CLOUD REMOVAL OF OPTICAL IMAGE USING SAR DATA FOR ALOS

APPLICATIONS.

EXPERIMENTING ON SIMULATED ALOS DATA

Nguyen Thanh Hoan*, Ryutaro Tateishi

Centre for Environmental Remote Sensing (CEReS), Chiba University, 1-33 Yayoi-cho, Inage-ku, Chiba, 263-6522, Japan-nthoan)@graduate.chiba-u.jp, tateishi@faculty.chiba-u.jp

Commission IV, WG IV/3

KEY WORDS: Remote Sensing, Identification, Point Cloud, Radar, Software, Orthoimage, Simulation, Integration

ABSTRACT:

Cloud is always problem of optical remote sensing data. ALOS-AVNIR2 images also will be affected. Microwave images are not affected by cloud. ALOS satellite has both optical and microwave sensor, similar resolution (~10m). Therefore, main purpose of this study is to develop a method for removing cloud in ALOS-AVNIR2 images based on ALOS-PALSAR data. This method is developed based on interpolating under cloud pixel values for ALOS- AVNIR2 images. To remove cloud, it needs to be defined. A combination method of Total Reflectance Radiance Index (TRRI) and Cloud-Soil Index (CSI) is used to define cloud. Around cloud pixels are mixture of cloud and other objects. So, that is very difficult to define. Therefore, the around cloud pixels are extended from cloud. Cloud shadow problem also is discussed in this study. Condition to apply this method is that objects in optical image and radar image change not very much. This method is experimented on simulated ALOS data from Landsat TM and JERS1-SAR images. Interpolated image is a free cloud and shadow image. Visual logic of objects is good. Original image and interpolated image is almost similar together. This method also can be applied for combination of two optical images to remove cloud if change of objects covered by cloud is not so much. Result of this study is a program with many functions like: define cloud, extend cloud, get shadow, remove cloud and so on. This is free software for every user.

1. INTRODUCTION

Cloud is always problem of optical remote sensing data. And of course, ALOS -AVNIR images will be also affected. ALOS-PALSAR data is not affected by cloud. This study proposes a method to remove cloud in optical images based on interpolation from SAR data. Combination of Total Reflectance Radiance Index (TRRI) and Cloud-Soil Index (CSI) is used to define cloud. TRRI is an index developed by Prof. Nguyen Dinh Duong, VAST, Vietnam (N.T.Duong, 1998) and CSI is an index developed by the author for this study. Some other technics are used to refine cloud like remove single pixels, extend cloud and so on. Shadow of cloud is also solved by interpolating from cloud based on direction and distance from cloud to shadow (these problems will be explained in the Methodology section). Requirement of this method is that objects in ALOS-AVNIR2 and ALOS-PALSAR data are not different very much. So, this method can apply for the data in which optical image and microwave image in the same geographic place are not very far together about time. With ALOS satellite, hope that this requirement will be satisfied. This method also can be applied for removing cloud from optical images based on other optical images. In this study, some examples of removing cloud in ASTER image based on Landsat-ETM image, removing cloud in Landsat-TM image based on Landsat-TM image is also shown. This method can help to make a series of free cloud multi-temporal images for change detection studies, environmental monitoring studies and so on.

2. SIMULATED ALOS DATA

This study uses simulated ALOS data. ALOS-AVNIR2 has 4 spectral channels. Wavelength of them is close to Landsat TM. Comparison table is shown as following:

Band	ALOS – AVNIR2	Landsat TM
1	420 – 500 nm	450 – 520 nm
2	520 – 600 nm	530 – 610 nm
3	610 – 690 nm	630 – 690 nm
4	760 – 890 nm	750 – 900 nm

Table 1. Comparison of ALOS-AVNIR2 and Landsat-TM

So, the first 4 bands of Lansat TM are used instead of ALOS-AVNIR2 image.

Frequency of ALOS-PALSAR is close to JERS1-SAR data as in the below table. So, JERS1-SAR data is used instead of ALOS-PALSAR data.

