资源三号影像朵云识别中云雪分离研究

针对资源三号全色卫星影像在朵云识别过程中云雪不能分离的问题,提出了一种基于云雪边界特征并利用改进的平均梯度和分形维数等纹理信息的云雪分离方法。首先为了减少雪和其他地物对云的干扰进行初步云识别,本文利用灰度均值、分形维数和灰度共生矩阵计算的能量作为特征参数大体提取云区,此时云雪不分;然后再进行云雪分离,利用改进的平均梯度和分形维数特征值来剔除被误识别为云的雪。本文采用的分类方法是支持向量机分类。利用资源三号全色卫星影像测试结果表明,该方法是资源三号全色遥感影像朵云识别中一种有效的云雪分离方法。     

遥感图像中建筑物震害信息统计特征研究

讨论了建筑物震害遥感信息的形成机制,从遥感图像灰度特征和纹理特征两方面,提出了反映建筑物震害信息的特征参数。不同类型训练区的统计分析结果表明,灰度平均值、灰度标准差和灰度方差3种特征参数是建筑物震害识别和分级的良好指标,纹理逆差矩和纹理相关性可作为辅助参数.     

综合Span图和纹理特征的高分三号影像建筑区提取

建筑区的识别和提取是城市环境规划与研究至关重要的工作。本文采用高分三号全极化SAR影像,提出了一种综合Span图和纹理特征的建筑区提取方法。首先基于Span图利用灰度共生矩阵算法提取图像的7种原始纹理特征,通过目视解译选择出4种纹理效果较好的统计量,然后利用主成分分析法去除他们之间的相关性,筛选出2个最佳纹理特征与Span图结合,最后对组合影像进行分类提取。本文将提取结果与综合灰度和纹理特征建筑区提取、无纹理特征提取方法结果进行对比,实验结果表明:本文方法提取建筑区边界轮廓更加清晰,精度可达92%,提取效果明显得到了优化。     

基于过渡区特征的全色遥感图像冰雪识别

针对全色图像的冰雪识别问题,以过渡区理论为基础,提出基于过渡区特征的冰雪识别方法.首先利用K-均值聚类方法分离云、雪与其他地物,再通过SUSAN(smallest univalue segment assimilating nucleus)边缘检测提取过渡区图像;然后设立描述过渡区大小的特征量——厚度,并与过渡区的均值和方差特征量组合成特征向量,用以分析过渡区特征,识别具有冰雪过渡区特征的点,构成冰雪边界;最后经过边界生长和区域填充,实现冰雪识别.以“北京一号”小卫星全色图像为遥感数据源,应用该方法及过渡区阈值法、迭代自组织法和面向对象纹理分析法分别提取冰雪覆盖区.该方法的冰雪识别精度达到97.39％,明显高于其他识别方法,表明该方法能获得较高精度的冰雪识别结果和丰富的边缘信息,可为云雪分离及雪线提取等方法研究提供参考.     

基于纹理特征和支持向量机的ALOS图像土地覆被分类

高空间分辨率遥感图像在土地覆被分类方面应用广泛,但传统的基于像元分类方法的精度较低.为了提高高分辨率图像的分类精度,通过灰度共生矩阵法快速提取纹理特征,利用支持向量机(SVM)并辅以纹理特征,对浙江湖州典型实验样区的ALOS图像进行土地覆被分类.结果表明:基于纹理特征和SVM的图像分类能更好地提取地物信息,分类总精度达...     

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。     

基于灰度共生矩阵提取纹理特征图像的研究

在遥感影像分类的过程中非光谱特征起着重要的辅助作用。纹理特征作为一种重要的非光谱特征对于遥感影像分类精度的提高也有很重要的作用。本文主要研究了通过灰度共生矩阵提取纹理特征图像的方法,对该方法提取纹理特征图像进行了相关的实验分析。并将其在分类中的应用进行实验,证明了灰度共生矩阵提取的纹理特征对图像分类精度提高起到一定的作用。     

利用纹理特征提取城市用地信息方法探索

就利用灰度共生矩阵纹理特征提取城市用地信息做了初步探索。计算灰度共生矩阵四个纹理特征量,选择建筑用地与其它地类的纹理特征统计量差别较大的特征,用于提取建筑用地信息。通过计算选择了对比度纹理特征,对该特征图像进行分类、密度分割及后处理,得到城市用地信息。通过精度评定证明了纹理特征用于分类可以提高分类的精度,并能提高土地利用动态监测的自动化程度。     

基于主成分分离方法的航空图像云检测

传统云检测方法未顾及云具有半透明性质的特点,直接从遥感图像中提取云特征用于云检测,降低了云检测精度.本文根据Mie散射理论构建云与地表信息的线性模型,即将一幅遥感图像看作是云与地表信息线性构成的,从整个纹理结构的角度看,云图像位于一个低维的子空间,首先采用主成分分析方法(PCA)构建云成分分离模型,从遥感图像中分离出云成分,其次采用局部二值模式(LBP)特征提取云成分的纹理作为特征向量,最后训练支持向量机分类器进行云检测.本文以755幅航空图像为实验对象,其中包含158幅有云区域,正检率达到90.69％,误检率9.31％,说明本文方法对航空图像云检测有一定效果.     

