一种基于稀疏表示的多光谱遥感图像去云方法
【专利摘要】本发明涉及一种基于稀疏表示的多光谱遥感图像去云方法，利用多时像方法的同时，利用SAR影像和不同时相的低分辨多光谱影像分别和高分辨多光谱影像的对应图像块建立稀疏字典对，然后利用稀疏编码重建云区部分信息。其中，低分辨光学影像字典提供主要的低频信息，SAR图像字典提供主要的高频信息。本发明相对与传统的仅利用SAR图像去云的方法能得到更接近真实场景的重建图像，在确保低频信息完整的同时更好的保留了图像的高频信息。该方法同时适用于小区域云和大区域云的去除，均能得到较理想的结果。
【专利说明】一种基于稀疏表示的多光谱遥感图像去云方法
【技术领域】
[0001] 本发明属于计算机图像的处理，涉及一种多光谱遥感图像的处理，具体涉及一种 基于稀疏表示的多光谱遥感图像去云方法。
【背景技术】
[0002] 光学影像作为重要的遥感数据源，在资源、气象、环境监测等领域具有重要的应用 价值。但光学影像容易受到天气尤其是云雾的影响，根据数据统计每年大概2/3的光学影 像都受到云雾的干扰，这使得光学影像丢失了中大量的重要信息，并且给后续图像的判读 和分析带来巨大的困难，例如图像识别和分类。因此，运用图像处理技术，去除或削弱云雾 的影响，提高遥感数据的利用率具有非常重要的研究背景和实用意义。
[0003] 传统的遥感图像去云方法主要有基于图像修复、基于多光谱和基于多时相三种方 法。基于图像修复的方法是利用含云图像本身的信息来重建云区信息，由于缺少辅助图像 的信息使得所得结果不够准确。基于多光谱的方法大多数都是利用多光谱图像中不同波段 的信息来重构云区部分。基于多时相的方法主要是利用不同时相的无云遥感图像来预测当 前图像的含云区域。
[0004] 文献 "Cloud Removal of Optical Image Using SAR Data for AL0S Application. Experimenting on Simulated AL0S Data" 中提出了利用差值技术和 SAR 图 像信息来去除多光谱遥感影像中的云雾区域。但是该方法不具有普适性，而且对于某些特 定的目标去云效果较差。
[0005] 综上所述，传统的利用SAR图像来去除云雾影像的方法具有不稳定性等不足。
【发明内容】
[0006] 要解决的技术问题
[0007] 为了避免现有技术的不足之处，本发明提出一种基于稀疏表示的多光谱遥感图像 去云方法，将SAR图像和多时像方法结合，通过基于学习的方法重建含云图像中的云区信 肩、。
[0008] 技术方案
[0009] 一种基于稀疏表示的多光谱遥感图像去云方法，其特征在于步骤如下：
[0010] 步骤1 :根据Landsat-5TM影像的特点，利用基于阈值的方法检测给定目标图像I 中的像素点，确定像素点的像素值大于阈值TH = 230的像素点为云区的候选点；然后将像 素值低于50,且按照光照方向在云区附近大小为原图像尺寸25%的区域内的点为云的阴 影点；标记云区的候选点和阴影点为1，其它为〇,得到云区标记图像F ;
[0011] 步骤2 :提取多个无云的高分辨率多光谱影像HRI、低分辨率多光谱影像LRI和 SAR图像的特征得到对应的特征图像，分别得到HRI特征块H = {Xl，x2，…，xN}、LRI特征快 L = h，y2,…，yj和SAR特征块S = {ζρ z2,…，zN};其中，LRI通过双线性差值的方法放 大到与HRI具有相同大小，N表示图像块的数量，Xpyi和Ζρ分别表示三种图像中
【权利要求】
1. 一种基于稀疏表示的多光谱遥感图像去云方法，其特征在于步骤如下： 步骤1 :根据Landsat-5TM影像的特点，利用基于阈值的方法检测给定目标图像I中的 像素点，确定像素点的像素值大于阈值TH = 230的像素点为云区的候选点；然后将像素值 低于50,且按照光照方向在云区附近大小为原图像尺寸25%的区域内的点为云的阴影点； 标记云区的候选点和阴影点为1，其它为0,得到云区标记图像F ; 步骤2 :提取多个无云的高分辨率多光谱影像HRI、低分辨率多光谱影像LRI和SAR图 像的特征得到对应的特征图像，分别得到HRI特征块H = {xp x2,…，xN}、LRI特征快L = {yi，y2,…，yJ和sar特征块s = {ζ^ z2，…，zN};其中，lri通过双线性差值的方法放大到 与HRI具有相同大小，N表示图像块的数量，Xp yi和Ζρ分别表示三种图像1
大小 的图像块拉直后的列向量，i = 1，2, "·，Ν; 利用HRI和LRI特征块学习得到稀疏字典
其中：XHL = [H ;L] ,DHL = [Dm ;DJ ,AHL = [AH ;AJ 是 XHL 的稀疏表示系数,XHS = [H ;S], DHS = [DH2 ;DS]，AHS = [AH ;AS]是 XHS 的稀疏表示系数； 步骤3 :将云区标识图F中各个云区以最小矩形标识，对每个标识矩形从外向内按顺时 针方向依次取相同大小的图像块并拉直后的图像为待求图像块X，同时在对应的LRI和SAR 中取相应位置的图像特征块并拉直，记为y，z ; 计算y，z分别在dHIj和dhs下的稀疏表示系数：
利用LRI预测得到的图像块Xl = DH1 · a i 利用SAR预测得到的图像块x2 = DH2 · α 2 继而得到待求图像块x"* = XJX2 = Dm · α i+D% · α 2 ; 步骤4 :依次用重建后的图像块替换图像I中对应的图像块，得到去云后的图像Γ。
2. 根据权利要求1所述基于稀疏表示的多光谱遥感图像去云方法，其特征在于：在步 骤3完成后，利用
周整重建图像块的灰度值，然后再用调整灰度值后的图像 块替换图像I中对应的图像块，得到去云后的图像Γ ;其中：/Ω表示图像I中的非云区 域，为有效数据区域；Ω为含云区域。
3. 根据权利要求1所述基于稀疏表示的多光谱遥感图像去云方法，其特征在于：所述 高分辨率多光谱影像HRI、低分辨率多光谱影像LRI和SAR图像块的大小为5X5。
4. 根据权利要求1所述基于稀疏表示的多光谱遥感图像去云方法，其特征在于：所述 两个稀疏字典对或DHS的大小为512。
5. 根据权利要求1所述基于稀疏表示的多光谱遥感图像去云方法，其特征在于：所述 训练样本图像块数为10000。
【文档编号】G06T5/00GK104156923SQ201410394871
【公开日】2014年11月19日 申请日期:2014年8月12日 优先权日:2014年8月12日
【发明者】李映, 李文博, 韩晓宇 申请人:西北工业大学