多光谱遥感影像中云影区域的检测与修复

提出了一种有效针对多光谱遥感影像的云影检测与阴影区域修复方法。基于同一地区时相相近的两幅影像,充分利用碎云及阴影的光谱特性分别对云影区域进行融合增强,然后采用Otsu算法求解最佳阈值自动检测出云及阴影区域,根据云影的出现会引起两幅影像局部相应区域明显的亮度变化,可排除亮地物和水体的影响,建立归一化的云影密度图,在此基础上,采用线性加权组合与光谱直方图匹配相结合的方法对其加以修复,利用SPOT 4影像进行的实验表明其修复效果完全能够满足应用需要。     

基于HSI色彩空间的资源三号影像阴影检测

由于遥感影像上某些区域的光照辐射不足,不可避免地会产生阴影,阴影意味着图像信息的损失,而遥感影像的阴影检测在地物的识别和影像匹配方面具有重要意义。本文主要介绍的是基于HIS色彩空间的阴影检测方法,在检测过程中,根据阴影高色调低亮度的特性,结合大津法计算比值图像最佳阈值进行遥感影像阴影检测,并且在RGB色彩空间计算G分量的最佳阈值来排除树木植被和一些非阴影区域对阴影检测的影响。同时采用国产高分辨遥感卫星——资源三号的同一地区不同季节和不同太阳高度角的遥感数据进行阴影的对比检测。实验结果表明:本文基于HIS色彩空间的阴影检测方法可以快速有效地检测出影像上的阴影,并且能区分树木、河流等暗色物体。     

基于QuickBird影像的城市高大地物阴影检测方法

针对利用高分辨率遥感影像检测阴影时受水体和偏蓝色地物影像的影响问题,提出了一种主成分变换和多波段运算相结合的阴影检测方法。首先,统计、分析了Quick Bird影像中阴影、水体及建筑物等典型地物的光谱特征;然后,基于主成分变换和多波段运算相结合的方法识别阴影区域和非阴影区域,并利用多峰直方图阈值算法对阴影进行自动检测;最后,利用形态学滤波算法对检测结果进行后处理。实验结果表明,该方法对Quick Bird影像中的阴影提取具有较高的精度、效率和普适性。     

高分辨率遥感影像中云和似云目标的自动区分

云的存在会对遥感影像的处理及目标识别等产生影响,因此,自动提取云对高分辨率卫星影像的应用具有重要意义。高分影像上更加复杂的云的细节形态及似云目标的干扰,使得高分影像的自动云提取难以达到实用水平。本文以雪地为例,选取形状、纹理和边缘3个差异化特征作为云与似云目标区分的关键,提出了一种区分高分辨率遥感影像中云和似云目标的云检测算法。首先利用Wallis滤波对输入影像进行预处理,增强影像中不同尺度的影像纹理模式;然后对影像进行快速稳定的均值漂移分割,利用灰度和纹理特征构成支持向量机的第一层分类器,将分割后的区域对象分成"云"和普通地物,再利用边缘、形状、纹理等特征结合灰度特征构成支持向量机的第二层分类器,将"云"区分为云区和似云目标;最后使用Grab-cut对云检测结果进行边缘迭代精化。本文算法取得了优良的试验结果,证明了算法在似云目标干扰下对高分辨率遥感影像进行精确云检测的能力。     

应用光照模型的交通车辆识别定位的高分辨率遥感方法

针对识别和定位路面上每辆汽车这一交通遥感图像处理的核心环节,提出一种解决方法。应用光照模型推导出路面、车辆(深浅两类)、汽车阴影在全色遥感影像中的亮度差异与亮度变化特征。以亮度差异为基础建立了能够将车辆区域从路面遥感图像中分割出来的图层分离算法。针对密集行驶的汽车因阴影相互覆盖而容易被误识别为一辆大型车的问题以及浅色车因深色车窗造成的识别结果割裂问题,利用亮度变化特征以及阴影、车窗与汽车的位置关系设计了车辆区域内的阴影和车窗干扰消除算法,通过闭运算实现了遥感图像中的汽车识别与定位。选用10幅交通遥感图像进行了测试,对浅色车的识别率大于92%,对深色车的识别率大于87%。     

