融合多光谱影像的高光谱影像厚云去除方法

㊀２０２２年４月A c t aG e o d a e t i c ae tC a r t o g r a p h i c aS i n i c a A p r i l,２０２２㊀㊀第５１卷㊀第４期测㊀绘㊀学㊀报V o l．５１,N o．４引文格式:王蓝星,王群明,童小华．融合多光谱影像的高光谱影像厚云去除方法[J]．测绘学报,２０２２,５１(４):６１２Ｇ６２１．D O I:１０．１１９４７/j．
A G C S．２０２２．２０２２００１７．
WA N G L a n x i n g,WA N G Q u n m i n g,T O N G X i a o h u a．T h i c k c l o u d r e m o v a lo f h y p e r s p e c t r a li m a g e s b y f u s i n g w i t h
m u l t i s p e c t r a l i m a g e s[J]．A c t a G e o d a e t i c a e t C a r t o g r a p h i c a S i n i c a,２０２２,５１(４):６１２Ｇ６２１．D O I:１０．１１９４７/j．A G C S．
２０２２．２０２２００１７．
融合多光谱影像的高光谱影像厚云去除方法
王蓝星１,王群明１,２,童小华１
１．同济大学测绘与地理信息学院,上海２０００９２;２．上海市数字光学前沿科学研究基地,上海２０００９２T h i c kc l o u dr e m o v a lo fh y p e r s p e c t r a l i m a g e sb y f u s i n g w i t h m u l t i s p e c t r a l i m a g e s
W A N GL a n x i n g１,W A N G Q u n m i n g１,２,T O N GX i a o h u a１
１．C o l l e g eo f S u r v e y i n g a n dG e oＧi n f o r m a t i c s,T o n g j i U n i v e r s i t y,S h a n g h a i２０００９２,C h i n a;２．S h a n g h a i D i g i t a l O p t i c s F r o n t i e r S c i e n t i f i cR e s e a r c hB a s e,S h a n g h a i２０００９２,C h i n a
A b s t r a c t:T h e c l o u dc o n t a m i n a t i o n i s s u e p o s e sas i g n i f i c a n t o b s t a c l e t o t h ea p p l i c a t i o no f h y p e r s p e c t r a l i m a g e s．E x i s t i n g c l o u dr e m o v a lm e t h o d su s u a l l y u s et e m p o r a l l y c l o s e i m a g e s f r o mt h es a m es e n s o r sa s c l o u d y i m a g e s t o p r o v i d e a u x i l i a r y i n f o r m a t i o n．U n f o r t u n a t e l y,t h e c o a r s e t e m p o r a lr e s o l u t i o n o f h y p e r s p e c t r a l i m a g e s(G FＧ５a n dE OＧ１h y p e r s p e c t r a l i m a g e s)m a y r e s u l t i n g r e a t l a n dc o v e r c h a n g e s．T h e f i n e r t e m p o r a l r e s o l u t i o no fm u l t i s p e c t r a l i m a g e s(L a n d s a t８O L I i m a g e s)a l l o w st o p r o v i d ea u x i l i a r y i n f o r m a t i o n t e m p o r a l l y c l o s e r t ot h eh y p e r s p e c t r a lc l o u d y i m a g e s,t h u sr e d u c i n g t h ee f f e c tu n c e r t a i n t y c a u s e db y l a n dc o v e r c h a n g e s．T od e a l w i t h t h e l a r g e s p e c t r a l d i f f e r e n c e sb e t w e e na u x i l i a r y m u l t i s p e c t r a l b a n d s a n dc l o u dＧc o n t a m i n a t e d h y p e r s p e c t r a l b a n d s,t h i s p a p e r a p p l i e d t h e s p a t i a lＧs p e c t r a lＧb a s e d r a n d o m f o r e s t(S S R F)m e t h o dt o u s e m u l t i s p e c t r a li m a g e s(L a n d s a t８O L Ii m a g e s)f o rc l o u d r e m o v a lo f h y p e r s p e c t r a l i m a g e s,n a m e l y,t h e S S R F_Mm e t h o d．
B e n e f i t i n g f r o m t h e s t r o n g n o n l i n e a r f i t t i n g a b i l i t y,t h e p r o p o s e dS S R F_M m e t h o dc a nu s es i m u l t a n e o u s l y t h ee f f e c t i v ei n f o r m a t i o nf r o m m u l t i p l eb a n d so f t h e a u x i l i a r y m u l t i s p e c t r a l i m a g e f o r c l o u d r e m o v a l o f e a c hh y p e r s p e c t r a l b a n d．I n t h i s p a p e r,t h eG FＧ５a n d E OＧ１h y p e r s p e c t r a li m a g e s w e r e u s e df o rc l o u d s i m u l a t i o n e x p e r i m e n t s．T h e v i s u a la n d q u a n t i t a t i v e e v a l u a t i o n r e s u l t s s h o w t h a t c o m p a r e dw i t h t h e s t r a t e g y u s i n g h o m o l o g o u sa u x i l i a r y i m a g e s,t h e p r o p o s e d S S R F_Mm e t h o dc a n r e c o n s t r u c t t h e i n f o r m a t i o n u n d e r c l o u d sm o r ea c c u r a t e l y．
K e y w o r d s:h y p e r s p e c t r a li m a g e s;t h i c k c l o u d r e m o v a l;G FＧ５;L a n d s a t８;E OＧ１;s p a t i a lＧs p e c t r a l r a n d o m f o r e s t
F o u n d a t i o n s u p p o r t:T h eN a t i o n a l N a t u r a l S c i e n c e F o u n d a t i o n o f C h i n a(N o s．４２１７１３４５;４１９７１２９７)
摘㊀要:云遮挡对高光谱影像的应用造成了不可忽视的影响.现有云去除方法通常利用时域近邻的同源影像提供辅助信息.然而,高光谱影像(如G FＧ５和E OＧ１高光谱影像)较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化.时间分辨率更高的多光谱影像(如L a n d s a t８O L I影像)能提供时间上更接近于高光谱云影像的辅助信息,从而减少地物覆被变化带来的影响.为应对高光谱和多光谱波段之间差异较大的问题,本文基于空谱随机森林(s p a t i a lＧs p e c t r a lＧb a s e dr a n d o mf o r e s t, S S R F)方法,提出一种利用多光谱影像(L a n d s a t８O L I影像)对高光谱影像进行厚云去除的方法,将其简记为S S R F_M.S S R F_M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建.本文使用G FＧ５和E OＧ１高光谱影像进行模拟云去除试验,视觉和定量评价结果均表明,与利用时间间隔更长的同源辅助影像的方法相比,本文方法能获得更高精度的云下信息重建结果.
