CN102509262A - 一种遥感图像薄云去除方法 - Google Patents
一种遥感图像薄云去除方法 Download PDFInfo
- Publication number
- CN102509262A CN102509262A CN2011103157720A CN201110315772A CN102509262A CN 102509262 A CN102509262 A CN 102509262A CN 2011103157720 A CN2011103157720 A CN 2011103157720A CN 201110315772 A CN201110315772 A CN 201110315772A CN 102509262 A CN102509262 A CN 102509262A
- Authority
- CN
- China
- Prior art keywords
- image
- cloud
- remote sensing
- sensing images
- images
- 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
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种遥感图像薄云去除方法,该方法采用图像处理设备对待处理遥感图像进行去云处理,待处理遥感图像为数字遥感图像且其为多光谱图像或全色图像;其薄云去除方法包括以下步骤:一、通过低通滤波处理提取噪音图像;二、低通滤波边缘效应消除处理;三、利用提取出的噪音图像,对需去云处理的各波段图像进行去云处理;四、显示去云处理结果,适当调整滤波核大小尺寸并相应比较去云处理结果,找出去云效果最佳的目标图像。本发明设计合理、方法步骤简单、适用面广且实现方便、去云处理效果好,能有效解决现有遥感图像去云方法存在的实现困难、操作过程复杂、处理速度慢、去云处理效果较差等多种实际问题。
Description
技术领域
本发明属于遥感图像恢复处理技术领域,尤其是涉及一种遥感图像薄云去除方法。
背景技术
遥感技术在国土资源调查、环境监测、地质灾害应急指挥、农林估产、海洋、气象等许多领域得到广泛和频繁的应用,各类遥感图像的需求日益扩大,对图像质量的要求越来越高。由于受到气候的影响,尤其是对于四川盆地和气候湿润地区,部分遥感图像上带有薄云或薄雾,而且常常没有可选的余地。这里的“薄云层”是指叠加在遥感影像上的白色团块状、絮状图斑,部分的覆盖了地表,但是仍然能隐约反映地物;薄云彩的“阴影”是表现为深色团块状、絮状图斑,起源于云层,其上的地物隐约可见。上述薄云及其阴影区域影响图像的判读,为此需要一种较好的针对大数据量遥感图像的薄云去除方法。
长期以来,薄云和薄雾带来的噪音一直困扰着遥感应用人员,经过不懈的研究,人们提出了替换法、频域去云(亦称同态滤波)、空域滤波去云等处理方法。
其中,替换法采用是在分析和识别图像云彩及其阴影的基础上,选择同一地区不同传感器的图像局部,或同一传感器时相(成像季节)相近无云图像中的局部,来替换另一图像上的云影,被替换的图像有近似的成像季节和地面景物特征。因而替换之前,必须两幅图像之间要进行精确的几何配准和色调调整,并解决替换边界两侧的亮度差异。但在实际工作中,用于替换的替换图像往往难于获取。
频域去云的方法是通过傅里叶变换,将空域转换成频域,进行同态滤波处理,利用压缩亮度范围和增强对比度来改善图像的视觉效果。其局限性在于:适合于小图像,无法处理大数据量遥感图像,并且转换过程中的中间数据特别大,消耗大量内存,处理速度急剧下降,甚至根本就无法继续运算。此外对有云区域处理时,同时处理了无云的区域,破坏了无云区域的图像;同时,会产生严重的边界效应,边界呈现变白趋势,影响图像判读,因而处理效果不好。
曹爽等提出基于小波同态滤波的去云处理方法,相比于传统的同态滤波,在其他参数不改变的情况下,能够保留更丰富的影像细节信息,去云的效果得到了改进。但是。还存在一些问题函待解决,如薄云区域选取、直方图匹配参考区域选择及参数选择等工作都需人工参与,不适合所有影像。而且,云含量及均匀程度对去云效果均有很大影响,此外同态滤波方法难以实现大幅图像的运算,只能用于小块图像的试验和理论研究。
谢华美研究的空域滤波去云法,具体处理过程是:对图像进行重采样、薄云识别、云的厚度估计,再使用拉普拉斯算子增强有云区域的对比度,并对不同厚度的云层分别降低不同的亮度,然后进行图像恢复,从而实现去云。这种方法速度快,占用计算机的内存少,得到的图像效果尚可。可是,使用空域滤波去云法对不同的图像进行处理的时候,需要丰富的先验知识和较强的遥感图像去云处理经验,要不断地调整参数,才能得到满意的效果,不能稳定地获得高质量的去云图像,适用性相对较差。
目前,常见通用图像处理软件(如PCI、ERDAS、ENVI等)中,缺乏去除薄云及其阴影、薄雾的适用模块;上述现有的相关去云方法,如同态滤波法(傅里叶变化、小波变换),基本都停留在理论上,尚未形成实用的软件,而且试验处理的图像基本为豆腐块,即小块试验区,处理速度也难以满足生产需求。
虽然替换法得到了广泛的关注,可是前提是必须有同一区域的、时间相近的图像做替换品,这样才能基本保证结果图像的协调统一。这个前提条件通常难以满足,而且在图像上,如何圈定替换的边界因人而异,边界两侧需要作协调处理。
综上,在目前能查阅到的各类相关去云处理的技术中,均不同程度地存在一系列缺陷,难以满足生产需要。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种遥感图像薄云去除方法,其设计合理、方法步骤简单、适用面广且实现方便、去云处理效果好,能有效解决现有遥感图像去云方法存在的实现困难、操作过程复杂、处理速度慢、去云处理效果较差等问题。
为解决上述技术问题,本发明采用的技术方案是:一种遥感图像薄云去除方法,其特征在于:该方法采用图像处理设备对待处理遥感图像进行去云处理,所述待处理遥感图像为数字遥感图像且其为多光谱图像或全色图像;
当所述待处理遥感图像为多光谱图像时,其薄云去除方法包括以下步骤:
步骤一、噪音图像提取,其提取过程如下:
101、蓝光波段光谱信息分离:所述图像处理设备调用光谱信息检测及分离模块,对待处理遥感图像的影像数据进行分析处理,并自待处理遥感图像中分离出蓝光波段图像;所述蓝光波段图像上存在通过肉眼可判断出的覆云区域,所述覆云区域为因存在遮挡背景使得所拍摄地物隐约可见的图像区域;
102、低通滤波处理:所述图像处理设备调用低通滤波处理模块且按常规的低通滤波方法,对步骤101中分离出的所述蓝光波段图像进行低通滤波处理,以保留所述蓝光波段图像上覆云区域的遮挡背景信息,并相应获得所述蓝光波段图像的遮挡背景图像;所述蓝光波段图像的遮挡背景图像为需提取的噪音图像;
步骤二、可见光波段图像去云处理:所述图像处理设备对待处理遥感图像中的可见光波段图像进行去云处理,所述可见光波段图像的数量为一个或多个且各可见光波段图像的去云处理方法均相同;对于任一个可见光波段图像而言,其去云处理过程如下:
201、需去云可见光波段光谱信息分离:所述图像处理设备调用光谱信息检测及分离模块,对待处理遥感图像的影像数据进行分析处理,并自待处理遥感图像中分离出需进行去云处理的可见光波段图像;此时,所分离出的可见光波段图像为待处理可见光波段图像;
202、可见光波段图像去云处理:所述图像处理设备调用去云处理模块二,且根据公式an(i,j)=bn(i,j)/Cn(i,j),对所述待处理可见光波段图像进行去云处理;
