基于Photoshop的Landsat-8影像云及云影提取方法*

张 洪 沈金祥

(云南国土资源职业学院数字国土与土地管理学院 昆明 652501)



基于Photoshop的Landsat-8影像云及云影提取方法*

张 洪 沈金祥

(云南国土资源职业学院数字国土与土地管理学院 昆明 652501)

云及云影不可避免地作为无信息或弱信息区存在于遥感影像中,成为制约遥感影像应用深度和广度的一大问题。云及云影区的精确定位是多源、多时相遥感影像云及云影区信息重建的基础。薄、厚云光谱与空间形态特征各异,难以仅通过简单的特征实现云及云影的自动化、高精度提取。Phtoshop(PS)作为功能强大且最为常用的图像处理软件,其强大的色彩分析与选区功能使得图像像素信息分析较为便捷。在对云、冰雪及其他地类光谱特性分析的基础上,首先选择能够有效区分云、冰雪及其他地类的红、短波红外及热红外波段合成彩色图像,借助于色彩相似性容差控制下的PS像素选区选取与“种子点”空间增长功能,实现云信息的有效提取;其次,通过云选区向阴影方向的移动对云影的初定位,结合近红外波段上灰度相似性容差控制的PS像素选区选取与“种子点”空间增长功能,实现云影信息的提取。对Landsat-8的实验结果表明,利用PS能够有效提取出云及云影信息,其中云信息具有优于96%的提取精度,云影信息提取精度超过90%。云及云影信息的PS有效提取方法为自动化提取算法研发乃至其他地类信息的提取提供了可借鉴的思路。

云; 云影; Landsat-8; Photoshop

Class Number TP753

1 引言

云及云影是遥感影像中的无信息或弱信息区,不可避免地存在于遥感(尤其是卫星遥感)影像中,并极大地影响了遥感影像应用的深度和广度。近年来,“三高”分辨率遥感数据日益丰富,遥感大数据挖掘势在必行,如何定位并重现云及云影区信息是遥感大数据分析的重要内容。

一般来说,遥感数据发布方会在遥感数据元数据文件中赋有参考云量说明,也有部分附带有数据质量评价文件(如Landsat-8 BQA文件)[1]。云的检测一般包括基于光谱分析与基于空间形态特征分析两大类:基于光谱分析的方法通过对云及云影在各个光谱波段上的灰度值特征(包括波段组合特征,如各种指数)通过监督、非监督分类的方式来提取出影像中的云信息[2～8];基于空间形态特征的云检测方法则通过分析云的空间形状、分布、纹理、结构等来提取出云信息[9～11]。此外,一些学者综合利用光谱特性与空间特性进行云检测的相关研究[12～13]。遥感影像中不同种类的云光谱与形态特征各异,例如薄云除具有云光谱特征外,还混合有复杂下垫面光谱信息;云的高度、太阳光的照射角度不同,云及云影的空间形态、空间关系也不尽相同。云及云影的空间特征的有效表达和计算是一个难点问题。

遥感成像过程复杂,影像地类信息构成复杂使得遥感信息提取模型也十分复杂,这使得分析和应用遥感的门槛较高。然而,单波段黑白影像或三波段彩色影像,甚至是多波段合成多通道影像,从本质上看也依然可以看作是普通的图像。为此,通过普通的图像处理方法和软件平台对遥感图像进行处理与分析将降低遥感影像分析的门槛,扩展遥感的应用领域。尽管一些学者也利用功能强大的Photoshop软件(PS)进行遥感数据的分析处理并取得了一定的效果[14～17],但总体来说应用PS进行遥感数据处理与分析的相关研究仍不太多见。针对云及云影在Landsat 8不同波段的特性选择相关波段组合形成黑白或彩色图像,利用PS强大的图像色彩与亮度处理、灵活的选区操作功能可以实现云及云影的有效提取。

2 研究方法

多谱遥感影像的云及云影PS提取包括反射率及温度图像合成、影像预处理、云及冰雪提取、冰雪去除、云影提取及后处理六个步骤,最后输出与原始影像相对应的云及云影影像(图1)。

