CN113298836B - 一种顾及要素轮廓强度的遥感图像薄云去除方法及*** - Google Patents

一种顾及要素轮廓强度的遥感图像薄云去除方法及*** Download PDF

Info

Publication number
CN113298836B
CN113298836B CN202110727074.5A CN202110727074A CN113298836B CN 113298836 B CN113298836 B CN 113298836B CN 202110727074 A CN202110727074 A CN 202110727074A CN 113298836 B CN113298836 B CN 113298836B
Authority
CN
China
Prior art keywords
remote sensing
sensing image
equation
structural information
thin cloud
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110727074.5A
Other languages
English (en)
Other versions
CN113298836A (zh
Inventor
葛亮
周奎
周义军
罗方方
倪皓晨
程星会
周莉莎
徐莹
王光昇
丁旭
郑二龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Institute Of Surveying And Mapping Co ltd
Original Assignee
Tianjin Institute Of Surveying And Mapping Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin Institute Of Surveying And Mapping Co ltd filed Critical Tianjin Institute Of Surveying And Mapping Co ltd
Priority to CN202110727074.5A priority Critical patent/CN113298836B/zh
Publication of CN113298836A publication Critical patent/CN113298836A/zh
Application granted granted Critical
Publication of CN113298836B publication Critical patent/CN113298836B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提出一种顾及要素轮廓强度的遥感图像薄云去除方法及***，计算具有薄云遥感图像的要素轮廓强度值；构建顾及要素轮廓强度的结构信息提取模型；求解提出的结构信息提取模型，得到遥感图像的结构信息；构建薄云去除模型，得到去云后的遥感图像。本发明提取遥感图像的顾及要素轮廓强度的结构信息，再进行薄云去除，在有效去除薄云的同时可以很好的保持边界和纹理信息，也不需要额外的不同时间影像支持。