	ALOS – PALSAR	JERS-1 SAR
Frequency	1270 MHz	1300 MHz
	L-band	L-band

Table 2. Comparison of ALOS-PALSAR and JERS1-SAR

379

The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. Vol. XXXVII. Part B4. Beijing 2008

In this study, Landsat TM image date 1992/10/21 and JERS1-SAR image date 1992/10/27 of Hanoi, Vietnam are used. JERS1-SAR image was resampled to 30m resolution to correspond with Landsat ETM image. It also is applied GAMMA 3X3 FILTER to reduce noises. And it was corrected about geometry by orthogonal geometric correction before using. Following figure is JERS1-SAR image after these processing:

By this way, we have perfect data for experimenting the remove cloud method including: cloud image to test the cloud defining method, to test the interpolation method and we also have original data (under cloud data – before overlay cloud) to compare with interpolated result for validation. Following is Landsat-TM image after overlaying cloud

Figure 3. Landsat TM image date 1992/10/21 after overlaying cloud

Figure 1. JERS1- SAR image 30m resol

剩余内容已隐藏，支付完成后下载完整资料

---

附件1

基于ALOS应用程序利用SAR数据进行去云处理

ALOS数据模拟实验

Yayoi-cho, Inage-ku

Centre for Environmental Remote Sensing (CEReS), Chiba University

摘要: 云处理一直是光学遥感数据处理中的难点。 ALOS-AVNIR2图像也会受到影响，微波图像不受云影响。 ALOS卫星具有光学和微波传感器，分辨率相似（〜10m）。因此，本论文的主要目的是开发一种基于ALOS-PALSAR数据去除ALOS-AVNIR2图像云图的方法。该方法基于对ALOS-AVNIR2图像的云下像素值进行插值而开发。要删除云，它需要被定义。使用全反射辐射指数（TRRI）和云土指数（CSI）组合的方法来定义云。云像素周围是云和其他物体的混合物。所以，这很难被确定。因此，周围的云像素是从云延伸而来的。云影问题也在本研究中讨论。应用这种方法的条件是光学图像和雷达图像中的物体变化不是很大。该方法在来自Landsat TM和JERS1-SAR图像的模拟ALOS数据上进行了实验。插值图像是一个自由移动的云和阴影图像。对象的可视化逻辑很好。原始图像和插值图像几乎相似。这种方法也可以应用于两个光学图像的组合，从而除去覆盖的物体变化不大的云。本研究的结果是一个具有许多功能的程序，如定义云，扩展云，获取阴影，移除云等。这是一个对所有用户都免费的软件。

关键词：遥感、识别、点云、雷达、软件、正射影像、仿真、集成

1.ALOS数据建模

这项研究使用了模拟的ALOS数据。ALOS-AVNIR2有4个光谱通道。它们的波长接近陆地卫星TM。比较表如下：

Band	ALOS – AVNIR2	Landsat TM
1 2 3 4	420 – 500 nm 520 – 600 nm 610 – 690 nm 760 – 890 nm	450 – 520 nm 530 – 610 nm 630 – 690 nm 750 – 900 nm

表1.对ALOS-AVNIR2和Landsat-TM的比较

所以LansatTM的前四个波段被使用，而不是ALOSAVNIR2图像。ALOS-PALSAR的频率接近于jers1-sar数据，如下表所示。因此，使用jers1-sar数据代替ALOS-PALSAR数据。

	ALOS – PALSAR	JERS-1 SAR
Frequency	1270 MHz L-band	1300 MHz L-band

表2.ALOS-PALSAR和jers1-sar的比较

在这项研究中，陆地卫星的TM图像日期1992/10/21和越南河内1992/10/27的JERS1SAR的图像。jers1-sar图像被重新采样到3000米分辨率，以与陆地卫星ETM图像相对应。它也应用伽玛3X3滤波器来减少噪音。在使用之前，通过正交几何校正修正了几何形状。以下是这些处理后的jers1-sar图像：

图1.在伽玛3X3滤波器和正交几何校正之后的jers1-sar图像30 m分辨率

在陆地卫星TM图像中，没有云。云从另一个陆地卫星图像上获得，并覆盖到陆地卫星TM图像日期1992/10/21，如下图所显示：

图2.陆地卫星TM图像日期1992/10/21(上升)和陆地卫星TM图像用于获取云(下降)

