CN104766339A - 一种地基天空图像的云团自动检测方法 - Google Patents

Abstract

本发明公开了一种地基天空图像的云团自动检测方法，对采集到的地基天空图像进行基于去相关扩展的图像对比度增强处理，计算地基天空图像中的每个像素点的归一化蓝红通道比值作为其颜色特征值，依据颜色特征直方图，利用MCE算法求得分割阈值，通过每个像素点的特征值与该阈值的比较从而实现云的检测。本发明的地基天空图像的云团自动检测方法增加了图像对比度增强步骤，显著提高了地基云自动检测的准确率、召回率和综合检测率。

Description

一种地基天空图像的云团自动检测方法

技术领域

本发明涉及一种地基天空图像的云团自动检测方法。

背景技术

云的形成和演变反映了当时大气的运动、稳定程度和水汽情况，决定了地球的辐射收支状况，是全球气候变化的一个重要影响因子。因此，云的观测具有极其重要的作用。目前已有多颗气象卫星源源不断地提供大尺度范围的云监测信息，成为天基云观测的重要资源，在基于卫星云图的云类识别检测方面国内外已经做了大量的研究工作。卫星云图虽然可以提供较大范围区域的气象情况，但是由于图像的分辨率不高，难以对特定的局部地区进行较为精确的探测分析。地基云观测设备的出现弥补了这一不足，这类观测设备通常安装在某个区域，可以对局地的气象条件进行较为精细的记录，因此基于地基天空图像的云的检测对于一些对局部气象变化预测精度要求较高的应用具有重要的实用价值。由于云的形态、位置、轮廓等一般性特征的不确定性，通常依据云和天空的相对颜色特征进行云的检测分割，采用较多的一种颜色特征描述方法为计算像素点蓝色通道和红色通道的归一化比值(Normalized Blue/Red Ratio，简称为NBR)，这种特征具有较好的显著性，同时对于加性的光照影响具有一定的鲁棒性。目前，基于地基天空图像的云团的检测方法主要采用阈值法，分为固定阈值法(Fix Thresholding，简称为FT)、自适应阈值法(Adaptive Thresholding，简称为AT)和混合阈值法三种方法，以下对于上述三种检测算法进行简要描述：

一、固定阈值法

固定阈值法是事先在线下采集大量的地基天空图像，分别计算云图中有效位置(云图中未被边缘建筑、遮光板遮挡的区域)上云和天空的像素点的NBR比值，随后基于统计理论，对这两类比值进行统计分析，运用一定的方法例如最小均方误差等选取一个合适的阈值尽可能的将云和天空的NBR比值区分开来。当后续***中输入新的地基天空图像时，该图像上每个像素点的NBR比值将与该固定阈值进行比较，大于该固定阈值的像素点被划分为蓝天，反之该像素点则被认为是云。

固定阈值法较为简单、快速，但是由于阈值固定，导致算法适应气候环境和光照变化的能力下降。

二、自适应阈值法

自适应阈值法主要是指直方图阈值法，它基于对灰度图像的这样一种假设：目标或背景内部的相邻像素间的灰度值是相似的，但不同目标或背景上的像素灰度差异较大，其反映在直方图上，就是不同目标或背景对应不同的峰。分割时，选取的阈值应位于直方图两个不同峰之间的谷上，以便将各个峰分开。具体来说，当地基天空图像从三维颜色空间的RGB图像转变到一维特征空间中的灰度图像后，统计灰度图像的直方图，运用一定的方法选取合适的阈值。较为常用的一种直方图阈值法是最小交叉熵方法(Minimum Cross Entropy，简称为MCE)。MCE算法最早由Li和Lee于1992年提出，基于香农信息熵的原理，找到一个阈值使得该阈值分割得到的图像与原来图像像素点间的交叉熵达到最小。自适应阈值法不需要事先对云图进行统计分析，而是直接根据每幅输入云图的特征直方图，求得对应的阈值。

