一種面向對象的時序遙感影像云覆蓋區域自動檢測方法
【專利摘要】本發明提供一種面向對象的時序遙感影像云覆蓋區域自動檢測方法，包括數據準備、影像配準、多尺度影像分割、輻射差異消除、光譜相似度計算、閾值分割和檢測結果生成六個步驟，其采用面向對象的解譯方法，能夠有效對云覆蓋區域進行模式劃分，充分利用時序影像富含的時序信息，能夠有效利用時序影像之間的多特征優勢，時序遙感影像云覆蓋區域檢測中，采用多特征融合的策略，充分利用時序和光譜信息，可以使得檢測的結果更加可靠，也更加具有穩健性。
【專利說明】
-種面向對象的時序遙感影像云覆蓋區域自動檢測方法
技術領域
[0001] 本發明設及遙感影像云覆蓋區域自動精準檢測領域，具體是一種面向對象的時序 遙感影像云覆蓋區域自動檢測方法。
【背景技術】
[0002] 隨著多時相遙感數據的不斷積累W及空間數據庫的相繼建立，如何從運些遙感數 據中提取和檢測特定地物的信息已成為遙感科學和地理信息科學的重要研究課題。根據同 一區域不同時相的遙感影像，可W提取城市、環境等動態變化的信息，為資源管理與規劃、 環境保護等部口提供科學決策的依據。但是，在地形復雜區域，如我國西南山區，開展多時 相遙感影像的專題解譯，由于山區特殊復雜的氣候條件，采用光學遙感技術獲取的遙感影 像發現受云覆蓋影響非常嚴重。因此，在遙感解譯的實際應用和理論技術研究方面，開展時 序遙感影像云覆蓋區域自動檢測基礎理論與關鍵技術研究，正在成為解決國家安全和社會 經濟發展重大需求的研究焦點。
[0003] 許章華等人在《農業機械學報》2013年第44卷第6期提出了一種基于面向對象與替 換法的遙感影像云檢測與去除技術。他們首先采用面向對象的方法，充分利用對象的色調、 形狀、紋理、層次及類間鄰居對象、子對象、父對象的相關特征，實現多尺度影像分割，然后 根據影像特點及其覆蓋區狀況，定義植被、水體、不透水面、厚云、薄云、云影和其他陰影等7 個類別，實現云及陰影提取。最后利用像元替換法，即用其他影像的像元代替原影像相同位 置像元的方法，實現了云影的去除。該方法主要是利用單一時相遙感影像包含的特征信息， 開展云覆蓋區域的自動檢測，沒有充分利用和發掘時序遙感影像中富含的時序信息。而在 時序遙感影像中，有云的影像和無云影像存在明顯的差異，因此，有必要充分利用時序遙感 影像的時序信息W及不同時相間的差異，研究適合時序遙感影像云覆蓋區域的自動、準確 云檢測方法。
[0004] 針對上述難點和存在的問題，許多學者試圖通過對傳統算法的改進，或者引入諸 多約束條件。盡管運些檢測方法都具有一定的潛力，但是云覆蓋區域的復雜化W及目標先 驗信息匿乏等，導致運些算法都存在著一定的局限性。為此，有必要研究新的多時相可見光 遙感圖像云覆蓋區域檢測方法來有效克服上述難點。
【發明內容】
[0005] 針對現有技術中存在的問題，本發明提供一種基于面向對象的時序遙感影像云覆 蓋區域自動檢測方法，能夠有效對云覆蓋區域進行模式劃分，充分利用時序和光譜信息，可 使得檢測的結果更加可靠，也更加具有穩健性。
[0006] 本發明解決其技術問題所采取的技術方案為：
[0007] -種基于面向對象的時序遙感影像云覆蓋區域自動檢測方法，包括下述步驟：
[000引（1)數據準備:輸入兩個相同空間范圍、不同時相的光學遙感影像，分別記為:?和 枯；
[0009] (2)影像配準:對輸入的兩時相遙感影像Xi和拉進行影像配準，經幾何校正后，得到 影像配準后的遙感影像Xie和拉e ;
