环境二号卫星多光谱图像的薄云检测及去除.pdf

第 18 卷 第 4 期2023 年 7 月大 气 与 环 境 光 学 学 报JOURNAL OF ATMOSPHERIC AND ENVIRONMENTAL OPTICSVol.18 No.4Jul.2023环境二号卫星多光谱图像的薄云检测及去除环境二号卫星多光谱图像的薄云检测及去除郭庭威 1,2,黄红莲 1*,孙晓兵 1,刘 晓 1,提汝芳 1(1 中国科学院合肥物质科学研究院安徽光学精密机械研究所,中国科学院通用光学定标与表征技术重点实验室,安徽 合肥 230031;2 中国科学技术大学,安徽 合肥 230026)摘要:在遥感图像中，大面积的薄云会使得地物信息被遮蔽，从而对后续图像的判读以及应用产生极大的影响。为消除卫星图像中薄云对下垫面的影响，开发了针对多光谱图像的薄云检测与去除算法。该算法首先利用蓝绿波段合成外推波段，通过暗像元搜索，生成薄云厚度图(HTM)和薄云掩膜图，进而得到无云区像元与云区像元；再计算图像每个波段的HTM，利用外推波段的HTM与每个波段的HTM求得每个波段的线性回归系数，由该系数对图像进行薄云去除。将该方法应用于环境减灾二号(HJ-2A/B)卫星的多光谱图像，研究结果表明，对不同地表类型，薄云去除后图像质量均得到明显的提升，能够清晰地展现出薄云下覆盖的地物信息，并且不影响无云区域的图像质量。利用该算法进行薄云去除后，卫星多光谱图像的清晰度、对比度和标准差都有显著的提升，为后续图像应用提供了质量保障。关 键 词:遥感影像;薄云去除;云检测;薄云厚度图;环境减灾二号卫星中 图 分 类 号:TP751 文 献 标 识 码:A 文章编号:1673-6141(2023)04-383-018Detection and removal of thin clouds in multispectral images of HJ-2A/B satellitesGUO Tingwei 1,2,HUANG Honglian 1*,SUN Xiaobing 1,LIU Xiao 1,TI Rufang 1(1 Key Laboratory of Optical Calibration and Characterization,Anhui Institute of Optics and Fine Mechanics,HFIPS,Chinese Academy of Sciences,Hefei 230031,China;2 University of Science and Technology of China,Hefei 230026,China)AbstracAbstract t:In remote sensing images,large areas of thin clouds can obscure ground object information,which has a great impact on subsequent interpretation and application of the images.In order to eliminate the influence of thin clouds on the underlying surface in satellite images,an algorithm for thin cloud detection and removal in multispectral images is developed.In the algorithm,the blue-green bands is used to synthesize extrapolated bands firstly,and then cloud thickness map(HTM)and thin cloud mask map are generated through dark pixelsearch,thereby obtaining cloud-free area pixel and cloud area pixel.Secondly,DOI:10.3969/j.issn.1673-6141.2023.04.008基金项目:高分重大专项(30_Y20A010_9007_17/18)作者简介:郭庭威(1996-),重庆人,硕士研究生,主要从事遥感图像大气校正算法以及软件方面的研究。