一种多特征联合的光学卫星影像云与云阴影检测方法
【技术领域】
[0001] 本发明属于遥感图像处理技术领域，涉及一种云与云阴影检测方法，具体涉及一 种多特征联合的光学卫星影像云与云阴影检测方法。
【背景技术】
[0002] 在光学卫星影像云与云阴影检测中，人工目视检测精度高、可靠性高，但自主性 强、效率低，无法统一标准进行检测。自动的云与云阴影检测方法能根据云与云阴影的光谱 特征，能更为高效客观地提取影像中云与云阴影的位置。然而，由于大多光学卫星影像中缺 少水汽吸收波段或热红外波段，且云与云阴影的光谱特征变化范围较大，导致难以实现较 高精度地云影自动检测。
[0003]已有的对光学卫星影像中云与云阴影进行检测的方法，大部分仅依靠光谱特征， 对于仅有可见光与近红外波段的影像而言，这类型方法通常会漏检薄云并将高亮地物错检 为云，难以达到较好的云与云阴影综合检测结果。
【发明内容】
[0004] 为了解决上述技术问题，本发明提供了一种多特征联合的光学卫星影像云与云阴 影检测方法。
[0005] 本发明所采用的技术方案是:一种多特征联合的光学卫星影像云与云阴影检测方 法，其特征在于，包括以下步骤：
[0006] 步骤1:检测光学卫星影像中的厚云，生成粗糙的云掩膜；
[0007] 步骤2:通过局部优化策略，检测厚云周围的薄云，生成精细的云掩膜；
[0008] 步骤3:构建基于对象的云过滤器，剔除精细云掩膜中可能存在的非云高亮地物对 象，经处理后生成最终的云掩膜；
[0009] 步骤4:在光学卫星影像中陆地和水体区域分别提取阴影，构建基于对象的阴影过 滤器，剔除阴影掩膜中可能存在的水体，生成最终的阴影掩膜；
[0010] 步骤5:结合云与阴影掩膜，通过面向对象的云阴影匹配及校正，云阴影掩膜局部 优化及基于对象的云阴影过滤，经处理后生成最终的云阴影掩膜；
[0011] 步骤6:合并云掩膜与云阴影掩膜并输出。
[0012] 作为优选，步骤1的具体实现过程是通过辐射定标将原始光学卫星影像从DN值转 换为大气反射率，根据光学卫星影像中云的光谱特征，选择云指数、可见光波段比、单波段 阈值作为约束条件，对原始的光学影像进行阈值分割，提取影像中厚云所在的位置，生成粗 糙的云掩膜；
[0013] 其中云指数Cloud Index、可见光波段比Band Ratio分别为：
[0014] Cloud Index = RB~0.6 · Rr (1)；
[0015]
[0016] 其中Rr，Rg，Rb分别表示可见光红、绿、蓝三个波段的大气反射率。
[0017] 作为优选，步骤2的具体实现过程是以粗糙的云掩膜作为输入影像，分别以云指数 图、近红外波段影像作为引导影像进行引导滤波，并对输出的灰度图进行阈值分割，从而得 到新生成的云掩膜;检测影像中的水体，将影像划分为陆地和水体区域；以新生成的云掩膜 作为输入影像，以真彩色影像作为引导影像进行引导滤波，并对输出的灰度图分陆地和水 体区域分别进行阈值分割，完成此步的局部优化策略后生成初步的云掩膜。
[0018] 作为优选，步骤3的具体实现过程是将初步的云掩膜中八邻域相连的云像元以对 象的形式聚合，提取每个对象的几何与纹理特征，根据云与非云对象在几何与纹理特征上 的差异判定非云对象并从掩膜中剔除，删除像元数量低于或等于5个像素的对象，填充云掩 膜中的孔洞，生成最终的云掩膜；
[0019] 所述纹理特征是由旋转不变局部二值模式(LBP)算子提取的显著性直方图特征组 成;所述几何特征包括分形维数FD和旋转外接矩形长宽比LWR:
[0020]
[0021]
[0022] 其中girth和area分别表示对象的周长与面积，length和width分别表示对象旋转 外接矩形的长宽。
[0023]作为优选，所述根据云与非云对象在几何与纹理特征上的差异判定非云对象并从 掩膜中剔除，其判定准则包括以下子步骤：
[0024]步骤3.1:计算对象的面积Area、分形维数FD及其旋转外接矩形长宽比LWR;在满足 Area小于40000的前提下，如果FD大于1.54或LWR大于6,则判定当前对象为非云对象，并继 续对下一个对象进行判定;否则进入步骤 3.2;
[0025] 步骤3.2:在未满足步骤3.1中条件的情况下，如果对象的Area小于4000且LWR大于 5，则判定当前对象为非云对象，并继续对下一个对象进行判定;否则进入步骤3.3;
