一种适用于下视景象匹配选区准则干预方法与流程

本发明属于下视景象匹配方法领域，涉及一种适用于下视景象匹配选区准则干预方法。

背景技术：

下视图像匹配定位方法是利用飞行器的成像器实时拍摄下方图像与预存在飞行器中的卫星可见光匹配区进行匹配，确定实时图像在卫星可见光匹配区图像中的位置，实现全天时定位导航目的。卫星可见光图像以其成像清晰度高，信息客观丰富，时效性以及实用性强等优点得到了广泛应用。但是如果预存在飞行器中的卫星可见光匹配区图像含有云层等不利于匹配的因素存在，云层的遮挡会降低图像中地面目标信息的可用性,某些有严重云层遮挡的图像甚至无法使用。在这种情况下实时图像和可见光匹配区图像匹配会导致下视景象匹配性能降低甚至失配。

早期的云检测及识别主要靠人工做出判断，这种方法费时、费力并且带有很强的主观局限性。随着卫星遥感方法和数字图像处理方法的发展，在利用卫星遥感数据对云区进行检测及分类的研究领域中，已经有大量更新、更好的方法被提出，就目前已有的方法而言，主要可以归纳为两大类：第一类是从光谱特性入手进行研究。利用光谱特性阈值检测法虽然简单易行，但阈值的确带有一定的主观性，同时对先验知识要求也很高。而且在时间和区域上也具有局限性即由于不同地区不同时相的光谱性质的差异其云检测的阈值也不可能相同，并且由于设置多组阈值进行判别使检测速度相对较慢。第二类是基于云层纹理等特征的研究方法，即在基于相关特征分析的基础上，包括模式识别，聚类方法、最大似然估计方法，神经网络方法等在内的数学方法已经被应用在云检测上。20世纪90年代发展起来的支持向量机(svm)方法既能处理非线性数据，又能有效的限制过拟和，是目前针对小样本分类和回归等问题的最佳理论。

目前现有的景象匹配区选择方法不能够有效的剔除掉含有云层的景象匹配区图像，需要通过人工判读分析来剔除掉含有云层的影像图。本发明提供了一种用于实现弹载下视景象匹配正射影像图的人工干预自动化方法，该方法使选择出来的下视景象匹配区不需要再进一步的人工干预判读就能够自动的剔除掉含有云层的景象匹配区。

技术实现要素：

本发明要解决的方法问题是如何利用基于支持向量机的分类方法，根据云区与非云区在灰度、纹理、边缘等方面存在的特征差异，来对云区与非云区进行分类，从而达到对卫星可见光图像云检测的目的。本文给出一套完整而具体的实现方法及步骤，用于实现下视景象匹配人工干预方法自动化，不需要人工判读就能自动剔除含有云层的卫星可见光正射影像匹配区图像。

本发明提出一种基于svm的云检测方法对含有云层的正射影像匹配区图像进行云检测，从而实现下视景象匹配正射影像图人工干预自动化。

本发明的技术方案如下：

一种适用于下视景象匹配选区准则干预方法，其具体步骤如下：

1)选取训练集；

2)对选取的训练集进行特征提取，从而得到特征量；

3)将所述特征量连同与特征量对应的分类标号,输入到SVM分类器进行学习训练,从而建立相应的分类判决模型；

4)获取待测图像，并对所述图像进行分块处理，从而得到子块图像；

5)对所述子块图像进行特征提取；

6)将从所述子块图像中提取的特征输入到所述分类判决模型中进行分类判别；

7)将所述分类判别后的图像进行输出。

进一步的，选取的训练集包括两类:无云集合和有云集合。

进一步的，无云集合和有云集合中的元素的数量比为2:1。

进一步的，所述步骤2)具体包括：对训练集中的无云图和有云图分别进行相应的标记,将无云图像对应的标为0,有云图像标为1；然后对训练集中的每幅图像分别计算相应的特征,并将其存储到数据库中。

进一步的，所述步骤2)中的特征量包括：

a.灰度直方图：

选取了图像的灰度直方图的均值和方差来刻画灰度特征,使用云层覆盖率来描述云层的亮度特征；

b.灰度共生矩阵：

(1)角二阶矩(能量)，(2)惯性矩，(3)熵，(4)灰度相关特征量。

进一步的，灰度直方图的均值、方差、云层覆盖率的表达式分别为

λ＝#{u(x,y)＞ω}/#{u(x,y)}

其中，m为直方图均值，σ²为直方图方差，λ为云层覆盖率，x_i是第i级的灰度级值，i为图像灰度级数，f(x_i)表示图像的直方图函数，ω为给定阈值,#{R}表示满足集合R的元素个数。

