CN113449788B - 一种可见光、近红外遥感影像云检测方法 - Google Patents
一种可见光、近红外遥感影像云检测方法 Download PDFInfo
- Publication number
- CN113449788B CN113449788B CN202110705506.2A CN202110705506A CN113449788B CN 113449788 B CN113449788 B CN 113449788B CN 202110705506 A CN202110705506 A CN 202110705506A CN 113449788 B CN113449788 B CN 113449788B
- Authority
- CN
- China
- Prior art keywords
- cloud
- reflectivity
- image
- index
- near infrared
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000002310 reflectometry Methods 0.000 claims abstract description 60
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 230000003595 spectral effect Effects 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims abstract description 14
- 238000012805 post-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 3
- 230000014509 gene expression Effects 0.000 claims description 21
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 7
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000004069 differentiation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000023004 detection of visible light Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种可见光、近红外遥感影像云检测方法,涉及图像处理技术领域,包括如下步骤:选取可见光、近红外影像的反射率、光谱指数、纹理和结构特征,以对云的特征进行数学表征;结合影像的暗通道反射率、归一化植被指数和白度指数,提出了一种训练样本自动提取算法,使用白度指数作为细节信息提取数据源,精确提取云和非云训练样本;基于样本及其特征描述,采用支持向量机分类对可见光、近红外遥感影像进行初分类;在支持向量机分类基础上进行导向滤波、孔洞填充和几何判断后处理,以获取最终的云检测结果。本发明提出的算法过程无须人工标注样本,无须大量的先验知识,降低了使用门槛,提高了实用性。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种可见光、近红外遥感影像云检测方法。
背景技术
在过去的十年中,针对各种传感器,科研人员提出了不同的云检测算法。总体来看,这些算法可以分为三类,即监督分类、非监督分类和半监督分类方法。其中,非监督分类方法无需知道云与非云样本的先验知识,即可依据一定规则实现云与非云区域的识别。
现有的半监督云检测方法主要使用多波段影像和可见光三波段影像。但存在如下问题:多波段影像常使用热红外信息实现云与冰雪的分离,可是并不是所有传感器都含有热红外通道;可见光三波段影像难以高精度区分冰雪与云、浑浊水体与云、高亮建筑物与云等。
目前,Li等(2017)利用了光谱、纹理和几何信息,通过逐步细化过程,实现了4波段高分数据的云检测,取得了较好的结果。但是该方法涉及了大量与GF-1数据相关先验参数,这些阈值并不能直接应用于其他可见光、近红外遥感数据中。
发明内容
本发明的目的在于提供一种可见光、近红外遥感影像云检测方法,以解决现有技术中先验参数使用量大、算法使用门槛高的技术问题。
本发明提供一种可见光、近红外遥感影像云检测方法,包括如下步骤:
S1,特征提取:选取可见光、近红外影像的反射率、光谱指数、纹理和结构特征,以对云的特征进行数学表征;
S2,训练样本选择:结合影像的暗通道反射率、归一化植被指数和白度指数,提出了一种训练样本自动提取算法,使用白度指数作为细节信息提取数据源,精确提取云和非云训练样本;
S3,支持向量机分类:基于样本及其特征描述,采用支持向量机分类对可见光、近红外遥感影像进行初分类;
S4,后处理:在支持向量机分类基础上进行导向滤波、孔洞填充和几何判断后处理,以获取最终的云检测结果。
