[发明专利]利用多时相数据去除光学遥感影像大面积厚云的方法

说明书

技术领域

本发明提出一种利用多时相数据去除光学遥感影像大面积厚云的方法，以自适应光谱加权的字典学习方法有效利用其他时相数据与待处理影像厚云区的相关性，实现厚云区数据的填补，涉及光学遥感图像处理技术领域。

背景技术

在实际成像时，光学遥感影像通常受到天气条件的影响，其中最为常见的影响因素就是云。大多数光学传感器获得的遥感影像都会受到不同程度的云污染，云层掩盖了下层地物的真实信息。尤其是厚云，完全掩盖了地物辐射信息，造成影像信息的缺失，明显降低了影像质量，严重影响了后续的影像分析工作和进一步应用。因此，有效去除厚云，对于改善影像质量，有效提取地面目标物体信息，避免数据浪费，提高影像的可用性和利用率，具有重要的意义。

目前，国际上遥感影像厚云去除方法主要有两大类：

针对单幅影像的厚云，由于没有其他的参考信息，往往是对影像自身从补绘角度出发进行去除。发展比较成熟的主要有内插的方法，例如根据厚云区邻域无云区数据进行最邻近、双线性、双三次内插以及克里金插值（Kriging）等；偏微分方程（PDE）的方法，通过确定厚云区邻域扩散的方向和信息，实现厚云区边界外围信息自动向内扩散，达到云区填补的目的；总变分（TV）方法，由待修复厚云区边界点逐步向内进行各向异性的扩散，但边界处往往比较模糊；纹理合成的方法，能够较好地保持厚云区的结构和纹理信息。这类方法利用了厚云区与周围无云区的统计学特性、空间实体分布特性和自相关性，对较小的厚云区有比较好的去除效果，但对于大面积的厚云却乏而无力。

而针对多时相影像数据，人们则考虑利用该系列影像的互补信息进行厚云去除处理。一方面，对于影像中待处理厚云区域，可采用同区域、相近时相的影像数据进行替代，即完成厚云区的数据修复。该方法要求其他时相的影像在时间上比较靠近，地物无明显变化，且多幅影像的厚云区域不能相互重叠，这使得其实际应用价值大打折扣。另外即使找到了符合要求的多时相互补影像，在替换厚云区时，由于相近时相的影像之间存在色调差异，镶嵌的影像会出现明显的痕迹，很难达到无缝拼接的效果；虽然可以通过一定的技术调节拼接的可视化效果，但会影响到进一步的定量分析应用。另一方面，也有利用多时相影像融合达到插补去厚云的目的。这类方法同样要求厚云区域不能重叠，且厚云的去除不彻底，容易影响影像的判读。

上述方法对于去除小块厚云具有较好的效果，但对于通常存在的大面积厚云，往往不能有效利用多时相影像间的互补信息，故而不能彻底去除。

发明内容

针对现有去云方法的缺点，本发明提出一种利用多时相数据去除光学遥感影像大面积厚云的方法，充分挖掘多时相影像的互补信息，采用光谱自适应加权字典学习方法填充影像的大面积厚云区域。

本发明的技术方案为一种利用多时相数据去除光学遥感影像大面积厚云的方法，包括以下步骤：

步骤1，将所需处理的多时相影像序列进行几何校正，得到同一区域不同时相的影像；

步骤2，对同一区域不同时相的影像进行厚云区检测，得到各时相影像的云掩膜，并计算各时相影像非厚云区的相关系数；

步骤3，将同一区域不同时相的影像按照时间序列组成多维的空间光谱影像，对空间光谱影像划分影像子块，将所有的影像子块重组为二维的矩阵；将步骤2所得各时相影像的云掩膜按照时间序列组成空间光谱云掩膜，对空间光谱云掩膜划分掩膜子块，将所有的掩膜子块重组为二维的矩阵；

步骤4，根据以上的影像子块和掩膜子块的矩阵进行字典学习，重建影像厚云区域。

而且，步骤2进行厚云区检测时，将影像中的异常值也标记为厚云区。

而且，步骤3中，对空间光谱影像采用尺寸为n×n的窗口滑动划分成大小为n×n×k的影像子块，其中，k是影像的光谱维数，即同一区域不同时相的影像的个数，然后将每一个影像子块重组为一个列向量，并将所有的列向量按滑动顺序组成一个二维的矩阵；并且，对空间光谱云掩膜采用尺寸为n×n的窗口滑动划分成大小为n×n×k的掩膜子块，然后将每一个掩膜子块重组为一个列向量，并将所有的列向量按滑动顺序组成一个二维的矩阵。

而且，步骤4中设字典的大小为kn²×m，m≥256且m＞kn²；根据步骤2所得各时相影像非厚云区的相关系数，自适应地确定多时相数据在字典学习过程中的权重。