CN116206163A - 一种气象卫星遥感云图检测分析处理方法 - Google Patents

一种气象卫星遥感云图检测分析处理方法 Download PDF

Info

Publication number
CN116206163A
CN116206163A CN202310485013.1A CN202310485013A CN116206163A CN 116206163 A CN116206163 A CN 116206163A CN 202310485013 A CN202310485013 A CN 202310485013A CN 116206163 A CN116206163 A CN 116206163A
Authority
CN
China
Prior art keywords
edge
pixel point
pixel points
pixel
real
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.)
Granted
Application number
CN202310485013.1A
Other languages
English (en)
Other versions
CN116206163B (zh
Inventor
高飞
陈子林
黄凯涛
王绍武
武云霞
王东方
曹侃
黄铜
李杨杨
朱剑玲
刘镇
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.)
Beijing Zhongke Sanqing Environmental Technology Co ltd
Shaanxi Province Environmental Monitoring Center Station
3Clear Technology Co Ltd
Original Assignee
Beijing Zhongke Sanqing Environmental Technology Co ltd
Shaanxi Province Environmental Monitoring Center Station
3Clear Technology 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 Beijing Zhongke Sanqing Environmental Technology Co ltd, Shaanxi Province Environmental Monitoring Center Station, 3Clear Technology Co Ltd filed Critical Beijing Zhongke Sanqing Environmental Technology Co ltd
Priority to CN202310485013.1A priority Critical patent/CN116206163B/zh
Publication of CN116206163A publication Critical patent/CN116206163A/zh
Application granted granted Critical
Publication of CN116206163B publication Critical patent/CN116206163B/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
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • 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)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Environmental & Geological Engineering (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种气象卫星遥感云图检测分析处理方法，通过气象卫星采集获取待检测云图信息，然后通过地图模型判断出待检测云图信息所处在的地区中的地区分区，进而确定出当前的地区分区的云图图像的边缘信息，然后通过云图图像的边缘信息和地图模型，将气象云图从云图图像中拆分出来，最终通过预设的气象云图模型与当前的气象云图进行对比，从而判断出气象云图所属的气象类别；进而达到对当前局部地区的气象信息进行精准检测判断的技术效果。

