实现遥感相机自主辨云的小波SCM算法

云噪声是光学卫星影像的常见问题,为了衡量云噪声对影像融合带来的影响,本文以高通滤波融合算法为例进行分析,指出云与地物的均值相差越大,云对影像融合的影响越大,并提出了一种针对含云影像的融合方法,即联合云检测与高通滤波的含云影像融合方法。该方法首先利用NIR/R-OTSU云检测算法实时进行云检测,判别出影像中的云覆盖区域;其次采用局部优化策略利用高通滤波融合方法分块对非云区域进行处理,得到融合影像。利用资源三号多光谱和正视全色影像进行融合实验,结果表明,本文算法比高通滤波融合方法、亮度色度饱和度（intensity hue saturation,IHS）变换融合方法、Pansharp融合方法更适用于含云影像的融合处理。     

大面积含云卫星遥感影像匀光算法的改进

针对卫星影像生产过程中现有匀光算法不适用于大面积含云影像的缺点,提出一种基于快速云检测的影像匀光改进策略。首先使用Otsu算法实现影像云区检测,然后使用分类处理的策略,在匀光时仅对非云区域影像进行统计和处理。实验表明,对于Mask和Wallis等常用匀光算法,改进后可有效改善含云影像晴空区域的匀光效果,更符合实际生产的需要。     

利用对象光谱与纹理实现高分辨率遥感影像云检测方法

针对高分辨率遥感影像云检测过程中合适的云检测光谱阈值难以确定及影像中类云地物对云检测精度影响的问题,提出一种基于对象光谱与纹理的高分辨率遥感影像云检测方法。首先,对影像进行直方图均衡化处理,根据均衡化影像直方图获得合适的影像云检测光谱阈值。其次,用简单线性迭代聚类算法对影像进行分割生成分割对象,以对象为处理单元,根据云检测光谱阈值和对象光谱属性对对象进行云检测过滤,获得初始云检结果。然后,求得直方图均衡化影像的纹理图,根据对象的纹理均值及角二阶矩对初始云检测结果提纯,消除类云地物对云检测精度的影响。最后对提纯云区域进行区域增长及膨胀处理,获得最终的影像云检测结果。定性对比试验和定量评价结果表明,本文方法可以获得良好的影像云检测结果。     

联合深度学习和条件随机场的遥感影像云检测

针对最大类间分类法等传统方法在高分辨率影像云检测时对噪声敏感、云边缘轮廓不精确等问题,该文提出一种结合神经网络结构SegNet和条件随机场的云检测方法,在实现含云区域提取的同时很好地保留了云的边缘轮廓。实验结果表明,结合SegNet神经网络和条件随机场的云检测精度达到94.8%,高于其他经典算法约5%,边缘保持度精度高,并避免了经典算法对噪声敏感的缺点。     

融合激光点云与影像点云的精细化DEM生成

针对地面激光扫描及无人机航摄技术在实际外业测量中受视场角限制或遮挡等因素的影响而难以获取待测区域完整的点云数据的问题,本文在经典ICP算法的基础上,提出了一种顾及高程差异和点云密度的激光点云与影像点云融合方法。通过差分数字高程模型对点云进行分块,并基于点云密度选取融合范围,将分块后的影像点云配准到激光点云的孔洞和稀疏区域。本文方法能够提高激光点云与影像点云的融合效果,保持激光点云的精度并保留更多的细节特征,实现激光点云与影像点云的高质量融合。     

多尺度点云噪声检测的密度分析法

当前机载激光雷达数据和影像匹配得到的点云是密集点云数据的两类主要来源,但都不可避免存在着噪声点。本文提出一种新的点云去噪算法,可适用于这两类数据中所包含的噪声点的去除。算法主要包括两步:第1步利用多尺度的密度算法去除孤立噪声和小的簇状噪声;第2步利用三角网约束将第1步中误检测为噪声的点重新归为正常点。针对真实数据进行了剔噪试验,结果表明本文提出的基于密度分析的多尺度噪声检测算法对孤立噪声和簇状噪声都有较为效,且对于质量较差的影像匹配点云的检测也能有效处理。本文算法检测率达到97%以上。     

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。     

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。     

含云卫星影像配准算法研究

影像上云层的存在不仅覆盖了大量地面有效信息,也给正射影像生产流程中的空三平差等环节造成不利影响。因此,含云卫星影像通常不具备较高的定位精度,在生产应用中被大量闲置。而这些影像的晴空区域仍含有较多的信息,带来了资源的浪费。本文针对国产高分辨率卫星影像,提出了一种顾及云层影像的影像自动配准算法。首先采用Otsu分割与形态学运算相结合的云检测方法以实现卫星影像的云区自动提取;然后在云检测结果的辅助下,将云层中匹配点剔除,优先保证晴空区域的定位精度。本文研究有助于充分挖掘含云影像中的有用信息,提升国产高分辨率卫星影像的应用价值。     

LiDAR测量点云融合影像的分块滤波方法

针对现有LiDAR地面点滤波算法对复杂地形地物适应性不强的问题,本文提出了一种融合点云与地面影像分块滤波的方法。首先,将地面影像与点云匹配,使点云从影像中获取更多的光谱纹理信息。然后,分析地物光谱、林地相对密度、点云高程特征、地面DSM模型及其坡度,并基于决策级融合将原始点云切割成若干独立的区块。最后,根据每块区域不同的多元细节特征,对IPTD滤波算法进行改进并利用搜索法优化参数,得到最优且稳健的结果。利用滤波后的总地面点通过插值算法得到的DEM模型和相关试验验证了本文算法的优越性。     

