图片简介:
本技术介绍了一种面向多云雨地区的碎片化遥感影像合成方法，包括以下步骤：获取多云雨地区的多星、多时相的初始影像数据集；对初始影像数据集进行传感器和外部因子的辐射差异校正以获取辐射特征一致的第一影像数据集；获取第一影像数据集的云层及其阴影分布范围，通过掩膜处理得到多云雨地区的无云数据碎片集；从无云数据碎片集选取基准数据子集，利用其它无云数据碎片集对缺失区域进行补修，获取多云雨地区的完整无云合成影像。该方法充分利用了以往视为无用数据的高云量影像进行合成，有效提高了多云雨地区的遥感观测时空覆盖频率，为基于国产卫星数据的遥感应用尤其是对时效要求高的应用提供了强大数据支撑。
技术要求
1.一种面向多云雨地区的碎片化遥感影像合成方法，其特征在于，包括以下步骤：S101：获取多云雨地区的多星、多时相的初始影像数据集；
S102：对所述初始影像数据集进行传感器和外部因子的辐射差异校正以获取辐射特征一致的第一影像数据集；S103：获取所述第一影像数据集的云层及其阴影分布范围，通过掩膜处理得到所述多云雨地区的无云数据碎片集；
S104：从所述无云数据碎片集选取基准数据子集，利用其它所述无云数据碎片集对缺失区域进行补修，获取所述多云雨地区的完整无云合成影
像；
步骤S104具体包括：
S601：根据目标区域范围矢量生成预定义大小和波段数n的空白栅格数据作为合成底图；
S602：以目标区域为约束，从所述无云数据碎片集中优先选取在目标区域中面积占比最大的两块影像碎片作为基准数据；
S603：通过对两块影像碎片的重叠区中的所有像素进行逐波段的回归拟合，建立两者间的拟合模型并进行校正，使两者间的亮度和色调保持一
致，实现色彩平衡，进一步将两者进行融合镶嵌；
S604：将融合数据逐波段复制至S601中的空白合成底图中；
S605：判断底图是否仍有空缺的无数据区域，如无空缺则完成影像的合成，反之计算空缺的区域范围，并依据空缺区域的大小依次从所述无云数
据碎片集中选取对应区域的最大面积的影像碎片；
S606：重复步骤S603～S605，直至目标区域无数据空缺，最终实现无云影像的合成。
2.根据权利要求1所述的面向多云雨地区的碎片化遥感影像合成方法，其特征在于，步骤S102具体包括：S201：基于晴空影像，获取传感器光谱归一化系数；
S202：基于传感器光谱归一化系数，对多星、多时相的初始影像数据集进行分类，对分类后的影像数据集进行传感器辐射差异校正；S203：在分类的基础上，基于NDVI差值直方图和类别约束的PIFs选取方法，实现影像数据集的外部因子的辐射归一化。3.根据权利要求2所述的面向多云雨地区的碎片化遥感影像合成方法，其特征在于，步骤S201具体包括：S301：选取参考传感器和其它传感器的晴空影像，对两者的所述晴空影像进行定标；
S302：将其它传感器的晴空影像和参考传感器的晴空影像的重叠区影像进行分类，分别选取分类后的地块影像的样本点集；
S303：根据获取的样本点集，针对其它传感器的晴空影像和参考传感器的晴空影像的不同波段和类别建立线性回归方程以获取光谱归一化系数。4.根据权利要求2所述的面向多云雨地区的碎片化遥感影像合成方法，其特征在于，步骤S202具体包括：S401：将所述初始影像数据集的影像像元的量级与光谱归一化系数匹配以进行辐射定标；
S402：选取参考影像，其余为待纠正影像，对参考影像进行样本选取与最大似然分类，获得参考影像的分类结果；S403：在当前参考影像及其分类结果基础上，对下一期待纠正影像进行样本筛选与样本纯化以得到全类别样本；
S404：利用全类别样本对待纠正影像进行最大似然分类，并根据传感器的类型，对各类别待纠正影像对应的像元集合进行传感器光谱归一化校
正。
5.根据权利要求1所述的面向多云雨地区的碎片化遥感影像合成方法，其特征在于，步骤S103具体包括：S501：获取有云影像数据，基于色彩空间变换增强云层及其阴影；S502：获取增强的云层及其阴影的分割阀值；
S503：对云层及其阴影区域分别进行数学形态膨胀与矢量化以得到云层及其阴影的分布范围；
S504：基于分割阀值，将云层及其阴影的分布范围矢量与所述第一影像数据集进行掩膜处理以生成无云的碎片化数据。6.一种面向多云雨地区的碎片化遥感影像合成装置，其特征在于，具体包括：