Description

一种气象卫星遥感云图检测分析处理方法
技术领域
本发明涉及气象分析技术领域，尤其涉及一种气象卫星遥感云图检测分析处理方法。
背景技术
研究发现，传统的气象检测方法是通过气象卫星遥感云图进行检测分析出一个地区的气象信息，但是因为局部地区的地形地貌等因素的影响，导致局部地区的气象信息与整片区域的气象信息不一致，进而导致在进行气象检测时，不能更准确的判断局部地区的气象信息；
与此同时，研究人员还发现，在进行气象卫星遥感云图的局部地区气象信息判断时，往往不能准确的区分气象边界，也是造成气象信息的误判或错判的重要原因。
发明内容
本发明的目的在于提供一种气象卫星遥感云图检测分析处理方法，解决了现有技术中指出的上述技术问题。
本发明提出了一种气象卫星遥感云图检测分析处理方法，包括如下操作步骤：
获取包含待检测地区的待检测云图信息，其中，所述待检测云图信息通过气象卫星采集获得；
根据预设的地图模型确定所述待检测云图信息中的地区分区；
根据所述地区分区内的云图图像中的各像素点的灰度矩阵获取所述地区分区内的云图图像的边缘信息；
基于所述地区分区内的云图图像的边缘信息与所述地区分区的地图模型，从所述云图图像中拆分出气象云图；
根据预设的气象云图模型，识别当前云图图像的类别，进而确定当前所述地区分区的气象类别。
较佳的，所述边缘信息为多个边缘像素点连接呈现的边缘线。
较佳的，所述根据所述地区分区内的云图图像中的各像素点的灰度矩阵获取所述云图图像的边缘信息，包括如下操作步骤：
将所述云图图像进行灰度化，获取灰度化图像；然后将所述灰度化图像通过高斯滤波算法计算，获取平滑图像；
获取所述平滑图像中的所有像素点；并分别对应获取所有所述像素点水平方向的一阶导数值及垂直方向的一阶导数值；基于所述像素对应的水平方向的一阶导数值与垂直方向的一阶导数值将所述平滑图像中的每个像素点通过像素点梯度计算，获取所述平滑图像中的每个像素点的梯度值；
所述像素点的梯度值的计算方式为：
Figure SMS_1
式中，G为像素点的梯度值；
Gx为像素点的水平方向的一阶导数值；
Gy为像素点的垂直方向的一阶导数值；
基于所述每个像素点的梯度值通过双阈值算法，将所述像素点区分为真实边缘像素点、边缘相关像素点、非边缘像素点；通过所述真实边缘像素点、边缘相关像素点、非边缘像素点获取边缘像素点；
将所有所述边缘像素点进行融合并生成边缘图像，并确定所述边缘图像为云图图像的边缘信息。
较佳的，所述基于所述每个像素点的梯度和方向通过双阈值算法，将所述像素点区分为真实边缘像素点、边缘相关像素点、非边缘像素点；通过所述真实边缘像素点、边缘相关像素点、非边缘像素点获取边缘像素点，包括如下操作步骤：
预设梯度值第一阈值与梯度值第二阈值；遍历所有所述像素点，判断当前像素点的梯度值与所述梯度值第一阈值的关系；若所述当前像素点的梯度值小于所述梯度值第一阈值，则确定当前像素点为非边缘像素点；若所述当前像素点的梯度值大于或等于所述梯度值第一阈值，则确定当前像素点为待选真实边缘像素点；其中，所述梯度值第一阈值小于所述梯度值第二阈值；
判断所述待选真实边缘像素点的梯度值是否大于或等于所述梯度值第二阈值，若所述待选真实边缘像素点的梯度值大于或等于所述梯度值第二阈值，则确定当前待选真实边缘像素点为真实边缘像素点；
若所述待选真实边缘像素点的梯度值小于所述梯度值第二阈值，则确定所述待选真实边缘像素点为边缘相关像素点，并获取所述边缘相关像素点的邻域像素点；通过所述邻域像素点从所述边缘相关像素点中筛选拟真实边缘像素点；
确定所述真实边缘像素点与所述拟真实边缘像素点为边缘像素点。
较佳的，所述获取所述边缘相关像素点的邻域像素点；通过所述邻域像素点从所述边缘相关像素点中筛选拟真实边缘像素点包括如下操作步骤：
建立边缘相关像素点集合；并将所述边缘相关像素点放入所述边缘相关像素点集合；首次筛选拟真实边缘像素点遍历操作：遍历所述边缘相关像素点集合中的所有所述边缘相关像素点；随机选择所述边缘相关像素点集合中任意一个边缘相关像素点为目标边缘相关像素点；获取所述目标边缘相关像素点的多个邻域像素点；
判断所述多个邻域像素点中是否有真实边缘像素点；若所述多个邻域像素点中有真实边缘像素点，则确定所述目标边缘相关像素点为拟真实边缘像素点；
将当前所述拟真实边缘像素点对应的边缘相关像素点从所述边缘相关像素点集合中筛除，并返回上述首次筛选拟真实边缘像素点遍历操作的步骤，继续进行筛选拟真实边缘像素点；直至所述边缘相关像素点集合为空。
较佳的，所述若所述多个邻域像素点中有真实边缘像素点，则确定所述目标边缘相关像素点为拟真实边缘像素点，包括如下操作步骤：
若所述多个邻域像素点中有真实边缘像素点，则将所述多个邻域像素点中有真实边缘像素点的边缘相关像素点进行线性变换，获取线性变换后的像素点；并计算所述线性变换后的像素点的梯度值，根据所述线性变换后的像素点的梯度值筛选获取拟真实边缘像素点。
较佳的，所述将所述多个邻域像素点中有真实边缘像素点的边缘相关像素点进行线性变换，获取线性变换后的像素点；并计算所述线性变换后的像素点的梯度值，根据所述线性变换后的像素点的梯度值筛选获取拟真实边缘像素点，包括如下操作步骤：
初始化建立待确定拟真实边缘像素点集合，将所述多个邻域像素点中有真实边缘像素点的边缘相关像素点确定为待确定拟真实边缘像素点；并将所述待确定拟真实边缘像素点放入所述待确定拟真实边缘像素点集合中；
二次筛选拟真实边缘像素点遍历操作：遍历所述待确定拟真实边缘像素点集合中所有所述待确定拟真实边缘像素点；随机任意选择其中一个待确定拟真实边缘像素点为目标亚级像素点；获取所述目标亚级像素点的灰度值K；将所述目标亚级像素点的灰度值进行线性变换操作，计算获取线性变换后的亚级像素点的灰度值SK；并确定所述线性变换后的亚级像素点的灰度值SK对应的像素点为S亚级像素点；获取所述S亚级像素点的水平方向的一阶导数值与垂直方向的一阶导数值；然后计算所述S亚级像素点的梯度值；
