偏振多通道遥感云检测的阈值优化

方薇; 乔延利; 张冬英; 易维宁

doi:doi:10.3788/AOS201838.1228005

光学学报, 2018, 38 (12): 1228005, 网络出版: 2019-05-10

偏振多通道遥感云检测的阈值优化下载： 781次

Threshold Optimization in Cloud Detection by Polarized Multichannel Remote Sensing

论文大纲

方薇 ^1,2,*乔延利 ¹张冬英 ^1,*易维宁 ¹

作者单位

¹ 中国科学院安徽光学精密机械研究所中国科学院通用光学定标与表征技术重点实验室, 安徽合肥 230031

² 中国科学技术大学, 安徽合肥 230026

AI 词云图 AI一句话精读 AI短摘要

注：本部分内容由 AI 自动生成，请您知悉。

摘要

大气中云的存在会严重影响气溶胶的反演精度。经验阈值法是一种常用的云检测方法,其较强的主观性和难以应对环境时空动态变化或星载探测仪差异的缺点,导致“云”和“晴”边缘分类误差增大,且检测自动化程度较低。针对下垫面为陆地的大气云检测,提出一种多通道偏振遥感图像的统计分类与数据融合的阈值优化方法,该方法首先通过半监督Kmeans聚类及其统计特征,决定像元属于“云”和“晴”两类的双亮度阈值;然后在阈值周边分类模糊区,用D-S证据理论获取多通道检测的联合置信度因子,求得模糊区像元分类的细化阈值;最终以顺序决策过程实现“云”和“晴”两类目标的精确分类。为了验证所提方法的有效性,利用POLDER3载荷遥感数据进行云检测实验,并与POLDER3产品结果进行比较。结果表明:所提方法与POLDER法的分类符合度为95%,目测发现这些误检大多发生在云边缘处,表明所提方法对云边缘处的分类具有较好的敏感性。

Abstract

The existence of clouds in the atmosphere degrades the accuracy of aerosol retrieval. The empirical threshold method is popular in could detection, however its strong subjectivity and difficulty in coping with the dynamic spatial-temporal changes of the environment or the difference among satellite-borne detectors result in a large classification error at the boundary of ‘cloud’ and ‘clear’. In addition, its automatic detection is also poor. To achieve an effective detection of cloud over the land surface in the atmosphere, we propose a threshold optimized method which combines the statistical classification with data fusion of polarized multichannel remote sensing images. As for this method, a dual-brightness threshold to distinguish ‘cloud’ from ‘clear’ for most pixels is first derived based on the semi-supervised Kmeans clustering and its statistical features. Then, the joint confidence factor of multichannel data is calculated by the D-S evidence theory for each pixel in the fuzzy area of threshold neighborhood, and thus the fine threshold is acquired. The two objects of ‘cloud’ and ‘clear’ are finally and accurately classified in the sequential decision process. To validate the effectiveness of the proposed method, we perform a cloud detection experiment based on the remote sensing load data of POLRED3, and compare the measured results with the results of POLRED3. The results show that the classification by the proposed method is well consistent with that by the POLDER method with a high conformity of 95%. The error pixels are mostly located at the boundary between cloud and clear, indicating that the proposed method exhibits a favorable sensitivity to the classification at the cloud edge.

