改进HOT的高分影像自动去薄云算法

刘 泽 树，陈 甫，刘 建 波，孙 业 超

(1.中国科学院大学，北京 100049；2.中国科学院遥感与数字地球研究所，北京 100094；3.中国资源卫星应用中心，北京 100094)



改进HOT的高分影像自动去薄云算法

刘 泽 树1,2，陈 甫2，刘 建 波2，孙 业 超3

(1.中国科学院大学，北京 100049；2.中国科学院遥感与数字地球研究所，北京 100094；3.中国资源卫星应用中心，北京 100094)

为了有效去除薄云对高分光学影像造成的干扰，解决传统算法自动化程度低、去薄云效果不理想的问题，提出改进的薄云最优化变换(Improved Haze-Optimized Transformation，IHOT)算法。首先采用暗原色先验知识从薄云影像中自动选取晴空区，运用薄云最优化变换检测薄云，再创新性地利用植被区域云检测精度较高的特点改进检测结果，最终使用虚拟云点法进行薄云去除。利用高分一号影像进行实验，证明该文提出的算法能够有效地去除薄云对高分影像的影响，尤其对人造地物的色彩和纹理信息恢复效果优于传统算法。

高分影像；去薄云；自动检测；IHOT

0 引言

高分辨率卫星影像拥有更加丰富的空间结构和纹理信息，是目前最具有经济价值的卫星数据之一。国产卫星“高分一号”的正式投用，进一步刺激了国内各行业对于高分辨率卫星数据的需求。高分辨率卫星回访周期较长，特定时间的感兴趣区域影像数量较少，如果受到云的干扰极有可能造成无数据可用的情况，消除云层的干扰是高分影像预处理过程中亟待解决的问题。高分影像中的厚云遮挡了绝大部分的地面辐射，采用其他时相的影像进行镶嵌是唯一的解决方法[1]；而薄云仅削弱了地物的部分反射特性，因此可以基于单幅影像的特征去除薄云干扰，重建下垫面地物信息，提高高分影像的利用率。

目前国内外的薄云去除方法主要有空域去云和频域去云两类。均匀分布的薄云在频域上具有低频的特征，使用高通滤波器过滤薄云是常用的频域去云方法。冯春等[2-4]对同态滤波法进行改进，取得了较好的去云效果；朱锡芳[5]等对薄云影像进行小波分解，通过调节细节系数达到去除影像薄云的目的。然而频域滤波的方法必然会损失部分地物的低频信息，影响晴空区影像的质量。

空域去云算法种类较多，根据波段光谱特征和成像时大气状况，建立辐射转换模型消除薄云的影响[6]，但该方法需要详细的大气参数，适用性不强；Chavez[7]提出的单幅影像去薄云算法只能处理薄云分布均匀的情况；Liang等[8]对云区影像和晴空区影像的地类分别进行直方图匹配，生成的无云影像可能出现边缘效应；暗像元扣除法[9](Dark-Object Subtraction，DOS)是一种常用的单景去云算法，然而如何选取合适的暗像元是应用中的难题；Zhang等[10]基于HOT(Haze-Optimized Transformation)去除影像薄云，但对于建筑物、裸地、冰雪等地物会发生矫正不足或矫正过度的情况；He等[11]利用形态学方法完善HOT检测结果，但需要人工调整形态学操作的迭代次数；李存军等[12]使用HOT检测薄云，对影像的近红外和短波红外波段进行聚类，对每种地类的云区影像与晴空区影像进行均值匹配，该方法仅适用于红外波段未受到云层干扰的情况。因而，利用高分影像特征，寻找一种有效去除薄云干扰的方法，对提高影像产品质量和利用率具有重要意义。

1 薄云自动检测和去除的原理及方法

1.1 薄云自动检测原理

2002年Zhang等[10]在对遥感影像进行大量统计后发现一种客观现象：处于晴空区域的不同地物的红色波段和蓝色波段DN值具有高度相关性，两个波段的散点图近似地分布在一条直线上，称之为“晴空线”(Clear Line)。受薄云或气溶胶的影响，蓝色波段和红色波段的DN值都会升高，但蓝色波段对云干扰更敏感，DN值升高幅度更大。因而薄云覆盖区域下的像元会偏离晴空线，云越厚，偏移量越大，由此得到HOT云检测算法。

HOT的计算主要分为两步：选取晴空区，计算晴空线；计算每个像元与晴空线的距离，作为HOT值。HOT定义如下：

HOT=B1sinθ-B3cosθ

(1)

