CN106204596A - 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法 - Google Patents

Abstract

本发明提出一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法，通过影像自适应二值判断后，实现灰度高亮和低暗两类像素数据的初始标记，然后在两类标记像素中利用模糊估计的方法计算新的高斯拟合函数参数进行灰度二值分割阈值估计，加权计算两类二值分割阈值，得到影像整体的迭代二值标记，在迭代标记上重新进行高斯拟合函数的模糊估计，使得两类数据集二值分割阈值逐渐收敛至相近，最后满足阈值限差，得到最终的高亮图斑灰度分割阈值，实现全色波段遥感影像云检测。本发明的优点是能够通过全色波段影像灰度的自适应分割分类，结合高斯拟合函数与模糊混合估计方法，不断将两类距离较远的高亮图斑灰度迭代收敛到一致的状态，从而计算估计较为准确的云检测阈值，显著提高了检测的精度、广度和深度。

Description

一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像 云检测方法

技术领域

本发明属于测绘科学与技术领域，涉及一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法，主要应用于光学卫星遥感数据处理与应用等领域。

背景技术

长期以来，陆地资源光学卫星影像受限于云的影响，大范围的对地观测存在瓶颈。云区域的存在不仅覆盖了地物信息，也给影像的配准、融合等处理造成诸多影响。当前较为常用的云检测算法主要有纹理分析法、同态滤波法、多光谱综合法等。纹理分析基于统计方法提取云区和非云区的空间特性，可有效识别大片层云，但难以识别纹理较强的小片卷云。同态滤波法处理大范围薄云较为有效，但不适用于厚云影像，且算法涉及滤波器和截止频率的选择，在滤波的过程中会丢失一些有用信息。多光谱综合法利用物体反射率的差异区分云和晴空，但它要求传感器配有多个热红外波段，探测波长需涵盖水或二氧化碳的吸收带，多用于中分辨率成像仪和高级甚高分辨率辐射仪等，并不完全适用于陆地资源光学卫星影像。

卫星影像中通常会同时存在小片纹理丰富的卷积云和大范围厚云，且主流的高分辨率陆地资源卫星波段较少但色阶丰富，一般搭载全色相机和包含蓝、绿、红、近红外4个谱段的多光谱相机，采用10~12bits进行辐射量化。其中，全色波段的影像数据分辨率较高，是卫星遥感应用的主要数据源，因此，探索一种适合陆地资源光学卫星全色波段影像的自动云检测算法具有重要的意义。

发明内容

本发明的目的是提供一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法，它能够克服上述现有云检测方法技术的不足，满足在单一全色波段影像数据上高效自动化云区检测的需求。

本发明的技术方案为一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法，包括以下步骤，

步骤1，自适应初始二值标记，利用Otsu算法对全色波段遥感影像进行自适应二值化分割阈值计算，并根据二值分割将影像根据灰度划分为高亮数据集和低暗数据集；

步骤2，高斯拟合函数的模糊统计，在两类数据集上根据直方图的统计结果，利用高斯拟合函数进行模糊估计，分别确定两类数据集的二值分割阈值；

步骤3，求取影像整体新的二值标记阈值，根据两个二值分割阈值求取加权的整体数据集二值标记阈值，并重新进行两类数据集的标记和划分；

步骤4，迭代过程，重复进行步骤2和步骤3，直至高斯拟合函数模糊估计得到的两类数据集阈值之差小于限定差，迭代结束；

步骤5，最终云检测阈值确定，对步骤4所得的两类数据集阈值任取其中之一完成影像的最终二值分割标记，得到最终的高亮数据集和低暗数据集；

步骤6，区域整理，对步骤5所得的高亮数据集标记依次进行膨胀和腐蚀的数学形态学操作，从而得到最终的云检测结果。

对于一幅包含多种地物的大范围卫星影像，将其直方图分布看作由多个简单分布混合形成的多峰形态，步骤2中灰度统计函数h(x)可以用一个高斯拟合模型g(x)来近似如下式，

