王菊花，張建華，周 詮

(中國空間技術(shù)研究院西安分院，西安 710000)

0 引言

云的角色是多重的。一方面，通過能量交換過程，云能夠?qū)Φ厍虻谋睾徒禍匕l(fā)揮至關(guān)重要的作用，這使地球的溫度與人類的適宜生存環(huán)境相匹配[1-2]。另一方面，根據(jù)統(tǒng)計數(shù)據(jù)，云大致上可以覆蓋全球天空的百分之六十[3]。驅(qū)使氣候變化的主要因素有多種，其中最主要的不確定性因素就是云，因此人們通常不太可能獲得一幅完全沒有云的遙感圖像。很多的衛(wèi)星遙感圖像中都包括被云層擋住的不可見區(qū)域，從而導(dǎo)致了局部地物的信息產(chǎn)生缺失現(xiàn)象。這顯然會對后續(xù)圖像的分析與理解操作產(chǎn)生影響，從而引起數(shù)據(jù)利用率的顯著下降[4]。因此，對于遙感圖像的數(shù)據(jù)處理過程而言，云檢測已經(jīng)凸顯為必須首先攻克的關(guān)鍵技術(shù)問題之一。

目前研究人員已經(jīng)提出了若干種云檢測方法。主要方法包括：利用云在可見光、熱紅外等波段具有的光譜特征、云與下面地物的紋理特征差異、云的低頻率特性[5-6]，利用云的光譜、頻率、紋理等特性結(jié)合閾值法、統(tǒng)計分析法、聚類法、HIS模型法、深度學(xué)習(xí)法、神經(jīng)網(wǎng)絡(luò)法等技術(shù)進(jìn)行云檢測[7-16]。

頻率結(jié)合閾值法和光譜結(jié)合閾值法是兩種有代表性的結(jié)合閾值法。其中，頻率結(jié)合閾值法的原理主要是利用了云所具有的低頻性質(zhì)。這種方法結(jié)合傅里葉變換和小波分析等手段可以獲得圖像的低頻數(shù)據(jù)，并進(jìn)一步實現(xiàn)云檢測。但是，因為一般需要采用多層小波變換來消除地面的低頻信息所產(chǎn)生的干擾，所以云檢測的效率顯著降低。光譜結(jié)合閾值法的原理主要是利用了云對可見光波段所具有的強反射性質(zhì)。這類算法的一個局限性是對閾值比較敏感。同一顆衛(wèi)星的數(shù)據(jù)隨著天氣和時間等因素的變化而變化，這將引起檢測閾值的急劇變動，因而導(dǎo)致這類算法的局限性愈加嚴(yán)重。

本文提出一種灰度閾值結(jié)合紋理特征的方法。根據(jù)衛(wèi)星軌道高度及云圖分辨率完成圖像分塊，統(tǒng)計子塊圖像的灰度閾值，產(chǎn)生灰度共生矩陣，計算二階矩，通過和參數(shù)加權(quán)處理等，完成了星載云檢測算法的實現(xiàn)。

1 云檢測算法

云檢測算法流程圖如圖1所示。

首先根據(jù)衛(wèi)星軌道高度和云圖分辨率，對圖像進(jìn)行分塊，每塊大小為HEIGHT行WIDTH列；其次統(tǒng)計分塊內(nèi)圖像像素的灰度，當(dāng)灰度數(shù)值大于灰度閾值value的記為高像素灰度，若高灰度區(qū)小于圖像塊的3/4則為非云，否則繼續(xù)其它特征值的計算；分別計算圖像塊均值和方差，通過均值方差計算M1；產(chǎn)生分塊圖像的灰度共生矩陣，根據(jù)矩陣計算特征值，具體計算方法詳見文獻(xiàn)[9]；通過修正系數(shù)進(jìn)行加權(quán)計算得到M2數(shù)值；最后判斷M2數(shù)值，正數(shù)則該圖像塊判決為云，否則判決為非云。

2 FPGA硬件實現(xiàn)

2.1 硬件設(shè)計方案

某衛(wèi)星圖像數(shù)據(jù)位寬為12比特，每行圖像數(shù)據(jù)長度為1058(32+1024+2)，其中32個輔助數(shù)據(jù)，1024個圖像數(shù)據(jù)，兩個云判決標(biāo)識填充數(shù)據(jù)。用現(xiàn)場可編程門陣列(field programmable gate array，F(xiàn)PGA)實現(xiàn)衛(wèi)星圖像的云檢測算法，首選確定圖像分塊大小為512行512列，灰度閾值為3276，每行輸入圖像數(shù)據(jù)分成兩個圖像塊并行進(jìn)行云檢測。衛(wèi)星圖像輸入512行結(jié)束后，前兩個圖像分塊的云檢測標(biāo)識，填充在前512行圖像，每行圖像的填充云檢測標(biāo)識位置，第一個位置填充第一塊圖像云檢測標(biāo)識，第二個位置填充第二塊圖像云檢測標(biāo)識。