1 引言

云的存在会严重影响卫星遥感图像的应用。光学载荷对地探测获取的遥感数据首先必须进行云检测,将观测数据分为有云像元和晴空像元,才能为云和气溶胶的参数反演研究提供有效的数据源。随着卫星遥感技术的飞速发展,各种星载探测器在轨运行获取了大量的对地观测数据。目前,国外POLDER^[1]、MODIS星载传感器已形成了云检测产品,其中的POLDER是法国于1996—2004年先后发射的3颗多角度偏振载荷,采用偏振遥感进行全球对地观测。与传统的光学遥感手段相比,偏振探测^[2-4]是一种新兴的对地观测手段,对云和气溶胶具有更高的灵敏度。由于偏振载荷在波段设置上不同于传统的光学载荷,因此其云检测算法通常结合多通道的偏振信息进行检测。Kriebel等^[5]和Buriez等^[6]将阈值法用于POLDER卫星的云检测,用不同波段反射率、大气分子光学厚度像素值与历史值进行比较,将超出阈值一定范围的值分别归入“云”或“晴”,该方法简单、实用,已用于云检测的产品化中,但其主要存在两方面缺点:一方面,仪器误差或生态环境变化使得阈值的可靠性降低;另一方面,基于单像素级的比较需要亚像素级图像的精确配准,且难以解决因周边像素影响而造成的同物异谱和同谱异物的干扰。Zhu等^[7]提出的Fmask算法通过多光谱物理特性关系建立规则,依据卫星和传感器的几何参数以及热红外数据来实现云和云影的最终分类。该算法的优点是能应对不同的下垫面,如陆地和海洋,且分类精度较高;缺点是在薄云、云温较高,或亮且低温的地表情况下会出现误分,并且图像中的阈值需凭经验而定,难以适应复杂多变的地表。单娜等^[8]和夏雨等^[9]提出了光谱阈值与纹理分析结合的方法,该方法虽然提高了分类精度和性能,但仍存在一定的误判和漏判。王伟等^[10]采用Kmeans算法进行云聚类,再利用多光谱阈值排除大气云中的烟雾和雪,这样有利于检测小面积云点像元,且能排除其他因素的干扰,但没有对云和晴边界模糊区的分割问题进行研究,从而影响了边缘处的检测效果。基于深度学习神经网络的云检测方法^[11-13]是近期的研究热点,其优点是模仿和学习人类的感知能力,在训练样本足够大的前提下能获得良好的分类效果;缺点是巨量的学习样本难以获取,并且分类的物理意义不明确。

为了克服经验阈值和分类边缘存在的问题,本文提出了一种统计模式分类与多证据数据融合相结合的方法,利用半监督学习和统计特性改进云检测阈值的选择,并充分综合运用偏振探测仪的多通道信息,通过多证据融合来精选阈值,提高云边缘的检测能力。

2 云检测方法

利用POLDER3的λ₁=670 nm和λ₂=490 nm这2个波段的“晴”、“云”两类历史样本数据,将其类均值作为Kmeans聚类的初始种子,对两波段的测量数据进行Kmeans半监督分类,获得目标的初分类结果。采用D-S理论对初分类目标阈值模糊区域进行多证据融合,获得联合置信度因子^[14-15],实现“云”检测的精细分类。云检测流程图如图1所示。

图 1. 云检测流程图

Fig. 1. Flow chart of cloud detection

下载图片查看所有图片

2.1 多波段特征选择

POLDER3载荷是一个多角度偏振和多光谱成像辐射计,其光谱范围包括可见近红外波在内的9个波段,如表1所示,其中的3个偏振光波段为490,670,865 nm,利用每个偏振波段在3个方向的线偏振测量值,可以获取相应的斯托克斯矢量参量I、Q、U,从而增强云检测精度。

表 1. POLDER载荷波段的特征

Table 1. Characteristics of POLDER load bands

Wavelength /nm	Bandwidth /nm	Polarized	Function
443	13.5	No	Sea
490	16.5	Yes	Sea/aerosol/cloud
565	15.5	No	Sea
670	15.0	Yes	Land/aerosol/cloud
763	11.0	No	Oxygen pressure of cloud
765	38.0	No	Oxygen pressure of cloud
865	33.5	Yes	Land/aerosol/cloud
910	21.0	No	Stem inversion
1020	17.0	No

查看所有表

在670 nm波段下,云比晴空具有更强的偏振反射率,该反射率的大小反映了云与晴空(地物)的对比度。对于内陆湖泊河流,需要剔除在镜面反射方向小于2°的太阳耀光区域。670 nm波段获得的大气顶反射率为 $\begin{matrix} R_{670} = πI / (\cos θ_{s} F_{0}), (1) \end{matrix}$ 式中:I为光强信息;θ_s为太阳天顶角;F₀为大气层外的太阳辐照度。490 nm波段的偏振反射率主要来自大气分子散射,其地表反射率(如植被和土壤)比较小,散射角为80°~120°的偏振相机对于大气气溶胶、卷云和含小水滴云均呈现很大的偏振反射率,云比晴空具有更小的大气分子光学厚度。因此,在非太阳耀光区域,使用分子散射偏振反射率最大时的方向[散射角γÎ(80°, 120°)]进行云检测;忽略地表偏振,除去特别方向(γ»140°)的云虹和太阳耀光的影响,根据单次散射近似,490 nm波段获得的大气分子光学厚度为 $\begin{matrix} τ_{490} = (16 / 3) \cos θ_{s} \cos θ_{v} R_{p 490} / (1 - co s^{2} γ), (2) \end{matrix}$ 其中 $\begin{matrix} \begin{matrix} R_{p 490} = π \sqrt[]{Q^{2} + U^{2}} / (\cos θ_{s} F_{0}), (3) \\ cosγ = - \cos θ_{s} \cos θ_{v} - \sin θ_{s} \sin θ_{v} cosφ, (4) \end{matrix} \end{matrix}$ 式中:θ_v为观测天顶角;R_p490为490 nm波段的偏振反射率;φ为相对方位角。红外865 nm波段偏振图像主要用于海洋上空反射率的检测,它在140°散射角附近有更强的“积云”和“晴空”区分能力。这里仅讨论下垫面为陆地的范畴,因此对红外865 nm波段不予讨论。