[0026] 步骤3.3:在未满足步骤3.1和步骤3.2中条件的情况下，计算当前对象外接矩形长 宽各拓展0.1倍后的区域(同时强制使得外接矩形最小的长或宽为16个像素)的旋转不变模 式LBP纹理直方图，并计算其与云对象与非云对象模板的纹理直方图的卡方距离分别为 DisC和DisN，如果DisC减DisN的差大于0.02且DisN小于0.1，则判定当前对象为非云对象， 并继续对下一个对象进行判定;否则继续对下一个对象进行判定。
[0027] 作为优选，步骤4的具体实现过程是通过Flood-fill分别对影像的近红外波段影 像以及可见光均值图进行形态学变换，提取变换前后反射率差异大于0.06和0.01的位置分 别作为影像中的陆地与水体中的阴影;结合前期检测的水体，通过基于对象的阴影过滤，从 阴影中剔除可能存在的水体，从而生成阴影掩膜。
[0028]作为优选，步骤5的具体实现过程是结合云掩膜与阴影掩膜，进行基于对象的云与 云阴影匹配，并根据阴影掩膜进行基于对象的云阴影校正，从而生成粗糙的云阴影掩膜；以 云阴影掩膜为输入影像，假彩色图作为引导影像进行引导滤波，对输出结果进行二值化得 到初步的云阴影掩膜;在此基础上进行基于对象的云阴影过滤，并删除像元数量低于或等 于7个像素的对象，填充云阴影掩膜中的孔洞并膨胀1~3个像素，生成最终的云阴影掩膜。 [0029]本发明的优点在于：
[0030] (1)本发明联合光谱、几何、纹理多特征，通过局部优化策略及基于对象过滤，基本 解决了光学卫星影像中薄云难检测、高亮地物难去除的问题，显著提高了云检测精度； [0031] (2)本发明在云与云阴影匹配后增加基于对象的云阴影校正等过程，并优化了水 体区域云阴影的检测，相比其它方法，能得到更好地云阴影检测结果；
[0032] (3)以高分一号GF-1WFV影像(尺寸约17000X16000)为例，本发明能在短时间20s 内快速准确估计影像中的云覆盖量，或以正常的处理速度1~5min内实现云与云阴影位置 的精准检测。
[0033]总之，本发明提出的方法可有效地检测光学卫星影像中云与云阴影，实现高精度 自动检测。
【附图说明】
[0034]图1:本发明实施例的总体流程。
[0035]图2:本发明实施例的详细流程。
[0036]图3:本发明实施例步骤2中局部优化策略的实例说明。
[0037]图4:本发明实施例步骤3中面向对象的云过滤判定流程。
[0038]图5:本发明实施例步骤3中面向对象的云过滤的实例说明。
[0039]图6:本发明实施例步骤5中的面向对象的云阴影匹配及校正图示说明。
[0040]图7:本发明实施例的光学卫星影像云与云阴影检测结果图示说明。
【具体实施方式】
[0041]为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实例对本发明 作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用 于限定本发明。
[0042]在利用光谱特征的基础上，在厚云周围通过局部优化策略进一步提取薄云，以及 几何与纹理特征的联合应用，可在一定程度上解决薄云难检测、高亮地物难去除问题，从而 实现高精度地自动云覆盖量快速估计及云与云阴影精确检测。基于上述理论，请见图1和图 2,本发明提供的一种多特征联合的光学卫星影像云与云阴影检测方法，包括以下步骤： [0043]步骤1:基础云检测。通过辐射定标将原始影像从DN值转换为大气反射率，根据光 学卫星影像中云的光谱特征，选择云指数、可见光波段比、单波段阈值作为约束条件，对原 始的光学影像进行阈值分割，提取影像中厚云所在的位置，生成粗糙的云掩膜。其中云指数 (Cloud Index)、可见光波段比(Band Ratio)定义如下：
[0044] Cloud Index = RB~0.6 · Rr (1)；
[0045]
[0046] 其中Rr，Rg，Rb分别表示可见光波谱范围红、绿、蓝波段的大气反射率。
[0047]步骤2:精细化云掩膜。以粗糙的云掩膜作为输入影像，分别以云指数图、近红外波 段影像作为引导影像进行引导滤波，并对输出的灰度图进行阈值分割，此步可通过引入更 多的波段信息去除云掩膜中的杂质，从而得到新生成的云掩膜。检测影像中的水体，将影像 划分为陆地和水体区域。以新生成的云掩膜作为输入影像，以真彩色影像作为引导影像进 行引导滤波，并对输出的灰度图分陆地和水体区域分别进行阈值分割，完成此步的局部优 化策略后生成初步的云掩膜，如图3所示。
[0048]步骤3:整体改善云掩膜。将初步云掩膜中八邻域相连的云像元以