共查询到20条相似文献,搜索用时 578 毫秒
1.
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。 相似文献
2.
3.
利用对象光谱与纹理实现高分辨率遥感影像云检测方法 总被引:1,自引:1,他引:0
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。 相似文献
4.
5.
6.
多尺度点云噪声检测的密度分析法 总被引:1,自引:1,他引:0
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。 相似文献
7.
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。 相似文献
8.
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。 相似文献
9.
含云卫星影像配准算法研究 总被引:1,自引:0,他引:1
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。 相似文献
10.
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。 相似文献
11.
12.
13.
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。 相似文献
14.
15.
16.
17.
国产高分辨率卫星影像云检测方法分析 总被引:1,自引:1,他引:0
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。 相似文献
18.
19.
20.
融合深度相机点云与光学影像的室内三维建模 总被引:1,自引:0,他引:1
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。 相似文献