一種基於空間與光譜信息的高光譜自動雲檢測方法
2023-09-21 17:49:55 1
專利名稱：一種基於空間與光譜信息的高光譜自動雲檢測方法
技術領域：
本發明涉及遙感技術領域，尤其是一種基於空間與光譜信息的高光譜自動雲檢測方法，可應用於航天、航空傳感器平臺獲取的高光譜遙感影像的自動雲檢測。
背景技術：
隨著空間技術和傳感器技術的飛速發展，遙感影像數據已經成為人們獲取信息的重要手段，在軍事偵察、環境監測、資源調查、土地利用和城市規劃等領域發揮越來越重要的作用。然而，雲作為光信號傳播的一種障礙，很大程度上影響了遙感信息獲取的質量，從而降低了數據的利用率。目前除了合成孔徑雷達傳感器可以透過雲層直接成像，其他傳感器均未能徹底解決影像數據的雲覆蓋問題，大量含雲的遙感影像不僅給遙感影響處理，如識別、分類帶來困難，也增加了傳輸帶寬和存儲空間。因此，快速準確的自動雲檢測方法是 當前遙感信息處理亟待解決的問題。在遙感圖像雲的檢測和識別方面，國內外的研究者和技術人員進行了大量的研究，也取得了一些研究成果。傳統的檢測方法大致可以分為兩類，一類是基於光譜的方法，主要利用雲在不同的光譜波段有不同反射特徵，大部分以灰度閾值或灰度聚類的方法實現，基於這些方法的研究已應用於MODIS的一些雲識別與分類。這些方法主要基於無監督學習，識別效果通常依賴於算法中閾值的選取大小，因此，系統不夠穩定；另外，由於圖像光譜特徵受周圍環境影響較大，可能存在局部誤差及同譜異物、同物異譜現象，導致識別效果變差；算法中沒有考慮到圖像的空間信息，其識別率難以進一步提高，虛警率和漏檢率難以得到保證。另一類雲判方法利用雲影像的灰度空間分布提取特徵，常用紋理特徵和物理特徵(雲的亮度、潔白度等)。紋理特徵常以統計模型法、結構法、場模型法或頻域/空域聯合分析法來度量。這些方法中存在計算量大，自然紋理很難用單一模型表達的缺點，算法泛化性能不好，大多數方法只適合一部分特定圖像。難以滿足現代遙感海量數據處理及實時快速判讀圖像情報的需要。隨著高光譜遙感技術的發展進步，可以獲得地物更豐富的光譜信息，圖像光譜信息和空間信息的有效結合能有效提高圖像中雲的特徵判別，基於空間信息與光譜信息的自動雲檢測系統能改進檢測效果，並在適用性能和穩定性能方面有顯著提高。
發明內容
為了實現高光譜遙感圖像的自動雲判，本發明的目的是綜合利用圖像處理、模式識別和人工智慧技術，提供一種基於空間與光譜信息的高光譜雲檢測方法。本發明所提出的一種基於空間與光譜信息的高光譜自動雲檢測方法，其特徵在於，該方法包括以下步驟步驟SI，將雲、雪和水的光譜樣本作為訓練樣本，對所述訓練樣本依次進行預處理以過濾噪聲、波段選擇以剔除掉影響光譜發射率的波段和光譜描述特徵提取；步驟S2，根據提取得到的訓練樣本的光譜描述特徵進行有監督訓練，根據學習的結果得到雲光譜分類模型；步驟S3，對輸入的待檢測的高光譜遙感圖像也進行與所述訓練樣本同樣的預處理、波段選擇與光譜描述特徵提取處理；步驟S4，根據所述步驟S2學習得到的雲光譜分類模型，對所述高光譜遙感圖像中的每一個像元進行分類，以初步判斷所述高光譜遙感圖像中的每一個像元是否含有雲；步驟S5，利用所述步驟S4的初步分類結果以及空間一致性過確定所述高光譜遙感圖像中有雲的像元；
步驟S6，統計所述高光譜遙感圖像中有雲像元佔所述高光譜遙感圖像所有像元的比例，如果該比例大於一預定閾值，則判定該高光譜遙感圖像為有雲圖像，即得到高光譜遙感圖像的雲判結果。本發明的有益效果是，本發明通過基於空間信息與光譜信息的自動雲檢測，結合圖像分割、目標分類識別和機器學習技術，解決了高光譜雲判問題，避免了僅利用紋理信息或僅利用光譜信息而造成的低檢測率。本發明通過對雲光譜的訓練學習和空間一致性的判斷得出雲判結果，該方法魯棒性較強。
