GeoEye－1遥感图像去雾霾方法比较

吴寿江，李 亮，宫本旭，龚 梅

GeoEye－1遥感图像去雾霾方法比较

吴寿江，李 亮，宫本旭，龚 梅

(贵州省地质调查院，贵阳 550004)

在多雨多雾地区，GeoEye－1卫星获取遥感图像时常受到雾霾的影响。由于雾霾对电磁波有吸收、折射、反射和散射作用，导致遥感图像清晰度降低。因此，尽可能地消除雾霾对图像的影响，才能有效地提高遥感图像的质量。利用ENVI软件作为图像处理平台，分别选取了国内外常用的“同态滤波”、“小波变换”和本文提出的“波段计算组合”3种去雾霾方法对GeoEye－1图像进行去雾霾处理效果的研究对比。结果表明，利用“波段计算组合”方法去除GeoEye－1图像中的雾霾有很好的效果。

GeoEye－1遥感图像;同态滤波;小波变换;波段计算组合;去雾霾处理

0 引言

GeoEye－1遥感图像作为现阶段的高分辨率遥感数据源之一，在农业、城市、资源、森林、矿山调查和监测等领域得到广泛应用。但光学图像容易受到天气影响［1］，其中雾霾影响比较明显，导致图像的清晰度降低，不利于进行遥感解译和应用。因此，运用图像处理技术去除或降低雾霾的影响、提高遥感图像的质量，具有十分重要的意义。

雾霾对电磁波有吸收、折射、反射和散射作用，导致了遥感图像清晰度降低。根据光学原理，波长越长，穿透能力就越强。GeoEye－1遥感数据的不同波段对雾霾的穿透力不同，一般由雾霾所引起的噪声突出了图像的低频信息，削弱了图像的高频信息，造成有用信息的缺失，导致图像质量降低。因此，必须对图像进行去雾霾处理，消除雾霾的影响，从而提高图像的质量。

目前针对如何去除或者降低图像上的雾霾这一问题，国内外已进行了广泛研究，提出了很多方法，如基于同态滤波的遥感图像去云雾处理法［2］、基于直方图非线性拉伸的红外图像新增强算法［3］、基于线性拉伸的遥感图像处理［4］方法，针对单幅全色波段影像的直方图匹配法［5］(后来又对其进行了改进，提出了基于移动模板的局部直方图均衡技术［6］)、交互式图像去雾方法［7］、自适应滤波的高分辨率遥感图像薄云去除算法［8］、基于Retinex和小波变换的去除遥感图像云雾方法［9－10］以及采用卫星图像的红外波段或红光波段来全部或局部代替蓝光波段［11］方法等。

本文运用ENVI软件的图像处理建模功能，对GeoEye－1遥感图像中雾霾的去除技术进行初步试验和探讨。

1 雾霾对遥感图像的影响

太阳辐射通过大气照射到地球表面，经过地面物体反射又返回到传感器;有雾霾时，主要通过雾霾对电磁波的吸收、散射、折射及反射4个方面对卫星图像产生影响:①雾霾的吸收作用。太阳辐射穿过大气雾霾时，雾霾对电磁波的某些波段有吸收作用，将辐射能量转变成分子内能，引起这些波段的太阳辐射强度衰减;②雾霾的散射作用。大气中的雾霾对太阳辐射的散射使在原传播方向上到达地面的辐射强度减弱，而增加了向其他各个方向的辐射强度;③雾霾的折射作用。太阳辐射穿过雾霾时，除被部分吸收和散射外，还会产生传播方向上的改变，即折射现象，而折射率与雾霾密度直接相关;④雾霾的反射作用。除去对太阳辐射的吸收、散射和折射作用，雾霾还有一定的反射作用，反射强度越高，则使透过雾霾到达地面的太阳辐射强度越低。与此同时，地物对太阳辐射的反射电磁波在被传感器探测到的逆向过程中会再次经历雾霾的上述4种作用。雾霾的这些作用最终影响到遥感图像的质量。

2 传统的去雾霾方法

雾霾对成像光线的透射衰减，部分光在有雾霾和无雾霾时均是有效的成像光线，其衰减强度与穿过雾霾成反比。雾霾主要分布在图像的低频部分，因此，滤波是去除雾霾的一种方法。传统的去除雾霾滤波方法主要包括小波变换和同态滤波。

