基于無抽樣小波變換的薄云自動檢測

基于無抽樣小波變換的薄云自動檢測

目前，單一圖像標準去除噪聲的方法采用直方圖適應法和圖像濾波法，并具有標準。直方圖匹配方法是基于統(tǒng)計意義上的薄云區(qū)域和清晰區(qū)域的直方圖相同或相近的假設之上的,且進行直方圖匹配后,薄云區(qū)域處理后的結果與清晰區(qū)域之間會有較為明顯的邊界過渡問題。圖像濾波法從Michell的云形成模型出發(fā),認為圖像中由云所引起的噪聲提高了圖像的低頻信息,削弱了圖像的高頻信息,因此可以通過構建一個適當的濾波器來將薄云從圖像中濾除。但是已有的幾種圖像濾波方法都是假設整幅圖像都被薄云所覆蓋,且云區(qū)域的厚度分布是相同的,這與實際情況并不完全符合,所以這樣的處理結果雖然能夠對薄云區(qū)域進行一定的去除,但是對無云覆蓋的清晰區(qū)域也會造成影響。本文針對單幅高分辨率全色波段的遙感影像,提出了一種基于無抽樣小波變換(undecimatedwavelettransform,UWT)的薄云自動檢測及去除方法。由于該算法是針對全色波段影像提出的,因此在檢測云覆蓋區(qū)域時,無法采取常用的多光譜檢測手段,而只能利用圖像本身的信息。同時,本文的工作是建立在下面三個假設的前提條件之上的:①圖像中有云覆蓋區(qū)域的亮度值要比圖像清晰區(qū)域的亮度值大,而且圖像中云覆蓋區(qū)域的清晰度比無云區(qū)域差;②云與地表地物相比,主要集中在圖像的低頻區(qū)域,而地物主要集中在圖像的高頻區(qū)域;③圖像中薄云的分布是有一定厚度變化的,它是一個從最厚處到清晰區(qū)域的逐漸減小的過程。從實際的遙感影像來看,大部分影像都是滿足該假設的。1低頻圖像云區(qū)的識別本文采用的是文獻中提出的無抽樣小波變換方法。由前面的假設可知,有云覆蓋區(qū)域的亮度相對要比無云區(qū)域的亮度值高,但是如果直接對原始圖像采用一個亮度閾值來進行分割,則圖像中地表的許多高反射率地物也會被誤識為云區(qū),而云區(qū)中較暗的部分又會造成漏識。但是在五層小波分解之后的低頻圖像中可以看到地物基本上無影響了,這樣就可以采用合適的閾值在低頻圖像中將云區(qū)識別出來。另外,由于圖像中云的厚度不是固定的,它是從云的最厚處到圖像最清晰區(qū)域的逐漸減小的過程。顯然,對于不同厚度的云區(qū),對其的處理強度也應該不同,云區(qū)厚度越大,處理強度也應該越大。同時考慮云區(qū)的高亮度和低清晰度特征,本文提出的云區(qū)的自動檢測和去除算法包括構建云區(qū)厚度掩膜、低頻處理和高頻處理三個步驟。1.1thca,i,tl3tl設圖像的小波分解層數為Dn,cA(i,j)是圖像經UWT分解后在最大尺度Dn上(i,j)點的低頻系數值。圖像經無抽樣小波變換后,在最大尺度上的低頻圖像cA上采用雙閾值方法來標識圖像中的云區(qū)厚度的漸變過程,即用上閾值Th和下閾值Tl(Th>Tl)來構建一個圖像的云區(qū)厚度掩膜,OTMask(i,j)=???????????1,cA(i,j)＞Th(cA(i,j)?Tl)/(Th?Tl),Th≥cA(i,j)≥Tl0,cA(i,j)＜Tl(1)ΟΤΜask(i,j)={1,cA(i,j)＞Τh(cA(i,j)-Τl)/(Τh-Τl),Τh≥cA(i,j)≥Τl0,cA(i,j)＜Τl(1)式中,OTMask(i,j)是圖像的云區(qū)厚度掩膜;cA(i,j)值越大,說明該像素點處的云越厚。