基于小波分析的遥感影像薄云去除算法研究

李超炜+邓新蒲+赵昊宸

摘要：本文针对遥感全色影像中存在大面积薄云导致影像模糊和信息丢失的问题，提出一种基于小波变换的薄云去除算法。该算法首先通过静态小波变换将原始影像分解为低频分量和高频分量，基于低频近似系数构造云层厚度掩膜，再利用影像细节信息进一步标示云层厚度与地物区域，然后针对不同云层厚度相应地处理低频系数和高频系数，对调整后的分解系数进行反变换，得到去云图像。实验结果表明该方法有效地去除了卫星影像中的薄云噪声，对不同的云层厚度和云区范围都有较好的处理效果。

关键词：遥感影像；薄云去除；小波变换；双边滤波

中图分类号：TN976 文献标识码：A 文章编号：1007-9416（2017）06-0137-03

随着遥感技术的发展，遥感卫星的时空分辨率不断提高，工作波段也得到充分拓展。从传感器平台上获取的大量图像数据为军事观察、气象预报和环境监测等各领域的研究发展提供了重要的指导作用。由于大气空间中云层的存在，遥感光学图像易出现大量云遮挡。在云噪声的干扰下，地物信息难以辨别，不利于图像数据后续的分析处理。遥感影像中大面积云区域的存在使图像难以使用，给卫星数据传输带来不利影响，提高了空间探测成本。因此针对遥感影像，去除云干扰进而提高图像的利用率，具有十分重要的研究意义。

云大致可分为薄云和厚云。如图1（a）所示，薄云通常呈现半透明状态，包含大部分的地物信息，但由于其对太阳光的反射和散射，导致进入传感器中的地物光谱失真。在云层达到一定厚度时，地面信息即被完全遮挡，无法识别。目前针对单幅遥感影像，主要的去云算法有：直方图匹配法[1-3]，多光谱图像去云法[4-5]、同态滤波法[6-7]和小波分解法[8-9]。直方图匹配法基于薄云区域和地物区域的直方图在统计上相似，难以准确识别图像中薄云的位置，不适合小区域薄云的处理。多光谱去云法利用卫星多光谱图像中对云雾敏感的波段进行去云处理，在光谱波段有限如全色图像的情况下则无法应用。同态滤波法和小波分解法都是基于云噪声的形成模型，即认为云噪声提高了图像的低频信息，降低了高频信息，通过对高频和低频信息的不同处理达到去云目的。

上述的几种方法大多建立在整幅图像被薄云覆盖，或是厚度相同，而实际中即便是大面积薄云也存在厚度变化。基于此，本文提出根据一种基于静态小波变换去云的方法，首先构建云层厚度掩膜，结合云区纹理特点对地物区域和云层厚度加以标记，再依据标识对高频和低频信息进行不同程度的处理，从而实现去云目的。实验结果表明本文算法对大面积均匀薄云或有厚度变化的薄云都能有效去除。

1 薄云去除方法

1.1 薄云成像模型

2 实验结果与分析

本文选取两景高分二号遥感卫星全色影像为原始图像，其中既有全图都被薄云覆盖的影像，也有被部分薄云覆盖的影像。实验采用bior5.5小波，分解层数为4层。其中，双边滤波的参数σs和σr取值分别为2和IDmax‘/10，IDmax‘为滤波后纹理细节图的最大灰度值。为比较本方法去除薄云的效果，对每景影像同时采用文献[7]中的同态滤波法和文献[8]中的滤波小波变换法去云。对两景影像的去云结果，我们均将灰度值调整到0～1范围内，方便比较目视效果。