通过这种方式,我们有完美的数据尝试删除云方法包括:云图像云定义测试方法,测试插值方法和我们也有原始数据(在覆盖云之前的云数据)与插值结果进行验证。以下是覆盖云后的Landsat-TM图像

图3.Landsat TM的图像日期为1992/10/21

2.方法

下图说明了方法的概要：

图4.流程图

2.1云定义

定义云的云反射系数总是很高。因此，在所有4个ALOS-AVNIR数据中，云的值将会很高。有了厚厚的云，我们很容易通过TRRI索引来定义它。这个指数是由以下公式定义的：

试中

TRRI 索引值

I_i 通道i的数字计数

n 频谱通道数

I_max 定量化电平的最大数字计数

Delta; 频谱通道差

随着薄云，这是更困难的。 它通常是由一些干燥的物体混合，如干沙或干枯。 正如我们所知道的，从视觉到红外的波长，随着波长的增长，干瘠薄的反射率总是在增加。 水的反射率总是在下降。 云包括水。 因此，云的反射率曲线将会下降，并且在ALOS-AVNIR2图像的最后一个频段中将会很低。 下图显示了薄云反射率和干土反射率的差异（像素值来自Landsat TM图像）。

Level 1 Level 2

图5：定义云的模型

为了定义云，TRRI索引被用于将图像划分为3个部分：厚云，非云和由Band2数据组成的混合（如上图）。 在混合部分，蓝色线条（Band1）中薄云的反射率高于干土壤，Band4薄云的反射率低于干土。 所以，Cloud和其他干燥的物体可以通过Cloud -Soil Index（CSI）分离。 该指数计算如下：

云定义的结果如图6所示。在这个结果中，云的边界仍然是白色的。 这是云与其他物体的混合物，因此很难界定。 这个问题将在“云简化”一节中解决。

图6：从云中插入的阴影

集成TRRI索引和CSI索引可以很好地分离云和非云。 该模型可以应用于各种类型的多光谱光学图像。

2.2云简化

定义后的云仍然有一些错误。 单个像素存在于某些地方。 这些像素是通过视觉来估计的，是一些干燥的物体，比如建筑物等等。 为了纠正这些错误，开发了一个程序来移除单个像素。 在定义云之后，如果结果中有单个像素，则可以使用该程序来获得更好的结果。 结果如下图所示：

图7：在移除单个像素（左）和删除单个像素（右）之前

围绕云的像素是云和其他物体的混合体。这是很难定义的。在这项研究中，围绕云的像素是由云扩展的。为此目的开发了一个独立的程序。通过这个程序，定义后的云可以扩展到覆盖所有真正的云。这个函数的例子如图9所示。

2.3阴影的获得

阴影总是困难的问题。在不同对象上的云阴影将有不同的值。所以这是很难定义的。在这项研究中，阴影被从云中插入。对于每一个图像，从云到它的阴影的平均距离都是确定的。阴影的方向也被估计。基于这些信息，开发了一个程序来从云中插入阴影。结果如下（黑色是云，暗黄色是阴影）：

图8：云的阴影是由云的不同高度进行插值的。

地形的海拔也不同。所以，从云到阴影的距离是不确定的。在这个程序中，平均距离被使用，当然，它也不是一个完美的距离。内插的阴影不覆盖整个真实的阴影。在插入之后，阴影效果将被扩展到覆盖所有的云的真实阴影。下图显示了云和阴影的扩展：

：图9：扩展后的云和阴影

2.4删除插入值的云

为了去除云和阴影，云和阴影的像素值将被新值所取代。 这个新值是从雷达图像中插入的。 开发了一个程序来描述这个算法。

利用光学图像中的每个云或阴影像素，程序将在雷达图像中找到相应像素，并获得该像素在雷达图像中的DN值。 然后，程序将从最近的像素搜索雷达图像中更远的像素，以找到与中心像素相似的像素。 当满足满足条件的像素如下式，并且光学图像中不是云时，搜索将会停止。

式中：

a是阈值

DN_i是中心像素的数字号码

DN_j是搜索像素的数字号码

从DNj位置开始，程序将在光学图像中找到相应像素的相反方向。 然后，将取得该位置的DN值以取代云像素。 处理将一个像素一个像素完成。 该算法在下图中描述：

图10：删除云的插值模型

ALOS卫星的当地时间为10:30 amplusmn;15分钟。 这意味着太阳将位于图像的右侧，阴影将位于图像的左侧。 为了减少阴影的影响，插值将从每个距离的右下像素开始。 该插值由图10中的箭头表示。白色圆圈是插值的起点。

