一种实时可见光遥感影像云区检测方法
【技术领域】
[0001] 本发明属于图像数据处理方法，具体涉及一种实时可见光遥感影像云区检测方 法。
【背景技术】
[0002] 云区检测是可见光遥感影像压缩、传输及处理的首要任务和关键技术之一。长期 以来，可见光遥感影像以其高分辨率、高清晰度等优点被广泛应用。然而可见光影像的一 个明显弱点是：云层遮挡明显降低了地面目标信息的可观测性，某些厚云遮挡图像甚至无 法使用。实时的厚云覆盖区域检测对于提高遥感影像压缩效率、节约数据传输带宽及提高 处理效率等方面都能发挥积极作用。从数据处理流程来看，云检测算法处于最前端的星 上处理模块，所以云检测算法的实时性要求较高。云的物理特性和图像特性的复杂性使 得云检测是一个难点问题。目前存在的云检测算法主要包括：基于光谱统计阈值分割法 ([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类法（[1] 单娜，郑天垚，王贞松.快速高准确度云检测算法及其应用.遥感学报，2009, ISSN 1007-4619, 13 (6) =1147-1155. [2]郁文霞，曹晓光，徐琳.遥感图像云自动检测.仪器仪 表学报，2006, ISSN 0254-3087, 27(6) =2184-2186.)。光谱阈值法利用的是云的高反射率和 低温特性，算法复杂度低，然而，该类方法很难将乌云、薄卷云、层云、小积云与地面区分开 来。基于特征提取的模式分类法的关键环节为特征提取模块。从已有的工作来看，可以胜 任云区分类任务的特征主要包括：基于灰度共生矩阵的纹理特征和基于Gabor滤波器的纹 理特征。然而，这些纹理特征的计算复杂度较高，不满足实时云区检测的要求。考虑到单方 向高斯滤波器可以较好的提取图像纹理特征的同时，又可以通过行、列拆分来简化二维卷 积运算，因此本发明选用高斯滤波器来提取纹理特征。
【发明内容】
：
[0003] 本发明提出了一种新的实时可见光遥感影像云区检测方法，用于实时检测遥感影 像的厚云覆盖区域，对于提高遥感影像压缩效率、节约数据传输带宽及提高处理效率等方 面都能发挥积极作用。该方法首先将原始输入影像进行分块，然后快速提取各个子块的特 征，最后通过对各个子块特征的二分类完成云区检测。
[0004] 本发明提出一种实时可见光遥感影像云区检测方法，其特征在于，其包括训练和 测试两个阶段：
[0005] 训练阶段：包括如下步骤：
[0006] (1)建立视觉词典和降维系数步骤，包括如下子步骤：
[0007] (1. 1)构建训练样本集：用N个云区图像块和N个非云区图像块构成训练样本集 A，其中，各个云区图像块和非云区图像块分别均包含GXG个像素，其中N为2000-8000, G 为 32-128 ;
[0008] (1. 2)对训练样本集A中的各图像块进行白化处理，得到训练样本集B ;
[0009] (1. 3)单方向各向异性高斯滤波：将训练样本集B的各图像块送入L维滤波器组 进行卷积运算，得到2N个GXGXL维的滤波响应结果C ;所述L维滤波器组为采用主轴为 0°方向的L个各向异性高斯滤波器并联组成，L为6-12 ;
[0010] (1. 4)K-means聚类：对训练样本集B中所有2N个样本的GXGXL维的滤波响应 结果C进行K-means聚类，共获得K个聚类；将聚类中心作为视觉单词，得到由K个视觉单 词组成的视觉词典DL，其维数为KX L ;K为聚类中心数量，是通过实验性能分析得出的经验 取值，一般取256-2048 ;所述视觉单词指L维空间的一个点；
[0011] (1. 5)视觉词典降维：将视觉词典DL e RK>a作为训练样本，采用主成分分析法进 行视觉词典的降维操作，得到变换矩阵T e Rlxd;计算DL和T的内积DD = DL *T，得到降维 后KXd维视觉词典DD e RKXd;其中d是主成分，通过实验结果分析得到，一般取1-L ;R指 实数域，RKX^ KXL实数矩阵，R KX<^ KX d实数矩阵，R ^是LX d实数矩阵；降维后的视 觉单词是d维空间的一个点；