进一步,所述特征提取包括如下步骤:
S11,反射率特征:
令每个像素点的反射率特征为FR,则FR的表达式为:
FR={RB,RG,RR,RNIR,RDC}
其中,RB、RG、RR和RNIR分别表示蓝、绿、红和近红外波段的反射率,RDC表示该四波段图像的暗通道图像。
S12,光谱指数特征:
每个像素点的光谱指数FI的表达式为:
FI={NDVI,Whiteness}
其中,NDVI表示归一化植被指数,其定义式为:
即近红外与红光波段的反射率差值除以二者的和值;
其中,Whiteness是白度因子,并对其进行改进,其改进的定义式如下:
M=(RB+RG+RR+RNIR)/4
其中i=1,2,3,4分别表示遥感影像的蓝、绿、红和近红外四个波段序号。
S13,纹理特征:
使用Gabor特征来描述图像纹理信息的特征,Gabor滤波器的定义式如下:
其中,
x′=xcosθ+ysinθ
y′=-xsinθ+ycosθ
其中,λ为使用的正弦函数的波长,θ表示其方向,σ是高斯函数的方差。
S14,结构特征:
对于输入图像I,结构特征S的表达式为:
其中,ε是一个小常数,N为图像数,λ为平衡值,φx、φy(i)、Ψx(i)和Ψy(i)表示为窗口内的绝对空间差异,其定义式为:
其中,gi,j为权值函数,其计算公式为:
进一步,在所述反射率特征、光谱指数特征、纹理特征和结构特征获取之后,将各维特征进行归一化处理,其计算公式为:
其中,F’和F是归一化后和归一化前的特征,Fmax和Fmin为该维特征的最大值和最小值。
进一步,所述训练样本选择包括如下步骤:
S21,暗通道反射率判断:
采用改进Otsu方法实现云与背景的区分,Otsu阈值的获得可通过优化如下方程获得:
其中,
pi是取值为i的概率,由于暗通道反射率的取值范围为0~1,现将其线性拉伸为0~255,最终获得的阈值T′为:
S22,NDVI判断:
设定阈值为α,即当某像素的NDVI<α时,被划分为水体,当NDVI>α时,被划分为潜在云区域。
S23,Whiteness判断:
使用多尺度边缘保持分解方法MED获取Whiteness指数图像在不同尺度上的细节信息D,其表达式为:
D=MED(Whiteness)
采用Otsu方法将上述细节信息D二值化,将二值化后值为1的区域认定为细节信息,这部分像素点被划分为非云样本,将二值化后值为0的区域认定为非细节区域,这些像素点被划分为云样本区域。
进一步,通过所述暗通道反射率判断、NDVI判断和Whiteness判断三个步骤,可以获得场景图像中的云样本和非云样本,给定这些样本区域的反射率特征、光谱指数特征、纹理特征和结构特征,即可训练支持向量机分类器,通过该分类器,即可实现初步云检测。
进一步,所述后处理选择包括如下步骤:
S41,导向滤波:导向滤波包含输入图像I,引导图像G和经过滤波后得到输出图像Q,导向滤波的一个重要假设是输出图像Q和引导图像G在滤波窗口ωk上存在局部线性关系,其表达式为:
以保证在一个局部区域里,如引导图像G有一个边缘时,输出图像Q也保持边缘不变,上式中的αk和βk为:
βk=Ik-αkμk
S42,孔洞填充:将像素数小于一定像素数量的孔洞进行填充,若存在像素数大于该数量的孔洞,则认为该部分为无云区域,不予填充;
S43,几何判断:采用分型维度指数FRAC和长宽比LWR进行判别,其中,某个云区域的长宽尤其是外接最小椭圆长轴和短轴的表达式:
如果几何形状较为简单,则FRAC的值接近1,如果几何形状非常复杂,则FRAC的值接近2,如果几何形状非常狭长,则LWR的值较大。
进一步,在反射率特征步骤中,一般情况下,若某个测量点的四个通道都有较高的反射率,那么该点具有较高的概率为云。
进一步,在光谱指数特征步骤中,NDVI还可用于判断水体,以更好地区分薄云和浑浊水体。
与现有技术相比较,本发明的有益效果在于:
(1)本发明提出了一种训练样本自动提取算法,该算法创新性使用白度指数作为细节信息提取数据源,并结合影像的暗通道反射率、归一化植被指数,能够精确提取云和非云训练样本,使得整个算法过程无须人工标注样本。
(2)本发明充分利用近红外通道进行特征和训练样本提取,并规避了大量先验参数的使用,形成一种更通用的云检测算法,降低了算法使用门槛,提升了算法的应用能力。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的云检测流程图;
图2为本发明的训练样本提取流程图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
通常在此处附图中描述和显示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。
基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合图1至图2所示,本发明实施例提供了一种可见光、近红外遥感影像云检测方法,包括如下步骤:
S1,特征提取:选取可见光、近红外影像的反射率、光谱指数、纹理和结构特征,以对云的特征进行数学表征;