所述亚级像素点的灰度值线执行性变换的计算方式为：SK=K*a；
式中，SK为线性变换后的亚级像素点的灰度值；
K为亚级像素点的灰度值；
a为线性变换数值；a为常数；
所述S亚级像素点的梯度值的计算方式为：
Figure SMS_2
式中，SG为S亚级像素点的梯度值；
SGx为S亚级像素点的水平方向的一阶导数值；
SGy为S亚级像素点的垂直方向的一阶导数值；
预设S亚级像素点梯度值最低阈值O；判断所述S亚级像素点的梯度值是否大于或等于所述S亚级像素点梯度值最低阈值O；若是，则判断所述S亚级像素点对应的待确定拟真实边缘像素点为拟真实边缘像素点；若否，则将所述S亚级像素点对应的待确定拟真实边缘像素点从所述待确定拟真实边缘像素点集合中筛除；
将所述目标亚级像素点对应的所述待确定拟真实边缘像素点从所述待确定拟真实边缘像素点集合中筛除，并返回上述二次筛选拟真实边缘像素点遍历操作，继续进行筛选拟真实边缘像素点；直至所述待确定拟真实边缘像素点集合为空。
较佳的，所述云图图像包括地形图像和气象云图。
与现有技术相比，本发明实施例至少存在如下方面的技术优势：
分析本发明提供的上述一种气象卫星遥感云图检测分析处理方法可知，在具体应用时，通过气象卫星采集获得包含待检测地区的待检测云图信息；根据预设的地图模型确定待检测云图信息中的地区分区；将待检测云图信息的检测范围缩小到局部地区，便于后续检测分析气象信息所属的地区分区；然后根据地区分区内的云图图像中的各像素点的灰度矩阵获取所述地区分区内的云图图像的边缘信息；可精准获取气象信息的边缘信息，并在进行检测气象类型后可精准播报气象信息的区域；
基于地区分区内的云图图像的边缘信息与地区分区的地图模型，从云图图像中拆分出气象云图；在拆分得到气象云图后，可在后续确定气象类别时，不会受到地形地貌等地图模型的影响，可单独对气象云图进行检测分析出当前地区分区的气象类别；
根据预设的气象云图模型，识别当前云图图像的类别，进而确定当前地区分区的气象类别；通过预设的气象模型，利用当前的气象云图与气象模型进行对比，即可获取当前地区分区的气象类别；
分析上述技术方案可知，上述气象卫星遥感云图检测分析处理方法，其通过气象卫星采集获取待检测云图信息，然后通过地图模型判断出待检测云图信息所处在的地区中的地区分区（即为局部地区），进而可以确定出当前的局部地区的云图图像的边缘信息，然后通过云图图像的边缘信息和地图模型，将气象云图从云图图像中拆分出来，最终通过预设的气象云图模型与当前的气象云图进行对比，从而判断出气象云图所属的气象类别；通过上述处理方法同时可以达到对当前局部地区的气象信息进行精准检测判断的技术目的。
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为本发明实施例一提供的一种气象卫星遥感云图检测分析处理方法的操作流程示意图；
图2为本发明实施例一提供的一种气象卫星遥感云图检测分析处理方法中获取云图图像的边缘信息的操作流程示意图；
图3为本发明实施例一提供的一种气象卫星遥感云图检测分析处理方法中获取边缘像素点的操作流程示意图；
图4为本发明实施例一提供的一种气象卫星遥感云图检测分析处理方法中筛选获取拟真实边缘像素点的操作流程示意图；
图5为本发明实施例一提供的一种气象卫星遥感云图检测分析处理方法中筛选获取拟真实边缘像素点的模拟示意图；
图6为本发明实施例一提供的一种气象卫星遥感云图检测分析处理方法中获取拟真实边缘像素点的操作流程示意图。
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。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。
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
实施例 一
如图1所示，本发明提出了一种气象卫星遥感云图检测分析处理方法，包括如下操作步骤：
步骤S10：获取包含待检测地区的待检测云图信息，其中，所述待检测云图信息通过气象卫星采集获得（即气象卫星主要采集获得的包含有很多地形图像以及气象云图等构成的复合形式的图像，对此后续处理时要进行图像拆分识别处理）；
需要说明的是，上述待检测地区指的是本发明实施例需要检测分析处理的待检测气象卫星遥感云图所处在的地区；上述待检测云图信息即为待检测气象卫星遥感云图信息；上述待检测云图信息是通过气象卫星采集获取的，是由气象卫星自上而下观测到的地球上的云层覆盖和地表面特征的图像信息；
步骤S20：根据预设的地图模型确定所述待检测云图信息中的地区分区；
需要说明的是，上述预设的地图模型指的是包含地表面特征的地图模型，地图模型或称地图，是地理环境诸要素的缩影，是对整个地理环境抽象的结果，通过上述地图模型与待检测云图信息中的地表面特征进行对比，可确定当前待检测地区具体所体现的地区；预设的地图模型可具体包括地表上居民地、道路、水系、境界、土质、植被、山丘等基本地理要素。
由上述技术方案可知，本发明实施例所采用的技术方案的作用以及技术效果如下：当前获取的待检测云图信息是包含整个华北地区的待检测云图信息，根据预设的地图模型，通过地图模型中不同的地貌和当前云图信息中的地表面特征进行对比，确定待检测云图信息中的地区具体属于华北地区的地区分区，如属于北京地区，进而缩小待检测云图所属的区域（即锁定了局部区域），进而在进行气象类型确定时，可对单独（或称更小范围）区域分别进行气象类型识别输出，从而达到气象报告精准的效果，避免使用整个大区域方式进行气象预测的误差出现；上述技术方案缩小检测分析范围，进而可精准检测局部地区的气象信息；