数据获取模块，用于获取多云雨地区的多星、多时相的初始影像数据集；
数据校正模块，用于对所述初始影像数据集进行传感器和外部因子的辐射差异校正以获取辐射特征一致的第一影像数据集；数据掩膜模块，用于获取所述第一影像数据集的云层及其阴影分布范围，通过掩膜处理得到所述多云雨地区的无云数据碎片集；
修补整合模块，用于从所述无云数据碎片集选取基准数据子集，利用其它所述无云数据碎片集对缺失区域进行补修，获取所述多云雨地区的完整无云合成影像；
所述修补整合模块具体包括：
区域选定子模块，用于根据目标区域范围矢量生成预定义大小和波段数n的空白栅格数据作为合成底图；
基准选取子模块，用于以目标区域为约束，从所述无云数据碎片集中优先选取在目标区域中面积占比最大的两块影像碎片作为基准数据；融合镶嵌子模块，用于通过对两块影像碎片的重叠区中的所有像素进行逐波段的回归拟合，建立两者间的拟合模型并进行校正，使两者间的亮度和色调保持一致以实现色彩平衡，进一步将两者进行融合镶嵌；第一合成子模块，用于将融合数据逐波段复制至空白合成底图中；
第二合成子模块，用于判断底图是否仍有空缺的无数据区域，如无空缺则完成影像的合成，反之计算空缺的区域范围，并依据空缺区域的大小依次从所述无云数据碎片集中选取对应区域的最大面积的影像碎片；
其中，重复所述融合镶嵌子模块、所述第一合成子模块和所述第二合成子模块的动作，直至目标区域无数据空缺，实现无云影像的合成。
7.根据权利要求6所述的面向多云雨地区的碎片化遥感影像合成装置，其特征在于，所述数据校正模块具体包括：
系数获取子模块，用于基于晴空影像，获取传感器光谱归一化系数；
第一校正子模块，用于基于传感器光谱归一化系数，对多星、多时相的初始影像数据集进行分类，对分类后的影像数据集进行传感器辐射差异校正；
第二校正子模块，用于在分类的基础上，基于NDVI差值直方图和类别约束的PIFs选取方法，实现影像数据集的外部因子的辐射归一化。
8.根据权利要求6所述的面向多云雨地区的碎片化遥感影像合成装置，其特征在于，所述数据掩膜模块具体包括：
云层增强子模块，用于获取有云影像数据，基于色彩空间变换增强云层及其阴影；阀值获取子模块，用于获取增强的云层及其阴影的分割阀值；
云层获取子模块，用于对云层及其阴影区域分别进行数学形态膨胀与矢量化以得到云层及其阴影的分布范围；
数据获取子模块，用于基于分割阀值，将云层及其阴影的分布范围矢量与所述第一影像数据集进行掩膜处理以生成无云的碎片化数据。
技术说明书
一种面向多云雨地区的碎片化遥感影像合成方法及装置技术领域
本技术涉及遥感影像领域，特别涉及一种面向多云雨地区的碎片化遥感影像合成方法及装置。背景技术
我国东部和南部省份地区由于受海洋性季风或热带、亚热带气候条件的影响，常年多云雨天气，尤其在作物(植被)生长季内晴空天气更为少见，在遥感影像上
挡导致地表信息无法被遥感传感器接收，使得依赖于光学卫星遥感的资源调查、生态环境保护及作物遥感监测等遥感应用无法获得关键时相的无云影像数据
同空间分辨率和时间分辨率的卫星相继发射并投入使用，卫星过境频率大大提高，为实现地表信息的持续观测提供了潜力。在此背景下，如何从多星、多时于遥感应用是当前遥感应用中亟需解决的难题。
现有的去云处理技术主要基于单一类型传感器，如Landsat卫星的多时相遥感影像，选择同一区域的1期无云影像作为参考底图，通过对有云影像的辐射归一化
具有相对一致的辐射特征同时，计算出云分布范围，进而利用无云参考影像中的像元对有云影像中的云遮盖区域进行替换，从而达到去云的目的。技术流程
首先对有云影像和参考影像进行相对辐射归一化，使两者具有近似的色调和亮度等辐射特征。相对辐射归一化采用迭代加权多元变化检测变换法(Iteration Re
简称IR-MAD)，即利用多元变化检测的尺度不变特性来获取同区域两影像中的辐射不变像元(又称伪不变特征，如建筑物、道路、沙漠等，与植被不同，这些
时间发生变化)；基于这些伪不变特征像元对，采用正交回归方法计算有云影像和参考影像各波段的回归方程，然后利用该回归方程对有云影像逐波段地进行
然后，对辐射归一化后的有云影像采用阈值分割与聚类相结合的方法进行自动云检测，确定云分布范围。由于云层在影像各波段中均为高反射，表现为高亮
