CN115424131B - 一种云检测最优阈值选取方法、云检测方法及*** - Google Patents

一种云检测最优阈值选取方法、云检测方法及*** Download PDF

Info

Publication number
CN115424131B
CN115424131B CN202210872030.6A CN202210872030A CN115424131B CN 115424131 B CN115424131 B CN 115424131B CN 202210872030 A CN202210872030 A CN 202210872030A CN 115424131 B CN115424131 B CN 115424131B
Authority
CN
China
Prior art keywords
cloud
absolute
threshold value
threshold
optimal threshold
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
CN202210872030.6A
Other languages
English (en)
Other versions
CN115424131A (zh
Inventor
李俊
胡成杰
盛庆红
王博
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202210872030.6A priority Critical patent/CN115424131B/zh
Publication of CN115424131A publication Critical patent/CN115424131A/zh
Application granted granted Critical
Publication of CN115424131B publication Critical patent/CN115424131B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及***，所述方法包括：获取全球分布的不同地表类型、不同云层覆盖的多光谱遥感图像，得到具有代表性的基准影像数据集；利用基准云检测算法预测影像数据集云概率图；以默认阈值为基准，按特定间隔分别减小和增大阈值，得到多组“绝对”干净像素和“绝对”云像素，分别将每组合成为一幅绝对像素云掩膜；以绝对像素云掩膜为真值，计算待确定最优阈值云检测模型在不同阈值下的整体精度，以整体精度最高的阈值作为最优阈值，即可实现云检测。本发明选取的最优阈值精度高，误差小，与现有技术相比最优阈值选取效率大大提高，在多光谱遥感影像上具有广阔的应用空间。