式中,an(i,j)为去云处理后所述待处理可见光波段图像上任一像素点的亮度值,bn(i,j)为去云处理前所述待处理可见光波段图像上任一像素点的亮度值,Cn(i,j)为步骤一中所述噪音图像上任一像素点的亮度值,其中n为步骤201中分离出的可见光波段图像的波段号,i表示行且j表示列;
当所述待处理遥感图像中可见光波段图像的数量为一个时,按照步骤201至步骤202中所述的去云处理方法,对所述待处理遥感图像中的可见光波段图像进行去云处理;且可见光波段图像的去云处理过程完成后,便完成所述待处理遥感图像的全部去云处理过程,获得去云处理后的目标图像;
当所述待处理遥感图像中可见光波段图像的数量为多个时,需多次重复步骤201至步骤202,直至完成所述待处理遥感图像中所有可见光波段图像的去云处理过程;且所述待处理遥感图像中所有可见光波段图像的去云处理均完成后,便完成所述待处理遥感图像的全部去云处理过程,获得去云处理后的目标图像;
当所述待处理遥感图像为全色图像时,所述全色图像为其上存在覆云区域的蓝光单色图像,且其薄云去除方法包括以下步骤:
步骤I、噪音图像提取:所述图像处理设备调用低通滤波处理模块且按常规的低通滤波方法,对所述蓝光单色图像进行低通滤波处理,以保留所述蓝光单色图像上覆云区域的遮挡背景信息,并相应获得所述蓝光单色图像的遮挡背景图像;所述蓝光单色图像的遮挡背景图像为需提取的噪音图像;
步骤II、图像去云处理:所述图像处理设备调用去云处理模块二,且根据公式a(i,j)=b(i,j)/C(i,j),对所述蓝光单色图像进行去云处理;
式中,a(i,j)为去云处理后所述蓝光单色图像上任一像素点的亮度值,b(i,j)为去云处理前所述蓝光单色图像上任一像素点的亮度值,C(i,j)为步骤I中所述噪音图像上任一像素点的亮度值,其中i表示行且j表示列。
上述一种遥感图像薄云去除方法,其特征是:步骤102中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素;步骤二中可见光波段图像去云处理完成后,所述图像处理设备还需对所述目标图像进行直观显示;之后,对步骤102中进行低通滤波处理时的滤波核大小进行多次增减调整,并分别按照步骤一和步骤二中所述的去云处理方法,相应获得多个滤波核大小调整后的目标图像,且通过所述图像处理设备对所获得的滤波核大小调整后的多个目标图像进行直观显示;最后,通过肉眼对滤波核大小未调整前获取的目标图像和滤波核大小调整后获取的多个所述目标图像的去云处理效果进行对比,并从中选出去云处理效果最好的目标图像;
步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素;步骤II中图像去云处理完成后,所述图像处理设备还需对所述目标图像进行直观显示;之后,对步骤I中进行低通滤波处理时的滤波核大小进行多次增减调整,并分别按照步骤I和步骤II中所述的去云处理方法,相应获得多个滤波核大小调整后的目标图像,且通过所述图像处理设备对所获得的滤波核大小调整后的多个目标图像进行直观显示;最后,通过肉眼对滤波核大小未调整前获取的目标图像和滤波核大小调整后获取的多个所述目标图像的去云处理效果进行对比,并从中选出去云处理效果最好的目标图像。
上述一种遥感图像薄云去除方法,其特征是:步骤101中所述的覆云区域为因被薄云层、薄云彩、薄雾或霾遮盖而出现遮挡背景,并使得所拍摄地物隐约可见的图像区域。
上述一种遥感图像薄云去除方法,其特征是:步骤二中所述的可见光波段图像为红光波段图像、绿光波段图像或蓝光波段图像。
上述一种遥感图像薄云去除方法,其特征是:步骤一中和步骤I中进行噪音图像提取之前,先通过所述图像处理设备对所述待处理遥感图像进行直观显示,再通过肉眼找出所述待处理遥感图像上存在的覆云区域;步骤102中或步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素,且m=35~90;
步骤102中或步骤I中进行低通滤波处理之前,根据所述待处理遥感图像上所存在的覆云区域的图像清晰程度和区域分布范围大小情况确定低通滤波的滤波核大小;
当所述待处理遥感图像上所存在覆云区域的图像清晰程度越差,低通滤波的滤波核越小;反之亦然;
且当所述待处理遥感图像上所存在覆云区域的分布范围越大,低通滤波的滤波核越大;反之亦然。
上述一种遥感图像薄云去除方法,其特征是:步骤102中或步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素,且90≥m≥47。
上述一种遥感图像薄云去除方法,其特征是:步骤102中或步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素;且步骤102中或步骤I中进行低通滤波处理后,所述图像处理设备还需调用低通滤波边缘效应消除模块,对所述噪音图像上的低通滤波边缘效应待消除区域进行消除处理,所述低通滤波边缘效应待消除区域包括边界线外侧图像区域和边界线内侧需消除图像区域,所述边界线外侧图像区域为有效边界线外侧的图像区域,所述边界线内侧需消除图像区域为包括所述有效边界线内侧m个像素点的图像区域,所述有效边界线为所述有效边界线为通过所述图像处理设备对所述待处理遥感图像进行边缘检测获得的边界线或者与通过所述图像处理设备的参数输入装置人为输入的边界宽度值相对应的图像边界线,且所述待处理遥感图像位于所述有效边界线外侧的所有像素点的亮度值均为0,其消除处理过程如下:
1021、边界线外侧图像区域的像元值处理:所述图像处理设备调用所述低通滤波边缘效应消除模块,将所述噪音图像上处于边界线外侧图像区域内的所有像素点亮度值均修改为0;
1022、边界线内侧需消除图像区域像元值处理:所述图像处理设备调用所述低通滤波边缘效应消除模块对所述边界线内侧需消除图像区域进行处理,将所述边界线内侧需消除图像区域内所有像素点的亮度值均修改为最靠近所述边界线内侧需消除图像区域中心部位的像素点亮度值。
本发明与现有技术相比具有以下优点:
1、去云处理方法设计合理、处理步骤简单且实现方便。
2、使用操作简便,只需属兔需去云的待处理遥感图像,之后选择低通滤波窗口尺寸(即滤波核尺寸),再选择原图像边缘可能出现的空白区域宽度值,系统便可自动完成去云处理过程。同时,系统的运算速度较快,根据统计,用core 2E8200CPU处理一幅5000×5000的图像4波段图像,约需时间15分钟,如果使用更先进的电脑速度会大幅提升。
3、去云处理效果好,在尽量少的人为干预下,实现去除薄云及其阴影的目的,能有效去除遥感图像上薄云及其阴影、雾霾等噪音与干扰,提高阴影区的图像亮度,提升遥感图像的利用价值。
4、具有实际生产价值,所处理的目标图像像素达到目前常规高分辨率卫星遥感图像的像素,不小于5000×5000像素。
5、实际进行去云处理时,主要包括噪音图像提取、低通滤波边缘效应消除处理、可见光波段图像去云处理和通过改正滤波核尺寸优化去云处理效果。其中,对薄云层及其阴影的分离方法(即噪音图像)设计独特,分离的噪音图像实际上是大尺度低通滤波的结果,与云彩及其阴影产生的空间噪音效果相吻合。通过低通滤波边缘效应消除处理对图像边界附近低通滤波的缺陷进行了修正,确保了图像边缘的去云处理效果与中心区域一致。可见光波段图像去云处理时,以比值法对常见遥感图像中红、绿、蓝波段的薄云层进行滤除,其结果是薄云层及其阴影被有效去除,但是薄云下、阴影里的地物细节得到显著增强。