E-mail:导师简介:黄红莲(1980-),女,山东嘉祥人,博士,副研究员,硕士生导师,主要从事光学遥感信息处理及应用、光学偏振成像仿真和大气特性参数反演等方面的研究。E-mail:收稿日期:2023-02-09;修改日期:2023-04-06*通信作者。大 气 与 环 境 光 学 学 报18 卷the HTM of each band is calculated,then both of the HTM of the extrapolated band and the HTM of each band are used to obtain the linear regression coefficient of each band.Finally,the images are subjected to thin cloud removal based on the coefficients.The method is applied to the multispectral images of Huanjing Jianzai-2A/B(HJ-2A/B)satellites.The results show that for different surface types,the image quality is significantly improved after removing thin clouds,and the ground object information covered by thin clouds can be clearly displayed,without affecting the image quality of cloud-free areas at the same time.After using this algorithm to remove thin clouds,the clarity,contrast and standard deviation of the multispectral images can be significantly improved,which provides quality assurance for subsequent image applications.K Keyey wordswords:remote sensing image;thin cloud removal;cloud detection;haze thickness map;HJ-2 satellite0 引 言近年来,遥感技术的飞速发展使得遥感卫星可以拍摄到更加清晰的卫星图像。通过遥感卫星获取到的大量遥感图像为天气预报、自然灾害监测和军事观察等领域提供了重要的指导与参考1。然而由于大气中云层的存在,遥感图像中会出现云层遮挡住地物的情况,使得遥感图像难以利用,这给遥感图像的应用带来了极大的困扰。因此去掉遥感图像中的云层干扰、提高图像的利用率具有极其重要的意义。云层主要分为厚云和薄云两类。薄云指云的光学厚度较小,有着较为良好的透光性，可以较为容易地透过太阳辐射,通常呈现半透明的状态2。薄云下覆盖了大量的地物信息,并且薄云会散射和反射太阳光线,导致进入传感器中的地物光谱失真3。目前,针对光学遥感卫星图像薄云去除的算法根据算法处理域的区别大致划分为基于频率域和空间域这两大类。基于频率域的薄云去除算法的原理是根据在频率域中薄云表现为低频这一特性进行薄云去除,其中具有代表性的包括同态滤波器与小波变换两种去云算法4,5,这两种算法的共同问题是在算法处理过程中会将图像的低频信息屏蔽掉,从而导致图像中无云区域的地物信息会被过滤掉,使得薄云去除后遥感图像失去原有的细节信息。基于空间域的去云算法丰富多样。其中利用图像光谱特性进行去云的代表性算法有雾度优化转换(HOT)算法6,该算法主要是利用光谱响应对各种地物类型表现不同的原理以及在晴空条件下光谱响应与每个波段之间的对应关系,该算法对于覆盖在植被等地物类型上空的薄云有比较好的去除效果,但是对于地物类型为高亮区域的情况会产生过校正问题。基于辐射传输模型进行去云的代表性算法有基于经验和辐射传输模型(RTM-based)的去云算法7,该算法应用于单一的地物类型(比如植被)时往往表现出比较好的性能,但是针对复杂地物类型反演得到的薄云反射率往往包含丰富的地物信息,这会对算法的性能造成一定影响。