式中：θ是晴空线与蓝色波段的倾角，B1为蓝色波段，B3为红色波段。由式(1)得到的晴空线上的HOT并不为0，因而对其计算进行改进[12]，公式如下：

HOT=B1sinθ-B3cosθ-|I|cosθ

(2)

式中:I为晴空线截距。

传统的HOT法需要手动勾勒晴空区，是薄云检测流程自动化的主要障碍。本文基于暗原色先验知识，提出自动检测晴空区的方法。暗原色先验[13]是基于对大量晴空图像的统计得到的一种客观规律：在晴空图像中，大多数局部图像块内存在这样的像元，它们至少有一个颜色通道的亮度值很低。对于晴空图像J，暗原色定义为：

Jdark(x)=miny∈Ω(x)(minc∈{r,g,b}Jc(y))

(3)

式中：Jc是图像J的一个颜色通道，Ω(x)是以x为中心的图像块，本文使用3×3的窗口。在晴空图像中，Jdark称为图像J的暗原色，其亮度值总是很低，并且趋于0。本文利用该统计规律，计算高分薄云影像的暗原色通道，选取亮度值接近0的区域作为晴空区，为后续的薄云去除流程提供晴空区数据。

在使用HOT法进行云检测时发现，某些地物类别并不符合HOT假设，如冰雪、裸地、建筑物等。如图1所示，红蓝波段的散点图形状类似飞机，其中两翼为不符的地物，移除不满足HOT假设的地物可以提高去薄云的效果[14]。形态学方法可以部分优化HOT结果[11]，但需要预先输入处理窗口的大小和迭代次数，参数的选择是实际应用的难点。为提高HOT云检测方法的精度，本文对检测结果进行质量评价，去除裸地、建筑物等地物的干扰，重建高精度的薄云检测结果，为后续云去除提供支持。

图1 GF-1 晴空影像红蓝波段散点图

Fig.1 The scatter plot of blue band and red band in clear areas of GF-1 images

1.2 基于归一化植被指数改进薄云检测结果

高分影像中的地物纹理信息更加复杂，传统HOT方法对于建筑物、道路和广场等高反射率地物的薄云检测结果并不理想，尤其是对于真彩色的人造地物检测结果偏差很大。为了适应高分影像特征，提高人造地物的薄云检测精度，本文对HOT检测结果进行质量评估，并依赖高置信度点对薄云检测结果重建。首先检验不同地物的HOT检测结果。使用K-means聚类方法将GF-1晴空测试数据分为10类(图2)，并对每种地物的HOT检测结果进行统计，发现大部分地物类型的HOT在零值附近分布，变化浮动很小。由分类结果得知第1类地物为水体，第2、3、4类为植被，第9、10类地物为建筑物。观察统计结果发现：晴空影像中建筑物的HOT值变化浮动很大，并与预期结果偏差较远；植被的薄云检测结果很理想，在零值附近小范围变化。由此可知,植被地区的HOT值检测结果可信度很高。

图2 高分一号晴空影像10种地物类别的HOT值

Fig.2 HOT of 10 land-cover classes in clear areas of GF-1 images

基于NDVI对薄云检测结果改进的步骤如下：

(1) 计算薄云影像的归一化植被指数。归一化植被指数[15](NDVI)能反映植被生长力、覆盖度等信息，NDVI取值范围为[-1,1]，负值表示可见光波段高反射率的区域，0表示岩石、裸地，正值表示植被覆盖，并随覆盖度的增大而增大。式(4)中NIR为近红外波段亮度值，RED为红色波段亮度值。

(4)

(2) 以归一化植被指数为指导，构建植被区域选取掩膜，选取高置信度检测结果作为重建薄云检测的基础。利用式(5)计算可靠的薄云检测图像(Reliable Haze-Optimized Transformation，RHOT)：

RHOT(x)=HOT(x)×cs(x)

(5)

(6)

式中:NDVI(x)表示像元x处的归一化植被指数；Ω(x)是以像元x为中心、边长为s的窗口；a为计算掩膜时的阈值。本实验使用3×3的窗口，a取0.1。

(3) 使用插值算法重建薄云检测结果(IHOT)。由于待插值区域大小不定且分布不规律，不能直接使用传统插值算法，本文对最近邻插值法进行了部分修改。对于RHOT中所有待插值像元，计算以待插值像元为中心的窗口内非零点的均值并将其赋值给该像元，如果窗口内不存在非零点则增加窗口大小。

