CN116682024A - 一种基于四波段遥感影像的快速云检测方法 - Google Patents
一种基于四波段遥感影像的快速云检测方法 Download PDFInfo
- Publication number
- CN116682024A CN116682024A CN202310674406.7A CN202310674406A CN116682024A CN 116682024 A CN116682024 A CN 116682024A CN 202310674406 A CN202310674406 A CN 202310674406A CN 116682024 A CN116682024 A CN 116682024A
- Authority
- CN
- China
- Prior art keywords
- cloud
- image
- band
- images
- remote sensing
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 238000002310 reflectometry Methods 0.000 claims abstract description 33
- 230000011218 segmentation Effects 0.000 claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 22
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007493 shaping process Methods 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 5
- 230000004044 response Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- SESFRYSPDFLNCH-UHFFFAOYSA-N benzyl benzoate Chemical compound C=1C=CC=CC=1C(=O)OCC1=CC=CC=C1 SESFRYSPDFLNCH-UHFFFAOYSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
- G06V10/26—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
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于四波段遥感影像的快速云检测方法。该方法采用红、绿、蓝、近红外四波段的表观反射率信息,分别计算雾度优化变换指数,CI指数以及可见带比,根据对雾度优化变换指数的直方图特征选择三个不同阈值进行阈值分割,得到的三个二值图分别对CI指数影像进行掩膜处理,对处理结果计算类间方差,将最大值作为最终阈值,对拉伸变换到[0,255]值域的CI影像进行阈值分割,当所在像素满足条件时,当且仅当在可见带比影像所在的相同位置的像素值大于0.7、蓝色波段像素值大于0.56时,该像素则认为是云像素,由所有的云像素构成的集合即为遥感影像中云所在的区域。该方法云检测速度快,精度高,满足海量卫星影像批量处理需求。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种基于四波段遥感影像的快速云检测方法。
背景技术
高分遥感影像空间分辨率高,数据类型复杂,为了有效提取影像中涵盖的目标区域,利用标签数据和数据集通过深度学习的方法进行语义分割是当前重要的手段,而制作标签数据是其技术实现的基础,面对海量数据进行快速云定位可为数据标定提供极大便利。为此发明了一种针对测遥感卫星影像的快速云检测方法。
基于全球范围内云平均覆盖率较高,高空中云的存在严重影响了有效信息的提取,使用阈值法的云检测备受青睐,能够简单快速的对影像中的云进行分类。常规的云检测方法一般使用多个阈值,或结合腐蚀膨胀、羽化的方法。(DING N.Near-Ultraviolet toNear-Infrared Band Thresholds Cloud Detection Algorithm for TANSAT-CAPI[J].Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy ofSciences,Changchun 130033,China Changchun Institute of Optics,Fine Mechanicsand Physics,Chinese Academy of Sciences,Changchun 130033,China ChangchunInst,2021,Vol.13(No.10):1906.;KARTHICK M,SHANMUGAM P.Spectral index-baseddynamic threshold technique for detecting cloud contamination in ocean colourdata[J].Ocean Optics and Imaging Laboratory,Department of Ocean Engineering,Indian Institute of Technology Madras,Chennai,India,2020,Vol.41(No.5):1839-66.)