国产高分辨率遥感卫星影像自动云检测

云检测一直是卫星影像处理的难题,特别是混有地物光谱特性的薄云长期成为影像产品生产的阻碍。本文所介绍的国产高分辨率遥感卫星影像自动云检测方法能够有效克服这一难题。首先采用改进的颜色转换模型,将影像由RGB转换至HIS颜色空间,利用影像强度信息与饱和度信息生成基底图,并使用影像近红外与色调信息对其进行优化,生成修正图。然后利用直方图均衡化与双边滤波结合带限定条件的Otsu阈值分割提取纹理信息,并对修正图进行误差剔除生成云种子图。最后以HIS颜色空间的强度信息为向导,结合云种子图进行云精确提取。与不同自动、人工交互式云检测方法相比,总体精度提高了10%左右,并且能够较好地提升云检测效率。     

一种陆地卫星影像厚云阴影检测方法

针对现有的遥感影像厚云阴影监测方法存在过程复杂、精度不高等问题,该文提出一种TM影像厚云阴影检测方法:通过阈值分割提取影像中的所有阴影;对比一幅近时相的无云影像,分离出厚云的阴影,即云阴影为"有云"影像比"无云"影像多出的阴影;最后将提取结果与人机交互、云阴影增强模型法提取的结果进行对比分析。实验结果表明该方法提取精度较高,可以快速、准确地提取TM影像中的厚云阴影。     

基于高斯混合模型法的国产高分辨率卫星影像云检测

针对资源三号、高分一号等国产高分辨率卫星影像波段少、光谱范围受限的特点,提出一种通过高斯混合模型拟合影像灰度直方图从而自动获取灰度阈值的云检测算法。首先由影像灰度直方图自适应地获取高斯混合模型初始拟合参数,然后依据期望最大原则对初始参数进行调整,最后根据拟合模型中各高斯分量的分布特点,自动确定该波段影像中云与晴空之间的灰度阈值。实验表明,该算法不受限于卫星光谱范围,同时适用于含云和无云影像,检测精度较高,且不需要辅助信息和人工干预,可满足自动化生产的需要。     

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。     

一种基于RGB彩色遥感影像的云检测方法

无人机、卫星等获取的高分辨率遥感影像中不可避免地存在云层遮挡问题,这对遥感影像生产和应用造成一定程度的干扰.本文针对RGB彩色遥感影像中存在的云层遮挡问题,提出了一种基于RGB彩色遥感影像的快速云检测方法.首先根据RGB三通道的光谱信息生成粗云图,引入景观格局指数,然后排除地面非云层高亮图斑误差,利用原始影像作为引导,...     

一种高分辨率彩色遥感影像的道路检测方法

提出了一种采用FLD特征抽取分类和形状特征相结合的道路检测方法。首先,对标记的样本进行颜色信息的抽取;其次,利用Fisher线性判别对抽取的信息进行遥感影像特征分类,将影像分为道路和非道路两类;然后根据分类结果进行阈值分割检测初步道路网;最后利用道路的形状特征和形态学处理去除误提的信息优化检测结果。实验证明,该方法可以实现具有颜色信息的遥感影像主干道路的检测。     

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。     

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。     

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。     

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。     

Use of Markov Random Fields for automatic cloud/shadow detection on high resolution optical images

In this study, we propose an automatic detection algorithm for cloud/shadow on remote sensing optical images. It is based on physical properties of clouds and shadows, namely for a cloud and its associated shadow: both are connex objects of similar shape and area, and they are related by their relative locations. We show that these properties can be formalized using Markov Random Field (MRF) framework at two levels: one MRF over the pixel graph for connexity modelling, and one MRF over the graph of objects (clouds and shadows) for their relationship modelling. Then, we show that, practically, having performed an image pre-processing step (channel inter-calibration) specific to cloud detection, the local optimization of the proposed MRF models leads to a rather simple image processing algorithm involving only six parameters. Using a 39 image database, performance is shown and discussed, in particular in comparison with the Marked Point Process approach.     

高分辨率卫星影像车辆检测的抗体网络

将车辆检测的过程视为一种“抗体”检测“危险抗原”的过程, 其中车辆是“危险抗原”, 车辆检测模板是“抗体”。利用一些车辆图像作为训练样本, 建立一种抗体网络学习并获取一组优化的“抗体”。这些“抗体”经过与待测影像的匹配, 实现对道路车辆目标的有效提取。采用0.6m分辨率的QuickBird全色数据进行实验, 实验结果验证了该方法的有效性和可行性。     

高分辨率遥感影像的建筑物自动提取

文章结合结构图分析方法,提出一种针对高分辨率遥感影像中建筑物自动提取方法.该方法利用几何限制对线基元进行初连接,解决由于边缘检测无法完整提取建筑外边缘问题;通过构造结构图确立线基元之间连接关系,搜索结构图中闭合路径,建立高级别特征,对过于散列的线基元进行整合;在此基础上,综合考虑建筑物的几何结构、光谱特征等图像信息筛选闭合路径,实现对建筑物的提取.最后通过对天绘一号高分辨率遥感影像进行建筑物自动提取验证了该方法的有效性.     

