[发明专利]一种基于随机森林的卫星遥感影像云量计算方法

权利要求书

1.一种基于随机森林的卫星遥感影像云量计算方法，其特征在于，包括以下步骤：

步骤1：样本获取；

收集不同类型的遥感云图影像以及不同类型的地物影像，切分遥感云图影像和地物影像，获得云、地物样本影像，将云样本影像和地物样本影像作为训练集；

步骤2：特征提取；

计算所有样本影像的灰度特征、频率特征和纹理特征矢量值，形成特征矢量集合；

步骤3：影像分类器训练；

使用随机森林方法来训练样本影像的特征矢量集合，得到由决策树森林构成的影像分类器；

步骤4：待测影像切分；

将待测卫星遥感影像的原始影像进行下采样以获取缩略图，对缩略图进行影像切分得到子影像，计算所有子影像的灰度特征、频率特征和纹理特征矢量值；

步骤5：影像分类；

将单个子影像的特征矢量值输入影像分类器，影像分类器中的每个决策树都对该特征矢量进行分类投票，最终按照它在“云类”和“无云类”得票的多少来判断对应的子影像是否为含云区域；

步骤6：云量计算；

用步骤5所述的方法对所有子影像进行分类，分类完毕之后即可计算该卫星遥感影像的云量百分比。

2.根据权利要求1所述的基于随机森林的卫星遥感影像云量计算方法，其特征在于：步骤1中所述的切分遥感云图影像和地物影像，获得云、地物样本影像，是对卫星遥感影像进行下采样获得缩略图，分别切分缩略图中的云图和无云图为32×32像素的样本影像。

3.根据权利要求1所述的基于随机森林的卫星遥感影像云量计算方法，其特征在于，步骤2的具体实现包括以下子步骤：

步骤2.1：计算样本影像的灰度特征；

选用灰度均值、灰度方差、一阶差分、直方图信息熵作为灰度特征矢量；其具体实现包括以下子步骤：

步骤2.1.1：计算样本影像的灰度均值：

其中，f(i,j)是影像在第i行、第j列的灰度值，M是影像的宽，N是影像的高；

步骤2.1.2：计算样本影像的灰度方差：

灰度方差反映了影像整体灰度的分布均匀程度；

步骤2.1.3：计算样本影像的一阶差分：

一阶差分表达了影像中灰度变化的剧烈程度；

步骤2.1.4：计算样本影像的直方图信息熵：

其中，Hist[g]是影像g的直方图，Hist[g](i)是在某灰度级i下的像素分布频率，直方图信息熵综合反映了影像灰度分布以及影像的有序程度；

步骤2.2：计算样本影像的频率特征；

选择傅里叶变换高频系数以及小波变换高频系数作为频率特征矢量，具体实现包括以下子步骤：

步骤2.2.1：计算样本影像的傅里叶变换高频系数，选择如下的傅里叶变换函数：

当u,v＝0时，C(u)C(v)＝2^-1/2；其他情况，C(u)C(v)＝1；

步骤2.2.2：计算样本影像的小波变换高频系数，使用多贝西小波中的哈尔小波基函数对影像进行小波变换，其表达式如下：

对应的尺度函数为：

步骤2.3：计算样本影像的纹理特征；

选择灰度梯度共生矩阵的二次统计量：梯度均方差、混合熵和逆差距，以及影像的纹理分数维作为纹理特征矢量，具体实现包括以下子步骤：

步骤2.3.1：首先计算出影像的灰度梯度共生矩阵H(i,j)，并对其进行归一化处理，得到归一化后的灰度梯度共生矩阵从而用于计算二次统计特征量；

步骤2.3.2：计算样本影像的梯度均方差，使用如下公式：

其中，T_avg为梯度平均，其表达式如下：

L_g表示最大灰度级，L_s表示最大梯度值；表示归一化后的灰度梯度共生矩阵；

步骤2.3.3：计算样本影像的混合熵，使用如下公式：

步骤2.3.4：计算样本影像的逆差矩，使用如下公式：

步骤2.3.5：计算样本影像的纹理分数维，使用分形布朗分维估计方法来求解影像的纹理分数维值，该方法的数学描述如下：

设X∈Rⁿ，f(X)是关于X的实随机函数，若存在常数H(0<H<1)，使得F(t)满足是一个与X，ΔX无关的分布函数时，则f(X)称为分形布朗函数；其中H称为自相似参数，则影像的分数维D的表达式为：

D＝n+1-H。