Description

一种顾及要素轮廓强度的遥感图像薄云去除方法及***
技术领域
本发明属于遥感科学领域，特别是涉及到一种顾及要素轮廓强度的遥感图像薄云去除方法及***。
背景技术
遥感图像是通过飞机、卫星等移动平台的传感器，来获取地表目标的电磁辐射信息，进而对辐射信息以一定的技术手段处理得到的影像。遥感图像蕴含着丰富的地物信息，可以生动形象的显示地物的位置、类别和状态属性，在各个领域中都有着广泛的应用，如农业、军事、救灾等。但是，由于外界物理环境的影响，很多地表区域在长时间内都被云雾覆盖着。作为最常见的遥感图像格式，光学遥感图像无法有效的对云层进行穿透，从而无法精确的得到该地区的地表影像，严重影响了后续的解译工作以及应用范围，降低了影像结果的可用性。因此，云层的去除在遥感图像领域是很有价值的研究工作。云层在遥感图像中可以分为薄云和厚云。虽然薄云对地物信息进行了遮挡，但是依然可以传递一部分电磁辐射信息，可以部分的进行成像。厚云则全部遮挡了地物信息，无法有效的传递电磁辐射信息，从而在影像中仅显现一团云状，无法得到该部分的地物信息。
目前遥感图像的薄云去除方法主要有以下三种类别：直方图匹配法、单幅图像去云方法和多源数据融合法。直方图匹配法是将某幅图像或者某一区域的直方图匹配到另一幅图像上，从而可以使直方图匹配后的图像与原始标准图像具有近似的色调和反差，来达到去除云雾的目的。单幅遥感图像去云方法仅利用图像自身的信息来达到云雾去除的目的，主要有同态滤波法、小波变换法和色彩变换法。多源数据融合法是使用多源不同时相的影像的相关信息，来实现一种去云算法。以上方法都可以在一定程度上有效去除遥感图像中的薄云，但是都存在着一些问题。直方图匹配法仅考虑直方图的匹配效果，来达到数据增强的目的，从而去除云雾。但是，它得到的结果在根本上没有考虑图像本身的结构和纹理信息，会大幅减少图像中有价值的信息，如边界、纹理等。单幅遥感图像去云方法主要采用的是滤波法，它会严重的模糊边界，带来一些额外的人造现象。多源数据融合法需要额外的遥感影像，增加了数据获取的负担，而且不同时间的影像也不一定具备准确性。因此亟需一种单幅遥感图像去云方法，可以很好的保持边界和纹理信息，也不需要额外的不同时间影像支持。
发明内容
本发明提出一种顾及要素轮廓强度的遥感图像薄云去除方法及***，可以有效去除薄云，并且很好的保持边界和纹理信息，不需要额外的不同时间影像支持。
为达到上述目的，本发明的技术方案是这样实现的：
一种顾及要素轮廓强度的遥感图像薄云去除方法，包括：
P1：计算具有薄云遥感图像的要素轮廓强度值
Figure BDA0003139127500000021
P2：构建顾及要素轮廓强度的结构信息提取模型；
P3：求解提出的结构信息提取模型，得到遥感图像的结构信息；
P4：构建薄云去除模型，得到去云后的遥感图像。
优选的，步骤P1所述具有薄云遥感图像的要素轮廓强度值的计算方法包括：
P101、使用下式计算相应的要素轮廓强度值：
Figure BDA0003139127500000022
其中，
Figure BDA0003139127500000023
Figure BDA0003139127500000024
分别为水平、竖直方向上的前向差分算子；
Figure BDA0003139127500000025
为欧几里得范数；
i,j为遥感图像f的像素，i＝1,2,...,M,j＝1,2,...,N；
P102、对k使用低通滤波得到光滑后的要素轮廓强度值
Figure BDA0003139127500000026
进一步的，步骤P2所述顾及要素轮廓强度的结构信息提取模型的构建方法包括：
Figure BDA0003139127500000027
其中，
Figure BDA0003139127500000028
为光滑后的要素轮廓强度值，u为遥感图像f的结构信息，λ为数据项系数，H为均值为1的高斯函数。
更进一步的，所述结构信息提取模型的求解过程包括：
P301、令p＝▽u，将式(2)转化如下：
Figure BDA0003139127500000031
P302、对于式(3)的增广拉格朗日形式为：
Figure BDA0003139127500000032
其中，ζ为拉格朗日乘子，r为增广系数；