步骤S30：根据所述地区分区内的云图图像（云图图像就是地区分区内对应的气象云图）中的各像素点的灰度矩阵获取所述地区分区内的云图图像的边缘信息；
需要说明的是，上述边缘信息指的是多个边缘像素点连接呈现的边缘线；在获取当前云图图像所处在的地区分区后，因为气象预报的专业性及时效性，需进一步地确定当前云图图像具体处在的地区，进而，需要识别出当前云图图像覆盖范围的地区，并根据当前云图图像覆盖范围的地区可识别出云图图像的具体轮廓，因此说锁定以及区分气象边界对于局部气象预测至关重要；
步骤S40：基于所述地区分区内的云图图像的边缘信息与所述地区分区的地图模型，从所述云图图像中拆分出气象云图（举例说明，其中的气象云图一般包括降水气象云图、雷电气象云图等等）；
需要说明的是，上述云图图像包括地形图像以及气象云图，同时可以理解为获取的云图图像是气象云图和地形图像叠加在一起的，通过上述操作，把地图和云图图像拆分，获取当前地区分区的云图图像；上述拆分气象云图的操作为图像分割技术，图像分割技术为现有技术，本发明实施例不再赘述。
步骤S50：根据预设的气象云图模型，识别当前云图图像的类别，进而确定当前所述地区分区的气象类别。
需要说明的是，上述气象云图模型是根据经验预设的多个气象云图模型，根据不同气象类型下的不同气象云图进行设置气象云图模型，可具体包括降水气象云图模型、地面凝结气象云图模型、视程障碍气象云图模型、雷电气象云图模型、其他气象云图模型等；并可对各个气象云图模型进行具体的分类与分级，如降水气象云图模型可分类为液态降水气象云图模型、固态降水气象云图模型等；降水气象云图模型可分级为一级（如小雨、小雪）、二级（如中雨、中雪）、三级（如大雨、大雪）、四级（如暴雨、暴雪、冰雹等）等；
本发明实施例中“预设的气象云图模型，识别当前云图图像的类别”所采用的技术方案具体操作为：预设相似度阈值；并以当前云图图像与预设的气象云图模型中的典型气象云图进行对比，分别获取当前云图图像与所有气象云图模型的相似度；若所述相似度大于预设的相似度阈值，则可确定当前的云图图像对应的气象类别；进而可确定当前地区的气象类别；
本发明实施例所采用的技术方案，基于地区分区内的云图图像的边缘信息与地区分区的地图模型，从云图图像中拆分出气象云图；拆分出气象云图，可用于与预设的气象云图模型中的典型气象云图进行对比，识别当前云图图像的类别，进而可确定当前地区分区（局部地区）的气象类别；进而使分区气象检测结果更加精准。
本发明实施例中采用的步骤S50使用的基于相似度算法的分析为常用方式，对此不再赘述；但是进一步的研究还发现，如何准确高效率的实现对获取云图图像的边缘信息也是本发明实施例需要克服的技术难点之一，为了克服上述技术难点采用了步骤S31-步骤S34的处理操作；
具体的，如图2所示，在步骤S30中，根据所述地区分区内的云图图像中的各像素点的灰度矩阵获取所述云图图像的边缘信息（边缘像素线），包括如下操作步骤：
步骤S31：将所述云图图像进行灰度化，获取灰度化图像；然后将所述灰度化图像通过高斯滤波算法计算，获取平滑图像；
需要说明的是，上述将云图图像进行灰度化，是指将云图图像灰度化，在云图图像的RGB模型中，如果R=G=B时，则彩色表示一种灰度颜色，其中R=G=B的值叫灰度值，因此，灰度图像每个像素点只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0-255；图像灰度化为现有技术，本发明实施例方案不再赘述；
上述高斯滤波算法是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程；通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素点值经过加权平均后得到；高斯滤波的具体操作是：用一个模板（或称卷积、掩模）扫描图像中的每一个像素点，用模板确定的邻域内像素点的加权平均灰度值去替代模板中心像素点的值；高斯滤波算法为现有技术，本发明实施例方案不再赘述；
将云图图像进行灰度化可以将彩色图像转化为黑白灰度图像，方便后续处理；通过高斯滤波算法计算平滑图像可以去除图像中的噪声和细节，使图像更加平滑和清晰，便于后续的图像处理和分析；同时，平滑图像也有助于图像的压缩和降噪。
步骤S32：获取所述平滑图像中的所有像素点；并分别对应获取所有所述像素点水平方向的一阶导数值及垂直方向的一阶导数值；基于所述像素对应的水平方向的一阶导数值与垂直方向的一阶导数值将所述平滑图像中的每个像素点通过像素点梯度计算，获取所述平滑图像中的每个像素点的梯度值；
所述像素点的梯度值的计算方式为：
Figure SMS_3
式中，G为像素点的梯度值；
Gx为像素点的水平方向的一阶导数值；
Gy为像素点的垂直方向的一阶导数值；
需要说明的是，本发明实施例是通过Sobel 算子进行计算获取像素点的梯度值；上述像素点的水平方向的一阶导数值与垂直方向的一阶导数值的计算方式为现有技术，本发明实施例不再赘述。
步骤S33：基于所述每个像素点的梯度值通过双阈值算法，将所述像素点区分为真实边缘像素点、边缘相关像素点、非边缘像素点（本发明实施例之所以选择使用上述双阈值算法对像素点进行分类是为了在判断获取边缘像素点时，若只有梯度值第一阈值获取真实边缘像素点，则获取到的边缘图像是不连贯的，加入梯度值第二阈值，可判断出拟边缘像素点，将真实边缘像素点与拟边缘像素点融合，然后进一步地获取边缘像素点）；通过所述真实边缘像素点、边缘相关像素点、非边缘像素点获取边缘像素点；
步骤S34：将所有所述边缘像素点进行融合并生成边缘图像（举例说明，基于边缘像素点连接成线即生成边缘线），并确定所述边缘图像为云图图像的边缘信息。
需要说明的是，将上述边缘像素点设置为255（白色），将上述非边缘像素点设置为0（黑色）得到边缘图像。
