低辐射校准精度光学遥感影像云识别方法、系统及计算机存储介质与流程
本发明属于光学遥感图像处理技术领域，更具体地说，涉及光学遥感影像的云识别技术。
背景技术：
光学遥感成像时受天气条件的强烈影响，气溶胶、云等天气因素的存在使大多数光学遥感图像的可利用性降低。虽然大气校正可以消除气溶胶的影响，但对于云，尤其是厚云，大气校正却无法移除。而由于云对地物信息的遮挡，使得光学遥感影像中有云区域无法获取地面目标的正确信息，直接影响光学遥感影像的下一步应用，包括目标提取、变化检测等。如果直接利用有云的遥感影像进行地面目标的提取及变化的监测，将导致错误的结果。虽然利用无云的影像可以避免这个问题，但对于全球大多数地区，获取无云图像的概率较小。因此，光学遥感影像的云识别，是遥感数据处理的重要步骤之一。
目前光学遥感影像云识别方法主要有反射率阈值法、多时相对比检测法和模式识别法。这几种方法应用于低辐射校准精度的光学遥感影像具有各自的不足：
反射率阈值法根据传感器定标参数、卫星影像成像时的几何参数和大气参数，需首先将遥感影像像元数字值(digitalnumber-dn)转换为星上反射率或地表反射率，然后针对某些特征波段或者波段四则运算结果设置一个固定阈值，对遥感影像中的云信息进行提取。该方法需要精确的传感器辐射定标参数，若应用于低辐射校准精度的遥感影像，由于低辐射校准精度光学遥感的定标系数精度较差，计算得到的星上反射率或地表反射率的精度差异较大，因此不同影像需分别分别计算并设置阈值提取云信息，因此效率低下，难以实现自动化和高效化的云识别处理.
多时相对比检测法首先需选择与待处理影像相同区域的无云遥感影像作为参考影像，且参考影像的空间分辨率需与待处理的影像一致，然后采用相对辐射校正方法，消除或减小两期影像之间的辐射差异，最后采用遥感影像变化检测算法提取云信息。该方法需要预先建立无云的参考影像数据，费时费力，尤其用于大区域数据的云识别时效率低。此外，两期影像之间地物的变化，也将影响云信息的提取精度。
模式识别法首先需以云本身为对象，通过先验数据构建云特征训练集，然后采用人工神经网络、聚类等方式建立云检测器，最后才能实现输入影像的自动云检测。该方法的性能好坏依赖于训练数据的正确性和不同类特征的合适组合，但云检测效果受云训练集、云检测器影响较大，容易导致非训练集特征云、云边缘、低亮度云检测失败，很难保证训练数据集的正确性，且先验数据训练需耗费大量时间，后期云检测计算量也较大，导致总体效率较低。
技术实现要素：
针对现有云识别方法应用于低辐射校准精度的光学遥感影像存在自动化程度低或者辅助数据准备时间长等问题，本发明的目的是提供一种低辐射校准精度光学遥感影像云识别方法,面向低辐射校准精度的光学遥感影像，其先基于遥感影像dn值累积频率分布的归一化方法，然后设置波段阈值对云信息进行自动提取。该方法人工参与少、自动化程度高，提取结果准确性高，可快速准确的提取低辐射校准精度的光学遥感影像云信息。
本发明解决上述技术问题的方案如下：
一种低辐射校准精度光学遥感影像云识别方法，其包括以下步骤：
步骤1，采用累积频率计算法，将低辐射校准精度的光学遥感影像逐波段进行归一化处理,得到归一化多波段影像ni；
步骤2，对于归一化后的数据，逐像元计算所有波段的乘积，得到单波段的影像pni，并统计pni的最大值和均值，计算归一化多波段影像ni的波段最大差值影像dni；
步骤3，设置pni影像和dni影像的阈值，进行云信息的自动提取。
进一步地，所述步骤1具体是对低辐射校准精度的光学遥感影像x进行逐波段归一化处理，获得归一化多波段影像ni，公式如下：
式中nii，j为归一化影像像元i在波段j的值，xi，j为原始影像像元i在波段j的dn值，tj为波段j的有效值阈值，
进一步地，所述步骤2包括：
2.1，对归一化多波段影像ni逐像元计算所有波段的乘积，得到单波段的影像pni，公式如下
式中n为波段总数，nii，j为归一化后影像像元i在波段j的值；
2.2，对归一化多波段影像ni逐像元计算所有波段的最大差值，得到单波段的差值影像dni，公式如下
dnii＝max(nii，*)-min(nii，*)
式中max(nii，*)为归一化影像像元i在所有波段的最大值，min(nii，*)为归一化影像像元i在所有波段的最小值。
进一步地，所述步骤3的自动提取方法是：根据pni和dni影像，自动提取同时满足下列两个条件的像元为云像元：
式中mean(pni)为pni影像的均值，max(pni)为pni影像的最大值，k1、k1为阈值。
本发明具有的有益的效果如下：
