)成像時(shí)刻、GPS位置、速度矢量及衛(wèi)星姿態(tài)，即可根據(jù)衛(wèi)星幾何成像原理進(jìn)行坐標(biāo)變換，組成衛(wèi)星、影像上目標(biāo)點(diǎn)、相應(yīng)地面目標(biāo)點(diǎn)3點(diǎn)共線的光束方程，與地球橢球面方程相交即可得到目標(biāo)點(diǎn)的地面坐標(biāo).

由于星敏感器數(shù)據(jù)觀測(cè)的周期性間隔和傳輸延遲，姿態(tài)數(shù)據(jù)與實(shí)際成像數(shù)據(jù)有一定的時(shí)間差.一般姿態(tài)數(shù)據(jù)的獲取時(shí)間要早于影像的成像時(shí)間，要對(duì)景圖像中心點(diǎn)進(jìn)行實(shí)時(shí)定位，需根據(jù)衛(wèi)星成像時(shí)間和先前的衛(wèi)星姿態(tài)數(shù)據(jù)，采用拉格朗日內(nèi)插方法得到衛(wèi)星實(shí)際成像時(shí)刻的姿態(tài)數(shù)據(jù)，即對(duì)衛(wèi)星姿態(tài)數(shù)據(jù)進(jìn)行一定時(shí)間間隔的外推.無(wú)論是線陣景圖像還是面陣景圖像，每次定位均為固定的景中心點(diǎn)，其像點(diǎn)固定，充分利用后半景圖像的傳輸和處理時(shí)間差來(lái)進(jìn)行解算處理，可以實(shí)現(xiàn)景圖中心點(diǎn)的實(shí)時(shí)定位.

目前衛(wèi)星平臺(tái)均具備較高的姿態(tài)指向精度和姿態(tài)穩(wěn)定度[18-20]，采用上述定軌定姿技術(shù)所測(cè)定的外方位線元素總體精度非常高，僅帶有少量系統(tǒng)誤差，對(duì)影像定位精度影響較小.結(jié)合地面內(nèi)外定標(biāo)系統(tǒng)對(duì)星上成像模型參數(shù)進(jìn)行修正及優(yōu)化，可以實(shí)現(xiàn)星上高精度實(shí)時(shí)定位[21].

2.4 圖像壓縮策略

2.4.1 壓縮算法

在衛(wèi)星遙感圖像壓縮編碼算法研究方面，壓縮算法已經(jīng)從原有的DPCM和DCT方法發(fā)展到基于小波變換的方法.由于小波變換具備良好的時(shí)頻域局部化分析性能，壓縮性能好，已經(jīng)逐步取代了DPCM和DCT.目前基于JPEG2000的圖像壓縮算法仍是國(guó)際上公認(rèn)的先進(jìn)標(biāo)準(zhǔn)算法，它在所有位率下都具有出眾的性能，同時(shí)支持無(wú)損和有損壓縮，支持漸進(jìn)傳輸功能可以實(shí)現(xiàn)壓縮一次多次解碼，支持碼流隨即訪問(wèn)和處理等.而JPEG-LS算法適用于靜態(tài)連續(xù)色調(diào)圖像進(jìn)行無(wú)損或近無(wú)損壓縮[22]，憑借優(yōu)秀的壓縮性能和較小的硬件實(shí)現(xiàn)復(fù)雜度，JPEG-LS在無(wú)損或者4∶1下的低壓縮比壓縮時(shí)進(jìn)行了廣泛的應(yīng)用.綜合考慮壓縮算法的壓縮性能及算法復(fù)雜度，本文采用JPEG2000及JPEG-LS來(lái)進(jìn)行算法性能的評(píng)估.

