一種實時可見光遙感影像云區(qū)檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像數(shù)據(jù)處理方法，具體涉及一種實時可見光遙感影像云區(qū)檢測方 法。
【背景技術(shù)】
[0002] 云區(qū)檢測是可見光遙感影像壓縮、傳輸及處理的首要任務(wù)和關(guān)鍵技術(shù)之一。長期 以來，可見光遙感影像以其高分辨率、高清晰度等優(yōu)點被廣泛應(yīng)用。然而可見光影像的一 個明顯弱點是：云層遮擋明顯降低了地面目標(biāo)信息的可觀測性，某些厚云遮擋圖像甚至無 法使用。實時的厚云覆蓋區(qū)域檢測對于提高遙感影像壓縮效率、節(jié)約數(shù)據(jù)傳輸帶寬及提高 處理效率等方面都能發(fā)揮積極作用。從數(shù)據(jù)處理流程來看，云檢測算法處于最前端的星 上處理模塊，所以云檢測算法的實時性要求較高。云的物理特性和圖像特性的復(fù)雜性使 得云檢測是一個難點問題。目前存在的云檢測算法主要包括：基于光譜統(tǒng)計閾值分割法 ([1]Saunder R ff, Kriebel K T. An improved method for detecting clear sky cloudy radiances from AVHRR data. International Journal of Remote Sensing,1988,ISSN 0143-1161，9:123-150 ; [2]Dybbroe，Adam ;Karlsson， Karl_G6ran； Thoss Anke. NWCSAF AVHRR Cloud Detection and Analysis Using Dynamic Thresholds and Radiative Transfer Modeling. Part I:Algorithm Description. Journal of Applied Meteorology，2005, ISSN 0894-8763, 44(1) :39-54.)和基于特征提取的模式分類法（[1] 單娜，鄭天垚，王貞松.快速高準(zhǔn)確度云檢測算法及其應(yīng)用.遙感學(xué)報，2009, ISSN 1007-4619, 13 (6) =1147-1155. [2]郁文霞，曹曉光，徐琳.遙感圖像云自動檢測.儀器儀 表學(xué)報，2006, ISSN 0254-3087, 27(6) =2184-2186.)。光譜閾值法利用的是云的高反射率和 低溫特性，算法復(fù)雜度低，然而，該類方法很難將烏云、薄卷云、層云、小積云與地面區(qū)分開 來?；谔卣魈崛〉哪Ｊ椒诸惙ǖ年P(guān)鍵環(huán)節(jié)為特征提取模塊。從已有的工作來看，可以勝 任云區(qū)分類任務(wù)的特征主要包括：基于灰度共生矩陣的紋理特征和基于Gabor濾波器的紋 理特征。然而，這些紋理特征的計算復(fù)雜度較高，不滿足實時云區(qū)檢測的要求?？紤]到單方 向高斯濾波器可以較好的提取圖像紋理特征的同時，又可以通過行、列拆分來簡化二維卷 積運算，因此本發(fā)明選用高斯濾波器來提取紋理特征。

【發(fā)明內(nèi)容】
：
[0003] 本發(fā)明提出了一種新的實時可見光遙感影像云區(qū)檢測方法，用于實時檢測遙感影 像的厚云覆蓋區(qū)域，對于提高遙感影像壓縮效率、節(jié)約數(shù)據(jù)傳輸帶寬及提高處理效率等方 面都能發(fā)揮積極作用。該方法首先將原始輸入影像進(jìn)行分塊，然后快速提取各個子塊的特 征，最后通過對各個子塊特征的二分類完成云區(qū)檢測。
[0004] 本發(fā)明提出一種實時可見光遙感影像云區(qū)檢測方法，其特征在于，其包括訓(xùn)練和 測試兩個階段：
[0005] 訓(xùn)練階段：包括如下步驟：
[0006] (1)建立視覺詞典和降維系數(shù)步驟，包括如下子步驟：
[0007] (1. 1)構(gòu)建訓(xùn)練樣本集：用N個云區(qū)圖像塊和N個非云區(qū)圖像塊構(gòu)成訓(xùn)練樣本集 A，其中，各個云區(qū)圖像塊和非云區(qū)圖像塊分別均包含GXG個像素，其中N為2000-8000, G 為 32-128 ;
[0008] (1. 2)對訓(xùn)練樣本集A中的各圖像塊進(jìn)行白化處理，得到訓(xùn)練樣本集B ;
[0009] (1. 3)單方向各向異性高斯濾波：將訓(xùn)練樣本集B的各圖像塊送入L維濾波器組 進(jìn)行卷積運算，得到2N個GXGXL維的濾波響應(yīng)結(jié)果C ;所述L維濾波器組為采用主軸為 0°方向的L個各向異性高斯濾波器并聯(lián)組成，L為6-12 ;
[0010] (1. 4)K-means聚類：對訓(xùn)練樣本集B中所有2N個樣本的GXGXL維的濾波響應(yīng) 結(jié)果C進(jìn)行K-means聚類，共獲得K個聚類；將聚類中心作為視覺單詞，得到由K個視覺單 詞組成的視覺詞典DL，其維數(shù)為KX L ;K為聚類中心數(shù)量，是通過實驗性能分析得出的經(jīng)驗 取值，一般取256-2048 ;所述視覺單詞指L維空間的一個點；
