提升遥感影像质量的多重分形技术研究

提出采用一种最佳截止频率的自动选择方法来快速有效地去除遥感影像的薄云影响,以解决遥感影像薄云、薄雾消除时滤波窗口大小难以确定,需要反复人工干预的问题。该方法是基于简单薄云成像模型的同态滤波,考虑了薄云、薄雾空间形态的自相似性,采用多重分形技术来自动确定滤波半径。试验表明,该方法能够实现遥感影像的快速自动滤波,能有效地去除遥感影像的薄云影响,提高视觉效果,增加图像细节信息。     

期刊博览

提升遥感影像质量的多重分形技术研究 此文提出采用一种最佳截止频率的自动选择方法来快速有效地去除遥感影像的薄云影响,以解决遥感影像薄云、薄雾消除时滤波窗口大小难以确定,需要反复人工干预的问题。该方法是基于简单薄云成像模型的同态滤波,考虑了薄云、薄雾空间形态的自相似性,采用多重分形技术来自动确定滤波半径。试验表明,该方法能够实现遥感影像的快速自动滤波,能有效地去除遥感影像的薄云影响,提高视觉效果,增加图像细节信息。     

小波变分法遥感影像薄云去除

针对遥感影像薄云去除过程中丢失影像细节及薄云去除不彻底等问题,本文提出了一种基于小波变分法去除遥感影像薄云的方法.首先,对含薄云的遥感影像进行小波分解,可以使低层低频分量中的局部瞬变信号(不具备低秩性的有用信息)被分解到高频分量中;其次,考虑第五层低频分量中有用信息具有低秩性及薄云具有稀疏性特点,建立一种能够从第五层低...     

一种薄云影响下的遥感影像匀光算法

如何解决遥感影像的薄云遮挡,是获取高质量的光学遥感影像的一个技术问题。针对单幅光学遥感影像内部所产生的色彩不均匀现象,分析了薄云影响下的遥感影像成像机理及影像特点,提出了基于HSV变换和小波域增强的薄云影像匀光算法。用两颗不同的卫星遥感影像数据进行了实验和分析,并与两种传统匀光算法进行比较,证明该算法能有效去除光学遥感影像中薄云的影响,并改善影像质量,匀光效果优于传统算法。     

基于灰度数学形态学的遥感影像薄云处理方法

遥感成像过程中薄云是最常见的一种噪声。在利用数学形态学进行薄云处理的基础上,探讨利用广义多结构元素的数学形态学进行薄云处理的方法,并对SPOT图像进行试验。结果表明,该方法对薄云去除的处理效果有一定的改善和提高。     

遥感图像薄云去除方法及IDL的实现研究

云噪声的干扰,严重影响了遥感图像的解译与信息提取。本文从遥感图像的成像机理出发,使用同态滤波算法,采用IDL二次开发语言并集成到ENVI平台上,实现了遥感图像薄云的自动化检测与去除。实验证明,该过程能够有效地去除薄云,提高在传统方法中图像预处理的效率,在一定程度上提高了图像的质量与精度。     

基于无抽样小波的遥感影像薄云检测与去除

针对全色波段遥感影像提出了一种基于无抽样小渡变换的薄云去除算法。对实际的卫星影像和航空影像所进行的试验结果表明，该方法是十分有效的。     

基于小波变换的CBERS-02图像薄云薄雾去除的方法研究

大气活动的干扰是遥感技术发展的最大限制之一,对星载的可见光、近红外波段的光学探测器而言,大气中云雾的干扰更是不易处理。为了促进CBERS-02星CCD传感器图像的定量化应用,在对以往有关遥感图像薄云去处方法的研究的基础上,本文提出了对含薄云的CBERS-02 CCD图像进行适当层次的小波分解,然后对分解的图像进行同态滤波,最后进行图像重构而去除薄云的方法。试验结果表明,该方法既能有效的去除薄云,又可较好的保持图像细节。     

