LandsatTM遥感影像数据除云方法及系统与流程
本发明涉及一种landsattm遥感影像数据除云方法及系统。
背景技术：
云遮蔽是遥感数据处理过程中很常见的一种现象，尤其在利用遥感数据进行土地覆被监测、更新时，由于云层的遮挡，严重影响数据利用的效率。另一方面，云雾是华南地区大气中最多、最不稳定的目标，从国家卫星气象中心处检索处可知，由于云雾的影响，获取的我国南方区域noaa/avhrr遥感数据平均有效率不足7％，在传感器获取数据的任意时刻都可能遇到云雾遮挡的情况，因为云的存在，在利用卫星遥感图像进行绘图等应用时需要消耗相关工作者大量的精力去除云。
由于气候的原因，很难获取完全无云的遥感影像，大部分遥感影像在获取时会或多或少地受到云的影响，这给利用遥感影像进行变化监测、土地覆被分类等研究工作带来巨大的麻烦，因此除云也成为了众多landsattm应用工作者面临的一大问题。
在众多的除云技术中，如果数据存在大范围的薄云，则采用同态滤波法较好，这是因为同态滤波法把频率过滤与灰度变化结合起来，分离云与背景地物，最终从影像中去除云的影响，但是这种方法由于涉及到滤波器以及截至频率的选择，在滤波的过程中有时会丢失一些有用信息，而且针对landsattm这种计算量大的遥感数据，操作起来很不方便，并且对于有厚云的影像是不可以用这种方法的。当处理的数据中存在大片厚云时，常规的手段是采用时间平均法，但是这种算法仅适用于地物特征随时间变化较小的地域，针对landsattm这种中时间分辨率的遥感影像往往不能用这种简单的替代算法。
综上所述，在有限光谱分辨率的情况下，云覆盖噪声很难用多光谱的方法进行去除，对于时间分辨率低的遥感平台来说，除云是造成遥感数据利用率低的重要因素之一，并且严重影响遥感数据的后续使用，比如图像识别、变化监测、监督分类等等应用问题。
技术实现要素：
有鉴于此，有必要提供一种landsattm遥感影像数据除云方法及系统。
本发明提供一种landsattm遥感影像数据除云方法，该方法包括如下步骤：a.输入landsattm遥感影像数据；b.采用基于面向对象的方法，对上述landsattm遥感影像数据进行多尺度分割；c.对上述多尺度分割后的landsattm遥感影像数据，根据厚云的光谱特点，建立运算特征“thickc”；d.利用阈值分类法，将满足阈值条件的运算特征“thickc”的对象由“unclassified”分类至“thickcloud”；e.对上述多尺度分割后的landsattm遥感影像数据，根据薄云的光谱特点和分布特点，建立关系特征“thinc”；f.在剩余的“unclassified”对象中，利用双阈值分类法将满足条件的对象“unclassified”分类至“thincloud”；g.将上述分类至“thickcloud”和“thincloud”的对象统一分类至“cloud”，完成数据除云。
其中，所述landsattm遥感影像数据包括7个谱段：b1蓝绿谱段、b2绿谱段、b3红谱段、b4近红外谱段、b5近短波红外谱段、b6热红外谱段、b7近短波红外谱段。
所述的步骤b具体包括：根据输入的landsattm遥感影像数据，建立影像对象层；选择参与多尺度分割计算的各个波段数据的权重；设置多尺度分割的尺度参数；设置多尺度分割的形状参数；设置多尺度分割的紧致度参数；在影像对象层上计算多尺度分割的结果，将分割后产生的对象赋类为“unclassified”。
所述的步骤c具体包括：对于每一个对象ω＝{p1,p2,p3,…,pn}，p为该对象所包含的像元，n为该对象所包含的像元数量，其运算特征“thickc”的具体计算公式如下：
n表示该对象所包含的像元数量；
所述的步骤e具体包括：“thinc”表示若以一个对象为中心对象，则边缘距离这个中心对象边缘的最短距离不超过d个像元的其它对象将作为计算该中心对象关系特征“thinc”值的元素，其描述如下：
其中，d表示预设距离值；d(ωi,ωj)表示对象ωi与对象ωj之间的距离；
根据运算特征及其统计算法计算关系特征“thinc”：