[0012] (2)建立分类器模型步骤，包括如下子步骤：
[0013] (2. 1)对滤波响应结果C降维：利用子步骤（1. 5)产生的变换矩阵T，计算C和T 的内积E = C ? T，得到d维滤波响应结果E ;
[0014] (2. 2)直方图特征生成：对d维滤波响应结果E中的每一个点都与d维视觉词典 DD中的K个视觉单词逐一计算欧氏距离：
[0016] 其中，Distance表示欧氏距离，Xi表示d维滤波响应结果E中的点的第i维坐标， yi表示d维视觉词典DD中的某个视觉单词的第i维坐标；将距离最小的视觉单词作为d维 滤波响应结果E的特征值，统计每个视觉单词出现频率，即该视觉单词的直方图特征：
[0018] 其中，his、表示第j个视觉单词的直方图特征，N」表示第j个视觉单词出现的频 数，GXG表示一个图像块中像素点的个数；j = 1，2,…，k ;
[0019] (2. 3)建立分类器模型：将所述的直方图特征，送入线性支撑向量机训练，计算出 K维直方图特征的分类超平面w e RK和偏移常数b e R，RK是K维实数向量；
[0020] 测试阶段：包括如下步骤：
[0021] (1)测试影像划分：将测试影像划分为互不重叠的图像块，每个图像块大小为 GXG ；
[0022] (2)对测试影像的各图像块进行白化处理；
[0023] (3)单方向各向异性高斯滤波：将白化处理后的各图像块送入所述L维滤波器组 进行卷积运算，得到GXGXL维的滤波响应结果F ;
[0024] (4)滤波响应结果降维：利用所述变换矩阵T对滤波响应结果F进行L维到d维 的降维操作，计算F和T的内积G = F ? T，得到d维滤波响应结果G ;
[0025] (5)视觉词典查询和直方图特征生成：对d维滤波响应结果G中每一个点都与d维 视觉词典DD中的K个视觉单词逐一计算欧氏距离，将距离最小的视觉单词作为d维滤波响 应结果G的特征值，统计每个视觉单词出现频率，得到K维图像子块的视觉单词直方图特征 f ;
[0026] (6)特征二分类实现云区检测：计算wTf+b，判别是否wTf+b多0,是则判定图像块 为云区，否则该图像块为非云区。
[0027] 所述单方向各向异性高斯滤波，区别于常规滤波器组都会考虑滤波器的多方向 性，这里针对云区无方向性的特点，只采用单方向各向异性高斯滤波器组来实施滤波操作。 充分利用这一特点，构造出来的滤波器组中滤波器数量可以成倍数减少，提高了滤波效率。 考虑到窗口大小与滤波尺度〇成5倍关系，所以，滤波窗口一般较大，直接进行二维卷积计 算量仍然过大的问题。根据二维各向异性高斯滤波器的定义公式，当主轴方向为〇°时，二 维高斯滤波器的行列是不相关的。因此，具体的滤波操作是通过行、列拆分的无限冲激响应 数字滤波器来实现，并且无限冲激响应数字滤波器的滤波复杂度是固定的与滤波窗口大小 无关。假如滤波器组中滤波器的数量为L，那么每个像素位置与滤波器组卷积都可以产生 一个L维的滤波响应。一般来说，滤波器组中滤波器数量越多，也即L取值越大，会一定程 度上提高分类精度，但会加大滤波运算的复杂度。由于该算法面向星上的实时应用环境，为 了提高算法的运行效率，在达到设定分类精度的前提下，尽可能减少滤波器数量，也即L取 一个较小的值。经过滤波器组的滤波操作，GXG的图像子块的滤波响应结果变为由GXG 个L维的滤波响应结果组成的立方体滤波响应结果，其维数为GXGXL。由说明书附图中图 2(b)与图2(c)、图3(b)与图3(c)的检测结果可说明单方向高斯滤波器组的可行性。
[0028] 所述K-means聚类步骤，是对训练样本集中所有