高分辨率卫星影像云自动提取的机器视觉方法研究

Clouds in remotely sensed imagery cause many problems in image analysis and object recognition. Automatic cloud extraction is important in applications of high resolution satellite imagery. Due to the rich details of image scene of high resolution images, similar objects and varying patterns of clouds, there is no practical system for use. Essentially cloud extraction is an object recognition problem in a scene. We propose machine vision methodology for automatic cloud extraction from high resolution satellite imagery, to study (1) visual attention and scene perception based extraction of ROI (Region of Interest) of clouds, (2) methods of cloud recognition in a scene: using image segmentation, object description of Bag-of-Features for statistical reasoning of scene analysis to extract cloud objects, (2) stereo vision based method for obtaining height model of the scene in order to use the height and motion information to separate clouds from the earth surface. The project aims at realizing the strong capability of robust object recognition and three dimensional perception in order to lay the foundation of developing a practical system of cloud extraction from high resolution satellite imagery. It will also enrich and push forward the interdisciplinary research of computer vision and remote sensing.

云不仅给遥感影像的处理带来极大不便, 而且对后续的目标识别、图像分析产生影响，自动提取云对高分辨率卫星影像的应用具有重要价值。高分影像上场景细节更多，似云目标的干扰和云的细节形态更加复杂，使得目前云的自动提取难以达到实用水平。云的自动提取是不同场景下复杂目标的自动识别问题，本项目以此为出发点，提出云提取的机器视觉方法，研究（1）基于视觉注意机制和场景感知的云兴趣区自动检测；（2）场景中的目标识别方法：应用影像分割、对象的特征包描述和基于统计推断的云目标提取；（3）基于立体视觉的方法，进行立体匹配，利用云的高度和运动特征解决云与地表分离问题，进而提取云的区域。本项目力图实现对场景中云目标识别的鲁棒性，以及三维感知能力，为研制全自动的云提取系统奠定基础，并丰富和推动计算机视觉与遥感的交叉学科研究。

云不仅给遥感影像的处理带来极大不便, 而且对后续的目标识别、图像分析产生影响，自动提取云对高分辨率卫星影像的应用具有重要价值。高分影像上场景细节更多，似云目标的干扰和云的细节形态更加复杂，使得目前云的自动提取难以达到实用水平。云的自动提取是不同场景下复杂目标的自动识别问题，本项目以此为出发点，提出云提取的机器视觉方法，研究（1）基于视觉注意机制和场景感知的云兴趣区自动检测；提出了基于对象分析与云的视觉显著性特征描述方法，在200张影像中，92%的影像被正确判断出是否含有云，判断一张影像的平均用时为1.83秒。（2）场景中的目标识别方法：应用影像分割、对象的特征包描述和基于统计推断的云目标提取；针对云的特征复杂多变和充分利用上下文的纹理特征，提出了利用视觉词包(Bag-of-words)、支持向量机(SVM)、以及Grab-cut轮廓优化的方法进行云的自动提取，对rapideye和landsat影像的处理可以达到约90%的提取精度。（3）基于立体视觉的方法，进行立体匹配，利用云的高度和运动特征解决云与地表分离问题，进而提取云的区域。立体影像密集匹配得到数字表面模型，将生成的M-DSM与参考DEM（如SRTM）进行配准，比较两者高程从而得到影像上疑似云区的种子点，然后结合影像灰度信息对疑似区域进行分类和区域增长得到最终的云检测结果。针对我国第一颗高空间分辨率卫星天绘的影像，在不同情况下均可达到95%以上的正确率，不仅能够有效提取出云及薄云区域，还能有效的避免雪、雾和冰川等的干扰，成功用于天绘影像的日常处理与DEM生产中。（4）针对我国的GF-1高分辨率卫星影像，提出了基于形状与图像特征结合的云雪区分算法。此外，项目还研究了结合暗通道先验和多尺度融合的薄云检测和去除算法。项目发表了3篇期刊论文(SCI, 引用13次)和获批了1项国家发明专利。.本项目力图实现对场景中云目标识别的鲁棒性，以及三维感知能力，为研制全自动的云提取系统奠定基础，丰富了计算机视觉与遥感的交叉学科研究。