三、混合阈值法

混合阈值法(Hybrid Thresholding Algorithm，简称为HYTA)由Qing Yong Li等人提出，是一种结合了固定阈值法和自适应阈值法的综合方法。它考虑到对于某些类型的云图，自适应阈值法不能产生合适的阈值，同时又由于单一的固定阈值法鲁棒性较差，因此将两种方法结合起来。根据图像直方图的形态(双峰或单峰)，输入的地基天空图像首先被划分为双模(bimodal)或是单模(unimodal)，对于不同的模式，再采用相应的阈值分割方法进行云的检测。

以上所描述的地基云检测技术均已比较成熟，然而在实际的应用中往往鲁棒性和可靠性上还面临诸多挑战，主要表现为：

(1)地基天空图像中某些特殊位置的云和天空区分度较低。例如晴朗天气下，白色耀眼的太阳光会使太阳周围的云和天空的颜色受到不同程度的影响，强光的照射会使像素点各颜色通道的比值发生变化，使得云和天空的特征变得模糊，区分度降低；

(2)在空气质量较差的地区，地基天空图像的质量往往不高。尤其当存在雾霾时，云图中云和天空的差异度进一步降低，难以区分；

(3)由于云的基色为白色，因而很容易被背景染色。例如当云层较薄，天空较蓝时，拍摄的云图上云层往往会被背景的蓝色透射，呈现出淡蓝色；另外，在阴雨天气，较厚的云层难以透过阳光又会呈现出灰黑色。在这些情况下，云的颜色特征变得与背景天空较为相似，加大了检测的难度；

(4)利用直方图阈值法对图像进行分割时，因为仅使用了地基天空图像的颜色特征直方图作为唯一的阈值产生参考信息，而直方图只能表征图像中颜色特征值的分布情况，不包含图像的其它信息，这些限制使得最终得到的阈值只是一个客观的标准，在某些情况下并非是最合适的阈值。

相对于其它图像中的前景目标，地基天空图像中的云具有如下特点：

(1)形态：云的形状、轮廓、位置、厚薄程度均不固定，易随时间发生变化，难以从形态学等方面进行描述；

(2)颜色：一般情况下，云层和天空分别呈现出白色和蓝色，颜色的区分度相对较高，而且也是一种相对较稳定的特征。

发明内容

本发明的目的在于提供一种地基天空图像的云团自动检测方法，依靠地基天空图像中的云的两个特点，计算地基天空图像中的每个像素点的NBR值作为其颜色特征值，依据颜色特征直方图，利用MCE((minimum cross entropy，简称MCE))算法求得分割阈值，通过每个像素点的特征值与该阈值的比较从而实现云的检测，增加了图像对比度增强步骤，显著提高了地基云自动检测的准确率、召回率和综合检测率。

实现上述目的的技术方案是：一种地基天空图像的云团自动检测方法，包括以下步骤：

S1，图像对比度增强步骤:对采集到的地基天空图像进行基于去相关扩展的图像对比度增强处理，在保留地基天空图像的原始色度信息的条件下，提高地基天空图像的图像饱和度，增强云像素点和天空像素点的色彩反差，从而增大云像素点和天空像素点之间的特征差异；

S2，图像特征空间转换步骤：对经过对比度增强处理的地基天空图像进行特征空间转换处理，计算经过对比度增强处理的地基天空图像中的每一个像素点的NBR值，从而将每一个像素点从三通道的RGB空间转换到一维的NBR特征空间，每一个像素点的NBR值的计算公式为：

NBR＝(b-r)/(b+r)

式中，b代表像素点的蓝色通道值，r表示像素点的红色通道值；

S3，阈值分割步骤：采用最小交叉熵法确定每个像素点的最佳阈值，该最佳阈值能够使得原始图像与经阈值分割后图像的交叉熵最小，进而将经过特征空间转换处理的地基天空图像进行阈值分割；

S4，像素点判断步骤：将每个像素点的NBR值与阈值分割步骤求得的最佳阈值进行比对，若NBR值小于最佳阈值，该像素点为云，反之，该像素点为蓝天。

上述的地基天空图像的云团自动检测方法，其中，所述图像对比度增强步骤中，所述基于去相关扩展的图像对比度增强处理，包括以下步骤：

S11：正交线性变换：将原始图像数据从亮度空间变换到主成分空间，表示为

Y＝TX

其中，X为原始图像的像元值向量；Y为变换后产生的多个组份图像的像元值向量；T是由各个变量之间的协方差矩阵所产生的特征向量组成的变换矩阵；

S12：在主成分空间中有选择的对图像数据进行反差扩展，所述反差扩展一般采用线性扩展，表示为：

Y'＝f(Y)；

S13：正交线性变换的逆变换：将图像数据由主成分空间变换回原始亮度空间，表示为：

X＝T^-1Y'