Description

一种云检测最优阈值选取方法、云检测方法及***
技术领域
本发明涉及一种云检测最优阈值选取方法、云检测方法及***，属于遥感图像云检测技术领域。
背景技术
随着光学遥感卫星技术的发展，遥感卫星获取的海量影像为植被长势监测、自然灾害监测与评估、土地利用分类等提供了长时间序列的遥感监测信息。然而云一直是影响光学遥感影像可用数据的重要因素，因此云检测是光学遥感影像得以应用的必须步骤。
虽然目前云检测方法都需要阈值对预测结果进行二值化分类，阈值的选取一般有两种方式：第一种是使用固定阈值，该方法对不同图像数据适用性差；第二种是利用人工标记云掩膜获取最佳阈值，该方法虽然适用性强，但耗时费力。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种云检测最优阈值选取方法、云检测方法及***，不仅能够提升不同图像数据之间的适应性，且省时省力。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于绝对像素的遥感影像云检测最优阈值选取方法，包括以下步骤：
获取全球分布的不同地表类型、不同云层覆盖的多光谱遥感图像，得到具有代表性的基准影像数据集；
根据预先构建的绝对阈值组合对所述基准影像数据集处理，得到不同阈值组合下的绝对像素云掩膜；
利用待确定最优阈值云检测模型对所述基准影像数据集进行云概率预测，得到预测云概率图；
根据不同阈值组合下的绝对像素云掩膜，基于整体精度的最优阈值选取原则，选取所述预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值。
进一步地，获取具有代表性的基准影像数据集的方法包括：
将全球区域地表类型划分为9种不同类别；
将云分为薄云(透明)和厚云(不透明)2类；
对每类地表下要选取的图像云层特性随机赋予薄云和厚云，得到9种图像搜索条件；
根据搜索条件在数据网站按照地物类型、云类型获取9幅图像，构成具有代表性的基准影像数据集。
进一步地，所述绝对阈值组合的构建方法包括；
在基准云检测算法的默认阈值下，按照选定的阈值间隔，增大或减小阈值，以此得到不同的高低阈值组合；
所述每一组绝对阈值组合，对于增大后的阈值，假定大于该阈值的都绝对是云像素，对于减小后的阈值，假定小于该阈值的都绝对是干净像素。
进一步地，所述绝对像素云掩膜的获取方法包括；
将每幅图像在同一绝对阈值组合下的绝对干净像素和绝对云像素的类别图进行合并；
将合并后的分类图中既不在绝对干净像素，也不在绝对云像素类别中的像素归类为不确定像素；
将三种像素类别合并形成完整的不同阈值组合下的绝对像素云掩膜。
进一步的，利用待确定最优阈值云检测模型对所述基准影像数据集进行云概率预测的方法包括：
利用Landsat 8公开云检测模型训练数据集，训练云检测模型；
将训练好的云检测模型应用到基准影像数据集，预测得到云概率图。
进一步地，选取所述预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值的方法包括；
利用待确定最优阈值的云检测模型处理所述代表性图像数据集，预测得到代表性图像数据集中所有图像的云概率图；
从0到100以固定间隔采样阈值，应用于待确定最优阈值云检测模型预测的云概率图，大于该阈值为云像素，小于该阈值为干净像素，得到不同概率下的云分类图；
以所述不同阈值组合下的绝对像素云掩膜为参考，评价不同概率下云分类图整体精度，画出每组绝对像素云掩膜下整体精度曲线图；
通过计算不同组合整体精度曲线下面积，选取面积最大的一组作为最优阈值选取参考曲线；
在所述最优阈值参考曲线中，选择整体精度最大值所对应的阈值作为最优阈值。
第二方面，一种基于绝对像素的遥感影像云检测方法，包括：
采用如第一方面所述的方法获取最优阈值；
获取需要云检测的多光谱遥感影像；
利用云检测模型对所述多光谱遥感影像预测云概率图，使用最优阈值对云概率进行二值化分类，输出云检测结果。
第三方面，本发明提供了一种基于绝对像素的遥感影像云检测最优阈值选取***，包括：
获取模块：用于获取全球分布的不同地表类型、不同云层覆盖的多光谱遥感图像，得到具有代表性的基准影像数据集；
绝对阈值组合模块：用于根据预先构建的绝对阈值组合对所述基准影像数据集处理，得到不同阈值组合下的绝对像素云掩膜；
云概率预测模块：用于利用待确定最优阈值云检测模型对所述基准影像数据集进行云概率预测，得到预测云概率图；
最优阈值选取模块：用于根据不同阈值组合下的绝对像素云掩膜，基于整体精度的最优阈值选取原则，选取所述预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值。
第四方面，本发明提供一种基于绝对像素的遥感影像云检测最优阈值选取***，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
第五方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面所述方法的步骤。
与现有技术相比，本发明所达到的有益效果：
