风云气象卫星影像自动精细云检测

刘 军，郑群峰,2，邢秀为，陈训来,2，陈 潜,2，钱 静

(1. 深圳南方强天气研究重点实验室，广东 深圳 518040； 2. 深圳市气象局，广东 深圳 518040； 3. 中国科学院深圳先进技术研究院,广东 深圳 518055)

随着遥感卫星技术的不断发展，遥感技术在气象科研与应用方面发挥着越来越重要的作用。云是气象与气候研究中比较重要的影像因子，正确地分离气象遥感图像中的有云像元和无云像元,对于天气预报、气象灾害预防、温度反演、救援及生态环境的监控等都有重大的影响，因此卫星云图云检测变得越来越重要[1]。做好云检测工作能够为后续云剔除、云分类及其他气象应用打下坚实的基础。

传统的云检测方法主要以阈值分割方法为主，云在可见光和近红外光谱中表现的特性是高反射率低亮温，利用这一特性，可以选择合适的阈值确定像素上是否有云。目前的阈值法包括光谱结合阈值法、频率结合阈值法等[2-3]。另一类云检测方法主要是根据云的纹理、形状、灰度等物理特征来进行分类[4-5]。纹理分析法利用云与地面纹理特征差异，常以分块子图为单位，结合二阶矩、分形维数、灰度共生矩阵和多次双边滤波进行纹理特征计算。统计学方法也有较成功的应用，主要分为统计方程和聚类分析法。统计方程法利用样本数据建立模拟公式计算云的反射率或亮温来进行云检测，聚类分析法是根据不同地物类型的像元观测值存在明显的差别的原理实现云检测，在样本量较大时，要获得聚类结论有一定困难，需要人为干预，极大地影响了检测效率。近年来综合智能法在遥感领域的应用也逐渐增多，主要包括人工神经网络、支持向量机和模糊逻辑算法等[6-7]。综合智能法在实现的过程中需要获取大量的训练样本，对分类特征的选取要求较高，针对不同数据需要重新选取样本，导致效率低下。

抠图技术可以实现精细的目标检测。2000年，文献[8]设计了Knockout系统,用于估计未知区域中的任意像素点。文献[9]最先在抠图方法上利用统计学的方法来估计alpha值，即基于概率统计的图像抠图方法。2012年文献[10]提取出了一种基于颜色和纹理加权的采样抠图方法。文献[11]提出了基于学习的抠图方法。文献[12]提出了稳健性抠图方法。在此基础上，还有更多的改进抠图方法广泛应用于数字图像处理的各个领域[13-17]。但是在这些方法的实际适用中，需要事先给定前景和背景的样本，在海量影像处理应用中具有一定的局限性。因此，基于抠图技术优良的细节检测能力，本文将其引入气象卫星云检测业务中，基于集成阈值技术[18]，通过连通区自动生成三分图，从而实现自动的精细云检测。

1 闭形式抠图原理

图像中一个像素点的值可以用式(1)表示，抠图方法中将图像I作为输入，第i个像素是其对应的前景颜色Fi和背景颜色Bi的组合。

Ii=αiFi+(1-αi)Bi

(1)

式中，αi为前景的不透明度。抠图是需要求解出αi，而式(1)右边都是未知的。因此，对于一个3通道的彩色图像，每个像素对应于3个等式7个未知数。为了解决严重的欠约束问题，需要通过用户提供更多的约束来解决病态问题。

假设F和B是每个像素附近小窗口上的近似常量，并且F和B局部平滑。重写式(1),将α表示成图像I的线性函数

αi≈aIi+b∀i∈w

(2)

(3)

式中，wj为窗口w附近的小窗口。代价函数式(3)包括a的一个正则化项，用来维持这个项的数值稳定性。

2 本文方法

2.1 总体思路

本文将抠图原理引入风云卫星影像自动精细云检测任务中，主要包括3个步骤：①集成阈值二值图，使用风云卫星影像可见光波段灰度图进行10种阈值方法二值化，采用投票策略，将得到的10种二值化图像进行合成以得到集成阈值图像；②连通区域三分图，在集成阈值图像的基础上求取连通区域，剔除比较小的连通区域，以连通区域的重心为种子点，生成连通区域三分图；③闭形式抠图，使用闭形式求解alpha的值，最终得到本文的精细云检测结果。