2.4.2 云檢測(cè)指導(dǎo)壓縮

在實(shí)際遙感圖像中，云區(qū)域是不規(guī)則的，對(duì)于非規(guī)則圖像的壓縮，需要耗費(fèi)較大的資源代價(jià)，針對(duì)海量遙感圖像，難以實(shí)現(xiàn)非規(guī)則圖像的實(shí)時(shí)壓縮.本文采取對(duì)遙感圖像進(jìn)行按景劃分，先對(duì)每個(gè)子塊進(jìn)行獨(dú)立的云檢測(cè)，然后統(tǒng)計(jì)每景圖像中的含云量占比，含云量占比P=(有云子塊數(shù)量/景內(nèi)總塊數(shù))*100%，當(dāng)該景圖像中的含云量占比超過(guò)一定的閾值(比如60%，該閾值可以調(diào)整)，于是便判定該景圖像為厚云圖，將其進(jìn)行云剔除處理.景圖云檢測(cè)剔除流程參見(jiàn)圖5所示，對(duì)含云量低的景圖暫不做處理，將含云量高的景進(jìn)行云剔除處理.

圖5 景圖云檢測(cè)剔除流程Fig.5 Scene cloud detection and elimination process

由于圖像壓縮算法均以矩形圖像作為輸入，當(dāng)某景圖像中含云量較高時(shí)，直接將該景圖像全部視為云圖；為保證圖像的空間特性不變，將整幅景圖進(jìn)行固定單色填充.由于一景圖像為連續(xù)多個(gè)滿(mǎn)足壓縮輸入的矩形子塊，于是在每個(gè)壓縮子塊內(nèi)，不會(huì)出現(xiàn)無(wú)效區(qū)域與有效區(qū)域的強(qiáng)邊緣，從而可以獲得更好的編碼效果.基于真實(shí)遙感衛(wèi)星圖像的云檢測(cè)效果圖如圖6所示，子塊中“1”代表有云，“0”代表無(wú)云.

圖6 不同含云量的景圖Fig.6 Image scene with different cloud content

2.4.3 景定位指導(dǎo)壓縮

遙感云圖按照重要性不同程度劃分，不僅包含重要的感興趣區(qū)域，還包含大量關(guān)注度低的地物區(qū)域.本文主要考慮海量遙感圖像數(shù)據(jù)云檢測(cè)的實(shí)時(shí)性，故所選用的云檢測(cè)算法對(duì)冰雪及高亮地物會(huì)存在一定的虛警.由于冰雪地區(qū)一般存在高緯地區(qū)及高海拔地區(qū)，通過(guò)星上預(yù)置的感興趣區(qū)域經(jīng)緯度及高程信息，可以進(jìn)一步將虛警的冰雪進(jìn)行有效剔除.本文按景進(jìn)行圖像分塊劃分及按不同含云量閾值來(lái)判決，根據(jù)每景圖像中相應(yīng)子塊的云檢測(cè)結(jié)果進(jìn)行景內(nèi)子塊云占比統(tǒng)計(jì)，即便對(duì)景圖像內(nèi)個(gè)別高亮地物子塊圖像存在誤判，也不影響當(dāng)前景圖像是否為云圖的判讀結(jié)果.

按照?qǐng)D1所示，將景圖像中心點(diǎn)的定位信息與云檢測(cè)結(jié)果相結(jié)合，對(duì)感興趣區(qū)域的厚云景圖，不進(jìn)行云填充剔除處理；對(duì)于薄云區(qū)域，若為非感興趣區(qū)域，同樣進(jìn)行景圖像填充剔除處理.

3 性能評(píng)估

3.1 云檢測(cè)性能測(cè)試

針對(duì)20～40 Gbps的相機(jī)載荷速率，采用閾值分析、特征計(jì)算、SVM判別和亮度特性聯(lián)合判決進(jìn)行云檢測(cè)，該方法對(duì)厚云具有良好的檢測(cè)性能，并且所消耗的硬件資源較少，可以做到實(shí)時(shí)處理.基于真實(shí)遙感衛(wèi)星圖像的云檢測(cè)效果圖如圖7所示，景圖像子塊中“1”標(biāo)識(shí)代表有云，“0”標(biāo)識(shí)代表無(wú)云；采用典型的檢測(cè)閾值，其檢測(cè)性能表現(xiàn)良好.若結(jié)合相機(jī)成像特性對(duì)閾值及SVM模型的權(quán)重進(jìn)行動(dòng)態(tài)調(diào)整，可實(shí)現(xiàn)更好的云檢測(cè)效果.

