基于无人机航空影像的薄云去除方法研究

张 肃，吴传智

（1.四川省地质调查院，成都 610081）

受遥感传感器的限制，现在不受云雾影响的传感器只有雷达，如LiDAR（机载激光雷达）及SAR（合成孔径雷达）[1-2]。其余的光学传感器在获取影像的过程中均会受到云雾的影响。对于单幅影像，频域滤波技术是一类重要的云层去除方法，包括同态滤波和小波分析等算法。赵忠明等[3]使用了同态滤波法对影像进行薄云去除；赖格英等[4]提出了使用同态滤波方法结合DEM对AVHRR影像进行处理，去除了部分云噪声；Feng等[5]提出了一种改进的同态滤波算法，该算法仅对有云区域进行处理；谢华美等[6]采用同态滤波方法，去除含有薄云信息的低频分量，并对有云和无云的区域进行判断；马建文等[7]采用了同态滤波方法处理中巴资源卫星数据，并且匹配有云区和无云区相同地类的反射率来去除云层；李洪利等[8]采用改进同态滤波方法对卫星影像进行薄云去除，保留无云区像素，替换有云区像素，有效去除薄云。

另外，小波变换和薄云去除方法是近年来提出的有效的薄云去除方法。国内外相关专家做出了大量研究[9-30]。研究表明，根据不同的云覆盖程度以及不同的数据类型，需要选择不同的去云方法。对于局部有厚云的影像，由于地物的反射完全被云层所遮挡，地物的信息并不能到达传感器，采用多时相影像的时间平均法较为有效。无人机影像一般是单时相影像，难以找到另一时相的同区域数据与之匹配，并且同区域卫星影像空间分辨率也不能匹配。无人机摄影由于拍摄的高程较小（飞行高度2 000 m左右），遇到有薄云时，采用同态滤波法较合适。其算法的基本思路是采用傅里叶变换将影像从时域变换到频域，选取高通滤波器进行滤波，过滤薄云信息，再变换回时域得到处理后的影像，达到去除薄云的目的。但是，此方法也存在对有云区域和无云区域同时进行滤波使得有用的地物信息丢失等问题。

为了解决上述问题，本文采用面向对象分类方法，对无人机影像进行多尺度分割并分类，精确地分离出有云区域和无云区域。再单独对有云区影像进行同态滤波处理，用处理后的有云区域影像替换原始的有云区域图像，并且用Wallis滤波的方法对整幅影像进行滤波，使得有云区域和无云区域的地物的光谱特征趋同，得到处理后的无人机影像。结果证明该算法可以有效弱化云层对无人机影像的干扰，有利于影像的后续解译。

1 研究区域情况及数据来源

研究区域位于四川省雅安市汉源县附，处于 102°40′49.94″E～102°46′03.69″E， 29°18′34.93″N～ 29°21′04.87″N间，面积约20 km2。该地区覆盖多种土地利用类型，包含林地、草地、耕地、河流等。

无人机影像获取时间为2013年11月，采用LTBT-150系列无人机进行航摄，影像只有3个波段。无人机影像数据如图1所示。从图中可见，影像当中部分区域被薄云所覆盖，其中左上方区域云层较厚，其余地区云层较薄。

图1 2013年11月无人机彩色影像

2 研究方法

无人机遥感影像中的薄云具有以下特点：亮度较高、对比度较低、频域信息集中于低频部分。薄云去除的核心思想就是去除有云区域内的薄云信息，同时尽量保留有云区域内地物的特征。其主要流程如图2所示。

图2 薄云去除流程图

2.1 有云区域识别

对整幅影像进行同态滤波会导致无云区域内的信息损失，所以进行同态滤波前应当精准确定有云区域的范围。经典云层识别方法包括目视解译，对比滤波前后像素的灰度值，非局部独立像素逼近法，掩膜函数法、数学形态学等方法。但上述方法要求影像为多波段数据，对于仅有3个波段的无人机影像并不适用。而近年来迅速发展的面向对象分类方法更加适合提取无人机影像的有云区域。本文中采用ecognition软件提取有云区域。

传统的影像分类方法仅利用光谱信息，容易忽略丰富且重要的空间信息，无法解决同物异谱和异物同谱的现象。而无人机的空间分辨率高达0.2m，导致影像的数据量巨大，用传统方法对无人机影像进行分类运算量大，速度慢。近年来，面向对象的分类方法逐渐发展起来，其优点是能够充分利用高分辨率遥感影像的空间信息，提高信息分类精度，并且能在不同尺度空间提取特定信息，从而提高分类精度[31]。在本研究中，有云区提取的基本步骤如下：