异源高分辨率光学卫星遥感影像联合定位

本文提出一种基于RFM和投影射线法的异源高分辨率光学卫星遥感影像定位算法:首先利用高分辨率遥感影像RFM正解模型迭代计算其反解模型;接着通过RFM正反解模型构建投影射线,最后采用迭代求取射线交点的方法确定地面三维实际坐标。实验对比结果表明,联合具有一定重叠度的异源高分辨率光学卫星遥感影像进行立体定位具有较强的可行性,并可达到一定的精度。     

Mapping forest windthrows using high spatial resolution multispectral satellite images

Wind disturbances represent the main source of damage in European forests, affecting them directly (windthrows) or indirectly due to secondary damages (insect outbreaks and forest fires). The assessment of windthrows damages is very important to establish adequate management plans and remote sensing can be very useful for this purpose. Many types of optical remote sensing data are available with different spectral, spatial and temporal resolutions, and many options are possible for data acquisition, i.e. immediately after the event or after a certain time. The objective of this study is to compare the windthrows mapping capabilities of two multispectral satellite constellations (i.e. Sentinel-2 and PlanetScope) characterized by very different spectral, spatial and temporal resolutions, and to evaluate the impact of the acquisition conditions on the mapping results. The analysed area, with an extent of 732 km², is located in the Trentino-South Tyrol region (Italy) which was affected by the Vaia storm on the 27th-30th of October 2018, causing serious forest damages. The change vector analysis technique was used to detect the windthrows. For each data source, two pairs of images were considered: 1) pre- and post- event images acquired as close as possible to the event; 2) pre- and post- event images acquired at optimal conditions, i.e. at similar phenological state and similar illumination conditions. The results obtained with the two satellite constellations are very similar despite their different resolutions. Data acquired in optimal conditions allowed having the best detection rate (accuracy above 80 %), while data acquired just after the event showed many limitations. Improved spatial resolution (PlanetScope data) allows for a better delineation of the borders of the windthrow areas and of the detection of smaller windthrow patches.     

神经网络支持下的Sentinel-2卫星影像自动云检测

为解决利用Sentinel-2卫星影像进行地物信息提取时云层遮挡造成的信息误判问题,提出了一种基于深度学习的遥感影像云区高精度分割方法。该方法通过预处理的遥感样本数据构建出一种深度神经网络模型,自动提取高层次影像特征;再将影像特征输入分类器,实现遥感影像的像素级分类,从而分割出云覆盖矩阵;最后将云覆盖矩阵转化为云二值图,结合感兴趣区矢量准确获取指定区域云检测结果。选取典型区域进行测试,结果表明：该方法检测精度较高,速度较快,且无须辅助信息与人工干预,可用于Sentinel-2卫星影像不规则区域自动云检测。     

多源高分辨率遥感影像自动匹配算法

提出一种基于同名直线约束的多源高分辨率遥感影像自动匹配方法。对影像建立高斯滤波模型去噪,然后进行边缘检测,在边缘影像上进行Hough变换,通过端点检测的方法来获取直线;通过粗匹配参数进行同名直线粗匹配,应用梯度模型对同名直线进行精匹配;对影像提取特征点,特征点经过同名直线约束后,在对应影像上利用同名直线约束建立匹配范围。采用最小欧式距离准则在给定范围内提取初始同名点;利用RANSAC算法剔除错误同名点对,以获取最终的匹配结果。实验结果表明,与传统的SIFT匹配算法比较,方法具有可靠性好、提取同名点数量多的优点。     

遥感卫星影像K-SVD稀疏表示去噪

常规的去噪方法在去除遥感卫星影像噪声时,往往会造成影像模糊和空间分辨率下降。本文将稀疏表示理论应用于遥感卫星影像去噪,提出了一种改进算法,能够保留低频信息不变,仅对影像的高频信息进行稀疏重建。算法核心是按照是否能够从过完备字典中选择较少原子进行稀疏表示的原则来区分高频信息中的有效信息和噪声。通过3组实验对改进算法与传统去噪方法进行对比检测,实验结果表明,改进算法在去除噪声的同时,能较好地突出影像的边缘和细节信息。