Landsat TM遥感影像中厚云和阴影去除

提出了一种新的利用多时相Landsat TM影像数据进行的厚云及其阴影去除的方法。该方法通过分析厚云及其阴影的光谱特征, 设计了厚云和云阴影识别模型。该算法的实现是采用图像配准技术、非监督分类、像元替换等运算, 计算出厚云和云阴影区域的TM影像替换数据, 进而得到消除或者减少云影响的TM遥感影像。试验结果表明本文提出的厚云及其阴影去除方法效果很好, 能消除或者弱化云对TM影像数据的影响。     

面向对象的高分辨率遥感影像阴影提取方法

针对高分辨率遥感影像阴影提取的问题,通过分析影像主成分变换和HIS变换的特征,提出了一种面向对象的高分辨率遥感影像阴影提取方法:首先,使用mean shift分割方法进行影像去噪和平滑;然后,结合主成分变换和HIS变换形成了一种阴影检测指数(SDI);最后,通过阈值分割提取阴影信息。选取两景影像进行了阴影提取实验。实验结果表明,SDI能有效地区分阴影与建筑物、水体、蓝色地物、植被等非阴影地物;另外,mean shift分割能有效地去除结果中斑点噪声的影响,提高阴影检测精度。     

高分辨率遥感影像地物阴影去除算法研究

近几年来,随着遥感技术的快速发展,卫星传感器的空间分辨率在不断地提高,高分辨率遥感影像的应用范围也越来越广,主要包括地形图绘制、变化检测、数字化城市建设等方面。然而,阴影的存在会给高分辨率遥感影像的处理结果带来很多不利影响,如图像匹配、地物的识别与提取等。因此,准确提取高分辨率遥感影像中的建筑物阴影并将其去除掉,是目前遥感影像图像处理方面的一项重要工作。对国内外阴影检测与去除算法系统进行研究,发现现有的算法存在很多局限性,并且处理结果不是很理想,误检率较高。针对这些问题,本文改进了Wallis滤波算法,并基于Matlab进行了结合颜色恒常性理论的阴影去除算法实验研究。通过实验和定量评价,验证了这两种算法较传统的阴影去除算法精度更高。     

无人工标注数据的Landsat影像云检测深度学习方法

云和云阴影检测是Landsat影像产品生产的重要环节。近年来,深度学习极大提升了Landsat影像云检测的精度,但是深度卷积神经网络模型的训练依赖庞大规模的标注图像,需要人工标注出大量图像上每个像素是否为云或云阴影。人工标注成本高、耗时长,不利于训练出具有实用价值的模型。受弱监督学习启发,文章提出一种新的云和云阴影检测模型深度学习方法。首先,采用常规云检测算法CFMask检测Landsat8影像云及其阴影;然后,将其替代人工标注图像用以训练深度卷积神经网络模型;最后,应用训练所得模型检测新图像中的云及其阴影。实验结果表明,所提方法的总体精度为85.55%,与CFMask结果相比精度有所提升,说明利用非人工标注数据训练深度网络模型进而检测云和云阴影的思路是可行的。     

遥感影像阴影多波段检测与去除理论模型研究

阴影是遥感影像的基本特征之一，它使地物目标反映的信息量有所损失或受到干扰，而去除阴影一直是遥感影像处理的难题。从研究遥感影像阴影产生机理出发，提出了一种多波段检测阴影的方法和基于能量信息补偿去除阴影的理论模型。通过IKONOS影像进行方法与模型验证，真实再现阴影区地物特征，增加影像信息量，提高数据质量。     

基于支持向量机的遥感影像厚云及云阴影去除

本文提出了一种基于支持向量机的遥感影像厚云及云阴影去除方法。首先利用支持向量机的学习性能检测影像中的云层,并利用太阳角度信息,判定云阴影区域,得到云层和云阴影的二值图。再对影像进行支持向量值轮廓波变换,利用云层和云阴影二值图生成的选择矩阵,对变换系数进行多层镶嵌,完成云层及云阴影的初去除。对影像镶嵌未能去除的云层及云阴影,通过统计学补偿的方法进行修复。最后重构图像并进行中值滤波实现厚云及云阴影去除。仿真实验表明,该方法能更好地再现云层覆盖区域的地物信息,去云后的图像具有更好的光滑度和清晰度。     