2.2 初始二分图

基于闭形式的抠图方法需要输入比较精确的三元图，多数情况下是通过手工标记获得。而对于海量遥感影像而言，手工获取每幅影像的三元图是不可能完成的任务。为了避免手工标记的失误，减轻工作量，本文在生成三元图之前先自动生成初步二分图，在此基础上自动生成三元图。生成初步二分图的基本思路是阈值法，然而单个阈值法得到的二分图结果可能存在局部错误，集合多个方法的二分图结果可能更有代表性[18]。因此，本文采用集成阈值的策略，先采用10种阈值法生成各自的二值图，然后通过投票策略得到集成阈值结果图，也即初始二分图。

本文采用了矩量保持法、模糊集方法、迭代法、最大类间方差法、全局阈值法、直方图双峰法、阈值插值法、均值法、基于小波的多阈值方法、基于边界点的递归多域值方法等10种阈值法叙述如下，实际应用中可以采用其他阈值法。

2.3 集成阈值投票策略

由于每个阈值方法得到的二值图均存在一定的误差，为了尽可能得到准确的初始二分图，本文采用简单投票策略作为阈值结果集成的方式。即对于一幅原始影像生成的以上10种阈值结果，设定一个投票值，针对每一个像素，当各个阈值结果投票数大于或者等于该投票数，则该像素的初始状态设为1(云)，否则设为0(非云)。最后得到的二值图像即为初始二分图。根据经验，本文设置的投票数为7。

2.4 连通区域三分图

通过集成阈值法得到了初始二分图，在此基础上，本文采用连通区域标记算法对初始二分图上的像素块进行分区标记，用于后续的三分图生成；然后利用游程编码的方式对二分图进行团的标记，定义等价表，标记等价对，查找等价对的结果，将等价对标记初始团，得到连通区域标记图；最后以连通区域的重心点为种子点，将连通区域的重心点标记为确定前景，其他为灰色区域，得到连通区域三分图。

本文认为初始二分图中每个连通区的中心点被正确分类为前景的概率是最高的，用此中心点作为完全准确的前景是合理的。同时有可能一个连通区非常大，因此，为了得到更多的前景点，本文将原始图像切分成若干不重叠的图像块，在每个图像块内计算连通区，再以连通区域中心点为种子点，设定为确定前景。然后在一定邻域内完全无云的像素点则确定为背景，其余区域为过渡区域，从而生成最后的三分图。不同于常规抠图方法中需要精确标记前景区域的思路，本文的前景是由若干自动生成的连通区中心点组成的，从而保证了前景的正确性，结果如图1所示。为了保证图像细节，本文采用4邻域连通区域标记。

3 试验与结果分析

为了测试本文方法的有效性，利用多幅风云2G影像进行了试验，并将检测结果与基于学习的抠图方法(文献[11])、稳健性抠图检测算法(文献[12])进行了比较。风云2G影像包括白天可见光云图、昼夜红外云图和水汽分布图，本文试验仅使用可见光云图。为保证对比方法的公正性，基于学习的抠图方法和稳健性抠图方法均采用了本文提出的三分图作为前景与背景的标记。

图2为各个方法的云检测结果图。从原始可见光图像中可以看出，图像右上角有大片的厚云，左边有小团云，右下角有部分薄云，中间区域有零星薄云。从检测结果看，3种方法都能很好地检测出右边的大片厚云，而且边缘细节丰富，范围比较一致；但是3种方法都没有检测出中间区域的零星薄云，本文方法较好地检测出了左上角和右下角的薄云，而另外两种方法则表现不佳，存在一定的漏检。图3给出了图2中3个局部区域的放大结果。

由图3(a)—(d)对比可知，基于学习的抠图云检测方法和稳健性抠图云检测方法未检测出该区域的云。本文的方法从视觉上看，基本能将云检测出来，且将一些含云量比较小、薄云低云部分正确标记出来；由图3(e)—(h)对比可知，基于学习和稳健性抠图云检测方法的结果基本一致，本文方法在上端的云检测结果稍差；由图3(i)—(l)可知，其他两种云检测方法均未检测出图像左下角的云，而本文方法能正确检测出来。

4 结论与讨论

本文提出了基于连通区域的闭形式抠图的自动精细云检测方法。首先对影像的灰度图执行多种阈值方法，通过集成阈值结果的方式得到初始二分图；然后利用游程编码，得到连通区域三分图；最后使用闭形式抠图算法对连通区域三分图进行抠图得到云检测结果。基于实际的风云2G影像，将本文方法与基于学习的抠图检测和稳健性抠图检测方法进行比较。试验结果表明，本文方法在准确性上具有一定的优势，在不同类型的云层均有较好的检测结果，改善了云的错检和漏检情况，提高了云的检测精度。然而本文算法在细小薄云的检测方面仍然存在不足，这也是下一步将重点改进的方向。