第４期王蓝星,等:融合多光谱影像的高光谱影像厚云去除方法
关键词:高光谱影像;厚云去除;G FＧ５;L a n d s a t８;E OＧ１;空谱随机森林
中图分类号:P２２７㊀㊀㊀㊀文献标识码:A㊀㊀㊀㊀文章编号:１００１Ｇ１５９５(２０２２)０４Ｇ０６１２Ｇ１０基金项目:国家自然科学基金(４２１７１３４５;４１９７１２９７)
㊀㊀遥感影像对于全球地表监测具有重要的作用.其中,高光谱影像能提供地物丰富的光谱信息,被广泛应用于环境监测㊁精细农业㊁异常目标检测㊁海洋监测及地表矿物制图等领域[１Ｇ５],具有不可替代的地位.G FＧ５卫星于２０１８年５月发射,其作为全谱段的高光谱卫星,首次同时实现了对大气和陆地的综合观测,是中国高分专项中一颗重要的科研卫星,具有重大的应用价值.然而,云层(尤其是厚云)遮挡对高光谱影像的应用造成了较大的影响.研究高光谱影像的云去除问题具有重要意义.
现有的厚云去除(以下简称为 云去除 )方法大多针对于多光谱影像,主要分为３类:①基于空间信息的方法.此类方法仅利用云影像上非云区域中的有效信息(一般为云覆盖区域的邻近有效区域)对云覆盖区域进行重建[６Ｇ７].文献[８]通过分析影像结构和纹理的空间模式,计算待重建影像上已知的最相似图块对之间的偏移量,在能量函数最小化的前提下,通过复制已知像元的方式填补缺失值.然而,由于此类方法利用的已知信息较为有限,预测结果的不确定性较大(尤其在云覆盖区域较大且纹理较为复杂时).因此,此类方法更适用于小范围的云层去除.②基于时间信息的方法[９Ｇ１１].此类方法利用同一地区其他时间点获取的无云影像(即辅助影像)提供辅助信息,其关键在于利用辅助影像和云影像中共同无云区域的有效信息对两者之间的关系进行准确建模.然而,由于不同的地物往往随时间发生不同程度的变化,辅助影像与目标云影像之间的关系会随时间间隔增大变得愈加复杂,这给两者之间关系模型的构建造成了困难.因此,与目标云影像在时间上最接近的无云影像是辅助影像的最佳选择.能否获得时间上与目标云影像足够接近的辅助影像是此类方法能否获得令人满意的重建结果的关键因素.全局直方图匹配(g l o b a l l i n e a r h i s t o g r a m m a t c h,G L HM)方法[１２]基于辅助影像与云影像之间共同的无云区域数据构建两者之间的线性关系,从而对剩余缺失区域进行预测.
G L HM方法最初为解决L a n d s a t７E T M＋条带问题而提出,但对于云去除问题同样适用,该方法简单易实现,能够快速对大范围缺失数据进行重建.③基于时空信息的方法.此类方法综合利用时间和空间信息,相较于前两种方法,具有更好的稳定性,能够应对不同情况下云下缺失信息的重建任务[１３Ｇ１６].例如,增强的近邻相似像元插值法(m o d i f i e dn e i g h b o r h o o ds i m i l a r p i x e l i n t e r p o l a t o r, MN S P I)[１７]在预测每个云像元时,利用云影像本身的无云信息获得一个空间预测项,同时利用辅助影像上对应位置的有效信息估计一个时间预测项,最后根据影像中的景观同质程度和像元信息随时间变化程度为空间项和时间项赋予不同的权重,得到最终结果.MN S P I方法计算效率高且具有较好的准确性,是一种常用的云去除方法.此外,基于机器学习(如深度学习)的方法也得到了越来越广泛的应用[１８Ｇ１９],但其一般对训练样本的数量有较高的要求,如通常需要大量待预测区域之外的数据用于模型训练.文献[２０]提出一种自适应回归方法,综合利用长时间序列数据(部分影像包含局部云污染)进行云去除.文献[２１]基于光谱时间度量,使用KＧ近邻回归方法利用一年的无云影像预测缺失值.
与上述针对多光谱影像云去除的研究相比,高光谱影像的云去除面临着更多的挑战,其研究整体上远落后于多元谱影像云去除.分析上述云去除方法可以发现,辅助影像的利用是云去除的必要手段.然而,现有的高光谱数据时间分辨率往往较低.具体来说,G FＧ５卫星的重访周期为５１d[２２],E OＧ１高光谱数据的时间分辨率被设计为２００d[２３].因此,时域上最邻近的同源辅助影像与目标高光谱影像之间通常存在着较大的时间间隔,其间地物覆盖可能发生了较大的变化(例如植被的自然枯萎,农作物的轮作,城区的扩张等),使得辅助影像的参考价值大大降低.因而,对于高光谱影像(如G FＧ５和E OＧ１高光谱影像)的云去除,寻求其他具有更高时间分辨率的辅助影像(如多光谱影像)十分必要.
