CN114049566B - 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 - Google Patents
一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 Download PDFInfo
- Publication number
- CN114049566B CN114049566B CN202111314693.8A CN202111314693A CN114049566B CN 114049566 B CN114049566 B CN 114049566B CN 202111314693 A CN202111314693 A CN 202111314693A CN 114049566 B CN114049566 B CN 114049566B
- Authority
- CN
- China
- Prior art keywords
- cloud
- pixel
- shadow
- image
- initial
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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)
- Image Processing (AREA)
Abstract
本发明公开了一种逐步细化的陆地卫星影像云和云阴影检测方法及装置,该方法包括:基于云的物理性质,提取出待检测的陆地卫星影像中的亮像元,生成初始云图层,并基于云的时间和光谱特征,对初始云图层进行逐步细化,以从初始云图层中剔除非云的亮像元,并保留真实的云像元,得到云检测结果;基于云阴影的物理性质,提取出待检测的陆地卫星影像中的暗像元,生成初始云阴影图层,并基于云和云阴影之间的时间随机性、光谱特征、形状特征、几何关系以及共存关系,对初始云阴影图层进行逐步细化,以从初始云阴影图层中剔除非云阴影的暗像元,并保留真实的云阴影像元,得到云阴影检测结果。本发明可以实现准确的陆地卫星数据中云和云阴影的自动化检测。
Description
技术领域
本发明涉及遥感影像云和云阴影检测技术领域,特别涉及一种逐步细化的陆地卫星影像云和云阴影检测方法及装置。
背景技术
陆地卫星(Landsat)自发射以来已有40多年,积累了大量数据,是世界上最有价值的地球观测数据之一。由于陆地卫星数据所具有的高空间分辨率、高时间分辨率、免费数据访问、数据长期连续等特点,陆地卫星数据被广泛应用于土地利用分类、参数提取、变化检测等领域。但陆地卫星数据作为一种光学数据,其不可避免地受到云和云阴影的污染,遮盖了原始的地物目标,大大减少了影像的数量和可用性。此外,云和云阴影的存在会影响地物的原始光谱反射率信息,并直接影响后续基于这些数据的遥感应用的准确性和可靠性。因此,在利用陆地卫星数据进行分析和应用之前,必须去除影像中存在的云噪声,这是陆地卫星影像预处理中非常重要的基础。人工解译法是早期的一种利用人眼识别和手工勾画云和云阴影的方法,但人工解译影像的方法费时费力,只适用于有限的区域和少量的数据情况,不能满足大数据时代下的大规模、长时序的遥感应用需求。所以,自动化的云和云阴影检测方法是解决该问题的有效办法。
近年来,研究学者们发展了许多自动化的基于陆地卫星数据的云和云阴影检测算法。其中,应用最为广泛的是FMASK算法。
FMASK算法是一种当前应用广泛的陆地卫星影像云和云阴影检测的方法。首先,FMASK算法通过直接条件约束的方式,基于云的物理性质进行云检测。这种直接约束的检测思路可能造成云像元的漏检,特别是薄云的漏检。其次,FMASK方法将云视为一个完整对象,从云对象出发,通过估计云高来构建三维立体模型,进行基于对象的云阴影匹配和检测。以往的云阴影检测算法多采用云和云阴影的几何匹配方法,都是从云像元出发进行云阴影的匹配。但实际上,有时候有云不一定有云阴影。如果从云像元出发匹配云阴影,则不论实际情况是否有云阴影,每个云都会匹配上一个云阴影。由于云高估计的不准确及“有云不一定有云阴影”的现实情况,采用基于对象的云和云阴影三维对象形状匹配可能造成云阴影的过检和错检。
发明内容
本发明提供了一种逐步细化的陆地卫星影像云和云阴影检测方法及装置,以解决现有技术容易造成云像元的漏检以及云阴影的过检和错检的技术问题。
为解决上述技术问题,本发明提供了如下技术方案:
一方面,本发明提供了一种逐步细化的陆地卫星影像云和云阴影检测方法,该逐步细化的陆地卫星影像云和云阴影检测方法包括:
基于云的物理性质,提取出待检测的陆地卫星影像中的亮像元,生成初始云图层;其中,所述亮像元为地表反射率大于第一预设值的像元;
基于云的时间和光谱特征,对所述初始云图层进行逐步细化,以从所述初始云图层中剔除非云的亮像元,并保留真实的云像元,得到云检测结果;
基于云阴影的物理性质,提取出待检测的陆地卫星影像中的暗像元,生成初始云阴影图层;其中,所述暗像元为地表反射率小于第二预设值的像元;
基于云和云阴影之间的时间随机性、光谱特征、形状特征、几何关系以及“有云阴影则一定有云”的共存关系,对所述初始云阴影图层进行逐步细化,以从所述初始云阴影图层中剔除非云阴影的暗像元,并保留真实的云阴影像元,得到云阴影检测结果。
进一步地,所述亮像元为待检测的陆地卫星影像中满足以下条件的像元:
BBlue>0.05 and BSWIR1>0.03
其中,BBlue表示像元的蓝光波段反射率,BSWIR1表示像元的短波红外波段反射率。
