基于自适应阈值视觉背景提取器的晨昏雾快速检测方法、设备及介质

1.本发明涉及环境监测与气象预报领域，特别涉及一种基于自适应阈值视觉背景提取器(st-vibe)的晨昏雾快速检测方法、设备及介质。


背景技术：

2.雾是一种常见的天气现象，易出现于出行高峰的晨昏时刻，可对呼吸道健康与交通安全产生显著不良影响，成为气象与环境部门监测的重要对象。传统雾检测主要通过布设观测站点完成，难以反映区域大范围雾形成与演化的时空格局与趋势。随着气象卫星遥感技术的快速发展，遥感以其观测范围大、时间分辨率高、耗费成本低等优点，成为大范围雾检测研究的主要数据之一。
3.传统遥感雾检测多基于雾与地表等背景信息在可见光波段、红外波段的反射辐射和纹理特征差异，多集中于白天和夜间雾检测。白天雾检测主要借助雾的光谱和纹理特征，如雾在白天的反射率小于中高云，大于水体与地面；如雾顶纹理较为光滑均一，而中高云纹理较为粗糙，白天雾独特光谱与纹理特征差异为白天雾检测提供了物理基础。夜间雾遥感检测主要基于其发射特征差异，雾在3.5μm-3.8μm中红外波段(mir：middle infrared)的发射率小于其在8.5μm-13μm热红外波段(tir：thermal infrared)的发射率，基于该特征建立双通道亮温差(btd:brightness temperature difference between mir and tir)进行夜间雾检测是一个非常有效的方法。但晨昏雾检测非常困难，其主要原因为该时刻太阳高度角较低，可见光波段雾与背景反射率差异较小，中远红外波段因雾接地，其光谱特征亦与地表接近，使得基于单幅遥感影像进行晨昏雾检测非常困难。但晨昏时刻雾和地表的双通道亮温差(btd)受太阳高度角影响随时间变化差异显著。夜间雾由于自身辐射特性btd远小于0，随着太阳高度角增加，btd由负值增长为较大的正值；地表虽存在类似的变化过程，但变化幅度远小于雾。黄昏时刻则相反。有学者考虑到雾btd在夜间和白天的显著差异，采用不同阈值对白天、夜间和晨昏雾分别进行检测，但受算法和数据的限制，无法完整提取出晨昏时刻雾。


技术实现要素：

4.本发明提供一种基于自适应阈值视觉背景提取器(st-vibe)的晨昏雾快速检测方法、设备及介质，能准确、高效快速地实现晨昏陆地雾检测。
5.为实现上述技术目的，本发明采用如下技术方案：
6.一种基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，包括：
7.步骤1，获取晨昏时段的h8/ahi数据，对其预处理；
8.步骤2，基于h8/ahi数据构建晨昏时段的时序检测数据集；
9.步骤3，基于vibe模型构建自适应阈值视觉背景提取器，记为st-vibe模型；其中，在背景模型初始化阶段引入lbsp纹理特征描述算子，在像素前景检测参数集建立阶段引入
siltp纹理特征；且st-vibe模型的参数，包括最小相关数和距离测度阈值，根据输入的时序检测数据集进行自适应调整；
10.步骤4，使用st-vibe模型，对时序检测数据集获取初步雾检测结果；
11.步骤5，利用传统去云方法对st-vibe模型的检测结果进行优化，去除雾检测结果中的“残留云”；
12.步骤6：利用后处理方法对传统去云后的雾检测结果进行再优化，去除雾检测结果中的“残影”。
13.进一步地，构建时序检测数据集的具体过程为：
14.步骤b1，将h8/ahi数据中的波段7与波段14相减，得到btd影像；
15.步骤b2，将h8/ahi数据中波段分别为8.7μm、10.8μm、11.2μm的数据与btd影像共四个通道数据进行融合，构建时序检测数据集。
16.进一步地，在背景模型初始化阶段，选取预设大小窗口的lbsp算子作为邻域均值和方差的计算窗口，建立基于btd的背景模型bm(i)1和基于lbsp邻域亮温度均值与方差的背景模型bm(i)2，其中：bm(i)1＝{i1，i2，
