一种基于光谱角原理的多光谱遥感图像云检测算法 一种基于光谱角原理的多光谱遥感图像云检测算法 为了满足遥感卫星实时云检测要求，提出了一种基于光谱角的云检测算法。首先在多光谱谱段构成的欧式空间 中构造参考云矢量；然后计算图像中各像元矢量与参考云矢量的光谱角，对光谱角进行高斯滤波生成云掩膜； 最后计算得到图像中云量百分比。利用该算法对156景人工标注过的LandSat7有云图像进行云检测，结果表明 本文算法云检测整体精度能到达83.6%，平均执行速度为360 ms。本文算法原理简单，执行速度快，检测效果 好，具有星上实时应用潜力。 　　孙舜蓉 　　（工业和信息化部电信设备认证中心，北京 100088） 摘要摘要：为了满足遥感卫星实时云检测要求，提出了一种基于光谱角的云检测算法。首先在多光谱谱段构成的欧式空间中 构造参考云矢量；然后计算图像中各像元矢量与参考云矢量的光谱角，对光谱角进行高斯滤波生成云掩膜；最后计算得到图像 中云量百分比。利用该算法对156景人工标注过的LandSat7有云图像进行云检测，结果表明本文算法云检测整体精度能到达 83.6%，平均执行速度为360 ms。本文算法原理简单，执行速度快，检测效果好，具有星上实时应用潜力。 　　关键词 　关键词：云污染；多光谱遥感；光谱角；云检测 　　中图分类号：P407.8文献标识码：ADOI： 10.19358/j.issn.1674-7720.2017.06.006 　　中图分类号 　　引用格式：孙舜蓉. 一种基于光谱角原理的多光谱遥感图像云检测算法［J］.微型机与应用，2017,36（6）：16-18，21. 　　0引言 　　未来的遥感卫星将向着更高空间分辨率、更高时间分辨率、更高光谱分辨率以及更高辐射分辨率的方向发展，这将导致图 像数据量的成倍增长，给星上硬件资源带来巨大压力。中国科学院地理空间数据云系统［1］对2014年1月1日到2015年1月1 日的Landsat 7 ETM+ 湖北省的135景图像进行云量统计，结果见表1所示。若定义云量小于5%的图像为干净图像，则该比例 仅为20%，即80%的图像都或多或少地被云图污染。云量在80%以上的图像55景，占总图像的40.78%，这部分图像属于云图 严重污染图像，基本上没有应用价值，因此可以不需要从卫星下传到地面。同样的结论可以从CNES（法国空间研究中心）对 SPOT5图像的统计中得到。地面神经网络分类器对SPOT5图像分类结果表明80%以上为“有云”。 　　除气象卫星外，云图在高分辨率遥感图像中有害无益，一是污染图像，对地物识别造成困难；二是占用了大量宝贵的运算 和存储资源；三是占用有限的传输带宽。这三方面使得相机有效成像时间缩短，极大地限制了卫星的成像能力。因此，开发星 上实时高效的云检测算法势在必行。星上可根据云量的检测结果对原始图像进行针对性的处理，可以有效改善卫星成像效率， 然而星上云检测远不如地面云检测成熟。 　　云检测算法在文献［2］、［3］中得到很好的归纳总结。总之，现有算法具有以下特点： 　　（1)云判算法多为地面应用，发展比较成熟，但星上实时云判研究较少。 　　（2)单谱段云图检测基于图像阈值、图像纹理进行云判别。由于云千变万化，云检测分类器往往难以区分与云具有相似纹 理的冰雪下垫面。 　　（3)云检测算法针对特定的传感器进行量身定制，还没有一种云检测算法能适应所有类型的传感器。 　　（4)地面算法较为复杂，不适合直接移植到星上应用，基于光谱和纹理的分类思想具有借鉴意义。 　　本文在分析云和典型地物的光谱反射率特性的基础上，给出利用光谱角进行云检测的算法原理和步骤，然后对比自动云覆 盖评估算法，给出云检测结果以及代码执行效率，最后给出分析结论。 1算法原理及实现流程 算法原理及实现流程 　　不同地物由于物理特征的不同，各自具有独特的光谱反射特性。图1为云和典型地物的光谱反射率曲线。由图1可见，在 0.4μm ~0.9μm可见光区域，云具有相对高的反射率，但是比冰雪低；在1.4μm以上的短波红外谱段，云的反射率比冰雪、土 壤和植被的反射率都高。多光谱探测器的光谱响应在其谱段范围内响应是近似线性的，那么，典型地物反射率曲线等价于探测 器对地物的光谱响应曲线，也就是说地物反射率越高，表现为图像的量化值越大。而且，谱段越多，光谱分辨率越高，描绘的 光谱曲线越完整，利用发射率信息对地物的区分度就越高。本文提出一种利用光谱矢量表征地物，进而利用光谱矢量与标准地 物参考矢量之间的相似性，即光谱角的大小和矢量长度来对地物进行分类的方法，原理描述如下。 