基于空间域的去云算法还包括利用独立成分分析(ICA)的薄云去除算法8,该算法利用变换将图像和卷云探测波段转变成相应数量的独立分量,去除与卷云波段相似的分量后再逆变换,最终得到去除薄云的图像,该算法满足大部分应用场景,但是也会存在不能将云干扰彻底清除的情况。基于图像转换进行去云的算法,主要是把含有云的遥感图像进行特定的变换使其转变为另外一类不同的信号,通过转变将图像中含有的云成分与地物信息进行分离,其中缨帽变换是一种基于图像物理特征的经验线性变换9,通过转换得到变换分量,去除分量中的第四分量后再进行逆变换,最终可得到去除薄云后的图像。而基于薄云厚度图(HTM)估计算法10是通过在整个图像上进行局部非重384第 4 期郭庭威，等：环境二号卫星多光谱图像的薄云检测及去除叠搜索暗目标,对暗目标的搜索使得能够建立一个HTM,利用对薄云影响的简化加法模型的假设,从薄云图像中减去HTM可以恢复传感器的无云噪声的信号。该算法效率较高,充分考虑了图像中各个波段对云噪声的敏感性,并且该算法对无云区域影响较小。环境减灾二号卫星01组A、B(HJ-2A/B)卫星主要是应用于灾害与环境监测的对地遥感卫星,发射于2020年9月27日,其中每颗卫星配置了4类光学载荷11,包括16 m分辨率相机、红外相机、大气校正仪、高光谱成像仪。其中16 m相机以推扫方式在距离地面645 km的太阳同步轨道对地面景物成像,所得图像包含蓝、绿、红、近红外和红边5个谱段，分别成像在4片12000像元长线阵CCD探测器上,空间分辨率优于16 m,每块成像幅宽大于200 km,总幅宽800 km,总视场角大小为62.612。本文针对HJ-2A/B多光谱图像的特点,研究HTM算法的关键因素：外推蓝波段、薄云掩膜和每个波段HTMi图中非重叠窗口大小设置,使用多光谱相机拍摄到的遥感影像作为实验数据,针对不同地物类型分别选取不同的遥感影像,将HTM算法应用在所选取的遥感图像上,恢复薄云下地物信息。1 基本原理有云时,遥感图像的生成主要包含两类电磁波辐射,当太阳光线照射在云层上时,一部分会直接反射给传感器 13,另一部分则会透过云层照射到地物上后反射再穿过云层干扰后传递给传感器。假设地物信息中任何对象到传感器的距离为常数,并且薄云影像区域的信号主要由两部分因素组成,可以将简化的成像模型描述为14Lsensor=L0+H,(1)式中Lsensor表示获取的辐射,L0是无云路径辐射和表面反射辐射的总和,H是薄云分量。假设灰度(DN)值到辐照度的转换是线性的,该方法同样适用于每个波段的DN值。式(1)可以表示为dsensor i(xy)=di(xy)+HTM i(xy),(2)式中dsensor i(xy)是通过传感器获取到的DN值,i是波段号,(xy)是遥感图像中像素的坐标,di(xy)是不受薄云影响的DN值,HTM i(xy)是以DN值表示的各波段的薄云厚度图。因此,通过从记录的dsensor i(xy)中减去HTM i(xy)以得到无云的图像。1.1 HTMHTM主要是使用局部非重叠窗口搜索图像上的暗像元得到的,逐像元搜索暗像元可能导致在非阴影或明亮对象上选择像元,所以逐像元搜索不能用于估计薄云的厚度。并且非重叠窗口会增加在阴影区域上定位暗像元的机会,较大的窗口更加容易检测到暗像元,但是一些边界区域可能会被平滑,导致HTM的值偏低,然而更小的窗口有利于更好地评估薄云厚度。通过窗口搜索到的暗像元存储在一个矩阵中,通过中值滤波器平滑,并插值(三次插值)到原始图像的大小。高亮地物会干扰HTM的准确估计,必须检测这些地物,将其标记为不适合进行HTM评估。这些对象通过分割方法进行标记,并从搜索中排除,使用表观反射率可以获得较准确的判断结果15Pbright=*(dNIR)0.1,(3)并且385大 气 与 环 境 光 学 学 报18 卷*(dblue)Tblue,(4)或者*(dred)Tred,(5)式中Pbright代表高亮区域像元点,*(dNIR)是近红外波段的表观反射率,dNIR代表近红外波段的DN值,*(dblue)是蓝波段的表观反射率,dblue代表蓝波段的DN值,*(dred)是红波段的表观反射率,dred代表红波段的DN值,并且蓝、红波段的表观反射率阈值Tblue、Tred为Tblue=*(dblue)+2STDEV*(dblue),(6)Tred=*(dred)+2STDEV*(dred),(7)式中*(dblue)、*(dred)是蓝、红波段表观反射率的均值,STDEV*(dblue)、STDEV*(dred)是蓝、红波段表观反射率的标准差。