ISPRS2018/云检测：Cloud/shadow detection based on spectral indices for multi/hyp基于光谱指数的多/高光谱光学遥感成像仪云/影检测

基于光谱指数的多/高光谱光学遥感成像仪云/影检测)

论文地址

0.摘要

云和云阴影的检测是光学遥感应用中必要的预处理步骤，因为云和云阴影会对数据分析产生巨大的负面影响。然而，现有的云/阴影检测方法大多是基于特定传感器的特定波段配置而设计的，其工作机制比较复杂，计算量比较大，限制了其应用。鉴于此，本文针对目前广泛应用的可见光和红外光谱通道的多光谱/高光谱光学遥感传感器，提出了一种基于光谱指数的统一云/影检测算法(CSD-SI)。一方面，提出了云指数(CI)和云阴影指数(CSI)，根据它们的物理反射特性来表示潜在的云和云阴影;此外，考虑云与云阴影的空间共存，采用空间匹配策略去除伪云阴影。在8种不同类型的光谱和空间分辨率的多光谱/高光谱光学传感器上验证了该算法的有效性。总体而言，在本研究的实验中，CSD-SI对云的总体平均准确率为98.52%，生产者的平均准确率为93.13%，用户的平均准确率为98.13%。对于云阴影，CSD-SI的均值生产者精度为84.33%，均值用户精度为89.12%。实验结果表明，基于光谱指数的CSD-SI方法可以获得与其他先进方法相当的云/阴影检测性能。