上述本发明实施例所采用的技术方案中，确定真实边缘像素点和拟真实边缘像素点可保障云图图像的边缘的绘制更加精准，使局部地区的云图的覆盖范围检测更加精准。
具体地，如图3所示，在步骤S33中，基于所述每个像素点的梯度和方向通过双阈值算法，将所述像素点区分为真实边缘像素点、边缘相关像素点、非边缘像素点；通过所述真实边缘像素点、边缘相关像素点、非边缘像素点获取边缘像素点，包括如下操作步骤：
步骤S331：预设梯度值第一阈值与梯度值第二阈值；遍历所有所述像素点，判断当前像素点的梯度值与所述梯度值第一阈值的关系；若所述当前像素点的梯度值小于所述梯度值第一阈值，则确定当前像素点为非边缘像素点；若所述当前像素点的梯度值大于或等于所述梯度值第一阈值，则确定当前像素点为待选真实边缘像素点；其中，所述梯度值第一阈值小于所述梯度值第二阈值；
步骤S332：判断所述待选真实边缘像素点的梯度值是否大于或等于所述梯度值第二阈值，若所述待选真实边缘像素点的梯度值大于或等于所述梯度值第二阈值，则确定当前待选真实边缘像素点为真实边缘像素点；
步骤S333：若所述待选真实边缘像素点的梯度值小于所述梯度值第二阈值，则确定所述待选真实边缘像素点为边缘相关像素点，并获取所述边缘相关像素点的邻域像素点；通过所述邻域像素点从所述边缘相关像素点中筛选拟真实边缘像素点；
步骤S334：确定所述真实边缘像素点与所述拟真实边缘像素点为边缘像素点；
在上述实施例的具体技术方案中，基于双阈值算法（针对梯度值的评估要素）是针对每个像素点以及平滑处理后的平滑图像中的像素点的特定场景实施的处理方法。在具体处理过程中，若当前像素点的梯度值小于上述梯度值第一阈值，则可判断出当前像素点为非边缘像素点；若当前像素点的梯度值大于或等于上述梯度值第一阈值并大于或等于上述梯度值第二阈值，则可确定当前像素点为边缘像素点；若当前像素点的梯度值大于或等于上述梯度值第一阈值，但小于上述梯度值第二阈值，则需要进行孤立性判断，上述孤立性判断是指获取所有大于或等于梯度值第一阈值并小于梯度值第二阈值的像素点，遍历所有像素点的邻域像素点，判断所有像素点对应的邻域像素点是否属于边缘像素点；若有像素点对应的邻域像素点为边缘像素点，则可确定当前像素点为边缘相关像素点，即为可确定当前像素点为真实边缘像素点。
在本发明实施例的技术方案具体实施时，技术人员进一步还发现在梯度值第一阈值与梯度值第二阈值之间的边缘相关像素点中，存在实际上可以描述为图像的边缘轮廓的像素点（其中，边缘轮廓的像素点包括真实边缘像素点和拟真实边缘像素点），因此还需在边缘相关像素点中筛选出在后续操作步骤中可以作为云图图像的边缘信息的像素点，即为上述提出的拟真实边缘像素点；
具体地，如图4所示，图4为本发明实施例一提供的一种气象卫星遥感云图检测分析处理方法中筛选获取拟真实边缘像素点的操作流程示意图；
在步骤S333中，获取所述边缘相关像素点的邻域像素点；通过所述邻域像素点从所述边缘相关像素点中筛选拟真实边缘像素点包括如下操作步骤：
步骤S3331：建立边缘相关像素点集合；并将所述边缘相关像素点放入所述边缘相关像素点集合；首次筛选拟真实边缘像素点遍历操作：遍历所述边缘相关像素点集合中的所有所述边缘相关像素点；随机选择所述边缘相关像素点集合中任意一个边缘相关像素点为目标边缘相关像素点；获取所述目标边缘相关像素点的多个邻域像素点；
需要说明的是，上述邻域像素点通常情况下为目标边缘相关像素点空间上相邻的8个像素点，例如，在一平面上，一点为目标边缘像素点，选择目标边缘像素点的左方相邻像素点、右方相邻像素点、上方相邻像素点、下方相邻像素点、左上方相邻像素点、左下方相邻像素点、右上方相邻像素点、右下方相邻像素点为邻域像素点；
步骤S3332：判断所述邻域像素点是否为真实边缘像素点；若所述多个邻域像素点中有真实边缘像素点，则确定所述目标边缘相关像素点为拟真实边缘像素点；
举例说明，如图5所示，图5为本发明实施例一提供的一种气象卫星遥感云图检测分析处理方法中筛选获取拟真实边缘像素点的模拟示意图；
图示中“10”为目标边缘相关像素点，“11”、“12”、“13”、“14”、“15”、“16”、“17”、“18”分别为目标边缘相关像素点“10”的八个方位的邻域像素点；若目标边缘相关像素点“10”的邻域像素点中“11”为真实边缘像素点，则确定目标边缘相关像素点“10”为拟真实边缘像素点；
步骤S3333：将当前所述拟真实边缘像素点对应的边缘相关像素点从所述边缘相关像素点集合中筛除，并返回上述“遍历所述边缘相关像素点集合中的所有所述边缘相关像素点；随机选择所述边缘相关像素点集合中任意一个边缘相关像素点为目标边缘相关像素点；获取所述目标边缘相关像素点的多个邻域像素点（即返回执行首次筛选拟真实边缘像素点遍历操作）”，继续进行筛选拟真实边缘像素点；直至所述边缘相关像素点集合为空。
在本发明实施例的技术方案具体实施时，技术人员进一步还发现，在目标边缘相关像素点的多个邻域像素点中有真实边缘像素点时，直接确定目标边缘相关像素点为拟真实边缘像素点中的一些目标边缘相关像素点的位置并不真正与真实边缘像素点贴近，也就是说这些目标边缘相关像素点并不能作为边缘像素点进行绘制边缘信息，因此，需要从相邻像素点为真实边缘像素点的边缘相关像素点中筛选确定符合边缘像素点的拟真实边缘像素点；
具体地，在步骤S3332中，若所述多个邻域像素点中有真实边缘像素点，则确定所述目标边缘相关像素点为拟真实边缘像素点，包括如下操作步骤：
步骤S33321：若所述多个邻域像素点中有真实边缘像素点，则将所述多个邻域像素点中有真实边缘像素点的边缘相关像素点进行线性变换，获取线性变换后的像素点；并计算所述线性变换后的像素点的梯度值，根据所述线性变换后的像素点的梯度值筛选获取拟真实边缘像素点。