6、实用价值高,适用于目前常见的Quickbird、IKONOS、Geo-eye1、worldview2等卫星以及航空数码相机的多光谱图像,由于这些图像的数据量比较庞大,先采用本发明去除图面的薄云层及其阴影、薄雾、霾等,然后再开展融合等后续处理,能大幅度提高遥感图像的处理速度。采用本发明进行去云处理后,被处理遥感图像的背景图像信息可以得到充分增强。同时,由于低通滤波窗口可调节,而滤波窗口的大小直接决定了对云雾噪音分离的效果,也决定了最终去云处理的效果,而云层的大小是随机的,因而实际应用过程中,依次适当改变低通滤波窗口尺寸,例如47×47、67×67、87×87等尺寸,并通过比较去云结果,决定取舍。
7、适用范围广,能适用于多光谱遥感图像(包括卫星和航空遥感图像)和全色遥感图像(包括卫星和航空遥感图像)的薄云、薄雾或霾噪音分离和去除处理。因而,本发明适用于所有受到薄云、薄雾等影响的遥感图像,包括航天和航空图像,能有效去除薄云层及其阴影的影响,增强图像细节,降低图像的模糊度。
综上所述,本发明设计合理、方法步骤简单、适用面广且实现方便、去云处理效果好,能有效解决现有遥感图像去云方法存在的实现困难、操作过程复杂、处理速度慢、去云处理效果较差等多种实际问题。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的去云方法流程框图。
图2a为采用本发明去云处理前四川德阳市的蓝光单色遥感图像。
图2b为采用本发明去云处理前四川德阳市的绿光单色遥感图像。
图2c为采用本发明去云处理前四川德阳市的红光单色遥感图像。
图2d为采用本发明去云处理前四川德阳市的近红外波段单色遥感图像。
图3a为图2a中红色框选区域的局部放大图。
图3b为图2b中红色框选区域的局部放大图。
图3c为图2c中红色框选区域的局部放大图。
图3d为图2d中红色框选区域的局部放大图。
图4a为采用大小为47×47个像素的滤波核对图2a中蓝光波段图像进行低通滤波后所提取噪音图像的整体效果图。
图4b为采用大小为83×83个像素的滤波核对图2a中蓝光波段图像进行低通滤波后所提取噪音图像的整体效果图。
图5a为采用本发明对图2a中蓝光波段图像进行低通滤波处理后所得到噪音图像的全景效果图。
图5b为图5a中红色框选部分的局部子区放大示意图。
图5c为图5b中红色框选部分的局部更小子区放大示意图。
图6a为采用本发明对图2a中蓝光波段图像消除边缘效应处理前的图像边缘部位示意图。
图6b为采用本发明对图2a中蓝光波段图像消除边缘效应处理后的图像边缘部位示意图。
图7a采用本发明去云处理前四川德阳市快鸟图像的模拟真彩色合成结果图。
图7b为采用本发明对图7a进行去云处理后的目标图像。
图7c为去云处理前模拟真彩色合成结果图中上部红色框选区域的局部放大图。
图7d为采用本发明对图7a进行去云处理后上部红色框选区域的局部放大图。
图7e为去云处理前模拟真彩色合成结果图中下部红色框选区域的局部放大图。
图7f为采用本发明对图7d进行去云处理后下部红色框选区域的局部放大图。
具体实施方式
实施例1
如图1所示的一种遥感图像薄云去除方法,采用图像处理设备对待处理遥感图像进行去云处理,所述待处理遥感图像为数字遥感图像且其为多光谱图像,该方法包括以下步骤:
步骤一、蓝色波段图像去云处理,其去云处理过程如下:
101、噪音图像提取,其提取过程如下:
101、蓝光波段光谱信息分离:所述图像处理设备调用光谱信息检测及分离模块,对待处理遥感图像的影像数据进行分析处理,并自待处理遥感图像中分离出蓝光波段图像;所述蓝光波段图像上存在通过肉眼可判断出的覆云区域,所述覆云区域为因存在遮挡背景使得所拍摄地物隐约可见的图像区域。
此时,所获得的蓝光波段图像为蓝光波段单色图像。
多光谱遥感图像是同时在多个窄的光谱波段上对同一对象(地域或目标)进行观测所获得的图像,它反映了观测对象在各个窄光谱波段上的反射、透射或辐射特性,因而包含了观测对象的更多信息。多光谱遥感图像在航空/航天、地质勘探、环境监测、探月工程等许多领域有非常重要的应用。由于多光谱图像是指对地物辐射中多个单波段的摄取,因而摄取到的影象数据中会有多个波段的光谱信息,对各个不同的波段分别赋予RGB颜色将得到彩色影象。本实施例中,所述待处理遥感图像为卫星遥感图像或航空遥感图像。
本实施例中,步骤101中所述的覆云区域为因被薄云层、薄云彩、薄雾或霾遮盖而出现遮挡背景,并使得所拍摄地物隐约可见的图像区域。其中,薄云层是指叠加在遥感影像上的白色团块状、絮状图斑,其部分覆盖了地表,但是仍然能隐约反映地物;薄云彩的阴影表现为深色团块状、絮状图斑,起源于云层,遥感影像上的地物隐约可见;薄雾是指淡薄的雾气,其叠加在遥感影像上后使得地表上的地物隐约可见;霾是指空气中因悬浮着大量的烟、尘等微粒而形成的混浊形象,其叠加在遥感影像上后使得地表上的地物隐约可见。
由于云层和雾气中的主要物质为水蒸气,根据遥感成像原理,当电磁波穿过云层时,波长较短的蓝光波段受到云层的影响最大,而波长较长的红光波段和近红外波段受到的影响较小。
图2a-图2d为去云处理前四川德阳市的快鸟图像(待处理遥感图像),该遥感图像的成像时间为2008年4月18日,在当地正值春雨季节,油菜盛开,大气湿度高,薄云和雾气常现,想获得无云的图像极为难得,所以不得不采用薄云覆盖的图像(即存在覆云区域的遥感图像)。同时,该遥感图像共计四波段,图2a为去云处理前四川德阳市的蓝光(第一波段)单色遥感图像,图2b为去云处理前四川德阳市的绿光(第二波段)单色遥感图像,图2c为去云处理前四川德阳市的红光(第三波段)单色遥感图像,图2d为去云处理前四川德阳市的近红外(第四波段)波段单色遥感图像。遥感图像上的薄云覆盖区(即所述覆云区域)主要位于农作物覆盖区,尤其是河谷及居民区附近,通过肉眼观测发现:从图2a-图2d中所拍摄的单色遥感图像中薄云及其阴影的影响逐渐降低,近红外波段(第四波段)的影响微弱。
图3a-图3d为去云处理前局部放大的四川德阳市快鸟图像,其中图3a为图2a中红色框选区域的局部放大图,图3b为图2b中红色框选区域的局部放大图,图3c为图2c中红色框选区域的局部放大图,图3d为图2d中红色框选区域的局部放大图,其中图2a-图2d的红色框选区域分别为有薄云覆盖的地区。
结合图2a-图2d和图3a-图3d,且通过分析各类卫星和航空多光谱遥感图像发现:在有薄云覆盖的地区,蓝光波段的遥感图像上云层表现得最明显,而红光波段和近红外波段的遥感图像上云层不显著。也就是说,蓝光波段的遥感图像上云层覆盖区对图像清晰度的影响程度大,而红光波段和近红外波段的的遥感图像上云层覆盖区对图像清晰度的影响程度小,因而进行去云处理时,主要对蓝光波段的遥感图像进行去云处理。
102、低通滤波处理:所述图像处理设备调用低通滤波处理模块且按常规的低通滤波方法,对步骤101中分离出的所述蓝光波段图像进行低通滤波处理,以保留所述蓝光波段图像上覆云区域的遮挡背景信息,并相应获得所述蓝光波段图像的遮挡背景图像;所述蓝光波段图像的遮挡背景图像为需提取的噪音图像。
实际操作过程中,步骤一中进行噪音图像提取之前,先通过所述图像处理设备对所述待处理遥感图像进行直观显示,再通过肉眼找出所述待处理遥感图像上存在的覆云区域;步骤102中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素,且m=35~90。
所谓滤波从理论上讲是将信号与滤波核做一下卷积,换到图像滤波领域来,通俗地讲就是存在一个滤波核,通常覆盖m×m个像素,滤波核也表示为m×m的方阵。方阵的每一个元素代表所对应的像素的滤波权重;然后,以图像中的每一个像素为中心作用这个滤波核,对该核所包含的所有像素权重求和,得出的结果写入一个新的图像中,该图像就是滤波后的图像。