2.1 目视效果比较

图2（a）是全图均被薄云覆盖的影像，图3（a）是被部分薄云覆盖的影像。采用同态滤波法和滤波小波法对薄云覆盖影像均有一定的去云效果。但由于云层都是有厚度变化的，往往是从由厚到薄的递减过程，如果对不同厚度的云层都采用相同的处理方式，则处理效果会随着不同图像和薄云厚度而产生变化。如图2（b-c）和图3（b-c）中方框内区域所示，对于大面积厚薄不均的云层，云层区域中心相对较厚的薄云难以较好地去除。本文算法利用小波低频系数构建了厚度掩膜，并利用纹理细节的方差进一步调节低频系数和高频系数的处理强度。如图2（d）和图3（d）所示，算法对薄云全覆盖影像和部分薄云覆盖影像都能有较好的去云效果。相对同态滤波法和滤波小波变换法，本算法对边缘薄云和内部相对较厚的云层区域都能较好地去除。

2.2 统计结果評价

利用灰度均值、标准差和信息熵定量评价去云算法的效果，表1和表2分别是各方法对两景影像去云处理后的统计数据。由于原始影像被薄云覆盖，地物细节模糊，因此灰度值高，对比度低。薄云去除后，三种方法对应的灰度均值都有下降。图像整体灰度更接近，因此图像信息熵和标准差有所下降，说明达到了去云效果。由于同态滤波法对全幅影像进行操作，对不同的影像难以控制处理强度，往往使去云后的图像中仍混杂有未去除的薄云噪声，因此灰度均值降低不明显。滤波小波变换法在对小波低频系数进行去云处理时，随着分解层数的不同对次高频和较高频难以自适应界定，并且在处理高频系数时未对不同尺度加以区分。相比前两种方法的结果，本算法灰度均值低，标准差和信息熵均有上升，说明在去云的同时较好地保留了地物细节区域，使影像更为清晰。

3 结语

本文针对遥感影像云噪声问题提出了基于小波分析的薄云去除算法。算法首先对小波分解的近似系数建立云层厚度掩膜，再依据纹理细节特征进一步标记云层到地物区的厚度变化，通过对小波分解后云层的低频和高频系数自适应调整，有效地去除薄云噪声，对全图覆盖薄云和部分覆盖薄云的影像都有较好的处理效果。

经过仿真实验可以看出，原始影像经去云处理后目视效果和统计参数都有改善。相比同态滤波法和滤波小波变换法，本文算法在去云时考虑了云层厚度，对分解系数的处理强度能与每幅影像的薄云区域以及分解层数相适应，对实际工程中遥感影像的去云处理具有一定参考作用。

参考文献

[1]Artamonov E S， Protasov K T. Restoration of fragments of satellite images of the earth underlying surface shadowed by haze and clouds[C]. The 6th International Symposium on Atmospheric and Ocean Optics.1999.

[2]Richter R. A spatially adaptive fast atmospheric correction algorithm[J]. Int J Remote Sens，1996，（6）：1201-1214.

[3]李月臣，陈晋，刘春霞，等.一种除去遥感影像薄云雾的方法[J].成都理工大学：自然科学版，2006，（1）：58-63.

[4]Zhangye Wang， Jianqiu Jin， Ke Yan.et al. A New Cloud Removal Algorithm for Multi-spectral Images[C]. Proc. of SPIE， SAR and Multispectral Image Processing （MIPPR 2005），2005，（24）：1-11.

[5]E. El-Araby， et al. Reconfigurable processing for satellite on-board automatic cloud cover assessment[J].Journal of Real-Time Image Processing，2009，（2）：24-26.

[6]沈文水，周新志.基于同态滤波的遥感薄云去除算法[J].强激光与粒子束，2010，（1）：45-48.

[7]李刚，杨武年，翁韬.一种基于同态滤波的遥感图像薄云去除算法[J].测绘科学，2007，（3）：47-48.

[8]李海巍，杨敏华，刘益世.基于中值滤波和小波变换的遥感影像去云[J].测绘与空间地理信息，2012，（6）：49-51.

[9]陈奋，闫冬梅，赵忠明.基于无抽样小波的遥感影像薄云检测与去除[J].武汉大学学报：信息科学版，2007，（1）：71-74.endprint