进一步的，所述灰度共生矩阵具体包括：

在图像中任意取一点(x,y)以及偏离它的另一点(x+Δx,y+Δy),形成一个点对，设该点对的灰度值为(i,j)，即点(x,y)灰度为i，点(x+Δx,y+Δy)灰度为j。固定a与b，令点(x,y)在整幅图像上移动，则会得到对应的(i,j)值；

对于大小为M×N,灰度级为L的二维数字图像u(x,y),其灰度共生矩阵可表示为:

P(i,j,d,θ)＝#{(x,y),(x+Δx,y+Δy)∈M×N|u(x,y)＝i,u(x+Δx,y+Δy)＝j}

其中d表示两个像素之间的连线距离,θ为该连线与水平方向的夹角。

进一步的，所述步骤6)具体包括：判定每个子块是否被云层覆盖,是则标记为1,并在原图中将对应的子块图像变为黑色；否则保留子块图像。

根据上述技术方案，本发明的有益效果为：

(1)本发明提出一种基于支持向量机的分类方法，根据云区与非云区在灰度、纹理、边缘等方面存在的特征差异，来对云区与非云区进行分类，从而达到对卫星可见光图像云检测的目的，从而实现了下视景象匹配正射影像匹配区图像人工干预的自动化。工程实践证明，基于支持向量机的分类方法比起基于神经网络的分类检测方法具有明显的优势，应用该方法选出的不含云层的匹配区概率较高。

(2)本发明提出一种基于分块的检测方法，就是在对待测图像进行分块处理时,采用重叠分块,即分块时使块与块之间带有重叠部分。这样在分类检测时,一个子块图像的漏判,可能会在相邻的带有重叠部分的子块图像检测中得以正确的分类判别,最终提高检测精度。

工程实践证明，本发明提出的基于svm分类器的云检测方法适用于光学、雷达等各种影像图的匹配区云检测。另外，本发明提供的云检测方法具有易操作性、实用性好、效率高的特点，是实现下视景象匹配正射影像图人工干预自动化的重要方法。

说明书附图

图1是基于SVM分类器的云检测方法模型构建流程图；

图2是正射影像匹配区图像人工干预自动化框架流程图。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案进行进一步的解释和说明。

在具体的实施例中，对规划的散布为100米，高度为300米的可见光正射匹配区图像进行云检测。

一种适用于下视景象匹配选区准则干预方法，其具体步骤如下：

1)选取训练集；

选取的训练集包括两类:无云集合和有云集合,用于SVM分类器的训练建模；其中，无云集合的选取包括了海域、城市、山地等各种无云图像的信息,而有云集合的选取则尽量涵盖了待处理可见光卫星图像中可能出现的各种云层的结构；在两类集合的选取数量上,一方面无云集合本身比有云集合要复杂得多,另一方面希望在训练的时候,分类器识别无云集合更强一点,以降低误判,所以让以上两类集合中的元素按照2:1的数量比进行选取。

具体的，准备100幅包含各种云结构的图像子块及200幅包含戈壁、陆地、城市等非云层信息的图像子块准备，以上子块大小均为45*45(像素)。

2)对选取的训练集进行特征提取，从而得到特征量；

为了便于分类训练,对训练集中的无云图和有云图分别进行相应的标记,将无云图像对应的标为0,有云图像标为1；然后对训练集中的每幅图像分别计算相应的特征,并将其存储到数据库中。

设图像为u(x,y)，其中(x,y)为点的坐标，M为图像宽度，N为图像高度。则本发明中涉及到的特征量包括：

a.灰度直方图

选取了图像直方图的均值和方差来刻画灰度特征,另外使用云层覆盖率来描述云层的亮度特征:

λ＝#{u(x,y)＞ω}/#{u(x,y)}

这里m为直方图均值，σ²为直方图方差，λ为云层覆盖率，x_i是第i级的灰度级值，i为图像灰度级数，f表示图像的直方图函数，ω为给定阈值,#{R}表示满足集合R的元素个数。

b.灰度共生矩阵

在图像中任意取一点(x,y)以及偏离它的另一点(x+Δx,y+Δy),形成一个点对，设该点对的灰度值为(i,j)，即点(x,y)灰度为i，点(x+Δx,y+Δy)灰度为j。固定a与b，令点(x,y)在整幅图像上移动，则会得到对应的(i,j)值。