具体地，如图6所示，在步骤S33321中，将所述多个邻域像素点中有真实边缘像素点的边缘相关像素点进行线性变换，获取线性变换后的像素点；并计算所述线性变换后的像素点的梯度值，根据所述线性变换后的像素点的梯度值筛选获取拟真实边缘像素点，包括如下操作步骤：
步骤S333211：初始化建立待确定拟真实边缘像素点集合，将所述多个邻域像素点中有真实边缘像素点的边缘相关像素点确定为待确定拟真实边缘像素点；并将所述待确定拟真实边缘像素点放入所述待确定拟真实边缘像素点集合中；
步骤S333212：遍历所述待确定拟真实边缘像素点集合中所有所述待确定拟真实边缘像素点；随机任意选择其中一个待确定拟真实边缘像素点为目标亚级像素点（即为目标待确定拟真实边缘像素点）；获取所述目标亚级像素点的灰度值K；将所述目标亚级像素点的灰度值进行线性变换操作，计算获取线性变换后的亚级像素点的灰度值SK；并确定所述线性变换后的亚级像素点的灰度值SK对应的像素点为S亚级像素点；获取所述S亚级像素点的水平方向的一阶导数值与垂直方向的一阶导数值；然后计算所述S亚级像素点的梯度值（即二次筛选拟真实边缘像素点遍历操作）；
所述亚级像素点的灰度值线执行性变换的计算方式（“亚级像素点的灰度值线执行性变换的计算方式”或称亚级像素点的灰度值线执行性变换得到的线性变换后的亚级像素点的灰度值计算方式）为：SK=K*a；
式中，SK为线性变换后的亚级像素点的灰度值（即SK为亚级像素点的灰度值进行线性变换后的亚级像素点的灰度值，随后在后续操作时再将上述线性变换后的亚级像素点的灰度值SK对应的像素点确定为S亚级像素点）；
K为亚级像素点的灰度值；
a为线性变换数值；a为常数；
所述S亚级像素点的梯度值的计算方式为：
Figure SMS_4
式中，SG为S亚级像素点的梯度值；
SGx为S亚级像素点的水平方向的一阶导数值；
SGy为S亚级像素点的垂直方向的一阶导数值；
步骤S333213：预设S亚级像素点梯度值最低阈值O；判断所述S亚级像素点的梯度值是否大于或等于所述S亚级像素点梯度值最低阈值O；若是，则判断所述S亚级像素点对应的待确定拟真实边缘像素点为拟真实边缘像素点；若否，则将所述S亚级像素点对应的待确定拟真实边缘像素点从所述待确定拟真实边缘像素点集合中筛除；
需要说明的是，若S亚级像素点的梯度值大于或等于S亚级像素点梯度值最低阈值O，则可确定当前的S亚级像素点可以作为拟真实边缘像素点，若S亚级像素点的梯度值小于S亚级像素点梯度值最低阈值O，则当前的S亚级像素点不可作为拟真实边缘像素点，则需要将当前S亚级像素点对应的待确定拟真实边缘像素点（由于S亚级像素点是通过一个亚级像素点进行线性变换操作后的到的，而亚级像素点是从待确定拟真实边缘像素点集合中选择的一个待确定拟真实边缘像素点，因此S亚级像素点会对应且只对应一个待确定拟真实边缘像素点）从待确定拟真实边缘像素点集合中筛除，不再进行下一步处理；
步骤S333214：将所述目标亚级像素点对应的所述待确定拟真实边缘像素点从所述待确定拟真实边缘像素点集合中筛除，并返回上述步骤S333212，继续进行筛选拟真实边缘像素点；直至所述待确定拟真实边缘像素点集合为空。
需要说明的是，上述步骤S333213中“将待确定拟真实边缘像素点从所述待确定拟真实边缘像素点集合中筛除”是指该待确定拟真实边缘像素点被删除，并不再进行后续操作；上述步骤S333214中“将待确定拟真实边缘像素点从所述待确定拟真实边缘像素点集合中筛除”是指该待确定拟真实边缘像素点已处理确认完毕，需放置一边，并继续进行处理确认其他待确定拟真实边缘像素点；
在确定了当前的S亚级像素点（S亚级像素点是对亚级像素点进行线性变换操作后的到的）对应的待确定拟真实边缘像素点（由于S亚级像素点是通过一个亚级像素点进行线性变换操作后的到的，而亚级像素点是从待确定拟真实边缘像素点集合中选择的一个待确定拟真实边缘像素点，因此S亚级像素点会对应且只对应一个待确定拟真实边缘像素点）为拟真实边缘像素点后，还需要继续遍历待确定拟真实边缘像素点集合中的其他待确定拟真实边缘像素点，因此需在此操作步骤中将其筛除后，继续遍历集合中的其他待确定拟真实边缘像素点，直至待确定拟真实边缘像素点集合为空。
综上所述，本发明实例提出的一种气象卫星遥感云图检测分析处理方法，通过气象卫星采集获取包含待检测地区的待检测云图信息；然后通过预设的地图模型进行确定待检测云图信息所属的地区分区，缩小检测分析范围，进而可精准检测局部地区的气象信息；然后将云图图像进行灰度化可以将彩色图像转化为黑白灰度图像，方便后续处理；通过高斯滤波算法计算平滑图像可以去除图像中的噪声和细节，使图像更加平滑和清晰，便于后续的图像处理和分析；同时，平滑图像也有助于图像的压缩和降噪；
进一步地，获取所有像素点的梯度值，通过双阈值算法，将像素点区分为像素点区分为真实边缘像素点、边缘相关像素点、非边缘像素点，然后根据边缘相关像素点的邻域像素点，将边缘相关像素点中的像素点进行线性变换，筛选出边缘相关像素点中的拟真实边缘像素点；进而选择出边缘相关像素点中真正可以作为边缘像素点的拟真实边缘像素点；
进一步地确定真实边缘像素点和拟真实边缘像素点为边缘像素点，将边缘像素点进行连线获取云图图像的边缘信息；基于地区分区内的云图图像的边缘信息与地区分区的地图模型，从云图图像中拆分出气象云图；拆分出气象云图，可用于与预设的气象云图模型进行对比，识别当前云图图像的类别，进而可确定当前地区分区（局部地区）的气象类别；进而使分区气象检测结果更加精准。
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；本领域的普通技术人员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 (8)