本发明提供一种landsattm遥感影像数据除云系统，该系统包括该系统包括输入模块、分割模块、运算特征建立模块、分类模块、关系特征建立模块，其中：所述输入模块用于输入landsattm遥感影像数据；所述分割模块用于采用基于面向对象的方法，对上述landsattm遥感影像数据进行多尺度分割；所述运算特征建立模块用于对上述多尺度分割后的landsattm遥感影像数据，根据厚云的光谱特点，建立运算特征“thickc”；所述分类模块用于利用阈值分类法，将满足阈值条件的运算特征“thickc”的对象由“unclassified”分类至“thickcloud”；所述关系特征建立模块用于对上述多尺度分割后的landsattm遥感影像数据，根据薄云的光谱特点和分布特点，建立关系特征“thinc”；所述分类模块还用于在剩余的“unclassified”对象中，利用双阈值分类法将满足条件的对象“unclassified”分类至“thincloud”；所述分类模块还用于将上述分类至“thickcloud”和“thincloud”的对象统一分类至“cloud”，完成数据除云。
其中，所述的landsattm遥感影像数据包括7个谱段：b1蓝绿谱段、b2绿谱段、b3红谱段、b4近红外谱段、b5近短波红外谱段、b6热红外谱段、b7近短波红外谱段。
所述的分割模块具体用于：根据输入的landsattm遥感影像数据，建立影像对象层；选择参与多尺度分割计算的各个波段数据的权重；设置多尺度分割的尺度参数；设置多尺度分割的形状参数；设置多尺度分割的紧致度参数；在影像对象层上计算多尺度分割的结果，将分割后产生的对象赋类为“unclassified”。
所述的运算特征建立模块具体用于：
对于每一个对象ω＝{p1,p2,p3,…,pn}，p为该对象所包含的像元，n为该对象所包含的像元数量，其运算特征“thickc”的具体计算公式如下：
其中，
其中，thickc表示该对象的运算特征“thickc”的数值；n表示该对象所包含的像元数量；
对影像对象层中的每一个对象{ω1,ω2,ω3,…,ωn}都分别计算运算特征“thickc”。
所述的关系特征建立模块具体用于：
“thinc”表示若以一个对象为中心对象，则边缘距离这个中心对象边缘的最短距离不超过d个像元的其它对象将作为计算该中心对象关系特征“thinc”值的元素，其描述如下：
其中，d表示预设距离值；d(ωi,ωj)表示对象ωi与对象ωj之间的距离；
根据运算特征及其统计算法计算关系特征“thinc”：
其中，thinc表示该对象的关系特征值；thickc表示参与计算关系特征“thinc”的对象的运算特征“thickc”值；n表示参与计算关系特征“thinc”的对象的数量。
本发明将厚云识别技术和薄云识别技术按照其自然分布规律有效地结合到了一起，针对时间分辨率较低，难以采用时间平均法的landsattm数据来说，本发明原理十分简单，对数据的质量要求较低，运算参数很少，计算效率较高，鲁棒性强，得到的云识别结果较为可靠，可以有效地减少或去除云的影响，为分类工作者减轻了分类难度，减少了错分、漏分类别量，提高了分类效率和精度。
附图说明
图1为本发明landsattm遥感影像数据除云方法的流程图；
图2为本发明landsattm遥感影像数据除云系统的硬件架构图。
具体实施方式
下面结合附图及具体实施例对本发明作进一步详细的说明。
参阅图1所示，是本发明landsattm遥感影像数据除云方法较佳实施例的作业流程图。
步骤s1，输入landsattm遥感影像数据。其中：
所述landsattm遥感影像数据包括7个谱段，分别为：3个可见光谱段、1个近红外谱段、2个近短波红外谱段、1个热红外谱段，所述3个可见光谱段包括：蓝绿谱段、绿谱段、红谱段；并将所述7个谱段依次命名为：b1(蓝绿谱段)、b2(绿谱段)、b3(红谱段)、b4(近红外谱段)、b5(近短波红外谱段)、b6(热红外谱段)、b7(近短波红外谱段)。
步骤s2，采用基于面向对象的方法，对上述landsattm遥感影像数据进行多尺度分割。具体而言：
参与多尺度分割的波段包括b1、b2、b3、b4、b5、b7，在本实施例中，分割尺度设置为50，形状因子和紧致度因子根据用户需求自行调整，将分割后产生的对象赋类为“unclassified”。
进一步地，多尺度分割的流程如下所示：
(1)根据输入的landsattm遥感影像数据，建立影像对象层；
(2)选择参与多尺度分割计算的各个波段数据的权重，此处参与分割的波段包括b1、b2、b3、b4、b5、b7，在本实施例中将权重均设置为1，也可以根据用户需求更改；
(3)设置多尺度分割的尺度参数，在本实施例中根据landsattm遥感影像数据的分类特点设置为50，也可以根据用户需求更改；
(4)设置多尺度分割的形状参数，在本实施例中根据landsattm遥感影像数据的分类特点设置为0.1，也可以根据用户需求更改；
(5)设置多尺度分割的紧致度参数，在本实施例中根据landsattm遥感影像数据的分类特点设置为0.3，也可以根据用户需求更改；
