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。     

利用阴影指数和方位搜索法检测Landsat 8 OLI影像中云影

Landsat 8 OLI影像已成为重要的数据源,但受云及云影的影响较大,降低了数据的可用性,因此,快速识别云及云影,为后续的数据恢复有着积极的应用价值。通过构建云指数(CI)、归一化暗像元指数(NDPI)和比值阴影指数(RSI),采用阈值法和方位角搜索法,以两景Landsat 8 OLI影像(一景试验影像,另一景验证影像)为例进行云及云影检测。每类随机选取200个样点进行精度分析,结果表明:CI可快速区分OLI影像中的云区与非云区,厚云样本点正确识别率达到99%;NDPI与归一化植被指数(NDVI)构建的比值阴影指数RSI放大了水体、云影与其他阴影间的差异,更便于区分;方位搜索合理设置搜索方位角和搜索距离,简化了云影与云的相对关系模型,可准确区分水体与云影,两者的正确识别率都超过93%,弥补了阈值法的局限性。本方法可行快捷,为OLI影像的后续应用提供了基础,可有效提高其利用精度。     

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。     

基于光谱及几何信息的TM图像厚云去除算法

为了去除厚云及其阴影对光学遥感图像的影响,以TM图像为实验数据提出一种基于光谱及几何信息的去厚云算法.在分析单图像云区多光谱特征及对比多时相图像光谱特征的基础上,首先检测光谱特征明显的厚云,依据云和云影成对出现的成像几何关系,按确定的方位和距离搜索云影;然后采用数学形态学的侵蚀与膨胀算法对云区边缘进行碎片去除及填补、合并处理,使其准确反映图像中受云影响的数据总量;最后利用光谱线性回归匹配后的参考图像替换目标图像中的云区,达到去云目的.实验结果表明,上述算法去厚云效果显著,能够有效排除水体及地形阴影对云影识别的影响,具有快速、简单、实用性强的特点.     

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。     

采用主成分分析的改进云检测算法

针对Fmask云检测算法难以区分Landsat遥感影像上云和冰这一技术难题,该文提出一种基于主成分分析的改进Fmask云检测算法。首先对Fmask中归一化植被指数和归一化雪指数固定阈值进行自适应阈值改进,并对影像进行主成分变换,然后对主成分分析变换后的组合波段进行改进的Fmask云检测,最后进行算法对比分析。以北极地区的TM影像进行实验,结果表明,对同时覆盖冰层和云层的Landsat遥感影像,该文提出的算法能够提高云检测精度。     

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。     

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。     

遥感影像云检测网络泛化性能研究：以DeepLabv3+为例

近年来,深度学习算法得到了长足的发展,并开始应用于云检测。但是深度神经网络模型参数众多,依赖大量训练样本,因此理解其泛化性能对于深度学习在不同遥感影像的实际应用具有重要的参考价值。本文以深度语义分割算法DeepLabv3+为例,以一组广泛使用的云标记数据集"L8 Biome"为验证数据,探讨该算法用于云检测时在不同的地表景观、空间分辨率和光谱波段组合的遥感影像上的泛化性能。云标记数据集"L8Biome"包含96景具有全球代表性的Landsat 8 OLI影像及相应的人工云掩膜,被广泛用于测试云和云阴影检测算法性能。首先,利用Landsat 8 OLI云标记数据集"L8 Biome",构建不同类型景观、不同空间分辨率、不同波段组合的训练影像集和测试影像集;其次基于不同训练样本集和测试集,评估了DeepLabv3+算法在不同情况下的云检测精度,并与Fmask算法作对比分析。研究结果表明:(1)使用全混合景观类型的训练集训练出来的云检测网络在总体检测精度(92.81%)与稳定度(标准差12.08%)上都优于使用单一景观类型的训练集训练得到的云检测网络,也优于Fmask的总体精度(88.75%)与稳定度(标准差17.34%),说明在构建深度学习算法的训练集时,应该尽可能包含多类型的地表景观;(2)将全混合景观训练集中剔除一类景观的样本(冰/雪景观除外)构建的"混合-1"训练集与全混合景观训练集训练的DeepLabv3+网络的云检测精度也相差不大,说明现有训练样本集已具备较强的景观泛化能力;(3)基于30 m空间分辨率的全混合景观训练样本集训练得到的DeepLabv3+云检测网络在不同分辨率(30 m、60 m、120 m、240 m)的测试集上云检测精度差异不大,都取得较好的效果,说明DeepLabv3+能够泛化应用于不同空间分辨率的遥感影像,相反Fmask直接应用于低分辨率影像时精度明显下降;(4) DeepLabv3+能充分自适应不同波段的信息用于云检测,总体来说更多的光谱波段输入能够提高DeepLabv3+的云检测的精度和稳定度,其中短波红外波段对于DeepLabv3+区分冰/雪与云具有重要价值,而热红外波段对DeepLabv3+云检测网络的性能提升很微小。以上结果说明利用现有数据集"L8 Biome"训练的DeepLabv3+云检测网络能够适用于多种类型的遥感影像,并优于Fmask算法。     

一种从机载LiDAR点云获取建筑物外部轮廓的方法

利用点云的滤波、带距离控制的卷包裹算法以及复杂多边形的简化等一系列的算法对测区的机载LiDAR数据进行运算和处理,最终得到描述建筑物在不同高度时的外部轮廓多边形,为基于影像和辅助数据相结合的遥感影像阴影区域提取方法提供有效的辅助数据源。     