P303、式(4)分为以下两个子问题进行求解：
Figure BDA0003139127500000033
Figure BDA0003139127500000034
P304、对于式(5)，固定u,求解p；化简为：
Figure BDA0003139127500000035
对于上式(7)，有以下形式的封闭解：
Figure BDA0003139127500000036
P305、对于式(6),固定p,求解u。对于式(6)化简为：
Figure BDA0003139127500000037
对上式求一阶导得下式：
Figure BDA0003139127500000038
式(10)通过快速傅里叶变换进行快速求解；
P306、更新拉格朗日乘子；
Figure BDA0003139127500000039
进一步的，步骤P4中所述薄云去除模型如下所示：
Figure BDA00031391275000000310
其中，I为薄云去除后的遥感图像，fdark为黑暗通道先验，β为正实数，u为遥感图像f的结构信息。
本发明另一方面，还提出了一种顾及要素轮廓强度的遥感图像薄云去除***，包括：
要素轮廓强度计算模块：用于计算具有薄云遥感图像的要素轮廓强度值
Figure BDA0003139127500000041
结构信息提取模型构建模块：用于构建顾及要素轮廓强度的结构信息提取模型；
求解模块：用于求解提出的结构信息提取模型，得到遥感图像的结构信息；
薄云去除模型构建模块：用于构建薄云去除模型，得到去云后的遥感图像。
优选的，要素轮廓强度计算模块包括：
计算单元：用于使用下式计算相应的要素轮廓强度值：
Figure BDA0003139127500000042
其中，
Figure BDA0003139127500000043
Figure BDA0003139127500000044
分别为水平、竖直方向上的前向差分算子；
Figure BDA0003139127500000045
为欧几里得范数；
i,j为遥感图像f的像素，i＝1,2,...,M,j＝1,2,...,N；
滤波单元：用于对k使用低通滤波得到光滑后的要素轮廓强度值
Figure BDA0003139127500000046
进一步的，结构信息提取模型构建模块使用以下公式构建模型：
Figure BDA0003139127500000047
其中，
Figure BDA0003139127500000048
为光滑后的要素轮廓强度值，u为遥感图像f的结构信息，λ为数据项系数，H为均值为1的高斯函数。
更进一步的，所述求解模块包括：
转化单元：令p＝▽u,将式(2)转化如下：
Figure BDA0003139127500000049
增广单元：对于式(3)的增广拉格朗日形式为：
Figure BDA00031391275000000410
其中，ζ为拉格朗日乘子，r为增广系数；
子问题单元：式(4)分为以下两个子问题进行求解：
Figure BDA0003139127500000051
Figure BDA0003139127500000052
第一求解单元：对于式(5)，固定u,求解p；化简为：
Figure BDA0003139127500000053
对于上式(7)，有以下形式的封闭解：
Figure BDA0003139127500000054
第二求解单元：对于式(6),固定p,求解u，对于式(6)化简为：
Figure BDA0003139127500000055
对上式求一阶导得下式：
Figure BDA0003139127500000056
式(10)通过快速傅里叶变换进行快速求解；
更新单元：更新拉格朗日乘子；
Figure BDA0003139127500000057
进一步的，薄云去除模型构建模块使用以下公式构建薄云去除模型：
Figure BDA0003139127500000058
其中，I为薄云去除后的遥感图像，fdark为黑暗通道先验，β为正实数，u为遥感图像f的结构信息。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明提取遥感图像的顾及要素轮廓强度的结构信息，再进行薄云去除，在有效去除薄云的同时可以很好的保持边界和纹理信息，也不需要额外的不同时间影像支持；