……in
}，i
t
为第t个背景像素样本的btd值，n为背景样本参数；景样本参数；为第t个背景像素的lbsp算子亮温差的均值与方差，n为背景样本参数。
17.进一步地，在像素前景检测参数集建立的步骤包括：
18.步骤c2.1，计算像素i
(x,y)
的siltp纹理特征编码，计算方式如下：
[0019][0020][0021]
式中：ic为像素i
(x,y)
的btd值，ik是像素i
(x,y)
八邻域内像素k的btd值，τ为允许波动参数；s
τ
(ic,ik)为邻域像素k与中心像素i
(x,y)
的灰度差异编码因子；表示按顺序编码，像素i
(x,y)
的所有邻域像素的灰度差异编码因子s
τ
(ic,ik)按顺序形成十六位二进制编码siltp(x,y)；
[0022]
步骤c2.2，统计二进制编码siltp(x,y)中1出现的次数num_siltp
(x,y)
，定义为siltp纹理特征，耦合像素亮温差btd和siltp纹理特以构建场景因子lc，计算方式如下：
[0023]
lc＝ic/num_siltp
(x,y)
[0024]
步骤c2.3，将中心像素i
(x,y)
的btd值ic、lbsp邻域亮温差均值mc与方差siltp纹理特征num_siltp
(x,y)
、场景因子lc组成像素前景检测参数集组成像素前景检测参数集
[0025]
进一步地，对最小相关数和距离测度阈值进行自适应调整的方法为：
[0026]
步骤c4.1，利用初始化背景模型初步调整参数min与r：计算背景模型bm(i)2中的样本均值与方差若当前帧像素i
(x,y)
的btd值ic在范围内，表明该像素为背景的概率较大，按下列公式减小最小相交数min和增加距离测度阈值r：
[0027][0028]
步骤c4.2，分早晨与黄昏两个不同时段，根据当前帧像素i
(x,y)
的场景因子lc和siltp纹理特征num_siltp
(x,y)
，对距离测度阈值r进行调整，具体地：
[0029]
早晨场景下的距离测度阈值r的调整方法为：
[0030][0031]
其中，r和r
dawn
分别为早晨时段调整前和调整后的距离测度阈值；
[0032]
黄昏场景下的距离测度阈值r的调整方法为：
[0033][0034]
式中，r和r
dusk
分别为黄昏时段调整前和调整后的距离测度阈值。
[0035]
进一步地，采用经验值作为st-vibe模型的最小相交数min和距离测度阈值r的初始值。
[0036]
进一步地，在步骤4使用st-vibe模型进行雾检测时，若检测某像素为背景点，则：抽取背景模型bm(i)1和bm(i)2的各自半数样本，将其替换为检测为背景点的像素的对应btd值和lbsp算子亮温差的均值与方差。
[0037]
进一步地，步骤5具体包括：
[0038]
步骤e1.1，冰云去除：基于冰云在h8/ahi数据11.2μm波段上亮度温度低的特点，根据经验与已有研究，选择256k作为阈值进行去除；
[0039]
步骤e1.2，薄卷云去除：基于薄卷云在h8/ahi数据8.7μm波段与10.8μm波段上的亮温差大于0k，以此为阈值进行去除；
[0040]
步骤6具体为：将之前时刻遥感影像检测为云的像素取并集，与当前时刻雾检测结果取交集，相交的像元为云误检，将其去除。
[0041]
一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器实现上述任一项技术方案所述的基于自适应阈值视觉背景提取器的晨昏雾快速检测方法。
[0042]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项技术方案所述的基于自适应阈值视觉背景提取器的晨昏雾快速检测方法。
[0043]
有益效果
[0044]