正如我们所知，光学数据和微波数据在一起非常不同。 微波数据中的相同值并不能保证光学数据中的值相同。然而，如果像素靠近在一起，光学数据中相同对象的可能性将会更高，因为相同的对象通常分布在相同的地理区域中。 因此，如果独立使用，结果图像比云图像和微波图像具有更多的信息。

3.结果与分析

3.1 ALOS数据模拟

其结果是自由云和阴影图像。在视觉上，与原始图像（在被云覆盖之前）进行比较。结果几乎可以如下图所显示：

图11：原始图像（左）、云图（中心）和插值图像（右）

但是，某些部分的某些对象有一些错误。 插值图像中的红色物体（在黄色圆圈内）与原始图像的比较不一样。 这些物体在原始图像中的形状非常清晰，但是它们在插值图像中的形状并不清晰。 这个问题如图12所示。

图12：插值图像（左上），云图像（右上），原始光学图像（左下）和雷达图像（右下）中的问题

该物体在雷达图像中检查，但无法通过物体周围的雷达图像分离。 这个问题可能是由于雷达图像（反射率与周围物体相同）或物体的改变（雷达图像和光学图像6天不同）。 这种检查在图12中示出。这些对象是由当地农民估计的。 那是一种蔬菜。 这种蔬菜的高度约20-30厘米。 因此，雷达图像的反射可能来自地面，而不是蔬菜。 雷达图像的原因（不能用雷达图像分离这个物体）比物体变化的原因更高的概率。 因此，基于雷达图像的云底数据插值在某些特殊对象上不太好。 然而，通过将雷达图像的阈值水平（a值）组合并搜索最近像素以插入云像素，结果将比使用整个雷达图像和云光学图像的阈值独立地具有更多信息。

3.2 基于Landsat ETM影像的云图去除ASTER影像

如果物体变化不是很大，这种方法也可以适用于两个光学图像的组合。 同样，从另一幅图像中得到的云被覆盖在ASTER图像日期2001/11/16上。 使用LandsatETM图像日期2000/11/04的NDVI代替雷达图像。

内插图像通过视觉与原始图像进行比较。 结果非常好。 内插结果和原始ASTER图像之间几乎没有变化。 结果如下图所示：

图13：原始图像（左）、云图（中心）和插值图像（右）2001/11/16

通过这种方式，许多不同的光学图像可以结合在一起来消除云。我们可以从许多类型的卫星数据中制作一系列的自由云多时间数据，用于监测环境和自然资源的变化。

3.3Landsat-ETM影像和LandsatETM影像的结合

这是该方法的另一个应用。两个Landsat-ETM图像的日期是2002/01/05和2001/02/03。它们都有云。这两个图像可以组合在一起，形成两个自由的云图像。在这种情况下，两个图像的波长是相同的。所以，插值是基于带的波段进行的。这意味着使用频段1插入频段1，频段2插入频段2，频段3插入频段3等等。。第一个，在2001/02/03的图像日期的云部分是根据2002/01/05的图像删除的。结果如下图所示：

图14: 2001/02/03d La

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[467598]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

您可能感兴趣的文章

• 多方向线分割的方向空间滤波外文翻译资料
• 基于RINEX格式GPS观测数据的周跳探测和修复外文翻译资料
• 基于Windows的TEQC 用户的新绘图程序外文翻译资料
• 一种基于纹理梯度的高分辨率遥感图像分割方法外文翻译资料
• GPS水汽观测误差外文翻译资料
• 通过脉冲耦合神经网络对超高分辨率图像的自动变化检测外文翻译资料
• 基于旋转矩阵的单位四分位运动预估算法外文翻译资料
• 利用闭路电视图像分割理想的污水管道缺陷形貌实现自动诊断外文翻译资料
• 我国珠江三角洲地区首个基于PPP技术的GPS水汽实时监测系统外文翻译资料
• 建立一种新的对流层斜延迟改进经验模型——GPT2w模型外文翻译资料