图1 云及阴影PS提取方法流程

2.1 图像预处理

图像预处理是对云及云影提取前的数据准备工作,主要包括彩色、灰度图像的合成与增强处理。地物对各个波长电磁波反射率/发射率特性形成各个波段(通道)图像,要能有效提取出遥感影像中的地物信息,必须选择有效的波段图像(组合)。

为能形成反映地物光谱特性的灰度、彩色图像,首先需将原始影像像元(像素)值(DN值)转换为反映地物光谱特性的地物反射率(可见光、近红外及短波红外波段)或亮度温度(热红外波段)值,计算方法详见[18]。由于像元值为0～1间的反射率波段与通常大于200的热红外亮度温度处于不同的量纲中,需对它们进行数据拉伸处理转为至相同的量纲以合成有效的彩色图像。

对云、冰雪、植被、水域、裸地、居民地等主要地类样本分析可以看出,云及冰雪在可见光及近红外波段具有较高亮度值且热红外波段则具有较低亮度值,这明显区别于其他地物类型。另一方面,在短波红外波段冰雪则具有显著区别于云的较低亮度值。为此,选择可见光-近红外、短波红外及热红外波段的组合则可以实现云信息的有效提取。为避免近红外波段植被高反射率对云提取的干扰,同时排除大气效应影响相对较大的可见光蓝、绿波段,在可见光-近红外区域优选红波段与短波红外及热红外波段合成假彩色用于云信息的提取。近红外波段则单独保存为单通道灰度图像用于后续云影信息提取。

图层作为PS中图像元素的组织方式,在图像处理过程中能够灵活控制图像元素单独进行修改和编辑,而不影响其它元素。在云及云影提取过程中,需要在RST假彩色、NIR灰度图像上进行云及云影要素的分析提取,这些要素既独立又有联系。对导入到PS中的RST假彩色合成图像、NIR图像以一个图像为基准,将一个图像文件中的图像区域复制并作为图层集中到一个图像文件中。图像各通道的直方图反映了该通道内像素亮度值的分布,不同的图像内容,其各通道直方图也不尽相同。受极少数极值像素(暗像素或亮像素)或像素值存储位数(如8bit)的影响,各通道的直方图可能会集中于某一狭小的区域由此造成图像可能会存在对比度、色彩、亮度差的问题,为便于后续图像分析处理,需进行图像的增强处理,即增强图像色彩、亮度和对比度。此外,为避免个别噪声像元并形成较为平滑的云边界,在预处理阶段可对待提取的RST假彩色及NIR灰度图像进行一定的低通滤波平滑处理。

2.2 云提取

在RST假彩色合成图像上,云、冰雪及其他三种类别对比明显,能够实现有效区分。在PS中,可以提取样本点的色彩为参考色彩,设置一定的容差作为与色彩相似性阈值进行相似色彩像素的选取。如前所述,薄云由于复合了复杂下垫面信息而呈现出差异于厚云的色彩信息。在RST假彩色图像上无论选取厚云或薄云作为参考色彩,过小的容差值无法达到同时准确提取薄云与厚云,过大的容差值则会引起冰雪或其他地类的错误提取。为此,可以在设置较小容差值的条件下分两步分别采样薄云与厚云参考色彩来实现薄、厚云的准确提取。

2.3 云影提取

遥感图像中的阴影一般有山体阴影、建筑物阴影、云阴影、植被阴影等,表现为较低的像素值,这与水域等低反射率地物目标非常相似,难以通过简单的色彩或亮度信息实现有效提取。然而,正因为阴影是较高物体对于光线的遮挡形成的较暗区域,这就可以通过光线的照射方向来寻找阴影区域。对于云阴影的提取来说,对上述提取的云选区向阴影的方向移动一段距离即可以寻找到云影区域。然而,每一块云与云影间的距离取决于拍摄角度、云高及太阳高度角,这使得每一块云选区向云影移动的距离也不尽相同。为了能够准确定位到云影区域,首先对上述云选区(S1)向外“扩展”若干个像素后向阴影方向移动一定距离D,确保云影区域均有像元落入到移动后的候选选区(S2)中;然后,同样通过“色彩范围”在近红外图层采样云影区样本像素并从S2中选区云影像素,形成云影选区S3;最后,通过区域相似性增长方法,利用“扩大选区”以S3作为种子点向邻近扩展与S3亮度相似的像素,最终形成云影区域S4。整个云影提取如图2所示。