2.1 小波变换

图像矩阵可以被看作是二维的信号。小波变换(wavelet transform，WT)的原理就是用2组小波系数(高通、低通)对图像数据分别进行2次卷积，得到高频和低频2部分(高通滤波后的高频部分对应连续小波变换的小波空间，低通滤波后的低频部分对应连续小波变换的尺度空间);然后对低频部分进行分析，结合雾霾的高灰度特征，制定图像融合方案，以更好地保留原图像低频部分的细节特征，尽量避免了常规算法的缺点。图1示出小波变换融合流程。

图1 小波变换融合流程图Fig.1 Flow chart of wavelet transformation and confusion

2.2 同态滤波

同态滤波(homomorphic filtering，HF)的原理是将像元灰度值看作是照度和反射率2个组分的产物、把频域滤波和灰度变换结合起来的一种图像处理方法。由于照度的相对变化很小，可以看作是图像的低频成分，而反射率则是图像的高频成分;因此通过分别处理照度和反射率对像元灰度值的影响，可以达到揭示阴影区细节特征的目的。理想情况下的照度分量应该是常数，则图像的灰度主要取决于反射率，对灰度图像的同态滤波实质上是对反射率图像的高通滤波，但同态滤波比频域滤波多了一步对数和指数运算。图2示出同态滤波处理流程。

图2 同态滤波流程图Fig.2 Flow chart of homomorphic filtering

图2 中:F(x，y)表示原始图像矩阵;g(x，y)表示处理后的图像矩阵;Log表示对数运算;Exp表示指数运算;FFT表示傅立叶变换;IFFT表示傅立叶逆变换。

3 波段计算组合去雾霾方法

雾霾使成像光线的透射衰减，部分光线在有雾霾和无雾霾时均是有效的成像光线，其衰减强度与穿过雾霾的距离呈指数关系，导致目标图像的亮度和对比度降低。有雾霾时，这一部分光线被雾霾散射，偏离原来的方向，其中一部分不能成像;另一部分的成像则偏离了本来位置，使图像边缘模糊，并使图像对比度和清晰度降低(图3)。

图3 传感器和地物反射示意图Fig.3 Sketch specular map of sensor and reflection of ground features

根据光学原理，大气对光波主要有吸收、折射、散射和反射的作用，波长越长，穿透能力就越强，即透射率越高(图4)。

图4 光波按波长(频率)的划分及大气的透射特点Fig.4 Division of optical wavelength(frequency)and transmission characteristics of the atmosphere

结合水汽的特点和GeoEye－1图像的近红外波段在其4个波段中波长最长的特点，利用近红外波段和红波段计算出一个新波段(作为新的绿波段)，再与原来的红波段和绿波段(作为新的蓝波段)合成一个新图像——使雾霾对其影响较小或消除雾霾的假彩色合成图像。

针对雾霾的特点和GeoEye－1图像的波段特征，先计算出新波段x，即

式中:Nir为近红外波段亮度值;red为红光波段亮度值;x为新波段亮度值(目前，式(1)只适用于GeoEye－1图像且雾霾不是很厚的地区，式(1)中的系数为通过本文实验确定的经验系数，没有通用性)。再计算波段组合，即

式中:grn为绿光波段亮度值;Red，Grn，Blu分别为经计算后得到的红、绿、蓝波段亮度值。

在新波段组合图像中，因采用绿光波段替代蓝光波段，从而避开了雾霾对GeoEye－1蓝光波段的散射问题。由于植被对红外波段和近红外波段的反射能力较强，x波段又被赋予绿色，故植被在新的假彩色合成图像上呈现绿色;水体的反射主要在蓝、绿光波段，其他波段对水体的吸收都很强(特别是近红外波段对水体的吸收更强)，由于绿波段被赋予蓝色，故水体呈蓝偏黑色。

利用上述“波段计算组合”方法得到的波段组合形成了一种新的假彩色合成图像，既消除了雾霾对地物影像的干扰，又使影像的清晰度得到了提高。

4 方法实验

本文提出的“波段计算组合”去雾霾方法在中国地质调查局下达的“贵州中西部重点成矿带与矿集区矿山开发遥感调查与监测”项目中的“重庆秀山调查区”中已经得到了实验和应用。