A Cloud Removal Algorithm to Generate Cloud and Cloud Shadow Free Images Using Information Cloning

One of the main problems of optical remote sensing is clouds and cloud shadows caused by specific atmospheric conditions during data acquisition. These features limit the usage of acquired images and increase the difficulty in data analysis, such as normalized difference vegetation index values, misclassification, and atmospheric correction. Accurate detection and reliable cloning of cloud and cloud shadow features in satellite images are very useful processes for optical remote sensing applications. In this study, an automated cloud removal algorithm to generate cloud and cloud shadow free images from multitemporal Landsat-8 images is introduced. Cloud and cloud shadow areas are classified by using process-based rule set developed by using spectral and spatial features after applying simple linear iterative clustering superpixel segmentation algorithm to the image to find cloud pixel groups easily and correctly. Segmentation-based cloud detection method gives better results than pixel-based for detection of cloud and cloud shadow patches. After detection of clouds and cloud shadows, cloud-free images are created by cloning cloudless regions from multitemporal dataset. Spectral and structural consistency are preserved by considering spectral features and seasonal effects while cloning process. Statistical similarity tests are applied to find best cloud-free image to use for cloning process. Cloning results are tested with the structural similarity index metric to evaluate the performance of cloning algorithm.     

水体上方云和云阴影检测算法

目前常见的云和云阴影检测主要针对陆地表面,而对于不同类型水体光谱特征对检测结果影响的研究较少.因此针对富含泥沙或者叶绿素的水体,利用云与水体的光谱差异,采用波段组合的方式来识别潜在云像元,提高薄云像元的识别精度;根据云阴影与不同类型水体的光谱特征差异,采用设定动态阈值的方法,准确识别云阴影.利用目视解译法对检测结果进行验证发现,云像元位置准确,边界清晰,总体正确率高于90％;云阴影方位精准,结构完整,总体正确率高于88％.     

关于云安全问题的探讨

云计算面临的最大挑战是安全问题。云计算应用的无边界性、流动性等特点,较之传统的IT模式有很大差异。在云计算环境下,服务方式发生变化,安全的责任主体也发生了根本改变。作为云计算服务提供商,需要建立安全的云计算平台,为云安全服务提供保障;同时,服务一定是开放的、安全的,要保护云用户敏感信息的安全。整合桌面安全管理技术是行之有效的。云安全应用研究主要是从云计算平台系统安全和网络安全设备、安全基础设施的“云化”突破几个方面展开。     

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。     

农情遥感监测云服务平台建设框架

准确及时的农情信息是国家与地方政府保障粮食安全与社会稳定的必要条件。云计算的出现为这一需求的实现提供了契机。本文阐述了农情遥感监测云服务平台建设的重要意义、设计思想、总体架构、组成部分以及建设内容。在此基础上,以农情遥感监测产品信息服务为例,开发了一个农情遥感监测信息在线原型系统。该系统是农情遥感监测云服务平台的重要组成部分,负责多尺度时间序列农情遥感监测结果与信息的管理、存储和维护,并且向用户提供查询与下载服务。农情遥感监测云服务平台建设框架的设计为全面整合专家智慧、IT技术、数据资源、服务方式以及平台的实现提供理论指导与建设依据。该平台的建立,将深刻改变农情遥感应用的模式,推动农情遥感的广泛应用与产业化发展。     

机载点云空洞的修复方法

为了有效修补由于遮挡造成的空洞,提出了将机载点云与车载点云融合,通过对空洞部分进行探测,选择对应的车载数据进行填充,充分利用车载点云和机载点云的优势进行互补。对于两种方式都没有扫到的空洞,通过确定收缩方向和收缩距离构造收缩环,根据给定的三角面片添加规则在边界环和收缩环之间添加新的三角面片,不断迭代,直到达到收缩距离阈值,停止收缩,填充完整。实验结果表明,该方法修复效果良好。     

云计算与上海市智慧消防

本文简要介绍了云计算技术及应用情况,为上海市智慧消防云计算提出了建设思路,并设计了通信指挥GIS系统云计算整体架构,结合目前的消防GIS信息系统实现了平台虚拟化及并行计算环境,为智慧消防平台建设奠定了基础。     

半逆法自动云检测

针对高分影像质量判定的需求,提出色度过滤法和半逆法相结合的云检测算法。根据色度过滤,识别可疑云区,生成搜索掩码;利用半逆法,生成原图的半逆图像,度量色度差异,识别高亮云区;由高亮云区在掩码区迭代搜索,进一步达到对薄云的检测,迭代策略的使用避免了城区对薄云区检测的干扰。该方法在大量高分影像数据上进行了试验验证,均得到较好结果。     

浅析云计算在GIS中的应用

云计算是近几年来在IT领域十分热门的一个词汇。在云计算时代,GIS也面临着新的技术革新。本文对云计算、云GIS的概念及其优势进行了探讨,介绍了云计算在GIS中的应用示例。     

基于云GIS与大数据的区划地名云服务平台设计

随着云GIS和大数据的深入应用,为用户提供区划地名云服务成为当前研究的热点。本文提出了区划地名云服务平台,采用基于遥感的地名数据更新、地名地址数据清洗与融合、地名数据挖掘等关键技术,设计了全新的区划地名云计算环境,实现了区划地名信息资源随时获取,为区划地名信息服务提供了创新的技术模式。