在多光谱图像中,应在具有最小地面反射率和最大薄云信号分量的波段中搜索暗像元,蓝波段比较适合,红波段和近红外波段的地面反射率较高,不适用于陆地。然而,直接使用蓝波段会导致蓝波段过度拉伸,为了避免这个问题,通过对蓝波段和绿波段进行线性外推,创建一个新合成波段bext(xy),其表达式为bext(xy)=B(xy)+B(xy)-0.95G(xy),(8)式中 B(xy)、G(xy)是蓝、绿波段的像元的DN值。外推波段的表面反射率较小,薄云厚度较高,可以更加精确地估计HTM。可使用33像元中值滤波器去除外推波段中的噪声像元。首先，使用外推蓝波段代替传感器特定蓝波段,以提高HTM计算的质量。因此,外推蓝波段用于暗像元搜索,非重叠窗口大小对于准确估计HTM有重要的作用,HTM(xy)是薄云厚度图的像元值,通过整幅图像上每个非重叠窗口中最小的DN值确定HTM(xy)=MINbext(xy),(9)式中是非重叠窗口的大小。同样,选定的暗像元(窗口大小为)存储在一个大小为(n/m/)的矩阵中,其中(nm)是原始图像的大小,该矩阵中值滤波(33像元)后使用三次插值调整为原始图像的大小。其次，创建薄云掩膜去标记有云区域与无云区域。这种掩膜是基于具有中等大小窗口2以及由HTM(2)计算的均值和均方差值组合的阈值Th生成的,该中等大小窗口2对于薄云区以及无云区的判断有着直接的影响,Th是薄云厚度图中像元点的阈值Th=-HTM(xy2)+xSTDENHTM(xy2),(10)式中-HTM(xy2)是在窗口大小为2时生成的薄云厚度图中所有DN值的均值,STDEVHTM(xy2)是薄云厚度图中DN值的标准差。如果满足条件HTM(xy2)Th,像元被归类为无云,否则就被归类为薄云,默认x=0。当x 0时,则更少像元被标记为薄云。386第 4 期郭庭威，等：环境二号卫星多光谱图像的薄云检测及去除1.2 每个波段的HTM首先计算每个波段临时的HTMi(xy),并将HTMi(xy)与HTM(xy)的比值作为回归系数ki存储在数组K中。使用薄云掩膜中标记为薄云的像元计算回归系数。ki的序列应该随着波长增大而减小,即ki+1 ki,并对数组K进行线性缩放至合适的范围内,HTMi(xy)是每个波段计算所得的临时薄云厚度图,HTMi(xy)中像元的值由各波段中在每个非重叠窗口3中的最小值确定,即HTMi(xy)=MINbi(xy3),(11)式中i是波段号,bi(xy3)是波段i的DN值。非重叠窗口大小3对于拟合得到的线性回归系数有着直接的影响,ki是斜率：ki=SLOPEHTM(xy)HTMi(xy).(12)最终每个波段特定的HTM i(xy)为HTM i(xy)=HTMi(xy)ki.(13)1.3 薄云去除从dsensor i(xy)中减去HTM i(xy)可以恢复去薄云的波段：di(xy)=dsensor i(xy)-HTM i(xy).(14)这种减法通过HTM从图像中移除薄云影响。然而,HTM包括薄云和清晰场景的气溶胶,薄云去除需要保留气溶胶的影响,从而不影响后续的大气校正。因此,需要计算原始图像Moriginali 中晴空区域的平均DN值与校正区域Mdehazedi 的平均DN值之间的差值,并将该差值加到di(xy)中,具体计算公式为dfinali(xy)=di(xy)+abs(Moriginali-Mdehazedi),(15)式中dfinali(xy)是各波段最终计算所得像元点的DN值,Moriginali、Mdehazedi 分别是是晴空区域与校正区域的平均DN值。最终将薄云去除后的每个波段重新合成一张薄云去除的多光谱遥感图像。1.4 参数选择分析由于非重叠窗口大小对于最终薄云去除结果有着重要的影响,所以对于窗口大小的选择进行了具体分析。另外，非重叠窗口大小应为奇数,便于之后的暗像元搜索。(1)HTM外推蓝波段非重叠窗口大小的选择HTM计算的准确性取决于暗像素搜索所采用的光谱带和非重叠窗口的大小。由于外推蓝波段的表面反射率较小,使得薄云的厚度表现得更高,从而可以更精确地估计HTM。HTM的准确估计对于后续计算回归系数ki有着极其重要的影响,而回归系数ki的准确计算又对该算法去除薄云的效果产生直接的重要影响。图1所示的结果其位置为北京市某山区(39.6 N,116.5 E)。从图中可以看出,当窗口越小时,HTM中薄云的结构反映得越清晰,可以更加准确地估计HTM。