1.一种气象卫星遥感云图检测分析处理方法，其特征在于，包括如下操作步骤：
获取包含待检测地区的待检测云图信息，其中，所述待检测云图信息通过气象卫星采集获得；
根据预设的地图模型确定所述待检测云图信息中的地区分区；
根据所述地区分区内的云图图像中的各像素点的灰度矩阵获取所述地区分区内的云图图像的边缘信息；
基于所述地区分区内的云图图像的边缘信息与所述地区分区的地图模型，从所述云图图像中拆分出气象云图；
根据预设的气象云图模型，识别当前云图图像的类别，进而确定当前所述地区分区的气象类别。
2.根据权利要求1所述的一种气象卫星遥感云图检测分析处理方法，其特征在于，所述根据所述地区分区内的云图图像中的各像素点的灰度矩阵获取所述云图图像的边缘信息，包括如下操作步骤：
将所述云图图像进行灰度化，获取灰度化图像；然后将所述灰度化图像通过高斯滤波算法计算，获取平滑图像；
获取所述平滑图像中的所有像素点；并分别对应获取所有所述像素点水平方向的一阶导数值及垂直方向的一阶导数值；基于所述像素对应的水平方向的一阶导数值与垂直方向的一阶导数值将所述平滑图像中的每个像素点通过像素点梯度计算，获取所述平滑图像中的每个像素点的梯度值；
所述像素点的梯度值的计算方式为：
Figure QLYQS_1
式中，G为像素点的梯度值；
Gx为像素点的水平方向的一阶导数值；
Gy为像素点的垂直方向的一阶导数值；
基于所述每个像素点的梯度值通过双阈值算法，将所述像素点区分为真实边缘像素点、边缘相关像素点、非边缘像素点；通过所述真实边缘像素点、边缘相关像素点、非边缘像素点获取边缘像素点；
将所有所述边缘像素点进行融合并生成边缘图像，并确定所述边缘图像为云图图像的边缘信息。
3.根据权利要求2所述的一种气象卫星遥感云图检测分析处理方法，其特征在于，所述边缘信息为多个边缘像素点连接呈现的边缘线。
4.根据权利要求3所述的一种气象卫星遥感云图检测分析处理方法，其特征在于，所述基于所述每个像素点的梯度和方向通过双阈值算法，将所述像素点区分为真实边缘像素点、边缘相关像素点、非边缘像素点；通过所述真实边缘像素点、边缘相关像素点、非边缘像素点获取边缘像素点，包括如下操作步骤：
预设梯度值第一阈值与梯度值第二阈值；遍历所有所述像素点，判断当前像素点的梯度值与所述梯度值第一阈值的关系；若所述当前像素点的梯度值小于所述梯度值第一阈值，则确定当前像素点为非边缘像素点；若所述当前像素点的梯度值大于或等于所述梯度值第一阈值，则确定当前像素点为待选真实边缘像素点；其中，所述梯度值第一阈值小于所述梯度值第二阈值；
判断所述待选真实边缘像素点的梯度值是否大于或等于所述梯度值第二阈值，若所述待选真实边缘像素点的梯度值大于或等于所述梯度值第二阈值，则确定当前待选真实边缘像素点为真实边缘像素点；
若所述待选真实边缘像素点的梯度值小于所述梯度值第二阈值，则确定所述待选真实边缘像素点为边缘相关像素点，并获取所述边缘相关像素点的邻域像素点；通过所述邻域像素点从所述边缘相关像素点中筛选拟真实边缘像素点；
确定所述真实边缘像素点与所述拟真实边缘像素点为边缘像素点。
5.根据权利要求4所述的一种气象卫星遥感云图检测分析处理方法，其特征在于，所述获取所述边缘相关像素点的邻域像素点；通过所述邻域像素点从所述边缘相关像素点中筛选拟真实边缘像素点，包括如下操作步骤：
建立边缘相关像素点集合；并将所述边缘相关像素点放入所述边缘相关像素点集合；首次筛选拟真实边缘像素点遍历操作：遍历所述边缘相关像素点集合中的所有所述边缘相关像素点；随机选择所述边缘相关像素点集合中任意一个边缘相关像素点为目标边缘相关像素点；获取所述目标边缘相关像素点的多个邻域像素点；
判断所述多个邻域像素点中是否有真实边缘像素点；若所述多个邻域像素点中有真实边缘像素点，则确定所述目标边缘相关像素点为拟真实边缘像素点；
将当前所述拟真实边缘像素点对应的边缘相关像素点从所述边缘相关像素点集合中筛除，并返回上述首次筛选拟真实边缘像素点遍历操作的步骤，继续进行筛选拟真实边缘像素点；直至所述边缘相关像素点集合为空。
6.根据权利要求5所述的一种气象卫星遥感云图检测分析处理方法，其特征在于，所述若所述多个邻域像素点中有真实边缘像素点，则确定所述目标边缘相关像素点为拟真实边缘像素点，包括如下操作步骤：
若所述多个邻域像素点中有真实边缘像素点，则将所述多个邻域像素点中有真实边缘像素点的边缘相关像素点进行线性变换，获取线性变换后的像素点；并计算所述线性变换后的像素点的梯度值，根据所述线性变换后的像素点的梯度值筛选获取拟真实边缘像素点。
7.根据权利要求6所述的一种气象卫星遥感云图检测分析处理方法，其特征在于，所述将所述多个邻域像素点中有真实边缘像素点的边缘相关像素点进行线性变换，获取线性变换后的像素点；并计算所述线性变换后的像素点的梯度值，根据所述线性变换后的像素点的梯度值筛选获取拟真实边缘像素点，包括如下操作步骤：
初始化建立待确定拟真实边缘像素点集合，将所述多个邻域像素点中有真实边缘像素点的边缘相关像素点确定为待确定拟真实边缘像素点；并将所述待确定拟真实边缘像素点放入所述待确定拟真实边缘像素点集合中；
二次筛选拟真实边缘像素点遍历操作：遍历所述待确定拟真实边缘像素点集合中所有所述待确定拟真实边缘像素点；随机任意选择其中一个待确定拟真实边缘像素点为目标亚级像素点；获取所述目标亚级像素点的灰度值K；将所述目标亚级像素点的灰度值进行线性变换操作，计算获取线性变换后的亚级像素点的灰度值SK；并确定所述线性变换后的亚级像素点的灰度值SK对应的像素点为S亚级像素点；获取所述S亚级像素点的水平方向的一阶导数值与垂直方向的一阶导数值；然后计算所述S亚级像素点的梯度值；
所述亚级像素点的灰度值线执行性变换的计算方式为：SK=K*a；
式中，SK为线性变换后的亚级像素点的灰度值；
K为亚级像素点的灰度值；
a为线性变换数值；a为常数；
所述S亚级像素点的梯度值的计算方式为：
Figure QLYQS_2
式中，SG为S亚级像素点的梯度值；
SGx为S亚级像素点的水平方向的一阶导数值；
SGy为S亚级像素点的垂直方向的一阶导数值；
预设S亚级像素点梯度值最低阈值O；判断所述S亚级像素点的梯度值是否大于或等于所述S亚级像素点梯度值最低阈值O；若是，则判断所述S亚级像素点对应的待确定拟真实边缘像素点为拟真实边缘像素点；若否，则将所述S亚级像素点对应的待确定拟真实边缘像素点从所述待确定拟真实边缘像素点集合中筛除；
将所述目标亚级像素点对应的所述待确定拟真实边缘像素点从所述待确定拟真实边缘像素点集合中筛除，并返回上述二次筛选拟真实边缘像素点遍历操作的步骤，继续进行筛选拟真实边缘像素点；直至所述待确定拟真实边缘像素点集合为空。
8.根据权利要求2所述的一种气象卫星遥感云图检测分析处理方法，其特征在于，所述云图图像包括地形图像和气象云图。
CN202310485013.1A 2023-05-04 2023-05-04 一种气象卫星遥感云图检测分析处理方法 Active CN116206163B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310485013.1A CN116206163B (zh) 2023-05-04 2023-05-04 一种气象卫星遥感云图检测分析处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310485013.1A CN116206163B (zh) 2023-05-04 2023-05-04 一种气象卫星遥感云图检测分析处理方法