本发明获取待处理的多光谱遥感图像；使用云检测模型进行多光谱影像云概率预测，利用选取的最优阈值对云概率进行二值化，输出云掩膜；能够提升云检测能力，具有省时省力、精度高、误差小的优点；
本发明利用划分好的不同土地覆盖类型，结合云类型为数据搜索条件，获取全球分布的不同地表类型、不同云层覆盖的多光谱遥感图像，得到具有代表性的基准影像数据集；能够使得在此数据集上的获取的阈值精度更高、适用性更强；
本发明利用预先构建的绝对阈值组合，应用于基准云概率图，得到绝对像素云掩膜；能够考虑云检测过程的多种情况，减小阈值选取过程的偶然性；本发明利用预先设定好的基于整体精度的最优阈值选取原则，选取预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值；能够使得选取的阈值在多组绝对像素云掩膜上达到最优，提升阈值选择的全局最优性，实现对云检测模型预测的云概率图进行最优二值化分类。
附图说明
图1是本发明实施例一提供的一种基于绝对像素的遥感影像云检测最优阈值选取方法的流程图；
图2是本发明实施例一提供的一种基于绝对像素的遥感影像云检测最优阈值选取方法的算法结构图；
图3是本发明实施例三提供的一种基于绝对像素的遥感影像云检测最优阈值选取***的结构图；
图4是本发明实施例二提供的一种基于绝对像素的遥感影像云检测方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例一：
如图1所示，本发明实施例提供了一种基于绝对像素的遥感影像云检测最优阈值选取方法，包括：
获取全球分布的不同地表类型、不同云层覆盖的多光谱遥感图像，得到具有代表性的基准影像数据集；
利用预先构建的绝对组合阈值处理模块，应用于基准云概率图，得到绝对像素云掩膜；
利用待确定最优阈值云检测模型对基准影像进行云概率预测，得到预测云概率图；
利用预先设定好的基于整体精度的最优阈值选取原则，选取预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值；
在计算机内选取最优阈值，计算机的配置为：11th Gen Intel(R)Core(TM)i9-11900KF 16核处理器，内存64GB，操作***为windows11。基于绝对像素的遥感影像云检测最优阈值选取方法的实现基于python编程语言。
具体选取过程如下：
步骤1：获取全球具有代表性地物类型有云情况下的多光谱遥感图像，构建基准影像数据集。
将全球地物类型划分为森林、农田、灌木、草地、湿地、裸土、城市、水体、冰雪共9中类别，把云分为薄云和厚云2类，以覆盖9种地物类别、2种云类型，在全球范围获取9幅Landsat 8影像数据，构建具有代表性的基准影像数据集。
步骤2：利用预先构建的绝对阈值组合对获取到的图像处理，得到图像不同阈值组合下的绝对像素云掩膜。
以Fmask 4.0默认云概率阈值(17.5)为基准，第一个阈值间隔为-1.5，后面为-0.5，以此获得绝对干净阈值，以第一个阈值间隔为7.5，后面为2.5，以此获得绝对云像素阈值，最终构建如下阈值组合：
表1绝对阈值组合参数
Figure GDA0004108062120000071
如图3所示，利用Fmask 4.0算法，对Landsat 8影像进行云检测，得到基准云概率图。利用表1绝对阈值组合，分别替换Fmask 4.0默认云概率阈值，云概率小于绝对干净阈值的像素为绝对干净像素，云概率大于绝对云阈值的像素为绝对云像素，得到5组绝对干净像素和绝对云像素，对于既不在绝对干净像素和绝对云像素中的像素，认为是不确定像素；将每组中绝对干净像素赋值64，绝对云像素赋值为255，不确定像素赋值为0，合并得到绝对像素云掩膜，共可合成5张对应的绝对像素云掩膜。
步骤3：利用待确定最优阈值云检测模型对基准影像进行云概率预测，得到预测云概率图。
利用Landsat 8公开云检测模型训练数据集，训练云检测模型，然后将训练好的云检测模型应用到基准影像数据集，预测得到云概率图。
步骤4：利用预先设定好的基于整体精度的最优阈值选取原则，选取预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值。
计算整体精度，通过下式进行计算：
Figure GDA0004108062120000081
式(1)中，TP、TN、FP和FN分别表示真阳性、真阴性、假阳性和假阴性。
具体的，以基准云检测算法默认阈值为基准，按特定间隔分别减小和增大阈值，并应用于云概率图，得到多组“绝对”干净像素和“绝对”云像素，分别将每组“绝对”干净像素和“绝对”云像素合成为一幅绝对像素云掩膜；以绝对像素云掩膜为真值，将待确定最优阈值云检测模型应用于具有代表性的影像数据集，计算不同阈值下模型的整体精度，以整体精度最高的阈值作为模型的最优阈值；应用于其他影像时，云检测模型以最优阈值即可实现云检测。