基于LiDAR高度纹理和神经网络的地物分类

使用LiDAR单一数据进行点云分割工作时,基于斜率的严格分割LiDAR点云的方法不能很好的适应复杂地物 的分类工作。本文将LiDAR粗分割后的点云转换为高度图像和反射强度图像,并求取高度图像GLCM高度纹理。将4 种GLCM高度纹理、地面粗糙系数、平均高度和平均反射强度共7种纹理作为识别地面覆盖物的特征,并利用后向传播 神经网络(BP-ANN)方法对LiDAR数据进行地物识别。实验表明,这种方法能够从LiDAR独立数据源中有效的实现地 物分类,实验获得的精度大于90%。与传统的最大似然法进行对比,BP-ANN的分类精度高于最大似然法。当预设地 面类型能同时满足被光学影像和LiDAR数据识别的条件时,LiDAR高度纹理分类与光学影像分类结果的一致性达到 76.5%。     

高分辨率遥感影像快速去雾

针对含雾遥感影像在军事航空侦查、地物判读等方面使用率低、有效性差的问题,以及现有去雾算法中存在计算复杂耗时、色彩失真的弊端,结合遥感影像景深变化小、不含天空背景等特点,本文提出一种改进的暗原色先验去雾算法。首先,对影像中白色场景灰度值进行统计并设定阈值划分为失效区,分离水域与非水域减少蓝色波段在水域的占比,合成新的蓝色波段,以改进暗通道值的获取方法;其次,采用导向滤波替代软抠图法优化透射率提升处理时间;然后,对关键参数进行适应性改进试验并采用自动色阶恢复去雾后的影像色彩;最后,利用含雾的无人机影像和GF-2影像进行了试验,并进行了定量评价。试验结果表明,在同等试验条件下,本文方法处理单幅影像的时间比暗原色先验去雾算法的提升4倍以上,且去雾后影像的灰度均值、标准差、信息熵、平均梯度等指标比暗原色先验去雾算法得到的值均有提高,能有效提高有雾影像的清晰度,增强影像色彩和细节。     

基于MODIS数据的雾光谱特性研究

通过对中国东部不同区域不同季节的15幅白天MODIS影像进行雾与地物、雪、云的光谱特性差异分析,发现较利于雾与背景（地物、云、雪）分离的波段并分析其原因,为进一步利用MODIS数据进行大范围不同季节雾检测提供了一些初步建议和思路。     

结合灰度和基于动态窗口的纹理特征的遥感影像分类

在基于灰度共生矩阵提取遥感影像纹理特征的基础上,针对固定窗口算法的局限性,提出了动态窗口算法;并将不同滑动窗口算法提取的纹理特征与影像灰度组合进行支持向量机(SVM)分类,对分类结果进行定性和定量比较分析。实验结果表明:影像灰度结合动态窗口算法提取的纹理特征进行SVM分类的分类精度优于灰度结合固定窗口算法提取的纹理特征的分类精度。因此,提出的算法较传统的固定窗口算法更具优势,是一种有效纹理信息提取方法。     

多样地表和大气状况下的MODIS数据云检测

云覆盖作为天气和气候变化的一个重要因子,对地表-大气能量平衡和水循环有着重要的影响,因此,快速、准确地利用卫星遥感技术检测云覆盖具有重要的实用价值和科学意义。利用卫星遥感数据,尤其是常用的Moderate Resolution Imaging Spectroradiometer(MODIS)影像数据,因其具有较高的光谱和时间分辨率,以及2330 km扫描幅宽,为大范围实时、准确地进行云检测提供了可能。目前,基于MODIS数据发展了大量的云检测方法,但因地表类型的多样性和大气状况(如空气污染和沙尘事件等)的复杂性,目前已有的云检测方法,检测精度通常具有较大的不确定性,且针对不同地表和大气状况缺乏普适性,同时也缺乏对检测精度的定量化评估。因此,本文首先比较了常用的3种云检测算法,并基于前人经验提出了两种改进方法(方法4和方法5),首先区分出云和冰雹,摒弃了不稳定的亮温波段,两种算法均适用于复杂地表和大气状况的云检测算法。结果显示,方法5可以较好地应用于基于MODIS数据的云检测,总体精度达92.6±7%,改进了现有基于MODIS数据的云检测算法;方法4平均总体精度82.9±13%,虽然精度相对较低,但云残留少,适合作为对云敏感度高的研究工作的云检测方法。     