这些方法都是基于光谱信息进行分类,也就意味着,当云像元与其他像元在光学特性区别较大时,云检测效果较好,但对影响中薄云和具有高反射率的地表信息,具有较大的误判率。也有学者提出了结合云纹理特征的云检测方法,在基于光谱信息的基础之上,结合云的纹理特征,进行识别,弥补光谱信息上的不足和分类指标的单一性,通过提取不同类型的云纹理,如积云纹理、层云纹理、卷积云纹理等,使用基于局部卡方距离进行云判别。(DONGZ,WANG M,LI D,et al.Cloud detection method for high resolution remote sensingimagery based on the spectrum and texture of superpixels(Article)[J].StateKey Laboratory of Information Engineering in Surveying,Mapping and RemoteSensing,Wuhan University,Wuhan,430079,China;Collaborative Innovation Centerof Geospatial Technology,Wuhan,430079,Chi,2019,Vol.85(No.4):257-68.;LI Z,SHENH,LI H,et al.Multi-feature combined cloud and cloud shadow detection inGaoFen-1wide field of view imagery[J].Wuhan University,School of Resource andEnvironmental Sciences,Wuhan,China,12390;Wuhan University,State KeyLaboratory of Information Engineering in Surveying,Wuhan,China,12390;University of Pavia,Department of E,2017,Vol.191:342-58.)。由于纹理匹配的增加,能够一定程度上提高云检测的准确率,但也因此云检测的速度减半,效率降低。同时也就意味着,当云纹理特征提取不到位,或云纹理库不够丰富时,会直接导致云检测结果失真。由于模式识别和机器学习算法领域的突破,通过训练数据优化模型参数,得到较高云检测精度的网络。然而,这些有利的特征需要在大量计算后手动提取,以获得更好的检测精度(GUPTA R,JAGANNATH NANDA S.Cloud detection in satellite images with classicaland deep neural network approach:A review[J].Dept of Computer Science,Vidyasagar University,West Bengal,India;Dept of Computer Science and BCA,Kharagpur College,West Bengal,India;Dept of Computer Science and Engineering,North Eastern Regional Institute o,2022,Vol.81(No.22):31847-80.),因此寻找一种快速云检测算法,为其在深度学习方向的训练模型提供数据,降低人工量尤为必要。
发明内容
针对用监督分类方法实现遥感图像高精度的云检测,目前普遍存在训练数据集依赖人工处理,工作量大、耗时长,且标记准确性取决于标记者的先验知识这一问题,提出一种基于四波段遥感影像的快速云检测方法,利用雾度优化变换(HOT)指数、CI指数、可见带比(VBR)、蓝波段云的反射特性,结合自动确定阈值的最大类间方差法(OTSU)完成云检测任务,发挥经典算法具有运算速度快,人工成本和时间成本低的优势,同时较大程度解决了信息量丰富的卫星影像高精度的数据标记的问题。实现方式包括以下步骤:
步骤1,图像预处理,获取表观反射率和提取影像各波段信息。提取遥感影像的红、绿、蓝、近红外四波段反射率,若影像数据是L1类型,则先进行辐射定标,再将辐亮度转换为大气层顶反射率,用该反射率参与后续计算。由于高分影像的DN值为图像的数字量化值,将DN值转换为辐亮度值,以消除传感器本身误差。需要注意的是,因为卫星传感器工作的时长导致的损耗等,每年传感器的定标系数和偏移量需重新测定,导致辐射定标公式或有出入。对应辐射定标公式为:
L=gain·DN+bias (1)
式中,gain为定标系数增益,bias为定标偏移量,L为卫星载荷波段处等效辐射亮度,其定标参数可从中国资源环境卫星平台获取。
大气外太阳辐照度会因太阳高度角,日地距离以及光谱波段的差异引起遥感变化,为了尽可能的降低其对影像质量的影像,需将辐亮度转换为大气层顶反射率(TOA),又称表观反射率。计算TOA公式为:
其中,ρi为大气层顶反射率,L为大气层顶进入卫星传感器的光谱辐照亮度,单位为W·m-2-sr-1·μm-1,D表示日地距离,单位为天文单位;ESUN表示大气层顶的平均太阳光谱辐照度,单位为W·m-2-sr-1·μm-1,θ为太阳天顶角,与太阳高度角互余。
值得注意的是,若从卫星下载的原始数据是已经过自动矫正处理后的L2等级数据,则可直接跳过步骤1操作。
步骤2,多指数影像生成,包括计算雾度优化变换(HOT)指数,影像的可见带比VBR以及CI指数影像。
HOT指数是利用蓝色波段反射率与红色波段反射率的0.5倍进行差值计算的。根据雾霾等光谱响应的敏感程度,结合地物和云对不同光谱在蓝色和红色波段中的响应不同,云像元HOT值常常高于非云像元,通过计算雾度优化变换指数可将含不同地表覆盖类型的高分影像中云像元和雾霾等非云像元差异放大。HOT对应公式为:
HOT=B1-B3/2 (3)
其中,B1、B3为蓝色波段和红色波段的表观反射率。
计算影像的可见带比VBR。分别提取影像上个像素点在蓝、绿、红三通道的反射率,并选择在该三通道中反射率最小值除以在该三波段中反射率最大的值作为影像的VBR。由于厚云的低透射,其在蓝波段,红色波段以及绿色波段的反射率普遍较高,影像中云像素的辐亮度值接近,可见带比率值接近于1。VBR对应公式为:
其中,B1、B2、B3分别为蓝色波段、绿色波段和红色波段的表观反射率。
通常情况下,由云的物理特性决定其在各波段的放射率都高,而下垫面反射率常常在一个会几个波段的反射率高,因此,可以通过计算CI影像,对像元在四波段上的反射率进行均值化,进一步增加云和非云像元的差异,对应数学表达式为:
CI=0.25(B1+B2+B3+B4) (5)
步骤3,初步建立云掩模。
创建与输入图像相同大小的全零矩阵Pclound 1、Pclound 2、Pclound 3,Pclound,,将HOT指数元素按按从小到大排列并统计HOT指数影像像元个数,取占像元总数的70%、80%、90%处位置的像元值为分割阈值T1、T2、T3,当HOT值大于T1时,Pclound 1在满足条件的对应位置置1,当HOT值大于T2时,Pclound2在满足条件的对应位置置1,当HOT值大于T3时,Pclound 3在满足条件的对应位置置1。以此分别得到三个二值图像Pclound 1、Pclound 2、Pclound 3,并将Pclound 1、Pclound 2、Pclound 3分别掩膜CI指数影像,得到对应可能云区P1、P2、P3。其中,分割阈值Ti的计算表达式为:
Ti=Index(n*∑PixelX*Sort(X)) (6)
其中Sort()函数是对变量X影像进行逐像元排序,排序方式为从小到大,PixelX表示对影像X进行直方图统计,n的取值为0.7、0.8和0.9,分别对应i的值为1,2,3。Index()函数表示取变值下标所对应的索引值。
计算的粗糙的云掩模P1、P2、P3可用下式计算得到:
Pi=Pcloundi*CI (8)
其中,i可取1、2、3,Pcloundi表示二值图像,HOT为雾度优化变换指数,Ti为对应的分割阈值,Pi为掩膜后的图像
步骤4,多域值分割。
计算P1、P2、P3的最大类间方差T_otsu。将CI指数拉伸至0~255整形范围得到CI_uint8,当CI_uint8图像的像元值大于图像T_otsu图像的像元值,且VBR>0.7、band3>0.56同时满足时,在全零矩阵Pclound在满足条件的对应像元对应的相同位置置1,得到最终的云掩模图Pclound。
其中,最大类间方差的计算公式可表示为:
式中,w0、w1分别表示前景区域像素总数占图像像素总数比值,背景区域像素总数占图像像素总数比值,分别表示前景区域和背景区域各自的平均灰度值,常通过遍历方差值,取最大值为最佳阈值。
本发明在保证了云检测速度的同时,提高了云检测的精度,云检测精度最高可达99%,可有效的应用于遥感影像的数据集标签制作的前置工作,大大降低针对遥感数据的高精度语义分割类实验而必要的人工标注的工作量,降低云噪声对图像目标信息处理的影响。
本发明具有以下优点和积极效果:
1)多阈值的分类弥补了单阈值分割的片面性,在自适应阈值的基础之上,结合多阈值限制,能够对海岸、河流和影像中的道路进行屏蔽,得到相对完整的云区域。
2)相对于自适应阈值,结合了最大类间方差法的多阈值的云检测方法对云区分类效果明显更好,在大部分情况下能够排除高亮水体影像,云识别效率较高,适用性强,对于非高亮地区的识别具有较高的准确率和精确率,一定程度上满足海量卫星影像自动化处理的需求。
该方法可广泛用于环境保护和遥感卫星等相关行业。
附图说明
图1是本发明的一种基于四波段遥感影像的快速云检测方法的流程图。
图2是根据经典OTSU算法原理,获取了不同高分一号卫星遥感影像的灰度直方图,可见不同类型的地表的像元值均呈现阶段性的变化,局部集中,单波段直方图出现一次或两次波峰,亮白云像素DN值在1023左右。当处理存在两次波峰的直方图影像时,仅计算各波段灰度直方图的OTSU无法对云取得较好的区分度,而HOT和CI指数提高了云像素的辨识度,因此结合多指数再计算最大类间方差法作为后续分割的结果。
图3是步骤4中,利用传统的OTSU算法分不同阈值(T1、T2、T3)进行阈值时实验结果:从左到右依次是:原图,阈值T1分割结果,阈值T2分割结果,阈值T3分割结果。