1.概述

光学遥感图像(如Landsat/SPOT)通常受到云及其相关阴影的影响(Dozier, 1989;Zhu和Woodcock, 2012;Zhu等人，2015;Irish et al.， 2006;Wu et al.， 2016)，会对地球观测造成干扰和障碍，并会对各种遥感应用造成严重的问题，如植被监测(Lu et al.， 2017)、土地覆盖/利用分析(Zhu and Woodcock, 2014)、变化检测(Zhu, 2017)等。特别是在定量分析中，云及其阴影对结论可靠性的影响是不可忽视的。另一方面，在很多情况下，获取一幅清晰的遥感图像会消耗大量的时间、人力和金钱。因此，即使通常无法检索到由于云/阴影遮挡而导致的信息缺失，在进行任何遥感应用之前，准确识别卫星图像中的云和云阴影并筛选出它们仍然是非常重要和必要的
一般来说，云具有比其他陆地物质更高的反射率和更低的亮温(Platnick et al.， 2003;Clerbaux等人，2009;Zhu和Woodcock, 2012;Zhu等人，2015;Sun et al.， 2017)，即它们在RGB空间一般呈白色或灰色，在热红外波段一般呈深色。然而，由于云层的反射特性与其他明亮的陆地材料(如岩石、裸露的土壤、水泥道路和建筑物)相似，因此很难准确地将它们区分开来。此外，热红外波段的使用一般只适用于厚、不透明的云层，这种方法显然不能应用于没有这个波段的光学遥感传感器，这限制了它的应用领域。
到目前为止，已经开发了许多自动云检测方法，大致可以分为两大类:基于单场景的方法和基于多场景的方法。相比之下，基于多场景的方法虽然通常比基于单场景的方法具有更高的检测精度，但却不太受欢迎(Goodwin et al.， 2013;Jin等，2013;Lin等人，2015)，这是因为利用了多时间图像提供的更多信息，即在短时间内同一成像区域至少有两张图像。
1976年，“流苏帽”(TC)变换作为一种基于单场景的雾或云探测器(Kauth和Thomas, 1976)首次被开发出来。然而，由于云和其他材料不能严格满足简单的TC正交关系假设，在许多情况下不能获得满意的结果。随后，Zhang et al.(2002)提出了有效且显著的“雾霾优化变换”(HOT)云检测算法，通过对蓝、红波段进行线性回归得到“晴空线”，并利用到这条线的距离来分离云和其他材料。虽然HOT通常表现出比TC更好的检测性能，但它往往会导致高估。究其原因，HOT测试往往不能有效地排除其他明亮材料，如岩石和水泥路面(Zhu and Woodcock, 2012)。近年来，基于机器学习的云检测算法不断发展，包括基于马尔可夫随机场的方法(Le Hégarat-Mascle and André， 2009;Vivone等人，2014;Li等人，2018)，基于神经网络的方法(Hughes和Hayes, 2014)，以及基于支持向量机的方法(Li等人，2015;Bai等人，2016;Ishida et al.， 2018)，并显示出巨大的潜力。然而，这些方法通常具有较高的计算复杂度和耗时
对于云阴影来说，如何有效地将其与其他深色陆地物体(如水和地形阴影)区分开来，通常是比较困难和具有挑战性的(Zhu and Woodcock, 2012;Sun等人，2018)。这是因为这些材料的反射特性与云阴影非常相似。此外，云阴影的反射特性在很大程度上受下垫地物类型的影响，这意味着云阴影内部存在较大的光谱变异性。这样就很难准确的检测出云层阴影，并且在云层阴影检测结果中会出现大量的噪声。
关于云阴影检测，已经提出了大量的方法，大致可以分为三大类。第一类是基于投影法，这些方法利用传感器参数(包括太阳方位角、太阳高度和传感器高度)作为先验知识，计算云阴影的投影方向(Simpson and Stitt, 1998)。第二类是基于使用匹配滤波器来识别云阴影，这可以通过光谱波段协方差矩阵来评估(Richter和Muller, 2005)。第三类是光谱分析与几何方法相结合(Li等人，2013年)，利用几何操作填补光谱测试的空白。然而，这些方法没有充分考虑到云层阴影的光谱变异性较大和暗像元的严重干扰。因此，它们通常不能准确地检测到云的阴影。
近年来，针对特定卫星传感器提出了许多云/阴影检测算法，特别是针对Landsat系列传感器(Huang et al.， 2010a,b;Roy等人，2010)。这是地球资源卫星免费获取政策的结果，而且它是观测和监测地球表面的宝贵遥感数据源(Kennedy et al.， 2010)。例如，针对Landsat 7图像的云量评估，设计了经典的自动云量评估(ACCA)算法(Irish et al.， 2006)。在最近的工作中，Fmask算法及其改进版本(Zhu和Woodcock, 2012;Zhu等人，2015;Qiu et al.， 2017)，通过一系列光谱测试和基于对象的云和云阴影匹配过程，获得了优秀的云/阴影检测性能。因此，F-mask算法及其改进版本已经成功地应用于大量Landsat图像的实际应用。然而，许多针对特定卫星传感器设计的云/阴影检测算法都有一定的局限性，即这些算法往往在检测过程中选择一个较低的阈值来识别所有潜在的云，这通常会导致高估(Zhu et al.， 2015)。此外，它们依赖于热红外波段(Zhu和Woodcock, 2012;Qiu et al.， 2017)或卷云带(Zhu et al.， 2015)，因此不能有效地应用于其他光学传感器(如IKONOS)，没有热红外带或卷云带。
最近提出了一种自动多特征结合(MFC)方法，用于高分1 (GF-1)宽视场(WFV)图像的云和云阴影检测(Li et al.， 2017)。MFC方法首先根据光谱特征通过阈值分割和引导滤波生成初步的云掩模;然后结合几何特征和纹理特征改进云检测结果，生成最终的云掩模。通过云影匹配和后续校正过程获得云影掩码。MFC方法对GF-1图像具有良好的检测性能。
然而，到目前为止，统一的云/影探测器很少被开发出来。现有的方法大多是基于特定传感器的特定频段结构设计的，通用性有限。然而，在许多遥感应用中，必须同时利用不同的遥感数据源(Zhu和Woodcock, 2012;Zhu et al.， 2015)，为每个光学遥感传感器选择合适的云/阴影检测算法需要花费大量的时间和人力。因此，迫切需要一种统一的、适用于各种光学遥感传感器的云/阴影检测方法。
鉴于此，本文针对各种可见光和红外光谱通道的多光谱/高光谱光学遥感传感器，提出了一种基于光谱指数的统一云/影检测算法(CSD-SI)。首先，基于云和云阴影的反射特性，提出了云指数(CI)和云阴影指数(CSI)，分别用于云和云阴影的检测。这两个指标是结合可见光和红外光谱设计的，充分考虑了云及其相关阴影的反射特性，可以有效地指示潜在的云和异常点较少的云阴影，即伪云或伪云阴影。其次，充分考虑云与云阴影的空间共存，利用空间匹配策略去除伪云阴影;提出的CSD-SI算法是一种统一的云/阴影检测方法，适用于目前广泛应用的不同光谱和空间分辨率的多光谱/高光谱光学遥感传感器。也就是说，本文提出的CSD-SI算法不是针对特定的传感器设计的，对不同传感器的通道标识具有相对鲁棒性，只要它们同时包含可见光和红外波段。此外，由于CSD-SI算法工作机制简单，计算成本相对较低，对实际的多源遥感应用有意义。