高分遥感影像利用云定位的云阴影自动检测

高分遥感影像中云阴影的存在严重影响了遥感影像的质量,为了减小这一影响,提出了利用云定位的云阴影自动检测方法。首先利用云的高亮度特征,使用光谱特征检测法进行云的自动检测;然后利用阴影亮度低、归一化蓝色分量高的特性,构建云阴影的自动初检测;再根据光源、云及其阴影之间的几何光照模型,沿着光照方向,利用云的检测结果对云阴影进一步定位搜寻,利用形状和大小快速寻找到对应的云阴影区域,并根据云检测结果对云阴影的大小和形状进行优化修正,得到云阴影的最终检测结果。实验表明此方法能有效地提高云阴影检测的准确率,可有效排除水体、山体等低亮度非阴影区域的干扰。     

基于MODIS影像的夜间云检测算法研究

在以往云检测算法的基础上,利用MODIS传感器高光谱和高时间分辨率的特点,建立一套针对MODIS夜间影像的,以单、多时相组合方法为基础的夜间云检测算法.通过对我国南北地震构造带(南北带)影像进行云检测试验证实,该算法对MODIS夜间影像上的各种云类具有较好的检测效果.     

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。     

影像边缘特征与LS-SVM的点云边缘残缺区域修补方法

针对点云修补过程中点云边缘的残缺区域边界信息的不确定性问题,本文提出了一种基于影像边缘特征与LS-SVM的点云边缘残缺区域修补方法:首先将影像与点云进行配准,并利用亚像素边缘检测算法提取目标边缘特征;然后构造一特征平面,同时将训练样本集与目标边缘特征投影至该平面,以确定重采样范围与点位;通过利用最小二乘支持向量机回归方法,获得残缺区域的曲面方程并进行重采样,最终完成修补。实验证明,该方法得到的修补点云与原始数据融合平滑,修补效果符合实际目标的特征。     

高分一号卫星影像自动云检测

针对高分一号卫星影像普遍含云且光谱探测范围窄、波段少、数据量大的特点,提出一种基于自适应阈值和形态学综合的云检测算法。选取一定数目的无云和含云样本影像,分别估算出最高和最低亮度阈值,以双阈值为限定条件改进最大类间方差算法,计算出精确亮度阈值,并定性筛选无云影像。通过云区形态学综合进一步改善云检测效果,得到影像云掩模和含云量。实验表明,该算法简单有效,能对少云、多云影像做出比较精确的检测,也能定性识别出无云影像,适用于全色、多光谱影像,可满足海量数据自动化处理的需要。     

基于小波融合技术的云噪声影像修补法

在可见光遥感影像中,常常因为云噪声的遮挡而很难获得有云区域的信息,从而影响测绘产品的精度。本文依据小波变换理论,制订了基于阈值判断的系数取值融合规则,并与灰度的直方图匹配和中值滤波相结合,通过组合同一传感器不同时相或不同传感器所获取的遥感卫星影像,从而重构出消除云噪声后且灰度均衡的影像。经实验证明,该方法具有一定的可行性。     

国产高分辨率卫星影像云检测方法分析

云检测方法大都针对特定的传感器或依赖多个波段,对参数要求高,而国产高分辨率卫星影像通常包含波段数较少,多数云检测方法不适用。本文采用深度学习的方法,以融合后的高分一号影像为例,应用基于双重视觉注意机制模型进行云检测,并与人工采集、全卷积网络模型的检测结果进行对比。理论分析和研究结果表明:基于双重视觉注意机制的模型云检测结果与人工采集进行对比,正确率为0.986 4;通过增加云样本数量和非云样本数量可有效解决模型对道路、河流、居民地的误检测问题;基于双重视觉注意机制的模型与全卷积网络模型相比,云边界更为准确,模型适用性更强。利用较少的波段信息进行云检测为国产其他高分辨率卫星影像云检测提供了参考。     

WorldView-2遥感影像融合方法实验研究

针对一景WorldView-2全色影像和多光谱影像,分别利用基于高通滤波的融合算法、IHS变换融合算法、PCA变换融合算法、小波变换融合算法和ENVI Pan Sharpening融合算法进行影像融合,并利用定量评价指标进行定量化评价。试验表明,Pan Sharpening算法最为理想。     

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。     

融合深度相机点云与光学影像的室内三维建模

针对传统的对点云进行拼接建模的方法无法得到较好的室内三维模型的问题,该文提出了一种融合Kinect点云与光学影像数据的室内三维建模方法:首先,利用Agisoft Photoscan软件对Kinect获得的彩色影像进行处理获得大量三维点,并与拼接后的Kinect点云进行融合,从而弥补Kinect点云缺失严重的现象;然后,针对不同的物体利用不同的方法对融合后的点云数据进行处理,并通过"孔洞算法"提取其边界点;最后,将边界点进行处理从而完成室内三维场景模型。实验结果表明,该文方法能够提供质量较高的三维点云数据,并且能得到较好的室内三维模型。