这种特性进行云检测。具体步骤为：1.通过聚类合并相似像元来完成影像分块；2.依据云区与地物像元的亮度值分布区间，利用阈值划分出影像中云区的种子测。3.以阈值法检测的种子区域为基础，再次利用聚类的思想，对尚未识别的区域进行细化聚类识别。
最后，利用光谱线性回归与云区域形态学膨胀相结合的方法，对影像云区域进行替换填补，起到去云效果。具体过程如下：1.将同一地区不同时期的无云参
行光谱线性回归拟合，以进一步消弱两幅图像中的光谱差异，得到参考影像的亮度归一化影像。2.使用平坦圆盘结构对有云影像中的云区域进行膨胀，与亮云或无云影像。现有技术缺点为：
1.现有技术大多仅利用了单一卫星来源的多时相数据进行有云影像的替换填补，在数据丰度上难以满足较高时效的应用需求。
2.现有技术对多时相影像的相对辐射归一化处理中，通过采用不同方法寻找影像对中的伪不变特征点建立回归方程，对整景影像进行全局化校正，并没有对
条件等外部因素差异进行区分，也没有考虑不同地类之间的辐射特性差异。
3.现有技术基于无云参考影像实现对目标影像的替补去云处理，其中作为参考的无云影像的获取是该方法的必要前提。然而在南方多云雨地区，要满足无云
应用。
4.现有技术采用基于聚类的云检测方法仅实现了对云分布范围的检测，而对于遥感影像而言，云层及其阴影区域通常是造成数据信息缺失的重要因素。该方
别和替补，这点也限制了方法的应用效果。
公开于该背景技术部分的信息仅仅旨在增加对本技术的总体背景的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域一般技术人员所公知技术内容
本技术的目的在于提供一种面向多云雨地区的碎片化遥感影像合成方法及装置，从而克服现有技术多时相数据的丰度较低、辐射特性差的缺点。
本技术的另一目的在于提供一种面向多云雨地区的碎片化遥感影像合成方法及装置，从而克服现有技术无云参考影像获取难、云层及其阴影区域造成数据信
为实现上述目的，根据本技术一方面，提供了一种面向多云雨地区的碎片化遥感影像合成方法，包括以下步骤：
S101：获取多云雨地区的多星、多时相的初始影像数据集；
S102：对所述初始影像数据集进行传感器和外部因子的辐射差异校正以获取辐射特征一致的第一影像数据集；S103：获取所述第一影像数据集的云层及其阴影分布范围，通过掩膜处理得到所述多云雨地区的无云数据碎片集；
S104：从所述无云数据碎片集选取基准数据子集，利用其它所述无云数据碎片集对缺失区域进行补修，获取所述多云雨地区的完整无云合成影像。
为实现上述目的，根据本技术另一方面，提供了一种面向多云雨地区的碎片化遥感影像合成装置，具体包括：数据获取模块，用于获取多云雨地区的多星、多时相的初始影像数据集；
数据校正模块，用于对所述初始影像数据集进行传感器和外部因子的辐射差异校正以获取辐射特征一致的第一影像数据集；数据掩膜模块，用于获取所述第一影像数据集的云层及其阴影分布范围，通过掩膜处理得到所述多云雨地区的无云数据碎片集；
修补整合模块，用于从所述无云数据碎片集选取基准数据子集，利用其它所述无云数据碎片集对缺失区域进行补修，获取所述多云雨地区的完整无云合成影与现有技术相比，本技术具有如下有益效果：
本技术在多星、多时相数据联合基础上，充分利用云影影像，尤其是常规处理中通常被舍弃的高云量影像当中的有用像元区域，通过碎片化有效数据的利用地区的遥感观测时空覆盖度。
本技术在相对辐射归一化处理当中考虑了传感器、外部因素以及不同地类之间的辐射特性差异，按地物类别进行半自动的高精度辐射校正。同时，对云层及
方法中仅对云层进行检测的不足，并且事先无需目标区域的完整无云参考影像作为替补数据源，提高了方法的应用效果以及应用范围，为推进我国国产卫星地区的遥感监测应用提供强有力的数据支持。
本技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本技术而了解。本技术的目的和其他优点可通过中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本技术的技术方案做进一步的详细描述。附图说明