其中，T^-1是T的逆矩阵，由于T是正交矩阵，T^-1＝T'，即T'为T的转置矩阵，进一步表示为：

X＝T'Y'。

上述的地基天空图像的云团自动检测方法，其中，所述阈值分割步骤中，所述最佳阈值的确定包括以下步骤：

S31，用I表示原始图像，I_N表示转换到颜色特征空间的图像，L为图像的灰度级，h(i)(i＝1,2,…L)为I_N的直方图，与阈值t对应的分割后的图像B_t表示为：

$B_t(x,y)=\left\{\begin{array}{cc}\mathrm{\&mu;}(1,t),& I_N(x,y)<t\\ \mathrm{\&mu;}(t+1,L),& I_N(x,y)\&GreaterEqual;t\end{array}\right.$

$\mathrm{\&mu;}(a,b)=\underset{i=a}{\overset{b}{\mathrm{\&Sigma;}}}\mathrm{ih}\left(i\right)/\underset{i=a}{\overset{b}{\mathrm{\&Sigma;}}}h\left(i\right)$

其中，x和y表示图像上像素点的坐标；

原始图像和分割后图像的交叉熵D(t)表示为：

$D\left(t\right)=\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{ih}\left(i\right)\log \left[\frac{i}{\mathrm{\&mu;}(1,t)}\right]+\underset{i=t+1}{\overset{L}{\mathrm{\&Sigma;}}}\mathrm{ih}\left(i\right)\log \left[\frac{i}{\mathrm{\&mu;}(t+1,L)}\right];$

S32，通过对可能的阈值进行遍历，找出满足如下条件的最佳阈值t^*：

$t^{*}=\arg \underset{t}{\min }\left[D\left(t\right)\right],$

化简后，t^*的计算公式为：

$t^{*}=\arg \underset{t}{\min }[-m(1,t)\log [\mathrm{\&mu;}(1,t)]-m(t+1,L)\log [\mathrm{\&mu;}(t+1,t)\left]\right]$

$m(a,b)={\mathrm{\&Sigma;}}_{i=a}^b\mathrm{ih}\left(i\right).$

本发明的有益效果是：本发明的地基天空图像的云团自动检测方法，对采集到的地基天空图像进行基于去相关扩展的图像对比度增强处理，计算地基天空图像中的每个像素点的归一化蓝红通道比值(normalized blue/red ratio，简称为NBR)作为其颜色特征值，依据颜色特征直方图，利用MCE算法求得分割阈值，通过每个像素点的特征值与该阈值的比较从而实现云的检测增加了图像对比度增强步骤，显著提高了地基云自动检测的准确率、召回率和综合检测率。

附图说明

图1是本发明的地基天空图像的云团自动检测方法的流程框图。

具体实施方式

下面将结合附图对本发明作进一步说明。

本发明的地基天空图像的云团自动检测方法，依靠地基天空图像中的云的两个特点，计算地基天空图像中的每个像素点的NBR值作为其颜色特征值，依据颜色特征直方图，利用MCE算法求得分割阈值，通过将每个像素点的特征值与该阈值的比较从而实现云的检测。但是如前所述，在非理想状态下，云图中的云和天空的颜色特征区分度并不是非常明显，这在一定程度上会造成像素点的误判，同时也影响检测算法的鲁棒性。基于图像增强的原理，从增大地基天空图像中的云和天空的特征差异的角度出发，我们在本发明中提出了对图像进行对比度增强的预处理机制。

请参阅图1，本发明的实施例，一种地基天空图像的云团自动检测方法，包括以下步骤：

S1，图像对比度增强步骤:对采集到的地基天空图像进行基于去相关扩展的图像对比度增强处理，在保留地基天空图像的原始色度信息的条件下，提高地基天空图像的图像饱和度，增强云像素点和天空像素点的色彩反差；