当取最小窗口(=3)时,HTM对于薄云的形状、厚度以及所分布的区域都能准确反映,因此外推蓝波段的非重叠窗口大小设置选择为3。(2)薄云掩膜非重叠窗口大小选择387大 气 与 环 境 光 学 学 报18 卷利用所生成的薄云掩膜,通过计算其中像元的均值与标准差,标记薄云区与无云区像元坐标。其中薄云区像元坐标对于计算各波段的回归系数ki有着直接的影响,无云区像元坐标对于去除薄云后恢复无云区图像有着重要的作用,像元坐标的标记为后续大气校正提供了保证。图2所示结果其位置为北京市某郊区(39.6 N,116.5 E)。从图中可以看出,当取较小的中等窗口(=11)时,原图中高亮部分对于所生成的薄云掩膜有较大的干扰;当取较大的中等窗口(=31)时,所生成的薄云掩膜对于有云区域的形态、云厚度的描述与原图有较明显的差别;当取适中的中等窗口(=21)时,原图中高亮地物对于所生成的掩膜的影响较小,并且对于原图中云的结构也有比较准确的描述,因此薄云掩膜非重叠窗口的大小选择为21。图 2 薄云掩膜不同窗口大小的判断结果。(a)原图;(b)=11;(c)=21;(d)=31Fig.2 Judgment results of different window sizes for thin cloud masks.(a)Original image;(b)=11;(c)=21;(d)=31(3)每个波段HTMi中非重叠窗口大小的选择对多光谱图像进行去薄云,由于薄云厚度在各个波段中表现出的厚度有所不同16,从所有波段中减去一个恒定的薄云厚度值会导致红色波段和近红外波段过度去云以及在去云过程中光谱特性的损失。为了保持光谱一致性,必须对每个波段减掉该波段相对应的薄云厚度,计算出每个波段的HTM。每个波段的线性回归系数ki通过外推蓝波段的HTM与各个波段的HTMi在有云区域的线性回归拟合得出,因此每个波段HTMi中非重叠窗口大小的选择显得尤为重要,不同窗口的大小会直接影响拟合得到的线性回归系数的精确度。图3所示结果位置为印度哈里亚纳邦某山区(30.7 N,76.9 E),从图中小窗口到中等大小窗口对比发现,选取小窗口时,去云后图像相较于原图中地物特征失真明显,并且丧失了原图中山脉的立体感,变得扁平；而图 1 外推蓝波段不同窗口大小形成的HTM。(a)原图;(b)=3;(c)=5;(d)=7Fig.1 HTM formed by extrapolating from the blue band with different window sizes.(a)Original image;(b)=3;(c)=5;(d)=7388第 4 期郭庭威，等：环境二号卫星多光谱图像的薄云检测及去除由图3(d)可以明显看出,选取中等大小窗口时,在能够完全去除薄云的前提下也很好地恢复了原图中无云区以及薄云下的地物信息特征,与选择小窗口的去薄云图像形成明显的对比,因此每个波段HTMi中非重叠窗口大小的选择为21。图 3 每个波段不同窗口大小对最终图像的影响。(a)原图;(b)=3;(c)=11;(d)=21Fig.3 Effect of different window sizes on the final image for each band.(a)Original image;(b)=3;(c)=11;(d)=212 HJ-2A/B遥感图像的薄云去除2.1 数据准备所采用的数据来自于HJ-2A的多光谱相机,该相机由4个CCD组成,4个CCD的光谱辐亮度响应曲线如图4所示。图 4 各CCD相机各谱段归一化光谱响应曲线。(a)CCD 1;(b)CCD 2;(c)CCD 3;(d)CCD 4Fig.4 Normalized spectral response curves of each spectrum segment for each CCD camera.(a)CCD 1;(b)CCD 2;(c)CCD 3;(d)CCD 4389大 气 与 环 境 光 学 学 报18 卷可通过表观反射率来判断高亮物体,表观反射率t的计算公式为t=LtD2ESUNcos0,(16)式中为常量(球面度,sr),Lt表示大气层顶进入卫星传感器的光谱辐射亮度 W/(m2 sr m),D为日地之间距离(天文单位),ESUN表示大气层顶的平均太阳光谱辐照度 W/(m2 m),0为太阳天顶角，其值可以从图像配置的XML文件中读取。