S2,训练样本选择:结合影像的暗通道反射率、归一化植被指数和白度指数,提出了一种训练样本自动提取算法,使用白度指数作为细节信息提取数据源,精确提取云和非云训练样本;
S3,支持向量机分类:基于样本及其特征描述,采用支持向量机分类对可见光、近红外遥感影像进行初分类;
S4,后处理:在支持向量机分类基础上进行导向滤波、孔洞填充和几何判断后处理,以获取最终的云检测结果。
具体地,所述特征提取包括如下步骤:
S11,反射率特征:
反射率特征是最直接的云检测特征。云在蓝、绿、红、近红外通道都具有较高的反射率。令每个像素点的反射率特征为FR,则FR的表达式为:
FR=(RB,RG,RR,RNIR,RDC}
其中,RB、RG、RR和RNIR分别表示蓝、绿、红和近红外波段的反射率,RDC表示该四波段图像的暗通道图像。
S12,光谱指数特征:
光谱指数也是云检测的有效特征之一。每个像素点的光谱指数FI的表达式为:
FI={NDVI,Whiteness}
其中,NDVI表示归一化植被指数,其定义式为:
即近红外与红光波段的反射率差值除以二者的和值,由于云在近红外、红光波段都具有较高的反射率,因此云的NDVI值一般较小。
其中,Whiteness是白度因子,并对其进行改进,其改进的定义式如下:
M=(RB+RG+RR+RNIR)/4
其中i=1,2,3,4分别表示遥感影像的蓝、绿、红和近红外四个波段序号,由于云在四个波段的反射率差异较小,因此用各波段反射率与平均值的差值的绝对值来判断四个波段反射率的差异。对于云,Whiteness值较小。
S13,纹理特征:
纹理特征描述了像素点与像素点之间的空间关系,这种关系可以用于云检测研究中。与反射率特征和光谱指数特征不同的是,反射率特征和光谱指数特征只考虑单个像素点的信息,而纹理特征包含了像素点与邻近像素点的相关信息。云覆盖的区域内的像素点之间差异较小,相对于其他地物,具有更平滑的特点。Gabor特征是一种可以用来描述图像纹理信息的特征,Gabor滤波器的频率和方向与人类的视觉***类似,特别适合于纹理表示与判别。在空间域,一个二维的Gabor滤波器是一个正弦平面波和高斯核函数的乘积。前者是调谐函数,后者是窗口函数。使用Gabor特征来描述图像纹理信息的特征,Gabor滤波器的定义式如下:
其中,
x′=xcosθ+ysinθ
y′=-xsinθ+ycosθ
其中,λ为使用的正弦函数的波长,θ表示其方向,σ是高斯函数的方差。
S14,结构特征:
与纹理特征相比,结构特征是一种更高级别的图像特征,它类似于人类视觉感知的初级知识,提供了图像内容的重要信息。由于云图内部的信息比结构信息要少,因此结构信息对于云的检测具有重要作用。对于输入图像I,结构特征S的表达式为:
其中,ε是一个小常数,N为图像数,λ为平衡值,φx、φy(i)、Ψx(i)和Ψy(i)表示为窗口内的绝对空间差异,其定义式为:
其中,gi,j为权值函数,其计算公式为:
具体地,在所述反射率特征、光谱指数特征、纹理特征和结构特征获取之后,将各维特征进行归一化处理,其计算公式为:
其中,F’和F是归一化后和归一化前的特征,Fmax和Fmin为该维特征的最大值和最小值。
具体地,为实现遥感图像云自动提取,需要从场景中提取云和非云样本,以对分类器进行训练。参阅图2,所述训练样本选择包括如下步骤:
S21,暗通道反射率判断:
在暗通道反射率图像中,云具有较高的反射率,而背景则具有较低的反射率。采用改进Otsu方法实现云与背景的区分,Otsu方法假设图像中存在两种类别,通过计算获得阈值,该阈值使得类间的方差最大,Otsu阈值的获得可通过优化如下方程获得:
其中,
pi是取值为i的概率,由于暗通道反射率的取值范围为0~1,现将其线性拉伸为0~255,最终获得的阈值T'为:
当线性拉伸后的暗通道反射率与比较,若大于T',则为潜在的云区域,若小于,则为潜在的非云区域。需要注意的是,若线性拉伸后的暗通道反射率很小,如小于T'·70%,则其为云的概率极低,可直接划为非云区域,不参与后续的分类器训练。若线性拉伸后的暗通道反射率在T'·70%与T'之间,则将其划为非云样本。
S22,NDVI判断:
有些水体,由于浑浊度较高,或者镜面反射等原因,其在可见光的表现与薄云的特征类似,无法直接区分。但是,二者在近红外波段却有较大差异,因此可采用NDVI对这部分水体进行提取。设定阈值为α,即当某像素的NDVI<α时,被划分为水体,当NDVI>α时,被划分为潜在云区域。
S23,Whiteness判断:
研究发现,云区域内的反射率相对较为光滑,而非云区域内的反射率差异较大,因而在Whiteness指数图像上,云区域内的细节信息较少,而非云区域内的细节信息较多。使用多尺度边缘保持分解方法MED获取Whiteness指数图像在不同尺度上的细节信息D,其表达式为:
D=MED(Whiteness)
采用Otsu方法将上述细节信息D二值化,将二值化后值为1的区域认定为细节信息,这部分像素点被划分为非云样本,将二值化后值为0的区域认定为非细节区域,这些像素点被划分为云样本区域。