圖1 云檢測算法流程圖Fig.1 Flow chart of cloud detection algorithm

云檢測功能FPGA實現(xiàn)[17]的原理圖如圖2所示，主要包括6個模塊，分別是輸入(first in first out，F(xiàn)IFO)緩存模塊、時鐘處理模塊、雙倍速率同步動態(tài)隨機存儲器 (double data rate，DDR)用戶接口模塊、云檢測模塊、云判標(biāo)識模塊和輸出FIFO緩存模塊。

時鐘處理模塊，是對本地100MHz的時鐘，進(jìn)行數(shù)字時鐘管理模塊(digital clock management，DCM)倍頻，分別產(chǎn)生clk_100M的零相位時鐘，clk_120M的時鐘，clk_200M的時鐘；其中clk_100M的零相位時鐘供所有模塊使用，clk_120M的時鐘，clk_200M的時鐘提供給外掛DDR使用，clk_120M的時鐘另外還要提供給云判標(biāo)識模塊和輸出FIFO緩存模塊使用。

圖2 FPGA實現(xiàn)原理框圖Fig.2 Schematic diagram of FPGA implementation

輸入FIFO緩存模塊，功能是把數(shù)據(jù)時鐘域的數(shù)據(jù)，通過FIFO緩存，轉(zhuǎn)換成本地時鐘域。FIFO的輸入時數(shù)據(jù)鐘、數(shù)據(jù)和門控，輸出則為本地鐘、數(shù)據(jù)和門控。

外掛DDR，用來緩存圖像輸入數(shù)據(jù)。DDR用戶接口模塊，是FPGA針對外掛DDR的接口模塊，功能是把云判輸出后100M數(shù)據(jù)，進(jìn)行時序和位寬處理，以滿足DDR接口需求。

輸出FIFO緩存模塊，功能是把120兆的非連續(xù)DDR輸出數(shù)據(jù)，緩存成100兆的按行輸出地連續(xù)數(shù)據(jù)。

云檢測模塊由5個子功能組成，灰度共生矩陣二階距功能、方差及均方根功能、灰度閾值判定功能、參數(shù)加權(quán)判定功能和接口處理功能。接口處理功能，首先把輸入的每行數(shù)據(jù)拆分為32個輔助數(shù)據(jù)，1024個圖像數(shù)據(jù)和兩個填充數(shù)據(jù)；然后對512行輸入數(shù)據(jù)進(jìn)行分塊；最后產(chǎn)生相對應(yīng)的門控時序信號?；叶乳撝蹬卸üδ埽且詧D像子塊為基礎(chǔ)進(jìn)行的，統(tǒng)計子塊圖像數(shù)據(jù)像素值，與子塊圖像灰度閾值進(jìn)行比較，當(dāng)超過75%的數(shù)據(jù)值大于等于灰度閾值，則繼續(xù)做紋理特征的分析，否則判為非云。方差及均方根功能，對輸入分塊內(nèi)所有圖像像素實時求取平均值，根據(jù)平均值再次計算得到方差，最后根據(jù)修正系數(shù)加權(quán)計算得到均方根?；叶裙采仃嚩A距功能，對輸入一子塊圖像，首先產(chǎn)生灰度共生矩陣，然后統(tǒng)計矩陣內(nèi)每一類圖像像素值的概率，通過運算得到該矩陣的二階距特征值；要實現(xiàn)該功能需要占用FPGA存儲資源，雙端口隨機存期存儲器(random access memory，RAM)占用4塊，F(xiàn)IFO占用兩塊, 雙端口RAM用來存儲灰度共生矩陣的初始值和更新值，F(xiàn)IFO緩存前后連續(xù)輸入的兩行圖像數(shù)據(jù)，且該兩行數(shù)據(jù)隨著輸入數(shù)據(jù)的不同隨時更新。參數(shù)加權(quán)判定功能，是對分塊內(nèi)圖像灰度產(chǎn)生的均方根，及灰度共生矩陣計算得到的特征值，進(jìn)行一定參數(shù)加權(quán)計算，求得最準(zhǔn)確的云判結(jié)果。

云判標(biāo)識模塊，是把云檢測輸出標(biāo)識，按一定格式填充在每行圖像數(shù)據(jù)后面的兩個云判決標(biāo)識填充位置，其中第一個填充第一分塊云標(biāo)識，第二個填充第二分塊云標(biāo)識。

2.2 資源占用和時鐘速度

用FPGA(XC5VFX130T-3FF1738)實現(xiàn)云檢測硬件算法，其中邏輯資源使用1783個，占FPGA邏輯總資源的8%；RAM存儲器使用12塊，F(xiàn)IFO存儲器使用兩塊，占總存儲資源的4%；全局鐘使用9個，占總?cè)昼娰Y源的28%,具體如表1所列。