2.算法：基于光谱指数的云和阴影检测

图1所示。基于光谱指数(CSD-SI)的云/阴影检测算法的工作流程。

在遥感应用领域，光谱指数已广泛成功地应用于各种活动。常用的光谱指数包括用于植被识别的归一化差异植被指数(NDVI) (Goward等人，1991;Tucker等人，2005;DeFries和Townshend, 1994)，水检测的归一化差水指数(NDWI) (Gao, 1996;mcfeters, 1996)，以及用于雪提取的归一化差雪指数(NDSI) (Dozier, 1989)。这些光谱指数虽然比较简单，但由于计算成本非常低，其性能总体上是令人满意的，通常可以满足实际遥感应用的要求。受这些基于光谱指数的方法的有效性的启发，本文提出了一种基于光谱指数的统一云/阴影检测算法(CSD-SI)。CSD-SI可以同时检测云层及其阴影，具有较高的精度和较低的计算复杂度，可以很好地应用于大多数广泛使用的可见光和红外光谱通道的多光谱/高光谱光学遥感传感器。
总体而言，本文提出的CSD-SI算法的工作流程如图1所示。后面几节将给出详细的介绍

2.1.云指数和云检测

图2所示。陆地卫星5 TM传感器的云污染图像。(a)真实RGB图像。(b)蓝带图像。©绿带图像。(d)红色波段图像。(e)近红外波段图像。(f)波长较短的短波红外波段图像。(g)波长较长的短波红外波段图像。对于这个图例中关于颜色的解释，读者可以参考本文的网页版本。

一般来说，云在光学遥感图像中有其自身的反射特性。事实上，云污染区域的亮度在可见光、近红外(NIR)和短波红外(SWIR)波段以相对较大的亮度增加。这意味着在这些波段中，云像素的DN (digital number, DN)值要比其他材料的大得多，尤其是在厚云的情况下。同时，云像元在可见光和红外波段也具有类似的反射特性，与其他地表覆盖材料普遍不同，如图2所示。
基于上述反射特性，提出了CI指数来区分云和其他陆地物质。目前广泛应用的中/低分辨率多/高光谱遥感传感器大多同时具有近红外光谱通道和SWIR光谱通道，而高分辨率遥感传感器通常只具有近红外光谱通道。根据是否纳入SWIR波段，CI指数可选择以下两种形式:

其中B_B、B_G和B_R分别表示可见范围内的蓝色、绿色和红色波段。B_NIR,B_SWIR-1和B_SWIR-2分别表示近红外、较短波长的SWIR和较长波长的SWIR三个红外波段。
式(1-a)中，利用CI₁指数，即红外波段和可见光波段之和与可见光波段之和之比，来衡量可见光波段和红外波段反射特性的相似性。一般来说，考虑到云在可见光波段和红外波段的反射特性通常是相似的，所以CI1指数通常在1左右，范围很窄。在Eq(1-b)，构造CI2指数，即所有相关光谱波段的均值来描述云的亮度特性。通过以下公式可以有效检测云层: