国产高分多光谱数据的自动云检测

吴金亮

（中国电子科技集团公司第五十四研究所，河北石家庄050081）

国产高分多光谱数据的自动云检测

吴金亮

（中国电子科技集团公司第五十四研究所，河北石家庄050081）

针对国产高分多光谱影像质量判定的需求，提出阈值法与聚类分析相结合的云检测算法。分析大量高分多光谱影像中云区的特征，计算云区值域的统计区间。根据统计结果，首先识别出影像中云区的种子区域和地物的种子区域。利用相似性聚类分析，进一步细化未识别区域，检测出影像中完整的云区。该方法在大量高分多光谱影像数据上进行实验，均得到较好结果。

阈值法聚类分析图像分割云检测

1　引言

2013年4月26日，高分一号卫星成功发射升空。高分一号影像数据包括2 m/8 m全色、8 m/16 m多光谱四类。截至2013年底，高分一号卫星共向用户部门提供了2 m/8 m影像247 731景，16 m影像75 766景，在国土资源调查与动态监测、地质灾害监测，气候变化监测和农业设施分布调查等方面发挥了重要作用。

影像数据的质量极易受拍摄地区的天气状况影响，发生信息的损失及污染，对后续的信息处理造成影响，如地物的分类、目标的检测和地物的识别等。由于天气状况的影响，云的遮挡造成的污染最常见也最严重。对影像数据进行质量检测，计算其被云遮挡的区域范围，有着重要的应用价值，可以避免无效数据的存储及其对后续计算资源的浪费。高分影像数据量巨大，质量检测如果完全依赖人工操作，将大大增加人力成本和时间成本。自动云检测算法将减少人工操作，提高效率并降低成本。

2　相关工作

目前有大量云检测算法被提出。杨俊等［1］利用插值法获取局部阈值来识别云区，周丽娟［2］提取图像结构纹理特征，利用SVM优化分类面实现云检测，曹琼等［3］分析图像的纹理特征，并结合简单分类面实现自动云检测，郑君杰等［4］将图像纹理特征以及神经网络引入到云检测算法中。目前的遥感影像云检测主要依据国外卫星（Landsat、MODIS和NOAA等）的影像进行分析处理。针对国内高分影像数据的云检测算法研究较少。相较于国外的高分影像数据，国内高分数据在空间分辨率、波谱参数方面都有所不同，处理方式也不相同，本文主要针对国内高分多光谱影像数据进行自动云检测。

3　云区特征统计分析

高分多光谱影像有4个波段，每个波段提供大量地物信息，为自动云检测提供数据基础。通过分析大量高分多光谱影像中云区的特征，发现云区的值域区间与地物的值域区间存在较大差异，可以通过阈值法进行简单区分。分析高分多光谱影像及其对应的剖面图，显示云区中像素在各个波段的取值都集中于较高的值域区间，而地物像素会在某个波段取较低值。

4　云区识别及提取

提出的自动云检测算法对于待检测的高分多光谱影像数据，首先利用均值偏移算法［5］对其进行分块预处理，以每个分割块作为基本处理单元，利用统计阈值进行初步检测，利用相似性聚类分析来细化粗分结果，下面章节将详细描述相关处理。

4.1分块预处理

影像分块作为云检测预处理，合并相邻的相似像元。以分割块作为处理单元可以降低后续处理的计算复杂度，提高处理的稳定性。采用均值偏移算法对影像进行分块处理，均值偏移算法通过不断迭代偏移均值，将相似像素进行聚类合并。如图1所示，图1（a）为输入的高分影像，（b）为其对应的分割结果，每个分割块的颜色值取区块内像素点的平均值。定义2个分割块p和q在CIE-Lab颜色空间的距离：

图1　提出的自动云检测流程

4.2统计阈值法云检测

利用云区的统计值域区间与地物的统计值域区间，对输入的高分多光谱影像进行初步云区检测，识别出云区的种子区域及地物的种子区域。图1（c）显示了根据统计的阈值进行初步检测的结果，可以看出主要的云区已经被检测出来，但是检测结果不完整，很多不在统计区间的云区，未能检测到。图1（d）显示了检测结果的掩码图，红色区域为检测到的云区，蓝色区域为检测到的地表区域，白色区域为需要进一步检测细化的区域。

4.3相似性聚类分析

受Huang等［6］工作的启发，以阈值法检测的种子区域为基础，利用聚类分析的思想，对尚未识别的区域进行细化判断。对于已经检测到的云区，指定其标签为0，对于已经检测的地表区域，指定其标签为1。聚类分析的目的，为对尚未识别的区域，为其指定对应的标签，确定其属于云区还是地表区域。

将Huang等的算法框架应用到云区检测，通过优化如下能量函数，计算每个结点对应的标签，来确定其属于云区还是地表区域，

其中，λ为常量，用于控制检测的云区平滑连续，β为常量，用于控制分类过程中对颜色变化差异的容忍程度。的大小反映2个相邻结点之间的相似性，2个结点越相似其值越大，该能量用于细化云区的边界，避免出现边界偏移问题。相似性度量定义为：

利用最大流/最小割优化算法［7］对能量函数进行快速求解，得出每个结点的标签，检测影像中的整个云区，检测结果如图1（e）所示。

5　实验结果

对多幅不同的高分影像进行云检测实验，实验结果如图2所示。图2（a）为原始高分影像，图2（b）为检测结果，为更好地显示检测结果，在检测结果图中添加了一个半透明的白色图层，用于标识检测到的云区，检测到的云区边界用红色显示。对大量遥感影像的统计分析，得出的云区的统计区间为［720，1024］，地物的统计区间［0，300］。高光谱影像中4个波段的值都位于［720，1024］区间，则确定为云区的种子区域。4个波段中有一个值位于［0，300］，确定为地表的种子区域。相似性聚类分析中，获取相似性结点对集合的阈值取，用于控制各项能量的平衡参数、，影响分割结果平滑程度的参数。对于大小为4 500★4 548的多光谱影像，算法处理时间在10 s以内，主要消耗在对影像的分割预处理和最大流/最小割优化求解上。

图2　检测结果

6　结束语

阈值法与相似性聚类分析的结合，鲁棒地实现了对国产高分多光谱影像数据的自动云检测。实验结果表明，提出的算法有较高的云检测精度，但在薄云检测方面，仍有待进一步提高。算法目前还达不到实时检测的程度，瓶颈在分割预处理和最大流/最小割优化求解上，正在结合算法的GPU实现来加速处理，以实现对高分影像的实时自动云检测。

［1］杨俊，吕伟涛，马颖，等.基于局部阈值插值的地基云自动检测方法［J］.气象学报，2010，68（6）：1007-1017.

［2］周丽娟.可见光卫星图像的云检测算法研究［D］.西安电子科技大学，2012：6-10.

［3］曹琼，郑红，李行善.一种基于纹理特征的卫星遥感影像云探测方法［J］.航空学报，2007，28（3）：661-666.

［4］郑君杰，黄峰，张韧，等.基于纹理与分形理论的气象卫星云图目标物识别［J］.气象科学，2005，25（3）：244—248.

［5］Commaniciu D，Meer P.Mean Shift：A Robust approach toward Feature Space Analysis［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（5）：630-619.

［6］Huang H，Zhang L，Zhang H C.RepSnapping：Efficient Image Cutout for Repeated Scene Elements［J］.Computer Graphics Forum，2011，30（7）：2059-2066.

［7］Kolmogorov V，Zabih R.What Energy Functions Can Be Minimized Via Graph Cuts？［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26（2）：147-159.

Cloud Detection Algorithm for Domestic High-Resolution Multispectral Image Data

WU Jin-Liang
（The 54th Research Institute of CETC，Shijiazhuang Hebei 050081，China）

In order to conduct quality judgement of domestic high-resolution image，the cloud-detection algorithm is proposed，which combines the threshold value method with the cluster analysis.By studying the features of clouds in many high resolution multispectral images，the statistical area of cloud value range is calculated.According to the statistical result，the algorithm can be used to identify the seed regions of cloud and object.The unlabeled region is further refined and the whole cloud region is detected by using similarity cluster analysis.Some experiments are conducted on a large number of high-resolution image data are conducted，and the results show that this algorithm has high performance.

threshold value method；cluster analysis；image segmentation；cloud detection

TP303

A

1008-1739（2015）14-45-4

定稿日期：2015-06-26