具体的，利用待确定最优阈值的云检测模型处理所述代表性图像数据集，预测得到代表性图像数据集中所有图像的云概率图；从0到100以固定间隔1采样阈值，应用于待确定最优阈值云检测模型预测的云概率图，大于该阈值为云像素，小于该阈值为干净像素，得到不同概率下的云分类图；以所述不同阈值组合下的绝对像素云掩膜为参考，评价不同概率下云分类图整体精度，画出每组绝对像素云掩膜下整体精度曲线图；通过计算不同组合整体精度曲线下面积，选取面积最大的一组作为最优阈值选取参考曲线；在所述最优阈值参考曲线中，选择整体精度最大值所对应的阈值作为最优阈值。
以上步骤以具有代表性的影像为基础，以利用基准云检测算法和绝对阈值组合生成绝对像素云掩膜，进而获取最优阈值为目标，建立一个有效的云检测模型最优阈值选取方法，在节省人力物力的同时，达到了很好的云检测精度。
以上所述发明同样可以推广到其他同类型多光谱遥感影像的云检测任务，只需获取合适的代表性影像，设置合适的绝对阈值组合参数。根据不同的卫星传感器情况判断最优阈值是否需要进行选取。若需要则按照步骤1～4重新选取，即可得到适用于多光谱遥感图像的云检测模型最优阈值。
实施例二：
本实施例提供提供了一种基于绝对像素的遥感影像云检测方法，如图4所示，包括以下步骤：
获取需要云检测的多光谱遥感影像；
利用云检测模型对上述影像预测云概率图，使用最优阈值对云概率进行二值化分类，输出云检测结果；
其中，最优阈值，通过实施例一所述的方法得到。
实施例三：
本实施例提供提供了一种基于绝对像素的遥感影像云检测最优阈值选取***，包括：
获取模块：用于获取全球分布的不同地表类型、不同云层覆盖的多光谱遥感图像，得到具有代表性的基准影像数据集；
绝对阈值组合模块：用于根据预先构建的绝对阈值组合对所述基准影像数据集处理，得到不同阈值组合下的绝对像素云掩膜；
云概率预测模块：用于利用待确定最优阈值云检测模型对所述基准影像数据集进行云概率预测，得到预测云概率图；
最优阈值选取模块：用于根据不同阈值组合下的绝对像素云掩膜，基于整体精度的最优阈值选取原则，选取所述预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值。
该***可以用于实现实施例一所述的方法。
另一方面，本发明实施例还提供一种基于绝对像素的遥感影像云检测***，包括：
获取模块：用于获取具有代表性的多光谱遥感图像；
输出模块：用于使用绝对像素云掩膜数据集对待确定最优阈值云检测模型在不同阈值下整体精度进行评价，输出云检测模型在代表性遥感图像上整体精度最高的最优阈值；
其中，所述输出模块包括用于绝对像素云掩膜下最优阈值获取模块，所述绝对像素云掩膜下最优阈值获取模块即上述的基于绝对像素的遥感影像云检测最优阈值选取***，具体包括：
绝对阈值组合设定模块：通过设定阈值采样间隔，分别增加和减小阈值，生成多组绝对阈值组合；
绝对像素生成模块：利用不同组阈值，分别获得多组对应的绝对干净像素和绝对云像素；
绝对像素合并模块：将同组的绝对干净像素和绝对云像素合并，剩下的像素为不确定像素，得到绝对像素云掩膜；
云概率预测模块：利用待确定最优阈值的云检测模型对具有代表性的图像数据进行云概率预测，得到每幅图像的云概率图；
整体精度评价模块：从0到100以固定间隔采样阈值，对所述云概率图进行二值化，得到不同概率下的云分类图，以绝对像素云掩膜为参考，计算其整体精度；
最优阈值选取模块：计算待确定最优阈值云检测模型在不同绝对像素云掩膜上整体精度曲线下面积，以面积最大的整体精度曲线为标准，找到该曲线上整体精度最大值所对应的阈值，该阈值即为最优阈值。
实施例四：
本发明实施例提供一种基于绝对像素的遥感影像云检测最优阈值选取装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行实施例一所述方法的步骤。
实施例五：
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一所述方法的步骤。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请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，本申请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(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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、专用计算机、嵌入式处理机或其他可编程数据处理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设备上，使得在计算机或其他可编程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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种基于绝对像素的遥感影像云检测最优阈值选取方法，其特征在于，包括以下步骤：
获取全球分布的不同地表类型、不同云层覆盖的多光谱遥感图像，得到基准影像数据集；
根据预先构建的绝对阈值组合对所述基准影像数据集处理，得到不同阈值组合下的绝对像素云掩膜；