圖7 景圖像的子塊云檢測(cè)結(jié)果Fig.7 Sub-block cloud detection results of scene image

3.2 定位性能測(cè)試

實(shí)驗(yàn)采用我國(guó)東北地區(qū)(東北實(shí)驗(yàn)場(chǎng))高分衛(wèi)星原始影像數(shù)據(jù)，衛(wèi)星本體的軌道及其姿態(tài)情況如圖8所示.從圖中可知，衛(wèi)星軌道和姿態(tài)變化平穩(wěn)，其平差過(guò)程可以采用位置姿態(tài)常量加一階或者二階參數(shù)模型進(jìn)行模擬.利用檢查點(diǎn)對(duì)平面和高程誤差進(jìn)行分析，影像平面定位誤差在200 m以?xún)?nèi)，高程誤差在100 m以?xún)?nèi)，如圖9所示.對(duì)于一幅景圖像，其圖像幅寬遠(yuǎn)大于200 m，即便按照最大定位誤差考慮，其定位的景中心點(diǎn)坐標(biāo)位置信息也均落在景圖像中，其定位精度滿(mǎn)足使用要求.

圖8 衛(wèi)星軌道和姿態(tài)數(shù)據(jù)變化示意圖Fig.8 Schematic diagram of satellite orbit and attitude data changes

圖9 平面和高程坐標(biāo)誤差柱狀圖Fig.9 Histogram of plane and elevation coordinate errors

3.3 云填充壓縮性能測(cè)試

為了測(cè)試不同地物類(lèi)型對(duì)于遙感影像壓縮碼流大小的影響，選取2張含云量為0%且地物類(lèi)型差異較大的全色遙感影像，如圖10所示，可以看出圖10(a)的地物類(lèi)型為分塊農(nóng)田，紋理較為簡(jiǎn)單，圖10(b)的地物類(lèi)型為居民區(qū)和建筑物，紋理較為復(fù)雜.同時(shí)為了對(duì)比遙感影像在不同含云量時(shí)壓縮碼流的大小差異，分別選取含云量為45%、60%、90%的全色遙感影像，如圖10(c)～(e)所示.為了測(cè)試不同壓縮算法對(duì)云填充后的景圖壓縮性能，人工構(gòu)造純白圖像作為云填充后的景圖，見(jiàn)圖10(f)所示.測(cè)試景圖由64個(gè)子塊組成，每個(gè)子塊大小為512行×512列，圖像的量化位寬為12 bit.

圖10 不同含云量的測(cè)試用例圖像Fig.10 Test case images with different cloud content

基于圖10所示的測(cè)試用例，為了確保圖像質(zhì)量，壓縮比按照標(biāo)稱(chēng)無(wú)損、2∶1、4∶1進(jìn)行設(shè)置，分別采用JPEG2000和JPEG-LS 2種算法進(jìn)行壓縮性能測(cè)試.為了分析不同壓縮比下的圖像質(zhì)量，增加JPEG2000的 8∶1作為參照，同時(shí)對(duì)每種算法在不同標(biāo)稱(chēng)壓縮比下的PSNR進(jìn)行計(jì)算，并對(duì)實(shí)際壓縮倍數(shù)進(jìn)行統(tǒng)計(jì).其壓縮性能分別見(jiàn)表1和表2所示，分析含云量0%、45%、60%、90%、云剔除填充5種景圖的壓縮碼流特性可知：