在低頻圖像中,所有cA(i,j)>Th的區(qū)域都認為是云區(qū),所有cA(i,j)<Tl的區(qū)域都認為是清晰區(qū)域,而Th≥cA(i,j)≥Tl的區(qū)域則認為是云區(qū)和清晰區(qū)域之間的過渡區(qū)域。為了具有更好的自適應特性,采用歸一化的閾值來適應不同圖像變換域中的數值變化,具體實現如下:Th=cAmin+c1?(cAmax?cAmin)(2)Tl=cAmin+c2?(cAmax?cAmin)(3)Τh=cAmin+c1?(cAmax-cAmin)(2)Τl=cAmin+c2?(cAmax-cAmin)(3)式中,cAmin、cAmax是最大尺度低頻圖像cA中小波變換系數的最小值、最大值;c1、c2是參數。從試驗來看,c1的取值一般在0.3～0.6,c2的取值一般在0.2～0.4。確定了云區(qū)掩膜后,根據不同的云區(qū)厚度對圖像的低頻和高頻進行適當的處理。1.2低頻自適應變化云區(qū)對圖像的影響表現在有云覆蓋的區(qū)域亮度值要比無云覆蓋的清晰區(qū)域高,且云區(qū)在變換域上主要集中在低頻,其在小波分解后的低頻圖像數據值上的表現就是云區(qū)的低頻系數值要比清晰區(qū)域的低頻系數值大,因此,可以采用直接將圖像上云區(qū)的低頻系數值減小的辦法來達到對圖像上有云覆蓋區(qū)域的低頻進行抑制的目的。對低頻抑制的強度大小取決于云區(qū)的厚度,本文采用了一個局部自適應處理的方法來對云區(qū)的低頻進行調整。采用一個移動窗口在低頻圖像中滑動,對窗口內部的低頻系數值進行二次曲面擬合,從而得到窗口中心像素的擬合值,記為FV。Th作為云區(qū)厚度的上閾值,它的大小也就表示了人眼所能接受的無云區(qū)域平均亮度的上限,所以,對云區(qū)的低頻處理策略為:LC(i,j)=?????cA(i,j),OTMask(i,j)＜1cA(i,j)?FV(i,j)+Th,OTMask(i,j)=1(4)LC(i,j)={cA(i,j),ΟΤΜask(i,j)＜1cA(i,j)-FV(i,j)+Τh,ΟΤΜask(i,j)=1(4)式中,LC(i,j)是處理后的低頻圖像在(i,j)點的小波系數值;FV(i,j)為低頻圖像在(i,j)點的二次曲面擬合值。1.3高頻圖像相關參數在進行完圖像的低頻處理后,還需要對圖像的高頻部分進行適當的補償,補償方式與低頻相似,即云厚的區(qū)域處理強度大,云薄的區(qū)域處理強度小,無云的清晰區(qū)域不進行處理。處理表達式為:HC(i,j,k)=?????????????cD(i,j,k)?OTMask(i,j)=0cD(i,j,k)?[(cmax?1)?cA(i,j)?TlcAmax?Tl?e2?k+1],OTMask(i,j)＞0(5)ΗC(i,j,k)={cD(i,j,k)?ΟΤΜask(i,j)=0cD(i,j,k)?[(cmax-1)?cA(i,j)-ΤlcAmax-Τl?e2-k+1],ΟΤΜask(i,j)＞0(5)式中,HC(i,j,k)是處理后在第k(k=1,…,Dn)尺度下(i,j)點的高頻圖像系數值;cD(i,j,k)是處理前在第k尺度下(i,j)點的高頻圖像系數值(對圖像分解后,各層的水平方向、垂直方向和對角線方向上的高頻分量的處理方式是相同的);cmax是自定義的云區(qū)最厚位置的處理強度參數,cmax≥1。當cmax=1時,表示不進行高頻提升;cmax越大,表示高頻提升的強度越大,但如果cmax過大,反而又會引入不必要的噪聲,造成圖像的擾動。