面向对象和GURLS结合的高空间分辨率遥感数据云检测

2019-06-05殷亚秋赵玉灵

测绘通报 2019年5期

殷亚秋，冷玥，赵玉灵，安娜，鞠星

(1. 中国国土资源航空物探遥感中心，北京100083； 2. 中国地质大学(北京)，北京100083)

利用卫星遥感手段获取地面信息过程中，云的存在影响了信息获取的质量，降低了数据利用率，云检测是遥感数据处理首要解决的问题之一[1-2]。随着我国高空间分辨率卫星数据在各行业的应用越来越广泛，实现国产高空间分辨率遥感数据准确云检测具有重要意义。

国内外学者针对不同卫星数据对云检测算法进行了研究[3-5]。现有的云检测算法以多波谱阈值法为主，基于云在可见光波段有较强反射而在红外波段有较低温度进行识别，主要应用于NOAA、GEOS、Landsat等系列卫星[6-7]。该方法简单易行，但是要求传感器具有热红外波段，不适用于国产高空间分辨率四波段数据。有学者提出了基于特征学习和聚类分割的云检测算法，如人工神经网络、统计模式识别、支持向量机等。文献[8]采用奇异值分解进行纹理特征提取，并采用自组织特征映射网络进行云区自动检测。文献[9]结合Landsat 7影像利用最小二乘小波孪生支持向量机多分类算法进行云检测，实现了不同类型云区的多分类识别。这些算法能够较好地应用于MODIS、Landsat等卫星数据，而对国产数据的应用研究仍然较少。文献[10]针对资源三号多光谱影像的特点，提出了一种结合最小二乘原理与阈值法的云检测方法，该算法能够对不同下垫面情况的云像元进行有效识别。在该方法应用中由于Windows环境下Matlab平台开发的GURLS(grand unified regularized least squares)软件库可开辟内存空间有限，无法利用其进行整景遥感影像处理。有学者提出了基于面向对象方法的遥感影像信息提取技术，文献[11]采用面向对象的方法分析完成了印度尼西亚在1997年和1998年严重森林火灾后的制图任务。文献[12]利用HJ-1 CCD多光谱影像，基于面向对象方法实现了厚云、薄云及云影的检测。本文针对Windows操作系统开发的Matlab平台GURLS软件库的局限性，将面向对象与正则化最小二乘方法相结合，减少了整景高分数据用于计算的数据量，对不同时相场景的高分一号、二号影像进行处理，通过与传统基于像元的最大似然法、支持向量机法对比分析，从而得出结论。

1 试验数据

国产高分卫星高分一号、二号PMS多光谱相机具有4个波段，分别为0.45～0.52、0.52～0.59、0.63～0.69和0.77～0.89 μm，数据的空间分辨率分别为8和4 m。从中选择6景不同时相场景的影像进行试验。影像下垫面涵盖耕地、园地、林地、草地、工矿仓储用地、交通运输用地、水域及水利设施用地等《土地利用现状分类》国家标准中的12个一级类别，见表1。对影像进行RPC纠正、辐射定标、几何定标等预处理。

表1 不同时相场景影像信息

2 面向对象和GURLS相结合的云检测

本文以对象为单元进行云检测，分类前选择合适尺度将影像分割成互不交叠的多边形对象，以多边形对象为单位进行处理，减少了用于分类的数据量。基于对象建立分类知识库，从对象的光谱特征、纹理特征、形状特征3个方面提取分类规则集。利用光谱特征进行云对象初步识别，基于光谱、纹理和形状的综合特征利用正则化最小二乘算法进行云对象再提取，得到最终的云检测结果，算法流程如图1所示。

2.1 图像分割

目前应用比较广泛的分割算法主要包括基于阈值的分割法、边缘检测法和基于区域的分割法，以及基于新数学工具、新理论的影像分割方法[12-14]。由于高空间分辨率遥感影像细节特征丰富，传统的影像分割方法已经不再适用[15-16]。文献[17]提出了分型网络演化法，该方法可操作性强且效果稳健。本文选择此方法，利用eCognition软件平台进行影像分割。

设置异质性阈值，根据合并准则自下而上进行处理，循环直至对象间的异质性值超出阈值[17]。由于高分辨率影像细节信息丰富，光谱权重过小会造成所得对象虽然形状规则但可分性较低。紧凑度的权重值越大，形状规则的对象描述越好，而光滑度权值越大，对象边缘越光滑。云在遥感影像上呈不规则状，设置光谱因子权值、形状因子权值、紧凑度权值、光滑度权值分别为0.8、0.2、0.5、0.5。分别取尺度阈值为10、20、30、40、50进行分割，结果表明30尺度能够将云进行完整分割并避免对象过于破碎，为最佳分割尺度。

