基于Landsat 8影像的多光谱厚云检测方法研究

在ACCA算法基础上,通过分析厚云及典型地物光谱特性,结合Landsat 8卫星传感器波段特性设计多光谱厚云检测方法,将影像大气顶端反射率和亮度温度作为输入值,检测厚云分布位置。检测结果显示,厚云像素的检测准确率在ACCA算法上有所提高,尤其是对于边界云和碎云的识别优于ACCA算法。当应用于多时相及多地区含云影像时,影像中厚云像素的检测准确率在90%以上,表明该方法能较好地检测各个时相及不同地物上空的厚云像素。     

统一样本云检测技术在GF-6 WFV上的改进与应用

目前基于深度学习的云检测方法,受训练样本限制,算法难以推广及应用。为了快速实现针对多种传感器的高精度的云检测,Sun等（2020）提出统一样本云检测方法。基于AVIRIS高光谱样本库模拟出待检测传感器的云和晴空地表像元,将模拟得到的多光谱样本数据输入到BP神经网络中进行逐像元分类,生成云检测模型,实现Landsat 8 OLI等宽光谱传感器较高精度的云检测。该方法基于统一样本模拟出不同传感器的样本像元库,适用于多种传感器的云检测。由于Landsat 8 OLI波段较多,波谱范围覆盖宽,容易实现云的高精度识别。为了进一步提高其在光谱范围较窄的GF-6 WFV数据上的云检测应用精度,在模拟出的样本库中加入GF-6 WFV数据典型高亮地表像元。通过目视解译对云检测结果进行精度验证,结果表明,该算法利用可见光和近红外通道的遥感数据可以高精度的识别出植被、水体、建筑、裸地等地表类型上空的厚云、碎云和薄云。改进后的云检测算法,云像元平均正确率达到88.40%,在高亮地表上空云像元正确率达到87.40%,在不同地表类型上空的云像元平均正确率为92.60%。结果表明,加入高反射率地物的算法可以利用有限波段实现云和地表的高精度分离。     

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。     

融合光谱阈值与图像技术的静止卫星夜间云检测方法

针对夜间云检测问题,本文基于静止气象卫星Himawari-8影像数据,分析了云像元光谱特征与图像特征,提出了融合光谱阈值与图像技术的静止卫星夜间云检测方法,实现了静止卫星夜间云的快速、准确检测。利用MODIS云产品和CALIPSO雷达数据,对云检测结果进行定性分析与定量验证。结果表明：(1)云检测结果与MODIS的云产品MYD06分布基本一致;(2)算法夜间平均云检测精度达到80.3%;(3)不同季节夜间的云检测精度随季节变化较明显,夏季最高达到83.3%,可以区分不同季节夜间的云与非云区域。因此,融合光谱阈值与图像技术的静止卫星夜间云检测方法能有效实现夜间云检测,为夜间云检测应用提供了新思路。     

Sentinel-2A与Landsat 8O LI逐像元辐射归一化方法研究

考虑不同传感器光谱响应函数差异及不同地物类型反射率光谱的差异，提出了一种逐像元辐射归一化方法，并以2017年7月17日内蒙古达里诺尔湖地区准同步过境的Sentinel-2A及Landsat 8数据为例，对两类数据可见-近红外波段（VNIR）地表反射率结果进行归一化。首先采用Sen2cor方法及NASA官方提供大气校正算法，分别对Sentinel-2A及Landsat 8 OLI影像进行大气校正并重采样到同一空间分辨率；然后基于光谱库计算匹配因子并构建图像与光谱库之间的匹配转换模型，实现像元尺度上从Sentinel-2影像到Landsat 8影像地表反射率相似波段之间的转换。结果表明，经逐像元归一化的影像相比原始影像及经HLS光谱归一化的影像，与Landsat 8 VNIR波段的相关性明显提高，辐射一致性增强。该转换模型为多源中高分辨率遥感图像高精度辐射归一化提供了新思路。     

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.     