本实施例中,步骤102中进行低通滤波处理之前,根据所述待处理遥感图像上所存在的覆云区域的图像清晰程度和区域分布范围大小情况确定低通滤波的滤波核大小;
当所述待处理遥感图像上所存在覆云区域的图像清晰程度越差,低通滤波的滤波核越小;反之亦然;
且当所述待处理遥感图像上所存在覆云区域的分布范围越大,低通滤波的滤波核越大;反之亦然。
本实施例中,m=47,且实际进行低通滤波处理时,90≥m≥47。此处所给定的低通滤波核缺省参数是针对目前常见1m分辨率图像的较理想参数,实际操作时,用户可以随意调整参数。
综上,步骤一中主要是对云层引起的蓝光波段图像进行噪音分离,获得分离出的噪音图像,具体是通过大尺度低通滤波,滤波核大小为47×47。这样,经低通滤波处理后高频信息(如地物的边缘细节等)被过滤掉,留下的是云层及其阴影等低频信息(即噪音图像),噪音图像详见图4a和图4b。也就是说,实际对蓝色波段图像进行低通滤波时,具体是对蓝色波段图像进行频域滤波,最终过滤掉图像上的高频信息,保留低频信息(即噪音图像),其低通滤波方法与常规图像低通滤波方法相同。实际进行滤波处理时,滤波核大小的选择比较灵活,对分布较广的大片薄云可以采用较大的滤波核,对于分布范围相对较小的较厚云层可以采用较小的滤波核,根据具体情况确定。
图4a和图4b为蓝色波段图像经大尺度低通滤波后得到的云层及其阴影图像(即噪音图像),其中图4a为采用大小为47×47个像素的滤波核产生的滤波效果,图4b为采用大小为83×83个像素的滤波核产生的滤波效果。在图4a和图4b所示的噪音图像上,云层区域为白色絮状图斑,阴影区域为深灰-黑色絮状图斑,与野外自然状况比较相似;同时,图中地物细节完全消失,原图像上面积较大的局部高亮或深色区域,对滤波效果的影响,随着滤波核的扩大而减小。也就是说,滤波核越大,原待处理遥感图像上的覆云区域地物自身亮度对滤波效果所产生的影响越小;反之亦然。因而,应适当选择滤波核大小。
由于原图像即所述待处理遥感图像的边缘存在空白区,空白区内像元亮度值均为0,因而在步骤102中进行低通滤波分离噪音图像时,会对位于边缘部分的真正图像区域带来严重的干扰,具体是会产生如图5a-图5c所示的低通滤波导致的边缘效应,从而影响后续的去云彩效果。
图5a-图5c为低通滤波处理后导致的边缘效应效果图,其中,图5a为采用本发明对图2a中蓝光波段图像进行低通滤波处理后所得到噪音图像的全景效果图,图5b为图5a中红色框选部分的局部子区放大示意图,图5c为图5b中红色框选部分的局部更小子区放大示意图。由图5a-图5c可见,由于原图像边缘存在空白区,而空白区内像元亮度值为0,则在低通滤波分离噪音时,会对位于边缘的真正图像区域带来严重的干扰,从而影响后续的去云彩的效果。所以必须对步骤102中所获得噪音图像的边缘部位进行低通滤波边缘效应消除处理。
本实施例中,步骤102中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素;且步骤102中进行低通滤波处理后,所述图像处理设备还需调用低通滤波边缘效应消除模块,对所述噪音图像上的低通滤波边缘效应待消除区域进行消除处理,所述低通滤波边缘效应待消除区域包括边界线外侧图像区域和边界线内侧需消除图像区域,所述边界线外侧图像区域为有效边界线外侧的图像区域,所述边界线内侧需消除图像区域为包括所述有效边界线内侧m个像素点的图像区域,所述有效边界线为所述有效边界线为通过所述图像处理设备对所述待处理遥感图像进行边缘检测获得的边界线或者与通过所述图像处理设备的参数输入装置人为输入的边界宽度值相对应的图像边界线,且所述待处理遥感图像位于所述有效边界线外侧的所有像素点的亮度值均为0,其消除处理过程如下:
1021、边界线外侧图像区域的像元值处理:所述图像处理设备调用所述低通滤波边缘效应消除模块,将所述噪音图像上处于边界线外侧图像区域内的所有像素点亮度值均修改为0;
1022、边界线内侧需消除图像区域像元值处理:所述图像处理设备调用所述低通滤波边缘效应消除模块对所述边界线内侧需消除图像区域进行处理,将所述边界线内侧需消除图像区域内所有像素点的亮度值均修改为最靠近所述边界线内侧需消除图像区域中心部位的像素点亮度值。
也就是说,所述边界线内侧需消除图像区域进行消除处理时,将所述边界线内侧需消除图像区域内所有像素点的亮度值均修改为最靠近所述边界线内侧需消除图像区域中心部位的像素点亮度值,即将所述边界线内侧需消除图像区域内的像素点亮度值均修改为该区域中心部位的像素点亮度值,参照所述边界线内侧需消除图像区域内中心部位的像素点亮度值对该区域内的所有像素点亮度值进行修改。
具体而言:所述边界线内侧需消除图像区域内侧为图像有效区,所述边界线内侧需消除图像区域中位于所述图像有效区上侧、下侧、左侧和右侧的区域将分为上侧区域、下侧区域、左侧区域和右侧区域。对于上侧区域来说,先找出上侧区域的几何中心线,在上侧区域内几何中心线上下两侧的像素点亮度值均修改为几何中心线上的像素点亮度值,若几何中心线上无像素点,则修改为最靠近几何中心线的像素点亮度值。下侧区域的消除处理方法与上侧区域相同。对于左侧区域来说,先找出左侧区域的几何中心线,在左侧区域内几何中心线左右两侧的像素点亮度值均修改为几何中心线上的像素点亮度值,若几何中心线上无像素点,则修改为最靠近几何中心线的像素点亮度值。右侧区域的消除处理方法与左侧区域相同。
综上,由于必须对所述噪音图像的边缘部位进行低通滤波边缘效应(具体是边缘模糊效应)消除处理,以弥补大尺度低通滤波带来的边缘效应,确保图像四周具有与中央区域同样的去云彩处理效果,具体是按照步骤1021和步骤1022中所述的消除处理方法进行处理,其消除处理前后对比结果详见图6a和图6b。
图6a和图6b为噪音图像消除边缘效应前后的局部区域对比图,图6a为采用本发明对图2a中蓝光波段图像消除边缘效应处理前的图像边缘部位示意图。其中黑色区域为原图像边缘的空白区;图6b为采用本发明对图2a中蓝光波段图像消除边缘效应处理后的图像边缘部位示意图,处理后因低通滤波带来的边缘效应得到修正,图中右半部分的白色区域完全对应原图像上的图像有效区,这样在去除云彩时,图像边缘的地物细节才能达到有效的保护并降噪。总之,消除边缘效应的方法是:以原图像上四周有效像元所在的位置为边界线(该边界相应适用于噪音图像),边界线外的滤波结果(具体是像元亮度值)赋0值,边界线内且靠近边界线一个滤波核边长范围内的滤波值,以该范围内最靠近中心部位的滤波值替换。
步骤二、可见光波段图像去云处理:所述图像处理设备对待处理遥感图像中的可见光波段图像进行去云处理,所述可见光波段图像的数量为一个或多个且各可见光波段图像的去云处理方法均相同;对于任一个可见光波段图像而言,其去云处理过程如下:
201、需去云可见光波段光谱信息分离:所述图像处理设备调用光谱信息检测及分离模块,对待处理遥感图像的影像数据进行分析处理,并自待处理遥感图像中分离出需进行去云处理的可见光波段图像;此时,所分离出的可见光波段图像为待处理可见光波段图像。
202、可见光波段图像去云处理:所述图像处理设备调用去云处理模块二,且根据公式an(i,j)=bn(i,j)/Cn(i,j),对所述待处理可见光波段图像进行去云处理;
式中,an(i,j)为去云处理后所述待处理可见光波段图像上任一像素点的亮度值,bn(i,j)为去云处理前所述待处理可见光波段图像上任一像素点的亮度值,Cn(i,j)为步骤一中所述噪音图像上任一像素点的亮度值,其中n为步骤201中分离出的可见光波段图像的波段号,i表示行且j表示列。本实施例中,Cn(i,j)为步骤一中所述噪音图像上任一像素点的亮度值中的“噪音图像”为经低通滤波边缘效应消除处理后的噪音图像。