图2 云影提取示意图

云区(S1)及云影区(S4)提取后对结果进行合并,并进行适当的人工检查,对于提取错误的区域,利用选区工具可以很方便地完成修改。S1与S4选区合并后统一填充黑色,其他背景填充白色后输出二值云掩膜图像,可以用于后续遥感影像分析。由于PS不支持坐标系统,输出的影像与原始影像像素数目和坐标系统完全一致,仅需通过遥感软件赋予与导入PS之前相同的坐标格式即可。

3 实验结果与分析

3.1 实验数据

PS云及云影的提取方法利用了遥感影像的红、近红外、短波红外、热红外四个波段,作为一种研究方法,独立于研究区和数据源,只要具备这四个波段的遥感数据都可以实现云及云影的提取。这里选择目前在轨运行且运用广泛的Landsat 8 OLI卫星影像作为实验数据,选取位于滇西北迪庆附近云量较多,同时有覆盖有冰雪的一景影像(轨道号为132040,文件标识号为LC81320402015057LGN00,成像时间为2015-02-26,参考云量为14.8%)用于开展提取实验。

3.2 实验结果分析

借助于ENVI软件平台,首先将原始Landsat8数据多光谱波段转换为TOA反射率(取值0～1),再对涉及的红、近红外、短波红外波段乘以255拉伸为0～255字节型数据;其次将热红外波段转换为传感器端温度值(取值一般为0～300多),通过直方图统计,选取除0外的最小值作为偏移量,对热红外温度影像减去这个最小值,即可将结果拉伸为0～255字节型。对字节型红波段(R)、短波红外波段(SWIR)及热红外波段(T)进行RGB假彩色合成,并输出为TIF格式。对近红外波段(NIR)及则直接输出为TIF格式保存。

本次实验基于Photoshop CS 6平台完成。RST假彩色合成图像、NIR图像导入到PS中,以其中一幅为基准(如RST),将其他(NIR)复制后作为图层粘贴值至基准图像(RST)中。通过选区工具将图像外无效区域删除后,对每个图层逐通道利用“曲线”或色阶调整直方图,排除无效像素对图像的干扰,提升图像质量。为避免个别像素的异常值的干扰,在提取云及冰雪前,对RST及NIR图层分别利用“滤镜模糊高斯模糊”进行5像素的模糊处理。

选择RST图层,通过“魔棒”工具,首先选取亮黄色厚云样本,以容差阈值100选取厚云区域;然后再“选取相加”模式下选取较暗黄色薄云样本并以容差阈值100选取薄云区域;接着,通过“选择/扩大选取”以当前薄、厚云选区为种子点,以相似性容差阈值50进一步扩展选区边界;最后,通过选区向路径的正向转换及路径向选区的逆向转换,形成云选区羽化边界向硬边界的转换。此外,进一步通过“选择修改扩展”对边界扩展3个像素以将边界过渡区像素选入云选区中。从图3中PS提取方法与ENVI中集成的FMask算法及Landsat BQA云掩膜数据对比可以看出,PS方法能够很好地检测出影像中的各类型云,同时,结合空间滤波与空间扩展运算,云区域边界较为平滑并且较少有破碎云信息;FMask算法对云的边界提取相对较好,但存在冰雪及部分其他地类的错误提取;BQA则云区边界也极为破碎并存在部分的错误信息。

选择NIR图层,在选区S2内利用“选择色彩范围”在容差30下选择云影像素“种子点”。通过“选择扩大选取”命令在容差30下对云影像素“种子点”进行区域增长即实现云影的有效提取。与云提取相同,可进一步通过“选择修改扩展”对边界扩展3个像素以将边界过渡区像素选入云影选区中。

图3 云提取效果对比

图4中可以看出,对于较为简单的平原区,没有山体阴影、水域等同样低反射地类的干扰,主要依赖于近红外的亮度阈值的云影提取效果较好。通过云的移动限制了阴影提取的作用范围,但如果云的移动过程中碰上了水域,山体阴影,则基于阴影色彩相似性及空间连续性的“种子点”会发生错误增长而导致提取错误,这就需要进一步的人工判别修正。图5为云及云影合并后结果,作为无信息区掩膜可以用于多时相数据间的交叉互补修复,重建完整影像信息。影像上选择样本的精度检验表明,云信息提取精度高于96%,云影信息提取精度高于90%。