(2)本发明的方法具有非常好的适用性、有效性、稳定性和扩展性。
附图说明
图1为本发明实施例的流程框图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本发明提出了一种顾及要素轮廓强度的遥感图像薄云去除方法，属于单幅遥感图像去云方法，但是可以很好的保持边界和纹理信息，也不需要额外的不同时间的影像支持。
本发明实施例中，使用MATLAB R2017b进行算法实现。
图1为本发明实施例的具体步骤。
步骤1：
使用imread函数读取具有薄云的遥感SAR图像f，SAR图像具有相干斑噪声，即具有薄云。
步骤2：
计算具有薄云遥感图像的要素轮廓强度值。假设具有薄云的遥感图像为f，使用下式(1)计算相应的要素轮廓强度值：
Figure BDA0003139127500000061
其中，
Figure BDA0003139127500000062
Figure BDA0003139127500000063
分别为水平、竖直方向上的前向差分算子。
Figure BDA0003139127500000064
为欧几里得范数，i,j为遥感图像f的像素，i＝1,2,...,M,j＝1,2,...,N。
然后，对k使用低通滤波得到光滑后的要素轮廓强度值
Figure BDA0003139127500000065
步骤3：
构建顾及要素轮廓强度的结构信息提取模型，如下所示：
Figure BDA0003139127500000066
其中，u为遥感图像f的结构信息，λ为数据项系数，H为均值为1的高斯函数；
本模型是依据最大后验概率，以及处理任务和图像本身的先验特性来设计的。
步骤4：
求解提出的结构信息提取模型，得到遥感图像的结构信息。
①首先初始化ζ＝0,u＝f,
Figure BDA0003139127500000067
将式(2)转化如下的受限制的问题：
Figure BDA0003139127500000071
②对于式(3)的增广拉格朗日形式为：
Figure BDA0003139127500000072
其中，ζ为拉格朗日乘子，r为增广系数。
③式(4)可以分为以下两个子问题进行求解：
Figure BDA0003139127500000073
Figure BDA0003139127500000074
④对于式(5)中子问题,固定u,求解p。对于式(5)可以化简为：
Figure BDA0003139127500000075
对于上式，有以下形式的封闭解：
Figure BDA0003139127500000076
⑤对于式(6)中子问题,固定p,求解u，使用matlab中的fft2和ifft2来进行快速求解。
对于式(6)可以化简为：
Figure BDA0003139127500000077
对上式求一阶导可得下式：
Figure BDA0003139127500000078
式(10)可以通过快速傅里叶变换进行快速求解。
⑥更新拉格朗日乘子。
Figure BDA0003139127500000079
步骤5：
构建薄云去除模型，得到去云后的遥感图像。首先，计算黑暗通道先验fdark。然后，计算薄云去除后的遥感图像：
Figure BDA0003139127500000081
其中，I为薄云去除后的遥感图像，fdark为黑暗通道先验，β为正实数；
本模型是依据处理任务和图像本身的先验特性来设计的。
步骤6：
根据以上求解过程，使用MATLAB进行算法实现；
步骤7：
输出得到薄云去除结果，即去除薄云后的遥感图像。
本发明已经过严格的测试和验证，通过本方法进行的一种顾及要素轮廓强度的遥感图像薄云去除方法，可以有效去除薄云，并且具有非常好的适用性、有效性、稳定性和扩展性，所述功能都全部实现，具有适用性、有效性、稳定性和扩展性的特点。
本发明不局限于上述实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润色，这些改进和润色也视为本发明的保护范围之内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

