[发明专利]一种可见光、近红外遥感影像云检测方法

权利要求书

1.一种可见光、近红外遥感影像云检测方法，其特征在于，包括如下步骤：

S1，特征提取：选取可见光、近红外影像的反射率、光谱指数、纹理和结构特征，以对云的特征进行数学表征；

S2，训练样本选择：结合影像的暗通道反射率、归一化植被指数和白度指数，提出了一种训练样本自动提取算法，使用白度指数作为细节信息提取数据源，精确提取云和非云训练样本；

S3，支持向量机分类：基于样本及其特征描述，采用支持向量机分类对可见光、近红外遥感影像进行初分类；

S4，后处理：在支持向量机分类基础上进行导向滤波、孔洞填充和几何判断后处理，以获取最终的云检测结果；所述特征提取包括如下步骤：

S11，反射率特征：

令每个像素点的反射率特征为F_R，则F_R的表达式为：

F_R＝{R₁,R₂,R₃,R₄,R_DC}

其中，R₁、R₂、R₃和R₄分别表示蓝、绿、红和近红外波段的反射率，R_DC表示该四波段图像的暗通道图像；

S12，光谱指数特征：

每个像素点的光谱指数F_I的表达式为：

F_I＝{NDVI,Whiteness}

其中，NDVI表示归一化植被指数，其定义式为：

即近红外与红光波段的反射率差值除以二者的和值；

其中，Whiteness是白度因子，并对其进行改进，其改进的定义式如下：

M＝(R₁+R₂+R₃+R₄)/4

其中i＝1,2,3,4分别表示遥感影像的蓝、绿、红和近红外四个波段序号；

S13，纹理特征：

使用Gabor特征来描述图像纹理信息的特征，Gabor滤波器的定义式如下：

其中，

x′＝xcosθ+ysinθ

y′＝-xsinθ+ycosθ

其中，λ为使用的正弦函数的波长，θ表示其方向，σ是高斯函数的方差；

S14，结构特征：

对于输入图像I，结构特征S的表达式为：

其中，ε是一个小常数，N为图像数，λ为平衡值，φ_x(i)、φ_y(i)、Ψ_x(i)和Ψ_y(i)表示为窗口内的绝对空间差异，其定义式为：

其中，g_i,j为权值函数，其计算公式为：

在所述反射率特征、光谱指数特征、纹理特征和结构特征获取之后，将各维特征进行归一化处理，其计算公式为：

其中，F’和F是归一化后和归一化前的特征，F_max和F_min为该维特征的最大值和最小值；所述训练样本选择包括如下步骤：

S21，暗通道反射率判断：

采用改进Otsu方法实现云与背景的区分，Otsu阈值的获得可通过优化如下方程获得：

其中，

p_i是取值为i的概率，由于暗通道反射率的取值范围为0～1，现将其线性拉伸为0～255，最终获得的阈值T'为：

S22，NDVI判断：

设定阈值为α，即当某像素的NDVIα时，被划分为水体，当NDVIα时，被划分为潜在云区域；

S23，Whiteness判断：

使用多尺度边缘保持分解方法MED获取Whiteness指数图像在不同尺度上的细节信息D，其表达式为：

D＝MED(Whiteness)

采用Otsu方法将上述细节信息D二值化，将二值化后值为1的区域认定为细节信息，这部分像素点被划分为非云样本，将二值化后值为0的区域认定为非细节区域，这些像素点被划分为云样本区域；

通过所述暗通道反射率判断、NDVI判断和Whiteness判断三个步骤，可以获得场景图像中的云样本和非云样本，给定这些样本区域的反射率特征、光谱指数特征、纹理特征和结构特征，即可训练支持向量机分类器，通过该分类器，即可实现初步云检测。