基于像元形状指数的图像分类——以长春市为例

像元形状指数是一种基于像元的空间特征算子,采用像元形状指数(PSI)来描述像元点邻近区域的形状特征,通过中心像元及其邻域相似性描述了中心像元的上下文形状分布,有效地提取了影像中的光谱信息,并取代了原有的光谱特性,弥补了原有光谱特性的不足。像元形状指数对原有图像处理后,利用支持向量机光谱与形状特征融合的算法对处理过的影像进行分类处理。研究结果表明,经像元形状指数变换后的光谱特性更加适合图像分类,且形状和光谱特征的融合可以有效地提高分类的准确性。     

采用PPI算法改进的一种数学形态学端元提取方法

自动形态学端元提取（automated morphological endmember extraction，AMEE）算法将结构元素内最纯像元与混合度最大的像元之间的光谱角距离定义为形态学离心率指数（morphological eccentricity index，MEI）来定量化地表示像元的纯净度。然而作为参考标准的混合度最大的像元在不同的结构元素内也是不同的，尤其是当结构元素内的纯净像元占大多数时，像元的均值光谱将更接近纯像元，此时像元的MEI越高，纯度反而越低。针对这一问题，本文提出一种像元纯度指数（pure pixel index，PPI）算法与AMEE算法相结合的端元提取算法PPI-AMEE。在结构元素内，利用PPI指数代替AMEE算法中的MEI指数来寻找最纯像元。变换结构元素时，只有最纯净的像元始终能够投影到随机生成的直线的两端，其PPI值会不断累计增大，而其他像元的PPI值则无法持续增大。累计记录每个像元的PPI值，直至满足迭代终止条件，最终形成一幅PPI图像，端元将在PPI值较大的像元中选取。PPI-AMEE算法只在相对较小的结构元素内运行PPI算法，然后再结合数学形态学中的膨胀操作对整幅图像进行处理，其同时兼顾了图像的光谱信息和空间信息。最后，采用模拟数据及美国内华达州Cuprite地区的机载可见光/红外成像光谱仪（airborne visible infrared imaging spectrometer，AVIRIS）高光谱数据对提出的PPI-AMEE算法进行试验验证。试验结果表明，PPI-AMEE算法的端元提取精度总体上优于AMEE算法和PPI算法。     

超像元尺度下的多光谱图像超分辨率洪水淹没制图

超分辨率制图SRM (Super-resolution Mapping)技术可以有效地处理遥感图像中的混合像元,获得准确的地物类别分布信息。目前,SRM技术已经成功地应用于多光谱图像洪水淹没定位中,称为超分辨率洪水淹没制图SRFIM (Super-resolution Flood Inundation Mapping)。然而,现有的SRFIM方法往往基于像元尺度空间相关性,这种空间相关性考虑设定的矩形窗内的像元之间的空间关系,但实际情况下淹没区域与非淹没区域的形状是不规则的,因此这种像元尺度空间相关性不够准确,影响最终的洪水淹没制图精度。为了解决这一问题,提出了超像元尺度空间相关性下的多光谱图像超分辨率洪水淹没制图SSSC-SRFIM (Super-resolution Flood Inundation Mapping for Multispectral Image Based on Super-pixel Scale Spatial Correlation)。在SSSC-SRFIM中,首先利用双立方插值改善原始粗糙多光谱图像,获得改善后的图像,并利用光谱解混方法对改善后的图像进行光谱解混,获得具有每个亚像元属于淹没类别概率值的丰度图像;然后利用主成分分析法提取改善后图像的第一主成分,并利用基于多分辨率的图像分割算法分割第一主成分,获得不规则形状的超像元;再者将丰度图像与超像元进行整合计算,并引入随机游走算法计算各个超像元之间的空间相关性;最后,依据超像元空间相关性,利用基于类别单元的类别方法将淹没区域或非淹没区域标签分配给每个亚像元中,得到最终的洪水淹没制图结果。利用两个Landsat 8 OLI多光谱图像对该方法进行了评价。结果表明,与传统的SRFIM方法相比,本文提出的SSSC-SRFIM方法具有更好的效果。     