2.2 半监督Kmeans聚类初分类

图 2. 直方图。(a)两类分离;(b)两类交叠

Fig. 2. Histograms. (a) Separated two categories; (b) overlapped two categories

下载图片查看所有图片

2.3 阈值优化

图 3. 数据集F1和F2的阈值模糊区信任度关系。(a) F1; (b) F2

Fig. 3. Relationship of confidence factors in fuzzy areas of datasets. (a) F1; (b) F2

下载图片查看所有图片

3 实验与分析

图 4. 云检测结果。(a) POLDER法; (b)所提方法

Fig. 4. Results of cloud detection. (a) POLDER method; (b) proposed method

下载图片查看所有图片

表 2. POLDER法与所提方法检测分类的像元个数

Table 2. Pixel numbers of categories for POLDER method and proposed method

Method	Clear	Cloud	Mixed
POLDER method	441	459	0
Proposed method	446	438	16

查看所有表

为了计算两种方法分类结果位置分布的符合度,对所提方法与POLDER法检测的30×30个像元结果对应的H5数据(如图5所示)进行逐像元目测。将图5中混合像元用圆框表示,共16个,记为N_mixed;将POLDER法检测为0而所提方法检测为100的像元用方框表示,共9个,记为N_transcloud, 其“晴”像元数的变化率为2%;将POLDER法检测为100而本方法检测为0的像元用三角形表示,共20个,记为N_transclear,其“云”像元数的变化率为4.35%。两种方法类分布的符合度为95%,即

\begin{matrix} Conf = 1 - (N_{transclear} + N_{transcloud} + N_{mixed}) / (30 \times 30) = 0.95 。 (7) \end{matrix}

通过对图5进行目视评价可知:图5(b)中三角框与方框的像元约有70%位于分类边缘,原因是忽略了阈值模糊区的存在,从而在边缘处发生误检;其余30%发生在该像素与其四邻域类别不同的孤立点,原因是该孤立点与时空变化有关,从而导致误判。根据所提方法检出的图5(b)中圆框像元的位置和特征可以发现,圆框出现在像元阈值模糊区以及两类目标过渡的空间范围。由于POLDER法的像元分辨率为6 km×7 km,因此该范围的大气中可能存在碎云、薄云,同时也可能存在“云”和“晴”,这些现象导致产生了混合像元。(7)式表明,两种方法的检测结果符合度为95%。由于缺乏混合像元细分类,因此尚不能得出总体正确率的比较,但所提方法在云边缘处检测的敏感性是明显的。

图 5. 云检测H5数据。(a) POLDER法;(b)所提方法

Fig. 5. H5 dataset of cloud detection. (a) POLDER method; (b) proposed method

下载图片查看所有图片

4 结论

目前,基于经验阈值的云检测方法通常是逐像元将阈值与当前值进行比较,阈值的选取一是依据历史经验,二是依据图像本身的信息。前一种阈值选取方法比较简单,但是无法考虑像元噪声、周边像元,以及地物演变或载荷误差的影响;后一种阈值选取方法虽然有利于提高阈值分割的准确性,但缺乏提高阈值周边模糊区像元分辨能力的研究,模糊区的存在往往会影响云边缘检测的准确性。

针对以上问题,本课题组提出了阈值优化方法。所提方法具有以下特点:1)利用初估的历史样本作为种子指导改进Kmeans聚类算法,相比原算法随机选择初始种子更合理,从而加快了收敛;2)通过计算聚类后两类目标类均值和标准差的统计特性,获得双亮度阈值,可以提高像元初分类的可信度;3)为解决类边界处的不确定性,结合多通道偏振信息,利用证据融合获取目标联合置信度,有利于修正类边缘处的误分类。