多光谱影像NDVI阴影影响去除模型

归一化植被指数(NDVI)在植被多光谱遥感反演中占据尤为重要的地位,而遥感影像中普遍存在的阴影对NDVI的精度产生很大的影响,因此去除阴影对植被NDVI的影响对更精确的定量化研究具有应用价值。本文基于光照区和阴影区的太阳辐射能量差异,模拟出同一植被在光照区和阴影区的辐亮度,分析阴影对NDVI的影响机理;利用植被固有反射率谱间关系,引入对阴影极敏感的且与植被信息相关性小的归一化暗像元指数NDPI(Normalized Dark Pixel Index),分析同一植被处于光照区与阴影区的NDVI关系,构建以光照区植被NDVI为基准的NDVI阴影影响去除模型NSEE (NDVI Shadow-Effect-Eliminating),并应用于Landsat 8 OLI影像进行验证。结果表明:NDVI阴影影响基本去除,阴影区NDVI接近正常值,且光照区NDVI保持稳定;有效解决了阴影导致NDVI统计直方图的偏态问题,使其更接近正态分布;与验证影像NDVI沿剖面线逐像元比对发现,植被NDVI阴影影响基本去除;均方根误差RMSE为0.067。本模型能够将本身NDVI值很低的像元与阴影导致NDVI降低的植被像元区分开,符合实际地物情况;模型基于影像自身信息,去除NDVI阴影影响的同时,有效保持了NDVI的相对空间关系;本文基于物理机理构建模型,模型表达简洁、易于应用,且仅依赖于影像自身信息,无需异源数据,计算方便且高效。     

基于线性表示的高光谱影像波段选择算法

为了去除高光谱影像的数据冗余,提高高光谱影像处理的精度和效率,提出了一种基于线性表示的高光谱影像波段选择算法。针对每一个波段,建立与其他波段的线性表示关系,依据复相关系数确定相关程度最高的波段,将其作为冗余波段去除;对剩余波段重复上述过程,得到最小波段集;并证明了利用该波段集和全波段所选的端元是一致的,在不影响端元提取的前提下,最大程度地去除了冗余波段。通过2组实验结果证明了该波段选择算法的可行性和有效性。     

一种基于彩色模型的遥感影像阴影检测方法

依据遥感影像阴影的属性,提出一种基于彩色模型的遥感影像阴影检测方法,以提高阴影检测精度。阴影检测过程中,首先将影像转换到HSV空间, 根据阴影区域亮度值低和饱和度高的特性, 新定义M=（S-V）/(H+S+V),并结合小区域去除和数学形态学处理,提取阴影区域;其次依据散射理论对蓝光的影响,提出结合C1C2C3空间的C3分量和RGB空间的B分量进行双阈值阴影检测;为降低阈值选择的主观性,提出将上述两种方法进行与运算进行阴影提取。最后对多幅带有阴影的遥感影像进行实验,结果表明所提出的方法明显优于传统的直方图阈值法和形态学检测法,克服了阈值选择的主观性,提高了阴影检测精度。     

高分航空光学遥感影像的山体阴影去除方法

阴影是山区高分航空影像严重的干扰因素,去除山体阴影有助于提高实景三维建设、林业调查、变化检测等应用的准确性和有效性。本文构建了高分航空遥感影像的山体阴影指数(MSI),并提出了基于色彩迁移和色彩均衡的阴影去除方法。采用覆盖山区的0.2 m航空影像进行试验,结果表明,MSI和阈值分割法可以有效地检测航空影像的山体阴影,而结合对象化色彩迁移和基于邻域的非线性色彩均衡的阴影去除法既能有效地消除山体阴影,又能使阴影区域恢复纹理细节,色彩更贴合于非阴影区域,达到影像整体色彩更加均衡的效果。分析阴影去除前后的统计指标发现,随着阴影的去除,各波段平均值和标准差都明显增加,说明阴影区域的亮度有提高且色彩层次更加丰富。     

噪声调节主成分变换下的遥感图像薄云去除

针对在光学遥感图像中的地球表面反射率由于云覆盖所造成的衰减问题,本文提出了一种基于噪声调整主成分变换（NAPCT）模型的薄云去除方法。首先,通过噪声估计构建NAPCT除云模型,实现云图像的转换;然后,利用NAPCT第一成分（NAPC1）提供的云分布信息,通过合并云掩膜,对NAPC1上的浑浊像素进行校正;最后,将逆变换应用于云覆盖区域,并与原始的清晰像素镶嵌在一起,最终得到无云图像。利用模拟和真实的Landsat 8图像对本文方法的性能进行了定性和定量评估,试验结果表明：与传统方法相比,本文NAPCT方法提供了更好的均方根误差和峰值信号噪声比,在除云上具有更好的效果。     