S2，图像特征空间转换步骤：对经过对比度增强处理的地基天空图像进行特征空间转换处理，计算经过对比度增强处理的地基天空图像中的每一个像素点的NBR值，将每一个像素点从三通道的RGB空间转换到一维的NBR特征空间，每一个像素点的NBR值的计算公式为：

NBR＝(b-r)/(b+r)

式中，b代表像素点的蓝色通道值，r表示像素点的红色通道值；

S3，阈值分割步骤：采用最小交叉熵法确定每个像素点的最佳阈值，该最佳阈值能够使得原始图像与经阈值分割后图像的交叉熵最小，进而将经过特征空间转换处理的地基天空图像进行阈值分割；

S4，像素点判断步骤：将每个像素点的NBR值与阈值分割步骤求得的最佳阈值进行比对，若NBR值小于最佳阈值，该像素点为云，反之，该像素点为蓝天。

一、图像对比度增强步骤：

在地基天空图像中各部分光照不均或是空气能见度较低的情况下，图像的对比度降低，云和天空像素点的颜色特征值的差异度进一步缩小，增加了两类像素点区分的难度。为了尽可能的增大云和天空的特征差异，在具体计算阈值之前，我们首先对采集到的地基天空图像进行基于去相关扩展的对比度增强处理，以下对于去相关扩展进行简要介绍：

去相关扩展(Decorrelation Stretch)是由Soha和Schwartz于1978年提出，被Gillespie等人完善并发展起来的一种用于相关程度较高的多波段图像数据的反差扩展增强方法。对于相关程度较高的多波段图像数据来说，波段间相关程度较低的那部分信息对图像色彩(色调、饱和度和亮度)的贡献最大，特别是对饱和度的贡献最为突出。常规的线性扩展和基本函数非线性扩展在很大程度上只扩展了图像的明度动态分布范围，而去相关扩展不但能提高图像色彩的饱和度,同时又能保持原始彩色合成图像的色调特征。

去相关扩展的数学涵义是一种在统计特征基础上的多维正交线性变换的逆变换。在图像处理技术中定义为以下三个步骤：

S11：正交线性变换：将原始图像数据从亮度空间变换到主成分空间，可表示为Y＝TX。其中X为原始图像的像元值向量；Y为变换后产生的多个组份图像的像元值向量；T是由各个变量(波段)之间的协方差矩阵所产生的特征向量组成的变换矩阵。

S12：在主成分空间中有选择的图像数据进行反差扩展(一般采用线性扩展)，可表示为Y'＝f(Y)。

S13：正交线性变换的逆变换：将图像数据由主成分空间变换回原始亮度空间，可表示为X＝T^-1Y'。其中T^-1是T的逆矩阵，由于T是正交矩阵，T^-1＝T'(T'为T的转置矩阵)，则第二步可以进一步表示为X＝T'Y'。

原始的地基天空图像与应用去相关扩展后的地基天空图像对比后，可以看出经过对比度增强后，原本在太阳周围由于强烈太阳光照射区分度不明显的云变成了红色的暖色调，与蓝天的差异度变大；另外整个图像中的云几乎都变为暖色调，与天空的冷色调形成了较明显的对比。可见去相关扩展在保留地基天空图像原始色度信息的条件下，有效的提高了图像饱和度，增强了云和天空像素点的色彩反差，有助于云像素点的分割检测。

二、图像特征空间转换步骤

与其它图像中的物体可能具有形状、纹理等固定特征不同，由于云本身的物理特性和外界气象条件影响，云的形状、轮廓、纹理特征通常处于动态变化中，没有一个相对稳定的状态。大多数情况下，天空具有较固定的蓝色而云为白色，因此在地基云的检测应用中，颜色特征被作为区别云和天空的主要特征。针对RGB彩色图像中像素点的三个颜色通道，可以形成不同的度量，将原始图像转换到不同的颜色特征空间。目前比较常用的一种特征为NBR值，是对像素点蓝色通道和红色通道比值的归一化，使用b代表蓝色通道值，r表示红色通道的值，NBR比值具体可用如下公式表示：

NBR＝(b-r)/(b+r)

