【摘要】：針對資源三號、高分一號等國產(chǎn)高分辨率衛(wèi)星影像波段少、光譜范圍受限的特點,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獲取灰度閾值的云檢測算法。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)期望最大原則對初始參數(shù)進行調(diào)整,最后根據(jù)擬合模型中各高斯分量的分布特點,自動確定該波段影像中云與晴空之間的灰度閾值。實驗表明,該算法不受限于衛(wèi)星光譜范圍,同時適用于含云和無云影像,檢測精度較高,且不需要輔助信息和人工干預(yù),可滿足自動化生產(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，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)個相干性較強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大量實驗證實，對國產(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，分別計算紅、綠、藍三個波段的閾值ＹＲ、ＹＧ、ＹＢ，當(dāng)像素灰度同時滿足三個閾值的限制時，方可判定為云。２實驗與分析選取４幅國產(chǎn)高分辨率衛(wèi)星影像作為實驗數(shù)據(jù)。其中影像１、影像２為資源三號全色影像，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［１５］中提到的帶限定條件（對比實驗需要部分人工干預(yù)）的Ｏｔｓｕ算法進行

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)星影像云檢測圖３資源三號含云影像檢測效果Ｆｉｇ．３ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔｓｏｆＺＹ－３ＣｌｏｕｄｙＩｍａｇｅｓ圖５高分一號含云影像檢測效果Ｆｉｇ．５ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔｓｏｆＧＦ－１ＣｌｏｕｄｙＩｍａｇｅｓ圖７資源三號含云影像直方圖及閾值Ｆｉｇ．７ＨｉｓｔｏｇｒａｍａｎｄＴｈｒｅｓｈｏｌｄｏｆＺＹ－３ＣｌｏｕｄｙＩｍａｇｅｓ圖４資源三號無云影像檢測效果Ｆｉｇ．４ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔｓｏｆＺＹ－３ＣｌｏｕｄｌｅｓｓＩｍａｇｅｓ圖６高分一號無云影像檢測效果Ｆｉｇ．６ＤｅｔｅｃｔｉｏｎＲｅｓｕｌｔｓｏｆＧＦ－１ＣｌｏｕｄｌｅｓｓＩｍａｇｅｓ圖８資源三號無云影像直方圖及閾值Ｆｉｇ．８ＨｉｓｔｏｇｒａｍａｎｄＴｈｒｅｓｈｏｌｄｏｆＺＹ－３ＣｌｏｕｄｌｅｓｓＩｍａｇｅｓ表１資源三號影像檢測評價參數(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）子圖均表示本文實驗閾值選取的過程，其中綠色曲線表示高斯分量，黃色曲線表示最大高斯分量，藍色曲線表示疊加后的高斯混合模型，初始閾表２高分一號影像檢測評價參數(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】

相關(guān)期刊論文 前1條

1 向晶;周紹光;陳超;;基于改進高斯混合模型的遙感影像道路提取[J];測繪工程;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：2578330