当所述待处理遥感图像中可见光波段图像的数量为一个时,按照步骤201至步骤202中所述的去云处理方法,对所述待处理遥感图像中的可见光波段图像进行去云处理;且可见光波段图像的去云处理过程完成后,便完成所述待处理遥感图像的全部去云处理过程,获得去云处理后的目标图像;
当所述待处理遥感图像中可见光波段图像的数量为多个时,需多次重复步骤201至步骤202,直至完成所述待处理遥感图像中所有可见光波段图像的去云处理过程;且所述待处理遥感图像中所有可见光波段图像的去云处理均完成后,便完成所述待处理遥感图像的全部去云处理过程,获得去云处理后的目标图像。
本实施例中,处理后所得目标图像与待处理遥感图像(即原图像)的数据类型相同,图像数据格式为以波段为单位顺序存放,即BSQ格式。同时,实际操作过程中,本发明也可以对其它格式的遥感图像。
本实施例中,步骤二中所述的可见光波段图像为红光波段图像、绿光波段图像或蓝光波段图像。也就是说,具体是对红光波段图像、绿光波段图像和蓝光波段图像分别进行去云处理。
本实施例中,步骤102中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素;步骤二中可见光波段图像去云处理完成后,所述图像处理设备还需对所述目标图像进行直观显示;之后,对步骤102中进行低通滤波处理时的滤波核大小进行多次增减调整,并分别按照步骤一和步骤二中所述的去云处理方法,相应获得多个滤波核大小调整后的目标图像,且通过所述图像处理设备对所获得的滤波核大小调整后的多个目标图像进行直观显示;最后,通过肉眼对滤波核大小未调整前获取的目标图像和滤波核大小调整后获取的多个所述目标图像的去云处理效果进行对比,并从中选出去云处理效果最好的目标图像。
也就是说,步骤二中可见光波段图像去云处理完成后,还需进行去云处理结果检查,具体是通过所述图像处理设备对去云处理后的目标图像进行直观显示,并通过肉眼观测判断去云处理结果,具体是覆云区域图像的清晰程度。如果去云处理效果欠佳,则调整滤波核尺寸并相应重复步骤一、低通滤波边缘效应消除处理和步骤二中所述的方法步骤进行处理,并相应获得多个目标图像,从中选出去云效果最佳的目标图像。具体而言:步骤二中可见光波段图像去云处理完成后,还需显示去云处理结果(即目标图像),再适当调整滤波核的尺寸,如由47×47个像素变换为37×37个像素、67×6个像素7、87×87个像素等,每种大小滤波核的去云处理效果,保留最好的处理结果。
图7a-图7f为采用本发明对多光谱遥感图像进行去云处理前后的图像对比图,图7a采用本发明去云处理前四川德阳市快鸟图像的模拟真彩色合成结果图(即原图像),图7c为去云处理前模拟真彩色合成结果图中上部红色框选区域的局部放大图,图7e为去云处理前模拟真彩色合成结果图中下部红色框选区域的局部放大图,图7b为采用本发明对图7a进行去云处理后的目标图像,图7d为采用本发明对图7a进行去云处理后上部红色框选区域的局部放大图,图7f为采用本发明对图7d进行去云处理后下部红色框选区域的局部放大图。经过去云处理后分析,原图像中的黄色图斑应该为盛开的油菜花,原图像的成像时间为4月18日,正值当地的油菜花盛开。比较去云处理前后的图像发现,通过本发明进行去云处理后,遥感图像的云彩及其阴影被有效去除,此外图面的整体视觉效果得到有益的改进,一些阴影区、山体的阴坡等地物的亮度得到提高,为后续的分析解译起到了增强的效果。
实施例2
本实施例中,与实施例1不同的是:所述待处理遥感图像为全色图像时,所述全色图像为其上存在覆云区域的蓝光单色图像,且其薄云去除方法包括以下步骤:
步骤I、噪音图像提取:所述图像处理设备调用低通滤波处理模块且按常规的低通滤波方法,对所述蓝光单色图像进行低通滤波处理,以保留所述蓝光单色图像上覆云区域的遮挡背景信息,并相应获得所述蓝光单色图像的遮挡背景图像;所述蓝光单色图像的遮挡背景图像为需提取的噪音图像;
步骤II、图像去云处理:所述图像处理设备调用去云处理模块二,且根据公式a(i,j)=b(i,j)/C(i,j),对所述蓝光单色图像进行去云处理;
式中,a(i,.j)为去云处理后所述蓝光单色图像上任一像素点的亮度值,b(i,j)为去云处理前所述蓝光单色图像上任一像素点的亮度值,C(i,j)为步骤I中所述噪音图像上任一像素点的亮度值,其中i表示行且j表示列。
本实施例中,步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素;步骤II中图像去云处理完成后,所述图像处理设备还需对所述目标图像进行直观显示;之后,对步骤I中进行低通滤波处理时的滤波核大小进行多次增减调整,并分别按照步骤I和步骤II中所述的去云处理方法,相应获得多个滤波核大小调整后的目标图像,且通过所述图像处理设备对所获得的滤波核大小调整后的多个目标图像进行直观显示;最后,通过肉眼对滤波核大小未调整前获取的目标图像和滤波核大小调整后获取的多个所述目标图像的去云处理效果进行对比,并从中选出去云处理效果最好的目标图像。
步骤I中进行噪音图像提取之前,先通过所述图像处理设备对所述待处理遥感图像进行直观显示,再通过肉眼找出所述待处理遥感图像上存在的覆云区域;步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素,且m=35~90;
步骤I中进行低通滤波处理之前,根据所述待处理遥感图像上所存在的覆云区域的图像清晰程度和区域分布范围大小情况确定低通滤波的滤波核大小;
当所述待处理遥感图像上所存在覆云区域的图像清晰程度越差,低通滤波的滤波核越小;反之亦然;
且当所述待处理遥感图像上所存在覆云区域的分布范围越大,低通滤波的滤波核越大;反之亦然。
因而,本实施例中,低通滤波方法与步骤102中所述的低通滤波处理方法相同。步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素,且90≥m≥47。
本实施例中,步骤I中进行低通滤波处理后,所述图像处理设备还需调用低通滤波边缘效应消除模块,对所述噪音图像上的低通滤波边缘效应待消除区域进行消除处理,且其消除处理方法与所述多光谱图像去云处理过程中噪音图像的低通滤波边缘效应消除处理方法相同。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (7)
1.一种遥感图像薄云去除方法,其特征在于:该方法采用图像处理设备对待处理遥感图像进行去云处理,所述待处理遥感图像为数字遥感图像且其为多光谱图像或全色图像;
当所述待处理遥感图像为多光谱图像时,其薄云去除方法包括以下步骤:
步骤一、噪音图像提取,其提取过程如下:
101、蓝光波段光谱信息分离:所述图像处理设备调用光谱信息检测及分离模块,对待处理遥感图像的影像数据进行分析处理,并自待处理遥感图像中分离出蓝光波段图像;所述蓝光波段图像上存在通过肉眼可判断出的覆云区域,所述覆云区域为因存在遮挡背景使得所拍摄地物隐约可见的图像区域;
102、低通滤波处理:所述图像处理设备调用低通滤波处理模块且按常规的低通滤波方法,对步骤101中分离出的所述蓝光波段图像进行低通滤波处理,以保留所述蓝光波段图像上覆云区域的遮挡背景信息,并相应获得所述蓝光波段图像的遮挡背景图像;所述蓝光波段图像的遮挡背景图像为需提取的噪音图像;