进一步地,所述基于云的时间和光谱特征,对所述初始云图层进行逐步细化,以从所述初始云图层中剔除非云的亮像元,并保留真实的云像元,包括:
对所述初始云图层进行第一次过滤,剔除满足以下条件的像元:
BBlue-0.5*BRed-0.08<0
其中,BBlue表示像元的蓝光波段反射率,BRed表示像元的红光波段反射率;
对第一次过滤结果进行第二次过滤,剔除满足以下条件的像元:
BT>23 and NBLI<-0.2 and Pcloud>90%
NBLI=BRed-BTIR/BRed+BTIR
Pcloud=Abright/N
其中,BT表示亮度温度换算得到的地表温度,单位为摄氏度,NBLI表示归一化裸地指数,Pcloud表示当前亮像元出现的频率,BTIR代表热红外波段亮度温度,Abright是该像元在所有影像初始检测中被判断为亮目标的次数,N是参与计算的所有影像总数;
对第二次过滤结果进行第三次过滤,剔除满足以下条件的像元:
NDSI>0.8
NDSI=BGreen-BSWIR1/BGreen+BSWIR1
其中,NDSI表示归一化积雪指数,BGreen表示像元的绿光波段反射率,BSWIR1表示像元的短波红外波段反射率;
对第三次过滤结果进行第四次过滤,剔除满足以下条件的像元:
BSWIR1/BNIR>1.4
其中,BNIR表示像元的近红外波段反射率;
对第四次过滤结果进行第五次过滤,剔除满足以下条件的像元:
NDVI>0.8
NDVI=BNIR-BRed/BNIR+BRed
其中,NDVI表示归一化植被指数。
进一步地,所述暗像元为待检测的陆地卫星影像中满足以下条件的像元:
BGreen<0.08 and BNIR<0.25 and BSWIR1<0.11
其中,BGreen表示像元的绿光波段反射率,BNIR表示像元的近红外波段反射率,BSWIR1表示像元的短波红外波段反射率。
进一步地,所述基于云和云阴影之间的时间随机性、光谱特征、形状特征、几何关系和“有云阴影则一定有云”的共存关系,对所述初始云阴影图层进行逐步细化,以从所述初始云阴影图层中剔除非云阴影的暗像元,并保留真实的云阴影像元,包括:
对所述初始云阴影图层进行第一次过滤,剔除满足以下条件的像元:
Pshadow>90%
Pshadow=Adark/N
其中,Pshadow表示当前暗像元出现的频率,Adark表示该像元在所有影像初始检测中被判断为暗目标的次数,N是参与计算的所有影像总数;
根据所述初始云阴影图层的第一次过滤结果,利用云和云阴影的“有云阴影则一定有云”的共存关系,以及太阳、云和云阴影的几何关系,基于方位角和高度角计算搜索方向,基于恒温递减率和影像的温度分位数计算确定搜索半径,从当前暗像元出发,在搜索半径内进行云像元的检索,判断是否有云像元存在;
如果在搜索半径范围内没有找到云像元,则判断当前的暗像元不是一个真正的云阴影像元,将当前暗像元予以剔除;
如果在搜索半径范围内有云像元存在,则对当前暗像元和搜索到的云像元进行形态学判断,判断二者的形状指数是否满足相似性约束;
如果不满足相似性约束条件,则将当前暗像元予以剔除。
另一方面,本发明还提供了一种逐步细化的陆地卫星影像云和云阴影检测装置,该逐步细化的陆地卫星影像云和云阴影检测装置包括:
云检测模块,用于基于云的物理性质,提取出待检测的陆地卫星影像中的亮像元,生成初始云图层;基于云的时间和光谱特征,对所述初始云图层进行逐步细化,以从所述初始云图层中剔除非云的亮像元,并保留真实的云像元,得到云检测结果;其中,所述亮像元为地表反射率大于第一预设值的像元;
云阴影检测模块,用于基于云阴影的物理性质,提取出陆地卫星影像中的暗像元,生成初始云阴影图层;基于云和云阴影之间的时间随机性、光谱特征、形状特征、几何关系以及“有云阴影则一定有云”的共存关系,对所述初始云阴影图层进行逐步细化,以从所述初始云阴影图层中剔除非云阴影的暗像元,并保留真实的云阴影像元,得到云阴影检测结果;其中,所述暗像元为地表反射率小于第二预设值的像元。
进一步地,所述亮像元为待检测的陆地卫星影像中满足以下条件的像元:
BBlue>0.05 and BSWIR1>0.03
其中,BBlue表示像元的蓝光波段反射率,BSWIR1表示像元的短波红外波段反射率。
进一步地,所述云检测模块具体用于:
对所述初始云图层进行第一次过滤,剔除满足以下条件的像元:
BBlue-0.5*BRed-0.08<0
其中,BBlue表示像元的蓝光波段反射率,BRed表示像元的红光波段反射率;
对第一次过滤结果进行第二次过滤,剔除满足以下条件的像元:
BT>23 and NBLI<-0.2 and Pcloud>90%
NBLI=BRed-BTIR/BRed+BTIR
Pcloud=Abright/N
其中,BT亮度温度换算得到的地表温度,单位为摄氏度,NBLI表示归一化裸地指数,Pcloud表示当前亮像元出现的频率,BTIR代表热红外波段亮度温度,Abright是该像元在所有影像初始检测中被判断为亮目标的次数,N是参与计算的所有影像总数;
对第二次过滤结果进行第三次过滤,剔除满足以下条件的像元:
NDSI>0.8
NDSI=BGreen-BSWIR1/BGreen+BSWIR1
其中,NDSI表示归一化积雪指数,BGreen表示像元的绿光波段反射率,BSWIR1表示像元的短波红外波段反射率;
对第三次过滤结果进行第四次过滤,剔除满足以下条件的像元:
BSWIR1/BNIR>1.4
其中,BNIR表示像元的近红外波段反射率;
对第四次过滤结果进行第五次过滤,剔除满足以下条件的像元:
NDVI>0.8
NDVI=BNIR-BRed/BNIR+BRed