对于大小为M×N,灰度级为L的二维数字图像u(x,y),其灰度共生矩阵可表示为:

P(i,j,d,θ)＝#{(x,y),(x+Δx,y+Δy)∈M×N|u(x,y)＝i,u(x+Δx,y+Δy)＝j}

其中d表示两个像素之间的连线距离,通常不易取得过大,θ为该连线与水平方向的夹角,一般取为0、π/4、π/2、3π/4。

共生矩阵反映的是整幅图像灰度分布的综合信息，设给定d和θ，将共生矩阵进行归一化处理得到归一化的共生矩阵P(i,j)，可以进一步提取出描述纹理特征的一些特征量：

(1)角二阶矩(能量)

能量反映了图像灰度分布均匀程度和纹理粗细度,粗纹理的值较大,细纹理的值较小。通常云层灰度分布较均匀,纹理较细,相应的能量就较小。其中i，j取值为灰度级0～L，L一般为255。

(2)惯性矩

惯性矩可理解为图像的清晰度。对于陆地,由于各种景物的影响,纹理的沟纹深,N₂就大,而对于云层,纹理较细且均匀,N₂就相对较小。其中i，j取值为灰度级0～L，L一般为255。

(3)熵

它反映图像中纹理的复杂程度或非均匀程度,是图像所具有的信息量的度量。由于云层的纹理相对简单,分布均匀,对应的熵值就小。而陆地纹理分布复杂,其熵值就大。其中i，j取值为灰度级0～L，L一般为255。

(4)灰度相关特征量

灰度相关特征量用来描述矩阵中行或列元素之间的灰度的相似度。

其中：

它用来衡量灰度共生矩阵元素在行或列方向上的相似程度,例如水平走向的纹理,在θ＝0方向上的N₄大于其他方向上的N₄。其中i，j取值为灰度级0～L，L一般为255。分别为与的均值。σ_x，σ_y分别为与的标准差。

3)将所述特征量连同与特征量对应的分类标号,输入到SVM分类器进行学习训练,从而建立相应的分类判决模型；

根据第2)步中得到的100幅包含各种云结构的图像子块及200幅包含戈壁、陆地、城市等非云层信息的图像子块训练集的5个新特征值和图像图像标记，建立支持向量机分类模型。将特征参数值y1(y1为5维的新向量)和图像标记结果y_i(其中，无云图像对应的标为0,有云图像标为1)作为输入。

构建相应的分类判决模型的主要步骤如下：

a.构建高斯径向基(RBF)核函数

其中，X_i为支持向量，X为输入向量，且X＝y1，σ是函数的宽度参数。

b.求解方程，获得支持向量及相应的拉格朗日算子；

c.使用拉格朗日因子法，采用核函数展开法，将训练特征向量输入，得到5维特征参数最优分界面方程

其中n＝5，非零的α_i系数影响分类结构，因子α_i是二次规划问题的解，每一个训练样本对应一个y_iα_i权值，任选一支持向量X_j，令X＝X_j,b为最优分界面方程，由式求得。g(x)的取值为1或0，作为逻辑判定值，g(x)的取值为1时，认为该图像有云不可用，否则认为该图像无云可用。

4)获取待测图像，并对待测图像进行分块处理，从而得到子块图像；

分块的好处是可以增加方法的并行性,提高检测速度；但是分块的大小会直接影响方法的运算量及检测准确度,数值试验表明越小的分块会得到越好的检测结果,同时需要的时间也更长。将待测匹配区图像以45*45大小，间隔步长为15进行分块处理。

5)对待测图像子块进行特征提取；

6)将从待测子块图像中提取的特征输入到所述分类判决模型中进行分类判别；

判定每个子块是否被云层覆盖,是则标记为1,并在原图中将对应的子块图像变为黑色；否则保留子块图像。

7)将分类判别后的图像进行输出。

上述具体实施方式仅用于解释和说明本发明的技术方案，但并不能构成对权利要求的保护范围的限定。本领域技术人员应当清楚，在本发明的技术方案的基础上做任何简单的变形或替换而得到的新的技术方案，均将落入本发明的保护范围之内。