混合型强迫不变的遥感影像薄云、雾去除方法

尹展

(有色金属矿产地质调查中心， 北京 100012)

0 引言

大气中云雾对地物电磁波有吸收、散射和辐射作用，导致遥感影像清晰度降低。云雾去除是通过一定技术方法消除或减弱云雾干扰，提高图像可辨识能力，具有重要意义。目前去除云雾的方法大致可归纳为基于图像增强和基于物理模型2类。前者如同态滤波[1]、直方图均衡化[2]和Retinex算法[3]，该类方法只针对降质后的图像本身，采用抑制低频、增强高频及突出特征信息等手段，增强对比度来改善图像视觉效果，只能有限地提高图像清晰度，不能“去除云雾”和复原景物；后者近些年受到研究人员高度关注，成果颇丰，如退化模型去云雾法[4]、场景深度去云雾算法[5]，通过求解图像退化模型的参数，反演计算出无云雾的图像。该类方法的关键技术是获取场景深度信息，但事实上，获取深度信息条件苛刻，难以应用。Haze optimized transform(HOT)法[6]及其改进方法[7]根据HOT值，将影像分为均质的不同图层，再对每层影像实施暗目标减法，在植被区效果较好，但对水体、裸地、人造地物等非植被类型作用有限。暗原色先验理论[8]基于暗像素检测，建立雾成像模型和抠图修复实现地物复原，主要针对单幅图像去雾。

基于物理模型的方法通过构建相应的物理模型，反演复原出降质前的图像。复原的图像与原景物较接近，特征明显，视觉效果良好，最重要的是原地物信息得到较完整的保存。不过，目前基于物理模型的去云雾方法大多需要大量测试、参数调整，运算量大，复杂度高。文章从光谱成像角度出发，引进强迫不变技术，简化大气散射物理模型，反演计算出像素中的薄云、雾光谱贡献量并予以去除，达到去除薄云、雾目的。

1 原理思路

McCartney在20世纪70年代提出了大气散射模型[9](图1)，被广泛认可。他认为到达传感器的光由2部分组成：一部分是经过大气散射被衰减的物体表面反射的光；另一部分是大气光路上的各种杂散光散射。散射使到达观察者的入射光被衰减，传感器接收到的光强发生不均匀性变化，从而导致图像灰度值的变化，清晰度下降。

大气散射模型数学表达如式(1)所示。

I(x，λ)=e-β(λ)d(x)R(x，λ)+A(x，λ)

(1)

式中：I(x，λ)为接收器获取的实际雾天图像；R(x，λ)表示目标无影响反射光(原始无雾影像)；x表示像素点的位置；λ表示光的波长；A(x，λ)表示云雾大气光值；e-β(λ)d(x)表示传输函数。

图1 大气散射模型(据McCartney模型修改)

传输函数参数受各种因素影响，获取难度大，计算方法不同效果也不同。文中假定获取影像仅受云雾大气光影响，将式(1)进行简化，如式(2)所示。

I(x，λ)=R(x，λ)+A(x，λ)

(2)

云雾大气光的数值变化受云雾浓度影响，云层越厚、雾气越浓，云雾大气光影响就越大。由于云雾聚集过程中，水滴或冰晶均有相同或相似性质，局部云雾浓度可以认为无变化，影像上表现为均质性。这样，假设在某云雾大气光区间内，云雾散射的大气光变化与雾天影像不呈相关性，即在这一区间内云雾散射背景光为一常数C，式(2)可简化为式(3)。

I(x，λ)=R(x，λ)+C

(3)

常数C可理解为遥感影像云雾大气光影响光谱异常值。通过文中混合型强迫不变法计算出该异常值，然后基于混合像元分解理论分离该值，即可去除云雾影响，还原目标景物。

2 混合型强迫不变方法

“强迫不变”最早由Crippen 和Blom提出，用于抑制遥感影像中植被信息和增强植被下伏岩石[10]，文献[11-12]对其实验和改进，取得了较好效果。强迫不变方法的核心是基于混合像元分解，通过分析目的物与整体像元相互关系，计算强迫值；假定该值使得目的物与整体像元间不存在关联性，进而平化目的物完成分离。

为了更好地描述影像中原始地物光谱受云雾大气光的影响情况，文章引入了“云雾因子”概念。云雾因子是对云雾大气光的度量，用以检测云雾大气光的强弱。

HSI颜色空间变换主要用于图像空间信息分析与处理，由色调H(hue)、饱和度S(saturation)和亮度I(lightness)3个分量组成。色调描述纯色的属性，饱和度给出一种纯色被白光稀释程度的度量，亮度是颜色的明亮程度。由于人的视觉对亮度的敏感程度，它比RGB色彩空间更符合人的视觉特性，也更容易简化图像分析与亮度分离。亮度分量的改变不会影响影像的颜色信息，这为分开处理影像又不过多损失影像信息提供依据[13]。

基于上，文章提出“HSI颜色空间变换+强迫不变”混合型强迫不变技术，充分利用HSI颜色空间变换特性，计算各分量与云雾因子的相关性曲线；利用强迫不变技术，使得该分量光谱值不随云雾因子值变化，与云雾因子无相关性；最后依据像元分解理论分离出像素中的无相关性光谱值，即云雾大气光贡献量，达到去除云雾目的。主要步骤如下。

1)提取云雾因子。“强迫不变”理论的核心是通过分析干扰物与整体像元之间的关系来计算强迫值，而找出最能反映干扰物的干扰因子是关键。大气散射理论说明了目标地物在传输过程中因受云雾大气光干扰，使得目标物成像结果亮度降低、对比度下降。引入“云雾因子”概念就是从影像中最大限度地提取反映云雾大气光强弱信息，建立云雾因子波段，进而与整体影像建立相关性。

2)HSI颜色空间变换。RGB颜色空间是直角坐标系中的一个立方体，而HSI空间是圆柱直角坐标系中的双锥体，利用空间变换，即式(4)进行转换。

(4)

3)计算云雾因子与HSI各分量散点图及拟合曲线。散点图能清楚地展示HSI各分量与卷云因子数量关系，拟合曲线用来描述各个分量对应卷云因子的变化趋势。在曲线平化前，各个分量的光谱信息随卷云因子的变化而变化，呈正相关，或呈负相关。

4)云雾因子浓度分析。云和雾都是由悬浮在空中的小水滴或冰晶组成的水汽凝结物，但受地形高低、凝结核大小、气压流动等因素影响，云雾浓度不一，分布不均匀，对目标物散射影响也不一样，浓度越大，对目标物影响越大。

5)求出分段平化值，完成雾分离。拟合曲线代表了光谱值与云雾因子的内在趋势，如果它是平的，则表明该影像光谱亮度与云雾没有相关性。中值滤波和平滑能实现这一平化目的，获取平化值，获取平化值后，利用强迫不变公式完成卷云分离，计算如式(5)所示。

(5)

式中：Pnew为新像素值；Poriginal为原始像素值；Ptarget为平化值；PNDVI为相应卷云因子值。

3 方法实验

3.1 研究区及数据源

研究区位于重庆市涪陵区，地处四川盆地和盆边山地过渡地带，中亚热带湿润季风气候，降水充沛，多云雾。遥感影像数据采用Landsat-8 OLI，行列号为39/127，数据拍摄时间为2016年8月20日。

Landsat-8卫星于2013年2月11日在美国发射成功，它携带2个传感器，分别是OLI陆地成像仪(operational land imager)和TIRS热红外传感器(thermal infrared sensor)。TIRS热红外传感器主要用于收集地球2个热区地带的热量流失，OLI陆地成像仪相较ETM新增2个波段：band 1蓝色波段(0.433～0.453 μm) 主要应用于海岸带观测；band 9短波红外波段(1.360～1.390 μm)主要应用于薄云检测。

3.2 混合型强迫不变去薄云、雾处理

1)卷云波段提取云雾因子。OLI陆地成像仪新增band 9短波红外波段也称卷云波段，具有水汽强吸收特征，对太阳辐射有强烈的吸收、散射作用，能反映云雾大气光强弱。有研究表明，卷云波段对云雾像素的识别、云雾检测效果较好[14]。文中拟从卷云波段中提取云雾因子。为便于计算卷云波段与HSI颜色空间曲线，对卷云波段光谱值缩放至[0，255]，提取云雾大气光的度量值影像，建立云雾因子波段(图2)。

图2 云雾因子提取

2)HSI颜色空间变换。分别将OLI的b4(R)、b3(G)、b2(B)进行HSI颜色空间变换。

3)计算云雾因子与HSI各分量散点图及拟合曲线。HSI模型是由色调(H)、饱和度(S)和亮度(I)3个分量组成的空间立体模型。H是色彩的本质归属，由地物反射波长决定；I反映纯色属性的明亮程度，取值范围为[0，1]，0代表黑色，1代表白色，受外界干扰后值域范围易变化。根据大气散射模型，云雾对目标物的影响是衰减了入射光，使得图像灰度值异常。云雾因子用于描述云雾对大气光的干扰强弱，结合I分量特点，它和I分量关系应更为密切。文中通过计算HSI各分量与云雾因子散点图进一步证实。

图3显示，HSI各分量亮度值与云雾因子均有关联，云雾因子值变化影响HSI各分量值变化。通过计算云雾因子与HSI各分量散点图、拟合曲线及相关系数得出，图3(a)中云雾因子与H分量相关系数R=0.399 5，相关性最小，这也与前面理论推断一致，即云雾因子对H的影响是最弱的。图3(c)中云雾因子与I分量相关系数R=0.695 6，相关性最大，且呈正相关性，表明在云雾因子波段内I分量受大气光影响最强且具规律。选取I分量作为强迫不变去薄云、雾实验分量。

图3 云雾因子与HSI各分量散点图及拟合曲线

4)云雾因子浓度分析。统计云雾因子像元亮度值，得知该值分布范围在[1，150]区间内，有部分数值缺失，分布数量不均匀，主要集中在[0，40]区间内。这表明云雾散射大气光强弱不一，对影像成像影响不均匀。如果不对云雾因子浓度进行分类，只采用单一的平化值，势必影响光谱值分离准确性。

云雾因子浓度分段通过“拟合曲线+聚类分析”法计算得出：首先计算亮度值与分布数量之间拟合曲线；然后在此基础上对云雾因子亮度值聚类分析找到亮度突变值。文中实验区云雾因子统计分析后分为3个区间(图4(a))，并根据区间分段值制作云雾因子浓度分区图(图4(b))。在各个区间内，认为云雾散射大气光影响是连续均匀的，这为下一步提取分段平化值做准备。

图4 云雾因子浓度趋变分析

5)曲线分段平化值获取。在云雾因子与I分量拟合曲线(图3(c))的基础上，采用中值滤波和平滑实现曲线平化，结合云雾因子浓度分段区域，分段平化取值，求得分段平化值(表1)。该步骤为避免数据分割造成数据冗余，利用Matlab软件分段编程实现。

表1 I分量平化值

6)曲线分段平化处理。把分段平化值代入式(5)，得到去除薄云、雾后效果影像(图5(b))。

图5 本文方法影像处理前后效果对比

3.3 实验分析

实验分析分为主观视觉和客观数据分析。主观视觉上，对比图5(a)原始影像和图5(b)去薄云、雾后影像。原始影像中薄云、雾色调异常高亮，覆盖地物轮廓不清、纹理不明、地物分辨能力非常差；处理后的影像薄云、雾基本消除，原覆盖影像地物轮廓基本显现，地物分辨能力大幅提高，整幅影像色调无异常。客观分析采用直观的线谱图，选取一行像元值(图5(a)、图5(b)中的红线)，分析处理前后影像像元相关性。图6显示，在所选红线两端的无雾区域，处理后像元值与原始影像大小、变化趋势基本一致；在所选红线中间有雾区域，处理后像元值大小有明显变化，峰值有偏移，变化趋势仍一致；此外，计算得出2条曲线相关系数R=0.794 8。这些说明本文的薄云、雾去除方法复原效果较好，能得到与原始影像较接近的影像。

图6 处理前后局部影像水平剖面对比

3.4 对比分析

图7 其他方法影像处理效果图

为了更好地说明本文方法的有效性，同时采用了同态滤波和HOT法开展去薄云、雾实验对比。图7显示的2种去雾方法都能不同程度地消除雾影响，但与本文方法相比，存在一些不足。图7(a)同态滤波法去雾时浓雾区出现黑色斑点，信息有丢失；图7(b)HOT法去雾后，裸地和雾区出现不同程度偏色失真。

为客观评价各类方法效果，本文计算了峰值信噪比和信息熵[15]。峰值信噪比是基于影像对应像素点间的误差评价，其数值越大，表示影像处理后色彩失真越小；信息熵反映了影像的信息含量，熵值越大，说明信息量越丰富。表2显示，本文去雾方法的峰值信噪比和信息熵值最大，反映该方法处理后影像失真程度最小，信息量保存最为丰富完整。

表2 实验方法去雾影像统计指标对比

4 结束语

本文基于大气散射原理，建立一种混合型强迫不变遥感影像去薄云、雾方法，通过实验，取得以下结论和认识。

1)“HSI颜色空间变换+强迫不变”混合型强迫不变遥感影像去薄云、雾方法能基本去除影像薄云、雾，还原覆盖地物，提高地物分辨度。相较原始的RGB图像，HSI颜色空间变换简化了图像分析与亮度分离，且更符合人的视觉特性。通过强迫不变技术，使得波段光谱值不随云雾因子值变化，与云雾因子无相关性，从而分离出像素中的薄云、雾光谱贡献量，达到去除云雾目的。

2)强迫不变实质是通过计算波段与云雾因子间相关性来获取平化值，使得波段光谱值与云雾因子无相关性，从而达到分离薄云、雾的目的。由于实际现象中，云雾的厚度不是同一的，如果不对厚度进行分类，只采用单一的平化值，势必影响光谱值分离的准确性。因此，云雾的浓度分类是必要的。

3)卷云波段能有效监测薄云、雾范围及浓度，可以作为云雾因子参与波段间相关性分析。

4)厚云直接遮挡了光源和电磁波反射，使得目标物不能有效获取，卷云波段对厚云监测能力欠缺，该方法无法完成厚云去除实验。厚云检测目前有自动化厚云检测算法(automatic cloud cover survey，ACCS)，效果较好，但厚云去除研究仍是一个难点。