对每一个像素点进行上述计算，则将它们从3通道的RGB空间转换到一维的特征空间，NBR的比值描述了像素点的颜色属性，对于加性噪声有一定的抗干扰作用，能够较为有效的表征原始地基天空图像中云和蓝天像素点的差异程度。

三、阈值分割步骤

图像转换到一维的NBR特征空间后，需要采用一定的方法将两类像素点分离开，阈值法是较为常见的一种方法。这里使用的是较为成熟的最小交叉熵(MCE)方法，以下将对MCE方法进行简要的介绍：

MCE是一种基于图像统计直方图的阈值分割算法，是从信息论意义上对二值的无偏估计，最早由Li等人于1993年提出。算法的实现主要是寻找一个最佳阈值，该值能够使得原始图像与分割后图像的交叉熵最小。最佳阈值的确定包括以下步骤：

S31，用I表示原始图像，I_N表示转换到颜色特征空间的图像，L为图像的灰度级，h(i)(i＝1,2,…L)为I_N的直方图，与阈值t对应的分割后的图像B_t可以表示为：

$B_t(x,y)=\left\{\begin{array}{cc}\mathrm{\&mu;}(1,t),& I_N(x,y)<t\\ \mathrm{\&mu;}(t+1,L),& I_N(x,y)\&GreaterEqual;t\end{array}\right.$

$\mathrm{\&mu;}(a,b)=\underset{i=a}{\overset{b}{\mathrm{\&Sigma;}}}\mathrm{ih}\left(i\right)/\underset{i=a}{\overset{b}{\mathrm{\&Sigma;}}}h\left(i\right)$

其中x和y表示图像上像素点的坐标；根据上面定义的量，原始图像和分割后图像的交叉熵D(t)可以表示为：

$D\left(t\right)=\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{ih}\left(i\right)\log \left[\frac{i}{\mathrm{\&mu;}(1,t)}\right]+\underset{i=t+1}{\overset{L}{\mathrm{\&Sigma;}}}\mathrm{ih}\left(i\right)\log \left[\frac{i}{\mathrm{\&mu;}(t+1,L)}\right]$

S32，通过对可能的阈值进行遍历，找出最佳的阈值t^*满足如下条件：

$t^{*}\arg \underset{t}{\min }\left[D\left(t\right)\right]$

对上述公式进行化简，可以得到t^*最终的计算公式为：

$t^{*}=\arg \underset{t}{\min }[-m(1,t)\log [\mathrm{\&mu;}(1,t)]-m(t+1,L)\log [\mathrm{\&mu;}(t+1,t)\left]\right]$

$m(a,b)={\mathrm{\&Sigma;}}_{i=a}^b\mathrm{ih}\left(i\right)$

当最佳阈值确定后，就可以用来判断图像像素点的类别，NBR的比值小于最佳阈值的像素点为云，反之则为蓝天。

地基天空图像数据库包括120张云图，采集范围涵盖了不同天气状况下不同类型的云，分别使用传统的地基天空图像的云团自动检测方法以及本发明的地基天空图像的云团自动检测方法进行检测，并使用三个标准对对实验结果进行评估：准确率P，召回率R和综合检测率F。其中准确率P是指检测到为云的像素点中实际上也为云的概率；召回率R又称查全率，是指实际上为云的像素点中检测到也为云的概率；综合检测率F则是对前面两个指标的综合度量。实验结果如下表1所示：

原算法与增加了对比度增强的算法的正确率对比结果：

	准确率P	召回率R	综合检测率F
				原算法	91.3％	77.18％	78.59％
新算法	93.47％	88.59％	90.64％

表1

综上所述，本发明的地基天空图像的云团自动检测方法，依靠地基天空图像中的云的两个特点，计算地基天空图像中的每个像素点的NBR值作为其颜色特征值，依据颜色特征直方图，利用MCE算法求得分割阈值，通过将每个像素点的特征值与该阈值的比较从而实现云的检测，增加了图像对比度增强步骤，显著提高了地基云自动检测的准确率、召回率和综合检测率。

以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案也应该属于本发明的范畴，应由各权利要求所限定。

Claims (3)