一种基于同态滤波的遥感图像薄云去除算法

目前国内外常用的去除遥感图像薄云的方法是同态滤波法,但该方法在去除薄云的同时,图像无云区域特别是边缘区域的信息出现了严重丢失。为此,提出了基于同态滤波的像素替换法,该方法既可以去除薄云,又可以恢复无云区域的信息,使得处理后的图像和原始图像在无云区域有极大程度上的相似性。     

遥感影像薄云去除算法

高分辨率遥感成像极易受到云层遮挡等气象条件的影响。通过分析这些影响因素的特点，以暗元法为基础，提出了一种薄云的去除算法，在保持图像色调的同时，提高了图像的对比度。     

基于中值滤波和小波变换的遥感影像去云

去云处理是遥感图像处理以及大气纠正的重要步骤,目前常用的遥感薄云去除法一般只能去除低频区域的云,而对高频区域的云则没有处理效果。因此,在研究传统小波算法对图像进行处理的基础上,引入了中值滤波,它将每一像素点的灰度值设置为该点邻域窗口内的所有像素点灰度值的中值,旨在对高频突变云区进行处理。而后结合主观视觉和客观统计分析两方面对结果进行评价,并且与传统小波去云比较,经分析表明,高频突变云有所减少,达到了预期目的。     

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。     

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。     

MODIS NDVI时间序列数据的去云算法比较

受多重因素的影响,MODIS NDVI数据产品中存在着大量的噪声,需要进行去噪重建.针对目前几种常用的NDVI时间序列数据去云方法,如HANTS法、SPLINE插值法以及Savizky-Golay法,以山东省MODIS NDVI时间序列数据(一年的)作为检验数据,从不同角度比较几种算法的去云能力和使用范围.结果表明:S...     

An effective thin cloud removal procedure for visible remote sensing images

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.     

融合多光谱影像的高光谱影像厚云去除方法

云遮挡对高光谱影像的应用造成了不可忽视的影响。现有云去除方法通常利用时域近邻的同源影像提供辅助信息。然而,高光谱影像(如GF-5和EO-1高光谱影像)较低的时间分辨率导致同源辅助影像中可能存在较大的地物覆盖变化。时间分辨率更高的多光谱影像(如Landsat 8 OLI影像)能提供时间上更接近于高光谱云影像的辅助信息,从而减少地物覆被变化带来的影响。为应对高光谱和多光谱波段之间差异较大的问题,本文基于空谱随机森林(spatial-spectral-based random forest,SSRF)方法,提出一种利用多光谱影像(Landsat 8 OLI影像)对高光谱影像进行厚云去除的方法,将其简记为SSRF_M。SSRF_M较强的非线性拟合能力使其能够综合利用多光谱影像所有波段的有效数据对各个高光谱波段进行重建。本文使用GF-5和EO-1高光谱影像进行模拟云去除试验,视觉和定量评价结果均表明,与利用时间间隔更长的同源辅助影像的方法相比,本文方法能获得更高精度的云下信息重建结果。     

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。     

融合多尺度视网膜图像增强的动态云检测

云检测是气象卫星各类定量遥感产品的基础,无论是以云图为基础的天气分析还是以去云为前提的各类大气和地表参数反演、沙尘火情等灾害检测,都需要对遥感影像中的云进行准确识别,尤其是薄云和云边缘等细节识别。针对静止气象卫星(以Himawari-8为例)精细化云检测,本文提出了一种基于多尺度视网膜图像增强的动态云检测算法。该算法基于云层与背景信息辐射特征不同的原理,构建可见光和红外波段的晴空辐射背景场,通过多尺度图像增强和最大类间差方法对辐射差值进行云细节信息的增强和提取。利用2021-2022年的75景MODIS云检测产品作为验证数据进行算法精度验证,整体上算法精度达到91.13%,召回率为94.02%,精确率为86.71%,有较强的适用性和稳健性,且已经较好地支撑了近两年的定量遥感产品业务化应用。     

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.