表1 FPGA實現(xiàn)資源消耗Tab.1 FPGA implementation resource consumption

用FPGA實現(xiàn)云檢測硬件算法，共有5個主鐘工作。其中輸入圖像數(shù)據(jù)時鐘，工作頻率為10ns，約束頻率為8.33ns，最好情況可以達(dá)到5.061ns。輸入本地晶振時鐘為10ns，因為FPGA內(nèi)部倍頻的原因，工作時鐘只能按實際頻率10ns約束；而倍頻產(chǎn)生的0相位100兆時鐘最高可以達(dá)到6.0ns，120兆時鐘最高頻率可以達(dá)到4.739ns，DDR所需的200兆時鐘，最高頻率可以達(dá)到4.739ns，具體如表2所列。從表2可以看出，F(xiàn)PGA所有時鐘均滿足時序要求。

表2 FPGA工作時序Tab.2 FPGA working timing

3 指標(biāo)測試

3.1 云判決指標(biāo)定義

云檢測算法硬件實現(xiàn)時圖像分塊大小為512×512，針對每個圖像塊判別規(guī)則如下：若人工判為云而算法判為非云，則認(rèn)為該單元為漏警；若人工判為非云而算法判為云，則認(rèn)為該單元為虛警；若人工判別結(jié)果與算法計算結(jié)果一致，則認(rèn)為該單元為正確。根據(jù)上述規(guī)則，針對測試圖像，定義如下算法性能測試指標(biāo)：

檢測率=硬件判決正確圖像塊數(shù)/所有圖像塊數(shù)；

虛警率=硬件判決為云而實際非云圖像塊數(shù)/所有圖像塊數(shù)。

3.2 云圖選擇及人工標(biāo)記

云圖選擇9幅典型圖像，具體如圖3所示。每幅圖像大小為2048行1058列(32+1024+2：其中1024為圖像數(shù)據(jù)，其它為輔助數(shù)據(jù))，云圖特征包括了厚云、薄云、城市高亮地物、冰雪等。在全色可見光光譜范圍內(nèi)，雪和云的反射率曲線基本重合，且云和雪均為大尺度地物覆蓋形態(tài)，從紋理上也難以區(qū)分兩者的差別，因此在指標(biāo)計算中，云和雪作為同一目標(biāo)進(jìn)行指標(biāo)計算。

圖3 典型云圖Fig.3 Typical cloud images

在人工對云進(jìn)行標(biāo)記時，可考慮按照圖像可用度分級來評定云的厚薄關(guān)系和可用性，如表3所列。當(dāng)處于1級或者部分2級的圖像可被有指導(dǎo)性地人工判決為云，3～6級人工判決為非云。

3.3 云判決指標(biāo)硬件測試原理

云檢測指標(biāo)測試原理圖如圖4所示，圖像發(fā)送源發(fā)送云圖，數(shù)據(jù)處理器云檢測FPGA接收并進(jìn)行檢測，云圖和檢測結(jié)果送給數(shù)據(jù)采集設(shè)備，數(shù)據(jù)采集后進(jìn)行人工判決和算法判決結(jié)果分析，計算云檢測指標(biāo)。

表3 圖像可用度分級Tab.3 Image availability rating

圖4 云檢測指標(biāo)測試原理圖Fig.4 Schematic diagram of indicator test for cloud detection

3.4 指標(biāo)測試結(jié)果

通過對9幅典型云圖和兩軌實拍云圖，共約500分塊(每塊大小512×512)進(jìn)行云檢測硬件的算法判決和主觀判決，如圖5所示有兩軌圖像，每軌圖像左圖右圖分塊完全對應(yīng)；左圖為云圖，可以通過主觀判斷為云或非云；右圖為客觀算法判決結(jié)果圖，若為白塊，則對應(yīng)左圖圖像分塊判決為云，若為黑塊，則對應(yīng)左圖圖像分塊判決為非云。統(tǒng)計500分塊圖像主客觀判決結(jié)果，可以計算得出，厚云檢測率大于97%。

圖5 算法判決和主觀判決結(jié)果圖Fig.5 Algorithm decision and subjective decision result

4 結(jié)論

天空中云的大面積覆蓋，遮擋了地物，使得衛(wèi)星數(shù)據(jù)傳輸中，不能高效率高質(zhì)量地獲取地面圖像。為了解決該問題，本文提出一種灰度閾值結(jié)合紋理特征的云檢測算法，通過對大量典型云圖的仿真，該算法云檢測指標(biāo)性能良好。為了滿足星載應(yīng)用需求，本文利用FPGA芯片和DDR芯片，提出了該算法的硬件實現(xiàn)方案；該方案云檢測性能與軟件算法一致，硬件處理速度高、存儲量小且實時可行，目前已成功應(yīng)用于數(shù)十顆衛(wèi)星平臺。地面測試和星載在軌測試表明：該算法厚云檢測率達(dá)到97%，滿足星載要求。云檢測算法的星載應(yīng)用，大大提高了數(shù)據(jù)傳輸?shù)男屎偷匚飯D像識別的準(zhǔn)確度。