实验表明,所提方法执行过程中人工干预少,计算自动化程度较高。POLDER法与所提方法的分类符合度相近,但所提方法能校正发生在云边缘处的误检,对云边缘处分类具有敏感性。对于混合像元的细分需要进一步研究,且需通过更多的实验来证明所提方法的稳健性。

参考文献

[1] 郭红, 顾行发, 谢东海, 等. 大气气溶胶偏振遥感研究进展[J]. 光谱学与光谱分析, 2014, 34(7): 1873-1880.

Guo H, Gu X F, Xie D H, et al. A review of atmospheric aerosol research by using polarization remote sensing[J]. Spectroscopy and Spectral Analysis, 2014, 34(7): 1873-1880.

[2] 黄红莲, 易维宁, 乔延利. 基于航空偏振相机的海上气溶胶光学特性反演与验证[J]. 光学学报, 2014, 34(6): 0601004.

Huang H L, Yi W N, Qiao Y L. Validation of retrieving aerosol optical parameters over the sea using airborne directional polarized camera[J]. Acta Optica Sinica, 2014, 34(6): 0601004.

[3] 程天海, 陈良富, 顾行发, 等. 基于多角度偏振特性的云相态识别及验证[J]. 光学学报, 2008, 28(10): 1849-1855.

Cheng T H, Chen L F, Gu X F, et al. Cloud phase classification and validation based on multi-angular polarized characteristics of cloud[J]. Acta Optica Sinica, 2008, 28(10): 1849-1855.

[4] 孙夏, 赵慧洁. 基于POLDER数据反演陆地上空气溶胶光学特性[J]. 光学学报, 2009, 29(7): 1772-1777.

Sun X, Zhao H J. Retrieval algorithm for optical parameters of aerosol over land surface from POLDER data[J]. Acta Optica Sinica, 2009, 29(7): 1772-1777.

[5] Kriebel K T, Gesell G, Kästner M, et al. The cloud analysis tool APOLLO: improvements and validations[J]. International Journal of Remote Sensing, 2003, 24(12): 2389-2408.

[6] Buriez J C, Vanbauce C, Parol F, et al. Cloud detection and derivation of cloud properties from POLDER[J]. International Journal of Remote Sensing, 1997, 18(13): 2785-2813.

[7] Zhu Z, Woodcock C E. Object-based cloud and cloud shadow detection in Landsat imagery[J]. Remote Sensing of Environment, 2012, 118: 83-94.

[8] 单娜, 郑天垚, 王贞松. 快速高准确度云检测算法及其应用[J]. 遥感学报, 2009, 13(6): 1138-1155.

Shan N, Zheng T Y, Wang Z S. High-speed and high-accuracy algorithm for cloud detection and its application[J]. Journal of Remote Sensing, 2009, 13(6): 1138-1155.

[9] 夏雨, 崔生成, 杨世植. 综合高分卫星图像多维特征的云检测方法[J]. 大气与环境光学学报, 2017, 12(6): 465-473.

Xia Y, Cui S C, Yang S Z. Cloud detection method for high resolution satellite image based on multi-dimensional features[J]. Journal of Atmospheric and Environmental Optics, 2017, 12(6): 465-473.

[10] 王伟, 宋卫国, 刘士兴, 等. Kmeans聚类与多光谱阈值相结合的MODIS云检测算法[J]. 光谱学与光谱分析, 2011, 31(4): 1061-1064.

Wang W, Song W G, Liu S X, et al. A cloud detection algorithm for MODIS images combining Kmeans clustering and multi-spectral threshold method[J]. Spectroscopy and Spectral Analysis, 2011, 31(4): 1061-1064.

[11] 靳泽群, 张玲, 刘神聪, 等. 基于BP神经网络的云检测和云相态识别[J]. 光学与光电技术, 2016, 14(5): 74-77.

Jin Z Q, Zhang L, Liu S C, et al. Cloud detection and cloud phase retrieval based on BP neural network[J]. Optics & Optoelectronic Technology, 2016, 14(5): 74-77.

[12] 夏旻, 申茂阳, 王舰锋, 等. 基于卷积神经网络的卫星云量计算[J]. 系统仿真学报, 2018, 30(5): 1623-1630.

