遥感图像的云分类和云检测技术研究

周雪珺， 杨晓非， 姚行中

(1. 华中科技大学光学与电子信息学院，湖北 武汉 430074；2. 第二炮兵指挥学院精确制导技术实验室，湖北 武汉 430012)

遥感图像的云分类和云检测技术研究

周雪珺1， 杨晓非1， 姚行中2

(1. 华中科技大学光学与电子信息学院，湖北 武汉 430074；2. 第二炮兵指挥学院精确制导技术实验室，湖北 武汉 430012)

为了有效减小云层遮盖对遥感图像数据利用率的影响，提出了一种基于灰度特性的算法，实现了遥感图像高效自动的云分类及云检测。该方法首先将大幅遥感图像切分成小块子图，然后统计子图灰度值的均值和方差，在此基础上将云分成无云、薄云和厚云三类，最后通过边缘检测算法，实现了对厚云影响范围的有效标记。对100幅典型水域遥感图像的实验测试结果表明：正确云分类判别率达到97%，误判率小于4%，漏判率小于2%，基本满足实时性需求，证明了该算法的有效性。

遥感图像；灰度特性；云分类；云检测

随着卫星遥感技术的快速发展，使得星载遥感影像在环境、农业、气象等领域得到广泛的应用[1]。但采用可见光卫星成像的图像，往往受天气的影响，使得图像存在云遮挡，不能直接应用和分析，如果将此图像完全作废，则增加了卫星拍照成本，而且对于某些雨水较多的地区，很难找到拍照区完全无云的机会。因此，对图像进行云分类检测，通过一定的措施，对不同时间段获取的同一地区图像，将有云区域与无云区域进行替换，得到一张完整的无云图像。替换后的图像包含了更为全面和丰富的地表信息，更有利于对图像进一步的分析处理，如目标识别、动态监测等，这对提高遥感数据利用率有重要的意义。

常用的云检测方法有阈值法及模式分类法。其中阈值法是利用云与地物在可见光及红外通道上所表现出的反射率、亮度和温度的不同来设置阈值，实现云检测[2]，包括多光谱阈值法[3]、动态阈值法[4]、多通道阈值法[5]等。模式分类法即从模式识别的角度，提取合适的特征，通过选择合适的分类器实现云图判别[6]，郁文霞等[7]基于遥感图像空间纹理特征和统计特征进行云判，陈鹏等[8]通过统计灰度、频率和纹理特性，选择无监督分类器(K-均值：k-means)和有监督分类器(支持向量机：SVM)进行分类，将每幅图像分割成小块子图后，根据上述特性对子图判断是云类还是地物类，得出的分类结果都在95%以上；单娜等[9]结合光谱阈值和纹理分析这两种方法，提出了一种基于树状判别结构的快速高准确度云检测算法。

上述算法在云检测中都取得了一定的成效，然而都没有对云进行系统的分类，只对图像中的云和地物进行了分类，在对不同的云类型进行检测时存在适应性较差的问题。因此本文提出了一种基于灰度特性的云分类及云检测算法，该算法能够很好地区分出无云、薄云和厚云这三类云，并通过边缘检测算法，对厚云在遥感图像中的位置进行了有效标记。通过大量的实验，得到正确云分类判别率为 97%以上，证明了本算法的可行性和有效性。

1 基于灰度特性的遥感图像云分类及云检测算法

云分类及云检测算法分为两大部分：①云分类模块：将原始图像切分成小块子图，通过对每幅子图统计灰度值的均值和方差范围后确定出云的类型；②云检测模块：在分类的基础上，通过边缘检测算法标记出厚云的影响范围。

1.1 云分类模块

在不同的领域将云分成不同的类型，例如：气象中根据云距地球表面的高度可将云分为高云(纤维状卷云、密卷云、卷层云和卷云砧)、中云(高积云和高层云)和低云(积云、积雨云、层积云、层云和雾)[10]。但这种分类方法不适合遥感图像的处理，为此本文将遥感图像中云的类型定义成三种，即：无云、薄云和厚云。薄云是遥感图像中常出现的一种云，它不单包含云的信息，还包含一些地物信息，所以对它的研究比较多；而厚云亮度值远大于普通陆地和水面，被厚云遮挡处的图像也几乎不包含任何地面景物，没有太大的实用价值，需要用其他时段的同区域图像替代这一区域。

