一种结合全球dem与立体视觉的卫星影像云检测方法
【技术领域】
[0001] 本发明属于遥感技术领域，涉及一种卫星影像云检测方法，尤其涉及一种结合全 球DEM与立体视觉的卫星影像云检测方法。
【背景技术】
[0002] 卫星影像中云的存在，导致影像的可用信息缺失，给地形的自动提取带来了很多 错误。同时，云覆盖给影像处理和遥感影像应用带来很多困难。早期的云检测主要靠人工 做出判读，这种方法不仅费时，而且对云量的判断带有很大的主观性。因此光学遥感影像中 高效的云区域自动识别和检测方法成为光学遥感影像处理和应用中的研究热点。
[0003] 传统的云检测分为利用单一时相的影像数据进行判定和利用多时相的影像数据 进行判定两大类。在利用单时相影像数据提取云区域的阈值分割算法和分类算法中，检测 结果与选用的阈值有很大关系。阈值选择的困难使得这些算法很难识别和检测出影像中的 薄云，且无法排除雪域和雾霾的影响，因此对于复杂的地物场景会出现很多错误分类；结合 云阴影进行云检测的方法则会受到耕地、灌溉、裸露地的影响；利用多时相的影像数据则会 因为时间变化造成地物变化，或者不同时相的影像色调引起差异所引起的错误分类。
【发明内容】
[0004] 针对传统监督变化检测方法的不足，本发明提出一种结合全球EffiM与立体视觉的 卫星影像云检测方法。
[0005] 本发明所采用的技术方案是：一种结合全球DEM与立体视觉的卫星影像云检测方 法，其特征在于，包括以下步骤：
[0006] 步骤1 :将遥感卫星获得的卫星影像（如天绘立体测绘卫星影像）密集匹配获得 的 M_DSM(Matching Digital Surface Model);
[0007] 步骤 2 :将获得的 M-DSM 与现有的全球 DEM 数据 SRTM (Shuttle Radar Topography Mission)通过地形配准后进行高程比较得到DEM的差值图；
[0008] 步骤3 :在DEM差值图中去除误差大于200米的点，然后剩下的空间点统计出单位 权中误差（RMSE)，将大于三倍单位权中误差的点通过卫星影像三线阵正视影像的RPC参数 投影到卫星影像上，得到疑似云区域种子点的像片坐标；
[0009] 步骤4 :根据影像灰度信息对疑似云区域的种子点进行区域增长和分类；
[0010] 步骤5 :去除增长区域中种子点灰度值小于100的低亮度区域、纹理缺乏区域和雪 区域，得到最终的云区域。
[0011] 作为优选，步骤1中所述的密集匹配方法采用的是多影像多匹配基元法（MPM)，采 用由粗到细（coarse to fine)的多级影像匹配策略，基于多影像的匹配算法，并结合多种 匹配基元的匹配结果，所述的多种匹配基元包括特征点、格网点和特征线。
[0012] 作为优选，步骤2的具体实现包括以下子步骤：
[0013] 步骤2. 1 :分别在全球DEM数据SRTM与M-DSM上提取地形特征线；
[0014] 步骤2. 2 :通过投票算法实现两者的地形特征线的整体套合；
[0015] 步骤2. 3 :进行特征点局部的最小二乘相关匹配提高匹配的精度；
[0016] 步骤2. 4 :使用地形匹配获得的同名点解算M-DSM与全球DEM数据SRTM之间的空 间相似变换关系式，将全球DEM数据SRTM相对于M-DSM进行校准；
[0017] 步骤2. 5 :校准后进行高程比较得到DEM的差值图。
[0018] 作为优选，步骤2. 2中所述的投票算法，投票是根据地理特征线上除开地形特征 线末梢点外的每个点，计算与其在同一地形特征线上的下一个相邻点之间的连线与水平方 向的夹角，设定角度阈值α，α <5°，以M-DSM的地形特征线中的点所对应的角度为依据， 在全球DEM数据SRTM的地形特征线中搜索与其角度差小于阈值的匹配点作为备选匹配点。 例如，对于M-DSM的地形特征线上的点Μ，其对应了一个角度值α Μ，计算其与全球DEM数据 SRTM的地形特征线中的点（如点Ν)所对应的角度值αΝ的差的绝对值，若I α Μ-αΝ|小于 阈值，则将点N选为点M的匹配备选点。根据M与N点的坐标差值来投票，对于所有与点M 相匹配的点，都按上述方法在其对应的投票区投上一票，即完成点M的投票。对于单个点来 说，正确的投票只有一票，而错误的投票可能有多票，正确的投票信息会被错误的投票信息 淹没。然而将所有点的投票信息汇总之后，正确的投票会积累起来，而错误的投票往往是随 机的，总体上呈现出均匀分散的状态，正确的投票会凸显出来，从而得到正确的结果。最后 得到M-DSM与全球DEM数据SRTM的整体坐标偏移。
[0019] 作为优选，步骤2. 4中所述使用地形匹配获得的同名点解算M-DSM与参考DEM之 间的空间相似变换关系式；空间相似变换关系为式：
[0020]
[0021] 其中假设M-DSM上某点的坐标为（X，Υ，Ζ)，该点在参考DEM上对应的同名点的坐 标为（X tp，Ytp，Ztp)，λ是缩放系数，R是由角元素Φ，Ω，K的函数组成的方向余弦， ai、a2、 a3、V b2、b3、Cl、c2、化为R的9个元素，（Δ X，Δ Υ，Δ Z)是坐标平移量；空间相似变换的求 解采用间接平差法，求解参数的同时探测并剔除匹配结果中的粗差，最后平差解算得到的 中误差用来代表地形匹配的精度。
[0022] 作为优选，步骤3中所述的疑似云区域种子点是比较遥感影像密集匹配生成的 M-DSM和步骤2. 4校准后的全球DEM数据SRTM，提取其中高程差大于三倍单位权中误差 (RMSE)的格网点，通过三线阵正视影像的RPC参数将这些点投影到影像上，得到种子点的 像片坐标。
[0023] 作为优选，步骤4中所述的区域增长的具体过程为：以种子点像素作为生长的起 点，然后将种子点像素周围邻域中与种子像素有相同或相似性质的像素合并到种子像素所 在的区域中，将这些新像素当作新的种子像素继续进行上面的操作，直到再没有满足条件 像素可以包括进来；其中所述的相同或相似性质的像素是根据事先确定的生长或相似性准 则来判定，所述的区域增长的合并准则是每次合并时的灰度差值是和初始的种子点像素进 行比较小于设置的阈值（一般设置为10或者15)。
[0024] 作为优选，步骤5中所述的云区域和雪区域的区分主要依据区域中种子点的个数 与区域总像素个数的比，小于预设的阈值为（一般设置为0.1)时则认为区域不是云区域。
[0025] 本发明相对现有技术，其有益效果为：云提取正确率高，在无大面积的雪干扰的情 况下也可以达到95%的正确率；在有大面积雪的影像，能有效的避免雪的干扰。最终能获 得有效剔除云等因素干扰的DSM，提高了 DSM的质量和利用率。
【附图说明】
[0026] 图1 :是本发明实施例的总体流程图。
[0027] 图2 :是本发明实施例的多影像多基元法流程图。
[0028] 图3 :是本发明实施例的无云影像M-DSM。
[0029] 图4 :是本发明实施例的地形配准算法流程图。
[0030] 图5 :是本发明实施例的地形特征线的提取示例图，其中（a)为山谷线影像，（b)为 山脊线影像。
[0031] 图6 :是本发明实施例的云区域自动识别流程图。
[0032] 图7 :是本发明实施例的典