步骤二、可见光波段图像去云处理:所述图像处理设备对待处理遥感图像中的可见光波段图像进行去云处理,所述可见光波段图像的数量为一个或多个且各可见光波段图像的去云处理方法均相同;对于任一个可见光波段图像而言,其去云处理过程如下:
201、需去云可见光波段光谱信息分离:所述图像处理设备调用光谱信息检测及分离模块,对待处理遥感图像的影像数据进行分析处理,并自待处理遥感图像中分离出需进行去云处理的可见光波段图像;此时,所分离出的可见光波段图像为待处理可见光波段图像;
202、可见光波段图像去云处理:所述图像处理设备调用去云处理模块二,且根据公式an(i,j)=bn(i,j)/Cn(i,j),对所述待处理可见光波段图像进行去云处理;
式中,an(i,j)为去云处理后所述待处理可见光波段图像上任一像素点的亮度值,bn(i,j)为去云处理前所述待处理可见光波段图像上任一像素点的亮度值,Cn(i,j)为步骤一中所述噪音图像上任一像素点的亮度值,其中n为步骤201中分离出的可见光波段图像的波段号,i表示行且j表示列;
当所述待处理遥感图像中可见光波段图像的数量为一个时,按照步骤201至步骤202中所述的去云处理方法,对所述待处理遥感图像中的可见光波段图像进行去云处理;且可见光波段图像的去云处理过程完成后,便完成所述待处理遥感图像的全部去云处理过程,获得去云处理后的目标图像;
当所述待处理遥感图像中可见光波段图像的数量为多个时,需多次重复步骤201至步骤202,直至完成所述待处理遥感图像中所有可见光波段图像的去云处理过程;且所述待处理遥感图像中所有可见光波段图像的去云处理均完成后,便完成所述待处理遥感图像的全部去云处理过程,获得去云处理后的目标图像;
当所述待处理遥感图像为全色图像时,所述全色图像为其上存在覆云区域的蓝光单色图像,且其薄云去除方法包括以下步骤:
步骤I、噪音图像提取:所述图像处理设备调用低通滤波处理模块且按常规的低通滤波方法,对所述蓝光单色图像进行低通滤波处理,以保留所述蓝光单色图像上覆云区域的遮挡背景信息,并相应获得所述蓝光单色图像的遮挡背景图像;所述蓝光单色图像的遮挡背景图像为需提取的噪音图像;
步骤II、图像去云处理:所述图像处理设备调用去云处理模块二,且根据公式a(i,j)=b(i,j)/C(i,j),对所述蓝光单色图像进行去云处理;
式中,a(i,j)为去云处理后所述蓝光单色图像上任一像素点的亮度值,b(i,j)为去云处理前所述蓝光单色图像上任一像素点的亮度值,C(i,j)为步骤I中所述噪音图像上任一像素点的亮度值,其中i表示行且j表示列。
2.按照权利要求1所述的一种遥感图像薄云去除方法,其特征在于:步骤102中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素;步骤二中可见光波段图像去云处理完成后,所述图像处理设备还需对所述目标图像进行直观显示;之后,对步骤102中进行低通滤波处理时的滤波核大小进行多次增减调整,并分别按照步骤一和步骤二中所述的去云处理方法,相应获得多个滤波核大小调整后的目标图像,且通过所述图像处理设备对所获得的滤波核大小调整后的多个目标图像进行直观显示;最后,通过肉眼对滤波核大小未调整前获取的目标图像和滤波核大小调整后获取的多个所述目标图像的去云处理效果进行对比,并从中选出去云处理效果最好的目标图像;
步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素;步骤II中图像去云处理完成后,所述图像处理设备还需对所述目标图像进行直观显示;之后,对步骤I中进行低通滤波处理时的滤波核大小进行多次增减调整,并分别按照步骤I和步骤II中所述的去云处理方法,相应获得多个滤波核大小调整后的目标图像,且通过所述图像处理设备对所获得的滤波核大小调整后的多个目标图像进行直观显示;最后,通过肉眼对滤波核大小未调整前获取的目标图像和滤波核大小调整后获取的多个所述目标图像的去云处理效果进行对比,并从中选出去云处理效果最好的目标图像。
3.按照权利要求1或2所述的一种遥感图像薄云去除方法,其特征在于:步骤101中所述的覆云区域为因被薄云层、薄云彩、薄雾或霾遮盖而出现遮挡背景,并使得所拍摄地物隐约可见的图像区域。
4.按照权利要求1或2所述的一种遥感图像薄云去除方法,其特征在于:步骤二中所述的可见光波段图像为红光波段图像、绿光波段图像或蓝光波段图像。
5.按照权利要求1或2所述的一种遥感图像薄云去除方法,其特征在于:步骤一中和步骤I中进行噪音图像提取之前,先通过所述图像处理设备对所述待处理遥感图像进行直观显示,再通过肉眼找出所述待处理遥感图像上存在的覆云区域;步骤102中或步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素,且m=35~90;
步骤102中或步骤I中进行低通滤波处理之前,根据所述待处理遥感图像上所存在的覆云区域的图像清晰程度和区域分布范围大小情况确定低通滤波的滤波核大小;
当所述待处理遥感图像上所存在覆云区域的图像清晰程度越差,低通滤波的滤波核越小;反之亦然;
且当所述待处理遥感图像上所存在覆云区域的分布范围越大,低通滤波的滤波核越大;反之亦然。
6.按照权利要求1或2所述的一种遥感图像薄云去除方法,其特征在于:步骤102中或步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素,且90≥m≥47。
7.按照权利要求1所述的一种遥感图像薄云去除方法,其特征在于:步骤102中或步骤I中进行低通滤波处理时,低通滤波的滤波核大小为m×m个像素;且步骤102中或步骤I中进行低通滤波处理后,所述图像处理设备还需调用低通滤波边缘效应消除模块,对所述噪音图像上的低通滤波边缘效应待消除区域进行消除处理,所述低通滤波边缘效应待消除区域包括边界线外侧图像区域和边界线内侧需消除图像区域,所述边界线外侧图像区域为有效边界线外侧的图像区域,所述边界线内侧需消除图像区域为包括所述有效边界线内侧m个像素点的图像区域,所述有效边界线为所述有效边界线为通过所述图像处理设备对所述待处理遥感图像进行边缘检测获得的边界线或者与通过所述图像处理设备的参数输入装置人为输入的边界宽度值相对应的图像边界线,且所述待处理遥感图像位于所述有效边界线外侧的所有像素点的亮度值均为0,其消除处理过程如下:
1021、边界线外侧图像区域的像元值处理:所述图像处理设备调用所述低通滤波边缘效应消除模块,将所述噪音图像上处于边界线外侧图像区域内的所有像素点亮度值均修改为0;
1022、边界线内侧需消除图像区域像元值处理:所述图像处理设备调用所述低通滤波边缘效应消除模块对所述边界线内侧需消除图像区域进行处理,将所述边界线内侧需消除图像区域内所有像素点的亮度值均修改为最靠近所述边界线内侧需消除图像区域中心部位的像素点亮度值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110315772.0A CN102509262B (zh) | 2011-10-17 | 2011-10-17 | 一种遥感图像薄云去除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110315772.0A CN102509262B (zh) | 2011-10-17 | 2011-10-17 | 一种遥感图像薄云去除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102509262A true CN102509262A (zh) | 2012-06-20 |
