偏振多通道遥感云检测的阈值优化 下载: 781次
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
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. POLDER载荷波段的特征
Table 1. Characteristics of POLDER load bands
|
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
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
|
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
通过对
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
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。
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
[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.
Article Outline
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.