[发明专利]适用于光学遥感影像的DCM-HTM去雾霾方法

说明书

本发明具体涉及一种适用于光学遥感影像的DCM‑HTM去雾霾方法，包括以下步骤，步骤一，雾区检测和提取；步骤二，雾厚度图像HTM提取；对获取的暗通道图像选取大小为ω^r×ω^t的不重叠窗口HTM_W(ω^t，ω^t)，ω^t∈[3，9]求取雾厚度图像HTM；步骤三，雾区校正；通过雾厚度图像HTM和所提取的fog_region二值图像，求取地物背景贡献值BACK，以此来修正HTM，最后基于辐射传输原理，在检测出的DCM雾区内，通过HTM去雾模型对原始影像进行校正处理。本发明通过对雾区域范围内的非亮度目标取小窗口实现在保证高亮度目标不被过度校正的基础上达到进一步削减雾的目的；基于检测的雾区域，结合雾厚度图像HTM计算正常区域地物背景贡献值BACK来修正HTM，很好的保留了正常区域的灰度值。

技术领域

本发明涉及光学遥感影像领域，尤其涉及一种光学遥感影像的去雾霾方法。

背景技术

受到云、雾霾等大气环境因素的影响，光学卫星遥感影像的成像质量下降，影像的判读和量测性能降低，制约了影像的进一步应用。如以2014年度USGS官网发布的包含登封检校场区域的同一视场多时相Landsat8OLI 30米分辨率光学卫星影像为例，全年受云影响较为严重的有4个月份，分别是4、6、7和12月；而受雾霾影响的主要有五个月份，分别是4、5、6、7和11月，占了全年的50％。因此，如何有效消除或减小云和雾霾对光学遥感影像的影响，充分发挥影像的效能，已成为对地观测领域所关注的一个热点问题。

从遥感物理上来讲，薄云和雾霾均分布在近地空间，对可见光波段影像的散射作用基本一致的，在卫星影像上的成像特征较为相似，常表现为具有较高亮度、模糊等特征。所以，大部分去雾方法将二者归为一类进行处理，为表述方便，本文也将薄云和雾霾统称为雾。

在计算机视觉领域，比较典型的去雾方法有暗通道先验理论(Srinvasa andShree，2002，2003；何凯明等，2011)、同态滤波(赵忠明和朱重光，1996)和Retinex(Edwin，1986)以及在以上基础上进行的改进等(庞嘉豪等，2011；何凯明等，2010；兰霞等，2013；何仁杰等，2013；郭璠等，2014)，针对的主要是近距离摄取的风景图像，特点是在成像范围内雾是均匀分布的。因此，很多学者也将此类方法应用于雾分布均匀的遥感图像校正，取得了不错的效果(龙焦等，2014；吴小平等，2012；胡长苗，2014)；但是，一景光学卫星遥感影像的地面覆盖范围往往比较大，包含的地面特征繁杂，雾的分布通常是不均匀的。所以，当雾厚度不一、分布不均时，现有的去雾方法大多收效甚微，且处理后不可避免的会影响原来正常区域的成像质量。

针对此类问题，很多学者在受影响区域的检测和校正方面做了很多研究。如在云覆盖检测评估方面，Landsat长期收购计划LTAP(Long Term Acquisition Plan)通过采集全球多个样点数据对Landsat7和ETM+，推出了自动云检测评估系统ACCA(the AutomatedCloud-Cover Assessment)，对薄云、厚云和正常区域进行分类(Hollingsworth等，1996)；由于该算法多次用到了亮度温度图像，(Pasquale等，2012)针对Landstat8OLI(theOperational Land Imager)数据，通过合成亮度温度图像，发展了AT-ACCA(ArtificialThermal-Automated Cloud-Cover Assessment)算法，该算法尽管可以很精确地估算出云的覆盖区域，但也只限于Landsat系列影像。(Aliaksei等，2014)通过改进暗目标提取的方法计算雾厚度图像(HTM)，并分别对Landsat 8OLI和WorldView-2进行雾区域检测和校正，去雾后的图像其光谱特征变化具有很好的一致性。算法主要的不足之处在于处理沙漠、雪地等高反射背景图像时，难以通过获取暗目标来估算HTM，此外，其方法需要进行波段合成，并不适用于缺乏短波段的影像。