其中,NDVI表示归一化植被指数。
进一步地,所述暗像元为待检测的陆地卫星影像中满足以下条件的像元:
BGreen<0.08 and BNIR<0.25 and BSWIR1<0.11
其中,BGreen表示像元的绿光波段反射率,BNIR表示像元的近红外波段反射率,BSWIR1表示像元的短波红外波段反射率。
进一步地,所述云阴影检测模块具体用于:
对所述初始云阴影图层进行第一次过滤,剔除满足以下条件的像元:
Pshadow>90%
Pshadow=Adark/N
其中,Pshadow表示当前暗像元出现的频率,Adark表示该像元在所有影像初始检测中被判断为暗目标的次数,N是参与计算的所有影像总数;
根据所述初始云阴影图层的第一次过滤结果,利用云和云阴影的“有云阴影则一定有云”的共存关系,以及太阳、云和云阴影的几何关系,基于方位角和高度角计算搜索方向,基于恒温递减率和影像的温度分位数计算确定搜索半径,从当前暗像元出发,在搜索半径内进行云像元的检索,判断是否有云像元存在;
如果在搜索半径范围内没有找到云像元,则判断当前的暗像元不是一个真正的云阴影像元,将当前暗像元予以剔除;
如果在搜索半径范围内有云像元存在,则对当前暗像元和搜索到的云像元进行形态学判断,判断二者的形状指数是否满足相似性约束;
如果不满足相似性约束条件,则将当前暗像元予以剔除。
再一方面,本发明还提供了一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
又一方面,本发明还提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述指令由处理器加载并执行以实现上述方法。
本发明提供的技术方案带来的有益效果至少包括:
1.本发明实现了云的准确检测,特别是薄云的检测,提高了检测效果和精度;
2.本发明避免了从云出发寻找云阴影带来的误差,实现了云阴影的范围和位置的准确检测;
3.本发明实现了云和云阴影的准确检测,完善了陆地卫星数据预处理流程,为陆地卫星数据的后续应用打下了坚实的基础。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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为本发明实施例提供的逐步细化的陆地卫星影像云和云阴影检测方法的执行流程示意图;
图2为本发明实施例提供的逐步细化的陆地卫星影像云和云阴影检测方法与传统的FMASK算法的检测结果对比图;
图3为本发明实施例提供的逐步细化的陆地卫星影像云和云阴影检测方法与传统的FMASK算法的另一检测结果对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
第一实施例
本实施例提供了一种逐步细化的陆地卫星影像云和云阴影检测方法,本方法可以由电子设备实现,该电子设备可以是终端或者服务器。本方法的总体思路是采用逐步细化的思想,先利用较为宽松的阈值约束,尽可能多地找到影像中的疑似云和云阴影像元,生成初始图层,避免在初始检测中就丢失可能的云和云阴影像元;再结合云和云阴影的随机性、形状相似等特征约束对初始图层进行逐步排除和细化,最终确定正确的云和云阴影检测结果。
具体地,如图1所示,本方法主要包括云检测和云阴影检测两部分。其中,云检测的主要思想是根据云的物理性质,先利用较为宽松的阈值约束在图像中找到尽可能多的明亮目标,并生成初始云图层。然后基于云在时间和空间上的随机性以及温度低等特点,利用云的时间和光谱特征来对初始云层进行逐步排除和细化。从初始云层中逐步剔除非云的明亮像元,保留真实的云像元。。云阴影的检测与云检测相似,云阴影检测主要包括两个步骤:初始检测和细化检测。首先,利用云阴影的暗特征来检测初始的云阴影图层,在初始检测中先利用宽松的约束条件找到影像中尽可能多的暗目标,避免在初始检测中就遗漏可能的云阴影像元。其次,基于云阴影在时间和空间上的随机性,以及云和云阴影形状相似且“有云阴影则一定有云”的共存关系等特点,结合云阴影的时间随机性、光谱特征,以及云和云阴影之间的形状特征、几何关系和共存关系来逐步剔除初始图层中的非云阴影的暗像元,细化初始云阴影图层,在避免其他暗物体的干扰的同时尽可能地保留真实的云阴影像元。现详细说明如下:
1.云检测
1.1初始云检测
在初始云检测阶段,以陆地卫星影像的地表反射率数据作为输入数据,基于云的物理性质提取影像中的亮像元,生成初始云图层。在初始检测中,采用较为宽松的约束条件,先将尽可能多的明亮目标找到,避免在初始检测中就遗漏可能的云像元。其原理为:相较于地表的大部分其他地物,云在几乎各个波段上都表现出很高的反射率,所以云在影像上以亮目标的形式存在。特别的,在地物的光谱波段表现中,云在蓝光波段和短波红外波段与其他晴空像元有更大的区分度。所以,本实施例利用蓝光和短波红外波段的反射率来提取影像中的亮目标,生成初始云图层。如下式:
BBlue>0.05 and BSWIR1>0.03
式中,BBlue表示像元蓝光波段反射率,BSWIR1表示像元短波红外波段反射率。
需要说明的是,初始云检测的目的为:先将尽可能多的潜在云像元都先检测出来,得到初始云图层,作为后续细化的基础。
1.2云图层逐步细化
在1.1得到的结果基础上,结合云的时间和光谱特征来对初始云图层进行逐步细化,剔除其中非云的亮像元,并保留真实的云像元,得到云检测结果。
此步骤的目的为:初始云检测中得到的初始云图层包含了影像中所有的亮目标,除了云之外,还有许多不是云的亮目标,例如建设用地、明亮植被、雪等。这些非云亮像元的存在会对云检测的结果产生干扰。所以,需要对初始云图层进行二次优化,将不是云的亮目标剔除,留下真正的云像元。
1.2.1结合HOT(Haze optimal transformation,烟雾最优变换)约束对初始云图层进行第一次过滤,晴空条件下的许多陆表覆盖类型在红-蓝光谱空间有很好的线性关系,而被云污染的像元在红-蓝光谱空间的光谱响应和HOT定义的晴空线有很大差别。所以可以利用HOT指数进行云和晴空像元的分离,剔除满足以下条件的像元:
BBlue-0.5*BRed-0.08<0
式中,BBlue表示像元蓝光波段反射率,BRed表示像元红光波段反射率。
目的:利用该约束将符合晴空约束条件的晴空像元从初始云图层中进行剔除。
1.2.2云具有“冷”的特点,而且在时间和空间上表现出随机出现的特点,而建设用地等地物在时间序列上相对稳定。在经过1.2.1的过滤处理后,结合光谱、温度和时间序列概率约束条件,将那些诸如建设用地等温度比较高,而且在时间和空间上相对稳定的非云亮目标地物从初始云图层中进行剔除,也即剔除满足以下条件的像元:
BT>23 and NBLI<-0.2 and Pcloud>90%
NBLI=BRed-BTIR/BRed+BTIR (1)
Pcloud=Abright/N (2)
式中,BT表示亮度温度换算得到的地表温度,单位为摄氏度,NBLI表示归一化裸地指数,计算公式如式(1)所示。Pcloud表示亮像元出现的频率,计算公式如式(2)所示。BTIR表示热红外波段亮度温度,BRed表示像元红光波段反射率。Abright表示该像元在所有影像初始检测中被判断为亮目标的次数,N是参与计算的所有影像总数。需要说明的是,地表反射率数据的时间序列的长度越长,参与计算的影像数量越多,Pcloud值就越具有代表性。Pcloud的阈值可以根据数据情况、检测区域特点等进行调整。Pcloud值越大,代表约束条件越苛刻,从初始云图层中剔除的像元越少,反之,则剔除的像元越多。
目的:云具有“冷”的特点,而且在时间和空间上表现出随机的特征,而建设用地等地物在时间序列上相对稳定。利用该约束,在去除温暖地物的同时,尽可能保留薄云。
1.2.3在经过1.2.2过滤后,结合NDSI将雪从初始云图层中进行剔除。
NDSI>0.8
NDSI=BGreen-BSWIR1/BGreen+BSWIR1 (3)
式中,NDSI表示归一化积雪指数,能够有效进行云和雪的区分。其计算公式如式(3)所示,BGreen表示像元绿光波段反射率,BSWIR1表示像元短波红外波段反射率。
目的:利用该约束,去除初始云图层中的雪像元。
1.2.4在经过1.2.3过滤后,可能与云发生混淆的非云亮目标还有岩石、沙漠等,这些地物在短波红外波段的反射率比近红外波段更高,而云相反。所以,本方法剔除满足以下条件的像元,来进行初始云图层的进一步细化。
BSWIR1/BNIR>1.4
式中,BSWIR1表示像元短波红外波段反射率,BNIR表示像元近红外波段反射率。
目的:利用该约束,去除初始云图层中的岩石、沙漠等非云亮像元。
1.2.5生长状况较好的植被在影像上也表现出相对明亮的特征,容易与云发生混淆。在经过1.2.4过滤后,结合NDVI对初始云图层中的这部分混淆像元进行剔除。对比这些明亮植被和云的光谱特征可以发现,归一化植被指数(NDVI)在识别植被以及与云的区分上具有很好的效果,所以结合以下条件来对这部分像元进行剔除,得到最终的云图层。
NDVI>0.8
NDVI=BNIR-BRed/BNIR+BRed (4)
式中,NDVI表示归一化植被指数,其计算公式如式(4)所示。BRed表示像元红光波段反射率,BNIR表示像元近红外波段反射率。
目的:利用该约束,去除初始云图层中的明亮植被等非云亮像元。
2.云阴影检测
与云检测类似,云阴影的检测整体上也是基于逐步细化的策略。先基于云阴影的物理性质,结合云阴影的暗特征,采用较为宽松的阈值约束条件,尽可能多地找到影像中的暗像元。再基于云阴影在时间和空间上的随机性,以及云和云阴影形状相似且“有云阴影则一定有云”的共存关系等特点,利用云阴影的时间随机性、光谱特征,以及云和云阴影之间的形状特征、几何关系和共存关系等约束条件对潜在云阴影图层进行逐步细化,剔除不是云阴影的暗像元。
2.1初始云阴影检测
利用云阴影表现出的暗特征,主要利用可见光波段进行约束,结合较为宽松的阈值约束条件,先将影像中的所有暗像元都找到,避免在初始检测中就遗漏可能的云阴影像元。云阴影和水体、地形阴影等混淆像元在光谱上表现很相似,但在近红外和短波红外上存在一定的区分度。所以,在初始云阴影检测中加入近红外和短波红外波段的约束,如下式:
BGreen<0.08 and BNIR<0.25 and BSWIR1<0.11
式中,BGreen表示像元绿光波段反射率,BNIR表示像元近红外波段反射率,BSWIR1表示像元短波红外波段反射率。
目的:在生成初始云阴影图层的同时,对水体、地形阴影等混淆像元进行初步排除。
2.2云阴影逐步细化
在2.1得到的初始云阴影图层的基础上,对非云阴影暗像元进行逐步剔除。
目的:初始云阴影图层中,包含了影像中的所有暗目标,但是影像中的暗目标不止云阴影,还存在一些可能对云阴影检测结果产生干扰的混淆像元,比如地形阴影、水体等。这些像元在影像上也表现出暗的特点,可能和云阴影发生混淆。所以需要对这部分非云阴影暗像元进行剔除。
2.2.1与地形阴影和水体相比,云阴影在时间和空间上表现出更多的随机性。所以,结合时间序列稳定性对初始云阴影图层进行约束,去除影像中稳定存在的暗像元,例如部分地形阴影,水体等。如下式:
Pshadow>90%
Pshadow=Adark/N (5)
式中,Pshadow表示暗像元出现的频率,计算公式如式(5)所示。Adark表示该像元在所有影像初始检测中被判断为暗目标的次数,N表示参与计算的所有影像总数。需要说明的是,时间序列的长度越长,参与计算的影像数量越多,Pshadow值越具有代表性。Pshadow的阈值可以根据数据情况、检测区域特点等进行调整。Pshadow值越大,代表约束条件越苛刻,从初始云阴影图层中剔除的像元越少,反之,则剔除的像元越多。
目的:云阴影表现出在时间和空间上的随机性,而地形阴影和水体等相对稳定。所以利用该条件将地形阴影、水体等在时间序列上表现出稳定特征的非云阴影暗像元从初始云阴影图层中进行剔除。
2.2.2有云不一定有云阴影,但是有云阴影则一定有相应的云存在。利用云和云阴影的“有云阴影则一定有云”的共存关系,以及太阳、云和云阴影的几何关系,基于方位角和高度角计算搜索方向,基于恒温递减率和影像的温度分位数计算确定搜索半径,从云阴影出发,在搜索半径内进行云像元的检索,判断是否有云像元存在。如果有,则进行下一步判断(2.2.3)。如果在搜索半径范围内没有找到云像元,则判断该阴影不是一个真正的云阴影像元,予以剔除。
目的:利用云和云阴影的共存关系来进行云阴影的判断,将找不到对应云的阴影进行剔除。
2.2.3由于云和云阴影不仅具有共存关系,在形状上还具有相似性。在通过2.2.2判断条件的基础上,对该云阴影和搜索到的云进行形态学判断,判断二者的形状指数是否满足相似性约束。如果满足相似性约束条件,则认为搜索到的云是该云阴影对应的云。如果不满足约束条件,则将该阴影像元进行剔除,得到最终的云阴影图层。
目的:以形态学指数为约束,对找到的云和云阴影进行相似性判断,剔除不满足相似性约束的阴影像元。
以上已对本发明的陆地卫星影像云和云阴影检测方法进行了详细介绍,下面通过将本发明方法的检测结果与现有检测方法(FMASK算法)进行对比,来说明本发明方法的进步性。其中,本发明提供的逐步细化的陆地卫星影像云和云阴影检测方法与传统的FMASK算法的检测结果对比如图2和图3所示。图中第一列为本发明方法的检测结果,第二列为原始影像,采用4/3/2合成,第三列为现有的FMASK算法的检测结果。检测结果图中,白色代表云,灰色代表云阴影,十字丝代表同一空间位置。从图中可以看出,本发明提供的检测方法可实现准确的陆地卫星数据中云和云阴影的自动化检测,且优于FMASK算法。
综上,本实施例的方法不同于传统算法的直接约束的方式,基于逐步细化的思路进行云和云阴影的检测,在初始检测中利用较为宽松的约束和阈值条件先将尽可能多的云/云阴影像元检测进初始图层中,避免在初始检测中就丢失可能的云和云阴影像元;再结合云/云阴影的光谱、在时间和空间上的随机性、形状相似等特征,通过逐步排除和细化的约束条件来剔除不是真实的云/云阴影像元,从而准确地确定真实的云和云阴影。并且本实施例不同于传统算法的从云出发寻找云阴影的方法,利用“有云阴影则一定有云”的云和云阴影共存关系,以及云和云阴影存在的形状相似性。提出了结合从云阴影出发寻找云以及利用云和云阴影的形态学指数相似性约束判断的方法。避免了传统算法所采用的从云出发寻找云阴影的方式所带来的“有云不一定有阴影”的误差,以及通过估计云高直接匹配云阴影带来的误差。从而提高了云和云阴影检测效果和精度。
第二实施例
本实施例提供了一种逐步细化的陆地卫星影像云和云阴影检测装置,该逐步细化的陆地卫星影像云和云阴影检测装置包括以下模块:
云检测模块,用于基于云的物理性质,采用较为宽松的阈值提取出待检测的陆地卫星影像中尽可能多的亮像元,生成初始云图层;基于云的时间和光谱特征,对所述初始云图层进行逐步细化,以从所述初始云图层中剔除非云的亮像元,并保留真实的云像元,得到云检测结果;其中,所述亮像元为地表反射率大于第一预设值的像元;
云阴影检测模块,用于基于云阴影的物理性质,采用较为宽松的阈值提取出陆地卫星影像中尽可能多的暗像元,生成初始云阴影图层;基于云和云阴影之间的时间随机性、光谱特征、形状特征、几何关系以及“有云阴影则一定有云”的共存关系,对所述初始云阴影图层进行逐步细化,以从所述初始云阴影图层中剔除非云阴影的暗像元,并保留真实的云阴影像元,得到云阴影检测结果;其中,所述暗像元为地表反射率小于第二预设值的像元。
本实施例的逐步细化的陆地卫星影像云和云阴影检测装置与上述第一实施例的逐步细化的陆地卫星影像云和云阴影检测方法相对应;其中,本陆地卫星影像云和云阴影检测装置中的各功能模块所实现的功能与上述第一实施例的陆地卫星影像云和云阴影检测方法中的各流程步骤一一对应;故,在此不再赘述。
第三实施例
本实施例提供一种电子设备,其包括处理器和存储器;其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。
该电子设备可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(central processing units,CPU)和一个或一个以上的存储器,其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行上述方法。
第四实施例
本实施例提供一种计算机可读存储介质,该存储介质中存储有至少一条指令,所述指令由处理器加载并执行,以实现第一实施例的方法。其中,该计算机可读存储介质可以是ROM、随机存取存储器、CD-ROM、磁带、软盘和光数据存储设备等。其内存储的指令可由终端中的处理器加载并执行上述方法。
此外,需要说明的是,本发明可提供为方法、装置或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
最后需要说明的是,以上所述是本发明优选实施方式,应当指出,尽管已描述了本发明优选实施例,但对于本技术领域的技术人员来说,一旦得知了本发明的基本创造性概念,在不脱离本发明所述原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
Claims (2)
1.一种逐步细化的陆地卫星影像云和云阴影检测方法,其特征在于,包括:
基于云的物理性质,提取出待检测的陆地卫星影像中的亮像元,生成初始云图层;其中,所述亮像元为地表反射率大于第一预设值的像元;
基于云的时间和光谱特征,对所述初始云图层进行逐步细化,以从所述初始云图层中剔除非云的亮像元,并保留真实的云像元,得到云检测结果;
基于云阴影的物理性质,提取出待检测的陆地卫星影像中的暗像元,生成初始云阴影图层;其中,所述暗像元为地表反射率小于第二预设值的像元;
基于云和云阴影之间的时间随机性、光谱特征、形状特征、几何关系以及“有云阴影则一定有云”的共存关系,对所述初始云阴影图层进行逐步细化,以从所述初始云阴影图层中剔除非云阴影的暗像元,并保留真实的云阴影像元,得到云阴影检测结果;
所述亮像元为待检测的陆地卫星影像中满足以下条件的像元:
BBlue>0.05 and BSWIR1>0.03
其中,BBlue表示像元的蓝光波段反射率,BSWIR1表示像元的短波红外波段反射率;
所述基于云的时间和光谱特征,对所述初始云图层进行逐步细化,以从所述初始云图层中剔除非云的亮像元,并保留真实的云像元,包括:
对所述初始云图层进行第一次过滤,剔除满足以下条件的像元:
BBlue-0.5*BRed-0.08<0
其中,BBlue表示像元的蓝光波段反射率,BRed表示像元的红光波段反射率;
对第一次过滤结果进行第二次过滤,剔除满足以下条件的像元:
BT>23 and NBLI<-0.2 and Pcloud>90%
NBLI=BRed-BTIR/BRed+BTIR
Pcloud=Abright/N
其中,BT表示亮度温度换算得到的地表温度,单位为摄氏度,NBLI表示归一化裸地指数,Pcloud表示当前亮像元出现的频率,BTIR代表热红外波段亮度温度,Abright是该像元在所有影像初始检测中被判断为亮目标的次数,N是参与计算的所有影像总数;
对第二次过滤结果进行第三次过滤,剔除满足以下条件的像元:
NDSI>0.8
NDSI=BGreen-BSWIR1/BGreen+BSWIR1
其中,NDSI表示归一化积雪指数,BGreen表示像元的绿光波段反射率,BSWIR1表示像元的短波红外波段反射率;
对第三次过滤结果进行第四次过滤,剔除满足以下条件的像元:
BSWIR1/BNIR>1.4
其中,BNIR表示像元的近红外波段反射率;
对第四次过滤结果进行第五次过滤,剔除满足以下条件的像元:
NDVI>0.8
NDVI=BNIR-BRed/BNIR+BRed
其中,NDVI表示归一化植被指数;
所述暗像元为待检测的陆地卫星影像中满足以下条件的像元:
BGreen<0.08 and BNIR<0.25 and BSWIR1<0.11
其中,BGreen表示像元的绿光波段反射率,BNIR表示像元的近红外波段反射率,BSWIR1表示像元的短波红外波段反射率;
所述基于云和云阴影之间的时间随机性、光谱特征、形状特征、几何关系和“有云阴影则一定有云”的共存关系,对所述初始云阴影图层进行逐步细化,以从所述初始云阴影图层中剔除非云阴影的暗像元,并保留真实的云阴影像元,包括:
对所述初始云阴影图层进行第一次过滤,剔除满足以下条件的像元:
Pshadow>90%
Pshadow=Adark/N
其中,Pshadow表示当前暗像元出现的频率,Adark表示该像元在所有影像初始检测中被判断为暗目标的次数,N是参与计算的所有影像总数;
根据所述初始云阴影图层的第一次过滤结果,利用云和云阴影的“有云阴影则一定有云”的共存关系,以及太阳、云和云阴影的几何关系,基于方位角和高度角计算搜索方向,基于恒温递减率和影像的温度分位数计算确定搜索半径,从当前暗像元出发,在搜索半径内进行云像元的检索,判断是否有云像元存在;
如果在搜索半径范围内没有找到云像元,则判断当前的暗像元不是一个真正的云阴影像元,将当前暗像元予以剔除;
如果在搜索半径范围内有云像元存在,则对当前暗像元和搜索到的云像元进行形态学判断,判断二者的形状指数是否满足相似性约束;
如果不满足相似性约束条件,则将当前暗像元予以剔除。
2.一种逐步细化的陆地卫星影像云和云阴影检测装置,其特征在于,包括:
云检测模块,用于基于云的物理性质,提取出待检测的陆地卫星影像中的亮像元,生成初始云图层;基于云的时间和光谱特征,对所述初始云图层进行逐步细化,以从所述初始云图层中剔除非云的亮像元,并保留真实的云像元,得到云检测结果;其中,所述亮像元为地表反射率大于第一预设值的像元;
云阴影检测模块,用于基于云阴影的物理性质,提取出陆地卫星影像中的暗像元,生成初始云阴影图层;基于云和云阴影之间的时间随机性、光谱特征、形状特征、几何关系以及“有云阴影则一定有云”的共存关系,对所述初始云阴影图层进行逐步细化,以从所述初始云阴影图层中剔除非云阴影的暗像元,并保留真实的云阴影像元,得到云阴影检测结果;其中,所述暗像元为地表反射率小于第二预设值的像元;
所述亮像元为待检测的陆地卫星影像中满足以下条件的像元:
BBlue>0.05 and BSWIR1>0.03
其中,BBlue表示像元的蓝光波段反射率,BSWIR1表示像元的短波红外波段反射率;
所述云检测模块具体用于:
对所述初始云图层进行第一次过滤,剔除满足以下条件的像元:
BBlue-0.5*BRed-0.08<0
其中,BBlue表示像元的蓝光波段反射率,BRed表示像元的红光波段反射率;
对第一次过滤结果进行第二次过滤,剔除满足以下条件的像元:
BT>23 and NBLI<-0.2 and Pcloud>90%
NBLI=BRed-BTIR/BRed+BTIR
Pcloud=Abright/N
其中,BT表示亮度温度换算得到的地表温度,单位为摄氏度,NBLI表示归一化裸地指数,Pcloud表示当前亮像元出现的频率,BTIR代表热红外波段亮度温度,Abright是该像元在所有影像初始检测中被判断为亮目标的次数,N是参与计算的所有影像总数;
对第二次过滤结果进行第三次过滤,剔除满足以下条件的像元:
NDSI>0.8
NDSI=BGreen-BSWIR1/BGreen+BSWIR1
其中,NDSI表示归一化积雪指数,BGreen表示像元的绿光波段反射率,BSWIR1表示像元的短波红外波段反射率;
对第三次过滤结果进行第四次过滤,剔除满足以下条件的像元:
BSWIR1/BNIR>1.4
其中,BNIR表示像元的近红外波段反射率;
对第四次过滤结果进行第五次过滤,剔除满足以下条件的像元:
NDVI>0.8
NDVI=BNIR-BRed/BNIR+BRed
其中,NDVI表示归一化植被指数;
所述暗像元为待检测的陆地卫星影像中满足以下条件的像元:
BGreen<0.08 and BNIR<0.25 and BSWIR1<0.11
其中,BGreen表示像元的绿光波段反射率,BNIR表示像元的近红外波段反射率,BSWIR1表示像元的短波红外波段反射率;
所述云阴影检测模块具体用于:
对所述初始云阴影图层进行第一次过滤,剔除满足以下条件的像元:
Pshadow>90%
Pshadow=Adark/N
其中,Pshadow表示当前暗像元出现的频率,Adark表示该像元在所有影像初始检测中被判断为暗目标的次数,N是参与计算的所有影像总数;
根据所述初始云阴影图层的第一次过滤结果,利用云和云阴影的“有云阴影则一定有云”的共存关系,以及太阳、云和云阴影的几何关系,基于方位角和高度角计算搜索方向,基于恒温递减率和影像的温度分位数计算确定搜索半径,从当前暗像元出发,在搜索半径内进行云像元的检索,判断是否有云像元存在;
如果在搜索半径范围内没有找到云像元,则判断当前的暗像元不是一个真正的云阴影像元,将当前暗像元予以剔除;
如果在搜索半径范围内有云像元存在,则对当前暗像元和搜索到的云像元进行形态学判断,判断二者的形状指数是否满足相似性约束;
如果不满足相似性约束条件,则将当前暗像元予以剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314693.8A CN114049566B (zh) | 2021-11-08 | 2021-11-08 | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111314693.8A CN114049566B (zh) | 2021-11-08 | 2021-11-08 | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114049566A CN114049566A (zh) | 2022-02-15 |
CN114049566B true CN114049566B (zh) | 2022-05-17 |
Family
ID=80207424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111314693.8A Active CN114049566B (zh) | 2021-11-08 | 2021-11-08 | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049566B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114240940B (zh) * | 2022-02-25 | 2022-06-17 | 航天宏图信息技术股份有限公司 | 一种基于遥感影像的云及云阴影检测方法和装置 |
CN114792322A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368817A (zh) * | 2020-02-28 | 2020-07-03 | 北京师范大学 | 一种基于地表类型进行热效应定量评价方法及*** |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7184890B2 (en) * | 2003-11-24 | 2007-02-27 | The Boeing Company | Cloud shadow detection: VNIR-SWIR |
CN101452078B (zh) * | 2008-12-30 | 2011-04-13 | 国家卫星气象中心 | 极轨气象卫星遥感白天和夜间海雾的检测方法 |