面向端元提取的光谱角特征空间图像分块方法

传统的高光谱端元提取算法一般是在高维的光谱特征空间中进行运算,并且图像的全部像元都参与算法,因此运算量偏大,运算效率较低。提出了一种光谱角特征空间的概念,利用图像的空间信息辅助端元提取。图像的全部像元都可以映射到8维的光谱角特征空间中,样本点在特征空间中距离原点的远近表征了其在图像中的位置是否为地物区块的边缘,利用这点可以对高光谱图像进行空间分割。在分割后的每个子块图像内部只选取少数"最纯"像元参与端元提取算法,从而大大降低了端元提取的计算复杂度。     

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。     

PARASOL/POLDER3卫星数据的海洋上空云检测

在卫星海洋遥感中,云作为海气耦合系统最重要的调节器之一,其检测结果对海洋上空云微物理特性的反演精度有较大影响。因此,快速而准确识别海洋上空的云像元是卫星遥感数据处理过程中首要解决的关键问题。以PARASOL (Polarization and Anisotropy of Reflectances for Atmospheric Sciences coupled with Observations from a Lidar)卫星搭载的POLDER3载荷遥感数据为研究对象,提出一种改进的海洋上空云检测方法。首先剔除海洋耀光;接着利用有云与晴空区近红外反射率差异检验识别有云像元,并利用偏振反射率检验进一步识别低反射率的云像元;然后利用近红外与可见光反射率比值检验识别晴空像元;最后建立多角度云检测结果空间融合规则,重新标记有云、晴空和未定像元。以印度洋海区为例进行实验分析,将云检测结果与Buriez方法进行对比,发现检测精度基本相当,而有云像元的识别速度却平均提高约3倍。结果表明:该方法能有效的检测出海洋上空的云像元,满足业务化数据处理的高精度及时效性要求,为后续云微物理特性反演提供可靠的数据源。     

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。     

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。     

A combined spectral and object-based approach to transparent cloud removal in an operational setting for Landsat ETM+

The automated cloud cover assessment (ACCA) algorithm has provided automated estimates of cloud cover for the Landsat ETM+ mission since 2001. However, due to the lack of a band around 1.375 μm, cloud edges and transparent clouds such as cirrus cannot be detected. Use of Landsat ETM+ imagery for terrestrial land analysis is further hampered by the relatively long revisit period due to a nadir only viewing sensor. In this study, the ACCA threshold parameters were altered to minimise omission errors in the cloud masks. Object-based analysis was used to reduce the commission errors from the extended cloud filters. The method resulted in the removal of optically thin cirrus cloud and cloud edges which are often missed by other methods in sub-tropical areas. Although not fully automated, the principles of the method developed here provide an opportunity for using otherwise sub-optimal or completely unusable Landsat ETM+ imagery for operational applications. Where specific images are required for particular research goals the method can be used to remove cloud and transparent cloud helping to reduce bias in subsequent land cover classifications.     

增强型多时相云检测

针对云检测在高亮度地表以及雪覆盖区域存在过度检测的问题,设计了一种不依赖热红外波段的增强型多时相云检测EMTCD(Enhanced Multiple Temporal Cloud Detection)算法。首先,利用云的光谱特征建立单时相云检测规则,并基于云、雪的光谱差异构建了增强型云指数ECI(Enhanced Cloud Index),改进了云、雪的区分能力;其次,以同一区域无云影像为参考,基于ECI指数构建了多时相云检测算法,较好地克服了单时相云检测中高亮度地表、雪和云容易混淆的问题,提高了云检测的精度;最后,选择两个典型区域的Landsat-8 OLI影像,对比分析了不同算法的云检测结果。实验结果表明:ECI指数能够有效区分云、雪,EMTCD方法的平均检测精度达到93.2%,高于Fmask(Function of mask)(81.85%)、MTCD(Multi-Temporal Cloud Detection)(66.14%)和Landsat-8地表反射率产品LaSRC(Landsat-8 Surface Reflectance Code)的云检测结果(86.3%)。因此,本文提出的EMTCD云检测算法能够有效地减少高亮度地表和雪的干扰,实现不依赖热红外波段的高精度云检测。     

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。     

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。