本发明基于vibe模型，提出了一种耦合lbsp纹理特征描述算子和siltp纹理特征的晨昏雾检测模型—st-vibe，实现基于自适应阈值视觉背景提取器对晨昏雾进行检测。与现有技术相比，本发明所具有的有益效果为：相比vibe算法、gmm-vibe算法、vibebgr和siltp-vibe算法，st-vibe模型在晨昏光照突变、云层干扰较多的情况下，可实现大范围雾的完整检测。多天地面观测数据验证结果表明，本发明对晨昏雾检测的整体精度较高，早晨与黄昏时段正确率分别为81.1％和73.7％，误检率分别为23.5％和24.8％；时序影像雾检测结果表明，早晨时刻算法能够完整检测出晨线周围和晨线过境后的雾，黄昏时刻算法能
够完整检测出昏线两侧的雾。
附图说明
[0045]
图1为基于自适应阈值视觉背景提取器的晨昏雾快速检测算法流程图；
[0046]
图2为2015年11月30日早晨7:30(a)和黄昏16:40(b)雾亮温差影像图。
具体实施方式
[0047]
下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。
[0048]
本实施例提供一种基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，参考图1所示，包括以下步骤：
[0049]
步骤1，原始数据预处理，对所使用的h8/ahi数据和地面站点数据进行预处理操作；
[0050]
步骤a1：h8/ahi数据是由静止气象卫星h8(himawari-8)搭载的ahi传感器(advanced himawari imager)所获取遥感影像数据，简称h8/ahi数据，其预处理步骤包括：
[0051]
步骤a1.1：辐射定标，原始ahi数据中有16个波段，其中1-6波段被定标为反射率、7-16波段被定标为亮温。
[0052]
步骤a1.2：投影转换，将定标后的ahi数据统一转换到wgs-84坐标系下，同时将数据空间分辨率重采样至2km。
[0053]
步骤a2：地面站点数据指的是地面气象站点记录的全要素micaps-diamond1填图数据，将“能见度”小于等于10000m以及空气相对湿度大于90％的地面站点标记为有雾站点，其中，将能见度在0-200m的标记为浓雾站点，能见度在200～500m区间的标记为中雾站点，能见度为500-10000m的记为轻雾站点，大于10000m为无雾站点，用于对卫星数据检测结果进行实地的验证。
[0054]
步骤2，构建晨昏时刻时序检测数据集。
[0055]
步骤b1：构建晨昏时刻btd亮温差影像。h8/ahi数据中有16个波段，将波段7(3.90μm)与波段14(11.2μm)相减，得到btd亮温差影像，得到btd亮温差影像如图2所示。
[0056]
其中，在h8/ahi数据中可以直接获取影像的太阳天顶角信息，将晨昏时刻的太阳天顶角定义为(65
°
,90
°
)。
[0057]
步骤b2：构建时序检测数据集。将btd、8.7μm、10.8μm、11.2μm四个通道的数据融合，构建时序检测数据集。
[0058]
步骤3，基于vibe模型构建自适应阈值视觉背景提取器，记为st-vibe模型。
[0059]
其中，基于vibe模型，在背景模型初始化阶段引入lbsp(local binary simolarity patterns)纹理特征描述算子，以btd亮温差数据为基础，建立基于lbsp领域均值与方差的背景模型，将纹理信息纳入到算法中，可以减少复杂纹理的云被检测为雾的概率，提高前景和背景检测精度。在像素前景检测参数集建立阶段引入siltp(scale invariant local ternary pattern)纹理特征，以解决单幅影像内雾btd值随光照变化较大的问题，实现前景检测阈值的自适应确定，具体过程如下：
[0060]