圖I是本發明提出的一種基於空間與光譜信息的高光譜自動雲檢測方法的流程圖。圖2是本發明鄰域像元空間位置關係的示意圖。圖3是本發明空間一致性判斷流程圖。
具體實施例方式為使本發明的目的、技術方案和優點更加清楚明白，以下結合具體實施例，並參照附圖，對本發明進一步詳細說明。本發明使用的方法既可以在個人計算機、工控機及伺服器上以軟體的形式安裝並執行，也可將方法做成嵌入式晶片以硬體的形式來體現。圖I是本發明提出的一種基於空間與光譜信息的高光譜自動雲檢測方法的流程圖，如圖I所示，本發明提出的一種基於空間與光譜信息的高光譜自動雲檢測方法，包括以下幾個步驟步驟SI，將雲、雪和水等的光譜樣本作為訓練樣本，對所述訓練樣本依次進行預處理以過濾噪聲、波段選擇以剔除掉影響光譜發射率的波段和光譜描述特徵提取；其中，用以過濾噪聲的預處理操作是本領域的通用技術，在此不作贅述；所述波段選擇是根據波長範圍過濾掉對大氣氣溶膠影響較大的波段，保留圖像質量較好的波段；所述特徵提取是將保留下來的波段的反射值組成一維的向量，作為光譜的描述特徵，當然也可以提取其它的光譜描述特徵。步驟S2，根據提取得到的訓練樣本的光譜描述特徵進行有監督訓練，根據學習的結果得到雲光譜分類模型；該步驟中，可以採用離線學習的方式來訓練得到雲光譜分類模型，而有監督訓練方法為本領域的通用技術，在此不作贅述。
步驟S3，對輸入的待檢測的高光譜遙感圖像也進行與所述訓練樣本同樣的預處理、波段選擇與光譜描述特徵提取處理，並且提取的光譜特徵與所述訓練樣本提取的光譜描述特徵相同；步驟S4，根據所述步驟S2學習得到的雲光譜分類模型，對所述高光譜遙感圖像中的每一個像元進行分類，以初步判斷所述高光譜遙感圖像中的每一個像元是否含有雲；步驟S5，利用所述步驟S4的初步分類結果以及空間一致性過確定所述高光譜遙感圖像中有雲的像元；—般來說，雲在圖像中都是成片出現的，很少有孤立的雲像元，因此根據高光譜遙感圖像中鄰域像元的空間相關性，可以通過統計某一像元的8鄰域像元與該像元在光譜角度與分類類別的一致性來判斷該像元是否確實為有雲像元。圖2給出了本發明鄰域像元空間位置關係的示意圖。圖中，像元Px為待判斷的像元，P1、P2…P8為其鄰域像元，圖中右側由上到下分別為像元Pl與Px的光譜曲線圖。 如果某一像元的鄰域像元中被初步分類為含有雲的像元的數量超過5個，且該像元與所有鄰域像元的光譜角度距離都比較小，則可判斷該像元為有雲像元，否則判斷為無雲像元。圖3給出了本發明空間一致性判斷流程圖。如圖3所示，所述步驟S5進一步包括以下步驟步驟S51，對於每個經過光譜分類後初步判斷為有雲的像元，統計其8鄰域像元的分類類別；步驟S52，如果所述8鄰域像元中有超過5個的鄰域像元的分類結果均為有雲像元，則繼續計算該像元與其所有鄰域像元光譜向量的最大光譜角度；其中，兩個像元的光譜向量的最大光譜角度e (X，y)由下式計算
/y> \
_4] 6(x,y)= arccos其中，x、y分別表示兩個像元的光譜向量。步驟S53，如果計算得到的該像元與其所有鄰域像元光譜向量的最大光譜角度均在某一預定範圍內，則判斷該像元為有雲像元，否則該像元為無雲像元。所述預定範圍可設為
。步驟S6，統計所述高光譜遙感圖像中有雲像元佔所述高光譜遙感圖像所有像元的比例，如果該比例大於一預定閾值，則判定該高光譜遙感圖像為有雲圖像，即得到高光譜遙感圖像的雲判結果。該步驟中，所述高光譜遙感圖像中有雲像元佔所述高光譜遙感圖像所有像元的比例以百分數的形式來表示；所述預定閾值可預先設定。以上所述的具體實施例，對本發明的目的、技術方案和有益效果進行了進一步詳細說明，所應理解的是，以上所述僅為本發明的具體實施例而已，並不用於限制本發明，凡在本發明的精神和原則之內，所做的任何修改、等同替換、改進等，均應包含在本發明的保護範圍之內。
