基于云空间分布的遥感影像应用场景评估方法

邓琳 熊先才 黄健 胡勇*

（1 重庆市规划和自然资源调查监测院，重庆 401123）

（2 重庆市土地利用与遥感监测工程技术研究中心，重庆 401123）

0 引言

1999年10月14 日，我国成功发射首颗传输型陆地遥感卫星“资源一号”卫星，实现了遥感卫星的自主研发。经过多年的发展，陆地遥感卫星逐步形成了资源系列、“高分”系列、“环境/实践”系列和商业小卫星系列等陆地遥感体系[1-2]。单系列卫星重访周期小于5天，能够实现一周内万景遥感影像的获取能力，而如何实现海量数据的高效利用和快速筛选成为了新的研究课题。

利用遥感卫星数据，可对地球表面各类资源、灾害、人类活动进行实时监测。学者们常根据应用目的的不同，从影像的分辨率、获取时间、传感器类型等卫星参数筛选卫星影像数据。而对于光学传感器影像，还需要考虑云层覆盖的影响。虽然可以利用无云的图像进行监测，但对于全球大多数地区，获取无云图像的概率较小[3]。文献[4]利用2002年的全球Landsat ETM+数据研究发现，在任意80天内获取相同地区的两景无云图像的平均概率是0.28。因此需要对有云的影像进行合理利用。而当前对有云影像的筛选，几乎都只考虑总体覆盖率，即通过云的覆盖率阈值（如10%）对影像进行筛选，而未考虑云对地表实际地物的覆盖情况。针对某些应用场景，虽然影像中云的总体覆盖率超过了阈值，应用场景所关注的目标或区域可能无云或少云，依照传统的云覆盖率阈值法无法筛选出这些可用影像。此外，相同覆盖率条件下，离散的云和集中分布的云对影像的可用性影响也不相同。

为克服传统影像筛选仅考虑总体云量的问题，本文从单景影像云遮挡导致地物损失的角度出发，以“高分”系列卫星为例，采用光谱阈值法进行快速云检测，并以地理国情监测数据作为地表覆盖先验数据，结合云区检测范围，计算云遮挡定量指标和可视化云下地物分类图，实现单景遥感影像应用场景的综合评估。

1 影像评估方法

基于云检测的遥感影像应用场景评估，有两个方面的研究重点：一是快速云检测方法，二是应用场景评估模型。在云检测算法方面，主要有利用云高反射率和低温特征、利用云纹理和空间特征的阈 值法[5-10]，和通过建立云训练样本的模式识别法[11-13]。其中，利用纹理特征的阈值法受云纹理特征选取影响较大，且效率较低；模式识别方法需训练大量可靠云样本，且不同数据需重新选取样本，耗时长；光谱阈值法在云检测精度上略低，但因其算法简单、运算效率高等特点，成为目前云检测领域中最快速简单的算法之一[14-15]。而对遥感影像的应用场景评估方面的具体研究较少，对单景影像的评估、评价主要集中在数据品质、数据处理等方面[16-18]。

本文在已有方法的基础之上，充分考虑运算效率、评价指标等因素，从影像处理、云区检测、云下地物分类图、云区遮挡指标计算、影像应用场景评估方面，提出基于云空间分布的遥感影像应用场景评估方法，具体流程如图1所示。

图1 基于云空间分布的遥感影像应用场景评估流程图Fig.1 The flow chart of paper method

1.1 影像归一化

受传感器辐射分辨率、大气透过率和散射率等因素影响，原始影像所记录的像元亮度值存在较大差异，基于光谱阈值进行的云检测，必须经过归一化处理才能更好的进行云检测。为提升影像预处理效率，在传统直方图均衡化方法的基础上，采用分级频数直方图均衡化的方法进行影像预处理。具体思路如下：假设遥感影像的像元亮度值范围为[0,M]，按I=M/ 100为步长进行影像归一化，L为频数步长，分别计算各波段的归一化影像

式中N为影像的像元总数；nL为各级频数像元累计数量；Bs为s波段归一化后的影像，值域为[0,1]。

1.2 云区初检测

2000年R.Irish等[19]学者提出云的亮度值在遥感影像中呈现均一的强反射性。如图2所示的遥感影像剖面光谱曲线，云的光谱曲线显著高于植被、建筑物等地物。利用云的这一光谱特征，可构建滤波器来实现云地分离。

图2 遥感影像剖面光谱曲线图Fig.2 Spectral profile of remote sensing imagery

卫星遥感影像中大部分可见光影像多为四波段数据，即蓝、绿、红、近红外波段，波段范围为0.43～0.90μm。为使得滤波器具有更好的普适性，本文采用这四个波段来构建云区检测滤波器。滤波器模型如下：

式中B1～B4分别代表波段1～4的归一化影像像元值，Pr表示单波段影像P中像元r的值；PMean、PMax分别代表单波段影像P的均值、最大值；B(r,*)Max、B(r,*)Min代表归一化影像像元r在所有波段*的最大值、最小值。Outs1代表各波段像元的高亮判别条件；Outs2代表亮度差异判别条件。

1.3 云区优化

由于遥感影像中有高亮建筑物、小积云、水体等不均匀亮点的存在，会直接造成云区伪检测。为有效抑制非云高亮点对云区检测的影响，采用小面去除和数学形态学的开闭运算[20]，对云区检测后的初始二值图像进行优化。小面去除可将零星噪声点去除；开运算可消除小噪点、分离图斑连接的纤细点、平滑大图斑边界；闭运算可填充图斑内细小空洞、连接邻近物体。优化处理后的云区范围减少了伪检测，同时保留了云区对象的形状完整性。

1.4 影像评估

将地理国情监测地表覆盖数据作为先验数据，对云遮挡的地物情况进行评价。地理国情监测地表覆盖分类体系可分为8个一级类、53个二级类、107个三级类，为提升评估效率，本文基于地理国情监测内容与指标的一级类对数据进行重分类，分别为种植土地、林草覆盖、人类活动区、裸地、水体五个类型。详细的覆盖类型分类见表1。

表1 地理国情监测与影像评估分类体系对应关系Tab.1 The corresponding relationship between geographical condition monitoring and image evaluation classification system

在单景遥感影像应用场景评估时，本文制定了基于云下地物分类图、云区遮挡统计和云区连片度的评价体系，能够实现遥感影像定性和定量的双评估。各指标计算方法如下：

（1）云下地物分类图

根据地理国情监测先验地表覆盖类型，经地表覆盖重分类后，对云遮挡区域进行地物补充，实现云下地物类型的直观展示和评价。

（2）云区遮挡统计

参考地表覆盖空间统计评价指标[21]，提出采用逐像元分析方法评价云区对各地类的遮挡程度。首先将面积超过整景影像面积0.1%的单块云区标记为集中云，其他为离散云，然后分别统计云区遮挡系数Ci、不同类型云区的各地类遮挡面积总和

式中Ci为第i类土地遮挡系数；为j类云区遮挡的第i类土地面积和，j=1表示集中云区，j=2表示离散云区；Wi为先验地表分类数据中第i类土地面积。

（3）云区连片度统计

借鉴农用地连片性分析评价指标[22-23]，提出采用云区连片度指标自动判断云区集中连片程度。云区连片度PI计算公式如下

式中Ti为第i块集中云的面积；p代表集中云区的个数；A为云覆盖的总面积。

2 实验结果及评价

2.1 实验数据

本文分别选取“高分一号”（GF-1）、“高分二号”（GF-2）卫星影像（影像信息如表2所示）作为实验数据，影像覆盖重庆市城区、郊区，包含水体、人类活动区、植被等地物类型。

表2 实验遥感影像信息表Tab.2 Remote sensing imagery information table

2.2 云区检测精度

本文实验区内 GF-1影像的云主要为小积云，沿山脊线集中、其余分散，体态小、有薄暮状、絮状云块，建筑物聚集；GF-2影像的云主要为中积云，形态呈团状、边缘稀薄、云阴影明显，区域内建筑物较少。采用本文云检测算法所提取的云区范围如图3所示，通过人工目视解译方式勾绘云区作为真值，对算法提取结果总体精度指标进行定量评价。其中，GF-1影像总体精度为 92.3%，GF-2影像总体精度为 80.6%。经分析，在薄云区域、云区阴影、云区边缘、高亮建筑物区域存在少量漏提取和误提取。其中，GF-2因云边缘阴影、薄云影响导致云区漏检测；GF-1因薄暮状、絮状云、高亮建筑物影响导致云区误检测和漏检，但由于单个云区范围较小，云区光谱特征一致性强，云区边缘受到阴影影响小，因此总体检测精度高于GF-2。

图3 基于光谱阈值的云检测结果图Fig.3 Cloud detection result based on spectral threshold method

2.3 云下地物分类图

图4为GF-1影像和GF-2影像的云下地物分类图，从图4中可直观的看出云下种植土地、林草地、人类活动区、裸地、水体的分布范围和遮挡情况。GF-1影像云层主要为分散的小积云，山脉区域的林草地云遮挡较多，影像左下部分人类活动区域云遮挡较多，种植土地遮挡情况较为分散，零星分布于全图区域。GF-2影像云层主要为中积云和分散小积云，面积相对较大，主要遮挡种植土地和林草地，零星遮挡人类活动区，水体和裸地几乎未遮挡。

图4 云下地物分类图Fig.4 The cloud coverage classification map

2.4 云区遮挡定量分析

通过云区遮挡统计、云区连片度统计，分析云遮挡对单景影像的影响。表3为GF-1影像的统计结果。可以看出：影像云区连片度低，以离散云覆盖为主；林草地遮挡系数最高，且离散云遮挡面积最大；种植土地和人类活动区遮挡系数相当，与人类活动区相比种植土地受集中云遮挡面积略高；裸地和水体虽存在遮挡情况，但面积较小可忽略。从云遮挡定量指标分析，GF-1影像林草地受云遮挡影响最严重，其次是种植土地和人类活动区域，但遮挡系数在10%左右，总体各地类损失较小。

表3 GF-1影像云遮挡定量评价表Tab.3 Cloud cover quantitative evaluation table of GF-1

表4为GF-2影像的统计结果。可以看出：影像云区连片度高，以集中云为主；种植土地遮挡系数最高，集中云区遮挡面积较大；其次为林草地，遮挡面积总和39.81km2，也以集中云遮挡为主；人类活动区、裸地、水体的遮挡系数相对较高，但受云遮挡总面积较小，均小于10 km2。从云遮挡定量指标分析，GF-2影像受云遮挡影响的地类主要为种植土地和林草地，且集中云为主，导致区域性地类遮挡，地类遮挡系数大于10%，总体地类损失较多。

表4 GF-2影像云遮挡定量评价表Tab.4 Cloud cover quantitative evaluation table of GF-2

结合云下地物分类图和云区遮挡指标综合分析。在遮挡空间分布上，GF-1影像主要为离散云，分布于全图区域，影像云遮挡面积占全图的6.74%；GF-2影像主要为集中云，主要位于影像上部，云遮挡面积占全图的 11.71%。在地类遮挡上，GF-1影像在山脊区域，林草地被主要遮挡，在影像部分地区，人类活动区遮挡次之；GF-2影像的种植土地、林草地受到主要遮挡，人类活动区遮挡次之。在影像应用优势场景上，GF-1各地类遮挡系数优于GF-2，地类损失相对较低，且遮挡系数小于10%，能在种植土地、人类活动区、裸地、水体类型应用场景中发挥较高利用价值；GF-2受集中云主要影响，种植土地、林草地区域性损失较多，且遮挡系数大于10%，此类型应用价值较低，但水体损失和遮挡系数较小，可应用于水体为对象的应用场景中。

3 结束语

本文针对现有影像筛选只考虑云区总体覆盖率的问题，提出基于光谱阈值云区检测，并结合先验地表覆盖类型的影像应用场景评估方法。重点对云的波谱特征进行分析，构建基于光谱特征的快速云检测方法，并结合地理国情的分类体系，建立云遮挡地表覆盖类型统计评估体系。以GF-1和GF-2影像为测试数据，对本文提出的方法进行实验验证，结果表明该方法能够有效实现单景影像云区检测，并对云遮挡地物的空间分布、损失比例进行直观展示和分项统计，能够实现对单景遥感影像的应用场景评估，克服了传统影像筛选未考虑云对地表实际地物覆盖影响的问题，进而提升了单景影像的应用价值。

但本文方法也有待进一步改进：1）基于光谱阈值的云检测法在处理厚薄不一的卷云、薄暮状的卷层云时，可能存在漏检测现象。2）本文的快速检测法未对原始影像进行正射校正，叠加地理国情监测数据分析时存在一定几何偏差。在后续应用有需求时，可通过加入纹理约束的方式改善云检测，通过影像正射纠正的方式修正几何误差。