步骤c1：背景模型初始化。选取5*5窗口的lbsp算子作为邻域均值和方差的计算窗
口，建立btd和lbsp邻域亮温差均值与方差的两个背景模型bm(i)1和bm(i)2，其中：bm(i)1＝{i1，i2，
……in
}，i
t
为第t个背景像素的亮温差值，n为背景样本参数，即背景样本个数；为第t个背景像素的亮温差值，n为背景样本参数，即背景样本个数；为第t个背景像素的lbsp算子亮温差的均值与方差，n为背景样本参数。初始化背景模型bm(i)2的样本均值与方差用来初步调整参数最小相交数min与距离测度阈值r，减少复杂纹理的云被检测为雾的概率，提高前景和背景检测精度。
[0061]
步骤c2：建立像素前景检测参数集fg(x,y)。像素前景检测参数集fg(x,y)步骤如下：
[0062]
步骤c2.1：计算像素i
(x,y)
的siltp纹理特征编码，计算方式如下：
[0063][0064][0065]
式中：ic为像素i
(x,y)
的btd值，ik是像素i
(x,y)
八邻域内像素的btd值，τ为允许波动参数，根据本发明中目标光谱变化特征，设置τ＝0.3；s
τ
(ic,ik)为邻域像素k与中心像素i
(x,y)
的灰度差异编码因子。表示按顺序编码，像素i
(x,y)
的所有邻域像素的灰度差异编码因子s
τ
(ic,ik)按顺序形成十六位二进制编码siltp(x,y)。
[0066]
步骤c2.2：定义参数num_siltp
(x,y)
为siltp(x,y)编码中1出现的次数(0～8之间)，太阳天顶角大于90
°
时雾边缘和地面num_siltp
(x,y)
在5-8之间，太阳天顶角较小时雾内部和地面num_siltp
(x,y)
在0-2之间。耦合像素亮温差和siltp纹理特征构建场景因子l，计算方式如下：
[0067]
lc＝ic/num_siltp
(x,y)
[0068]
将像元btd(ic)、lbsp邻域亮温差均值方差siltp纹理特征(num_siltp
(x,y)
)、场景因子(lc)组成像素前景检测参数集
[0069]
步骤c3：模型参数初始值的确定。本实施例采用经验值作为st-vibe模型参数初始值，其中：背景样本参数n＝20，最小相交数min＝4，距离测度阈值r＝3k。
[0070]
步骤c4：自适应调整距离测度阈值。自适应调整距离测度阈值r有利于不同太阳天顶角下雾检测，提高雾检测精度和雾区的完整度。前景检测参数集fg(x,y)与背景模型bm(i)1、bm(i)2一起进行距离测度阈值r的确定，具体步骤如下：
[0071]
步骤c4.1：利用初始化背景模型初步调整参数min与r。计算背景模型bm(i)2中的样本均值与方差若当前帧像素i
(x,y)
的btd值ic在范围内，表明该像素为背景的概率较大，减小最小相交数min，增加距离测度阈值r，提高其检测为背景的可能性：
[0072]
步骤c4.2：分早晨与黄昏两个不同时段，根据当前帧像素i
(x,y)
的场景因子lc和
siltp纹理特征num_siltp
(x,y)
，对距离测度阈值r进行调整，具体地：
[0073]
早晨场景下的距离测度阈值r的调整方法为：
[0074][0075]
其中，r
dawn
为早晨时刻调整后的检测阈值。当场景因子小于5时，像素在晨线过境前或过境时，减小距离测度阈值，可使雾边缘检测完整；当场景因子大于5时，像素为纹理均一的雾内部或晨线过境后，增大距离测度阈值可减少云和地表误检率。
[0076]
黄昏场景下的距离测度阈值r的调整方法为：
[0077][0078]
式中，r
dusk
为黄昏时刻检测阈值。当场景因子小于0时，像素亮温差小于0，为昏线过境后的区域，r
dusk
设置为1k。当场景因子大于10时，区域为昏线过境前，r
dusk
设置为2k；场景因子在0-10之间时，区域位于昏线附近，r
dusk
设置为1.5k。