1.3 薄云去除

本文采用虚拟云点[11]的方法对影像每个波段去除薄云干扰，具体步骤如下：1)根据IHOT原理可知，IHOT值越大，影像受到云的干扰越严重，云越厚。本文根据改进的薄云检测结果将影像按照云的厚度分类，并对每类影像的亮度值进行统计，计算该类的最大值和最小值。2)对每类影像的最大、最小DN值分别进行线性回归，两条直线的交点即虚拟云点。如图3，其中VCP为虚拟云点，P为原始影像某像元，P′为该像元去除云干扰后的值。3)穿过虚拟云点VCP和薄云影像的像元P做直线，该直线在IHOT为0时得到一点P′，P′即对应的无云影像的像元。虚拟云点去云算法公式如下：

(7)

式中：IHOTv cp、DNv cp分别为虚拟云点对应的IHOT值、DN值,DNresult为去云后像元的DN值。

图3 虚拟云点算法

Fig.3 The visual cloud point method

综上所述，本文高分影像的薄云自动检测与去除流程如图4所示。在传统HOT方法去云流程(实线框)的基础上，本文实现了晴空区选取的自动化，并对薄云检测结果进行改进，提出了一种新的高分影像去薄云算法。

图4 高分影像薄云自动检测与去除流程

Fig.4 Flow of automated thin cloud detection and removal of high-resolution images

2 实验及结果分析

实验数据采用北京某地区的高分一号影像，接收时间为2013年6月。本文从中选取薄云遮盖的区域，按照图4流程进行薄云自动检测与去除。传统HOT去云算法中，云检测过程需要手动选取晴空区，限制了云检测步骤的自动化，本文创新性地基于暗原色先验知识，自动提取晴空区域，实验得到的自动检测结果与目视判别结果一致(图5)。

图5 实验数据及晴空区自动检测结果

Fig.5 Representative hazy image of GF-1 and the result of automatic detection of clear region

线性回归晴空区影像红蓝波段的亮度值，获得该影像的晴空线。利用式(2)计算每个像元的HOT值，图6a为得到的薄云检测结果，HOT值越大，云越厚。对比原始影像，可发现建筑物区域的HOT检测结果很突兀，其中红色屋顶建筑HOT极低，蓝色屋顶建筑HOT极高，其他类型建筑物HOT也明显偏高。正如1.1节中所述，某些类型的地物不符合HOT假设，通过实验分析发现植被区域的HOT检测准确率很高，基于归一化植被指数利用式(5)对薄云检测结果进行改进，得到IHOT(图6b)。

图6 薄云检测结果改进前后对比

Fig.6 The comparison between HOT and IHOT

图7(见封3)是薄云覆盖的GF-1影像采用不同算法去薄云后的结果。与原始影像对比，传统HOT法丢失了彩色建筑的色彩信息，导致结果影像(图7a)与事实不符；同态滤波法(图7b)仅能够去除部分区域的薄云，并损失了晴空区影像的部分低频信息；本文算法结果(图7c)薄云去除效果较好，不仅有效消除了薄云的干扰，同时充分还原了较厚云层下垫面的地物信息，对于地物色彩和纹理信息的还原更加真实。图7d为原始影像局部，对应图5a中虚线框的位置，图7e、图7f、图7g分别是基于HOT去云法、同态滤波法和本文算法云去除后的影像。

由于传统HOT去云算法对彩色建筑恢复效果很不理想，下文仅针对同态滤波法和本文算法结果进行定量分析。本文采用影像均值、归一化相关系数以及结构相似性度量指标(SSIM)[16]对比两种薄云去除算法。由表1可知两种算法都使云区影像的平均亮度值有所下降，削弱了云对影像的干扰，生成的无云影像与原始影像相关系数都很高，而本文算法结果的结构相似性指标明显优于同态滤波法，可见本文算法对高分影像的空间结构、纹理等细节信息的恢复是很明显的。

表1 不同薄云去除算法处理前后影像统计指标

Table 1 The statistical index of haze-removal image with different methods

算法原始云区影像均值薄云去除后影像均值薄云去除前后影像相关系数SSIM同态滤波法381．3096203．59130．91200．6213本文算法381．3096285．43970．97050．9071