Xia M, Shen M Y, Wang J F, et al. Cloud fraction of satellite imagery based on convolutional neural networks[J]. Journal of System Simulation, 2018, 30(5): 1623-1630.

[13] 康晓光, 孙龙祥. 基于人工神经网络的云自动检测算法[J]. 解放军理工大学学报(自然科学版), 2005, 6(5): 506-510.

Kang X G, Sun L X. Automatic cloud detection algorithm on artificial neural networks[J]. Journal of PLA University of Science and Technology (Natural Science Edition), 2005, 6(5): 506-510.

[14] 王凤朝, 刘兴堂, 黄树采. 基于模糊证据理论的多特征目标融合检测算法[J]. 光学学报, 2010, 30(3): 713-719.

Wang F C, Liu X T, Huang S C. Target fusion detection with multi-feature based on fuzzy evidence theory[J]. Acta Optica Sinica, 2010, 30(3): 713-719.

[15] 刘海燕, 赵宗贵, 巴宏欣. 一种基于加权证据合成的多传感器目标识别方法[J]. 解放军理工大学学报(自然科学版), 2005, 6(6): 521-524.

Liu H Y, Zhao Z G, Ba H X. Multisensor target identification method based on weighted evidence combination[J]. Journal of PLA University of Science and Technology (Natural Science Edition), 2005, 6(6): 521-524.

方薇, 乔延利, 张冬英, 易维宁. 偏振多通道遥感云检测的阈值优化[J]. 光学学报, 2018, 38(12): 1228005. Wei Fang, Yanli Qiao, Dongying Zhang, Weining Yi. Threshold Optimization in Cloud Detection by Polarized Multichannel Remote Sensing[J]. Acta Optica Sinica, 2018, 38(12): 1228005.

偏振多通道遥感云检测的阈值优化下载： 781次

1 引言

2 云检测方法

图 1. 云检测流程图

Fig. 1. Flow chart of cloud detection

2.1 多波段特征选择

表 1. POLDER载荷波段的特征

Table 1. Characteristics of POLDER load bands

2.2 半监督Kmeans聚类初分类

图 2. 直方图。(a)两类分离;(b)两类交叠

Fig. 2. Histograms. (a) Separated two categories; (b) overlapped two categories

2.3 阈值优化

图 3. 数据集F1和F2的阈值模糊区信任度关系。(a) F1; (b) F2

Fig. 3. Relationship of confidence factors in fuzzy areas of datasets. (a) F1; (b) F2

3 实验与分析

图 4. 云检测结果。(a) POLDER法; (b)所提方法

Fig. 4. Results of cloud detection. (a) POLDER method; (b) proposed method

表 2. POLDER法与所提方法检测分类的像元个数

Table 2. Pixel numbers of categories for POLDER method and proposed method

图 5. 云检测H5数据。(a) POLDER法;(b)所提方法

Fig. 5. H5 dataset of cloud detection. (a) POLDER method; (b) proposed method

4 结论

Article Outline

关于本站 Cookie 的使用提示

全站搜索

偏振多通道遥感云检测的阈值优化 下载： 781次

1 引言

2 云检测方法

图 1. 云检测流程图

Fig. 1. Flow chart of cloud detection

2.1 多波段特征选择

表 1. POLDER载荷波段的特征

Table 1. Characteristics of POLDER load bands

2.2 半监督Kmeans聚类初分类

图 2. 直方图。(a)两类分离;(b)两类交叠

Fig. 2. Histograms. (a) Separated two categories; (b) overlapped two categories

2.3 阈值优化

图 3. 数据集F1和F2的阈值模糊区信任度关系。(a) F1; (b) F2

Fig. 3. Relationship of confidence factors in fuzzy areas of datasets. (a) F1; (b) F2

3 实验与分析

图 4. 云检测结果。(a) POLDER法; (b)所提方法

Fig. 4. Results of cloud detection. (a) POLDER method; (b) proposed method

表 2. POLDER法与所提方法检测分类的像元个数

Table 2. Pixel numbers of categories for POLDER method and proposed method

图 5. 云检测H5数据。(a) POLDER法;(b)所提方法

Fig. 5. H5 dataset of cloud detection. (a) POLDER method; (b) proposed method

4 结论

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

偏振多通道遥感云检测的阈值优化下载： 781次