　　对于具有n个谱段的多光谱图像，图像像元可用n维矢量来表示，例如图2中的Pi。假设Pr为某地物参考矢量，若Pi与Pr的 指向相近，且长度也相近，则可以认为Pi与Pr相似。Pi的长度可以通过对Pi的求模操作即|Pi|来得到，而Pi与Pr间的光谱角可用 如下数学表达式得到: 　　αi=arccos(Pi·Pr/|Pi|·|Pr|)(1) 　　式中:αi为图像像元矢量与参考像元矢量之间的夹角，即光谱角，代表了光谱响应的相似性，其变化范围是［0，π/2］。 Pi·Pr为矢量点乘操作，|Pi|表示Pi的长度，|Pr|表示Pr的长度。光谱角度越小，同时矢量长度越接近，则被估计像元的光谱响应 与参考像元的光谱响应就越相似，参考物与被估计像元为同一类型的概率就越高。如图2所示，假设图像有3个谱段，分别用 i，j，k表示，αi就是像元Pi与参考像元Pr之间的光谱角。 　　 　　基于光谱角的云检测流程如图3所示。 　 　　基于以上分析，提出基于光谱角的云检测算法如下： 　　(1)计算遥感图像某像元Pi与云参考像元Pr的之间的光谱角，见式（1）。 　　(2)为了利用矢量的长度信息，构造一个包含像元Pi矢量与云参考像元Pr矢量长度的高斯滤波器，对αi进行滤波，即乘以一 个高斯权重系数GsCoef，该权重系数由式（2）得到，范围是（0,1 ］。高斯系数的作用是给那些矢量长度与参考像元矢量长 度接近的像元赋予较大的权重，直观解释就是矢量长度相近的像元更有可能是同一类地物。滤波结果为Cgsi，其范围是 （0，1］。 　　GsCoef=e-((|Pi|-|Pr|)2/(0.35·|Pr|2))(2) 　　Cgsi=GsCoef*（π-αi）/π(3) 　　(3)取适当的阈值对Cgsi进行二值化，即当minThresholdminThreshold && Cgsi<=maxThreshold) 　　Ci=1;//该像元判断为云 

　　else 　　Ci=0;//该像元判断为非云 　　(4)重复步骤(1)~(3)，依次完成所有像元检测，生成云掩膜。统计云像元所占比例，为后续处理做好准备。 2实验结果 实验结果 　　为了便于比较，本文利用开源遥感图像处理软件Grass7.0提供的自动云评估ACCA算法C++代码，与文中的光谱角云检测 算法C++代码，从整体检测精度（Cloud Overall Accuracy, COA）以及执行速度上进行比较。计算平台为：Lenovo Windows 7 64 bit PC; Intel Core i52520 @2.5 GHz CPU; 4.00 GB RAM。 　　从美国地质调查局网站得到156景经过人工标注的Landsat7图像，作为本文云检测精度评价的标准图像。此156景数据分 布在9个不同的纬度区域，对不同地域的云分布有一定统计意义，同时它们是文献［3］中所采用的212幅人工标注图像的子 集。在这156景8 bit量化的遥感图像中，图像专业分析人员利用Photoshop中的图像套索工具一点点地分离云和非云像元。 　　综合考虑检测精度和运算速度，本文取Landsat7中的Band1(450~515 nm)，Band3(630~690 nm)，Band4(750~900 nm)，Band5(1 550~1 750 nm)作为试验对象，利用这四个谱段构造光谱角进行云检测。同时，为了更好地模拟在轨实时处理 过程，利用从原始图像截取的1 024像元×1 024像元大小的含不同云量的图像进行试验。云参考矢量Pr取 (225,215,182,168)，minThreshold取0.6，maxThreshold取1，比较结果如图4~6所示。 　　 　　对于参考图像，ACCA算法耗时较长，平均耗时为2 299.6 ms。耗时曲线中显示对不同的图像，耗时相差较大，这是因为 ACCA算法针对不同的地物采用不同的算法分支，而某些分支中包含有循环处理。SA执行速度很快，平均耗时仅为361.1 ms。 　　图7是带云的原始图像，图8是人工标注的云图像，图中，云标注为全白，非云地物为全黑。典型的ACCA云检测结果如图 9所示，SA检测结果如图10所示。整体检测精度分布如表2所示，可知ACCA的整体检测精度达到89.05%，高于SA算法的 

83.6%。对检测误差较大的图像进行分析发现，高纬度地区覆盖的冰和雪常被误检为云，因为冰雪反射率与云接近，且具有较 高亮度；对薄云的漏检在两种算法中均存在，SA算法相对较严重。 3结论结论 　　分析可知，SA的检测精度略低于ACCA，但是仍然高于83%。最为关键的是，SA算法执行时间仅为ACCA算法执行时间 的1/6，这在实时图像处理中尤为重要。对于高纬度地区SA算法的过检问题，可以针对高纬度地区的冰雪特点，适当调高阈 值，提高检测精度。在轨应用时，一些实际问题例如图像的辐射校正、几何校正、图像匹配等问题需要加以考虑。 　　参考文献 参考文献 　　［1］ 侯舒维, 孙文方, 郑小松. 遥感图像云检测方法综述［J］. 空间电子技术, 2014, 11(3).6877. 　　［2］ TAPAKIS R, CHARALAMBIDES A G. Equipment and methodologies for cloud detection and classification: a review［J］. Solar Energy, 2013,95(5): 392430.