L a n d s a t系列数据是至今应用最广泛的多光谱数据之一[２４Ｇ３０].目前,L a n d s a t８卫星仍在稳定运行,其全球周期性覆盖,较高的时间分辨率(１６d)[３１]使得其更有可能提供时间上更接近于目标高光谱云影像的辅助影像.同时,其３０m空
３１６
A p r i l２０２２V o l．５１N o．４A G C S h t t p:ʊx b．s i n o m a p s．c o m
间分辨率和G FＧ５及E OＧ１高光谱影像一致.此外,L a n d s a t８卫星数据可供用户免费下载,是一种易获取的辅助影像.然而,现有云去除方法通常基于辅助影像与云影像波段一一区间对应的假设,即对任一含云波段,选取辅助影像中同区间的波段进行重建.但是,由于光谱分辨率不一致,多光谱影像与高光谱影像各波段的光谱区间(即光谱分辨率)设置存在较大的差异.现有方法无法用于基于多光谱辅助影像的高光谱云去除.为此,必须寻求更有效的波段映射模型以充分利用多光谱数据进行高光谱数据的云去除.
文献[３２]提出一种基于空谱信息的随机森林(s p a t i a lＧs p e c t r a lＧb a s e dr a n d o mf o r e s t,S S R F)方法,利用同源多光谱辅助影像对多光谱(即L a n d s a t和S e n t i n e lＧ２)遥感影像进行云去除. S S R F方法继承了经典的随机森林(R F)方法[３３]在描述因变量与自变量之间复杂非线性关系时的优势,其在对多光谱云覆盖影像的各个波段分别进行云去除时,可同时利用时域近邻影像的多个波段构建拟合模型,无须假设辅助影像与云影像波段一一对应.这些特点为异源数据的利用提供了可能.本文基于已有的S S R F方法,研究将其扩展至异源影像间的云去除情形,提出一种利用L a n d s a t８O L I影像作为辅助影像对高光谱影像(如G FＧ５和E OＧ１高光谱影像)进行云去除的方法(记为S S R F_M方法),以解决同源高光谱辅助影像因时间间隔较长而存在较大地物变化的难题.
１㊀本文方法
S S R F_M方法同时利用L a n d s a t８O L I数据的６个波段(b l u e㊁g r e e n㊁r e d㊁N I R㊁S W I R１和S W I R２波段)对G FＧ５或E OＧ１高光谱影像的每个云覆盖波段单独进行重建.具体来说,S S R F_ M方法在构建样本时,对于辅助数据中的有效像元,利用以其为中心的３ˑ３像元大小的图像块在６个波段的L a n d s a t反射率值作为样本的输入(即自变量),对应输出(即因变量)为待预测数据中同一位置下的有效高光谱像元的反射率值.本文对每个波段缺失像元的预测如下
^H(x,y,b p,t p)＝f(M(x,y,b１,t k),M(x,y,b２,
t k), ,M(x,y,b i,t k), ,
M(x,y,b６,t k))(１)式中,^H(x,y,b p,t p)表示待重建高光谱(即G FＧ５或E OＧ１)数据的b p波段中位于(x,y)的像元的反射率;f为基于随机森林描述的自变量与因变量之间的关系模型;M(x,y,b i,t k)为辅助多光谱(即L a n d s a t)数据波段b i中以(x,y)处像元为中心的３ˑ３像元大小的图像块.图１为S S R F_ M的实施流程
.
图１㊀S S R F_M流程(以高光谱单波段为例)
F i g．１㊀T h e p r o p o s e dS S R F_M m e t h o d f o r t h i c k c l o u d
r e m o v a l(t a k i n g as i n g l eb a n do f H S Ia sa n
e x a m p l e)
S S R F_M的实施主要包括两个阶段:S S R F 模型训练和云下信息重建(即预测阶段).其对高光谱影像中每个云覆盖波段单独处理,具体如下.１．１㊀训练阶段
１．１．１㊀构建训练样本
(１)获取待重建高光谱影像的云掩膜,用于区分云覆盖区域和无云区域.原始云掩膜中通常赋予云及其阴影不同取值以便区分,在本文中将云和阴影均视为缺失区域生成新的掩膜进行预测.
(２)获取与待重建高光谱影像在时间上最接近的覆盖同一地区的无云L a n d s a t８O L I影像,作为辅助影像.
(３)利用云掩膜提取辅助影像与云影像上共同的无云区域数据.同时,利用云掩膜在辅助影像上提取云影像中云覆盖区域对应位置的有效
４１６
第４期王蓝星,等:融合多光谱影像的高光谱影像厚云去除方法
数据.
(４)利用上一步中的无云区域数据构建训练数据.具体来说,自变量(即输入)为辅助的L a n d s a t数据中的图像块,因变量(即输出)为目标云覆盖高光谱波段中对应的无云数据.根据常用经验值,本文随机选择３０％的样本进行训练,剩下的７０％的样本用于评价训练模型的准确性.同时,将树的数量设置为１００.
１．１．２㊀S S R F模型训练
将得到的训练数据输入S S R F,获得自变量(即６个L a n d s a t波段下的３ˑ３像元图像块)和因变量(即高光谱单个波段中的缺失像元)之间的非线性关系模型(即式(１)中的f).本文基于R 软件运行S S R F程序.
１．２㊀预测阶段
１．２．１㊀构建预测样本
利用构建训练样本阶段中步骤(３)中得到的云覆盖区对应L a n d s a t辅助影像上的有效数据,构建测试数据(即图块自变量),作为预测数据的输入.