2.2 对象特征规则集建立

云检测的精度大小取决于对象知识库中的规则能否有效地区分地物，因此对象特征的选择对于云检测质量而言至关重要。光谱特征均值和均值比值可以用来区分云与大部分植被、土壤、水体等地物。云的纹理特征属于随机纹理，但又区别于下垫面其他地物，利用灰度共生矩阵，选择4种纹理特征统计量，计算4个方向均值作为识别特征。对于光谱特征和云比较接近的高亮房屋建筑、道路和化工设施等地物选择形状特征进行区分。所选择的8种特征如下所示：

(1) 对象灰度均值(Mean LayerN)为对象内所包含像素第N波段灰度值均值。

(2) 对象灰度比值(Mean LayerN1/Mean LayerN2)为对象内所包含像素在第N1波段与第N2波段均值的比值。

(3) 对象同质度(Hom)为对象灰度均匀性度量，对象灰度越均匀，同质度值越大。pi,j指归一化后的灰度共生矩阵。

(1)

(4) 对象对比度(Con)反映对象灰度内像素灰度值变化的总量，像素灰度差别越大，对比度越大。

(2)

(5) 对象角二阶矩(Ang)反映对象内灰度分布均匀程度和纹理粗细度。灰度共生矩阵中元素分布越集中，角二阶矩值越小，分布越均匀，角二阶矩值越大。

(3)

(6) 圆度(Roundness)描述对象接近于椭圆的程度，计算方法为对象最小外接椭圆与最大内接椭圆半径之差。

(7) 矩形度(Rectangular Fit)体现对象对其外接矩形的充满程度，计算方法为对象面积与其最小外接矩形面积之比。

(8) 形状指数(Shape index)即计算对象形状与相同面积的正方形之间的偏离程度。bv为对象边界长度，A为对象面积。

(4)

2.3 GURLS云检测

本文基于对象采用阈值和GURLS相结合的方法进行云检测。利用光谱特征进行阈值法云对象初提取，再基于光谱、形状、纹理综合特征，利用正则化最小二乘方法进行云对象再识别。利用Windows环境下Matlab平台开发的GURLS软件包进行正则化最小二乘分类，采用高斯核函数，对偶优化方法寻找最优参数，具体步骤如下：

(1) 阈值法初判。基于图像分割结果，计算对象的Mean Layer 1、Mean Layer 3和Mean Layer 4/Mean Layer 3特征值，识别出大部分云对象，但其中也包含了易与云混淆的建筑物、道路、基岩裸地等高亮地物。

(2) 特征值计算。在步骤1提取的基础上，对提取的云对象进行连通区域合并，计算合并后对象的Mean Layer 1、Mean Layer 3、Mean Layer 4/Mean Layer 3、Hom、Con、Ang、Roundness、Rectangular Fit、Shape index特征值。

(3) 样本选择。将影像分为云和伪云两类，对各类地物进行目视判读，选择典型的云图斑和伪云图斑作为训练样本。

(4) GURLS软件云检测。将选择的样本数据和测试数据转换成软件统一的格式，选择模型参数、核函数、优化方法等一系列参数，执行分类。

与基于像素分类相比，基于对象进行分类克服了“椒盐噪声”，降低了用于分类的数据量，缩短了云检测的时间。

3 结果分析

将6景影像利用面向对象和GURLS结合的方法进行云检测得到图2所示结果。图2(a)、(b)云分布于城市建筑物之上，容易与高亮的建筑物和道路混淆，从结果来看算法对云与高亮建筑进行了有效区分。图2(c)、(f)下垫面分布成片冰雪和结冰河流，极易与云混淆，结果显示厚云与冰雪能够有效区分。图2(d)中下垫面主要分布植被、建筑和采矿用地，采矿区由于开采造成了山体岩石裸露，容易与云相混淆，算法能够将其与云进行有效区分。图2(e)下垫面主要分布有沙漠、河流滩涂、水田，裸露的河流滩涂具有较高反射率，易与薄云相混淆，结果可见算法能够将分布于裸露河滩之上的厚云和部分薄云提取出来。

为了对比评价基于像素的最大似然法和支持向量机(support vector machine,SVM)法，对6幅影像进行云检测，并对3种方法的云检测精度进行评价。借助于Google Earth工具，利用原始的多光谱影像和全色影像对试验区进行人工目视解译，将解译结果作为精度评价的本底参考图像，3种方法的精度评价结果见表2。可以看出面向对象GURLS结合法获得的6景影像云检测总体精度均在95%以上，Kappa系数均达到了0.90以上，精度高于基于像素的最大似然法和SVM法。

SVMGURLSOA/(%)KappaOA/(%)KappaOA/(%)Kappa199.50.9399.40.9199.800.98299.810.5899.800.6099.980.95398.830.7898.980.8399.470.90499.280.8899.580.9299.650.94599.260.7999.270.8299.730.94698.490.8798.520.8798.970.91