[发明专利]一种由粗到精的时序遥感影像厚云检测与去除方法

权利要求书

1.一种由粗到精的时序遥感影像厚云检测与去除方法，其特征在于，包括以下步骤：

步骤1，数据准备，选取一定数量且覆盖同一兴趣区域的多时相含云影像构成影像序列；

步骤2，对每张影像进行超像素分割，并将分割后的超像素块作为云及阴影粗提取的处理单元；

步骤3，每张影像存储成列向量并将像素值归一化成0到1，将影像序列按获取时间排列成一个矩阵，其行为单张影像的像素数，其列为总影像个数；

步骤4，利用低秩模型和结构性稀疏模型分别对背景，即理想的无云地表信息，以及前景，即云及其阴影进行建模，引入仿射变换模型，构建矩阵分解目标函数，采用鲁棒主成分分析框架对输入含云影像序列组成的矩阵进行求解分离，完成序列影像的配准和云及其阴影区域超像素级的粗提取；

步骤5，构建修复目标函数，利用原始的鲁棒主成分分析方法，对云区和非云区设置不同的尺度因子，完成对序列影像云区信息修复和像素级云及其阴影检测；

步骤6，将步骤5得到的含云影像修复结果和云及阴影检测结果根据步骤3的逆处理，输出序列影像去云结果和云及其阴影检测结果。

2.根据权利要求1所述的一种由粗到精的时序遥感影像厚云检测与去除方法，其特征在于：步骤1中选取的影像数量不少于保证每个像素对应物方位置被至少观测到一次的最少影像数，即所有含云影像的无云像素至少能拼成一张无云影像。

3.根据权利要求1所述的一种由粗到精的时序遥感影像厚云检测与去除方法，其特征在于：步骤2中采用SLIC分割算法将每张影像分割成若干超像素块。

4.根据权利要求1或2或3所述的一种由粗到精的时序遥感影像厚云检测与去除方法，其特征在于：步骤4的具体实现包括以下子步骤，

步骤4.1，根据背景低秩假设和前景结构性稀疏假设，构建矩阵分解目标函数：

其中，L为低秩矩阵，表示背景，S为稀疏矩阵，表示前景，D表示输入矩阵；λ表示平衡系数，τ表示仿射变换，vec()表示将影像转成列向量；n和K分别表示总影像数和每张影像超像素块个数，表示每个超像素块的权值，表示每个超像素；||·||_*为核范数，表示矩阵特征值的和；||·||_∞为无穷范数，表示一组数值中的最大值；

步骤4.2，利用非严密增广拉格朗日乘子法将步骤4.1的目标函数进行转化：

其中，Y表示拉格朗日乘子，μ表示一个正的标量，为Frobenius范数的平方，表示矩阵所有像素的平方和；求解包括执行以下步骤：

步骤4.2.1，初始化L，S，τ，Y，μ，ρ；

步骤4.2.2，计算L，将步骤4.1公式转化为关于求解L的子问题：

步骤4.2.3，计算S，将步骤4.1公式转化为关于求解S的子问题：

步骤4.2.4，更新τ＝τ+Δτ；

步骤4.2.5，更新

步骤4.2.6，更新μ＝ρμ；

步骤4.2.7，计算迭代条件，若满足终止条件则终止，否则回到步骤4.2.2，直到收敛终止迭代，输出配准好的含云影像序列和对应的云及其阴影区域掩膜。

5.根据权利要求4所述的一种由粗到精的时序遥感影像厚云检测与去除方法，其特征在于：步骤5的具体实现包括以下子步骤，

步骤5.1，构建云区信息修复目标函数：

其中，P_Ω表示云及云阴影掩膜，P_Ω-表示无云区域掩膜，α，β表示不同的尺度因子，表示步骤4得到的配准后序列影像转换成的输入矩阵，||·||₁为l₁范数，表示所有元素绝对值的和；

步骤5.2，利用非严密拉格朗日乘子法求解步骤5.1目标函数，包括执行以下步骤：

步骤5.2.1，初始化L，S，Y，μ，ρ；

步骤5.2.2，计算L，

步骤5.2.3，计算S，

步骤5.2.4，更新

步骤5.2.5，更新μ＝ρμ；

步骤5.2.6，计算迭代终止条件，若满足终止条件则终止，否则回到步骤5.2.2，直到收敛终止迭代，输出矩阵L和S。

6.根据权利要求5所述的一种由粗到精的时序遥感影像厚云检测与去除方法，其特征在于：步骤6的具体实现包含以下子步骤，

步骤6.1，根据步骤5得到的S矩阵，设定阈值T对S进行二值化以获取像素级云以及阴影检测结果，其中，阈值T为矩阵S每一列的标准差，矩阵S每一列对应每一张影像；

步骤6.2，将步骤5得到的低秩矩阵L和步骤6.1得到的检测结果根据步骤3进行逆处理，输出最终去除了厚云及云阴影的序列影像和对应的云及云阴影检测产品。