图4是本发明提出的快速云检测的效果图:从左到右依次是:原图,云检测结果图。
图5是本发明提出的方法实验过程中,对108景影像进行实验验证的结果,其中左侧图片为对108景影像进行云检测的准确率折线图,其中含方块的折线图为取阈值为T1时检测效果,含圆形的折线图为取阈值为T2时检测效果,含方块的折线图为取阈值为T3时检测效果,右侧图片为对108景影像进行云检测的精确率折线图,实验所选阈值分别与左图相同。
图6是用本发明方法对108景影像进行云检测的精度占比情况,准确率在90%以上的有79景,其中介于90%到95%之间的有25景,介于95%到99%之间的有54景,平均准确率为92.31,精确率低于90%的共16景,剩余92景的平均精确率为91.18%,其中86景精确率在96%以上,76景精确率在99%以上。其中有3副无云影像,云检测精度为0,也是直接拉低云检测的平均精确,恰恰说明,本发明云检测方法,不适用于无云影像。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限制本发明。
为了克服现有技术的局限,本发明提出了一种基于四波段的遥感影像云检测方法,对于具有红、绿、蓝和近红外波段的遥感卫星同样可以借鉴参考,解决了遥感影像波段信息不足的问题,有效使用较少波段信息实现高精度的云检测,同时增强云检测的鲁棒性和云检测效率。
本发明选取了公开的全球验证数据集(http://sendimage.whu.edu.cn/en/mfc/)作为实验对象,为了便于实验验证,节选了其中一景影像并裁剪出涵盖传统算法容易错检的高亮地表和水域等下垫面,参见图4。实验环境为Intel(R)Core(TM)i7-10700F [email protected]+32.0GB RAM,实验的基本的代码编译环境为可为python、C++、Matlab工具等。在此以MATLAB为例。
步骤1,获取表观反射率和提取影像各波段信息。L2影像的数据时经过辐射定标后的影像,可直接读取红、绿、蓝、近红外四波段的反射率。若为L1影像数据,需按照辐射定标和表观反射率的公式进行计算。需要注意的是,以高分一号为例,因为卫星传感器工作的时长导致的损耗等,每年传感器的定标系数和偏移量需重新测定,导致辐射定标公式或有出入,其包含的定标参数可从中国资源环境卫星平台获取。若下载的数据是已经经过辐射定标的L2级数据,可直接跳过步骤1。
步骤2,生成多指数影像。根据雾度优化变换指数公式和可见带比计算公式,得到相应HOT影像和VBR影像,并计算CI影像。利用蓝色波段反射率与红色波段反射率的0.5倍进行差值计算得到HOT指数,数学表达式为,
HOT=B1-B3/2 (1)
根据雾霾等光谱响应的敏感程度,结合地物和云对不同光谱在蓝色和红色波段中的响应不同,云像元HOT值常常高于非云像元,通过计算雾度优化变换指数可将含不同地表覆盖类型的高分影像中云像元和雾霾等非云像元差异放大。
计算影像的可见带比VBR。分别提取影像上个像素点在蓝、绿、红三通道的反射率,并选择在该三通道中放射率最小值除以在该三波段中反射率最大的之作为影像的VBR,数学表达式为,
由于厚云的低透射,其在蓝波段,红色波段以及绿色波段的反射率普遍较高,影像中云像素的辐亮度值接近,可见带比率值接近于1。
通常情况下,由云的物理特性决定其在各波段的放射率都高,而下垫面反射率常常在一个会几个波段的反射率高,因此,可以通过计算CI影像,对像元在四波段上的反射率进行均值化,进一步增加云和非云像元的差异,对应数学表达式为:
CI=0.25(B1+B2+B3+B4) (3)
步骤3,初步建立云掩模。创建与输入图像相同大小的全零矩阵Pclound 1、Pclound 2、Pclound 3,Pclound,,将HOT指数元素按按从小到大排列并统计HOT指数影像像元个数,取占像元总数的70%、80%、90%处位置的像元值为分割阈值T1、T2、T3,当HOT值大于T1时,Pclound 1在满足条件的对应位置置1,当HOT值大于T2时,Pclound 2在满足条件的对应位置置1,当HOT值大于T3时,Pclound 3在满足条件的对应位置置1。以此分别得到三个二值图像Pclound1、Pclound 2、Pclound 3,并将Pclound 1、Pclound 2、Pclound 3分别掩膜CI指数影像,得到对应可能云区P1、P2、P3。其中,分割阈值Ti的计算表达式为:
Ti=Index(n*∑PixelX*Sort(X)) (4)
其中Sort()函数是对变量X影像进行逐像元排序,排序方式为从小到大,PixelX表示对影像X进行直方图统计,n的取值为0.7、0.8和0.9,分别对应i的值为1,计算的粗糙的云掩模P1、P2、P3可用下式计算得到:
Pi=Pcloundi*CI (6)
其中,i可取1、2、3,Pcloundi表示二值图像,HOT为雾度优化变换指数,Ti为对应的分割阈值,Pi为掩模后的图像。
步骤4,多域值分割。计算P1、P2、P3的最大类间方差T_otsu。计算类间方差的数学表达式为,
式中,w0、w1分别表示前景区域像素总数占图像像素总数比值,背景区域像素总数占图像像素总数比值,分别表示前景区域和背景区域各自的平均灰度值,常通过遍历方差值,取最大值为最佳阈值。