１．２．２㊀S S R F模型预测
将上一步中的测试数据输入通过步骤１．２训练好的S S R F模型,得到云像元的预测数据.以上步骤依次用于高光谱影像各波段进行云去除.２㊀试㊀验
２．１㊀试验数据
本文利用G FＧ５和E OＧ１高光谱影像,选取３个不同的区域进行模拟的厚云去除试验.每个区域均包含一景用于生成模拟云影像的无云高光谱影像,还包括用于提供时间辅助信息的一景同源高光谱影像以及一景异源(L a n d s a t８O L I)多光谱影像.试验中使用的３类数据的空间分辨率均为３０m(图２).使用数据的具体信息见表１.如图２所示,对于每个区域,本文基于无云参考影像生成模拟云影像.特别地,区域３的云掩膜基于其他区域真实的云生成,最大限度地接近于真实的云覆盖情况,而其余两个区域中,云均为人工随机生成.各区域中高光谱影像和多光谱影像显示时R G B波段均一一对应.区域１和区域２均选自中国北京,为典型的城市区域,异质性较强,纹理复杂.其中,区域１中同源辅助影像和异源辅助影像均与模拟的云覆盖影像较为相似,其原因可能在于该地区种植的植被四季常青.然而,在区域２中,同源的辅助影像与云覆盖影像之间存在明显的色调差异,其原因在于两者之间时间间隔较大,地物发生了一定程度的季节性变化.相比之下,与云覆盖影像之间时间间隔更小的异源辅助影像与前者在视觉上十分接近.区域３选自美国法戈,其作为典型的农业区域,匀质性较好,然而对比同源辅助影像和云覆盖影像看可以看出,该区域地物发生了显著的变化,整体色彩差异较大,给同源高光谱辅助信息的利用造成了一定的困难.反之,L a n d s a t８O L I影像的获取时间更接近于云覆盖影像,二者在视觉上更为接近.试验中使用的高光谱影像均剔除了质量较差的波段.此后,本文分别利用与参考影像同源的无云影像以及L a n d s a t８O L I无云影像作为辅助影像,重建模拟云影像的云下缺失信息.
表１㊀厚云去除试验数据
T a b．１㊀D a t a u s e d i n t h e t h i c k c l o u d r e m o v a l e x p e r i m e n t s
区域编号所在地区域大小/像素数据类型使用波段数获取日期t p获取日期t k 区域１中国,北京３００ˑ３００G FＧ５３０５２０１９Ｇ１２Ｇ１２２０１９Ｇ０３Ｇ２５
L a n d s a t８O L I６２０１９Ｇ１０Ｇ３０区域２中国,北京２８０ˑ１７０E OＧ１９３２０１５Ｇ０２Ｇ１１２０１４Ｇ１２Ｇ１６
L a n d s a t８O L I６２０１４Ｇ１２Ｇ２９区域３美国,法戈２４０ˑ１８０E OＧ１８６２０１５Ｇ０９Ｇ０２２０１５Ｇ０７Ｇ２６
L a n d s a t８O L I６２０１５Ｇ０８Ｇ２６㊀注:t p和t k分别表示模拟云影像和辅助影像的获取日期.
２．２㊀试验内容
为论证S S R F_M的有效性,本文将其与经典的MN S P I方法进行了对比.MN S P I方法作为一种典型的主流方法,利用同源数据提供辅助信息,要求辅助影像与云影像波段之间存在一一对应的关系,不适用于利用异源辅助影像的情况.考虑到MN S P I方法仅能利用单个波段的辅助数据参与对应波段的云去除,为进一步在方法层面
５１６
A p
r i l ２０２２V o l ．５１N o ．４A G C S h t t p :ʊx b ．s i n o m a p
s ．c o m 验证S S R F _M 的有效性,本文测试了同样计算简单,且能同时利用多个波段进行预测的G L HM 方法.为使G L HM 方法在数据利用层面上与
S S R F _M 更接近,同样基于３ˑ３局部图像块进行运算,故将其称为利用多光谱影像的空谱
G L HM (s p a t i a l Ｇs p
e c t r a lG L HM ,S S G L HM _M )方法.总之,对于每个区域的模拟云影像,同时测试了３种云去除的方法:①S S R F _M :基于S S R F 方法,利用L a n d s a t ８O L I 作为辅助影像;
②MN S P I _H :基于MN S P I 方法,
利用与云影像同源的其他时间点获取的无云高光谱影像作为辅助影像.③S S G L HM _M :基于G L HM 方法,利用L a n d s a t ８O L I 辅助影像所提供的空间和光谱信息.需要说明的是,本文提出的S S R F _M 仅需利用单景辅助影像,具有简单易实现的优势,故并未将其与需要大量辅助影像或训练数据(例如需
多景或一年内的所有可用辅助影像)的方法[
１８Ｇ２１]进行对比
.
注:３个区域高光谱影像分别以波段１５０㊁１０㊁３,１６３㊁１１１㊁６５和１６１㊁１０４㊁５８为R G B 组合;区域１的L a n d s a t 影像以r e d
㊁b l u e ㊁g
r e e n ,区域２和区域３的L a n d s a t 影像均以S W I R １㊁N I R ㊁b l u e 为R G B 组合.图２㊀区域１ 区域３中云去除试验数据
F i g ．２㊀E x p e r i m e n t a l d a t a i n r e g i o n１ r e g
i o n３㊀㊀对３种方法的预测结果进行了定性和定量评价,前者包括两种不同波段组合的视觉效果展示,
后者包括４种评价指标,即均方根误差(R M S E ),相关系数(c o r r e l a t i o nc o e f f i c i e n t ,C C )
,通用图像６
１６
第４期
王蓝星,等:融合多光谱影像的高光谱影像厚云去除方法
质量指数(u n i v e r s a l i m a g e q u a l i t y i
n d e x ,U I Q I )[３４]和光谱角距离(s p e c t r a l a n g l e m a p p e r ,S AM )
.评价指标均基于云区域的所有像元计算.值得注意的是,前３项指标均基于单个波段进行计算,而S AM 先基于单个像元运算然后取所有像元结果的均值.４种评价指标的计算公式如下.
(１)R M S E .R M S E 能够衡量预测影像与参考影像之间的差异性,其值越小表明预测结果越理想,理想值为０.R M S E 定义如下
R M S E ＝
１
m n
ðm x ＝１ðn
y ＝１
P
b
(x ,y )－R b (x ,y )
[](２
)式中,P b (x ,y )和R b (x ,y )
分别表示大小为m ˑn 像元的影像P 和R 在位置(x ,y )
处波段b 的像元值.
(２)C C .C C 反映预测影像与参考影像之间的相关性,其值越接近于１表明预测影像与参考影像越接近.C C 定义如下
C C ＝
ðm
x ＝１ðn
y ＝１
P
b
(x ,y )－ P b []R b (x ,y )－ R
b []ðm
x ＝１ð
n
y ＝１
P b (x ,y )
－ P b []２ðm x ＝１ð
n
y ＝１
R b (x ,y )
－ R b []２(３
)式中, P b 和 R b 分别为影像P 和R 在波段b 的均值.