附图用来提供对本技术的进一步理解，并且构成说明书的一部分，与本技术的实施例一起用于解释本技术，并不构成对本技术的限制。在附图中：图1是现有遥感影像合成方法的流程图。
图2是根据本技术面向多云雨地区的碎片化遥感影像合成方法的流程图。图3是根据本技术多源多时相影像相对辐射归一化流程图。
图4a为Landsat8-OLI基准传感器晴空影像，图4b为GF1-WFV1目标(待纠正)传感器晴空影像。
图5a为参考Landsat8影像，图5b为待校正GF1-WFV1影像，图5c为IR方法辐射归一化影像，图5d为本文方法辐射归一化影像。图6是根据本技术云影检测与影像有效数据生成的流程图。图7a和图7b是根据本技术同一地区的有云影像和无云影像。
图8a是云层增强效果，图8b是阴影增强效果，图8c云层区域二值化分割效果，图8d阴影区域二值化分割效果。图9a是原始影像，图9b云影检测结果，图9c影像有效数据，图9c中黑色部分为无数据区域。图10是根据本技术基于有效数据的影像合成流程图。图11a-图11h是根据本技术研究区的多云影像。图12是根据本技术基于有效数据的影像合成效果。
图13是根据本技术面向多云雨地区的碎片化遥感影像合成方法的结构图。图14是根据本技术数据校正模块的结构图。图15是根据本技术系数获取子模块的结构图。图16是根据本技术第一校正子模块的结构图。图17是根据本技术数据掩膜模块的结构图。图18是根据本技术修补整合模块的结构图。具体实施方式
下面结合附图，对本技术的具体实施方式进行详细描述，但应当理解本技术的保护范围并不受具体实施方式的限制。
在常规影像处理流程中，一般将云量大于50％的影像视为无用影像数据而舍弃，从而导致影像无云区域中有效像元信息的缺失。针对南方多云雨地区卫星影
盖的应用难题，本技术提出了多星、多时相影像联合的方法提高数据覆盖度，并采用基于碎片化无云有效数据的方式进行影像合成，从而满足多云雨地区对如图2所示，根据本技术具体实施方式的一种面向多云雨地区的碎片化遥感影像合成方法，包括以下步骤：步骤S101：获取多云雨地区的多星、多时相的初始影像数据集；
步骤S102：对初始影像数据集进行传感器和外部因子的辐射差异校正，消除多传感器和多时相影像之间因传感器性能、太阳高度、大气吸收和散射等引起的影像数据集；
步骤S103：对经辐射归一化校正的影像数据进行云影检测，获取第一影像数据集的云层及其阴影分布范围，通过掩膜处理得到多云雨地区的无云数据碎片集
步骤S104：根据实际应用对目标传感器及中心时相的要求，从无云数据碎片集选取基准数据子集，利用其它无云数据碎片集对缺失区域进行补修，获取多云
本技术借助相对辐射归一化、自动化云影检测、基于碎片化有效数据的影像合成等关键技术，从多星、多时相的有云影像数据中提取可用的像元区域，充分内的无云影像，为多云雨地区的遥感监测应用提供有力数据支撑。上述步骤S102如图3所示，具体包括：
步骤S201：基于晴空影像，采用分类回归的方式获取传感器光谱归一化系数；具体为：
此步骤中，以被选作参考影像的对应传感器为基准，其它传感器为待校正目标，选取两者具有重叠区域且时相相近(不超过1周)的晴空影像对进行相对校正，
小，两影像间的辐射差异主要来自传感器本身。传感器的光谱归一化过程具有相对独立性，因此晴空影像对的选取在时空分布上可有别于待纠正的影像数据
首先，对影像进行辐射定标，将DN值(DN值(Digital Number)是遥感影像像元亮度值，记录的地物的灰度值)转换为辐亮度，使不同影像像元值具有相同的量纲深)差异对拟合精度的影响。
其次，分别将其它传感器的晴空影像和参考传感器的晴空影像的重叠区影像进行植被、居民地、裸地、水体等大类的监督分类，并分别在各地类中随机自动最后，根据获取的样本点集，针对两影像中的不同波段和类别建立线性回归方程，求取回归系数即光谱归一化系数。
卫星传感器在一定时间内(通常为1-2年)性能相对稳定，因此，传感器的光谱归一化系数在该时段内可看作常量，并以查找表的形式加以利用，以提高参数复感器为基准对GF-WFV1进行传感器校正的回归模型，回归方程系数即为对应地类的光谱归一化系数。表1以Landsat8-LIO为基准的GF-WFV1回归模型
面向多云雨地区的碎片化遥感影像合成方法及设备的生产技术