(6)在影像对象层上计算多尺度分割的结果，将分割后产生的对象赋类为“unclassified”。
步骤s3，对上述多尺度分割后的landsattm遥感影像数据，根据厚云(thickcloud)的光谱特点，建立运算特征“thickc”。也即：
根据所述landsattm遥感影像数据中厚云的光谱特点，即厚云在波段b2、b4、b7上具有较高的亮度值，并且往往比其它地类都要高很多，为了拉伸这种差异，本实施例构建一种新的运算特征“thickc”自动区分较厚的云与其它地物。具体包括：
(1)对于每一个对象ω＝{p1,p2,p3,…,pn}，p为该对象所包含的像元，n为该对象所包含的像元数量，其运算特征“thickc”的具体计算公式如下：
其中，
其中，thickc表示该对象的运算特征“thickc”的数值；n表示该对象所包含的像元数量；
(2)对影像对象层中的每一个对象{ω1,ω2,ω3,…,ωn}都分别计算运算特征“thickc”。
步骤s4，利用阈值分类法，将满足阈值条件的运算特征“thickc”的对象由“unclassified”分类至“thickcloud”。也即：
利用阈值分类法将满足一定运算特征“thickc”阈值k的对象由“unclassified”分类至“thickcloud”，具体公式如下：
其中，k为由用户参考影像质量等因素设定的阈值；unclassified(thickc)表示分类属性是unclassified的所有对象的thickc值集合；{thickc∣thickc≥k}表示满足thickc≥k条件的所有对象的集合；thickcloud(thickc)表示分类属性是thickcloud的所有对象的thickc值集合。
步骤s5，对上述多尺度分割后的landsattm遥感影像数据，根据薄云(thincloud)的光谱特点和分布特点，建立关系特征“thinc”。具体步骤如下：
除了根据所述landsattm遥感影像数据中厚云的光谱特点识别了含有厚云的对象外，所述landsattm遥感影像数据中往往还含有大量的薄云，这些薄云往往都分布在厚云的边缘地带或者分布在比较接近厚云的区域，利用遥感数据中云层的特殊分布特性就可以构建出薄云的识别方法。基于此原理，本实施例除了利用所述landsattm遥感影像数据中薄云的光谱特点外，还利用了薄云对象与厚云对象在影像对象层中空间位置上的相关关系，构建了一种新的云识别指数来自动区分较薄的云与其它地物，该识别指数就是关系特征“thinc”，其具体实现步骤如下：
(1)参考影像质量等因素，设定尽量满足用户精度需求的预设距离d值。预设距离d是一个相对量，其值用影像对象层中像元的数量衡量，用来限定参与计算关系特征“thinc”的对象的条件，“thinc”表示若以一个对象为中心对象，则边缘距离这个中心对象边缘的最短距离不超过d个像元的其它对象将作为计算该中心对象关系特征“thinc”值的元素，其描述如下：
其中，d表示预设距离值；d(ωi,ωj)表示对象ωi与对象ωj之间的距离；
简单来说，预设距离d值就是给出了中心对象与其周围参与计算关系特征值的其它对象的邻接关系，这种邻接关系为广义上的邻接关系，即两个对象在影像对象层上可以接触，也可以不接触。d值小，则参与计算关系特征值的对象数量就少；d值大，则参与计算关系特征值的对象数量就多，d值的大小取决于薄云和厚云之间的位置关系，由用户依据精度需求设定。
(2)根据运算特征及其统计算法计算关系特征“thinc”。当参与计算关系特征“thinc”的对象都确定后，就可以根据如下的公式进行关系特征“thinc”的计算：
其中，thinc表示该对象的关系特征值；thickc表示参与计算关系特征“thinc”的对象的运算特征“thickc”值；n表示参与计算关系特征“thinc”的对象的数量。
步骤s6，在剩余的“unclassified”对象中，利用双阈值分类法将满足条件的对象“unclassified”分类至“thincloud”，采用的2个分类特征分别为运算特征“thickc”和关系特征“thinc”。具体而言：
利用双阈值分类法将满足条件的对象“unclassified”分类至“thincloud”，采用的2个分类特征分别为运算特征“thickc”和关系特征“thinc”，具体公式如下：
其中，k1为由用户参考影像质量等因素设定的阈值；k2为由用户参考影像质量等因素设定的阈值；unclassified(thickc，thinc)表示分类属性是unclassified的所有对象的(thickc，thinc)值集合；{thickc，thinc∣thickc≥k1，且thinc≥k2}表示满足thickc≥k1，且thinc≥k2条件的所有对象的集合；thincloud(thickc，thinc)表示分类属性是thincloud的所有对象的(thickc，thinc)值集合。
步骤s7，将上述分类至“thickcloud”和“thincloud”的对象统一分类至“cloud”，完成数据除云。具体而言：
将类别属性为“thickcloud”和“thincloud”的对象统一赋予类别“cloud”，至此便完成了对所述landsattm遥感影像数据的云识别处理，最终得到了带有云类别属性的矢量数据。
参阅图2所示，是本发明landsattm遥感影像数据除云系统10的硬件架构图。该系统包括：输入模块101、分割模块102、运算特征建立模块103、分类模块104、关系特征建立模块105。
所述输入模块101用于输入landsattm遥感影像数据。其中：
所述landsattm遥感影像数据包括7个谱段，分别为：3个可见光谱段、1个近红外谱段、2个近短波红外谱段、1个热红外谱段，所述3个可见光谱段包括：蓝绿谱段、绿谱段、红谱段；并将所述7个谱段依次命名为：b1(蓝绿谱段)、b2(绿谱段)、b3(红谱段)、b4(近红外谱段)、b5(近短波红外谱段)、b6(热红外谱段)、b7(近短波红外谱段)。
所述分割模块102用于采用基于面向对象的方法，对上述landsattm遥感影像数据进行多尺度分割。具体而言：
参与多尺度分割的波段包括b1、b2、b3、b4、b5、b7，在本实施例中，分割尺度设置为50，形状因子和紧致度因子根据用户需求自行调整，将分割后产生的对象赋类为“unclassified”。
进一步地，所述分割模块102具体用于：
(1)根据输入的landsattm遥感影像数据，建立影像对象层；
(2)选择参与多尺度分割计算的各个波段数据的权重，此处参与分割的波段包括b1、b2、b3、b4、b5、b7，在本实施例中将权重均设置为1，也可以根据用户需求更改；
(3)设置多尺度分割的尺度参数，在本实施例中根据landsattm遥感影像数据的分类特点设置为50，也可以根据用户需求更改；
(4)设置多尺度分割的形状参数，在本实施例中根据landsattm遥感影像数据的分类特点设置为0.1，也可以根据用户需求更改；
(5)设置多尺度分割的紧致度参数，在本实施例中根据landsattm遥感影像数据的分类特点设置为0.3，也可以根据用户需求更改；
(6)在影像对象层上计算多尺度分割的结果，将分割后产生的对象赋类为“unclassified”。
所述运算特征建立模块103用于对上述多尺度分割后的landsattm遥感影像数据，根据厚云(thickcloud)的光谱特点，建立运算特征“thickc”。也即：
所述运算特征建立模块103根据所述landsattm遥感影像数据中厚云的光谱特点，即厚云在波段b2、b4、b7上具有较高的亮度值，并且往往比其它地类都要高很多，为了拉伸这种差异，本实施例构建一种新的运算特征“thickc”自动区分较厚的云与其它地物。具体包括：
(1)对于每一个对象ω＝{p1,p2,p3,…,pn}，p为该对象所包含的像元，n为该对象所包含的像元数量，其运算特征“thickc”的具体计算公式如下：
其中，
其中，thickc表示该对象的运算特征“thickc”的数值；n表示该对象所包含的像元数量；
(2)对影像对象层中的每一个对象{ω1,ω2,ω3,…,ωn}都分别计算运算特征“thickc”。
所述分类模块104用于利用阈值分类法，将满足阈值条件的运算特征“thickc”的对象由“unclassified”分类至“thickcloud”。也即：
利用阈值分类法将满足一定运算特征“thickc”阈值k的对象由“unclassified”分类至“thickcloud”，具体公式如下：
其中，k为由用户参考影像质量等因素设定的阈值；unclassified(thickc)表示分类属性是unclassified的所有对象的thickc值集合；{thickc∣thickc≥k}表示满足thickc≥k条件的所有对象的集合；thickcloud(thickc)表示分类属性是thickcloud的所有对象的thickc值集合。
所述关系特征建立模块105用于对上述多尺度分割后的landsattm遥感影像数据，根据薄云(thincloud)的光谱特点和分布特点，建立关系特征“thinc”。具体如下：
除了根据所述landsattm遥感影像数据中厚云的光谱特点识别了含有厚云的对象外，所述landsattm遥感影像数据中往往还含有大量的薄云，这些薄云往往都分布在厚云的边缘地带或者分布在比较接近厚云的区域，利用遥感数据中云层的特殊分布特性就可以构建出薄云的识别方法。基于此原理，本实施例除了利用所述landsattm遥感影像数据中薄云的光谱特点外，还利用了薄云对象与厚云对象在影像对象层中空间位置上的相关关系，构建了一种新的云识别指数来自动区分较薄的云与其它地物，该识别指数就是关系特征“thinc”，其具体如下：
(1)参考影像质量等因素，设定尽量满足用户精度需求的预设距离d值。预设距离d是一个相对量，其值用影像对象层中像元的数量衡量，用来限定参与计算关系特征“thinc”的对象的条件，“thinc”表示若以一个对象为中心对象，则边缘距离这个中心对象边缘的最短距离不超过d个像元的其它对象将作为计算该中心对象关系特征“thinc”值的元素，其描述如下：
其中，d表示预设距离值；d(ωi,ωj)表示对象ωi与对象ωj之间的距离；
简单来说，预设距离d值就是给出了中心对象与其周围参与计算关系特征值的其它对象的邻接关系，这种邻接关系为广义上的邻接关系，即两个对象在影像对象层上可以接触，也可以不接触。d值小，则参与计算关系特征值的对象数量就少；d值大，则参与计算关系特征值的对象数量就多，d值的大小取决于薄云和厚云之间的位置关系，由用户依据精度需求设定。
(2)根据运算特征及其统计算法计算关系特征“thinc”。当参与计算关系特征“thinc”的对象都确定后，就可以根据如下的公式进行关系特征“thinc”的计算：
其中，thinc表示该对象的关系特征值；thickc表示参与计算关系特征“thinc”的对象的运算特征“thickc”值；n表示参与计算关系特征“thinc”的对象的数量。
所述分类模块104还用于在剩余的“unclassified”对象中，利用双阈值分类法将满足条件的对象“unclassified”分类至“thincloud”，采用的2个分类特征分别为运算特征“thickc”和关系特征“thinc”。具体而言：
利用双阈值分类法将满足条件的对象“unclassified”分类至“thincloud”，采用的2个分类特征分别为运算特征“thickc”和关系特征“thinc”，具体公式如下：
其中，k1为由用户参考影像质量等因素设定的阈值；k2为由用户参考影像质量等因素设定的阈值；unclassified(thickc，thinc)表示分类属性是unclassified的所有对象的(thickc，thinc)值集合；{thickc，thinc∣thickc≥k1，且thinc≥k1}表示满足thickc≥k1，且thinc≥k2条件的所有对象的集合；thincloud(thickc，thinc)表示分类属性是thincloud的所有对象的(thickc，thinc)值集合。
所述分类模块104还用于将上述分类至“thickcloud”和“thincloud”的对象统一分类至“cloud”，完成数据除云。具体而言：
将类别属性为“thickcloud”和“thincloud”的对象统一赋予类别“cloud”，至此便完成了对所述landsattm遥感影像数据的云识别处理，最终得到了带有云类别属性的矢量数据。
需要说明的是，本发明是针对landsattm遥感影像数据设计的，并且得到了较为理想的实验结果，理论上来说，只要输入的遥感影像数据的波段信息与landsattm较为接近，都可以采用类似的方法或系统进行除云处理，都在本发明的权利保护范围之内。
本发明所用到的一个重要的图像分类方法就是相面对象的分类方法。面向对象的分类方法所处理的最小单元是含有更多语义信息的多个像元组成的对象，而不再是面向像元的分类方法所处理的单个像元。对象相较于像元来说，不仅含有光谱信息，还含有了诸如几何信息、纹理信息、拓扑信息、相对位置信息等更为丰富的语义信息。面向对象的分类方法有两个重要的优势：1)基于对象的分类处理可以在不同的尺度层中分别进行，从而有效克服基于单个像元、单一层次的分类缺陷；2)基于对象的分类所利用的分类特征是多语义的，有对象特征、类相关特征、场景特征等等，可以有效克服只利用光谱分类带来的局限性问题。
虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！