辐亮度L的计算公式为L=Ad,(17)式中A是增益系数,d是DN值。通过计算每个像元的辐亮度L求得Lt,其中系数A在四台CCD相机的参数如表1所示。表1 不同CCD相机不同波段的辐亮度增益系数ATable 1 Radiance gain coefficients of different CCD cameras in different wavebandsCamera numberCCD 1CCD 2CCD 3CCD 4Band 10.0507550.0507420.0528590.052859Band 20.0417900.0413520.0416820.042426Band 30.0361530.0363950.0361560.036871Band 40.0415440.410740.0422670.042512Band 50.0378510.0382740.039830.038774大气层外太阳辐照度F0的近似计算公式为F0=F0()1+0.33cos2dn365,(18)式中F0是日地平均距离的太阳辐照度,dn表示一年中的天数。2.2 处理流程图 5 多光谱遥感图像薄云去除技术路线Fig.5 Technical route for thin cloud removal in multispectral remote sensing images390第 4 期郭庭威，等：环境二号卫星多光谱图像的薄云检测及去除图5为多光谱遥感图像薄云去除技术路线。下面给出技术路线中关键步骤的中间结果,所选中间结果对最后薄云去除效果有着重要的影响。(1)高亮物体区域由于高亮物体区域较大的DN值将会导致错误估计HTM,影响最终的去薄云结果,并且可能导致图像被过校正,使得图像严重失真。因此,需要通过表观反射率的计算对高亮区域进行标记,消除其对薄云去除结果的影响。图6为区域A(印度北方邦，参见2.3)中检测到的高亮区域,检测结果与目视判断一致。(2)外推蓝波段HTM计算结果基于前面的窗口选择分析,对外推蓝波段选择窗口=3的全局暗像元搜索,并通过中值滤波去除图像中噪声。图7为由区域A及其HTM计算结果。图 6 区域A高亮物体区域。(a)原图;(b)高亮地表Fig.6 Highlighted object area in area A.(a)Original image;(b)highlighted area图 7 区域A 及其HTM图像。(a)原图;(b)HTM图Fig.7 Area A and its HTM image.(a)Original image;(b)HTM image391大 气 与 环 境 光 学 学 报18 卷(3)云掩膜结果需要标记晴空区与有云区的像元,有云区像元用于计算后续的回归系数,晴空区像元用于后续对于薄云去除后图像的修正,还原薄云去除后清晰的场景。基于前面的窗口选择分析,薄云掩膜窗口大小选择=21的全局暗像元搜索。图8为区域A的晴空区域与有云区域,检测结果与目视结果一致,其中黑色区域代表晴空区,灰色区域代表有云区域。(4)各波段HTMi计算结果基于前面的窗口选择分析,对各个波段选择窗口为=21的全局暗像元搜索,通过中值滤波去除噪声,在有云像元点中各波段HTMi与外推蓝波段HTM求得线性回归系数。图9为区域A中各个波段的HTMi计算结果。图 9 区域A各波段HTMi计算结果。(a)波段1;(b)波段2;(c)波段3;(c)波段4;(e)波段5Fig.9 HTMi calculation results of each band in area A.(a)Band 1;(b)band 2;(c)band 3;(d)band 4;(e)band 5(5)各波段线性回归系数通过对有云像元点中HTM与各波段HTMi进行线性拟合,所得拟合方程的斜率即为该波段的线性回归系数。图10为区域A各个波段线性拟合的结果。图 8 区域A云掩膜图。(a)原图;(b)云掩膜图Fig.8 Cloud mask image of area A.(a)Original image;(b)cloud mask image392第 4 期郭庭威，等：环境二号卫星多光谱图像的薄云检测及去除2.3 薄云去除结果基于HTM薄云去除算法对HJ-2A的多光谱相机所拍摄的高分辨率遥感图像进行薄云去除,结果如图11所示,其中区域A位于印度北方邦(27 N,78 E),区域B位于印度查谟和克什米桑巴分区(32.6 N,75.3 E),区域C位于中国吉林省延边朝鲜自治州(42.5 N,129.3 E),区域D位于中国北京市(39.6 N,116.5 E)。