共查询到20条相似文献,搜索用时 171 毫秒
1.
郭保 《测绘与空间地理信息》2021,44(10):150-152
在光学遥感卫星图像中,云是普遍存在的现象,它严重降低了图像的质量,因此,去云处理就是一个必不可少的步骤.深度神经网络在许多图像处理任务中取得了成功,但是利用该方法针对遥感图像的去云研究较少.本文采用GAN来解决遥感图像去云问题,首先训练生成模型生成无云影像,同时训练判别模型使生成的模型更加真实和清晰,最终达到从被云覆盖的卫星图像中恢复并增强这些区域的信息,生成质量更好的无云图像的目的.基于人工智能标注的Sentinel-2卫星遥感影像数据集的试验表明,与传统的小波变换基准相比,提出的生成对抗网络模型在去云处理方面效果有明显提升. 相似文献
2.
利用辅助图像进行IKONOS图像的去云处理 总被引:1,自引:0,他引:1
遥感图像上的局部云层覆盖会直接影响遥感图像的使用,在图像预处理阶段应进行去云处理。文中讨论了IKONOS多光谱图像上的“厚云”去除方法。主要思路是:利用与IKONOS图像光谱特性极为相似的陆地卫星ETM 多光谱图像的前四个波段作为辅助图像,将ETM 图像与IKONOS图像配准后,利用辅助图像上的信息替换IKONOS图像上的有云区域,实现IKONOS图像的去云处理。实验表明:在辅助图像存在的前提下,本文的去云方法足一种理想的解决方案。 相似文献
3.
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. 相似文献
4.
针对现有三维点云模型重建对象化和结构化信息缺失的问题,提出一种基于图模型的二维图像语义到三维点云语义传递的算法。该算法利用扩展全卷积神经网络提取2D图像的室内空间布局和对象语义,基于以2D图像超像素和3D点云为结点构建融合图像间一致性和图像内一致性的图模型,实现2D语义到3D语义的传递。基于点云分类实验的结果表明,该方法能够得到精度较高的室内三维点云语义分类结果,点云分类的精度可达到73.875 2%,且分类效果较好。 相似文献
5.
6.
玉米作为中国重要粮食作物,品种众多,易出现错分现象,影响农业安全和粮食生产。针对传统基于卷积神经网络CNN(Convolutional Neural Network)的高光谱图像作物品种识别模型所需建模样本数量巨大的问题,提出基于高光谱像素级信息和CNN的玉米种子品种识别模型。首先,获取不同品种玉米种子在400—1000 nm范围内的高光谱图像,提取样本全部像素的203维光谱信息,利用主成分分析PCA(Principal Component Analysis)算法将光谱维度降至8维。在实验中,样本的像素级光谱信息(即:样本的全部像素的光谱信息)除应用于CNN模型外,也应用于支持向量机(SVM)和K近邻分类(KNN)模型中,结果表明:在相同模型中,基于像素级光谱信息比基于米粒级光谱信息(即:每粒样本所有像素光谱信息的平均值)识别效果好;在相同情况下,CNN模型比SVM和KNN模型的识别效果好;基于像素级光谱信息和CNN的品种识别模型识别效果最稳定,依据像素级分类结果采用多数投票策略对玉米种子样本进行识别,样本识别精度高达100%(注:100%为建模集样本与测试集样本数量为0.27和0.32时的识别精度,随着测试集样本数量的增加,该识别精度将有所降低)。最后,使用t分布随机邻域嵌入(t-SNE)算法实现CNN输出特征值的可视化,验证了基于高光谱像素级信息和CNN的品种识别模型的有效性。在建模样本极少的情况下,实现了玉米种子品种的无损、高效识别,为精准农业提供了理论基础。 相似文献
7.
机载激光雷达点云滤波是获取高精度数字高程模型的关键,也是国内外研究的热点.这里采用区块索引机制对激光雷达点云进行分块曲面滤波;利用距离图像的像素位置信息指导分块数的确定.试验结果表明,该方法可有效滤除非地面点,从而保留地面部分点云,具有一定实用价值. 相似文献
8.
综合多特征的极化SAR图像随机森林分类算法 总被引:2,自引:1,他引:1
为抑制相干斑噪声对极化SAR图像分类结果的干扰,本文提出一种综合多特征的极化SAR图像随机森林分类方法。该方法首先利用简单线性迭代聚类(SLIC)算法生成超像素作为分类单元;然后,基于高维极化特征图像,利用训练好的随机森林模型,统计决策树的分类投票数,计算各超像素的类别概率;最后,利用超像素间的空间邻域特征,采用概率松弛算法(PLR)迭代修正超像素的类别后验概率,并依据最大后验概率(MAP)准则得到分类结果;实现综合利用超像素和空间邻域特征,降低相干斑噪声干扰的极化SAR图像分类方法。实验对比结果表明:本文方法能得有效抑制极化SAR图像中相干斑噪声的干扰,得到高精度且光滑连续的分类结果。 相似文献
9.