[0079]
步骤c5：前景检测与背景更新。使用自适应距离测度阈值r根据传统vibe算法前景和背景判定规则，进行前景的检测和背景的更新。st-vibe算法采取加大背景更新量和提高更新速率进行背景的快速更新。凡是检测为背景点的像素，全部进行背景的快速更新。随机抽取其背景模型bm(i)1和bm(i)2的半数样本(n/2个)，用像素点的当前值将其替换，使背景模型包含较多的最新背景值。
[0080]
步骤4，将时序检测数据集输入st-vibe模型，获取初步雾检测结果。
[0081]
步骤d1：雾检测前先对新获取到的数据执行预处理步骤a1、时序检测数据集构建步骤b1、b2，依次完成后将影像输入st-vibe模型，获取初步雾检测结果。
[0082]
步骤5，利用传统去云方法对st-vibe算法的检测结果进行优化，去除检测结果中的“残留云”。
[0083]
步骤e1：与常规高频时序影像相比，晨昏时刻较短，组成的h8/ahi时序视频仅十几帧，而vibe算法适用于高帧视频目标检测，因此对移动速度非常快的云仍无法去除。因此使用传统去云方法，结合h8数据上中高云特有的光谱特征和纹理特征，依次对影像中的冰云、薄卷云进行剔除，去除st-vibe算法初步雾检测结果中的“残留云”，具体步骤如下：
[0084]
步骤e1.1：冰云去除。冰云在h8/ahi数据11.2μm波段上亮度温度较低，根据经验与已有研究，选择256k作为阈值进行去除。
[0085]
步骤e1.2：薄卷云去除。薄卷云在h8/ahi数据8.7μm波段与10.8μm波段上的亮温差大于0k，以此为阈值进行去除。
[0086]
步骤6，利用后处理方法对传统去云后的雾检测结果进行再优化，去除检测结果中的“残影”。
[0087]
步骤f1：“残影”去除。“残影”即移动速度非常快的云所留下的痕迹，云受大气运动影响，移动速度较快，因此当前时刻前若干时刻运动的云易形成“残影”被误检为雾。本算法将之前时刻遥感影像检测为云的像素取并集，与当前时刻雾检测结果取交集，相交的像元为云误检，将其去除。如：17：00的雾检测结果可能包含16：30、16：40、16：50时刻的云残影，用步骤e1中传统去云的方法将这些时刻云检测出来取并集，与17：00的雾检测结果取交集，
在17：00的雾检测结果中去除交集像素。同时因异物同谱等现象的存在，检测结果存在部分噪声点，算法使用3*3的中值窗口对检测结果进行去噪处理，得到最终雾检测结果。
[0088]
下面再对本发明的st-vibe算法检测结果精度验证：
[0089]
选取早晨8:00和黄昏17:00的地面观测数据对2015年11月27日-11月30日同时刻卫星雾检测结果进行精度定性和定量评价验证算法的可靠性。
[0090]
检测结果与地面观测结果对比可知，地面浓雾站点与中浓雾站点均位于算法检测结果内，轻雾站点大部分与检测结果吻合，无雾站点基本不在检测结果内。算法能够较好捕捉晨昏时刻雾的大范围分布特征，整体上与地面站点观测结果具有空间一致性。但也存在着一些误检区情况，比如早晨11月27日与11月29日在研究区北部均检测出了较多的雾而地面站点显示该区域非雾区，算法将低云误检为雾。黄昏时段27日到29日卫星检测结果在北部同样存在明显噪声，为快速移动的云误检为雾，这主要是由于内蒙古和甘肃地区的云类型和结构较为复杂，对算法产生了一定的影响。2015年11月30日7:10-8:10、16:10-17:10h8/ahi假彩色影像与卫星雾检测结果表明，st-vibe算法可有效提取晨昏线附近与地表亮温差相近时刻的雾。早晨随着晨线的推移，研究区域内检测到的雾区范围逐渐增大。晨线右侧处于白天低太阳高度角区域的雾均被检测出来，算法无法检测出晨线过境前的夜间区域的雾。黄昏时段，检测范围随昏线移动，昏线左右两侧一定范围内的雾均得到有效检测，表明在黄昏时刻算法对低太阳高度角区域和刚进入夜间区域的雾均具备一定的检测能力。黄昏时的一些雾探测结果有轻微的后像，这是云快速移动的痕迹。黄昏时刻雾检测结果存在轻微的“残影”，该“残影”为移动速度非常快的云所留下的痕迹，尽管st-vibe算法进行了背景的快速更新和残影后处理，但对移动速度非常快的云仍无法去除。