从图可以看出,基于HTM的薄云去除算法能够有效地识别并去除原始图像的薄云,薄云下不同的地物信息被清晰地展示出来,并且该算法对于植被、城区和山区等地物类型都有比较优秀的去除效果,去除薄云后提高了图像的清晰度,对于图像中的纹理等细节性信息也有比较大的提升。此外，该算法在去除薄云的同时对于无云区域的影响较小,能够很好地保护无云区域的地物信息。由不同区域去除薄云效果可以看出,算法对于地物类型是不敏感的,表明对于不同的地物类型该算法均具有较高的适用性。3 分析与讨论为进一步说明薄云去除的效果,对区域AD的薄云去除前后的图像进行定量化评估。3.1 清晰度清晰度能够反映出图像的质量,代表图像中细节以及边缘的清晰程度。本研究采用Laplacian梯度函数的清晰度算法,图像清晰度D(f)定义为D(f)=yx|G(xy)|,(19)式中G(xy)为像元点(xy)处Laplacian算子的卷积。Laplacian算子L的计算公式为图 10 区域A各波段线性回归系数。(a)波段1;(b)波段2;(c)波段3;(d)波段4;(e)波段5Fig.10 Linear regression coefficient of each band in area A.(a)Band 1;(b)band 2;(c)band 3;(d)band 4;(e)band 5393大 气 与 环 境 光 学 学 报18 卷图 11 区域AD薄云去除前后图像。(a)原图;(b)去薄云后图像Fig.11 The images for area AD before and after thin cloud removal.(a)Original images;(b)images after removing thin clouds394第 4 期郭庭威，等：环境二号卫星多光谱图像的薄云检测及去除L=16()1414-204141.(20)薄云去除前后图像的清晰度结果如图12所示。由图可以看出,四个区域中5个波段薄云去除后的图像清晰度较薄云去除前均有明显的提升,其中四个区域中的波段1平均提升69.88%,波段2平均提升33.45%,波段3平均提升28.22%,波段4平均提升10.80%,波段5平均提升13.58%,因此薄云去除后的图像质量更好,能够表现出更多的地物信息细节,符合目视判断结果。3.2 对比度图像对比度是表示一幅图像中灰度差异值的大小,能够影响视觉判断的效果。对比度越大,则图像的颜色对比就会更明显;反之,对比度越小,图像则会模糊不清。图像对比度C的计算公式为C=(ij)2P(ij),(21)式中(ij)=|i-j|，为邻近像元间的DN值之差,P(ij)为DN值差为 的概率。薄云去除前后图像的对比度结果如图13所示。由该图可以发现,四个区域中5个波段薄云去除后的图像对比度较薄云去除前均有比较明显的提升,其中,波段1平均提升68.68%,波段2平均提升33.07%,波段3平均提升28.04%,波段4平均提升10.66%,波段5平均提升13.41%。薄云去除后图像对比度增强,图像的内容就更加清晰,与目视效果判断一致。图 12 区域AD 薄云去除前后清晰度结果对比。(a)区域A;(b)区域B;(c)区域C;(d)区域DFig.12 Comparison of clarity before and after thin cloud removal in area AD.(a)Area A;(b)area B;(c)area C;(d)area D395大 气 与 环 境 光 学 学 报18 卷3.3 标准差标准差表示图像中每个像元点的DN值与均值的离散大小程度,与图像的细节特征息息相关。若图像标准差较小,则说明图中像元DN值波动范围较小,所能传达的信息就越少。相反,图像的标准差较大,则表示包含的信息也就越丰富。标准差Std(x)的计算公式为Std(x)=1MNi=0M-1j=0N-1(G(Xij)-G(x)2,(22)式中M N为图像尺寸,G(Xij)表示第 i 行、第 j 列的像素值,-G(x)为平均DN值。四个区域薄云去除前后图像的标准差结果如图14所示。由该图可以发现,四个区域中5个波段薄云去除后图像标准差较薄云去除前的图像标准差均有比较明显的提升,其中,波段1平均提升30.31%,波段2平均提升12.52%,波段3平均提升12.11%,波段4平均提升5.14%,波段5平均提升7.28%。