具体地,通过所述暗通道反射率判断、NDVI判断和Whiteness判断三个步骤,可以获得场景图像中的云样本和非云样本,给定这些样本区域的反射率特征、光谱指数特征、纹理特征和结构特征,即可训练支持向量机分类器,通过该分类器,即可实现初步云检测。
具体地,所述后处理选择包括如下步骤:
S41,导向滤波:导向滤波包含输入图像I,引导图像G和经过滤波后得到输出图像Q,导向滤波的一个重要假设是输出图像Q和引导图像G在滤波窗口ωk上存在局部线性关系,其表达式为:
以保证在一个局部区域里,如引导图像G有一个边缘时,输出图像Q也保持边缘不变,上式中的αk和βk为:
βk=Ik-αkμk
S42,孔洞填充:经过导向滤波后,可能会存在一个较大的云区域中,有较小的无云区域(即存在小的孔洞)。为了去除这部分孔洞的影响,将像素数小于一定像素数量的孔洞进行填充,若存在像素数大于该数量的孔洞,则认为该部分为无云区域,不予填充;
S43,几何判断:自然界中的云形状一般较为规律,不会出现及其复杂的形状,或者是长条形的形状。如果检测出来的结果中存在长条形或者复杂的形状,则可能是冰雪、水陆岸线、道路等,应予以剔除,采用分型维度指数FRAC和长宽比LWR进行判别,其中,某个云区域的长宽尤其是外接最小椭圆长轴和短轴的表达式:
如果几何形状较为简单,则FRAC的值接近1,如果几何形状非常复杂,则FRAC的值接近2,如果几何形状非常狭长,则LWR的值较大。
具体地,在反射率特征步骤中,一般情况下,若某个测量点的四个通道都有较高的反射率,那么该点具有较高的概率为云。
具体地,在光谱指数特征步骤中,NDVI还可用于判断水体,以更好地区分薄云和浑浊水体。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (4)
1.一种可见光、近红外遥感影像云检测方法,其特征在于,包括如下步骤:
S1,特征提取:选取可见光、近红外影像的反射率、光谱指数、纹理和结构特征,以对云的特征进行数学表征;
S2,训练样本选择:结合影像的暗通道反射率、归一化植被指数和白度指数,提出了一种训练样本自动提取算法,使用白度指数作为细节信息提取数据源,精确提取云和非云训练样本;
S3,支持向量机分类:基于样本及其特征描述,采用支持向量机分类对可见光、近红外遥感影像进行初分类;
S4,后处理:在支持向量机分类基础上进行导向滤波、孔洞填充和几何判断后处理,以获取最终的云检测结果;所述特征提取包括如下步骤:
S11,反射率特征:
令每个像素点的反射率特征为FR,则FR的表达式为:
FR={R1,R2,R3,R4,RDC}
其中,R1、R2、R3和R4分别表示蓝、绿、红和近红外波段的反射率,RDC表示该四波段图像的暗通道图像;
S12,光谱指数特征:
每个像素点的光谱指数FI的表达式为:
FI={NDVI,Whiteness}
其中,NDVI表示归一化植被指数,其定义式为:
即近红外与红光波段的反射率差值除以二者的和值;
其中,Whiteness是白度因子,并对其进行改进,其改进的定义式如下:
M=(R1+R2+R3+R4)/4
其中i=1,2,3,4分别表示遥感影像的蓝、绿、红和近红外四个波段序号;
S13,纹理特征:
使用Gabor特征来描述图像纹理信息的特征,Gabor滤波器的定义式如下:
其中,
x′=xcosθ+ysinθ
y′=-xsinθ+ycosθ
其中,λ为使用的正弦函数的波长,θ表示其方向,σ是高斯函数的方差;
S14,结构特征:
对于输入图像I,结构特征S的表达式为:
其中,ε是一个小常数,N为图像数,λ为平衡值,φx(i)、φy(i)、Ψx(i)和Ψy(i)表示为窗口内的绝对空间差异,其定义式为:
其中,gi,j为权值函数,其计算公式为:
在所述反射率特征、光谱指数特征、纹理特征和结构特征获取之后,将各维特征进行归一化处理,其计算公式为:
其中,F’和F是归一化后和归一化前的特征,Fmax和Fmin为该维特征的最大值和最小值;所述训练样本选择包括如下步骤:
S21,暗通道反射率判断:
采用改进Otsu方法实现云与背景的区分,Otsu阈值的获得可通过优化如下方程获得:
其中,
pi是取值为i的概率,由于暗通道反射率的取值范围为0~1,现将其线性拉伸为0~255,最终获得的阈值T'为:
S22,NDVI判断:
设定阈值为α,即当某像素的NDVI<α时,被划分为水体,当NDVI>α时,被划分为潜在云区域;
S23,Whiteness判断:
使用多尺度边缘保持分解方法MED获取Whiteness指数图像在不同尺度上的细节信息D,其表达式为:
D=MED(Whiteness)
采用Otsu方法将上述细节信息D二值化,将二值化后值为1的区域认定为细节信息,这部分像素点被划分为非云样本,将二值化后值为0的区域认定为非细节区域,这些像素点被划分为云样本区域;
通过所述暗通道反射率判断、NDVI判断和Whiteness判断三个步骤,可以获得场景图像中的云样本和非云样本,给定这些样本区域的反射率特征、光谱指数特征、纹理特征和结构特征,即可训练支持向量机分类器,通过该分类器,即可实现初步云检测。
