[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

说明书

本发明公开了一种由粗到精的时序遥感影像厚云检测与去除方法。首先对影像进行预处理，包括超像素分割和转换时序影像构成矩阵。利用低秩理论和结构性稀疏理论分别对背景(理想的无云地表信息)和前景(云及其阴影)进行建模，利用鲁棒主成分分析框架并引入仿射变换模型将时序影像分离成前景和背景，得到超像素级的云及云阴影区域。再对云区和非云区设置不同的尺度因子，利用原始鲁棒主成分分析进行分解，完成遥感序列影像的厚云去除。本发明针对未配准的多时相遥感影像序列，大大提高了遥感影像厚云去除的精度和效率，并且可生成高精度云及云阴影检测产品，具有极高的多时相遥感影像研究及应用价值。

技术领域

本发明属于遥感影像处理技术领域，涉及一种由粗到精的时序遥感影像厚云检测与去除方法。

背景技术

受光学传感器成像机理影响，遥感影像不可避免的存在云遮挡，导致影像质量受到严重影响。厚云遮挡使得地表信息完全缺失，其附带的云阴影也严重改变光谱信息，破坏了遥感影像的整体一致性，严重阻碍了地物分类、判别等工作。因此，去除遥感影像中云及云阴影污染，修复相应地表信息具有重要意义。

传统的遥感影像去云方法往往针对单张影像或者两期影像进行云遮挡信息修复。基于单张影像修复的方法根据云区周围无云像元向云区内部传递内插，随着云区的增大，其不确定性不断增加，导致修复准确性严重下降。利用相近时相无云影像作为参考影像进行修复是目前主要采用的策略。最基本的方法是将目标影像云区替换为参考影像的无云像素，并采用匀色与融合方法来消除填补影像块与目标影像间的色差，同时消除拼接缝效应。与此类似，以参考影像梯度信息作为引导，对参考影像进行信息克隆也能获得较好的修复结果。另一类方法利用参考影像定位与云区像元相似的像元进行云区信息修复，包括目标影像上自身的相似像元和参考影像上的相似像元，这类方法可以一定程度上克服季节性变化造成的色差。这些方法都对云区大小敏感，存在云区过大时修复精度和效率大打折扣的问题。近年来，机器学习也被应用于遥感影像云去除，比如基于稀疏表示、压缩感知和深度学习的方法。然而，目前稀疏表示的方法修复结果存在模糊效应，且字典学习时间成本非常高；压缩感知法对云区大小和云区覆盖的地物类别敏感；深度学习受限于训练样本的种类和数量。所有基于无云参考影像的方法都假设目标影像与参考影像严格配准(即像素级配准)，导致了此类方法的实用性受限。遥感影像数据量庞大，同一地点多期覆盖影像充足，利用多时相的影像序列进行高精度高效率的批量影像云去除尚无公开的研究与技术。

发明内容

本发明的目的是解决多时相遥感影像序列批量去云的问题，提供了一种准确高效的云区地表信息修复的方法，它能够处理未配准的影像序列，同时可以生成较高精度的像素级云及其阴影检测产品，对大批量时序遥感含云序列影像修复精度高，效率高。

本发明提供一种由粗到精的时序遥感影像厚云检测与去除方法，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(理想的无云地表信息)和前景(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，对云区和无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。