薄云去除后图像标准差变大,图像包含更多的细节信息,更能反映图像的细节特征,符合目视效果的判断。3.4 无云区DN值频率直方图对比选择区域A中无云区域对该薄云去除算法对无云区域的影响进行验证。验证区域选择为图15中的红色方框区域(包含100 100个像元点),对该区域进行DN值频率分布直方图的对比,对比结果如图16所示。图 13 区域AD薄云去除前后图像的对比度结果。(a)区域A;(b)区域B;(c)区域C;(d)区域DFig.13 Comparision of image contrast before and after thin cloud removal in area AD.(a)Area A;(b)area B;(c)area C;(d)area D396第 4 期郭庭威，等：环境二号卫星多光谱图像的薄云检测及去除图 15 区域A薄云去除前后无云区直方图区域选择。(a)原图;(b)去薄云后Fig.15 Histogram area selection of cloud-free area before and after thin cloud removal in area A.(a)Original image;(b)after thin cloud removal通过对区域A所选无云区域进行直方图对比可以发现,无云区域薄云去除前后5个波段均无较明显差别,说明薄云去除后无云区DN值分布与原图相似,从而可以得出该算法并不影响无云区域的图像质量。图 14 区域AD薄云去除前后图像标准差对比。(a)区域A;(b)区域B;(c)区域C;(d)区域DFig.14 Comparison of image standard deviation before and after thin cloud removal in area AD.(a)Area A;(b)area B;(c)area C;(d)area D397大 气 与 环 境 光 学 学 报18 卷图 16 区域A薄云去除前后各波段无云区直方图结果。(a)原图;(b)去薄云后Fig.16 The histogram results of the cloud-free area for different bands before and after thin cloud removal in area A.(a)Original images;(b)after removing thin clouds398第 4 期郭庭威，等：环境二号卫星多光谱图像的薄云检测及去除4 结论基于HTM的薄云去除算法,利用HJ-2A多光谱遥感影像数据计算薄云掩膜图,对有薄云遮挡的环境星遥感图像进行薄云去除。通过薄云去除前后图像的目视对比,该算法能够有效去除有云区域的薄云,恢复薄云覆盖的地物信息,并且对于不同地物类型(如植被、城市区和山区等)均有较强的适应性,图像的质量明显提高。同时,通过对无云区域薄云去除前后图像目视对比和直方图对比,说明该算法基本不影响无云区域的图像质量和灰度值分布。对薄云去除前后的图像进行了参数指标的评定,通过清晰度、对比度和标准差三个指标来反映该算法的薄云去除的效果,图像中的每一个波段在这三个指标上都表现出比较明显的提升,清晰度、对比度和标准差对于各个波段提升比例分别为10.80%69.88%、10.66%68.68%和5.14%30.31%的范围内,均表明图像质量得到明显提升。综上,通过对实验结果的目视对比以及指标评定,证明了本研究开发的针对多光谱图像的薄云检测与去除算法能够有效去除遥感图像的薄云并完整保留无云区域信息,有效提升图像质量,提高图像利用率,为后续的遥感应用提供数据保障。参考文献参考文献:1Ju J,Roy D P.The availability of cloud-free Landsat ETM+data over the conterminous United States and globally J.Remote Sensing of Environment,2008,112(3):1196-1211.2Wang Z M.Thin Cloud Removal of Remote Sensing Images Based on Generation Adversarial Network D.Qinghuangdao:Yanshan Universi