Estimating soil erosion using MODIS and TM images based on support vector machine and à trous wavelet

To date, there is little work concerning the application of fusing images with significantly different spectral and spatial resolutions. In this paper, a novel method based on support vector machine (SVM) is proposed to quickly estimate soil erosion using the fused results produced from fusing such multisensor images by à trous wavelet transform (AWT). In the proposed method, the AWT is used to derive the high-resolution vegetation coverage image (HVCI) while the SVM overlays the HVCI and the slope image to derive the soil erosion map. By taking MODIS and TM images as an example, the potential of the proposed method is evaluated both quantitatively and qualitatively. The results show that it is feasible to perform the fusion of MODIS and TM images and the soil erosion map produced from the fused images by the proposed method can be achieved with an accuracy level comparable to that solely from the TM images. The merging of MODIS and TM images partly solves the constrains associated with the TM data availability which is caused by the lower revisit frequency and narrower spatial coverage.     

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Mallat算法遥感图像去云雾处理的改进方法

遥感图像云雾处于相对低频、景物处于相对高频。根据小波变换多分辨率的特点,分析云雾和景物在小波系数中的分布,得出景物信息包含于低层细节系数,而云雾信息包含于高层细节系数和近似系数。本文通过增大图像的低层细节系数,减小高层细节系数,并适当减小近似系数,达到去除云雾的目的。最后评价了图像处理结果,并与同态滤波做比较,表明本文方法是有效的。     

A New Progressive Simplification Method for Point Cloud Using Local Entropy of Normal Angle

With the development of modern 3D measurement technologies, it becomes easy to capture dense point cloud datasets. To settle the problem of pruning the redundant points and fast reconstruction, simplification for point cloud is a necessary step during the processing. In this paper, a new method is proposed to simplify point cloud data. The kernel procedure of the method is to evaluate the importance of points based on local entropy of normal angle. After the estimation of normal vectors, the importance evaluation of points is derived based on normal angles and the theory of information entropy. The simplification proceeds and finishes by removing the least important points and updating the normal vectors and importance values progressively until user-specified reduction ratio is reached. To evaluate the accuracy of the simplification results quantitatively, an indicator is determined by calculating the mean entropy of the simplified point cloud. Furthermore, the performance of the proposed approach is illustrated with two sets of validation experiments where other three classical simplification methods are employed for contrast. The results show that the proposed method performs much better than other three methods for point cloud simplification.     

基于Radarsat和TM图像融合与分类的土壤盐渍化信息遥感监测研究

单一雷达影像数据通常不能提供足够的用以监测干旱地区盐渍化的信息。雷达图像与TM图像的融合可以提高遥感数据的利用率,增强数据的可靠性和信息的互补性,有助于提高分类精度。本文采用了GramSchmidt变换融合法将Radarsat和TM图像进行融合,并将该融合方法与一些常用融合方法(HIS融合、PCA融合、Brovey融合)进行了比较,结果表明该融合方法优于其他方法。最后采用支持向量机分类法(SVM)对Radarsat、TM融合后的图像进行了分类。结果表明:同单独Radarsat影像和TM影像分类结果相比,该融合分类法将分类精度分别提高了近30%和2%。因此该融合分类法更适合于遥感图像盐渍化信息监测。     

二型模糊集合在遥感影像土地利用分类中的应用

在遥感影像土地利用分类中,传统的布尔分类法只考虑地物光谱信息,用"是"与"非"的二值确定逻辑状态分类影像,当存在较多混合像元时,其不能满足一些实际应用的要求。模糊分类法综合了地物光谱特征、空间特征和对象的拓扑关系,对每个像元的归属用[0～1]的模糊度来表示,有效地解决了该问题。通过对研究区TM影像进行传统布尔法分类和模糊分类法分类的结果比较可知:对混合像元较多且波段较少的遥感影像土地利用分类,二型模糊集合分类能够适应用户不同精度需求,并能交互式输出结果。     

遥感影像中薄云的去除方法研究

薄云去除是遥感图像处理中一个常见的问题。目前,针对遥感影像薄云去除问题国内外学者提出了不少方法,本文在分析薄云去除难点的基础上介绍了几种薄云去除方法的原理并讨论了每种方法的适用范围。