[0091]
st-vibe算法在早晨和黄昏时刻夜间适应性有一定差异。主要原因是晨线过境之前的区域始终处于黑夜状态，雾btd变化较小，无明显变化速率，在时序影像建模时按照算法被判定为背景，无法检测；昏线过境后的区域虽处于黑夜，但该区域此前部分时刻处于白天，与当前像素相比具有明显的变化速率，与已建好的背景模型相比，具有较大值被判为前景，因此黄昏时刻算法适用于黄昏低太阳高度角和初入夜间时刻。
[0092]
为测试st-vibe算法的有效性，对st-vibe算法、传统vibe算法(r＝3k)和vibebgr算法r＝3k)3种算法在7:30与16:50的雾检测检测结果进行定性对比分析。vibe算法无法检测出晨线附近与地表光谱信息一致的雾；vibebgr算法检测结果与vibe算法相近；st-vibe算法可完整地检测出晨线附近与地表光谱特征相似的雾和晨线过境区的雾，且检测结果完整。vibe算法检测出的雾区大于实际雾区，且存在云区误检；vibebgr算法检测效果较好，但存在部分噪声和云区误检问题；st-vibe算法可完整检测到昏线两侧的雾，但存在少量云误检为雾。
[0093]
早晨和黄昏两个时刻st-vibe算法、vibe算法和vibebgr算法3种不同算法检测结果对比可知，st-vibe算法可较完整的检测出晨昏时刻较大范围内的雾，且雾内部完整，检测结果良好。
[0094]
选择地面观测数据定量验证算法的检测精度，采用常用指标评价体系，包括正确率pod(probability ofdetection)、误警率far(false alarm ratio)和可靠性因子csi(critical success index)对检测结果进行评价，这些指标定义为：
[0095][0096][0097][0098]
式中：n
x
为检测个数，其下标x为检测指标种类，包括h、m和f(h表示卫星检测结果与地面观测结果一致，即正确检测；m表示卫星检测结果中没雾而地面数据显示有雾，即失误检测；f表示卫星检测结果中有雾而地面数据显示没雾，即错误检测)。上述检测指标范围均为0-1，pod越大表示检测精度越高；csi越大说明方法越有效。
[0099]
表1和表2展示出2015年11月27日至30日4天的8:00和17:00的雾检测精度。表1和表2可知，4天早晨8:00卫星雾检测结果正确率平均值为72.9％，错误率平均值为12.7％，可靠性因子平均值为66％。4天黄昏17:00卫星雾检测正确率平均值为68.9％，错误率平均值为14.5％，可靠性因子平均值为61.7％。算法正确率较高，错误率稍低，可靠性因子大于60％，黄昏时段检雾测精度低于早晨时段。
[0100]
地面观测结果在卫星雾检测结果中的分布进一步分析可知，表1和表2中漏检点多为轻雾，因其较薄，导致遥感影像上其信息较为微弱，本文采用的传感器无明显的特征波段将其捕捉；误检点多位于遥感雾检测结果内，因算法基于光谱特征进行信息提取，传感器接收到的是目标顶部信息，辐射雾大多呈面状的水汽凝结，因此遥感检测结果呈面状，而地面实际天气情况除受水汽影响外，同时受地表覆盖类型、地表风速、地形等影响，会出现雾处于消散中或未接地为低云的现象，造成误检，今后将重点研究如何结合以上影响因素对卫星检测结果进行进一步的筛查，以期得到更精准的检测结果。同时除卫星检测结果存在误检外，地面观测数据因记录规则也会造成一定误差，如霾、多云、下雨和下雪等天气现象与雾同时发生时，地面观测站优先记录为雨雪等天气，霾和雾的界定模糊等均影响检测结果精度。
[0101]
表1.研究区08:00雾检测精度
[0102][0103]
表2.研究区17:00雾检测精度
[0104][0105]
选取2015年全年12个月份的数据对算法检测效果进行验证。
[0106]
表3和表4展示了st-vibe算法在全年12个月份的适用性，早晨雾的验证结果表明，pod、far和csi的总体精度分别为72.5％、18.5％和62.4％。与早晨相比，黄昏时的表现相对较弱，整个研究区pod、far和csi指标分别为70.6％、33.6％和52.3％。
[0107]
表3.研究区08:00雾检测精度
[0108]
[0109]
表4.研究区17:00雾检测精度
[0110][0111]
以上实施例为本技术的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本技术总的构思的前提下，这些变换或改进都应当属于本技术要求保护的范围之内。

技术特征：
1.一种基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，其特征在于，包括：步骤1，获取晨昏时段的h8/ahi数据，对其预处理；步骤2，基于h8/ahi数据构建晨昏时段的时序检测数据集；步骤3，基于vibe模型构建自适应阈值视觉背景提取器，记为st-vibe模型；其中，在背景模型初始化阶段引入lbsp纹理特征描述算子，在像素前景检测参数集建立阶段引入siltp纹理特征；且st-vibe模型的参数，包括最小相关数和距离测度阈值，根据输入的时序检测数据集进行自适应调整；步骤4，使用st-vibe模型，根据时序检测数据集获取初步雾检测结果；步骤5，利用传统去云方法对st-vibe模型的检测结果进行优化，去除雾检测结果中的“残留云”；步骤6：利用后处理方法对传统去云后的雾检测结果进行再优化，去除雾检测结果中的“残影”。2.根据权利要求1所述的基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，其特征在于，构建时序检测数据集的具体过程为：步骤b1，将h8/ahi数据中的波段7与波段14相减，得到btd影像；步骤b2，将h8/ahi数据中波段分别为8.7μm、10.8μm、11.2μm的数据与btd影像共四个通道数据进行融合，构建时序检测数据集。3.根据权利要求1所述的基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，其特征在于，在背景模型初始化阶段，选取预设大小窗口的lbsp算子作为邻域均值和方差的计算窗口，建立基于btd的背景模型bm(i)1和基于lbsp邻域亮温度均值与方差的背景模型bm(i)2，其中：bm(i)1＝{i1，i2，
……
i
n
}，i
t
为第t个背景像素样本的btd值，n为背景样本参数；数；为第t个背景像素的lbsp算子亮温差的均值与方差，n为背景样本参数。4.根据权利要求1所述的基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，其特征在于，在像素前景检测参数集建立的步骤包括：步骤c2.1，计算像素i
(x,y)
的siltp纹理特征编码，计算方式如下：的siltp纹理特征编码，计算方式如下：式中：i
c
为像素i
(x,y)
的btd值，i
k
是像素i
(x,y)
八邻域内像素k的btd值，τ为允许波动参数；s
τ
(i
c
,i
k
)为邻域像素k与中心像素i
(x,y)
的灰度差异编码因子；表示按顺序编码，像素i
(x,y)
的所有邻域像素的灰度差异编码因子s
τ
(i
c
,i
k
)按顺序形成十六位二进制编码siltp(x,y)；步骤c2.2，统计二进制编码siltp(x,y)中1出现的次数num_siltp
(x,y)
，定义为siltp纹理特征，耦合像素亮温差btd和siltp纹理特以构建场景因子l
c
，计算方式如下：l
c
＝i
c
/num_siltp
(x,y)
步骤c2.3，将中心像素i
(x,y)
的btd值i
c
、lbsp邻域亮温差均值m
c
与方差siltp纹理特征num_siltp
(x,y)
、场景因子l
c
组成像素前景检测参数集5.根据权利要求3所述的基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，其特征在于，对最小相关数和距离测度阈值进行自适应调整的方法为：步骤c4.1，利用初始化背景模型初步调整参数min与r：计算背景模型bm(i)2中的样本均值与方差若当前帧像素i
(x,y)
的btd值i
c
在范围内，表明该像素为背景的概率较大，按下列公式减小最小相交数min和增加距离测度阈值r：步骤c4.2，分早晨与黄昏两个不同时段，根据当前帧像素i
(x,y)
的场景因子l
c
和siltp纹理特征num_siltp
(x,y)
，对距离测度阈值r进行调整，具体地：早晨场景下的距离测度阈值r的调整方法为：其中，r和r
dawn
分别为早晨时段调整前和调整后的距离测度阈值；黄昏场景下的距离测度阈值r的调整方法为：式中，r和r
dusk
分别为黄昏时段调整前和调整后的距离测度阈值。6.根据权利要求5所述的基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，其特征在于，采用经验值作为st-vibe模型的最小相交数min和距离测度阈值r的初始值。7.根据权利要求5所述的基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，其特征在于，在步骤4使用st-vibe模型进行雾检测时，若检测某像素为背景点，则：抽取背景模型bm(i)1和bm(i)2的各自半数样本，将其替换为检测为背景点的像素的对应btd值和lbsp算子亮温差的均值与方差。8.根据权利要求1所述的基于自适应阈值视觉背景提取器的晨昏雾快速检测方法，其特征在于，步骤5具体包括：步骤e1.1，冰云去除：基于冰云在h8/ahi数据11.2μm波段上亮度温度低的特点，根据经验与已有研究，选择256k作为阈值进行去除；步骤e1.2，薄卷云去除：基于薄卷云在h8/ahi数据8.7μm波段与10.8μm波段上的亮温差大于0k，以此为阈值进行去除；步骤6具体为：将之前时刻遥感影像检测为云的像素取并集，与当前时刻雾检测结果取交集，相交的像元为云误检，将其去除。9.一种电子设备，包括存储器及处理器，所述存储器中存储有计算机程序，其特征在于，所述计算机程序被所述处理器执行时，使得所述处理器实现如权利要求1～8中任一项
所述的方法。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1～8中任一项所述的方法。

技术总结
本发明公开了一种基于自适应阈值视觉背景提取器的晨昏雾快速检测方法、设备及介质，方法：获取晨昏时段的H8/AHI数据和地面站点雾观测标记数据，对其预处理；基于H8/AHI数据构建时序检测数据集；构建基于ViBe模型的自适应阈值视觉背景提取器，记为ST-ViBe模型；其中，在背景模型初始化时引入LBSP纹理特征描述算子，在建立像素前景检测参数集时引入SILTP纹理特征；根据输入的时序检测数据集自适应调整模型参数；使用ST-ViBe模型，根据时序检测数据集获取初步雾检测结果；利用传统去云方法和后处理方法，对初步雾检测结果优化，去除其中的残留云和残影。本发明能准确、高效快速地实现晨昏陆地雾检测。晨昏陆地雾检测。晨昏陆地雾检测。


技术研发人员：江坤 马慧云 刘增伟 冯徽徽 邹滨
受保护的技术使用者：中南大学
技术研发日：2023.03.16
技术公布日：2023/7/22