從試驗來看,其取值一般在1～3之間。值得注意的是,在低頻處理和高頻處理中,它們的處理條件閾值是不同的,低頻處理的下邊界為Th,高頻處理的下邊界為Tl,這樣做可以防止如果只采用同一個下邊界閾值會帶來的云區(qū)處理后的結果不能很好地向無云的清晰區(qū)域平滑過渡的問題,這也是采用雙閾值方法來表示云區(qū)厚度的目的和所帶來的好處。經過上述的低頻和高頻處理后,再對調整后的小波分解系數LC、HC進行無抽樣小波反變換,最后就可以得到一幅去除了薄云的圖像。2薄云去除效果對比圖1是一幅天津的SPOT衛(wèi)星全色波段遙感圖像(部分)采用本文算法處理后的效果圖和用文獻中的同態(tài)濾波方法與本文算法的對比結果。圖1(d)是為了與本文所提出的算法結果進行更好的比較,將圖1(c)的均值調整至與圖1(b)一致所得到的結果?？梢钥闯?直接采用同態(tài)濾波處理,圖像的整體亮度都得到了降低,也即圖像的無云覆蓋區(qū)域也會同時受到影響。即使將圖1(c)的均值調整至與本文算法的結果相同(實際在采用同態(tài)濾波方法處理時,這個調整量是未知的,需要依據人工經驗進行選擇),仍然可以看出,本文結果在云區(qū)去除的整體表現上也優(yōu)于同態(tài)濾波法。需要提及的是,可能在某些局部區(qū)域的視覺效果上,圖1(d)的清晰度要好于本文算法結果,這是由于本文算法采用的假設條件是圖像中存在有未被云區(qū)所覆蓋的清晰區(qū)域。而從圖1(a)中可以看出,實際上這些區(qū)域仍然被一層厚度近似相同的薄薄的大氣所覆蓋。采用同態(tài)濾波方法處理時,該方法對全圖的高頻信息都進行了提升,而本文算法則對這部分“清晰區(qū)域”不進行處理。實際上,當影像全圖都被一層厚度相同的大氣所覆蓋時,這種情況并不滿足本文前面所提到的第三個假設條件。對于“清晰區(qū)域”,仍然有一層厚度相同的薄云覆蓋的情況,或者是影像全圖都被一層厚度相同的大氣所覆蓋時,采用小波域圖像復原處理及非線性增強方法都取得了很好的優(yōu)于圖像濾波法的結果。圖2是一幅航空遙感圖像(部分)采用本文算法處理后的效果圖和用同態(tài)濾波方法與本文算法的對比結果。圖2(d)是將圖2(c)的均值調整至與圖2(b)一致所得到的結果?？梢钥闯?本文算法結果在云區(qū)去除和清晰區(qū)域的保護方面都要優(yōu)于圖像濾波法。表1是采用本文算法進行圖像處理前后的統(tǒng)計值以及所使用的參數值,其中,云區(qū)去除前后的圖像相關系數的計算采用的是歸一化互相關計算公式,它可以用來表示薄云去除前后兩幅影像的相似度。由于雙正交小波具有良好的線性相位特性,所以本文試驗采用的都是雙正交小波Bior5.5。從試驗結果圖與原始圖像數據的對比來看,在經過本文提出的算法處理后,圖像云區(qū)數據的均值明顯變小,表現在圖像上就是圖像云區(qū)的亮度下降,這與本文開始提到的云區(qū)對圖像的干擾是一致的。單從試驗結果圖與原始圖像的視覺效果上來看,本文提出的算法對無輔助信息的單幅遙感圖像中的薄云進行去除的效果也是比較明顯的。需要說明的是,統(tǒng)計數據表中并沒有引入常用圖像的均方差來表示圖像清晰度,這是由于有云的干擾,云區(qū)圖像的數據范圍很大,而圖像經過去云處理后,圖像的數據范圍相對變小了很多,這時如果還采用均方差來表示圖像的清晰度,反而不能真實地反映圖像的清晰程度了。3算法處理時,既與未算本文提出的