[发明专利]一种可见光、近红外遥感影像云检测方法

说明书

本发明公开了一种可见光、近红外遥感影像云检测方法，涉及图像处理技术领域，包括如下步骤：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；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；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；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。本发明提出的算法过程无须人工标注样本，无须大量的先验知识，降低了使用门槛，提高了实用性。

技术领域

本发明涉及图像处理技术领域，尤其是涉及一种可见光、近红外遥感影像云检测方法。

背景技术

在过去的十年中，针对各种传感器，科研人员提出了不同的云检测算法。总体来看，这些算法可以分为三类，即监督分类、非监督分类和半监督分类方法。其中，非监督分类方法无需知道云与非云样本的先验知识，即可依据一定规则实现云与非云区域的识别。

现有的半监督云检测方法主要使用多波段影像和可见光三波段影像。但存在如下问题：多波段影像常使用热红外信息实现云与冰雪的分离，可是并不是所有传感器都含有热红外通道；可见光三波段影像难以高精度区分冰雪与云、浑浊水体与云、高亮建筑物与云等。

目前，Li等(2017)利用了光谱、纹理和几何信息，通过逐步细化过程，实现了4波段高分数据的云检测，取得了较好的结果。但是该方法涉及了大量与GF-1数据相关先验参数，这些阈值并不能直接应用于其他可见光、近红外遥感数据中。

发明内容

本发明的目的在于提供一种可见光、近红外遥感影像云检测方法，以解决现有技术中先验参数使用量大、算法使用门槛高的技术问题。

本发明提供一种可见光、近红外遥感影像云检测方法，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。

进一步，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＝{R_B，R_G，R_R，R_NIR，R_DC}

其中，R_B、R_G、R_R和R_NIR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；