(３)U I Q I .U I Q I 用于评价预测影像与参考
影像之间空间结构的相似程度,其值越接近于１表明预测影像的重建质量越好.U I Q I 定义为
U I Q I ＝σP b R b
σP b σR b ˑ２P b R b
P b ２＋R b ２ˑ２σP b σR b
σ２P b ＋σ２
R b
(４
)式中,σP b R b 为影像P 和R 在波段b 的协方差;σP b 和σR b
分别为影像P 和R 在b 波段的标准差.(４)S AM .S AM 用于衡量预测影像与参考影像在光谱维度上的接近程度S AM ＝a r c c o s ㊀１m
n ðm
x ＝１ðn
y ＝１R (x ,y )P ᶄ(x ,y )
(R (x ,y )R ᶄ(x ,y ))(P (x ,y )P ᶄ(x ,y ))
éëêêùûúú(５
)式中,R (x ,y )＝[R (x ,y ,１
),R (x ,y ,２), ,R (x ,y ,b N )],P (x ,y )＝[
P (x ,y ,１),P (x ,y ,２), ,P (x ,y ,b N )],两者分别表示影像R 和P 在位置(x ,y )
处所有波段像元值组成的光谱向量.R ᶄ(x ,y )和P ᶄ(x ,y )分别为R (x ,y )和P (x ,y )的转置.N 为影像的波段数.
２．３㊀试验结果及分析图３中以假彩色(同一区域用同种波段组合)显示出３种云层去除方法的结果.由图３可以看出,３种方法在城市区(区域１和区域２)都以较好的视觉连续性重建了云下区域的信息.对于地物发生更为复杂变化的农业区(区域３),S S G L HM _
M 的结果中非云区域与云区域之间存在较为明
显的接缝,而MN S P I _H 的结果中存在着明显的色调异常.例如,在图３中,MN S P I _H 将区域３中部紫色的地物错误地预测为粉色和蓝色.相反地,本文提出的S S R F _M 在区域３中同样表现出令人满意的性能,其重建结果在视觉上具备较好的连续性,且无明显的色调异常.为更清楚地对比３种方法的重建结果,图３对每个区域放大展示了一个子区域.可以看出,M N S P I _H 方法的重建结果均存在着明显的噪声,且在区域１和区域３
中存在着明显的色调异常.相较之下,两种利用多光谱影像作为辅助影像的方法(即S S R F _M 和S S G L HM _M )
能得到更接近于参考影像的重建结果.这表示与获取时间距目标影像更远的同源高光谱影像相比,在时间上更接近的多光谱影像能提供更准确的辅助信息.进一步地,与S S G L HM _M 相比,S S R F _M 的重建结果在色调上与参考影像更为接近.
为定量评估３种方法,将４种评价指标对应的值绘制成条形图,如图４所示,其中R M S E ㊁C C 和U I Q I 为其在所有波段的平均值.由图４可知,在３个试验区域中,S S R F _M 重建结果的R M S E 最小,C C 和U I Q I 最大,而MN S P I _H 方法的R M S E 最大,C C 与U I Q I 最小.对于S AM ,S S R F _M 在区域１的结果与G L HM _M 几乎相
同,而在区域２和区域３中,前者的结果具有较为
明显的优势.此外,图５展示了３个区域数据中每个波段的R M S E 值.由图５可知,在３种方法的预测结果中,S S R F _M 在各个波段下的R M S E
几乎始终处于最下方(即R M S E 值最小)
.由此可以说明,本文提出的S S R F _M 能以更高的精度恢复云下缺失信息.
７
１６
A p
r i l ２０２２V o l ．５１N o ．４A G C S h t t p :ʊx b ．s i n o m a p
s ．c o
m 注:３个区域分别以波段１５０㊁１０㊁３,１６３㊁１１１㊁６５和１６１㊁１０４㊁５８为R G B 组合;
白色线框内为模拟的云区域.图３㊀区域１ 区域３中３种方法的预测结果
F i g ．３㊀P r e d i c t i o n s o f t h r e em e t h o d s i n r e g i o n１ r e g
i o n３８
１６
第４期
王蓝星,等:
融合多光谱影像的高光谱影像厚云去除方法
注:RM S E ㊁C C 和U I Q I 为各波段的平均值,S AM 先基于单个像元计算然后取所有像元结果的均值.
图４㊀区域１ 区域３中３种方法预测结果的精度
F i g ．４㊀A c c u r a c i e s o f t h e t h r e em e t h o d s i n r e g i o n１ r e g
i o
n３图５㊀区域１ 区域３模拟云层去除结果各波段R M S E 折线图F i g ．５㊀R M S E s o f t h e t h r e em e t h o d s i n r e g i o n１ r e g
i o n３㊀㊀此外,
为进一步检验各方法预测光谱的准确性,在每个区域中随机选取了两个像元,并展示其在参考影像及不同方法预测结果中的光谱曲线,
如图６所示.可以发现,S S R F _M 预测的光谱曲线普遍与参考影像更为接近,表明其能够更大程度地恢复缺失像元的光谱信息
.
图６㊀区域１ 区域３中３种方法预测的像元光谱曲线
F i g ．６㊀S p e c t r a o f t w o r a n d o m l y s e l e c t e d p i x e l s p r e d i c t e db y t h e t h r e em e t h o d s i n r e g i o n１ r e g
i o n３９
１６
A p r i l２０２２V o l．５１N o．４A G C S h t t p:ʊx b．s i n o m a p s．c o m
３㊀结㊀论
本文提出一种利用时间分辨率较高的多光谱影像(L a n d s a t８O L I影像)对时间分辨率较低的高光谱影像(G FＧ５和E OＧ１高光谱影像)进行云去除的方法(S S R F_M),一定程度上解决了同源高光谱辅助影像因时间间隔过大而可用价值偏低的问题.S S R F_M在描述因变量与自变量之间复杂非线性关系时的优势使其能够同时利用辅助多光谱影像的多个波段数据对高光谱各个云覆盖波段进行重建,无须辅助波段和云覆盖波段区间一一对应.试验表明,与利用同源高光谱数据作为辅助影像的方法(MN S P I_H)及利用L a n d s a t８O L I数据作为辅助影像的线性拟合方法(S S G L HM_M)相比,S S R F_M能得到更准确的结果.值得注意的是,S S R F方法对空间信息的挖掘能力仍有待进一步提高,在更大的空间范围内筛选一定数量的相似像元是一种可能的有效方法.此外,也可考虑发展其他有效的学习模型,在预测时充分利用空间邻域信息.