其中，M为混合模型中高斯波的数目；为第m个波形对应的高斯分布函数(m =1,2,……M)；为其对应的权重。设影像总像素数为N，则满足下式：

。

利用期望最大化算法可以进行高斯拟合模型的模糊估计。期望最大化算法是在概率模型中寻找参数的最大似然估计或最大后验估计的迭代方法，其中概率模型依赖于无法观测的潜在变量。本发明先根据图像自动检测确定类别数目M，并各类别权重、均值、标准差的初始值，其中。然后添加一定数量的随机样本，通过迭代计算调整最大似然函数的参数，收敛得到最大似然意义上的最优解。

步骤3中假设两个模糊估计的二值分割阈值最终是要趋近一致的，因此根据欧式几何的距离原则，加权的方式可选用平均值加权，即取两数的算术平均数作为下一步的数据集二值分割阈值。

步骤6中，判定的高亮数据集是云检测的初始结果，但由于结果中存在小块的图斑，也存在边缘太过零碎，因此需要先用腐蚀算法去掉小块图斑，再用膨胀算法将零碎边缘合并。

针对全色波段的卫星影像，本发明从不同的角度弥补了传统纹理分析法、同态滤波法、多光谱综合法的不足，可用于无先验知识的海量遥感影像的自动化云检测。其主要优点是检测精度高，误判较少，无需人工干预，计算速度较快。

附图说明

图1是本发明实施例的基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测技术流程图。

具体实施方式

以下结合附图和实施例详细说明本发明技术方案。

参见图1，本发明提供的全色波段遥感影像云检测方法，是通过影像自适应二值判断后，实现灰度高亮和低暗两类像素数据的初始标记，然后在两类标记像素中利用模糊估计的方法计算新的高斯拟合函数参数进行灰度二值分割阈值估计，加权计算两类二值分割阈值，得到影像整体的迭代二值标记，在迭代标记上重新进行高斯拟合函数的模糊估计，使得两类数据集二值分割阈值逐渐收敛至相近，最后满足阈值限差，得到最终高亮图斑灰度分割阈值，实现全色波段遥感影像云检测

实施例的具体实现方法包括以下步骤：

步骤1，自适应初始二值标记：利用Otsu算法对全色波段遥感影像进行自适应二值化分割阈值计算，并根据二值分割将影像根据灰度划分为高亮数据集和低暗数据集。

实施例在无任何先验知识，例如云图、其他数据辅助的条件下，针对一副全色波段的卫星遥感影像，利用Otsu算法进行图像的二值化，将图像上的像素位置按照灰度特征分为两个类别并标记，一类为高亮数据集，另一类为低暗数据集。

步骤2，高斯拟合函数的模糊估计：在两类数据集上根据直方图的统计结果，利用高斯拟合函数进行模糊估计，分别确定两类数据集的二值分割阈值。

实施例利用高斯拟合函数对两类数据集分别进行灰度直方图拟合，并采用期望最大化算法进行函数模型参数的模糊估计，得到拟合函数计算得到的两个二值分割阈值。其中，数据集的直方图分布看作由多个简单分布混合形成的多峰形态，灰度统计函数h(x)可以用一个高斯拟合模型g(x)来近似如下式，

其中，M为混合模型中高斯波的数目；为第m个波形对应的高斯分布函数(m =1,2,……M)；为其对应的权重。设影像总像素数为N，则满足下式：

实施例中高斯拟合函数的初始值根据直方图分布检测得到，即设置一定大小的局部窗口，利用局部最大值法获取若干个直方图峰值点，将过小的峰值点排除，剩余较大的峰值点的个数即为高斯波数目M，然后在相邻峰值之间，使用局部最小值法获取谷值点。