US9001311B2 (en) * | 2013-03-15 | 2015-04-07 | Digitalglobe, Inc. | Using parallax in remote sensing to determine cloud feature height |
CN105139375B (zh) * | 2015-07-15 | 2017-09-29 | 武汉大学 | 一种结合全球dem与立体视觉的卫星影像云检测方法 |
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 |
CN109101894B (zh) * | 2018-07-19 | 2019-08-06 | 山东科技大学 | 一种地表类型数据支持的遥感图像云阴影检测方法 |
CN110308097A (zh) * | 2019-07-05 | 2019-10-08 | 山东科技大学 | 一种卫星图像云检测方法及*** |
-
2021
- 2021-11-08 CN CN202111314693.8A patent/CN114049566B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111368817A (zh) * | 2020-02-28 | 2020-07-03 | 北京师范大学 | 一种基于地表类型进行热效应定量评价方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114049566A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | An automatic approach for land-change detection and land updates based on integrated NDVI timing analysis and the CVAPS method with GEE support | |
CN114049566B (zh) | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 | |
CN110309781B (zh) | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN107993488B (zh) | 一种基于鱼眼相机的车位识别方法、***及介质 | |
Mohajerani et al. | Cloud and cloud shadow segmentation for remote sensing imagery via filtered jaccard loss function and parametric augmentation | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
AU2021102192A4 (en) | Remote sensing classification and identification method, device, equipment and storage medium for soil types | |
CN109918531A (zh) | 一种毒品原植物的搜查方法、装置和计算机可读存储介质 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN114463363A (zh) | 一种图像分割方法、装置、电子设备及存储介质 | |
CN115731257A (zh) | 基于图像的叶片形态信息提取方法 | |
Chehata et al. | Object-based forest change detection using high resolution satellite images | |
Choudhary et al. | Surface water area extraction by using water indices and DFPS method applied to satellites data | |
Dubey et al. | A review of image segmentation using clustering methods | |
CN110689549B (zh) | 对象提取方法、装置和设备 | |
CN116071649A (zh) | 一种遥感图像识别的方法及装置 | |
CN113723833B (zh) | 造林实绩质量评价方法、***、终端设备及存储介质 | |
Zhang et al. | A Mapping Approach for Eucalyptus Plantations Canopy and Single-Tree Using High-Resolution Satellite Images in Liuzhou, China | |
Utama et al. | Young lunar crescent detection based on video data with computer vision techniques | |
Stanski et al. | Flower detection using object analysis: new ways to quantify plant phenology in a warming tundra biome |
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 |