Publications (2)

Publication Number Publication Date
CN116206163A true CN116206163A (zh) 2023-06-02
CN116206163B CN116206163B (zh) 2023-07-04

Family

ID=86517673

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310485013.1A Active CN116206163B (zh) 2023-05-04 2023-05-04 一种气象卫星遥感云图检测分析处理方法

Country Status (1)

Country Link
CN (1) CN116206163B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646272A (zh) * 2012-02-23 2012-08-22 南京信息工程大学 基于局部方差和加权相结合的小波气象卫星云图融合方法
CN102682481A (zh) * 2012-05-28 2012-09-19 国家卫星气象中心 区域观测模式下地球几何特征信息确定方法
KR20130124091A (ko) * 2012-05-04 2013-11-13 주식회사 제이캐스트 영상처리를 이용한 기상장애 감지 시스템
CN104408297A (zh) * 2014-11-06 2015-03-11 北京航空航天大学 通用航空气象信息处理***
CN104766339A (zh) * 2015-04-29 2015-07-08 上海电气集团股份有限公司 一种地基天空图像的云团自动检测方法
CN104778517A (zh) * 2015-04-30 2015-07-15 国家电网公司 基于微气象与卫星遥感数据的微气象灾害预警方法及***
US20160267675A1 (en) * 2014-06-23 2016-09-15 Boe Technology Group Co., Ltd. Image edge detection method and apparatus thereof, image target identification method and apparatus thereof
US20200195847A1 (en) * 2017-08-31 2020-06-18 SZ DJI Technology Co., Ltd. Image processing method, and unmanned aerial vehicle and system
CN111666903A (zh) * 2020-06-10 2020-09-15 中国电子科技集团公司第二十八研究所 一种卫星云图中雷暴云团的识别方法
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法
CN114170503A (zh) * 2021-11-12 2022-03-11 西安中科西光航天科技有限公司 一种气象卫星遥感云图的处理方法
KR20220100214A (ko) * 2021-01-08 2022-07-15 대우조선해양 주식회사 국소 분할 기상 정보 제공 시스템
CN115631423A (zh) * 2022-06-20 2023-01-20 湖南省第二测绘院 顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102646272A (zh) * 2012-02-23 2012-08-22 南京信息工程大学 基于局部方差和加权相结合的小波气象卫星云图融合方法
KR20130124091A (ko) * 2012-05-04 2013-11-13 주식회사 제이캐스트 영상처리를 이용한 기상장애 감지 시스템
CN102682481A (zh) * 2012-05-28 2012-09-19 国家卫星气象中心 区域观测模式下地球几何特征信息确定方法
US20160267675A1 (en) * 2014-06-23 2016-09-15 Boe Technology Group Co., Ltd. Image edge detection method and apparatus thereof, image target identification method and apparatus thereof
CN104408297A (zh) * 2014-11-06 2015-03-11 北京航空航天大学 通用航空气象信息处理***
CN104766339A (zh) * 2015-04-29 2015-07-08 上海电气集团股份有限公司 一种地基天空图像的云团自动检测方法
CN104778517A (zh) * 2015-04-30 2015-07-15 国家电网公司 基于微气象与卫星遥感数据的微气象灾害预警方法及***
US20200195847A1 (en) * 2017-08-31 2020-06-18 SZ DJI Technology Co., Ltd. Image processing method, and unmanned aerial vehicle and system
CN111666903A (zh) * 2020-06-10 2020-09-15 中国电子科技集团公司第二十八研究所 一种卫星云图中雷暴云团的识别方法
CN111985329A (zh) * 2020-07-16 2020-11-24 浙江工业大学 基于FCN-8s和改进Canny边缘检测的遥感图像信息提取方法
KR20220100214A (ko) * 2021-01-08 2022-07-15 대우조선해양 주식회사 국소 분할 기상 정보 제공 시스템
CN114170503A (zh) * 2021-11-12 2022-03-11 西安中科西光航天科技有限公司 一种气象卫星遥感云图的处理方法
CN115631423A (zh) * 2022-06-20 2023-01-20 湖南省第二测绘院 顾及气象预测云图和传感器测摆的遥感卫星覆盖预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张松，李军，高飞: "区域气象自动站故障分析及处理", 《应用技术》, pages 197 *
马宇熹,赵承忠,***: "GMS云图技术及应用", 城市道桥与防洪, no. 04 *

Also Published As

Publication number Publication date
CN116206163B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN107463918B (zh) 基于激光点云与影像数据融合的车道线提取方法
CN110263717B (zh) 一种融入街景影像的土地利用类别确定方法
Schiewe Segmentation of high-resolution remotely sensed data-concepts, applications and problems
Lu et al. Object-oriented change detection for landslide rapid mapping
CN108416784B (zh) 城市建成区边界快速提取方法、装置及终端设备
CN108256491B (zh) 无预设靶标的复杂场景无人机自主降落候选区筛选方法
CN114973028B (zh) 一种航拍视频图像实时变化检测方法及***
CN106920235A (zh) 基于矢量底图匹配的星载光学遥感影像自动校正方法
CN116778105A (zh) 基于多精度三维测绘数据融合建模方法
JP4747122B2 (ja) 特定領域自動抽出システム、特定領域自動抽出方法、および、プログラム
CN115690081A (zh) 一种树木计数方法、***、存储介质、计算机设备及终端
CN108492288B (zh) 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法
CN114722944A (zh) 点云精度确定方法、电子设备及计算机存储介质
Youn et al. Extracting urban road networks from high-resolution true orthoimage and lidar
CN109063564B (zh) 一种目标变化检测方法
CN115311556A (zh) 一种用于自然资源管理的遥感影像处理方法及***
Dowman Automating image registration and absolute orientation: solutions and problems
Li et al. Hybrid cloud detection algorithm based on intelligent scene recognition
CN116206163B (zh) 一种气象卫星遥感云图检测分析处理方法
CN113139994A (zh) 基于角点的高分辨率光学遥感卫星图像建筑物高度监测方法
Beumier et al. Deriving a DTM from a DSM by uniform regions and context
Grigillo et al. Classification based building detection from GeoEye-1 images
Gecen et al. Road detection from high and low resolution satellite images
Lehrbass et al. Urban tree cover mapping with relief-corrected aerial imagery and LiDAR
CN114445394A (zh) 一种地表变化检测方法和***

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