云分类模块的流程图如图1所示。

图1 云分类算法流程图

在进行云分类判断时，往往不能直接从一幅遥感图像中确定云的类型，因为在一幅图像中，会同时存在几种不同类型的云或者无云的情况。为此，首先将原始的遥感图像(这里采用的图像像素为1920×3456)按行分成20份、按列分成24份，变成像素为 96×144的小图像，每幅遥感图像就有 480幅小图像，然后对每一幅小图像统计三种类型云的均值和方差。对于水域而言，由于无云图像都近似黑色的，均值和方差都比较小；厚云由于亮度很大的原因，均值比较大，而方差会出现很小如近似为零或者很大的情况，图2所示为一幅原始的遥感图像被分割成 96×144的小图像后四种典型厚云的方差值(其中矩形的像素为96×144)，其中矩形1的方差为6583.9，矩形2的方差为537.2123，矩形3的方差为49.1611，矩形4的方差为0；薄云相比较而言均值和方差都比厚云略小一点。通过对100幅水域遥感图像，即48000幅小图像的统计，得出表1中的数据，由此可以通过均值和方差较好的区分出无云、薄云和厚云这三种类型的云。

得出三种类型云的均值和方差阈值范围后，就对原始遥感图像切分后的480个小图像进行判断：首先通过阈值判断是否为无云图像，然后判断是否为薄云图像，最后剩余的图像认为是厚云图像。将无云图像的灰度值和索引值存在元胞数组中，将其二值图灰度值全部设置为零，保存在相应的元胞数组中；这里将薄云图像也当做无云图像来处理，因为课题要求主要是完成厚云的检测，方便后续再对图像进行目标识别，而本文定义的薄云是可以看到云下面的地表信息，所以对薄云只需分类而无需进行检测处理；而对于厚云保存了图像灰度值和索引值后，对每幅小图像采用 Otsu算法[11]进行二值化处理，即每幅小图像用 Otsu算法计算出一个阈值[12]，大于阈值的认为是目标即云，灰度值变为1，小于阈值的认为是背景，灰度值变为0，然后将其灰度值保存到相应的元胞数组中，这样有助于解决阈值单一性的缺陷，对每幅小图像有较好的自适应性。对图像进行判断后，将云类型cloud-type值按未分类、无云、薄云和厚云分别赋值0、1、2和3，这样就可以很好地观察到480幅小图像的云分类结果，方便后续实验统计云正确判别率、误判率和漏判率。

图2 分割后四种典型厚云

表1 三种类型云的均值、方差统计表

1.2 云检测模块

1.2.1 连通区域标记

由上述方法得到480幅小图像的二值图后，就要对其连通区域进行标记。二值图像的连通区域标记是从仅有“0”像素(通常表示背景点)和“1”像素(通常表示前景点)组成的一幅点阵图像中，将相互邻接(4邻域或8邻域)的“1”值像素集合提取出来[13]。

本文采取的标记方法是对图中任意灰度值为1的像素点，搜索其8连通区域，将8邻域内灰度值为1的像素点放入同一个数组中，扫描整个二值图像，将得到一个包含很多连通域的元胞数组。再对元胞中的每一个数组采用 matlab工具箱中的regionprops函数，获取其最小外接矩形区域的数组status，其中status包含了矩形区域的左上角坐标值和矩形长宽值等信息[14]。

1.2.2 最小外接矩形坐标

通过上述方法可以得到每幅图中连通区域的外接矩形坐标值，但都是针对像素为 96×144的图像得出的，这时需求出这些外接矩形在原始图像中的坐标值。由于status中包含每幅图中矩形的左上角坐标值x、y和矩形的长宽值w、h，这样就可以得到矩形的4个顶点坐标值。由此可知第1-1矩形(1-1表示第一行第一列的矩形)的坐标值不变，第1-2矩形坐标为x＋144和y，依次类推，第1-24矩形坐标为x＋144×23和y；同理，第2-1矩形的坐标为x和y＋96，第2-2矩形的坐标为x＋144和y＋96，类推得到第 2-24矩形的坐标为 x＋144×23和y＋96；综上所述，得到第20-1矩形的坐标为x和y＋96×19，···，第20-24矩形的坐标为x＋144×23和y＋96×19。按照这个方法，就可以得出480幅图像中所有外接矩形在原始图像中的4个顶点坐标值(其中minX 、minY 为左上角坐标，maxX 等于minX 加上矩形的长度 w，maxY 等于minY 加上矩形的宽度h)。即：但要说明的是，在这480幅图像中会出现无云的图像，这时元胞status中矩形的4个参数值就为空，不能进行上述的坐标加法运算，所以为了运算能够正确进行，就把坐标值为空的情况赋值为零。