参考文献:
[１]㊀李敏,朱国康,张学武,等．基于多孔径映射的高光谱异常检测算法[J]．测绘学报,２０１６,４５(１０):１２２２Ｇ１２３０．D O I:
１０．１１９４７/J．A G C S．２０１６．２０１６０１１９．
L I M i n,Z HU G u o k a n g,Z HA N G X u e w u,e t a l．A n
a n o m a l y d e t e c t o r
b a s e d o nm u l t iＧa p e r t u r em a p p i n g f o r h yＧ
p e r s p e c t r a l d a t a[J]．A c t aG e o d a e t i c a e t C a r t o g r a p h i c a S i nＧ
i c a,２０１６,４５(１０):１２２２Ｇ１２３０．D O I:１０．１１９４７/J．A G C S．
２０１６．２０１６０１１９．
[２]㊀L UX i a o q i a n g,WA N GY u l o n g,Y U A NY u a n．G r a p hＧr e g uＧl a r i z e dl o wＧr a n kr e p r e s e n t a t i o nf o rd e s t r i p i n g o fh y p e rＧ
s p e c t r a l i m a g e s[J]．I E E ET r a n s a c t i o n so nG e o s c i e n c e a n d
R e m o t eS e n s i n g,２０１３,５１(７):４００９Ｇ４０１８．
[３]㊀K R U S E F A,B O A R D MA NJ W,HU N T I N G T O NJF．
C o m p a r i s o no fa i r b o r n eh y p e r s p e c t r a l d a t aa n dE OＧ１h yＧ
p e r i o n f o rm i n e r a lm a p p i n g[J]．I E E ET r a n s a c t i o n s o nG eＧ
o s c i e n c e a n dR e m o t eS e n s i n g,２００３,４１(６):１３８８Ｇ１４００．[４]㊀E I S MA N N M T,S T O C K E R A D,N A S R A B A D IN M．
A u t o m a t e dh y p e r s p e c t r a lc u e i n g f o rc i v i l i a n s e a r c h a n d
r e s c u e[J]．P r o c e e d i n g s o f t h e I E E E,２００９,９７(６):
１０３１Ｇ１０５５．
[５]㊀G U I L L E MO T C,L E M E U R O．I m a g e i n p a i n t i n g:o v e rＧv i e w a n d r e c e n ta d v a n c e s[J]．I E E E S i g n a l P r o c e s s i n g
M a g a z i n e,２０１４,３１(１):１２７Ｇ１４４．
[６]㊀刘冰,左溪冰,谭熊,等．高光谱影像分类的深度少样例学习方法[J]．测绘学报,２０２０,４９(１０):１３３１Ｇ１３４２．D O I:１０．
１１９４７/J．A G C S．２０２０．２０１９０４８６．
L I U B i n g,Z U O X i b i n g,T A N X i o n g,e ta l．A d e e p f e wＧ
s h o t l e a r n i n g a l g o r i t h mf o r h y p e r s p e c t r a l i m a g e c l a s s i f i c aＧ
t i o n[J]．A c t aG e o d a e t i c a e tC a r t o g r a p h i c aS i n i c a,２０２０,４９
(１０):１３３１Ｇ１３４２．D O I:１０．１１９４７/J．A G C S．２０２０．２０１９０４８６．[７]㊀S I R A V E N H A AC,S O U S A D,B I S P O A,e t a l．E v a l u aＧt i n g i n p a i n t i n g m e t h o d s t o t h e s a t e l l i t e i m a g e s c l o u d sa n d
s h a d o w s r e m o v i n g[C]ʊP r o c e e d i n g so f２０１１S i g n a lP r oＧ
c e s s i n g,I m a g eP r o c e s s i n g a n
d P a t t
e r n R e c o g n i t i o n．J e j u
I s l a n d,K o r e a:S P P R,２０１１．
[８]㊀C H E N G Q i n g,S H E N H u a n f e n g,Z HA N G L i a n g p e i,e t a l．M i s s i n g i n f o r m a t i o n r e c o n s t r u c t i o n f o r s i n g l e r e m o t e s e n sＧ
i n g i m a g e su s i n g s t r u c t u r eＧp r e s e r v i n gg l o b a lo p t i m i z a t i o n
[J]．I E E E S i g n a l P r o c e s s i n g L e t t e r s,２０１７,２４(８):
１１６３Ｇ１１６７．
[９]㊀L O R E N Z I L,M E L G A N IF,M E R C I E RG．M i s s i n gＧa r e a r eＧ
c o n s t r u c t i o n i n m u l t i s p e c t r a l i m a g e su n
d
e rac o m p r e s s i v e
s e n s i n gp e r s p e c t i v e[J]．I E E E T r a n s a c t i o n so nG e o s c i e n c e
a n dR e m o t eS e n s i n g,２０１３,５１(７):３９９８Ｇ４００８．
[１０]㊀L I NCH,T S A I PH,L A IK a n g h u a,e t a l．C l o u d r e m o v a l
f r o m m u l t i t e m p o r a l s a t e l l i t e i m a
g e s u s i n g i n f o r m a t i o n c l oＧ
n i n g[J]．I E E E T r a n s a c t i o n so n G e o s c i e n c ea n d R e m o t e
S e n s i n g,２０１３,５１(１):２３２Ｇ２４１．
[１１]㊀L I NC,L A IK,C H E NZ,e t a l．P a t c hＧb a s e d i n f o r m a t i o n r eＧ
c o n s t r u c t i o no fc l o u dＧc o n t a m i n a t e
d m u l t i t
e m p o r a l i m a g e s
[J]．I E E E T r a n s a c t i o n so nG e o s c i e n c ea n dR e m o t eS e n sＧ
i n g,２０１４,５２(１):１６３Ｇ１７４．
[１２]㊀C H E N F e n g,T A N G L i n a,Q I U Q u a n y i．E x p l o i t a t i o no f