图4 云影信息 提取结果

图5 云及云影信息 合并提取结果

4 结语

遥感影像云及云影的提取是一个较为复杂的决策过程,其中既涉及图像亮度、色彩信息,又涉及空间位置及形态学特征。PS作为功能强大的图像处理软件,借助于其灵活的图层、选区操作及便捷的编辑功能,能够以简单化的方式实现遥感影像中云及云影的提取,降低了遥感影像应用的门槛和成本。实验结果表明,对于RST合成的假彩色图像,PS能够高精度提取出云信息;同时,结合云影方向及“种子点”增长方法,在NIR图像上也能够较为准确地提取出云影信息。PS环境下云及云影的提取为其他地类信息的提取提供了可借鉴的解决思路,同时也为遥感算法设计提供借鉴方案。

[1] USGS. Landsat Quality Assessment Band[OL]. http://landsat.usgs.gov/qualityband.php.

[2] ZHU Zhe, WOODCOCK C E. Object-based cloud and cloud shadow detection in Landsat imagery[J]. Remote Sensing of Environment,2012,118(15):83-94.

[3] ZHU Zhe, WANG Shixiong, WOODCOCK C E. Improvement and expansion of the Fmask algorithm: cloud, cloud shadow, and snow detection for Landsats 4-7, 8, and Sentinel 2 images[J]. Remote Sensing of Environment,2015,(159):269-277.

[4] 李微,方圣辉,佃袁勇,等.基于光谱分析的MODIS云检测算法研究[J].武汉大学学报:信息科学版,2005,30(5):435-439. LI Hui, FANG Shenghui, DIAN Yuanyong, et al. Cloud detection in MODIS data based on spectrum analysis[J]. Geomatics and Information Science of Wuhan University,2005,30(5):435-439.

[5] KONG Xiangsheng, QIAN Yonggang, ZHANG Anding. Cloud and shadow detection and removal for Landsat-8 data[C]//Proc. SPIE 8921, MIPPR 2013: Remote Sensing Image Processing, Geographic Information Systems, and Other Applications,2013,89210N.

[6] 张宁,谢宝蓉,沈霁,等.一种基于光谱反射率特性的星载高光谱图像云检测方法[D].上海:上海航天测控通信研究所,2014. ZHANG Ning, XIE Baorong, SHEN Wen, et al. A satellite hyperspectral image cloud detection method based on spectral reflectance characteristics[D]. Shanghai: Shanghai Spaceflight TT&C and Telecommunication Institute,2014.

[7] 冯书谊,张宁,沈霁,等.基于反射率特性的高光谱遥感图像云检测方法研究[J].中国光学,2015,8(2):198-204. FENG Shuyi, ZHANG ning, SHEN Wen, et al. Method of cloud detection with hyperspectral remote sensing image based on the reflective characteristics[J]. Chinese Optics,2015,8(2):198-204.

[8] WANG Bin, ONO A. Automated detection and removal of clouds and their shadows from Landsat TM images[J]. IEICE Transactions on Information and Systems,1999,E82-D(2):453-460.

[9] LI Pengfei, DONG Limin, XIAO Huachao, et al. A cloud image detection method based on SVM vector machine[J]. Neurocomputing,2015,169:34-42.

[10] 王奎,张荣,尹东,等.基于边缘特征和AdaBoost分类的遥感图像云检测[J].遥感技术与应用,2013,28(2):263-268. WANG Kui, ZHANG Rong, YIN Dong, et al. Cloud detection for remote sensing image based on edge features and AdaBoost classifier,2013,28(2):263-268.

[11] 陈振炜,张过,宁津生,等.资源三号测绘卫星自动云检测[J].测绘学报,2015,44(3):292-300. CHEN Zhenwei, ZHANG Guo, NING Jinsheng, et al. An automatic cloud detection method for ZY-3 satellite[J]. Acta Geodaeticaet Cartographica Sinica,2015,44(3):292-300.