此时，记P _m 为第m个高斯波形峰值点横坐标，V _m 、V _m+1 分别为第m个波形左右两谷值点横坐标。则初始参数、和可分别表示为：

其中，

。

然后，根据初始值及后验概率进行模糊估计，得到新的模型参数取值其中，x _n 为样本n的观测值值，N为样本个数，迭代计算使得函数模型参数逐渐收敛，即得到两类数据集的高斯拟合函数估计结果，选取二值分割阈值。

步骤3，求取影像整体新的二值标记阈值：根据两个二值分割阈值求取加权的整体数据集二值分割阈值，并重新进行两类数据集的标记和划分。

实施例取两个二值分割阈值的算术平均值作为影像整体的新的二值标记阈值。

步骤4，设定限差，迭代过程：重复进行步骤2和步骤3，直至高斯拟合函数模糊估计得到的两类数据集阈值之差小于限定差，迭代结束。

实施例取阈值之间限差为3作为经验限差，作为步骤2、步骤3迭代处理的终止条件，进而控制最终云检测阈值的计算结果。

步骤5，最终云检测阈值确定：对步骤4所得的两类数据集阈值任取其中之一完成影像的最终二值分割标记。

实施例选择高亮数据集的分割阈值作为最终云检测阈值。

步骤6，区域整理：对步骤5所得的高亮数据集标记依次进行膨胀和腐蚀的数学形态学操作，从而得到最终的云检测结果。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法，其特征在于：包括以下步骤，

步骤1，自适应初始二值标记，利用Otsu算法对全色波段遥感影像进行自适应二值化分割阈值计算，并根据二值分割将影像根据灰度划分为高亮数据集和低暗数据集；

步骤2，高斯拟合函数的模糊统计，在两类数据集上根据直方图的统计结果，利用高斯拟合函数进行模糊估计，分别确定两类数据集的二值分割阈值；

步骤3，求取影像整体新的二值标记阈值，根据两个二值分割阈值求取加权的整体数据集二值标记阈值，并重新进行两类数据集的标记和划分；

步骤4，迭代过程，重复进行步骤2和步骤3，直至高斯拟合函数模糊估计得到的两类数据集阈值之差小于限定差，迭代结束；

步骤5，最终云检测阈值确定，对步骤4所得的两类数据集阈值任取其中之一完成影像的最终二值分割标记，得到最终的高亮数据集和低暗数据集；

步骤6，区域整理，对步骤5所得的高亮数据集标记依次进行膨胀和腐蚀的数学形态学操作，从而得到最终的云检测结果。

2.根据权利要求1所述基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法，其特征在于：步骤2中灰度统计函数h(x)用一个高斯拟合模型g(x)来近似如下式，

其中，M为混合模型中高斯波的数目；为第m个波形对应的高斯分布函数(m =1,2,……M)；为其对应的权重，

设影像总像素数为N，则满足下式：

利用期望最大化算法进行高斯拟合模型的模糊估计，即在概率模型中寻找参数的最大似然估计或最大后验估计的迭代方法，其中概率模型依赖于无法观测的潜在变量，高斯拟合函数的初始值根据直方图分布检测得到，即设置一定大小的局部窗口，利用局部最大值法获取若干个直方图峰值点，将过小的峰值点排除，剩余较大的峰值点的个数即为高斯波数目M，然后在相邻峰值之间，使用局部最小值法获取谷值点，

此时，记P _m 为第m个高斯波形峰值点横坐标，V _m 、V _m+1 分别为第m个波形左右两谷值点横坐标，则初始参数、和可分别表示为：其中，

然后，根据初始值及后验概率进行模糊估计，得到新的模型参数取值，其中，x _n 为样本n的观测值值，N 为样本个数，迭代计算使得函数模型参数逐渐收敛，即得到两类数据集的高斯拟合函数估计结果，选取二值分割阈值。

3.根据权利要求1或2所述基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法，其特征在于：步骤3中假设两个模糊估计的二值分割阈值最终是要趋近一致的，因此根据欧式几何的距离原则，加权的方式选用平均值加权，即取两数的算术平均数作为下一步的数据集二值分割阈值。