1.一种地基天空图像的云团自动检测方法，其特征在于，包括以下步骤：

S1，图像对比度增强步骤:对采集到的地基天空图像进行基于去相关扩展的图像对比度增强处理，在保留地基天空图像的原始色度信息的条件下，提高地基天空图像的图像饱和度，增强云像素点和天空像素点的色彩反差，从而增大云像素点和天空像素点之间的特征差异；

S2，图像特征空间转换步骤：对经过对比度增强处理的地基天空图像进行特征空间转换处理，计算经过对比度增强处理的地基天空图像中的每一个像素点的NBR值，从而将每一个像素点从三通道的RGB空间转换到一维的NBR特征空间，每一个像素点的NBR值的计算公式为：

NBR＝(b-r)/(b+r)

式中，b代表像素点的蓝色通道值，r表示像素点的红色通道值；

S3，阈值分割步骤：采用最小交叉熵法确定每个像素点的最佳阈值，该最佳阈值能够使得原始图像与经阈值分割后图像的交叉熵最小，进而将经过特征空间转换处理的地基天空图像进行阈值分割；

S4，像素点判断步骤：将每个像素点的NBR值与阈值分割步骤求得的最佳阈值进行比对，若NBR值小于最佳阈值，该像素点为云，反之，该像素点为蓝天。

2.根据权利要求1所述的地基天空图像的云团自动检测方法，其特征在于，所述图像对比度增强步骤中，所述基于去相关扩展的图像对比度增强处理，包括以下步骤：

S11：正交线性变换：将原始图像数据从亮度空间变换到主成分空间，表示为

Y＝TX

其中，X为原始图像的像元值向量；Y为变换后产生的多个组份图像的像元值向量；T是由各个变量之间的协方差矩阵所产生的特征向量组成的变换矩阵；

S12：在主成分空间中有选择的对图像数据进行反差扩展，所述反差扩展一般采用线性扩展，表示为：

Y'＝f(Y)；

S13：正交线性变换的逆变换：将图像数据由主成分空间变换回原始亮度空间，表示为：

X＝T^-1Y'

其中，T^-1是T的逆矩阵，由于T是正交矩阵，T^-1＝T'，即T'为T的转置矩阵，进一步表示为：

X＝T'Y'。

3.根据权利要求1所述的地基天空图像的云团自动检测方法，其特征在于，所述阈值分割步骤中，所述最佳阈值的确定包括以下步骤：

S31，用I表示原始图像，I_N表示转换到颜色特征空间的图像，L为图像的灰度级，h(i)(i＝1,2,...L)为I_N的直方图，与阈值t对应的分割后的图像B_t表示为：

$B_t(x,y)=\left\{\begin{array}{cc}\mathrm{\&mu;}(1,t),& I_N(x,y)<t\\ \mathrm{\&mu;}(t+1,L),& I_N(x,y)\&GreaterEqual;t\end{array}\right.$

$\mathrm{\&mu;}(a,b)=\underset{i=a}{\overset{b}{\mathrm{\&Sigma;}}}\mathrm{ih}\left(i\right)/\underset{i=a}{\overset{b}{\mathrm{\&Sigma;}}}h\left(i\right)$

其中，x和y表示图像上像素点的坐标；

原始图像和分割后图像的交叉熵D(t)表示为：

$D\left(t\right)=\underset{i=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{ih}\left(i\right)\log \left[\frac{i}{\mathrm{\&mu;}(1,t)}\right]+\underset{i=t+1}{\overset{L}{\mathrm{\&Sigma;}}}\mathrm{ih}\left(i\right)\log \left[\frac{i}{\mathrm{\&mu;}(t+1,L)}\right];$

S32，通过对可能的阈值进行遍历，找出满足如下条件的最佳阈值t^*：

$t^{*}=\arg \underset{t}{\min }\left[D\left(t\right)\right],$

化简后，t^*的计算公式为：

$t^{*}=\arg \underset{t}{\min }[-m(1,t)\log [\mathrm{\&mu;}(1,t)]-m(t+1,L)\log [\mathrm{\&mu;}(t+1,L)\left]\right]$

$m(a,b)={\mathrm{\&Sigma;}}_{i=a}^b\mathrm{ih}\left(i\right).$