基于ETM+热红外影像的南极云区与地面冰雪区的检测

利用ETM 热红外波段影像对南极中山站附近的云区和冰雪区进行了自动检测,综合热辐射和纹理特征辅助分类,提出并使用加权最小距离分类器,获得了较好的分类效果。     

基于无人机影像密集匹配点云的传统村落地面点提取及DEM生成——以湘西德夯村为例

目前,针对利用无人机技术在山地起伏大、山体植被密集区域,难以获取地面点及DEM等问题,本文提出了一种结合布料模拟算法和改进的局部最大值算法,利用树顶点、树高等植被信息,提取地面点,进而生成整个区域的DEM的方法。以中国传统村落德夯村为例,利用植被系数和高程信息将点云分割为植被密集区和非植被密集区两个部分。在非植被密集区,通过布料模拟算法和改进的局部最大值算法分别提取地面点和树顶点,计算平均树高;在植被密集区,通过该区域的树顶点推算得到植被密集区的近似地面点,最终将两部分的地面点云进行TIN插值得到该地区的DEM。试验结果表明,利用此方法生成的DEM均方根误差,在非植被密集区达0.037 m,植被密集区可达1.606 m,整体平均误差达1.492 m,总体精度较好,基本可以满足村落尺度空间分析的需求。     

光学遥感影像DCM-HTM去雾算法研究

针对卫星遥感影像的雾区检测和校正问题,提出了一种暗通道图像DCM与雾厚度图像HTM结合的DCM-HTM遥感影像去雾算法。算法基于暗通道原理,采用mean-shift均值漂移滤波和直方图自动阈值来检测雾区域;同时通过不重叠窗口获取HTM;最后在检测出的雾区内实现去雾校正处理。实验结果表明,算法能较准确地检测出影像上的雾区域,能在影像正常区域不受影响的前提下,有针对性地对受雾影响区域进行校正,校正效果较整幅影像的去雾校正有较大改善。     

国产高分辨率遥感卫星影像自动云检测

云检测一直是卫星影像处理的难题,特别是混有地物光谱特性的薄云长期成为影像产品生产的阻碍。本文所介绍的国产高分辨率遥感卫星影像自动云检测方法能够有效克服这一难题。首先采用改进的颜色转换模型,将影像由RGB转换至HIS颜色空间,利用影像强度信息与饱和度信息生成基底图,并使用影像近红外与色调信息对其进行优化,生成修正图。然后利用直方图均衡化与双边滤波结合带限定条件的Otsu阈值分割提取纹理信息,并对修正图进行误差剔除生成云种子图。最后以HIS颜色空间的强度信息为向导,结合云种子图进行云精确提取。与不同自动、人工交互式云检测方法相比,总体精度提高了10%左右,并且能够较好地提升云检测效率。     

联合GEE与多源遥感数据的黑龙江流域沼泽湿地信息提取

湿地是地球上最重要的生态系统之一,在维持全球生态环境安全等方面发挥着举足轻重的作用.由于湿地独特的水文特征,传统的湿地监测需要耗费大量的人力和财力,对于大尺度的湿地信息提取更是困难重重.随着大数据和云计算的兴起,为大尺度和长时间序列的空间数据处理提供了契机.本文基于Google Earth Engine(GEE)云平台...     

改进D-LinkNet模型在国产卫星影像云检测中的应用

大部分国产卫星波段少,利用传统方法难以进行云检测。本文提出了基于改进D-LinkNet模型的云检测算法,并应用于国产卫星遥感影像的云检测。首先,利用自然资源部国土卫星遥感应用中心提供的人工勾云样本生成二值图标签;其次,对D-LinkNet50的编码器进行改进,使用带有通道注意力机制的ResNeSt50-Block替换原始的ResNet50-Block;然后,对损失函数进行加权,测试分析发现只用交叉熵损失作为损失函数时,检测精度更高;最后,使用条件随机场（CRF）对预测结果进行后处理。试验结果表明,改进D-LinkNet模型在测试集上的IoU提升了1.93%,精度提升了2.45%,保持了较好的云边缘信息,云检测效果高于原D-LinkNet模型。