3 结语

本文针对传统薄云检测方法手动勾勒晴空区、自动化程度低的特点，提出了基于暗原色先验知识自动检测晴空区的策略；针对HOT云检测方法在高分影像中建筑物、道路、广场等地物失效的问题，利用植被区域云检测结果准确的特点，结合归一化植被指数提出IHOT云检测算法，提高了去云后影像的质量。实验表明，文中的薄云去除效果明显优于传统的HOT法和同态滤波法。但本文算法的效果可能受季节和植被覆盖率的影响，提高算法的适用性是进一步研究的目标。

[1] LU D.Detection and substitution of clouds/hazes and their cast shadows on IKONOS images[J].International Journal of Remote Sensing,2007,28(18):4027-4035.

[2] 冯春,马建文,戴芹,等.一种改进的遥感图像薄云快速去除方法[J].国土资源遥感,2004,4(62):1.

[3] 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,2007,32(3):47-48.

[4] 赵忠明,朱重光.遥感图象中薄云的去除方法[J].环境遥感,1996,11(3):195-199.

[5] 朱锡芳,吴峰,庄燕滨.基于Mallat算法遥感图像去云雾处理的改进方法[J].遥感学报,2007,11(2):241-246.

[6] BERK A,BERNSTEIN L S,ANDERSON G P,et al.MODTRAN cloud and multiple scattering upgrades with application to AVIRIS[J].Remote Sensing of Environment,1998,65(3):367-375.

[7] CHAVEZ P S.Radiometric calibration of Landsat Thematic Mapper multispectral images[J].Photogrammetric Engineering and Remote Sensing,1989,55(9):1285-1294.

[8] LIANG S,FANG H,CHEN M.Atmospheric correction of Landsat ETM+ land surface imagery.I.Methods[J].IEEE Transactions on Geoscience and Remote Sensing,2001,39(11):2490-2498.

[9] SAUNDERS R W,KRIEBEL K T.An improved method for detecting clear sky and cloudy radiances from AVHRR data[J].International Journal of Remote Sensing,1988,9(1):123-150.

[10] ZHANG Y,GUINDON B,CIHLAR J.An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images[J].Remote Sensing of Environment,2002,82(2):173-187.

[11] HE X Y,HU J B,CHEN W,et al.Haze removal based on advanced haze-optimized transformation (AHOT) for multispectral imagery[J].International Journal of Remote Sensing,2010,31(20):5331-5348.

[12] 李存军,刘良云,王纪华,等.基于Landsat 影像自身特征的薄云自动探测与去除[J].浙江大学学报(工学版),2006,40(1):10-13.

[13] HE K,SUN J,TANG X.Single image haze removal using dark channel prior[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2011,33(12):2341-2353.

[14] MORO G D,HALOUNOVA L.Haze removal for high-resolution satellite data:A case study[J].International Journal of Remote Sensing,2007,28(10):2187-2205.

[15] 赵时英.遥感应用分析原理与方法[M].北京:科学出版社,2003.373-374.

[16] WANG Z,BOVIK A C,SHEIKH H R,et al.Image quality assessment:From error visibility to structural similarity[J].IEEE Transactions on Image Processing,2004,13(4):600-612.

Automatic Removal of Thin Cloud Based on Improved Haze-Optimized Transformation for High-Resolution Image

LIU Ze-shu1,2，CHEN Fu2，LIU Jian-bo2,SUN Ye-chao3

(1.UniversityofChineseAcademyofSciences,Beijing100049;2.InstituteofRemoteSensingandDigitalEarth,ChineseAcademyofSciences,Beijing100094;3.ChinaCentreforResourcesSatelliteDataandApplication,Beijing100094，China)

A new algorithm is developed to remove the haze from high-resolution image effectively and improve the automatic degree of cloud detection methods.The clear region of haze image is selected automatically based on the prior of dark channel,and the thin cloud detection is generated by improved haze-optimized transformation (IHOT),then the haze is removed with the virtual cloud point method.Using the GF-1 image to make experiment,the proposed algorithm is proved to be better than the traditional algorithms in recovering the color and texture information of artificial objects.

high-resolution image;haze removal;automatic detection;IHOT

2014-06-10；

2014-07-18

民用航天十二五预研项目

刘泽树(1990-)，男，硕士研究生，主要研究方向为遥感图像处理。E-mail:liuzeshu0318@sina.com

10.3969/j.issn.1672-0504.2015.01.009

TP751

A

1672-0504(2015)01-0041-04