将CI指数拉伸至0~255整形范围得到CI_uint8,当CI_uint8图像的像元值大于图像T_otsu图像的像元值,且VBR>0.7、band3>0.56同时满足时,在全零矩阵Pclound在满足条件的对应像元对应的相同位置置1,得到最终的云掩模图Pclound,所得结果如图4右图所示。
在对涵盖复杂地貌和海洋区域的108景影像进行实验验证时,实验结果如图5和图6所示。在定性的评价指标下,通过人工目视,当前算法能够对影像中大部分的云进行准确识别;在定量的评价指标下,排除无云影像和低云量影像,云识别的准确率平均值为94.52%,精确率的平均值均为98.97%,其中最高精度达到99%。这说明使用提出的基于四波段遥感影像的快速云检测方法实现了具有一定鲁棒性和精度较高的云定位。
具体实施时,本发明可采用计算机软件技术实现自动运行流程。
应当理解的是,上述面对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明专利要求所保护的范围情况下,还可以做出替换和变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (5)
1.一种基于四波段遥感影像的快速云检测方法,其特征在于:利用四波段光谱信息实现不同地区遥感影像的云像元的自动识别,实现方式包括以下步骤:
步骤1,影像预处理;获取光学卫星高分一号卫星遥感影像,提取影像的红、绿、蓝和近红外四通道的数字量化值,将值代入辐射定标公式,输出结果作为参数传入表观反射率公式,计算各像素点的表观反射率,得到L2等级的遥感影像;
步骤2,多指数影像生成;对L2等级的影像分别计算雾度优化变换HOT指数,可见带比VBR以及CI指数影像;
步骤3,初步建立云掩模;对HOT指数影像进行直方图统计,分别取占70%、80%、90%的分位值,对HOT指数影像进行阈值分割,得到三个掩膜图分别对CI影像进行掩膜处理,得到三个可能云区P1、P2、P3;
步骤4,多域值分割,计算P1、P2、P3的最大类间方差T_otsu;将CI指数拉伸至0~255整形范围得到CI_uint8,当CI_uint8图像的像元值大于图像T_otsu图像的像元值,且该像元位置对应VBR所在位置的像元值大于0.7时,蓝色波段的反射率大于0.56时,当且仅当该条件同时满足,在全零矩阵Pclound在满足条件的对应像元对应的相同位置置1,得到最终的云掩模图Pclound。
2.如权利要求1所述的一种基于四波段遥感影像的快速云检测方法,其特征在于:步骤1实现方式为:仅需使用四波段信息的表观反射率;若在初始获取遥感影像时,本身遥感影像是L2等级数据,便可跳过步骤1,直接进行步骤2操作。
3.如权利要求1所述的一种基于四波段遥感影像的快速云检测方法,其特征在于:步骤2实现方式为,利用雾度优化变换指数区分云和晴空像元,
HOT=B1-B3/2 (1)
其中,B1、B3为蓝色波段和红色波段的表观反射率;
利用厚云的低透射,其在蓝波段,红色波段以及绿色波段的反射率普遍较高,影像中云像素的辐亮度值接近,可见带比率值接近于1的特性,计算可见带比VBR,
其中,B1、B2、B3分别为蓝色波段、绿色波段和红色波段的表观反射率;
利用云的物理特性,其在各波段的放射率都高,而下垫面反射率常常在一个会几个波段的反射率高,计算CI指数影像,
CI=0.25(B1+B2+B3+B4) (3)
其中,B1、B2、B3、B4分别为蓝色波段、绿色波段、红色波段和近红外波段的表观反射率。
4.如权利要求1所述的一种基于四波段遥感影像的快速云检测方法,其特征在于:步骤3实现方式为,初步创建四个掩膜,将阈值分割后的雾度优化变换指数影像对CI指数影像进行掩膜处理,表达式为,
pi=Pcloundi*CI (5)
其中,i可取1、2、3,HOT为雾度优化变换指数,Ti为对应的分割阈值,Pcloundi表示二值图像,pi为掩膜后的图像。
5.如权利要求1所述的一种基于四波段遥感影像的快速云检测方法,其特征在于:步骤4实现方式为,对步骤3中生成的掩模图进行计算最大类间方差,得到的最大值作为分割阈值,参与对CI指数影像进行拉伸后的阈值分割,对同时满足时VBR>0.7、band3>0.56的像素位置置1,其它像素置0,得到最终的云掩模图Pclound得到最终云掩膜图,完成云检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310674406.7A CN116682024A (zh) | 2023-06-08 | 2023-06-08 | 一种基于四波段遥感影像的快速云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310674406.7A CN116682024A (zh) | 2023-06-08 | 2023-06-08 | 一种基于四波段遥感影像的快速云检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116682024A true CN116682024A (zh) | 2023-09-01 |
Family
ID=87780651