[12] 马雷,张秀玲,田原,等.一种基于空间与光谱信息的高光谱自动云检测方法[D].北京:中国科学院自动化研究所,2012. MA Lei, ZHANG Xiuling, TIAN Yuan, et al. A spatial and spectral information based automatic cloud detection method for Hyperspectral image[D]. Beijing: Institute of Automation, Chinese Academy of Sciences,2012.

[13] 秦雁,邓孺孺,何颖清,等.基于光谱及几何信息的TM图像厚云去除算法[J].国土资源遥感,2012,4:55-61. QIN Yan, DENG Ruru, HE Yingqing, et al. Algorithm for Removing Thick Clouds in TM Image Based on Spectral and Geometric Information[J]. Remote Sensing for Land & Resources,2012,4:55-61.

[14] 于洪苹,程朋根,李永胜.PhotoShop软件在遥感影像处理中的应用[J].测绘科学,2011,36(3):199-201. YU Hongping, CHENG Penggen, LI Yongsheng. Photoshop software in RS image processing[J]. Science of Surveying and Mapping,2011,36(3):199-201.

[15] 黄健,王继.基于Photoshop的遥感影像融合[C]//长沙:2004环境遥感学术年会,2004:132-134. HUANG Jian, WANG Ju. Photoshop based remote sensing image fusion[C]//Changsha: Environment Remote Sensing Academic Annual Meeting 2004,2004:132-134.

[16] 张弟,谢志明,益建芳.基于Photoshop通道模块的遥感影像信息提取[J].影像技术,2010(6):36-41. ZHANG Di, XIE Zhiming, YI Jianfang. Remote sensing information extraction based on the channel module in Photoshop[J]. Image Technology,2010(6):36-41.

[17] 韩涛,李新峰,李红,等.Photoshop软件在处理遥感影像中的一些应用[J].测绘与空间地理信息,2012,35(10):121-126. HAN Tao, LI Xinfeng, LI Hong, et al. The application of Photoshop in remote sensing image processing[J]. Geomatics & Spatial Information Technology,2012,35(10):121-126.

[18] CHANDER G, MARKHAM B L, HELDER D L. Summary of current radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors[J]. Remote Sensing of Environment,2009,113:893-903.

Extraction Method of Cloud and Cloud Shadow Decision Based on Photoshop

ZHANG Hong SHEN Jinxiang

(Department of Digital Land and Land Management, Yunnan Land and Resources Vocational College, Kunming 652501)

Clouds and its shadow is always the weak and even uninformative area inevitably exists in the remote sensing images, and greatly restrict the field of remote sensing applications. Precise positioning cloud and its shadow area is an important step for information reconstruction of these area by using multi-source or multi-temporal remote sensing images. Thin and thick clouds always have different spectral and spatial morphological characteristics, and it is difficult to achieve automation and high-precision extraction through some simple features. Phtoshop (PS) as a powerful and most commonly used image processing software, its powerful color analysis and selected-area operation make image pixel information analysis more convenient. Based on the analysis of the spectral characteristics for the cloud, snow, and other class, and PS-based cloud and its shadow information extraction method was proposed: firstly, red, short-wave infrared and thermal infrared band was select to synthesize color image for distinguish cloud, snow, and other class by using of the pixel selection and "seed point" expansion function with the color similarity tolerance; secondly, using the movement of the cloud selected-area to achieve the initial position, and then the near-infrared band was selected to extract cloud shadow by using of pixel selection and "seed point" expansion function with the intensity similarity tolerance. The Landsat-8 experimental results show that the PS can effectively extract the cloud and its shadow information, which has a cloud information extraction accuracy better than 96%, and the accuracy of cloud shadow information extraction better than 90%. The efficient PS clouds and its information extraction method provide some useful ideas for the automated extraction algorithm development as well as other types of information extraction.

cloud, cloud shadow, Landsat-8, Photoshop

2016年7月4日,

2016年8月20日

云南省地矿局科技创新基金(编号:2015JJ03);云南省应用基础研究计划项目(编号:2013FB082)资助。

张洪,男,副教授,研究方向:摄影测量与遥感应用技术。沈金祥,男,博士,讲师,研究方向:遥感图像理与信息提取。

TP753

10.3969/j.issn.1672-9722.2017.01.031