CN102509262B CN102509262B (zh) | 2014-02-12 |
Family
ID=46221340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110315772.0A Expired - Fee Related CN102509262B (zh) | 2011-10-17 | 2011-10-17 | 一种遥感图像薄云去除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102509262B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020939A (zh) * | 2012-12-18 | 2013-04-03 | 武汉大学 | 利用多时相数据去除光学遥感影像大面积厚云的方法 |
CN103049898A (zh) * | 2013-01-27 | 2013-04-17 | 西安电子科技大学 | 带有薄云的多光谱和全色图像融合方法 |
CN104484859A (zh) * | 2014-10-20 | 2015-04-01 | 电子科技大学 | 一种多光谱光学遥感图像数据去除薄云的方法 |
CN104616253A (zh) * | 2015-01-09 | 2015-05-13 | 电子科技大学 | 一种利用独立成分分析技术的光学遥感图像薄云去除方法 |
CN104794724A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 一种基于非线性尺度滤波的遥感影像建筑物提取方法 |
CN105574826A (zh) * | 2015-12-16 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 遥感影像的薄云去除方法 |
CN106682562A (zh) * | 2015-11-05 | 2017-05-17 | 上海中医药大学 | 一种基于Gabor小波变换的舌苔纹理识别方法 |
CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
CN109801253A (zh) * | 2017-11-13 | 2019-05-24 | 中国林业科学研究院资源信息研究所 | 一种对高分辨率光学遥感图像的自适应云区检测方法 |
CN110849814A (zh) * | 2019-11-20 | 2020-02-28 | 平衡机器科技(深圳)有限公司 | 一种基于多源遥感卫星的遥感影像处理方法 |
CN112529788A (zh) * | 2020-11-13 | 2021-03-19 | 北京航空航天大学 | 一种基于薄云厚度图估计的多光谱遥感图像薄云去除方法 |
CN112889089A (zh) * | 2018-10-19 | 2021-06-01 | 克莱米特公司 | 用于标识卫星影像中的云和云影的机器学习技术 |
CN113298836A (zh) * | 2021-06-29 | 2021-08-24 | 天津市测绘院有限公司 | 一种顾及要素轮廓强度的遥感图像薄云去除方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1653193A1 (de) * | 2004-10-29 | 2006-05-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Eliminierung von Schatteneffekten in Fernerkundungsdaten über Land |
CN102176242A (zh) * | 2011-02-01 | 2011-09-07 | 环境保护部卫星环境应用中心 | 去除归一化植被指数时序影像中云噪声影响的方法 |
-
2011
- 2011-10-17 CN CN201110315772.0A patent/CN102509262B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1653193A1 (de) * | 2004-10-29 | 2006-05-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Eliminierung von Schatteneffekten in Fernerkundungsdaten über Land |
CN102176242A (zh) * | 2011-02-01 | 2011-09-07 | 环境保护部卫星环境应用中心 | 去除归一化植被指数时序影像中云噪声影响的方法 |
Non-Patent Citations (3)
Title |
---|
JIANG XINGFANG ET AL.: "Reasearch of New Method for Removal thin Cloud and Fog of the Remote Sensing Images", 《2010 SYMPOSIUM ON PHOTONICS AND OPTOELECTRONIC(SOPO)》 * |
冯春等: "一种改进的遥感图像薄云快速去除方法", 《国土资源遥感》 * |
刘洋等: "遥感影像中薄云的去除方法研究", 《测绘与空间地理信息》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020939B (zh) * | 2012-12-18 | 2015-06-10 | 武汉大学 | 利用多时相数据去除光学遥感影像大面积厚云的方法 |
CN103020939A (zh) * | 2012-12-18 | 2013-04-03 | 武汉大学 | 利用多时相数据去除光学遥感影像大面积厚云的方法 |
CN103049898A (zh) * | 2013-01-27 | 2013-04-17 | 西安电子科技大学 | 带有薄云的多光谱和全色图像融合方法 |
CN103049898B (zh) * | 2013-01-27 | 2015-04-22 | 西安电子科技大学 | 带有薄云的多光谱和全色图像融合方法 |
CN104484859A (zh) * | 2014-10-20 | 2015-04-01 | 电子科技大学 | 一种多光谱光学遥感图像数据去除薄云的方法 |
CN104484859B (zh) * | 2014-10-20 | 2017-09-01 | 电子科技大学 | 一种多光谱光学遥感图像数据去除薄云的方法 |
CN104616253A (zh) * | 2015-01-09 | 2015-05-13 | 电子科技大学 | 一种利用独立成分分析技术的光学遥感图像薄云去除方法 |
CN104616253B (zh) * | 2015-01-09 | 2017-05-10 | 电子科技大学 | 一种利用独立成分分析技术的光学遥感图像薄云去除方法 |
CN104794724A (zh) * | 2015-05-04 | 2015-07-22 | 福建师范大学 | 一种基于非线性尺度滤波的遥感影像建筑物提取方法 |
CN106682562A (zh) * | 2015-11-05 | 2017-05-17 | 上海中医药大学 | 一种基于Gabor小波变换的舌苔纹理识别方法 |
CN105574826B (zh) * | 2015-12-16 | 2019-08-23 | 中国科学院深圳先进技术研究院 | 遥感影像的薄云去除方法 |
CN105574826A (zh) * | 2015-12-16 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 遥感影像的薄云去除方法 |
CN106950197A (zh) * | 2017-03-03 | 2017-07-14 | 环境保护部卫星环境应用中心 | 排污口污染水体的遥感提取方法、装置和系统 |
CN109801253A (zh) * | 2017-11-13 | 2019-05-24 | 中国林业科学研究院资源信息研究所 | 一种对高分辨率光学遥感图像的自适应云区检测方法 |
CN109801253B (zh) * | 2017-11-13 | 2020-11-17 | 中国林业科学研究院资源信息研究所 | 一种对高分辨率光学遥感图像的自适应云区检测方法 |
CN112889089A (zh) * | 2018-10-19 | 2021-06-01 | 克莱米特公司 | 用于标识卫星影像中的云和云影的机器学习技术 |
CN112889089B (zh) * | 2018-10-19 | 2024-03-05 | 克莱米特有限责任公司 | 用于标识卫星影像中的云和云影的机器学习技术 |
CN110849814A (zh) * | 2019-11-20 | 2020-02-28 | 平衡机器科技(深圳)有限公司 | 一种基于多源遥感卫星的遥感影像处理方法 |
CN112529788A (zh) * | 2020-11-13 | 2021-03-19 | 北京航空航天大学 | 一种基于薄云厚度图估计的多光谱遥感图像薄云去除方法 |
CN112529788B (zh) * | 2020-11-13 | 2022-08-19 | 北京航空航天大学 | 一种基于薄云厚度图估计的多光谱遥感图像薄云去除方法 |
CN113298836A (zh) * | 2021-06-29 | 2021-08-24 | 天津市测绘院有限公司 | 一种顾及要素轮廓强度的遥感图像薄云去除方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102509262B (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102509262B (zh) | 一种遥感图像薄云去除方法 | |
Ji et al. | Simultaneous cloud detection and removal from bitemporal remote sensing images using cascade convolutional neural networks | |
US8705887B2 (en) | Method and apparatus for filling in or replacing image pixel data | |
Garzelli et al. | Optimal MMSE pan sharpening of very high resolution multispectral images | |
CN103049898B (zh) | 带有薄云的多光谱和全色图像融合方法 | |
WO2018024030A1 (zh) | 一种夜视红外图像中的基于显著性的道路目标提取方法 | |
CN103914813B (zh) | 彩色雾霾图像去雾与光照补偿的复原方法 | |
CN109583378A (zh) | 一种植被覆盖度提取方法及系统 | |
CN103927741A (zh) | 增强目标特征的sar图像合成方法 | |
Fytsilis et al. | A methodology for near real-time change detection between Unmanned Aerial Vehicle and wide area satellite images | |
CN102982517A (zh) | 基于光谱与空间局部相关的遥感影像融合方法 | |
CN105139396B (zh) | 一种全自动遥感影像云雾检测方法 | |
CN110147746B (zh) | 基于Sentinel-2影像快速提取最大和最小可能地表水体范围的方法和系统 | |
CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
Yang et al. | Fully constrained linear spectral unmixing based global shadow compensation for high resolution satellite imagery of urban areas | |
US10810704B2 (en) | Method for processing an optical image acquired in the presence of aerosols and/or clouds in the atmosphere | |
Lee et al. | Cloud removal of satellite images using convolutional neural network with reliable cloudy image synthesis model | |
Davies et al. | Detecting historical changes to vegetation in a Cambodian protected area using the Landsat TM and ETM+ sensors | |
Zhou et al. | Restoration of information obscured by mountainous shadows through Landsat TM/ETM+ images without the use of DEM data: a new method | |
CN107169946A (zh) | 基于非负稀疏矩阵与超球面彩色变换的图像融合方法 | |
CN106920231A (zh) | 一种基于全色图像统计特征的遥感图像云评估方法 | |
Li et al. | Automated production of cloud-free and cloud shadow-free image mosaics from cloudy satellite imagery | |
CN106650663A (zh) | 建筑物真伪变化的判定方法及含此方法的伪变化去除方法 | |
CN104036295B (zh) | 多光谱遥感影像道路中心线自动检测方法 | |
CN111476723A (zh) | 一种Landsat-7扫描线纠正器失效的遥感图像丢失像素恢复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140212 Termination date: 20151017 |
|
EXPY | Termination of patent right or utility model |