Claims (2)

1.一种顾及要素轮廓强度的遥感图像薄云去除方法，其特征在于，包括：
P1：计算具有薄云遥感图像的要素轮廓强度值
Figure FDA0003952290040000011
P2：构建顾及要素轮廓强度的结构信息提取模型；
P3：求解提出的结构信息提取模型，得到遥感图像的结构信息；
P4：构建薄云去除模型，得到去云后的遥感图像；
步骤P1所述具有薄云遥感图像的要素轮廓强度值的计算方法包括：
P101、使用下式计算相应的要素轮廓强度值：
Figure FDA0003952290040000012
其中，
Figure FDA0003952290040000013
分别为水平、竖直方向上的前向差分算子；
Figure FDA0003952290040000014
为欧几里得范数；
i,j为遥感图像f的像素，i＝1,2,...,M,j＝1,2,...,N；
P102、对k使用低通滤波得到光滑后的要素轮廓强度值
Figure FDA0003952290040000015
步骤P2所述顾及要素轮廓强度的结构信息提取模型的构建方法包括：
Figure FDA0003952290040000016
其中，
Figure FDA0003952290040000017
为光滑后的要素轮廓强度值，u为遥感图像f的结构信息，λ为数据项系数，H为均值为1的高斯函数；
所述结构信息提取模型的求解过程包括：
P301、令p＝▽u,将式(2)转化如下：
Figure FDA0003952290040000018
Figure FDA0003952290040000019
P302、对于式(3)的增广拉格朗日形式为：
Figure FDA00039522900400000110
其中，ζ为拉格朗日乘子，r为增广系数；
P303、式(4)分为以下两个子问题进行求解：
Figure FDA0003952290040000021
Figure FDA0003952290040000022
P304、对于式(5)，固定u,求解p；化简为：
Figure FDA0003952290040000023
对于上式(7)，有以下形式的封闭解：
Figure FDA0003952290040000024
P305、对于式(6),固定p,求解u，对于式(6)化简为：
Figure FDA0003952290040000025
对上式求一阶导得下式：
Figure FDA0003952290040000026
式(10)通过快速傅里叶变换进行快速求解；
P306、更新拉格朗日乘子；
Figure FDA0003952290040000027
步骤P4中所述薄云去除模型如下所示：
Figure FDA0003952290040000028
其中，I为薄云去除后的遥感图像，fdark为黑暗通道先验，β为正实数，u为遥感图像f的结构信息。
2.一种顾及要素轮廓强度的遥感图像薄云去除***，其特征在于，包括：
要素轮廓强度计算模块：用于计算具有薄云遥感图像的要素轮廓强度值
Figure FDA0003952290040000029
结构信息提取模型构建模块：用于构建顾及要素轮廓强度的结构信息提取模型；
求解模块：用于求解提出的结构信息提取模型，得到遥感图像的结构信息；
薄云去除模型构建模块：用于构建薄云去除模型，得到去云后的遥感图像；
要素轮廓强度计算模块包括：
计算单元：用于使用下式计算相应的要素轮廓强度值：
Figure FDA0003952290040000031
其中，
Figure FDA0003952290040000032
分别为水平、竖直方向上的前向差分算子；
Figure FDA0003952290040000033
为欧几里得范数；
i,j为遥感图像f的像素，i＝1,2,...,M,j＝1,2,...,N；
滤波单元：用于对k使用低通滤波得到光滑后的要素轮廓强度值
Figure FDA0003952290040000034
结构信息提取模型构建模块使用以下公式构建模型：
Figure FDA0003952290040000035
其中，
Figure FDA0003952290040000036
为光滑后的要素轮廓强度值，u为遥感图像f的结构信息，λ为数据项系数，H为均值为1的高斯函数；
所述求解模块包括：
转化单元：令p＝▽u,将式(2)转化如下：
Figure FDA0003952290040000037
Figure FDA0003952290040000038
增广单元：对于式(3)的增广拉格朗日形式为：
Figure FDA0003952290040000039
其中，ζ为拉格朗日乘子，r为增广系数；
子问题单元：式(4)分为以下两个子问题进行求解：
Figure FDA00039522900400000310
Figure FDA00039522900400000311
第一求解单元：对于式(5)，固定u,求解p；化简为：
Figure FDA0003952290040000041
对于上式(7)，有以下形式的封闭解：
Figure FDA0003952290040000042
第二求解单元：对于式(6),固定p,求解u，对于式(6)化简为：
Figure FDA0003952290040000043
对上式求一阶导得下式：
Figure FDA0003952290040000044
式(10)通过快速傅里叶变换进行快速求解；
更新单元：更新拉格朗日乘子；
Figure FDA0003952290040000045
薄云去除模型构建模块使用以下公式构建薄云去除模型：
Figure FDA0003952290040000046
其中，I为薄云去除后的遥感图像，fdark为黑暗通道先验，β为正实数，u为遥感图像f的结构信息。
CN202110727074.5A 2021-06-29 2021-06-29 一种顾及要素轮廓强度的遥感图像薄云去除方法及*** Active CN113298836B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110727074.5A CN113298836B (zh) 2021-06-29 2021-06-29 一种顾及要素轮廓强度的遥感图像薄云去除方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110727074.5A CN113298836B (zh) 2021-06-29 2021-06-29 一种顾及要素轮廓强度的遥感图像薄云去除方法及***

