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。     

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。     

增强型多时相云检测

针对云检测在高亮度地表以及雪覆盖区域存在过度检测的问题,设计了一种不依赖热红外波段的增强型多时相云检测EMTCD(Enhanced Multiple Temporal Cloud Detection)算法。首先,利用云的光谱特征建立单时相云检测规则,并基于云、雪的光谱差异构建了增强型云指数ECI(Enhanced Cloud Index),改进了云、雪的区分能力;其次,以同一区域无云影像为参考,基于ECI指数构建了多时相云检测算法,较好地克服了单时相云检测中高亮度地表、雪和云容易混淆的问题,提高了云检测的精度;最后,选择两个典型区域的Landsat-8 OLI影像,对比分析了不同算法的云检测结果。实验结果表明:ECI指数能够有效区分云、雪,EMTCD方法的平均检测精度达到93.2%,高于Fmask(Function of mask)(81.85%)、MTCD(Multi-Temporal Cloud Detection)(66.14%)和Landsat-8地表反射率产品LaSRC(Landsat-8 Surface Reflectance Code)的云检测结果(86.3%)。因此,本文提出的EMTCD云检测算法能够有效地减少高亮度地表和雪的干扰,实现不依赖热红外波段的高精度云检测。     

多样地表和大气状况下的MODIS数据云检测

云覆盖作为天气和气候变化的一个重要因子,对地表-大气能量平衡和水循环有着重要的影响,因此,快速、准确地利用卫星遥感技术检测云覆盖具有重要的实用价值和科学意义。利用卫星遥感数据,尤其是常用的Moderate Resolution Imaging Spectroradiometer(MODIS)影像数据,因其具有较高的光谱和时间分辨率,以及2330 km扫描幅宽,为大范围实时、准确地进行云检测提供了可能。目前,基于MODIS数据发展了大量的云检测方法,但因地表类型的多样性和大气状况(如空气污染和沙尘事件等)的复杂性,目前已有的云检测方法,检测精度通常具有较大的不确定性,且针对不同地表和大气状况缺乏普适性,同时也缺乏对检测精度的定量化评估。因此,本文首先比较了常用的3种云检测算法,并基于前人经验提出了两种改进方法(方法4和方法5),首先区分出云和冰雹,摒弃了不稳定的亮温波段,两种算法均适用于复杂地表和大气状况的云检测算法。结果显示,方法5可以较好地应用于基于MODIS数据的云检测,总体精度达92.6±7%,改进了现有基于MODIS数据的云检测算法;方法4平均总体精度82.9±13%,虽然精度相对较低,但云残留少,适合作为对云敏感度高的研究工作的云检测方法。     

基于HSV色彩空间的遥感图像快速云检测

对可见光波段遥感图像进行HSV色彩空间变换,结合图像的亮度特征和饱和度特征,对饱和度通道和亮度通道分别进行同态滤波和直方图均衡化处理,增强目标云区对比度;转换为RGB色彩空间之后,接着进行2%的线性拉伸,结合云的暗原色通道特性生成暗通道图,不断突出云区与非云区对比;最后进行otsu阈值分割提取云区。实验依托实际项目需求,针对原始影像波段少的特点,选取3幅压缩后全色遥感影像为实验数据,并与阈值法进行目视判别和精度统计对比。实验结果表明该方法可以快速、较高精度地检测出云区,所提出的方法对检测数据质量和波段数要求低,检测快速,检测云区较为完整准确、实用性强。     

泰山麻栎多光谱遥感识别的方法优选

树种识别精度将直接影响森林制图精度。为提高泰山麻栎识别精度,通过优选敏感波段及其波段组合,利用多种方法对麻栎进行遥感识别。本文基于资源一号02C(ZY-1 02C)5月12日多光谱遥感影像,分析关键物候期的光谱特征,选取敏感波段并进行波段组合,分别运用云模型、支持向量机(SVM)、最大似然法(MLC)3种分类方法对麻栎进行遥感识别。结果表明,第2、3波段(记为B2和B3)为识别麻栎的敏感波段,其中B3为最敏感波段。3种识别方法中,云模型总体识别精度最高,为94.29%;其次是支持向量机,为90.82%;最大似然法最低,为85.54%。本文利用B3波段构建的云模型对泰山麻栎识别效果最优,可为其他树种识别提供技术支持。     