C B E R SＧ０２Ba sa u x i l i a r y d a t a i nr e c o v e r i n g t h eL a n d s a t７
E TM＋S L CＧo f f i m a g e[C]ʊP r o c e e d i n g so f t h e１８t hI nＧ
t e r n a t i o n a l C o n f e r e n c eo nG e o i n f o r m a t i c s．B e i j i n g,C h i n a:
I E E E,２０１０．
[１３]㊀C H E N G Q i n g,S H E N H u a n f e n g,Z HA N G L i a n g p e i,e t a l．
C l o u d r e m o v a l f o r r e m o t e l y s e n s e d i m a g e s b y s i m i l a r p i x e l
r e p l a c e m e n t g u i d e d w i t h as p a t i oＧt e m p o r a l M R F m o d e l
[J]．I S P R SJ o u r n a l o f P h o t o g r a mm e t r y a n dR e m o t e S e n sＧ
i n g,２０１４,９２:５４Ｇ６８．
[１４]㊀C H E NB i n,H U A N GB o,C H E N L i f a n,e t a l．S p a t i a l l y a n d t e m p o r a l l y w e i g h t e d r e g r e s s i o n:a n o v e l m e t h o d t o
p r o d u c e c o n t i n u o u sc l o u dＧf r e el a n d s a t i m a g e r y[J]．I E E E
T r a n s a c t i o n so n G e o s c i e n c ea n d R e m o t eS e n s i n g,２０１７,
５５(１):２７Ｇ３７．
[１５]㊀梁栋,孔颉,胡根生,等．基于支持向量机的遥感影像厚云及云阴影去除[J]．测绘学报,２０１２,４１(２):２２５Ｇ
２３１,２３８．
L I A N G D o n g,K O N GJ i e,HU G e n s h e n g,e t a l．T h e r eＧ
m o v a l o f t h i c kc l o u da n dc l o u ds h a d o wo f r e m o t es e n s i n g
i m a g e b a s e d o n s u p p o r t v e c t o r m a c h i n e[J]．A c t a
G e o d a e t i c a e tC a r t o g r a p h i c aS i n i c a,２０１２,４１(２):２２５Ｇ
２３１,２３８．
[１６]㊀G A O G u o m i n g,G U Y a n f e n g．M u l t i t e m p o r a l L a n d s a tm i s s i n g
d a t a r
e c o v e r y b a s e do nt e m p oＧs p e c t r a la n g l e m o d e l[J]．
I E E E T r a n s a c t i o n so n G e o s c i e n c ea n d R e m o t eS e n s i n g,
０２６
第４期王蓝星,等:融合多光谱影像的高光谱影像厚云去除方法
２０１７,５５(７):３６５６Ｇ３６６８．
[１７]㊀Z HU X i a o l i n,G A OF e n g,L I U D e s h e n g,e t a l．A m o d i f i e d n e i g h b o r h o o d s i m i l a r p i x e l i n t e r p o l a t o r a p p r o a c h f o r r e m oＧ
v i n g t h i c k c l o u d s i nL a n d s a t i m a g e s[J]．I E E E G e o s c i e n c e
a n dR e m o t eS e n s i n g L e t t e r s,２０１２,９(３):５２１Ｇ５２５．[１８]㊀L IX i n g h u a,S H E N H u a n f e n g,Z H A N GL i a n g p e i,e t a l．S p a r s eＧ
b a s e dr e
c o n s t r u c t i o n o f m i s s i n g i n f o r m a t i o n i n r e m o t e
s e n s i n g i m a g e s f r o ms p e c t r a l/t e m p o r a l c o m p l e m e n t a r y i nＧ
f o r m a t i o n[J]．I S P R SJ o u r n a l o fP h o t o
g r a mm e t r y a n dR eＧ
m o t eS e n s i n g,２０１５,１０６:１Ｇ１５．
[１９]㊀L I X i n g h u a,S H E NH u a n f e n g,L IH u i f a n g,e t a l．P a t c hm a t c h i n gＧ
b a s e d m u l t i t e m p o r a l g r o u p s p a r s er e p r e s e n t a t i o nf o rt h e
m i s s i n g i n f o r m a t i o n r e c o n s t r u c t i o no f r e m o t eＧs e n s i n g i m aＧ
g e s[J]．I E E EJ o u r n a l o f S e l e c t e dT o p i c s i nA p p l i e dE a r t h
O b s e r v a t i o n s a n dR e m o t eS e n s i n g,２０１６,９(８):３６２９Ｇ３６４１．[２０]㊀C A O R u y i n,C H E N Y a n g,C H E NJ i n,e t a l．T h i c k c l o u d r e m o v a l i n L a n d s a ti m a g e s b a s e d o n a u t o r e g r e s s i o n o f
L a n d s a t t i m eＧs e r i e sd a t a[J]．R e m o t eS e n s i n g o fE n v i r o nＧ
m e n t,２０２０,２４９:１１２００１．
[２１]㊀T A N G Z h i p e n g,A D H I K A R IH,P E L L I K K APKE,e t a l．
A m e t h o d f o r p r e d i c t i n g l a r g eＧa r e am i s s i n g o b s e r v a t i o n s i n
L a n d s a t t i m es e r i e su s i n g s p e c t r a lＧt e m p o r a l m e t r i c s[J]．
I n t e r n a t i o n a lJ o u r n a lo f A p p l i e d E a r t h O b s e r v a t i o n a n d
G e o i n f o r m a t i o n,２０２１,９９:１０２３１９．
[２２]㊀T A N K u n,WA N GX u e,N I UC h a o,e t a l．V i c a r i o u s c a l iＧ