權利要求
1.一種基於空間與光譜信息的高光譜自動雲檢測方法，其特徵在於，該方法包括以下步驟 步驟SI，將雲、雪和水的光譜樣本作為訓練樣本，對所述訓練樣本依次進行預處理以過濾噪聲、波段選擇以剔除掉影響光譜發射率的波段和光譜描述特徵提取； 步驟S2，根據提取得到的訓練樣本的光譜描述特徵進行有監督訓練，根據學習的結果得到雲光譜分類模型； 步驟S3，對輸入的待檢測的高光譜遙感圖像也進行與所述訓練樣本同樣的預處理、波段選擇與光譜描述特徵提取處理； 步驟S4，根據所述步驟S2學習得到的雲光譜分類模型，對所述高光譜遙感圖像中的每一個像元進行分類，以初步判斷所述高光譜遙感圖像中的每一個像元是否含有雲； 步驟S5，利用所述步驟S4的初步分類結果以及空間一致性過確定所述高光譜遙感圖像中有雲的像元； 步驟S6，統計所述高光譜遙感圖像中有雲像元佔所述高光譜遙感圖像所有像元的比例，如果該比例大於一預定閾值，則判定該高光譜遙感圖像為有雲圖像，即得到高光譜遙感圖像的雲判結果。
2.根據權利要求I所述的方法，其特徵在於，所述波段選擇是根據波長範圍過濾掉對大氣氣溶膠影響較大的波段，保留圖像質量較好的波段。
3.根據權利要求I所述的方法，其特徵在於，所述特徵提取是將保留下來的波段的反射值組成一維的向量，作為光譜描述特徵。
4.根據權利要求I所述的方法，其特徵在於，所述步驟S2中，採用離線學習的方式來訓練得到雲光譜分類模型。
5.根據權利要求I所述的方法，其特徵在於，所述步驟S3中，對輸入的待檢測的高光譜遙感圖像提取的光譜描述特徵與對所述訓練樣本提取的光譜描述特徵相同。
6.根據權利要求I所述的方法，其特徵在於，所述步驟S5進一步包括以下步驟 步驟S51，對於每個經過光譜分類後初步判斷為有雲的像元，統計其8鄰域像元的分類類別； 步驟S52，如果所述8鄰域像元中有超過5個的鄰域像元的分類結果均為有雲像元，則繼續計算該像元與其所有鄰域像元光譜向量的最大光譜角度； 步驟S53，如果計算得到的該像元與其所有鄰域像元光譜向量的最大光譜角度均在某一預定範圍內，則判斷該像元為有雲像元，否則該像元為無雲像元。
7.根據權利要求6所述的方法，其特徵在於，所述步驟S52中，兩個像元的光譜向量的最大光譜角度0 (X, y)由下式計算
8.根據權利要求6所述的方法，其特徵在於，所述預定範圍為[O，/2]。
9.根據權利要求I所述的方法，其特徵在於，所述步驟S6中的所述預定閾值可預先設定。
全文摘要
本發明公開了一種基於空間與光譜信息的高光譜自動雲檢測方法，可用於航天、航空高光譜遙感圖像的自動雲判，減少高光譜遙感數據的存儲成本，節省傳輸帶寬。該方法包括以下步驟根據云、雪和水等光譜樣本進行預處理和波段選擇，之後進行特徵提取；採用分類器進行樣本訓練，得到雲的光譜分類模型；在高光譜圖像雲檢測階段，通過與訓練階段相同的預處理、波段選擇和特徵提取，對高光譜每個像元進行分類；考察像元與鄰域像元的一致性，最終確定該像元是否為有雲像元，最後統計有雲像元所佔比例，給出雲判結果。本發明結合圖像分割、目標分類識別和機器學習技術，解決了高光譜雲判問題，避免了僅利用紋理信息或僅利用光譜信息而造成的低檢測率的缺陷。
文檔編號G06K9/66GK102799903SQ20121024920
公開日2012年11月28日 申請日期2012年7月18日 優先權日2012年7月18日
發明者馬雷, 張秀玲, 田原, 郭建恩, 江碧濤 申請人:中國科學院自動化研究所, 北京市遙感信息研究所