米雪婷;孙林;韦晶;田信鹏
【摘 要】云阴影检测是云检测中的一个重要环节,由于其光谱、纹理特征复杂,云阴影检测一直是云检测中面临的一大难题.本文针对传统云阴影检测方法的不足,提出一种基于多时相遥感数据支持的云阴影检测算法.该算法以同一区域相近时相或不同年份相近日期的卫星遥感地表反射率数据为参考,选取云阴影和典型地表样本点,对样本点进行统计分析,据其动态确定云阴影检测的阈值,并基于云阴影样本点去除土地利用/土地覆被变化对使用该方法进行云阴影检测造成的误判.基于Landsat8 OLI数据,选择不同区域碎云、薄云和厚云产生的云阴影分析该方法的有效性,重点分析水体等容易与云阴影混淆的区域.结果表明,该方法能有效识别云阴影,具有较高的整体检测精度. 【期刊名称】《山东科技大学学报（自然科学版）》
【年(卷),期】2016(035)002
【总页数】9页(P64-72)
【关键词】敦煌学大辞典医学生物技术地表反射率;云阴影;Landsat8 OLI;多时相;样本点
【作 者】米雪婷;孙林;韦晶;田信鹏
【作者单位】山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590;山东科技大学测绘科学与工程学院,山东青岛266590
【正文语种】中 文
【中图分类】P407
云阴影在遥感影像上表现为团块状且极不规则的较暗区域，从遥感影像中提取土地覆被信息时，阴影是造成混淆和误判的主要来源之一[1]，阴影的存在不仅降低了地表变化检测的精度[2-3]，也降低了遥感图像定量参数提取的精度[4-6]。有效识别云阴影对地物目标识别以及定量参数遥感反演具有重要意义[7-9]。
目前常用的云阴影检测方法主要有阈值法、分类法、基于观测几何的方法。其中，阈值法
因其算法简单、计算速度快、效率高而得到最广泛的应用[10]。常用的阈值法有经验阈值法、滞后阈值法、云阴影地域增强模型等方法，其中经验阈值法的基本思想主要基于组分光谱差异的分析技术，进行波谱分析和特征通道选择，使用一个或多个波段或者衍生度量进行云阴影检测[11-12]；滞后阈值法通过对黑暗区域分割进行云阴影区域的增长来检测云阴影，这种方法容易导致地形阴影增长为云阴影[13]；李炳燮等[14-15]提出的云阴影地域增强模型主要是针对厚云产生的云阴影的检测方法，用相近时相或不同年份同一季节的无云数据生成地域增强模型进行云阴影检测，这种方法阈值的选择范围较宽，但对薄云影区域容易漏判，适用于厚云影区域的云阴影检测。
针对以上问题，提出了一种基于多时相遥感数据的云阴影检测算法，使用同一区域相近时相或不同年份相近日期的无云影像自动检测云阴影。其基本思想是：假定在无云影区域，不同时相的地表反射率变化相对较小，当待检测数据的像元反射率降低值超过一定阈值，则认为是云阴影像元，并且通过云阴影样本点统计分析，去除土地利用土地覆被变化对云阴影检测造成的影响。基于上述算法，在对图像进行辐射定标、大气校正和图像配准等处理基础上获得云阴影检测结果。本文运用目视解译方法分析不同地表覆盖上空的云阴影识别结果，该算法能有效检测大部分地表类型上空的云阴影像元。
六度分割
云阴影和典型地表反射率的差异是云阴影识别的主要依据，因此，典型地表光谱特征分析是首先要做的工作。从同一地区不同时相的两景影像上选取云阴影像元点、水体像元点和其他阴影像元点各200个进行光谱特征分析。图1为所选的用于光谱特征分析的印多吉湖附近区域的Landsat8 OLI(Operational Land Imager)数据，该区域包括水体、植被、山地等多种下垫面，地表类型丰富。图1(a)左图是2014年11月20日Landsat8 OLI数据的5,4,3波段彩合成图，为待检测数据；右图是2015年2月27日无云Landsat8 OLI数据的5,4,3波段彩合成图，为参考数据。待检测图像中白块状区域为云覆盖区域，邻近的黑部分是云阴影。图1(b)为统计的水体、植被和云阴影像元点的波谱曲线，可以看出，直接用阈值法不易检测云阴影像元与低反射率地表像元。图1(c),(d),(e)分别为待检测数据的植被、水体、云阴影在485～865nm波长范围内与对应区域的参考数据的反射率对比，其中虚线表示参考数据中反射率随波长的变化，实线表示待检测数据中反射率随波长的变化。从曲线图中可以看出，在无云影区域，不同时相、同一区域的地表反射率差异不大，而在云阴影区域反射率差值较大。
为了降低大气状况等因素对云阴影检测产生的影响，使用经过大气校正的地表反射率数据。将不同时相同一区域的无云影数据作为参考数据，基于待检测数据和参考数据，每一