利用待确定最优阈值云检测模型对所述基准影像数据集进行云概率预测，得到预测云概率图；
根据不同阈值组合下的绝对像素云掩膜，基于整体精度的最优阈值选取原则，选取所述预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值；
选取所述预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值的方法包括：
利用待确定最优阈值的云检测模型处理所述基准图像数据集，预测得到基准图像数据集中所有图像的云概率图；
从0到100以固定间隔采样阈值，应用于待确定最优阈值云检测模型预测的云概率图，大于该阈值为云像素，小于该阈值为干净像素，得到不同概率下的云分类图；
以所述不同阈值组合下的绝对像素云掩膜为参考，评价不同概率下云分类图整体精度，画出每组绝对像素云掩膜下整体精度曲线图；
通过计算不同组合整体精度曲线下面积，选取面积最大的一组作为最优阈值选取参考曲线；
在所述最优阈值参考曲线中，选择整体精度最大值所对应的阈值作为最优阈值。
2.根据权利要求1所述的基于绝对像素的遥感影像云检测最优阈值选取方法，其特征在于，所述绝对阈值组合的构建方法包括；
在基准云检测算法的默认阈值下， 按照选定的阈值间隔，增大或减小阈值，以此得到不同的高低阈值组合；
每一组绝对阈值组合，对于增大后的阈值，假定大于该阈值的都绝对是云像素，对于减小后的阈值，假定小于该阈值的都绝对是干净像素。
3.根据权利要求2所述的基于绝对像素的遥感影像云检测最优阈值选取方法，其特征在于，所述绝对像素云掩膜的获取方法包括；
将每幅图像在同一绝对阈值组合下的绝对干净像素和绝对云像素的类别图进行合并；
将合并后的分类图中既不在绝对干净像素，也不在绝对云像素类别中的像素归类为不确定像素；
将三种像素类别合并形成完整的不同阈值组合下的绝对像素云掩膜。
4.根据权利要求1所述的基于绝对像素的遥感影像云检测最优阈值选取方法，其特征在于，利用待确定最优阈值云检测模型对所述基准影像数据集进行云概率预测的方法包括：
利用Landsat 8公开云检测模型训练数据集，训练云检测模型；
将训练好的云检测模型应用到基准影像数据集，预测得到云概率图。
5.一种基于绝对像素的遥感影像云检测方法，其特征在于，包括：
采用如权利要求1-4任一项所述的方法获取最优阈值；
获取需要云检测的多光谱遥感影像；
利用云检测模型对所述多光谱遥感影像预测云概率图，使用最优阈值对云概率进行二值化分类，输出云检测结果。
6.一种基于绝对像素的遥感影像云检测最优阈值选取***，其特征在于，包括：
获取模块：用于获取全球分布的不同地表类型、不同云层覆盖的多光谱遥感图像，得到基准影像数据集；
绝对阈值组合模块：用于根据预先构建的绝对阈值组合对所述基准影像数据集处理，得到不同阈值组合下的绝对像素云掩膜；
云概率预测模块：用于利用待确定最优阈值云检测模型对所述基准影像数据集进行云概率预测，得到预测云概率图；
最优阈值选取模块：用于根据不同阈值组合下的绝对像素云掩膜，基于整体精度的最优阈值选取原则，选取所述预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值；
选取所述预测云概率图的标准整体精度曲线，在标准曲线上确定最优阈值的方法包括：
利用待确定最优阈值的云检测模型处理所述基准图像数据集，预测得到基准图像数据集中所有图像的云概率图；
从0到100以固定间隔采样阈值，应用于待确定最优阈值云检测模型预测的云概率图，大于该阈值为云像素，小于该阈值为干净像素，得到不同概率下的云分类图；
以所述不同阈值组合下的绝对像素云掩膜为参考，评价不同概率下云分类图整体精度，画出每组绝对像素云掩膜下整体精度曲线图；
通过计算不同组合整体精度曲线下面积，选取面积最大的一组作为最优阈值选取参考曲线；
在所述最优阈值参考曲线中，选择整体精度最大值所对应的阈值作为最优阈值。
7.一种基于绝对像素的遥感影像云检测最优阈值选取***，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行如权利要求1-4任一项所述方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1~4任一项所述方法的步骤。
CN202210872030.6A 2022-07-19 2022-07-19 一种云检测最优阈值选取方法、云检测方法及*** Active CN115424131B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210872030.6A CN115424131B (zh) 2022-07-19 2022-07-19 一种云检测最优阈值选取方法、云检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210872030.6A CN115424131B (zh) 2022-07-19 2022-07-19 一种云检测最优阈值选取方法、云检测方法及***