[0010] (3)多尺度影像分割:采用圖像分析軟件eCognition開展多尺度分割，W步驟(2) 中經過影像配準后得到的遙感影像和為實驗輸入數據，進行波段疊加后生成的影像 + 作為多尺度影像分割的輸入數據，經分割后，獲得影像圖斑，對于云覆蓋區域，因為其 形狀及顏色與相鄰地物的差異，容易被分割至一個圖斑，即形成一個對象；
[0011] (4)福射差異消除:分別對步驟(2)影像配準后的遙感影像和X2%采用相鄰波段 依次相除的方法生成新的多波段影像，減少福射條件差異而導致的偽變化信息；
[0012] 原始多波段影像依次進行除運算，W生產一個新的多波段影像。對于一個n波段的 原始影像，進行波段變換后，將產生一個波段數為n-1的影像。例如本發明所采用的實驗數 據為4個波段的如ickBird影像
[0013] Im 曰邑 Goriginai= Ib曰ndi,b 曰nd2,b 曰 nd3,b曰ncU}
[0014] 變換后的影像為
[0015] Ima邑e 付ansform= {bandi/2，band2/3，band3/4}
[0016] (5)光譜相似度計算：W步驟(3)取得的多尺度影像分割后得到的影像圖斑為基本 分析單元，步驟(4)經福射差異消除所得的多波段影像為光譜相似度計算輸入數據，采用數 理統計學中的t檢驗方法為理論依據，建立時空光譜相似度計算模型，進行多時相遙感影像 的光譜相似度計算；
[0017] t檢驗法應用于構建多時相光譜相似度計算模型的原理，是通過分析特定區域內 不同時相遙感影像的均值，方差之間的關系來確定其差異性，通過分割對象范圍內的t值的 大小反映其變化程度。變化信息在鄰域t檢驗圖像上表征為數值較大區域，反之，t值小的像 素表示未發生變化，中間值則代表存在輕微的變化。多波段遙感影像區域t檢驗法表示為：
[0018] 時巧弁譜相仙底if貸搖巧責.
[0019]
[0020] 其中：L為遙感影像的波段數;R為步驟(3)多尺度分割獲得的圖斑對象；i J為區域 R內目標像元的水平、垂直坐標;g(i，j，k)和f(i，j，k)分別為步驟(4)獲取的多波段影像的 像元(i，j，k)的光譜值;t(R)是通過t檢驗法獲取的區域R的光譜相似度計算值;:^(巧)為影像 區域R的光譜平均值，y(y?)為影像拉K區域R的光譜平均值。
[0021] (6)闊值分割和檢測結果生成:選定闊值，對步驟(5)所得差異影像進行闊值分割， 確定影像的變化區域和非變化區域。假設步驟(5)所得差異影像灰度級為[0，L]，設定闊值 T，進行二值化分割，將將影像分為兩類，[0，T]為一類，[T，L]為另一類。根據所得闊值分割 結果，對于像素值范圍為[T，L]內的像元所在區域，判定為云覆蓋區域，為最終檢測結果。
[0022] 本發明的有益效果：
[0023] (1)在遙感影像云覆蓋區域自動檢測中，采用面向對象的解譯方法，能夠有效對云 覆蓋區域進行模式劃分，充分利用時序影像富含的時序信息，能夠有效利用時序影像之間 的多特征優勢。
[0024] (2)時序遙感影像云覆蓋區域檢測中，采用多特征融合的策略，充分利用時序和光 譜信息，在光譜信息方面，利用云覆蓋區域同其他相鄰地物存在明顯差異，同時，在時序信 息方面，利用同一區域有云和無云覆蓋時的變化信息，構建綜合利用光譜、時序信息的多時 相光譜相似度計算模型，可W使得檢測的結果更加可靠，也更加具有穩健性。
【附圖說明】
[0025] 圖1是本發明面向對象的時序遙感影像云覆蓋區域自動檢測方法的流程示意圖；