该实验采用重庆秀山地区GeoEye－1图像数据，图像的获取日期为2010－01－14，原始图像雾霾密布，很适合于进行去雾霾方法实验。试验步骤如下:

1)打开GeoEye－1图像的波段说明文件，查看波段相关信息和读取图像信息;

2)用ENVI软件打开原始图像的4个多光谱波段和全色波段;

3)运行ENVI软件的波段计算模块，写出表达式(B4+6B1)/7(式中系数为本文实验区中的经验系数)进行添加，用B4指定近红外波段、B1指定红光波段，从而计算出一个新的波段，予以保存;

4)利用本文方法进行图像波段组合，将组合后的假彩色合成图像与全色波段进行融合;然后将融合的图像进行亮度拉伸增强，最后得到去雾霾结果图像。

为了说明本文方法的去雾霾效果，还采用了“同态滤波”和“小波变换”方法对重庆秀山GeoEye－1图像进行去雾霾，并对处理前后及不同方法的去雾霾效果进行了对比(图5)。结果表明，本文提出的“波段计算组合”去雾霾方法优于传统的“同态滤波”和“小波变换”去雾霾方法。

图5 不同方法的去雾霾效果对比Fig.5 Comparison of haze elimination of different methods

5 结论

1)“小波变换”将信号分解为不同尺度上的分量，突破了加窗傅里叶变换的局限，在大尺度上的信号分量具有较好的时域分辨率，在小尺度上的信号分量具有较好的频域分辨率，使图像对比更加明显，但由于细节上的弱化，却使得图像产生模糊的感觉;“同态滤波”可滤去图像低频部分的噪声，但同时也滤去了一些有用的信息，使图像的有用信息量在一定程度上减少。因此，传统的“小波变换”和“同态滤波”去雾霾效果都不能令人满意。

2)根据电磁波的波长越长其穿透性越强的原理，利用GeoEye－1图像的近红外波段波长最长、能穿透雾霾和蓝光波段散射严重、不太可能消除雾霭的特点，运用ENVI波段计算模板，建立由近红外波段和红光波段参与的相应公式进行波段计算，组合成新的遥感图像，不仅对雾霾的去除有很好的效果，而且使图像色调更加丰富，大大提高了图像质量。

3)通过在重庆秀山矿区的实验与应用表明，本文提出的“波段计算组合”去雾霾方法简单、运算速度快、效果好。与同态滤波和小波变换相比，波段计算只是一种亮度增强方法，此方法没有滤去图像的低频部分，而是利用近红外波段穿透性强的特点计算出新的波段，从而去除了雾霾、提高了图像质量。但是该方法对厚层雾霾的去除效果不佳，需要更进一步的研究。

［1］ 秦梓勤，丁明跃，张天序.雨雾天气下的户外场景成像［J］.电子学报，2002，28(3):131 －133.Qin Z Q，Ding M Y，Zhang T X.Imaging for Outdoor Scene in Rain and Fog［J］.Acta Electronica Sinica，2002，28(3):131 － 133(in Chinese with English Abstract).

［2］ 叶秋果，宗景春，李 钏，等.基于同态滤波的遥感影像去云雾处理［J］.海洋测绘，2009，29(3):45 －47.Ye Q G，Zong J C，Li C，et al.Removing Cloud and Mist from Remote Sensing Digital Images Based on Homo Graphic Filtering［J］.Hydrographic Surveying and Charting，2009，29(3):45 － 47(in Chinese with English Abstract).

［3］ 杨必武，郭晓松，王克军，等.基于直方图非线性拉伸的红外图像新增强算法［J］.红外与激光工程，2003，32(1):1 －7.Yang B W，Guo X S，Wang K J，et al.New Algorithm of Infrared Image Enhancement Based on Histogram Nonlinear Extension［J］.Infrared and Laser Engineering，2003，32(1):1 － 7(in Chinese with English Abstract).

［4］ 殷 年.基于线性拉伸的遥感图像处理［J］.光电子技术与信息，1998(5):29－33.Ying N.Image Processing Based on Linear Extension of Gray Level［J］.Optoelectronic Technology ＆ Information，1998(5):29 － 33(in Chinese with English Abstract).