1.2.3 合并矩形

通过上述方法得到外接矩形后，会出现矩形重叠或者距离过近的情况，这时就要考虑合并矩形。合并矩形的流程如图3所示。对任意不同的矩形两两比较，首先判断是否重叠，若重叠合并矩形，不重叠就再判断矩形之间距离是否小于等于某个值(例如 64)，若小于等于 64合并矩形，否则保持矩形原样，不对它进行处理。

图3 合并矩形流程图

具体算法步骤如下：

步骤 1.判断是否重叠，是比较两个矩形中心点坐标差与矩形的长宽值。假设任意两个矩形坐标值为 vertex1和 vertex2，如式(1)，长宽值为 w1、h1和w2、 h2，则两个矩形的中心点坐标为

如果两个矩形在x方向中心点坐标差的绝对值小于等于矩形长度的一半，即：

则认为在x方向矩形重叠；同理若两个矩形在y方向中心点坐标差的绝对值小于等于矩形宽度的一半，即：则认为在y方向矩形重叠。当同时满足式(2)和式(3)时，就认为矩形重叠，执行步骤3，否则认为矩形不重叠执行步骤2。

步骤2.判断矩形之间距离是否小于64，也是采用类似的方法。计算两个矩形在x、y方向中心点坐标差的绝对值减去矩形长、宽度一半的值，即：如果式(4)和式(5)都成立，则认为矩形之间的距离小于64像素值，执行步骤3，否则维持矩形不变。

步骤3.合并矩形采用变化顶点坐标值来实现。首先对x方向坐标值进行改变：对任意两个矩形，若大于则把的值赋给，否则的值赋给若小于则把的值赋给否则的值赋给结束x方向坐标值的改变。同理y方向坐标值也按照这个方法进行变化。得到合并后的坐标值后，按照式(1)，把vertex元胞中含有相同值的元素去掉，得到所有合并后的矩形顶点坐标值，这时再去掉矩形中长和宽小于 64像素值的矩形，认为这时标记的是图像中的目标，最后保存处理后的合并矩形顶点坐标信息。

1.2.4 输出云检测后图像

如果在连通区域标记时，连通域个数都为0，则认为原始图像是无云图像，这时直接输出原图像，不用进行后续处理计算；而对其他图像，得到最后合并矩形的顶点坐标后，在原始图像中按照坐标值画出矩形框，输出云检测后图像。

2 实验结果与分析

2.1 实验数据

本文随机选取100幅像素为1920×3456的典型水域遥感图像作为实验数据，即共有48000幅像素为96×144的小图像。

2.2 云分类结果

原始遥感图像中包含各种云类信息，首先通过人工方式对每幅图中的云进行分类，然后通过上述算法对图像进行云分类判断，分类结果如表2所示。

表2 分类结果

定义云分类正确率p1=(1–|人工分类云总数–算法分类云总数|/人工分类云总数)×100%，误判率p2为实验中误判云类的个数与人工分类个数之比，漏判率 p3为实验中漏判云类的个数与人工分类个数之比。用上述算法对100幅图像进行云分类后，得到的云分类结果精度如表3所示。

表3 算法性能参数值(%)

2.3 云检测结果

对分类后的云进行云检测结果如图 4(a)～(d),其中图4(a)为无云图像直接输出原图；图4(b)中既含有薄云又含有厚云，对薄云部分直接输出，不用矩形框标记，厚云部分用矩形框标记，并且得到了每个矩形框的4个顶点坐标值；图4(c)为厚云图像，但厚云比较小且分布散开，将其距离很近的云用一个矩形框标记，其余相距较远的分别用矩形框标记，同样会得到各个矩形的顶点坐标值；图4(d)为厚云图像，图中含有一大片厚云，用一个矩形把云标记，输出矩形的顶点坐标值。

图4 云检测结果

2.4 实验分析与比较

与目前的算法相比，本文能够较好的对图像中的薄云和厚云进行分类，并对其区分处理，而且还能得到含有标记了厚云的矩形框坐标，在后续对图像进行目标识别和勘测时，就可以无需处理此坐标中的图像部分，为研究者提供了方便。下面将具体与两篇参考文献的算法进行比较分析：文献8的云检测结果如图5(a)所示，它在进行云和地物类区分时，就没有考虑薄云的影响，将薄云也划分成地物类，如图中矩形框标记为 1的部分，而且还将部分较小的厚云和很亮的厚云也标记为地物类，如图中矩形框标记为 2的部分和矩形框标记为 3的部分，本文算法就能够很好的对这部分的厚云进行处理，如图 4(b)和(c)，大大提高了云检测的准确性；文献 9的云检测结果如图 5(b)所示，它只能对大片的厚云进行检测，没有分析如何对薄云和小片的厚云进行处理，而本文从云的多样性出发，详细分析了各种云的分类和检测，提高了云检测的适用性。