10.
11.
Clouds are obstructions for land-surface observation, which result in the regional information being blurred or even lost. Thin clouds are transparent, and images of regions covered by thin clouds contain information about both the atmosphere and the ground. Therefore, thin cloud removal is a challenging task as the ground information is easily affected when the thin cloud removal is performed. An efficient and effective thin cloud removal method is proposed for visible remote sensing images in this paper, with the aim being to remove the thin clouds and also restore the ground information. Since thin cloud is considered as low-frequency information, the proposed method is based on the classic homomorphic filter and is executed in the frequency domain. The optimal cut-off frequency for each channel is determined semi-automatically. In order to preserve the clear pixels and ensure the high fidelity of the result, cloudy pixels are detected and handled separately. As a particular kind of low-frequency information, cloud-free water surfaces are specially treated and corrected. Since only cloudy pixels are involved in the calculation, the method is highly efficient and is suited for large remote sensing scenes. Scenes including different land-cover types were selected to validate the proposed method, and a comparison analysis with other methods was also performed. The experimental results confirm that the proposed method is effective in correcting thin cloud contaminated images while preserving the true spectral information. 相似文献
12.
针对ACCA(云量自动评估)算法难以检测Landsat图像中的半透明云问题,提出了一种ACCA和WSVM(加权支持向量机)相结合的云检测算法.首先根据云在不同波段中的大气辐射特点,结合Landsat ETM+图像数据的光谱特性,利用ACCA算法将图像像元初步分成云像元、非云像元和待定像元,再以云的光谱特性构造特征向量,利用WSVM算法进行待定像元的云层检测,最终获得全部图像的云检测结果.仿真实验结果表明,该方法既具有ACCA算法的云检测优势,还对ACCA算法难以识别的半透明云有很好的检测效果. 相似文献
13.
14.
基于支持向量机的遥感影像厚云及云阴影去除 总被引:2,自引:1,他引:1
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。 相似文献
15.
16.
17.
针对卫星云图数据量大,但传输通道和存储空间相对狭小的问题,本文基于Tetrolet变换,利用相邻时次云图的时空相关性,实现了一种高重构质量的卫星云图压缩感知方法。该方法将善于表达图像方向纹理及边缘信息的Tetrolet变换引入压缩感知的稀疏表示环节,从而很好地体现了卫星云图细节丰富、纹理结构复杂的特性;同时,考虑到卫星云图序列间的相关性,将时间相邻的卫星云图组成图像组,以中间时刻云图作为参考图像,计算其与相邻时次云图的差异,通过在参考图片及序列差异图片间合理分配采样率,获取测量数据,在压缩感知框架下,采用带平滑处理的投影Landweber算法,重构出相邻时次的图像组。实验结果表明,Tetrolet变换适用于卫星云图的稀疏表示,而且图像组时空相关性的利用可显著提高重构云图的视觉效果及客观评价指标;在采样率低于0.2时,红外1、水汽和可见光3个通道重构云图的峰值信噪比(PSNR)较传统方法平均提高了7.48 dB,13.51 dB和6.15 dB。由此可见,本文方法可以通过获取少数随机测量值,重构出高质量的卫星云图,不仅为云图数据的低比特率压缩提供了一种可行的解决方案,而且对于其他序列图像的压缩采样具有借鉴意义。 相似文献
18.
19.
基于高维云模型和RBF神经网络的遥感影像不确定性分类方法 总被引:1,自引:1,他引:0
云模型是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型,RBF神经网络已经广泛应用于遥感影像分类。考虑到传统的RBF神经网络分类技术不能有效表达影像分类过程中存在的不确定性、难以自适应地确定隐含层神经元,本文提出了一个基于高维云模型和改进RBF神经网络的不确定性分类技术。利用高维正态云创建隐含层神经元,使RBF神经网络能充分表达影像分类过程中存在的不确定性。通过峰值法云变换和高维云算法自适应地确定最优隐含层神经元。通过基于概率的权值确定和频率阈值调整,进一步优化RBF神经网络的结构。实验表明,本文提出的方法有较高的分类精度,分类结果基本上与人眼目视解译一致。 相似文献