1)基于同一壓縮算法，在相同標(biāo)稱(chēng)壓縮比下，圖像含云量越高，壓縮后碼流越小，并隨著含云量增加其壓縮后數(shù)據(jù)量降低越明顯；

2)在景圖云占比大于典型閾值(按60%考慮)時(shí)，圖像所包含的地物基本被云層遮擋，可用信息較少，含云量越高，無(wú)效圖像數(shù)據(jù)越多；

3)實(shí)際遙測(cè)圖像中，即便是云占比高達(dá)90%，在不進(jìn)行云填充剔除時(shí)，2種壓縮算法雖然均可降低壓縮后數(shù)據(jù)量，但是效果不明顯；

4)對(duì)景圖采用云填充剔除后，在2種壓縮算法下，均可顯著降低景圖像壓縮后的碼流數(shù)據(jù)量，實(shí)際壓縮倍數(shù)明顯增大，對(duì)于JPEG2000算法，效果更加明顯；

5)采用高倍壓縮比時(shí)，JPEG2000算法的圖像質(zhì)量更佳；在云填充壓縮且壓縮質(zhì)量固定時(shí)，JPEG2000的實(shí)際壓縮倍數(shù)可以得到極大的提高，顯著降低了景圖像壓縮后的碼流數(shù)據(jù)量.

通過(guò)表1～2可以看出，采用標(biāo)稱(chēng)壓縮比并按控制圖像質(zhì)量進(jìn)行壓縮時(shí)，采用JPEG2000壓縮算法，在按景云填充，其壓縮后的碼流數(shù)據(jù)量約為原始圖像的1/20000；采用JPEG-LS壓縮算法，在按景云填充壓縮后，其壓縮后的碼流數(shù)據(jù)量約為原始圖像的1/400.采用2種常用的星載圖像壓縮算法，均極大降低了壓縮后的數(shù)據(jù)量，減小了存儲(chǔ)容量資源，減輕了數(shù)傳帶寬的壓力.

表1 JPEG2000算法在不同含云量下的壓縮性能Tab.1 Compression performance of the JPEG2000 algorithm under different cloud content

表2 JPEG-LS算法在不同含云量下壓縮性能Tab.2 Compression performance of the JPEG-LS algorithm under different cloud content

4 結(jié)束語(yǔ)

本文針對(duì)星載海量遙感圖像的存儲(chǔ)資源及數(shù)傳下傳帶寬不足，兼顧云檢測(cè)及圖像壓縮的矩形子塊需求，構(gòu)建由多個(gè)子塊組成的景圖像，對(duì)圖像子塊進(jìn)行實(shí)時(shí)云檢測(cè)處理并統(tǒng)計(jì)景內(nèi)云占比，同時(shí)基于原始影像數(shù)據(jù)及衛(wèi)星姿態(tài)及軌道數(shù)據(jù)，對(duì)景圖像中心點(diǎn)實(shí)時(shí)定位，并將景圖像定位結(jié)果與星上預(yù)置的感興趣區(qū)域模板庫(kù)進(jìn)行匹配.本文綜合利用在軌實(shí)時(shí)云檢測(cè)及景中心點(diǎn)定位信息，研究了一種云檢測(cè)及景圖重要度指導(dǎo)圖像壓縮的方法，該方法對(duì)厚云及非感興趣區(qū)域的薄云景圖采用云剔除填充處理，并對(duì)云剔除填充后的景圖采用目前常用的2種星載圖像壓縮算法進(jìn)行了性能測(cè)試.采用本文所研究的智能壓縮方法，可有效減小星載存儲(chǔ)容量資源，緩解海量遙感圖像呈指數(shù)增長(zhǎng)的數(shù)據(jù)量與有限通道帶寬之間的矛盾，提高遙感光學(xué)衛(wèi)星的應(yīng)用效能，可為未來(lái)遙感圖像在軌處理提供一定的方法參考及技術(shù)支撐.