b r a t i o n f o r t h e A H S I i n s t r u m e n t o f G a o f e nＧ５w i t h
r e f e r e n c et o t h e C R C S D u n h u a n g t e s ts i t e[J]．I E E E
T r a n s a c t i o n so n G e o s c i e n c ea n d R e m o t eS e n s i n g,２０２１,
５９(４):３４０９Ｇ３４１９．
[２３]㊀U S G S．E OＧ１u s e r g u i d e．[２０２２Ｇ０２Ｇ０５]．h t t p s:ʊw w w．u s g s．
g o v/m e d i a/f i l e s/e oＧ１Ｇu s e rＧg u i d eＧvＧ２３．
[２４]㊀S H E N H u a n f e n g,L IX i n g h u a,C H E N GQ i n g,e t a l．M i s s i n g
i n f o r m a t i o n r e c o n s t r u c t i o no f r e m o t e s e n s i n g d a t a:a t e c hＧ
n i c a lr e v i e w[J]．I E E E G e o s c i e n c ea n d R e m o t eS e n s i n g
M a g a z i n e,２０１５,３(３):６１Ｇ８５．
[２５]㊀W A N G Q u n m i n g,T A N G Y i j i e,T O N GX i a o h u a,e t a l．V i r t u a l
i m a g e p a i rＧb a s e d s p a t i oＧt e m p o r a l f u s i o n[J]．R e m o t e
S e n s i n g o fE n v i r o n m e n t,２０２０,２４９:１１２００９．
[２６]㊀Y A NL,R O Y DP．C o n t e r m i n o u s u n i t e ds t a t e s c r o p f i e l d s i z e q u a n t i f i c a t i o nf r o m m u l t iＧt e m p o r a lL a n d s a td a t a[J]．
R e m o t eS e n s i n g o fE n v i r o n m e n t,２０１６,１７２:６７Ｇ８６．[２７]㊀Z H U Z h e,W O O D C O C K CE．C o n t i n u o u s c h a n g ed e t e c t i o n
a n dc l a s s i f i c a t i o no f l a n dc o v e ru s i n g a l l a v a i l a
b l eL a n d s a t
d a t a[J]．R
e m o t eS e n s i n g o fE n v i r o n m e n t,２０１４,１４４:
１５２Ｇ１７１．
[２８]㊀S H E N G Y o n g w e i,S O N G C h u n q i a o,WA N GJ i d a,e t a l．R e p r e s e n t a t i v e l a k e w a t e re x t e n t m a p p i n g a tc o n t i n e n t a l
s c a l e s u s i n g m u l t iＧt e m p o r a l L a n d s a tＧ８i m a g e r y[J]．
R e m o t eS e n s i n g o fE n v i r o n m e n t,２０１６,１８５:１２９Ｇ１４１．[２９]㊀S H E N H u a n f e n g,H U A N GL i w e n,Z H A N GL i a n g p e i,e t a l．L o n gＧt e r ma n d f i n eＧs c a l e s a t e l l i t em o n i t o r i n g o f t h eu r b a n
h e a t i s l a n d e f f e c t b y t h ef u s i o n o f m u l t iＧt e m p o r a la n d
m u l t iＧs e n s o r r e m o t es e n s e dd a t a:a２６Ｇy e a r c a s es t u d y o f
t h e c i t y o fW u h a n i nC h i n a[J]．R e m o t eS e n s i n g o fE n v iＧ
r o n m e n t,２０１６,１７２:１０９Ｇ１２５．
[３０]㊀L I UZ h a o y a n,T A N G L i n g l i,L IC h u a n r o n g,e t a l．TＧSf u z z y r e m o t e s e n s i n g m o n i t o r i n g m o d e lo f s n a i ld i s t r i b u t i o nb y
L a n d s a t８a n d S e n t i n e l２d a t a．J o u r n a lo f G e o d e s y a n d
G e o i n f o r m a t i o nS c i e n c e,２０２０,３(４):１１８Ｇ１２５．
[３１]㊀U S G S．L a n d s a t８d a t a u s e r s h a n d b o o k．[２０２２Ｇ０２Ｇ０５]．h t t p s:ʊw w w．u s g s．g o v/m e d i a/f i l e s/l a n d s a tＧ８Ｇd a t aＧu s e r sＧh a n dＧ
b o o k．
[３２]㊀WAN G Q u n m i n g,WAN G L a n x i n g,Z h uX i a o l i n,e t a l．R e m o t e s e n s i n g i m a g e g a p f i l l i n g b a s e do ns p a t i a lＧs p e c t r a l
r a n d o m f o r e s t[J]．S c i e n c e o f R e m o t e S e n s i n g,２０２２,
５:１０００４８．
[３３]㊀B R E I M A NL．R a n d o mf o r e s t s[J]．M a c h i n eL e a r n i n g,２００１,４５:５Ｇ３２．
[３４]㊀WA N GZ h o u,B O V I K AC．Au n i v e r s a l i m a g e q u a l i t y i nＧ
d e x[J]．I E E E S i g n a lP r o c e s s i n g L e t t e r s,２００２,９(３):
８１Ｇ８４．
(责任编辑:张艳玲)
收稿日期:２０２２Ｇ０１Ｇ１１
修回日期:２０２２Ｇ０３Ｇ０５
第一作者简介:王蓝星(１９９７ ),女,博士生,研究方向为遥感影像缺失数据重建.
F i r s t a u t h o r:W A N
G L a n x i n g(１９９７ ),f e m a l e,P h D c a n d i d a t e,m a j o r s i nm i s s i n g d a t a r e c o n s t r u c t i o no f r eＧm o t es e n s i n g i m a g e s．
EＧm a i l:w a n g l x z y l＠１６３．c o m
通信作者:王群明
C o r r e s p o n d i n g a u t h o r:W A N GQ u n m i n g
EＧm a i l:w q m１１１１１＠１２６．c o m
１２６。