2.根据权利要求1所述的一种可见光、近红外遥感影像云检测方法,其特征在于,所述后处理选择包括如下步骤:
S41,导向滤波:导向滤波包含输入图像I,引导图像G和经过滤波后得到输出图像Q,导向滤波的一个重要假设是输出图像Q和引导图像G在滤波窗口ωk上存在局部线性关系,其表达式为:
以保证在一个局部区域里,当引导图像G有一个边缘时,输出图像Q也保持边缘不变,上式中αk和βk的表达式为:
S42,孔洞填充:将像素数小于一定像素数量的孔洞进行填充,若存在像素数大于该数量的孔洞,则认为该部分为无云区域,不予填充;
S43,几何判断:采用分型维度指数FRAC和长宽比LWR进行判别,其中,某个云区域的长宽是外接最小椭圆长轴和短轴的表达式:
如果几何形状较为简单,则FRAC的值接近1,如果几何形状非常复杂,则FRAC的值接近2,如果几何形状非常狭长,则LWR的值较大。
3.根据权利要求1所述的一种可见光、近红外遥感影像云检测方法,其特征在于,在反射率特征步骤中,一般情况下,若某个测量点的四个通道都有较高的反射率,那么该点具有较高的概率为云。
4.根据权利要求1所述的一种可见光、近红外遥感影像云检测方法,其特征在于,在光谱指数特征步骤中,NDVI还可用于判断水体,以更好地区分薄云和浑浊水体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705506.2A CN113449788B (zh) | 2021-06-24 | 2021-06-24 | 一种可见光、近红外遥感影像云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705506.2A CN113449788B (zh) | 2021-06-24 | 2021-06-24 | 一种可见光、近红外遥感影像云检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449788A CN113449788A (zh) | 2021-09-28 |
CN113449788B true CN113449788B (zh) | 2023-04-28 |
Family
ID=77812427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110705506.2A Active CN113449788B (zh) | 2021-06-24 | 2021-06-24 | 一种可见光、近红外遥感影像云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449788B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114112987B (zh) * | 2021-11-23 | 2024-05-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 冬小麦判识阈值确定方法以及冬小麦判识方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102799903B (zh) * | 2012-07-18 | 2014-10-22 | 中国科学院自动化研究所 | 一种基于空间与光谱信息的高光谱自动云检测方法 |
US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN105678777B (zh) * | 2016-01-12 | 2018-03-13 | 武汉大学 | 一种多特征联合的光学卫星影像云与云阴影检测方法 |
CN108629297A (zh) * | 2018-04-19 | 2018-10-09 | 北京理工大学 | 一种基于空域自然场景统计的遥感图像云检测方法 |
CN109376600A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 多光谱遥感影像综合特征云检测方法及装置 |
CN110472682B (zh) * | 2019-08-13 | 2023-04-18 | 辽宁工程技术大学 | 一种顾及空间和局部特征的高光谱遥感影像分类方法 |
CN112200787B (zh) * | 2020-10-15 | 2022-12-02 | 中国科学院空天信息创新研究院 | 光学遥感影像的云检测方法、存储介质及*** |
-
2021
- 2021-06-24 CN CN202110705506.2A patent/CN113449788B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113449788A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pérez-Zavala et al. | A pattern recognition strategy for visual grape bunch detection in vineyards | |