[0026] 圖2是不同時相中分辨率遙感影像實驗數據，其中圖2(a)為2009年4月C邸RS-02B 遙感影像，圖2 (b)為2009年6月CBERS-02B遙感影像；
[0027] 圖3是多尺度分割效果圖，其中圖3(a)是分割參數為50時的分割效果圖，圖3(b)是 分割參數為100時的分割效果圖，圖3(c)是分割參數為200時的分割效果圖，圖3(d)是分割 參數為300時的分割效果圖，圖3(e)是分割參數為500時的分割效果圖；
[0028] 圖4(a)是基于像元未做福射差異消除的實驗結果圖，圖4(b)是基于像元做福射差 異消除的實驗結果圖，圖4(c)是面向對象未做福射差異消除的實驗結果圖，圖4(d)是面向 對象做福射差異消除的實驗結果圖；
[0029] 圖5(a)是基于像元的光譜相似度局部分析結果，圖5(b)是面向對象的光譜相似度 局部分析結果；
[0030] 圖6是面向對象時序遙感影像云覆蓋區域闊值分割檢測結果示意圖。
【具體實施方式】
[0031] 下面將結合本發明中的附圖，對本發明中的技術方案進行清楚、完整地描述。
[0032] 請參考圖1，本發明提供一種基于面向對象的時序遙感影像云覆蓋區域自動檢測 方法，包括下述步驟：
[0033] (1)數據準備
[0034] 為全面的分析方法的性能，我們一方面將本發明方法與傳統像素級檢測算法進行 比較。另外，為進一步驗證本發明方法對遙感影像的魯棒性，選擇兩組不同的數據集（圖2 (a)、圖2(b))進行實驗。數據集為國產資源衛星遙感影像C肥RS-02B，空間分辨率為20米，波 段為紅綠藍=個可見光波段和近紅外波段，共4波段，紅綠藍=可見光波段合成彩色影像如 圖所示。影像大小均為1024*1024像素，獲取時間分別為2009年4月及2009年6月，所在地區 為長江干流枝江段。設所輸入的兩時相遙感影像為Xi和X2,經幾何校正后，得到影像配準后 的遙感影像和拉e。
[0035] (2)影像配準
[0036] 由于數據集1、2中影像采集時間差別小，處于春末初夏季節，因此植被覆蓋類別相 近，由于時間間隔小，其他地類變化小，有利于開展云覆蓋區域檢測。對輸入的兩時相遙感 影像Xi和拉進行影像配準，經幾何校正后，得到影像配準后的遙感影像和X2e。兩組數據經 過福射和幾何精度校正，匹配精度控制在0.5像素之內。分別比較兩組數據集（圖2(a)、圖2 (b))可W發現，場景中復雜度性與典型性主要體現在：云覆蓋區域較多，且云云形狀無規 貝1J，各云覆蓋區域光譜也存在差異。另外，受光照變化影響，圖2(b)存在大量陰影區域，同 時，水體也存在較大差異。
[0037] (3)多尺度影像分割
[0038] 采用商業圖像分析軟件eCognition對輸入的高分辨率影像進行多分辨率分割，其 中參與分割的影像為Xi可肋2^進行波段疊加后生成的組合影像
[0039] 為進一步分析分割尺度對檢測結果的影響，分別采用不同尺度參數進行了分割實 驗，并且對分割結果所提取的云覆蓋區域對象進行分析。其中，紅色線條表示分割邊界線。 分割結果如圖3所示。
[0040] 通過比較5種不同尺度的分割結果可W得出如下結論:每個單一尺度的分割結果 存在較大差異，對于云覆蓋區的分割結果明顯，表明云覆蓋區域分析對象的提取和分割結 果之間的關系緊密。如采用50參數進行進行分割，對于覆蓋面積較大的云，將被分割成多個 對象的現象非常明顯，如圖3(a)所示區域，充分體現了過度分割。逐漸增大分割參數，將參 數擴大至100時，單一云對象被分割多個對象的現象得到明顯改善，如圖3(b)所示。參數為 200時，發生了明顯變化，如分割為兩個區域的云對象，在參數為200的條件下，已經分割為 一個對象，如圖3(c)所示。本次實驗采用分割尺度參數為200作為最優值，提取對象開展下 序相關工作。