［5］ 祝 培，朱 虹，钱学明，等.一种有雾天气图像景物影像的清晰化方法［J］.中国图像学报 A 辑，2004(1):124－128.Zhu P，Zhu H，Qian X M，et al.An Image Clearness Method for Fog［J］.Journal of Image and Graphics，2004，9(1):124 － 128(in Chinese with English Abstract).

［6］ 祝 培，朱 虹，钱学明，等.一种有雾天气图像景物影像的清晰化方法［J］.中国图像学报，2009(1):124－128.Zhu P，Zhu H，Qian X M ，et al.An Image Clearness Method for Fog［J］.Journal of Image，2009(1):124 － 128(in Chinese with English Abstract).

［7］ 芮义斌，李 鹏，孙锦涛，等.一种交互式图像去雾方法［J］.计算机应用，2006，26(11):2733 －2735.Rui Y B，Li P，Sun J T，et al.Interactive Defogging Method for Image［J］.Journal of Computer Applications，2006，26(11):2733－2735(in Chinese with English Abstract).

［8］ 贺 辉，彭望瑜，匡锦瑜.自适应滤波的高分辨率遥感影像薄云去除算法［J］.地球信息科学学报，2009，11(3):87 －90.He H，Peng W Y，Kuang J Y.Cloud Cover Removed from Highresolution Remote Sensing Images Based on the Adaptive Filtering and Gray － scale Transformation［J］.Journal of Geo － information Science，2009，11(3):87 － 90(in Chinese with English Abstract).

［9］ 朱锡芳，徐芳芳.Retinex和小波变换去除遥感图像云雾方法分析［J］.常州工学院学报，2007(5):8－13.Zhu X F，Xu F F.Analysis of the Methods to Remove Cloud from Remote Sensing Images Based on Retinex and Wavelet Theory［J］.Journal of Changzhou Institute of Technology，2007(5):8 －13(in Chinese with English Abstract).

［10］燕文浩，马彩文，张 鸣，等.基于小波变换的图像融合新算法［J］.光子学报，2006，35(4):638 －640.Yan W H，Ma C W，Zhang M，et al.A New Way for Image Fusion Based on Wavelet Transform［J］.Acta Photonica Sinica，2006，35(4):638－640(in Chinese with English Abstract).

［11］尹 峰，熊德科，谢 菲，等.西部山区RapidEye图像去薄云方法研究［J］.国土资源遥感，2011(4):132－135.Yin F，Xiong D K，Xie F，et al.Research on the Thin Cloud Removal Method from RapidEye Image in Western Mountain Areas［J］.Remote Sensing for Land and Resources，2011(4):132 －135(in Chinese with English Abstract).

Comparison of the Methods for Haze Elimination of GeoEye－1 Remote Sensing Image

WU Shou－jiang，LI Liang，GONG Ben－xu，GONG Mei
(Geological Survey of Guizhou province，Guiyang 550004，China)

In the rainy and foggy areas，the images acquired by GeoEye － 1 satellite are often affected by haze.Because of the influence of the absorption，refraction，reflection and scattering role of the haze on the electromagnetic waves，the image clarity is decreased.Therefore，it is necessary to eliminate the impact of the haze on the image as much as possible so as to effectively improve the quality of images.Using ENVI software as an image processing platform，the authors selected the“homomorphic filtering”and“wavelet transform”methods commonly used in China and abroad and the“band calculation composition”method proposed in this paper to make a comparative study of the effects of haze elimination for the GeoEye－1 image.The results show that the use of“band calculation composition”to remove the haze from GeoEye－1 image has a good effect.

GeoEye－1 image;homomorphic filtering;wavelet transform;band calculation composition;haze elimination

TP 751.1

A

1001－070X(2012)03－0050－04

10.6046/gtzyyg.2012.03.10

2011－11－28;

2012－01－19

中国地质调查局国土资源大调查项目(编号:1212010785011)资助。

吴寿江(1984－)，男，2008年毕业于中国地质大学(北京)，工学学士，助理工程师，主要从事遥感图像处理和矿山遥感监测等相关工作。E－mail:416589674@qq.com。

(责任编辑:刘心季)