【摘要】：針對(duì)資源三號(hào)、高分一號(hào)等國產(chǎn)高分辨率衛(wèi)星影像波段少、光譜范圍受限的特點(diǎn),提出一種通過高斯混合模型擬合影像灰度直方圖從而自動(dòng)獲取灰度閾值的云檢測(cè)算法。首先由影像灰度直方圖自適應(yīng)地獲取高斯混合模型初始擬合參數(shù),然后依據(jù)期望最大原則對(duì)初始參數(shù)進(jìn)行調(diào)整,最后根據(jù)擬合模型中各高斯分量的分布特點(diǎn),自動(dòng)確定該波段影像中云與晴空之間的灰度閾值。實(shí)驗(yàn)表明,該算法不受限于衛(wèi)星光譜范圍,同時(shí)適用于含云和無云影像,檢測(cè)精度較高,且不需要輔助信息和人工干預(yù),可滿足自動(dòng)化生產(chǎn)的需要。
【圖文】：

２σｍ看作高斯分量Ｇ（ｘ｜θｍ）左右兩側(cè)的臨界點(diǎn)，其中ｋ２也是方差系數(shù)。若影像含云量較大，則以表征云的高斯分量Ｇ（ｘ｜θλ）的左臨界點(diǎn)μλ－ｋ２σλ作為閾值；若影像少云或者無云，則以表征地物的高斯分量Ｇ（ｘ｜θλ）為參照，通過判斷相鄰高斯分量的高頻區(qū)間是否相交，將位于低亮度區(qū)域的數(shù)個(gè)相干性較強(qiáng)的高斯分量都看作地物。最后以地物類別中最右側(cè)的高斯分量Ｇ（ｘ｜θα）的右臨界點(diǎn)μα＋ｋ２σα作為閾值。閾值選取流程如圖２所示。圖２閾值選取流程Ｆｉｇ．２ＦｌｏｗｃｈａｒｔｏｆＴｈｒｅｓｈｏｌｄＳｅｌｅｃｔｉｏｎ大量實(shí)驗(yàn)證實(shí)，對(duì)國產(chǎn)高分辨率衛(wèi)星，如果是全色影像，取系數(shù)ｋ２＝３，得到閾值Ｙ后即可通過閾值分割的方式獲取云區(qū)；如果是多光譜影像，取系數(shù)ｋ２＝２．５，分別計(jì)算紅、綠、藍(lán)三個(gè)波段的閾值ＹＲ、ＹＧ、ＹＢ，當(dāng)像素灰度同時(shí)滿足三個(gè)閾值的限制時(shí)，方可判定為云。２實(shí)驗(yàn)與分析選�。捶鶉a(chǎn)高分辨率衛(wèi)星影像作為實(shí)驗(yàn)數(shù)據(jù)。其中影像１、影像２為資源三號(hào)全色影像，分辨率為２．１ｍ，大小為２４５３０×２４５７５像素；影像３、影像４為高分一號(hào)多光譜影像，分辨率為８ｍ，大小為４５４８×４５００像素。影像１中間區(qū)域被厚云覆蓋，厚云邊緣和影像左上角存在少量薄云，晴空部分為山地；影像２無云，，主要地物為山地和城鎮(zhèn)；影像３存在大量卷積云，晴空部分為河水和城鎮(zhèn)；影像４無云，主要地物為農(nóng)田和城鎮(zhèn)。使用文獻(xiàn)［１５］中提到的帶限定條件（對(duì)比實(shí)驗(yàn)需要部分人工干預(yù)）的Ｏｔｓｕ算法進(jìn)行

第４２卷第６期康一飛等：基于高斯混合模型法的國產(chǎn)高分辨率衛(wèi)星影像云檢測(cè)圖３資源三號(hào)含云影像檢測(cè)效果Ｆｉｇ．３ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔｓｏｆＺＹ－３ＣｌｏｕｄｙＩｍａｇｅｓ圖５高分一號(hào)含云影像檢測(cè)效果Ｆｉｇ．５ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔｓｏｆＧＦ－１ＣｌｏｕｄｙＩｍａｇｅｓ圖７資源三號(hào)含云影像直方圖及閾值Ｆｉｇ．７ＨｉｓｔｏｇｒａｍａｎｄＴｈｒｅｓｈｏｌｄｏｆＺＹ－３ＣｌｏｕｄｙＩｍａｇｅｓ圖４資源三號(hào)無云影像檢測(cè)效果Ｆｉｇ．４ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔｓｏｆＺＹ－３ＣｌｏｕｄｌｅｓｓＩｍａｇｅｓ圖６高分一號(hào)無云影像檢測(cè)效果Ｆｉｇ．６ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔｓｏｆＧＦ－１ＣｌｏｕｄｌｅｓｓＩｍａｇｅｓ圖８資源三號(hào)無云影像直方圖及閾值Ｆｉｇ．８ＨｉｓｔｏｇｒａｍａｎｄＴｈｒｅｓｈｏｌｄｏｆＺＹ－３ＣｌｏｕｄｌｅｓｓＩｍａｇｅｓ表１資源三號(hào)影像檢測(cè)評(píng)價(jià)參數(shù)Ｔａｂ．１ＰａｒａｍｅｔｅｒｓｏｆＺＹ－３Ｉｍａｇｅｓ參數(shù)本文算法Ｏｔｓｕ算法含云總體精度０．９７８５４１０．９４６６９１Ｋａｐｐａ系數(shù)０．９１８７２４０．７３２８２２無云總體精度０．９９０３９７０．９５９３０７Ｋａｐｐａ系數(shù)／／圖７、圖８、圖９、圖１０中，各自的（ａ）、（ｂ）、（ｃ）子圖均表示本文實(shí)驗(yàn)閾值選取的過程，其中綠色曲線表示高斯分量，黃色曲線表示最大高斯分量，藍(lán)色曲線表示疊加后的高斯混合模型，初始閾表２高分一號(hào)影像檢測(cè)評(píng)價(jià)參數(shù)Ｔａｂ．２ＰａｒａｍｅｔｅｒｓｏｆＧＦ－１Ｉｍａｇｅｓ參數(shù)本文算法Ｏｔｓｕ算法含云總體精度０．９８６１９１０．９

【相似文獻(xiàn)】

相關(guān)期刊論文 前1條

1 向晶;周紹光;陳超;;基于改進(jìn)高斯混合模型的遙感影像道路提取[J];測(cè)繪工程;2014年03期

相關(guān)博士學(xué)位論文 前1條

1 陶建斌;貝葉斯網(wǎng)絡(luò)模型在遙感影像分類中的應(yīng)用方法研究[D];武漢大學(xué);2010年

本文編號(hào)：2578330