[0041] 多尺度分割實驗結果表明，采用兩個時相疊加的影像進行分割，能夠在分割過程 中，充分利用兩個時相間云覆蓋區域之間的光譜差異，生成一類分割對象結果，在唯一對象 范圍內，可有效開展面向對象的影像分析工作。
[0042] (4)福射差異消除
[0043] 為分析兩個不同時相遙感影像在不同福射條件下，對水體覆蓋區域產生的檢測結 果的影響，進行了福射差異影響消除分析。
[0044] 分別采用基于像元和面向對象的方法，對比分析福射影響對相似度計算結果的影 響。
[0045] 采用經波段相除法，即福射差異消除方法，根據兩個不同時相的遙感影像，生成波 段相除后的影像為輸入，進行相似度計算。同時，W原始遙感影像為輸入，進行相似度計算。 兩類不同的輸入數據所獲得的基于像元和面向對象的結果分別如圖4所示。
[0046] (5)光譜相似度計算
[0047] 圖4(a)和圖4(b)分別為采用基于像元方法獲取的未經福射消除影響和經過福射 消除影響的光譜相似度計算結果。圖中，白色高亮區域表示光譜差異性大，即存在變化的區 域，黑色暗調區域表示未存在變化區域。圖4(a)和圖4(b)均能夠有效將云覆蓋區域有效顯 示，即白色高亮顯示，但是圖4(a)中將河流所在區域，即大面積水體覆蓋區域也程白色顯 示，如圖4(a)中右下角所示A區域。而在圖4(b)中對應的相同區域方框所示B區域，已經有效 將相似度計算結果轉變為未變化區域。
[0048] 圖4(c)和圖4(d)分別為采用面向對象方法獲取的未經福射消除影響和經過福射 消除影響的光譜相似度計算結果。圖4(c)中右下角所示C和D區域，明顯降河流所在區域計 算為白色高亮區域，即變化區域。圖4(d)中右下角所示E和F區域，有效將河流所在區域計算 結果轉變為黑暗區域，轉換為未變化區域。
[0049] 通過相互對比的實驗分析，可W有效證明，本發明中研究的福射差異消除方法能 夠有效減低因為不同時相遙感影像間的福射差異而導致的偽檢測信息。
[0050] 為全面的分析方法的性能，我們一方面將本發明方法與傳統像素級檢測算法進行 比較。基于像元的方法，采用7*7像元窗口進行多時相空間鄰域光譜相似度計算。分別獲得 如圖5(a)基于像元相似度計算結果和圖5(b)面向對象相似度計算結果。
[0051] 圖5(a)所標示的A、C區域，云覆蓋區域和相鄰地物之間的反差不夠明顯，即對應區 域難W有效實現云覆蓋區域和相鄰地物的區分。而在對應面向對象解譯結果的圖5(b)所標 示的B、D區域，已經實現了云覆蓋區域和相鄰地物的大反差區分，容易實現云覆蓋區域的自 動判定。
[0052] (6)闊值分割和檢測結果生成
[0053] 根據面向對象相似度計算結果，選定闊值，進行闊值分割，確定影像的變化區域和 非變化區域，獲得如圖6所示結果。
[0054] 在設計和構造了統一的面向對象的時序遙感影像云覆蓋區域自動檢測框架基礎 上，利用多組時序遙感影像，綜合多種算法實驗和比較了該框架在時序遙感云覆蓋區域自 動檢測中的適用性及檢測效果。最終可W得到如下結論：