基于多时相遥感影像去除朵云及阴影的改进方法

利用多时相遥感影像进行相应区域替换是一种有效的去除朵云及阴影的方法。针对常规方法存在的不足,对去除过程中的一些关键技术进行改进。利用矩形区域表示不规则的云区域进行替换,并给出了矩形区域的确定方法;替换前采用多图像亮度规格化技术改善两幅影像的亮度差异;对替换后矩形区域边界与背景图像之间的拼接缝进行消除,得到最终去云影像。     

一种基于RGB彩色遥感影像的云检测方法

无人机、卫星等获取的高分辨率遥感影像中不可避免地存在云层遮挡问题,这对遥感影像生产和应用造成一定程度的干扰.本文针对RGB彩色遥感影像中存在的云层遮挡问题,提出了一种基于RGB彩色遥感影像的快速云检测方法.首先根据RGB三通道的光谱信息生成粗云图,引入景观格局指数,然后排除地面非云层高亮图斑误差,利用原始影像作为引导,对初步云提取结果进行引导滤波,获得精细化云图,最后对结果进行矢量化处理,自动提取图斑的关键拐点,最大限度保留云的形状,获得真实、美观的矢量化成果.该方法对遥感影像的数据质量和波段数要求低,可以进行快速高精度的云检测.本文利用卫星影像和无人机影像进行快速云检测实验,证明了该方法的有效性.     

一种陆地卫星影像厚云阴影检测方法

针对现有的遥感影像厚云阴影监测方法存在过程复杂、精度不高等问题,该文提出一种TM影像厚云阴影检测方法:通过阈值分割提取影像中的所有阴影;对比一幅近时相的无云影像,分离出厚云的阴影,即云阴影为"有云"影像比"无云"影像多出的阴影;最后将提取结果与人机交互、云阴影增强模型法提取的结果进行对比分析。实验结果表明该方法提取精度较高,可以快速、准确地提取TM影像中的厚云阴影。     

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。     

神经网络支持下的Sentinel-2卫星影像自动云检测

为解决利用Sentinel-2卫星影像进行地物信息提取时云层遮挡造成的信息误判问题,提出了一种基于深度学习的遥感影像云区高精度分割方法。该方法通过预处理的遥感样本数据构建出一种深度神经网络模型,自动提取高层次影像特征;再将影像特征输入分类器,实现遥感影像的像素级分类,从而分割出云覆盖矩阵;最后将云覆盖矩阵转化为云二值图,结合感兴趣区矢量准确获取指定区域云检测结果。选取典型区域进行测试,结果表明：该方法检测精度较高,速度较快,且无须辅助信息与人工干预,可用于Sentinel-2卫星影像不规则区域自动云检测。     

基于HSV色彩空间的遥感图像快速云检测

对可见光波段遥感图像进行HSV色彩空间变换,结合图像的亮度特征和饱和度特征,对饱和度通道和亮度通道分别进行同态滤波和直方图均衡化处理,增强目标云区对比度;转换为RGB色彩空间之后,接着进行2%的线性拉伸,结合云的暗原色通道特性生成暗通道图,不断突出云区与非云区对比;最后进行otsu阈值分割提取云区。实验依托实际项目需求,针对原始影像波段少的特点,选取3幅压缩后全色遥感影像为实验数据,并与阈值法进行目视判别和精度统计对比。实验结果表明该方法可以快速、较高精度地检测出云区,所提出的方法对检测数据质量和波段数要求低,检测快速,检测云区较为完整准确、实用性强。     

Landsat8影像中云和阴影的去除方法及应用

云的干扰严重影响了遥感影像的数据生产和应用,针对青海大面积地区无云数据严重缺乏而造成的遥感影像数据生产应用困难问题,研究Landsat8影像中云及云阴影去除的方法与流程,利用Landsat8遥感影像的光谱特征及其卷云波段,设计云及阴影区域检测模型,检测多种云覆盖情况下的云影响区域,通过多时相遥感影像的配准、相关分析、最小二乘拟合等图像运算得到消除或弱化云影响的遥感影像。同时,应用此方法进行数据生产,为青海地区实际项目实施提供高质量的无云遥感影像数据源。     

基于随机森林的遥感影像云雪雾分类检测

遥感影像中的云、雪、雾会遮盖地表的有用信息导致影像无法使用,为了提高有效遥感影像的使用效率,需要检测遥感影像中云、雪、雾的范围并剔除无用的影像。以自动检测卫星遥感影像中的云、雪、雾为目的,研究基于随机森林的遥感影像云、雪、雾分类检测方法,并通过增加"二次检测"减少有效区域与云、雪、雾间的错检。实验表明该方法具有较高的检测精度和效率。     