[0011] (1. 5)視覺詞典降維：將視覺詞典DL e RK>a作為訓(xùn)練樣本，采用主成分分析法進(jìn) 行視覺詞典的降維操作，得到變換矩陣T e Rlxd;計算DL和T的內(nèi)積DD = DL *T，得到降維 后KXd維視覺詞典DD e RKXd;其中d是主成分，通過實驗結(jié)果分析得到，一般取1-L ;R指 實數(shù)域，RKX^ KXL實數(shù)矩陣，R KX<^ KX d實數(shù)矩陣，R ^是LX d實數(shù)矩陣；降維后的視 覺單詞是d維空間的一個點；
[0012] (2)建立分類器模型步驟，包括如下子步驟：
[0013] (2. 1)對濾波響應(yīng)結(jié)果C降維：利用子步驟（1. 5)產(chǎn)生的變換矩陣T，計算C和T 的內(nèi)積E = C ? T，得到d維濾波響應(yīng)結(jié)果E ;
[0014] (2. 2)直方圖特征生成：對d維濾波響應(yīng)結(jié)果E中的每一個點都與d維視覺詞典 DD中的K個視覺單詞逐一計算歐氏距離：
[0016] 其中，Distance表示歐氏距離，Xi表示d維濾波響應(yīng)結(jié)果E中的點的第i維坐標(biāo)， yi表示d維視覺詞典DD中的某個視覺單詞的第i維坐標(biāo)；將距離最小的視覺單詞作為d維 濾波響應(yīng)結(jié)果E的特征值，統(tǒng)計每個視覺單詞出現(xiàn)頻率，即該視覺單詞的直方圖特征：
[0018] 其中，his、表示第j個視覺單詞的直方圖特征，N」表示第j個視覺單詞出現(xiàn)的頻 數(shù)，GXG表示一個圖像塊中像素點的個數(shù)；j = 1，2,…，k ;
[0019] (2. 3)建立分類器模型：將所述的直方圖特征，送入線性支撐向量機訓(xùn)練，計算出 K維直方圖特征的分類超平面w e RK和偏移常數(shù)b e R，RK是K維實數(shù)向量；
[0020] 測試階段：包括如下步驟：
[0021] (1)測試影像劃分：將測試影像劃分為互不重疊的圖像塊，每個圖像塊大小為 GXG ；
[0022] (2)對測試影像的各圖像塊進(jìn)行白化處理；
[0023] (3)單方向各向異性高斯濾波：將白化處理后的各圖像塊送入所述L維濾波器組 進(jìn)行卷積運算，得到GXGXL維的濾波響應(yīng)結(jié)果F ;
[0024] (4)濾波響應(yīng)結(jié)果降維：利用所述變換矩陣T對濾波響應(yīng)結(jié)果F進(jìn)行L維到d維 的降維操作，計算F和T的內(nèi)積G = F ? T，得到d維濾波響應(yīng)結(jié)果G ;
[0025] (5)視覺詞典查詢和直方圖特征生成：對d維濾波響應(yīng)結(jié)果G中每一個點都與d維 視覺詞典DD中的K個視覺單詞逐一計算歐氏距離，將距離最小的視覺單詞作為d維濾波響 應(yīng)結(jié)果G的特征值，統(tǒng)計每個視覺單詞出現(xiàn)頻率，得到K維圖像子塊的視覺單詞直方圖特征 f ;
[0026] (6)特征二分類實現(xiàn)云區(qū)檢測：計算wTf+b，判別是否wTf+b多0,是則判定圖像塊 為云區(qū)，否則該圖像塊為非云區(qū)。
[0027] 所述單方向各向異性高斯濾波，區(qū)別于常規(guī)濾波器組都會考慮濾波器的多方向 性，這里針對云區(qū)無方向性的特點，只采用單方向各向異性高斯濾波器組來實施濾波操作。 充分利用這一特點，構(gòu)造出來的濾波器組中濾波器數(shù)量可以成倍數(shù)減少，提高了濾波效率。 考慮到窗口大小與濾波尺度〇成5倍關(guān)系，所以，濾波窗口一般較大，直接進(jìn)行二維卷積計 算量仍然過大的問題。根據(jù)二維各向異性高斯濾波器的定義公式，當(dāng)主軸方向為〇°時，二 維高斯濾波器的行列是不相關(guān)的。因此，具體的濾波操作是通過行、列拆分的無限沖激響應(yīng) 數(shù)字濾波器來實現(xiàn)，并且無限沖激響應(yīng)數(shù)字濾波器的濾波復(fù)雜度是固定的與濾波窗口大小 無關(guān)。假如濾波器組中濾波器的數(shù)量為L，那么每個像素位置與濾波器組卷積都可以產(chǎn)生 一個L維的濾波響應(yīng)。一般來說，濾波器組中濾波器數(shù)量越多，也即L取值越大，會一定程 度上提高分類精度，但會加大濾波運算的復(fù)雜度。由于該算法面向星上的實時應(yīng)用環(huán)境，為 了提高算法的運行效率，在達(dá)到設(shè)定分類精度的前提下，盡可能減少濾波器數(shù)量，也即L取 一個較小的值。經(jīng)過濾波器組的濾波操作，GXG的圖像子塊的濾波響應(yīng)結(jié)果變?yōu)橛蒅XG 個L維的濾波響應(yīng)結(jié)果組成的立方體濾波響應(yīng)結(jié)果，其維數(shù)為GXGXL。由說明書附圖中圖 2(b)與圖2(c)、圖3(b)與圖3(c)的檢測結(jié)果可說明單方向高斯濾波器組的可行性。
[0028] 所述K-means聚類步驟，是對訓(xùn)練樣本集中所有