图5 算法比较

3 结 论

本文针对遥感图像中云图的多样性，从图像分割及灰度特性出发，将云分成了无云、薄云和厚云三类，并对厚云采用边缘检测算法进行有效标记，为后续的消云处理奠定了基础，实验结果表明本算法对云分类有较高的准确率。但本算法在应用中将原始图像切分成小块子图，破坏了图像的整体性，有些图像单从小图来看，很难判别是薄云还是厚小碎片云，下一步工作将从图像的整体上把握，对整幅图进行有效的云检测研究。

[1] 唐王琴, 梁 栋, 胡根生, 马雪亮, 杭丹萍. 基于支持向量机的遥感图像厚云去除算法[J]. 遥感技术与应用, 2011, 26(1): 111-116.

[2] 刘 健. FY-2云检测中动态阈值提取技术改进方法研究[J]. 红外与毫米波学报, 2010, 29(4): 288-292.

[3] 侯 岳, 刘培洵, 陈顺云, 刘少峰. 基于MODIS影像的夜间云检测算法研究[J]. 国土资源遥感, 2008, (1): 34-37.

[4] Di Vittorio A V, Emery W J. An automated dynamic threshold cloud-masking algorithm for daytime AVHRR images over land [J]. IEEE Transaction on Geoscience and Remote Sensing, 2002, 40(8): 1682-1694.

[5] 马 芳, 张 强, 郭 铌, 张 杰. 多通道卫星云图云检测方法的研究[J]. 大气科学, 2007, 31(1): 119-128.

[6] 赵 敏, 张 荣, 尹 东, 王 奎. 一种新的可见光遥感图像云判别算法[J]. 遥感技术与应用, 2012, 27(1): 106-110.

[7] 郁文霞, 曹晓光, 徐 琳, Bencherkei M. 遥感图像云自动检测[J]. 仪器仪表学报, 2006, 27(6): 2184-2186.

[8] 陈 鹏, 张 荣, 刘政凯. 遥感图像云图识别中的特征提取[J]. 中国科学技术大学学报, 2009, 39(5): 484-488.

[9] 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): 1147-1155.

[10] 王丕浩, 刘宗义, 张开斗. 应用卫星气象学[M]. 青岛:中国海洋大学出版社, 2004: 51-60.

[11] Otsu N A threshold selection method from gray-level histograms [J]. IEEE Transaction on Systems, Man, and Cybernetics, 1979, 9(1): 62-66.

[12] 刘纪红, 王铖媛. 一种基于自适应阈值的图像二值化算法[C]//2009中国控制与决策会议论文集(3). 桂林, 2009: 3958-3962.

[13] 曹长虎, 李亚非. 一种二值图像连通区域标记快速算法[J]. 科学技术与工程, 2010, 10(33): 8168-8171, 8180.

[14] 姚 敏. 数字图像处理[M]. 北京: 机械工业出版社, 2006: 269-270.

The Study of Cloud Classification and Detection in Remote Sensing Image

Zhou Xuejun1, Yang Xiaofei1, Yao Xingzhong2
(1. School of Optical and Electronic Information, Huazhong University of Science and Technology, Wuhan Hubei 430074, China; 2. Laboratory of Precision-Guided Technology, Second Artillery Command College, Wuhan Hubei 430012, China)

Cloud shelter in remote sensing image may cause low date utilization rate, so the research of automatic and efficient cloud classification and detection method is increasingly important. This article proposes a high performance and high accuracy algorithm for the cloud classification and cloud edge detection based on gray character. This method finds out the mean and variance of gray value to classify cloud into three categories by dividing the image, then uses edge detection methods to remark the influence area of thick cloud. Primary testing results of 100 water remote sensing images have showed that this algorithm is valid and can satisfy the engineering requirement: the precise classification rate is 97%, the false rate is lower than 4% and the missed rate is lower than 2%.

remote sensing image; gray character; cloud classification; cloud detection

TP 751

A

2095-302X(2014)05-0768-06

2014-01-23；定稿日期：2014-06-11

周雪珺(1991–)，女，湖北武汉人，硕士研究生。主要研究方向为数字图像处理。E-mail：zxj9122@hust.edu.cn

姚行中(1962–)，男，湖北随州人，教授，博士。主要研究方向为卫星图像的处理与应用、精确制导技术。E-mail：X.Z.Yao@hust.edu.cn