统一样本云检测技术在GF-6 WFV上的改进与应用

目前基于深度学习的云检测方法,受训练样本限制,算法难以推广及应用。为了快速实现针对多种传感器的高精度的云检测,Sun等（2020）提出统一样本云检测方法。基于AVIRIS高光谱样本库模拟出待检测传感器的云和晴空地表像元,将模拟得到的多光谱样本数据输入到BP神经网络中进行逐像元分类,生成云检测模型,实现Landsat 8 OLI等宽光谱传感器较高精度的云检测。该方法基于统一样本模拟出不同传感器的样本像元库,适用于多种传感器的云检测。由于Landsat 8 OLI波段较多,波谱范围覆盖宽,容易实现云的高精度识别。为了进一步提高其在光谱范围较窄的GF-6 WFV数据上的云检测应用精度,在模拟出的样本库中加入GF-6 WFV数据典型高亮地表像元。通过目视解译对云检测结果进行精度验证,结果表明,该算法利用可见光和近红外通道的遥感数据可以高精度的识别出植被、水体、建筑、裸地等地表类型上空的厚云、碎云和薄云。改进后的云检测算法,云像元平均正确率达到88.40%,在高亮地表上空云像元正确率达到87.40%,在不同地表类型上空的云像元平均正确率为92.60%。结果表明,加入高反射率地物的算法可以利用有限波段实现云和地表的高精度分离。     

GF-5 DPC数据的云检测方法研究

高分五号（GF-5）号卫星所搭载的大气多角度偏振探测仪（DPC）能够对地球进行多波段,多角度和的连续观测,其数据对研究全球大气云分布及云辐射反馈作用提供新的视角。本文通法国多角度偏振载荷POLDER（POLarization and Directionality of the Earth’s Reflectances）云检测算法为参考,结合DPC多波段反射率、偏振反射率、表观压强等信息开发了一个适用于DPC的云检测算法。算法主要分为3个部分：首先是阈值方法对云像元进行检测,同时引入表观压强对不同高度的云（如卷云、层积云等）进行进一步的条件约束,然后利用865 nm波段偏振反射率对海表反射的太阳耀斑区进行识别,修正了反射率阈值识别云像元时受到的太阳耀斑干扰。为了验证算法的准确性,利用2018-10-01的MODIS的MOD06云掩码产品与本文云检测算法结果进行定性分析,从目视判读结果可以看出本文云检测结果与MOD06产品具有较高的吻合度;随后又利用2018-10-01—04的CALIPSO-VFM数据与本文云检测结果和MYDO6云掩码产品进行定量分析,分别计算了中低纬度区域（60°N—60°S）的云/晴空像元命中率和云/晴空像元错误预报率,计算结果显示算法云命中率均值相较MYD06云掩码产品高出13.501%的前提下云错误预报率仅高出3.561%,可表明该算法在全球中低纬度区域有着良好的云检测效果。本文提出的云检测算法,可为后续DPC的云参数、水汽、气溶胶等研究提供重要数据支撑。     

基于DNB验证的VIIRS夜间云检测方法

针对夜间云检测验证中低云和雾难以区分的困难,提出了对于南方山区有效的云检测和验证方案。通过分析可见光红外成像辐射仪套件(visible infrared imager radiometer suite,VIIRS)传感器数据的新特性和云检测的原理,给出了适合VIIRS夜间云检测的方法。对白天/夜间波段(day and night band,DNB)数据对云检测验证的适用性进行了分析。结果表明:在月亮天顶角小于60°时,DNB波段能够较好地用于夜间云检测验证;在扫描角小于15°时,云检测精度不低于91%;使用VIIRS的M12和M13通道的亮温差值BTM12-BTM13辅助M12和M15通道的亮温差值BTM12-BTM15进行低云检测,能够去除大部分山谷中雾的影响;检测阈值对扫描角大小变化敏感,当扫描角较大时,设定的阈值在检测精度上不如扫描角较小时理想。     