邓本殷波段的反射率相对变化设定合理的阈值来检测云阴影，生成基于多时相的云阴影检测算法。将待检测数据上的像元与对应的参考数据上的清晰像元对比，当降低值超过给定的变化范围时，则认为此像元为潜在的云阴影像元。为了更精确地确定云阴影检测的阈值，对待检测数据和参考数据通过人工目视判读方法选取大量样本点，包括云阴影样本点和典型地物样本点。分别从待检测数据和参考数据选出云阴影区域以及清晰地表区域，图2为部分样本点的反射率差值散点图，在散点图中，云阴影样本点和清晰地表样本点并不是完全分离的。为了到最佳阈值Ti，对选取的样本点进行统计分析，获取待检测数据和参考数据云阴影像元点差值的最大值和最小值，以0.001为步长变化，统计随着阈值变化云阴影检测的正确率和误判率(式1)。当正确率与误判率的差值达到最大值时，此时云阴影检测的正确率高并且误判率低，选取这个阈值为最佳阈值Ti。
土地利用/土地覆被变化也会导致不同时相数据反射率的变化，容易与云阴影混淆。为了更精确地检测云阴影区域，分析了土地利用/土地覆被变化导致的反射率变化。云阴影区域的每个波段的反射率都要低于植被、裸土等其他地表类型的反射率，采用云阴影光谱反射率低的特征可区分云阴影和土地利用/土地覆被变化区域。因此，在上述检测基础上，以待检测数据云阴影像元库反射率最大值Ri为阈值，检测云阴影去除土地利用/土地覆被变化的影
响，见公式(3)。
最终，云阴影检测的算法如下：
其中，i=2,3,4,5；ρRi表示参考数据i波段的反射率；ρTi表示待检测数据i波段的反射率；Ti为根据正确率和误判率确定的波段i的最佳阈值；Ri为波段i云阴影像元库反射率的最大值，用来去除土地利用/土地覆被变化造成的影响。表1为各个波段云阴影检测的阈值，然后取公式(2)和公式(3)的交集为波段i的云阴影检测结果。若待检测数据的像元为云阴影像元，则像元值为1，否则像元值为0。最后，取四个波段云阴影检测结果的交集作为最终云阴影检测结果。
运用Landsat8 OLI数据开展云阴影检测试验，验证该方法的有效性。Landsat8 OLI是2013年2月11日发射于美国加州的Landsat8卫星上携带的一个重要传感器，共有 9个波段，刈幅宽为185 km，重访周期为16 d，全波段的空间分辨率为15 m，其他波段30 m[16-17]。表2为Landsat8 OLI数据波段及其波长范围。其中，本文选用的波段为蓝、绿、红和近红外波段。Landsat8 OLI数据具有获取周期短、覆盖面积广、数据利用性强等特点，被广泛用于土地利用/土地覆被时空变化等的研究与应用。选取Landsat8 OLI 2013—2015年的8景影
像共四组数据进行云阴影检测。
利用数据产品元数据中的辐射定标信息，将DN值转换到辐射亮度值(式4)，并选择6S模型进行大气校正[18-20]，计算地表反射率(式5)。最后，对同一区域不同时期的两景数据进行图像配准处理[21]。
表3为选用的Landsat8 OLI数据的详细信息。将验证的四组数据经过辐射定标、大气校正、图像配准等处理，以获得相互匹配的地表反射率数据，最后将生成的云阴影检测算法应用到数据处理后的四组数据进行云阴影检测试验。云阴影检测结果如图3～5所示，其中每组左图为Landsat8 OLI数据的5,4,3波段合成的假彩影像，右图为对应的云阴影检测结果，白为云阴影，黑为下垫面。
图3为云阴影检测算法对Landsat8 OLI数据不同区域上空厚云产生的云阴影检测结果，厚云产生的云阴影相对于其他地物反射率差异大，容易识别，识别效果较好。由图3(a),(b)可以看出，植被上空的云阴影均可完整识别出来，并且边缘也与彩合成图一致，极少误判。图3(c)，(d)为沙漠上空的云阴影检测结果，对比假彩合成图可以看出，云阴影有较好的识别效果。
图4为云检测算法对不同区域上空薄碎云产生的云阴影检测结果。薄碎云的阴影在影像中存在不明显，碎云在图像中一般为小面积斑块，每个斑块独立并且极不规则，在空间关系上，云阴影通常与云保持特定的位置关系，外形轮廓也有一定的相似性。碎云所产生的阴影和碎云形状相似，相对于碎云有一定位移，每个单独斑块的云阴影面积相对较小，且边缘与碎云一致。从图4(a),(b),(c),(d),(e),(f)可以看出，云阴影检测算法对碎云产生的云阴影识别效果较好，能够有效识别云阴影及其边缘部分，误判较少。薄云产生的云阴影使影像变得模糊，削弱了部分地物信息，但地物并未被完全遮挡(图4(g))，其光谱特征里还包含部分地表信息，对云阴影的检测造成影响。传统的阈值法对薄云产生的云阴影识别效果不好，本文提出的云阴影检测算法可识别大部分薄云阴影，误判较少。
低反射率地表容易与云阴影混淆，也增加了云阴影检测的难度。从图5可以看出，基于多时相遥感数据的云阴影检测算法可在一定程度上去除水体等低反射率地表的影响，对于不同下垫面的厚云、薄云和碎云产生的云阴影均有较高识别精度，并且检测结果中云阴影识别完整、自然。
沙甸事件
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议