[0055] 1、本發明提出的統一檢測框架在遙感影像云覆蓋區域自動檢測中是可行且有效 的。通過多尺度分割算法不僅實現了場景中對象的準確提取，還充分利用了多尺度分割過 程中產生的圖斑所包含的光譜信息、時序信息用于變化檢測，進而通過兩種特征信息綜合 利用獲得最終的檢測結果。實驗證明，該方法很好的彌補了單一時相遙感影像檢測結果所 帶來的不確定性，使最終檢測結果更加接近于實際變化。另外，由于采用面向對象的分析方 法，在光譜相似度計算過程中不易受到噪聲影響，能夠更好的對云覆蓋區域對象進行特征 描述，同時能有效減少城市場景中常見的陰影區域對檢測結果的干擾，更進一步縮小和確 定了實際變化發生的位置，有效提高了云覆蓋區域檢測精度。
[0056] 2、與傳統像素級變化檢測算法相比，本發明提出的對象級的多尺度融合變化檢測 方法W對象作為變化檢測基本單元，有效提高了云覆蓋區域的可分性。除個別尺度外，兩組 實驗中單一尺度下檢測精度依然高于像素級檢測算法。由此可見，在云覆蓋區域自動檢測 工作中，面向對象的方法比像素級的檢測方法更能夠適用實際需要。
[0057] W上所述，僅為本發明的【具體實施方式】，但本發明的保護范圍并不局限于此，任何 屬于本技術領域的技術人員在本發明掲露的技術范圍內，可輕易想到的變化或替換，都應 涵蓋在本發明的保護范圍之內。因此，本發明的保護范圍應該W權利要求的保護范圍為準。
【主權項】
1. 一種面向對象的時序遙感影像云覆蓋區域自動檢測方法，其特征在于:包括 (1) 數據準備:輸入兩個相同空間范圍、不同時相的光學遙感影像，分別記為:心和辦； (2) 影像配準:對輸入的兩時相遙感影像XjPX2進行影像配準，經幾何校正后，得到影像 配準后的遙感影像XilPXf; (3) 多尺度影像分割:采用圖像分析軟件開展多尺度分割，以步驟(2)中經過影像配準 后得到的遙感影像Xf和Xf為實驗輸入數據，進行波段疊加后生成的影像Χ 1+^作為多尺度影 像分割的輸入數據，經分割后，獲得影像圖斑； (4) 輻射差異消除：分別對步驟(2)影像配準后的遙感影像Xf和Χ2%采用相鄰波段依次 相除的方法生成新的多波段影像，減少輻射條件差異而導致的偽變化信息； (5) 光譜相似度計算：以步驟(3)取得的多尺度影像分割后得到的影像圖斑為基本分析 單元，步驟(4)所得的多波段影像為光譜相似度計算基礎數據，采用數理統計學中的t檢驗 方法為理論依據，建立時空光譜相似度計算模型，生成差異影像； (6) 閾值分割和檢測結果生成:選定閾值，對步驟(5)所得差異影像進行閾值分割，確定 影像的變化區域和非變化區域。2. 如權利要求1所述的面向對象的時序遙感影像云覆蓋區域自動檢測方法，其特征在 于:步驟(5)中時空光譜相似度計算模型為：其中： t(R)是通過t檢驗法獲取的區域R的光譜相似度計算值;L為遙感影像的波段數;R為步 驟(3)多尺度分割獲得的圖斑對象;i，j為區域R內目標像元的水平、垂直坐標;g(i，j，k)和f (i，j，k)分別為步驟(4)獲取的多波段影像的像元（i，j，k)的光譜值;為影像Xf區域R 的光譜平均值，了(/?)為影像X2°區域R的光譜平均值。3. 如權利要求1所述的面向對象的時序遙感影像云覆蓋區域自動檢測方法，其特征在 于:步驟(6)具體為:假設步驟(5)所得差異影像灰度級為[0，L]，設定閾值Τ，進行二值化分 害J，將將影像分為兩類，[〇，T]為一類，[T，L]為另一類，根據所得閾值分割結果，對于像素值 范圍為[T，L]內的像元所在區域，判定為云覆蓋區域，為最終檢測結果。
【文檔編號】G06K9/40GK105956557SQ201610288496
【公開日】2016年9月21日
【申請日】2016年5月4日
【發明人】申邵洪, 鄭學東, 向大享, 文雄飛, 李喆, 張治中, 馬輝, 張穗, 徐堅, 劉淑鳳, 汪朝輝, 陳希熾
【申請人】長江水利委員會長江科學院