与现有技术相比，本发明针对低辐射校准精度的光学遥感影像，无需提供无云参考影像，或者其他辅助定标参数，采用累积频率法进行自动归一化处理，然后对归一化影像进行计算及特征值统计，可最终实现低辐射校准精度的光学遥感影像云信息的自动识别与提取，可快速准确的提取低辐射校准精度的光学遥感影像云信息，大大提高了效率，降低了成本，为遥感影像的进一步应用提供基础
附图说明
图1是一种低精度光学遥感影像云识别方法的流程图。
图2是待处理的示例影像图；
图3是待处理的示例影像局部图；
图4是归一化多波段影像图；
图5是归一化多波段影像局部图；
图6是单波段影像图；
图7是单波段影像局部图；
图8是最大差值影像图；
图9是最大差值影像局部图；
图10是云信息提取结果图；
图11是云信息提取结果局部图。
具体实施方式
参见图1，本发明方法的流程主要分为三大部分：
第一部分是采用累积频率计算法，将低辐射校准精度的光学遥感影像逐波段进行归一化处理，使各波段数据之间具有尺度一致性。
第二部分是以归一化后的数据为基础，逐像元计算所有波段的乘积，得到单波段的影像pni，并统计pni的最大值和均值，然后计算归一化影像ni的波段最大差值影像dni，
第三部分是通过设置pni影像和dni影像的阈值，进行阈值分割，实现云信息的自动提取。
以下结合具体实施例，对本发明做进一步说明具体步骤描述如下：
本实施例中，以2020年6月30日拍摄的高分1号多光谱光学卫星遥感影像为例，该影像中心坐标点为东经108.7°，北纬30.8°。高分1号卫星于2013年4月26日发射入轨，卫星设计寿命5-8年。该影像获取时，高分1号已达设计寿命末期，传感器性能衰减较为严重，影像辐射校准精度较低，示例影像如图2和图3所示。
步骤1，低辐射校准精度的光学遥感影像归一化处理
低辐射校准精度的光学遥感影像由于没有准确的辐射定标系数，无法转换为精确的星上反射率或地表反射率，因此同一影像的不同波段、以及不同影像之间的数据一致性较差，难以进行自动化的云识别。本发明对于低辐射校准精度的光学遥感影像，记为x，首先对其进行逐波段归一化处理，获得归一化多波段影像ni，公式如下：
式中nii，j为归一化影像像元i在波段j的值，xi，j为原始影像像元i在波段j的dn值，tj为波段j的有效值阈值，
对图2和图3所示的示例影像按步骤1所述的归一化公式进行处理，得到归一化多波段影像，见图4和图5。
步骤2，归一化影像处理
步骤2.1，对步骤1中归一化处理后的多波段影像逐像元计算所有波段的乘积，得到单波段的影像pni，公式如下
式中n为波段总数，nii，j为归一化后影像像元i在波段j的值。
本实施例中，对归一化多波段影像按步骤2.1所述公式进行处理，得到单波段影像，如图6和图7所示。
步骤2.2，对步骤1中归一化处理后的多波段影像逐像元计算所有波段的最大差值，得到单波段的差值影像dni，公式如下
dnii＝max(nii，*)-min(nii，*)
式中max(nii，*)为归一化影像像元i在所有波段的最大值，min(nii，*)为归一化影像像元i在所有波段的最小值。
本实施例中，对归一化多波段影像按步骤2.2所述公式进行处理，得到最大差值影像，如图8和图9所示。
步骤3，云信息提取
根据以上步骤2获得的pni和dni影像，自动提取同时满足下列两个条件的像元为云像元：
式中mean(pni)为pni影像的均值，max(pni)为pni影像的最大值，k1、k1为阈值。一般k1可设置为0.3，k2设置为0.15。
本实施例中，提取出的云信息如图10和图11所示，白色为云信息。
从以上的实施过程和结果图示可见，本方法人工参与少、自动化程度高，提取结果准确性高，达到了快速准确的提取低辐射校准精度的光学遥感影像云信息的目的。
本发明进一步的实施例还提供一种实现上述方法的低辐射校准精度光学遥感影像云识别系统，其包括：
归一化处理模块，用于采用累积频率计算法，将低辐射校准精度的光学遥感影像逐波段进行归一化处理,获得归一化多波段影像ni。
单波段影像pni和波段最大差值影像dni计算模块，用于对于归一化后的数据，逐像元计算所有波段的乘积，得到单波段的影像pni，并统计pni的最大值和均值，计算归一化多波段影像ni的波段最大差值影像dni。
云信息提取模块，用于设置单波段影像pni和波段最大差值影像dni的阈值，自动提取云信息。
更进一步的实施例中，还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以上所述的低辐射校准精度光学遥感影像云识别方法。
最后，需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。
- 还没有人留言评论。精彩留言会获得点赞！