Publications (2)

Publication Number Publication Date
CN113298836A CN113298836A (zh) 2021-08-24
CN113298836B true CN113298836B (zh) 2023-03-14

Family

ID=77329889

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110727074.5A Active CN113298836B (zh) 2021-06-29 2021-06-29 一种顾及要素轮廓强度的遥感图像薄云去除方法及***

Country Status (1)

Country Link
CN (1) CN113298836B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117218048B (zh) * 2023-11-07 2024-03-08 天津市测绘院有限公司 基于三层稀疏光滑模型的红外与可见光图像融合方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574826A (zh) * 2015-12-16 2016-05-11 中国科学院深圳先进技术研究院 遥感影像的薄云去除方法
CN108460739A (zh) * 2018-03-02 2018-08-28 北京航空航天大学 一种基于生成对抗网络的遥感图像薄云去除方法
CN110047045A (zh) * 2019-04-10 2019-07-23 新疆大学 去除遥感图像中薄云的方法及装置
CN110287898A (zh) * 2019-06-27 2019-09-27 苏州中科天启遥感科技有限公司 一种光学卫星遥感影像云检测方法
CN112288640A (zh) * 2020-07-21 2021-01-29 中国地质大学（武汉） 一种抑制sar图像相干斑噪声的方法、***和终端设备
CN112862729A (zh) * 2021-03-30 2021-05-28 湖北地信科技集团股份有限公司 一种基于特征曲线指导的遥感图像去噪方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102509262B (zh) * 2011-10-17 2014-02-12 中煤地航测遥感局有限公司 一种遥感图像薄云去除方法
CN105389826A (zh) * 2015-12-23 2016-03-09 国家***第一海洋研究所 珊瑚岛礁岸线高分sar遥感提取方法
CN109191400A (zh) * 2018-08-30 2019-01-11 中国科学院遥感与数字地球研究所 一种使用对抗式生成网络去除遥感图像薄云的方法
CN112529788B (zh) * 2020-11-13 2022-08-19 北京航空航天大学 一种基于薄云厚度图估计的多光谱遥感图像薄云去除方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105574826A (zh) * 2015-12-16 2016-05-11 中国科学院深圳先进技术研究院 遥感影像的薄云去除方法
CN108460739A (zh) * 2018-03-02 2018-08-28 北京航空航天大学 一种基于生成对抗网络的遥感图像薄云去除方法
CN110047045A (zh) * 2019-04-10 2019-07-23 新疆大学 去除遥感图像中薄云的方法及装置
CN110287898A (zh) * 2019-06-27 2019-09-27 苏州中科天启遥感科技有限公司 一种光学卫星遥感影像云检测方法
CN112288640A (zh) * 2020-07-21 2021-01-29 中国地质大学（武汉） 一种抑制sar图像相干斑噪声的方法、***和终端设备
CN112862729A (zh) * 2021-03-30 2021-05-28 湖北地信科技集团股份有限公司 一种基于特征曲线指导的遥感图像去噪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
"基于无抽样小波的遥感影像薄云检测与去除";陈奋 等;《武汉大学学报 信息科学版》;20070131;第32卷(第1期);第71-74页 *
"自适应滤波的高分辨率遥感影像薄云去除算法";贺辉 等;《地球信息科学学报》;20090630;第11卷(第3期);第305-311页 *

Also Published As

Publication number Publication date
CN113298836A (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
US20220044375A1 (en) Saliency Map Enhancement-Based Infrared and Visible Light Fusion Method
Makarau et al. Haze detection and removal in remotely sensed multispectral imagery
Huang et al. Cloud removal from optical satellite imagery with SAR imagery using sparse representation
KR101580585B1 (ko) 전정색영상과 적외선영상의 융합 방법 및 장치
Li et al. Single image dehazing using the change of detail prior
KR102261532B1 (ko) 단일 스케일 영상 융합에 기반한 안개 제거 시스템 및 방법
CN106920220A (zh) 基于暗原色和交替方向乘子法优化的湍流图像盲复原方法
Chaudhry et al. A framework for outdoor RGB image enhancement and dehazing
CN103914813A (zh) 彩色雾霾图像去雾与光照补偿的复原方法
EP0839361A1 (en) Image enhancement
CN110035239B (zh) 一种基于灰度—梯度优化的多积分时间红外图像融合方法
KR101928391B1 (ko) 다중분광 영상과 레이더 영상의 융합방법 및 장치
Teke Satellite image processing workflow for RASAT and Göktürk-2
CN103886559B (zh) 一种光谱图像处理方法
Kang et al. Fog model-based hyperspectral image defogging
CN116935214B (zh) 一种卫星多源遥感数据的时空谱融合方法
CN113222877A (zh) 红外和可见光图像融合方法及其在机载光电视频中的应用
CN113298836B (zh) 一种顾及要素轮廓强度的遥感图像薄云去除方法及***
Yu et al. Image and video dehazing using view-based cluster segmentation
CN104050638A (zh) 一种结合尺度优选的显著法红外小目标增强方法
Ju et al. Remote sensing image haze removal using gamma-correction-based dehazing model
Luo et al. An evolutionary shadow correction network and a benchmark UAV dataset for remote sensing images
Shi et al. A novel thin cloud removal method based on multiscale dark channel prior (MDCP)
Hoan et al. Cloud removal of optical image using SAR data for ALOS applications. Experimenting on simulated ALOS data
CN109410142B (zh) 一种基于图像质量评价最优的去雾方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant