资源三号测绘卫星自动云检测

光学卫星遥感影像自动云检测是卫星产品生产系统的一个重要环节。利用资源三号卫星编目生成的浏览图,采用树状判别结构进行云检测,对浏览图进行分块,提取子块图像的特征进行云地分类。由于云类和地物类过于繁杂,且浏览图的分辨率较低,传统通过图像特征对云地进行分类的算法有很大的局限性,针对这一问题,本文提出了在分类之前对原始的子块图像进行增强处理,扩大云和地物的纹理差异,然后以二阶矩、一阶差分等作为云地分类的图像特征,并在多尺度空间内进行特征延拓,经过综合分析估计云在影像中的比例。该云检测算法应用于资源三号卫星应用系统工程,实际测试结果表明,该算法能够较好地提升云量检测的准确率。     

实现遥感相机自主辨云的小波SCM算法

随着遥感相机分辨力的提高和幅宽的增大,星上固存和数传带宽面临巨大的挑战。提出一种多分支云判别算法,可控制相机在有云区关机停拍。首先利用计算量较小的光谱阈值判别法对云和地物粗略分类,在不能确定云或地物时,采用纹理分析方法判别。为减小误判可能,算法采用小波SCM提取纹理特征,并提出一种基于ASM和熵的双判别方式。通过对24．5幅遥感图像进行试验验证,证明该算法能快速准确识别云层和地物,总误判率小于5％。     

机载激光点云中电力线的自动提取与重建

针对传统电力线点云自动提取方法在抗差性、准确性上的不足,文中从输电线路走廊中不同地物点云的空间特征差异出发,提出一种新的基于激光点云的电力线自动提取与重建方法.此算法利用栅格化处理和拟合残差判别提取电力线候选点云,通过双重K-means算法实现电力线重建.利用4组实际输电线路点云进行可行性试验.试验结果表明,方法对电力线候选点集的提取正确率均在97％ 以上,双重K-means算法能够准确地对电力线进行提取与重建,具有较高的提取准确率与较好的算法效率,可为实际工程的应用提供参考.     

基于特征线的点云数据分割算法

为了提高点云数据分割的效率和精确度,基于深度图像和CANNY算子,研究了一种新的按照特征线的点云数据分割算法。结果表明,这种基于特征线的数据分割算法能够显著提高数据分割的精度。     

基于高程约束的真正射影像遮蔽检测算法

提出一种优化的真正射影像遮蔽检测算法。该方法借鉴角度判别法和高程射线追踪法的思想,在遮蔽检测过程中对判别准则进行约束,从而提高执行效率,并且试验结果证明该方法是可行的。     

激光点云分类质量检查与解决方案探讨

点云分类中"人工判别编辑"的好坏直接影响DEM质量。目前,分类成果的质量检查主要要采取人工逐屏浏览检查方式,该方法耗时长,检查不全面。针对该问题,本文对点云分类常见质量错误进行归纳分类,并提出相应的解决方案,三种解决方案采用三种不同算法。从实验结果可以看出,采用本文的检查方法能够快速准确地定位错误位置,在保证检查完整率的同时大幅度数提高检查效率。     

三维激光扫描点云配准算法与精度研究

在探讨三维激光扫描仪配准方式的基础上,提出基于多点拟合圆心的算法,根据圆心坐标加权求取靶标点云中心,并对其进行误差评定和点云拼接。实验表明,该算法不仅避免检测出无效圆和减小伪圆出现的概率,还提高了效率。     

八叉树索引的三维点云数据压缩算法

针对现有的三维点云简化算法普遍存在运行效率较低、内存消耗大、处理时间过长等问题,该文利用八叉树索引的速度优势和点云数据空间分割的逻辑结构,并结合三维点云网格简化算法高效的优势,提出一种基于八叉树索引的三维点云简化算法。该算法基本满足点云简化的理想标准,计算快速、运行时间短。利用实测大雁塔数据对各种三维点云压缩算法进行比较,结果表明该文提出的新算法对点云数据的压缩简化效率和压缩率较现有算法均有较大提高。     

联合深度学习和条件随机场的遥感影像云检测

针对最大类间分类法等传统方法在高分辨率影像云检测时对噪声敏感、云边缘轮廓不精确等问题,该文提出一种结合神经网络结构SegNet和条件随机场的云检测方法,在实现含云区域提取的同时很好地保留了云的边缘轮廓。实验结果表明,结合SegNet神经网络和条件随机场的云检测精度达到94.8%,高于其他经典算法约5%,边缘保持度精度高,并避免了经典算法对噪声敏感的缺点。     

ICESat-2机载实验光子云数据自适应去噪及分类算法

第二代星载激光雷达冰、云和陆地测高卫星ICESat-2（The Ice， Cloud， and Land Elevation Satellite-2）搭载了先进光子计数式激光雷达，使用了全新的微脉冲多波束光子计数式激光雷达。由于光子计数式激光雷达的自身特点，其光子云数据具有受噪声光子影响大、信噪比与扫描时间相关、光子分布密度不均匀等问题，目前开发的去噪算法并不能很好的应用于不同的光子云数据。基于以上问题，本文提出一种改进的去噪算法，首先分析光子云内部特征并自适应选择最优参数进行粗去噪，然后进行两次精去噪，最后对光子云进行分类并拟合出地面线及冠层顶线，为提取森林冠层高度提供基础。使用该算法对MABEL数据进行去噪实验，实验结果表明：该去噪算法的一次去噪对不同环境下MABEL数据在夜间的去噪平均精确度为94.5%，F1-score为96.3%，日间平均精确度为86.7%，F1-score为91.7%，且三次去噪算法完成后能够显著提升光子云去噪精度。实验证明该算法对MABEL光子云数据具有较好去噪效果和稳定性，可为ICESat-2数据处理提供参考。本文的光子分类算法能够从光子数据中提取冠层顶点、地面点及林内光子并在此算法中进一步精确去除剩余噪点，最终光子分类结果显示该算法能够从复杂光子云数据中提取森林剖面结构。     

GF-4序列图像的云自动检测

以高分四号(GF-4)卫星L1级标准分幅数据产品提供高精度的云检测产品为目的,研究针对地球同步轨道卫星数据的云检测算法,改进自动阈值以适应同日不同时刻成像数据的辐射亮度与地表反射特性的变化差异。利用GF-4卫星凝视成像方式获取的同区域序列图像以及云在不同图像上的运动特性,结合自动阈值与SavitzkyGolay(SG)滤波修正检测结果中的误检。算法的两个关键预处理,一是通过自动的几何配准解决未经几何校正的分幅数据之间像素位置对应的问题,二是通过基于典型相关变换自动提取序列图像之间的伪不变特征点集,进而利用相对辐射归一减小了不同时刻成像数据之间的辐射差异。通过内蒙古自治区东部及长江中下游区域70余组数据对算法进行验证,整体上获得了稳定的结果与精度,并且基于序列图像的云检测算法在云边界、高亮地表及薄云区域的检测精度整体优于单幅自动阈值的检测结果。结果表明算法精度上满足GF-4云检测数据产品需求,且算法自动化程度高,便于工程化的数据生产。     

融合多尺度视网膜图像增强的动态云检测

云检测是气象卫星各类定量遥感产品的基础,无论是以云图为基础的天气分析还是以去云为前提的各类大气和地表参数反演、沙尘火情等灾害检测,都需要对遥感影像中的云进行准确识别,尤其是薄云和云边缘等细节识别。针对静止气象卫星(以Himawari-8为例)精细化云检测,本文提出了一种基于多尺度视网膜图像增强的动态云检测算法。该算法基于云层与背景信息辐射特征不同的原理,构建可见光和红外波段的晴空辐射背景场,通过多尺度图像增强和最大类间差方法对辐射差值进行云细节信息的增强和提取。利用2021-2022年的75景MODIS云检测产品作为验证数据进行算法精度验证,整体上算法精度达到91.13%,召回率为94.02%,精确率为86.71%,有较强的适用性和稳健性,且已经较好地支撑了近两年的定量遥感产品业务化应用。     

天绘一号卫星遥感影像云雪检测的ResNet与DeepLabV3+综合法

云和雪的检测是卫星遥感影像处理过程中的一部分,也是对其进行后续分析和解译等应用的关键步骤。本文提出了结合ResNet和DeepLabV3+的全卷积神经网络云雪检测方法。采用ResNet50骨干网络,根据云和雪在天绘一号遥感影像上的特点优化DeepLabV3+网络模型,并采用ELU激活函数、Adam梯度下降法以及Focal Loss损失函数来加快收敛速度、提高分割精度。通过天绘一号卫星云雪影像数据集对网络进行训练并测试,试验结果表明,本文方法与传统Otsu法相比,稳健性更强,在检测精度上优于FCN-8s与DeepLabV3+,速度上优于DeepLabV3+,能推广用于不同来源的遥感影像,具有较好的应用前景。     

热红外与可见光数据的云边缘高度匹配

高分辨率数据中云高度的差异性突显,特别是边缘处高度在云阴影识别和地表辐射估算等方面成为需要考虑的重要因素。热红外数据获取云高度分辨率较低、缺乏细部差异性特征,为解决这一问题,首先将对应的热红外和可见光数据进行特征点配准,再将基于热红外数据计算的云高度重采样至高分辨率,然后以基于欧式距离变换的围线搜索方法及距离加权将热红外云边缘高度匹配至对应的可见光图像,最后根据云阴影的相似度匹配方法确定真实云高度。结果表明,算法在遵循热红外云高信息分布变化规律的同时,可以得到较准确的高分辨率云边缘高度,一定程度上解决了热红外技术获取云高在分辨率上的局限,扩展了其在云高反演方面的作用。     

基于动态阈值的HJ-1B图像云检测算法研究

针对环境与灾害监测预报小卫星星座1B星(HJ-1B)的传感器波段特征,通过对云检测阈值的年度波动性分析,提出了一种基于波谱标准差异常的“动态阈值云检测算法”.该算法的实现主要是采用图像配准、波段运算、线性回归和误差分析等方法,获取云异常区域,进而剔除图像中的云像元.研究结果表明,该算法可以很好地检测出不同时相、不同类型下垫面上空的云像元,为有效利用HJ-1B数据并提高其图像分类精度发挥作用.     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄，导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构，获取待测遥感影像云特征；然后采用超像素分割方法进行影像分割；最后将检测结果影像块拼接，完成整幅影像云检测。试验效果评价表明，基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制，云检测精度高，误判较少，适合国产高分辨遥感影像云检测。     

风云气象卫星影像自动精细云检测

抠图技术能够准确细致地检测出前景与背景的差异，但是现有的大多数抠图算法均需事先给出前景与背景的标记，在海量影像处理业务中具有明显的局限性。本文将抠图技术引入风云气象卫星影像云检测中，提出了基于连通区域抠图的自动精细云检测算法。首先对影像的灰度图像进行多种阈值方法二值化，通过投票法集成得到初步二分图；在此基础上计算连通区域，以连通区域的重心为种子点，自动生成连通区域三分图；最后使用闭形式抠图法求解alpha值进而得到精细的云检测结果。将该方法与基于学习和稳健性抠图检测算法进行了对比，试验结果表明，该方法能够较好地检测出多种类型的云，具有更高的准确率。     

基于多光谱分析的HJ-1B数据云检测算法

云检测是遥感数据预处理中的一个重要环节。本文通过分析云及典型地物光谱特性,结合HJ-1B传感器波段设置,提出了一种基于多光谱分析的云检测算法。该方法针对不同下垫面类型,选取合适的波段组合逐一建立云掩模。利用该算法对多幅影像进行去云处理,结果表明,该方法能够很好地检测出不同时期不同背景上空的云像元。     

基于随机森林的遥感影像变化检测

随机森林是一种新兴的、高度灵活的机器学习算法，在预测和分类方面有着良好的稳定性，且算法性能要优于许多单预测器。鉴于此，本文提出了随机森林的遥感影像变化检测算法，利用熵率法对遥感影像进行超像素分割，获取最优分割结果；构建了基于随机森林的遥感影像变化检测模型，以所提取的Gabor特征和光谱特征作为模型输入进行训练和预测，并将有决策树的投票作为最终的变化检测结果。试验结果表明，本文所构建的随机森林变化检测模型在漏检率和虚检率上明显低于其他算法，且总体正确率高，在算法时间上也明显优于其他算法。