Karvonen | Baltic sea ice SAR segmentation and classification using modified pulse-coupled neural networks | |
Li et al. | Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery | |
Kasmi et al. | Classification of malignant melanoma and benign skin lesions: implementation of automatic ABCD rule | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
US8488863B2 (en) | Combinational pixel-by-pixel and object-level classifying, segmenting, and agglomerating in performing quantitative image analysis that distinguishes between healthy non-cancerous and cancerous cell nuclei and delineates nuclear, cytoplasm, and stromal material objects from stained biological tissue materials | |
Kudva et al. | Detection of specular reflection and segmentation of cervix region in uterine cervix images for cervical cancer screening | |
US20170169276A1 (en) | Systems and methods for automated screening and prognosis of cancer from whole-slide biopsy images | |
US20160314567A1 (en) | Systems and methods for image/video recoloring, color standardization, and multimedia analytics | |
US11017507B2 (en) | Image processing device for detection and correction of cloud cover, image processing method and storage medium | |
CN104463853A (zh) | 一种基于图像分割的阴影检测与去除算法 | |
CN109871884B (zh) | 一种融合多特征的支持向量机面向对象遥感影像分类方法 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN104217196A (zh) | 一种遥感影像圆形油罐自动检测方法 | |
CN109409389B (zh) | 一种融合多特征的面向对象变化检测方法 | |
CN113449788B (zh) | 一种可见光、近红外遥感影像云检测方法 | |
CN114359539A (zh) | 一种生鱼片中寄生虫高光谱图像智能识别方法 | |
Mathew et al. | Transform based bleeding detection technique for endoscopic images | |
WO2019184269A1 (zh) | 基于Landsat8含雪影像的云检测方法 | |
Azevedo et al. | Shadow detection using object area-based and morphological filtering for very high-resolution satellite imagery of urban areas | |
CN113658207A (zh) | 一种基于引导滤波的视网膜血管分割方法及装置 | |
Prigent et al. | Spectral analysis and unsupervised svm classification for skin hyper-pigmentation classification | |
CN117132594A (zh) | 基于高光谱图像的地下水微塑料智能检测方法 | |
CN112802074A (zh) | 一种基于光照校正与视觉显著特征的纺织品瑕疵检测方法 |
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 |