1）根据影像的光谱特征和几何特征，将整幅影像进行分割为不同的区块，这些区块内部具有相似的特征。选择尺度分割度参数时，需要经过多次实验来选择最佳参数。当分割的区块过大时，同一个分块之内会包含不同的地物类别，会对分类造成干扰；而当分割的区块过小时，连接在一起的同一类地物被分割为多个区块，也不利于地物分类。经过多次测试，对于0.2 m分辨率的无人机影像，尺度参数设置为100就可以保证分割的准确性。

2）根据一系列的分类规则对这些小的分块进行分类。分类规则为每一个波段的光学特征以及几何特征。对每一个小分块赋予一个类别之后，根据不同的规则方法，可以对分类的结果进行调整。

3）对于最后剩下的错误类别，采用人工分类进行修正。给每一个错误的区块直接指定正确的类别，这对于最后修正某些类别的错误边界有很好的效果。至此，影像分类得到了完整的结果，包括有云区域以及植被、农田、河流等地物类别。

提取的有云区域显示在图3之中，粉色的区域为提取出的有云区域，和图1的无人机影像进行对比，可以看出，有云区域被精确地提取出来。

图3 无人机影像中提取出的有云区域（粉色）

2.2 无人机影像的同态滤波处理

当影像有薄云时，传感器接收到的图像由太阳辐射，经过薄云反射、太阳辐射、地物反射之后再穿透薄云这两部分辐射叠加组合而成，其数学表达式为：

式中，f(x,y)为传感器接收到的信息；r(x,y)为地物反射率，代表信号，是需要提取的信息；t(x,y)代表云层的透射率，表示噪声，而L为太阳辐射强度，α代表太阳辐射在大气传输过程中的衰减系数，其中t(x,y),r(x,y),α的的取值范围为[0,1]。公式（1）可以简化为公式（2）：

式中，fi(x,y)为照射分量，反映了薄云的信息；fr(x,y)为反射分量，反映了地物的信息。因此，影像的亮度值可以理解为照射分量和反射分量的乘积。对式（2）两边同时去取对数可得：

薄云的信息在照射分量之中为低频信息，而地物信息在反射分量中为高频信息，影像的亮度值的对数可以表达为反射分量的对数和照射分量的对数之和，即高频分量和低频分量的增函数之和。采用离散傅里叶变换将式（3）变换到频域，可以得到式（4）：

2.3 滤波后影像的处理

同态滤波对影像的处理会造成无云区的低频信息丢失，为了避免信息损失，使用有云区域之内的同态滤波后影像与原影像进行镶嵌处理，得到镶嵌后的影像。

此时，有云区域和无云区域内的地物有一定的亮度、对比度和色调的差别，这就涉及到影像的色彩一致性处理。常用的算法包括基于Mask原理的匀光方法、基于自适应模板的匀光方法，基于频域的匀光方法，基于Wallis滤波器的匀色方法等[32]。本文采用Wallis滤波器进行匀色，通过Wallis线性滤波器，使得影像不同区域位置的灰度的方差和均值具有相似的数值，让整幅影像具有近似的色调、亮度和对比度。进行匀光匀色处理的同时，对有云区域和无云区域的边缘进行平滑过渡，从而得到最终的影像。如图4所示。

图4 薄云去除之后的无人机遥感影像

3 实验结果与分析

通过对薄云去除前后无人机影像的对比（图1、4），可见，采用了同态滤波处理，有云区域处理后影像镶嵌以及色彩一致性处理之后，对薄云区域，去除效果较好，没有明显的边界效应，使得后期的解译更加准确。对左上方的小部分厚云区域，处理方法仅降低了厚云的亮度，未能去除云层对地物的影响。同时，无云区域的地貌特征得以完整保留，说明了薄云去除方法的有效性。

4 结 语

本文提出了一种基于面向对象的同态滤波薄云去除方法，对无人机影像进行了薄云去除实验。该算法采用了面向对象的分类方法，将有云区域和无云区域精准隔离，改进了传统的同态滤波算法，避免了原有算法造成的无云区域信息损失。并且对薄云去除之后整幅影像进行了色彩一致性处理，使有云区和无云区的地物在色调和反差上更为接近，更有利于后续的影像解译工作。

研究结果显示影像中薄云部分得到了明显减弱，薄云区内的地物细节清晰显现，说明了此算法的有效性。但此方法对厚云去除的效果不理想，仅降低了厚云区域的亮度而未能恢复地物信息。后续研究可以考虑结合多时相影像替换的方法，将厚云部分的信息替换为其他时相的无人机影像信息，更加有效的去除影像中的云层。