[发明专利]基于同质化处理的光学遥感图像非匀质云层判别方法

说明书

技术领域

本发明涉及一种光学遥感图像非匀质云层判别方法，尤其涉及一种基于同质化处理的光学遥感图像非匀质云层判别方法，属于模式识别技术领域。

背景技术

本发明的处理对象是非匀质云，它的产生由于阳光入射角度、不同高低云的相互遮挡或者云的不同区域薄厚不同等因素，造成本来高亮且均匀的云层中出现一些散布的低亮像素。于是，这种类型的云层被认为是非匀质云，同时匀质云则是指那些高亮而又均匀的厚云。

目前的云判别的方法主要是针对匀质的高亮厚云，通过提取这类云特征，然后利用分类器进行判决。常见的匀质的高亮厚云的特征提取可以分为以下三个方面：灰度、纹理和边缘：1）灰度方面的特征通常是基于灰度直方图的，包括灰度均值、直方图方差、云的覆盖率；2）纹理方面的特征最常用的是基于灰度共生矩阵的方法，因为其运算简单而且检测效果较好。这种方法首先要统计灰度共生矩阵，然后计算灰度共生矩阵派生特征，包括能量、平稳度、对比度、熵等；3）边缘方面的特征主要是通过对原图进行模板滤波得到的，常见的有Prewitt算子、Roberts算子和Sobel算子。

对于分类器，主要种类有邻近分类器、模糊逻辑分类器、判决树分类器、神经网络分类器以及支持向量机分类器等，而本发明中所选的是应用广泛并且具有较优性能的支持向量机。支持向量机(Support Vector Machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的基于统计学习理论中VC维理论和结构风险最小原理的一种新的学习方法，它是以置信范围值最小化为优化目标的。不同于基于经验风险最小化的原则的传统分类方法，支持向量机是在有限的样本情况下的学习行为，因此解决了小样本下的分类问题，由于引入VC维理论，从而避免了维数灾难的问题。

与此同时，支持向量机还引入了核函数思想，将复杂的非线性问题通过空间转换到线性空间求解，从而使算法更加简单。支持向量机以其完备的数学公式和超强的解决小样本、非线性、高维数据问题的能力，目前已应用到很多研究领域。例如人脸识别、数字识别、图像分类等。

匀质的高亮厚云在利用上面提到的特征通过分类器时能得到很好的分类效果，但对于非匀质云则不然。在非人工场景中，同一解译对象内部如果既有高亮像素又有低亮像素，则高亮像素和低亮像素之间必然有过渡的中间级灰度。所以，和匀质的高亮厚云相比，非匀质云的亮度较低、纹理丰富以及边缘大量存在。

由于统计性特征的模式识别框架会丢失大量的空域信息，所以在某些情况下，这些非匀质云与一些不同亮度混合型的解译对象（如山脉海陆交界处）在特征上很类似。从非匀质云低亮像素散布的这一特点出发，如果可以通过某种手段找到这些低亮像素，并把它们的灰度值调高，这样就可以将非匀质云改善为同质云，这时采用匀质云的判别方法就可以得到较好的分类效果。

发明内容

为了解决上述问题，本发明提出一种基于同质化处理的光学遥感图像非匀质云层判别方法，能够对非匀质云中的低亮像素进行灰度补偿，从而实现对非匀质云层的判别。

为了达到上面目的，本发明的基于同质化处理的光学遥感图像非匀质云层判别方法包括下列步骤：

一种基于同质化处理的光学遥感图像非匀质云层判别方法，包括下列步骤：

第一步：计算云的自适应门限：读入待判别图像，然后利用边缘改进的最大间类差法OTSU进行全局阈值处理，从而得到云的自适应门限；

第二步：提取两幅典型二值图：利用第一步得到的云的自适应门限对待判别图像进行二值化，得到云二值图；利用设定的海的固定亮度门限和Sobel边缘门限，对待判别图像进行二值化，得到海二值图，将云二值图和海二值图进行融合，得到云海二值图；

第三步：获得云的位置标记图：对第二步得到的云海二值图既膨胀又腐蚀，对海二值图只进行膨胀，然后利用处理后的两幅图得到云的位置标记图；

第四步：对待判别图像进行同质化处理：根据第三步得到的云的位置标记图，对待判别图像中的非云像素进行灰度补偿，从而使非匀质云变为匀质云；

第五步：特征提取及归一化：对第四步同质化处理后的图像提取灰度、纹理和边缘这些针对匀质厚云提取的特征，然后对特征进行归一化；

第六步：利用支持向量机进行判决：利用预先训练得到的模型，配合支持向量机的判决函数对第五步的归一化特征进行多分类，得到同质化处理后的判决结果，至此整个过程结束。

其中，第二步中对待判别图像提取两幅典型二值图采用下述方法：