光学遥感卫星影像云检测与修复关键技术研究
光学遥感影像是对地遥感观测重要的数据源之一，已经广泛应用于地表覆盖制图、植被水体监测、矿物溢油探测和精细农业等诸多领域，为全球环境监测，环境资源管理，生态管理等提供了不可替代的支撑。然而，光学遥感影像受制于被动成像机理，不可避免会受到云及云阴影遮挡影响，在影像中形成低利用价值甚至无利用价值的无效像元，导致地物信息被遮盖或扭曲而影响解译和分析。遥感数据地面数据处理系统大多要求无效像元占比低于15%，造成大量含云影像被完全浪费，因此需要对影像中云及云阴影进行检测，并修复无效像元，恢复影像整体一致性，提高含云影像整体及单个像元利用率。现有研究主要集中在单张影像云检测与修复上，忽略了卫星遥感影像时间维度的相关性。随着现有卫星传感器历史观测数据的累积以及微纳小型敏捷卫星的发展，除空间维度外，时间维度将具备大量可供分析处理的遥感影像数据，利用不同时相影像之间的关系进行高精度、高效率的分析和处理具有重要意义。此外，得益于人工智能的发展，深度学习技术与遥感领域的结合日渐紧密，然而目前研究中将其简单迁移至遥感影像处理的方式仍有待提高，如何根据遥感观测数据自身特点，再借助高性能学习工具，提高深度学习在遥感领域的应用水平值得进一步研究。因此本文以多时相遥感影像为研究对象，利用不同时相影像自身相关性开展多时相遥感影像云检测与修复研究，并借助深度学习技术对单张影像云检测进行研究，以完善含云遥感影像处理流程。主要工作如下： (1)研究了基于语义分割网络的光学遥感影像云检测方法。传统机器学习方法模型较小，训练依赖人为设计的特征，特征表达能力和模型学习能力有限，而基于卷积神经网络的方法采用的模型容量大，可直接端到端地进行高维特征编码及模型参数学习，在计算机视觉领域图像分类、目标检测、语义分割等任务中的表现显著优于传统机器学习方法。现有研究主要集中在将计算机视觉领域先进的网络迁移至遥感图像处理，使用语义分割方法进行遥感影像云、云阴影、地表三个类别的分割而实现云检测，但忽略了真实遥感影像特性与实际处理方式的结合。遥感影像尺寸远大于卷积神经网络训练样本，实际处理时必须裁切成小影像块才能输入到网络中进行预测推理，因此本文根据遥感影像小影像块数据特点，对其进行场景语义信息编码，通过为U型结构的语义分割网络添加一个多标签分类分支，可以识别影像块的语义类别信息和学习类别相关的特征表示，并将特征表示反馈到语义分割网络解码器，选择性地增强解码器特征图中类别相关的特征及减弱类别无关的特征，进而提高语义分割精度。 (2)研究了基于矩阵分解的多时相遥感影像云检测方法。现有云检测方法的主要应用对象为单张遥感影像，少部分针对多时相影像的云检测方法需要完全无云影像为参考，目前没有直接利用多时相影像之间信息互补的特性对多时相含云遥感影像进行云检测的方法。为了适应日益增长的多时相影像分析处理需求，以及更好地挖掘遥感影像时间维度信息，本文以多张覆盖同一地区、不同时期成像的含云遥感影像为研究对象，利用矩阵分解方法实现批量云检测。将多期影像转换排列成矩阵，多时相影像之间的相关性则转化为矩阵列之间的相关性，利用矩阵分解方法，可将观测影像矩阵分解为低秩矩阵、组稀疏矩阵和噪声稀疏矩阵，分别对应于多时相影像中的无云地表信息、云及云阴影、噪声。分解得到的组稀疏矩阵直接二值化并转换回二维图像即为云及云阴影掩膜，无需任何后处理。区别于普通稀疏约束，组稀疏策略利用了云像元空间分布连续特性，对超像素目标进行约束，能有效减少检测结果中的噪声。此外，矩阵分解方法以低秩矩阵对地表信息进行建模，其低秩约束能与二维几何变换模型相结合，解决多时相影像间非像素级配准的问题，拓展了多时相影像云检测能力。 (3)研究了基于矩阵补充的多时相含云遥感影像修复方法。现有研究中针对含云遥感影像云修复的方法主要针对单张影像进行修复，且依赖无云影像作为参考信息，少部分针对多时相影像云修复的方法本质上仍为单张影像逐个修复，无法实现多期含云影像批量同时处理。本文以多时相含云遥感影像为研究对象，直接利用影像间相关性，同时完成所有影像云像元修复。将多时相影像排列成矩阵，云及云阴影遮挡像元视作影像信息缺失，利用低秩矩阵补充批量填充所有缺失信息。考虑到实际影像修复需求，对低秩矩阵补充方法进行改进，替换原始模型中的F范数为L1范数以提升鲁棒性，对影像待修复区域和原始有效观测区域设定不同的权值，保证无效像元修复的同时尽量保留原始观测信息。此外，在云掩膜基础上外扩一定范围设置缓冲区，并在其内部设置由无效区域线性过渡到有效区域的权值，减少缓冲区内原始观测信息的损失，并改善云掩膜边缘修复的平滑性。 综上所述，本文实现了光学遥感卫星影像云检测与修复整个流程。为了验证本文方法有效性，在研究内容章节对本文提出的三个方法进行了定量和定性实验，并在最后对整体技术方案在真实大尺寸遥感影像上进行了可行性验证和局限性分析。实验验证了本文提出方法的有效性，为多时相光学遥感影像云检测与修复提供借鉴。
光学遥感影像;云检测;云修复;语义分割;矩阵分解;矩阵补充
武汉大学
博士
摄影测量与遥感
张永军
2020
中文
P751
2021-06-30（万方平台首次上网日期，不代表论文的发表时间）