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。     

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。     

联合云检测与高通滤波的含云影像融合方法

云噪声是光学卫星影像的常见问题,为了衡量云噪声对影像融合带来的影响,本文以高通滤波融合算法为例进行分析,指出云与地物的均值相差越大,云对影像融合的影响越大,并提出了一种针对含云影像的融合方法,即联合云检测与高通滤波的含云影像融合方法。该方法首先利用NIR/R-OTSU云检测算法实时进行云检测,判别出影像中的云覆盖区域;其次采用局部优化策略利用高通滤波融合方法分块对非云区域进行处理,得到融合影像。利用资源三号多光谱和正视全色影像进行融合实验,结果表明,本文算法比高通滤波融合方法、亮度色度饱和度(intensity hue saturation,IHS)变换融合方法、Pansharp融合方法更适用于含云影像的融合处理。     

利用对象光谱与纹理实现高分辨率遥感影像云检测方法

针对高分辨率遥感影像云检测过程中合适的云检测光谱阈值难以确定及影像中类云地物对云检测精度影响的问题,提出一种基于对象光谱与纹理的高分辨率遥感影像云检测方法。首先,对影像进行直方图均衡化处理,根据均衡化影像直方图获得合适的影像云检测光谱阈值。其次,用简单线性迭代聚类算法对影像进行分割生成分割对象,以对象为处理单元,根据云检测光谱阈值和对象光谱属性对对象进行云检测过滤,获得初始云检结果。然后,求得直方图均衡化影像的纹理图,根据对象的纹理均值及角二阶矩对初始云检测结果提纯,消除类云地物对云检测精度的影响。最后对提纯云区域进行区域增长及膨胀处理,获得最终的影像云检测结果。定性对比试验和定量评价结果表明,本文方法可以获得良好的影像云检测结果。     

基于多维云空间的多光谱遥感影像边缘检测研究

在云模型的基础之上,提出一种基于多维云空间的遥感影像边缘检测算法。该方法依据矢量角相似性准则并结合邻域关系进行图像区域生长,在此基础之上根据影像不同波段的数据特征建立多维云空间映射模型,将数据从图像空间映射到云空间。通过多维云的逻辑运算生成边界云并进行向量综合。利用云的数字特征反推隶属度,构建边缘模糊特征平面,并通过最大模糊熵原则确定最优阈值,对图像模糊边界进行提取。试验结果表明,该算法在多光谱遥感影像中能取得较好检测效果。     

基于显著性图像与纹理特征的遥感影像云检测

遥感影像云检测是遥感影像处理中非常关键的环节,准确识别影像含云区域能够提升影像的利用价值。根据遥感影像的成像特点,将阈值法和纹理特征结合实现云和下垫面的分割。首先将影像从RGB(red-green-blue)空间转化为HSI(hue-saturation-intensity)空间,进而构建影像的显著性图像,利用Otsu法对显著性图像进行粗分割,再基于灰度共生矩阵分析云和下垫面的纹理特征,进一步提取出准确的云区。实验表明,该算法复杂度较低,提取效果良好。     

改进Wallis模型的高分辨率遥感影像阴影自动补偿方法

目前的阴影自动补偿方法仍然存在对比度提升的自适应能力不足等问题。Wallis滤波原理常用于影像色彩匀光,但应用于阴影补偿时会存在影像反差系数对对比度提升效果不理想的问题。首先,通过增加补偿强度系数及拉伸系数,设计了改进的Wallis阴影补偿模型;然后,获取阴影周边的非阴影区域信息作为补偿目标,利用阴影边界在局部范围内寻找同类特征点,自动解算该模型中的补偿系数值,再根据各个阴影区域自身的特点定制相应的补偿模型,对阴影区域内各像素亮度进行合理补偿,恢复被遮挡地物信息;最后,选取多幅具有云阴影及地物阴影的影像进行检测以及阴影补偿的实验,并与局部补偿方法进行对比。实验结果表明,该方法能够有效地补偿阴影,使其亮度和对比度共同提升到与非阴影区域相一致的水平,最佳还原被阴影遮挡的地物信息。