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310674406.7A Pending CN116682024A (zh) | 2023-06-08 | 2023-06-08 | 一种基于四波段遥感影像的快速云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116682024A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590397A (zh) * | 2024-01-18 | 2024-02-23 | 北京香田智能科技有限公司 | 基于sar影像的海岸带变化检测方法和电子设备 |
-
2023
- 2023-06-08 CN CN202310674406.7A patent/CN116682024A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590397A (zh) * | 2024-01-18 | 2024-02-23 | 北京香田智能科技有限公司 | 基于sar影像的海岸带变化检测方法和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
CN109146889B (zh) | 一种基于高分辨率遥感图像的农田边界提取方法 | |
Tian et al. | New spectrum ratio properties and features for shadow detection | |
CN107610164B (zh) | 一种基于多特征混合的高分四号影像配准方法 | |
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
CN107330875B (zh) | 基于遥感图像正反向异质性的水体周边环境变化检测方法 | |
CN112016436A (zh) | 一种基于深度学习的遥感影像变化检测方法 | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN111553922B (zh) | 一种卫星遥感影像自动云检测方法 | |
CN105405138B (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN111008664B (zh) | 一种基于空谱联合特征的高光谱海冰检测方法 | |
Mostafa et al. | Shadow identification in high resolution satellite images in the presence of water regions | |
CN108051371A (zh) | 一种面向生态环境参量遥感反演的阴影提取方法 | |
CN110705449A (zh) | 一种土地利用变化遥感监测分析方法 | |
Guo et al. | Haze and thin cloud removal using elliptical boundary prior for remote sensing image | |
CN116682024A (zh) | 一种基于四波段遥感影像的快速云检测方法 | |
Suarez et al. | Learning image vegetation index through a conditional generative adversarial network | |
CN106204596B (zh) | 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 | |
CN111882573A (zh) | 一种基于高分辨率影像数据的耕地地块提取方法及*** | |
Wei et al. | Remote sensing image aircraft detection technology based on deep learning | |
CN116129280A (zh) | 一种遥感影像雪检测的方法 | |
CN111915625B (zh) | 一种能量积分的遥感影像地形阴影自动检测方法和*** |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231008 Address after: 443002, China Three Gorges University, 8, University Road, Hubei, Yichang Applicant after: CHINA THREE GORGES University Applicant after: HUANGGANG POWER SUPPLY COMPANY, STATE GRID HUBEI ELECTRIC POWER Co.,Ltd. Address before: 443002, China Three Gorges University, 8, University Road, Hubei, Yichang Applicant before: CHINA THREE GORGES University |