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。     

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。     

GF-4序列图像的云自动检测

以高分四号(GF-4)卫星L1级标准分幅数据产品提供高精度的云检测产品为目的,研究针对地球同步轨道卫星数据的云检测算法,改进自动阈值以适应同日不同时刻成像数据的辐射亮度与地表反射特性的变化差异。利用GF-4卫星凝视成像方式获取的同区域序列图像以及云在不同图像上的运动特性,结合自动阈值与SavitzkyGolay(SG)滤波修正检测结果中的误检。算法的两个关键预处理,一是通过自动的几何配准解决未经几何校正的分幅数据之间像素位置对应的问题,二是通过基于典型相关变换自动提取序列图像之间的伪不变特征点集,进而利用相对辐射归一减小了不同时刻成像数据之间的辐射差异。通过内蒙古自治区东部及长江中下游区域70余组数据对算法进行验证,整体上获得了稳定的结果与精度,并且基于序列图像的云检测算法在云边界、高亮地表及薄云区域的检测精度整体优于单幅自动阈值的检测结果。结果表明算法精度上满足GF-4云检测数据产品需求,且算法自动化程度高,便于工程化的数据生产。     

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。     

改进D-LinkNet模型在国产卫星影像云检测中的应用

大部分国产卫星波段少,利用传统方法难以进行云检测。本文提出了基于改进D-LinkNet模型的云检测算法,并应用于国产卫星遥感影像的云检测。首先,利用自然资源部国土卫星遥感应用中心提供的人工勾云样本生成二值图标签;其次,对D-LinkNet50的编码器进行改进,使用带有通道注意力机制的ResNeSt50-Block替换原始的ResNet50-Block;然后,对损失函数进行加权,测试分析发现只用交叉熵损失作为损失函数时,检测精度更高;最后,使用条件随机场（CRF）对预测结果进行后处理。试验结果表明,改进D-LinkNet模型在测试集上的IoU提升了1.93%,精度提升了2.45%,保持了较好的云边缘信息,云检测效果高于原D-LinkNet模型。     

基于动态阈值的HJ-1B图像云检测算法研究

针对环境与灾害监测预报小卫星星座1B星(HJ-1B)的传感器波段特征,通过对云检测阈值的年度波动性分析,提出了一种基于波谱标准差异常的“动态阈值云检测算法”.该算法的实现主要是采用图像配准、波段运算、线性回归和误差分析等方法,获取云异常区域,进而剔除图像中的云像元.研究结果表明,该算法可以很好地检测出不同时相、不同类型下垫面上空的云像元,为有效利用HJ-1B数据并提高其图像分类精度发挥作用.     

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。     

快速高准确度云检测算法及其应用

采用光谱阈值判别和纹理分析相结合的方法, 提出一种基于树状判别结构的快速高准确度云检测算法, 综合利用多个判别准则, 确定图像中云层覆盖情况, 与传统方法相比能够获得更高的分辨精确度。树状判别结构还能够在平均意义上显著提高算法运行效率。同时, 提出了一种改进的分形维数计算方法, 能够在不影响精确度的前提下, 使算法的运行效率提高5倍左右, 基本满足实时性的要求。所提出的云检测算法已在中巴地球资源卫星项目中实际应用, 实际测试结果表明, 该算法达到自动云检测的虚警概率小于5%, 漏警概率小于10%的工程要求。     

结合超像素和卷积神经网络的国产高分辨率遥感影像云检测方法

由于国产高分辨率卫星遥感影像波段少、光谱范围窄,导致传统云检测方法精度低。本文提出了基于卷积神经网络的高分辨率遥感影像云检测方法。首先采用主成分分析非监督预训练网络结构,获取待测遥感影像云特征;然后采用超像素分割方法进行影像分割;最后将检测结果影像块拼接,完成整幅影像云检测。试验效果评价表明,基于卷积神经网络的高分辨率遥感影像云检测方法不受光谱范围限制,云检测精度高,误判较少,适合国产高分辨遥感影像云检测。