Publications (2)

Publication Number Publication Date
CN115424131A CN115424131A (zh) 2022-12-02
CN115424131B true CN115424131B (zh) 2023-04-21

Family

ID=84195996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210872030.6A Active CN115424131B (zh) 2022-07-19 2022-07-19 一种云检测最优阈值选取方法、云检测方法及***

Country Status (1)

Country Link
CN (1) CN115424131B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740639A (zh) * 2018-12-15 2019-05-10 中国科学院深圳先进技术研究院 一种风云卫星遥感影像云检测方法、***及电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966291B (zh) * 2015-06-12 2018-02-09 上海交通大学 一种基于地基云图的云团自动检测方法
CN106204596B (zh) * 2016-07-14 2020-12-29 南京航空航天大学 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法
CN111104888A (zh) * 2019-12-04 2020-05-05 山东科技大学 Aviris高分辨率数据支持的云检测算法自动生成技术
CN114511785A (zh) * 2022-02-18 2022-05-17 中科南京人工智能创新研究院 基于瓶颈注意力模块的遥感图像云检测方法及***

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740639A (zh) * 2018-12-15 2019-05-10 中国科学院深圳先进技术研究院 一种风云卫星遥感影像云检测方法、***及电子设备

Also Published As

Publication number Publication date
CN115424131A (zh) 2022-12-02

Similar Documents

Publication Publication Date Title
CN109033011B (zh) 计算轨迹频繁度的方法、装置、存储介质及电子设备
CN111028255B (zh) 基于先验信息与深度学习的农田区域预筛选方法及装置
Meng et al. Automatic classification of rural building characteristics using deep learning methods on oblique photography
CN115375868B (zh) 地图显示和遥感地图显示方法、计算设备以及存储介质
Li et al. Exploring multiple crowdsourced data to learn deep convolutional neural networks for road extraction
CN111475746B (zh) 兴趣点位置挖掘方法、装置、计算机设备和存储介质
CN112966549A (zh) 一种自然保护区功能分区红线快速划定方法
Yan et al. Estimation of urban-scale photovoltaic potential: A deep learning-based approach for constructing three-dimensional building models from optical remote sensing imagery
CN116168246A (zh) 一种用于铁路工程的弃渣场识别方法、装置、设备及介质
Li et al. GeoImageNet: a multi-source natural feature benchmark dataset for GeoAI and supervised machine learning
CN115984273A (zh) 道路病害检测方法、装置、计算机设备及可读存储介质
CN113628180B (zh) 一种基于语义分割网络的遥感建筑物检测方法及***
CN113516060B (zh) 基于多时相高分辨率数据的建筑空间融合判别方法及装置
CN113298042B (zh) 遥感影像数据的处理方法及装置、存储介质、计算机设备
CN117237780B (zh) 多维数据特征图构建方法、***、智能终端和介质
Liu et al. CALC-2020: a new baseline land cover map at 10 m resolution for the circumpolar Arctic
CN114494881A (zh) 基于剖分网格的遥感影像变化检测方法、装置、终端
Li et al. Learning to holistically detect bridges from large-size vhr remote sensing imagery
CN115424131B (zh) 一种云检测最优阈值选取方法、云检测方法及***
US11988522B2 (en) Method, data processing apparatus and computer program product for generating map data
CN115773744A (zh) 模型训练和路网处理方法、装置、设备、介质和产品
CN115166782A (zh) 基于卫星分布的导航场景识别方法、***、设备和介质
Aendikov et al. Integration of GIS and machine learning analytics into Streamlit application
CN115376013B (zh) 一种基于卫星遥感监测的资源普查***
Liao et al. Exploring How Street-level Images Help Enhance Remote Sensing-based Local Climate Zone Mapping

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