CN103093241B - 基于同质化处理的光学遥感图像非匀质云层判别方法 - Google Patents
基于同质化处理的光学遥感图像非匀质云层判别方法 Download PDFInfo
- Publication number
- CN103093241B CN103093241B CN201310024473.0A CN201310024473A CN103093241B CN 103093241 B CN103093241 B CN 103093241B CN 201310024473 A CN201310024473 A CN 201310024473A CN 103093241 B CN103093241 B CN 103093241B
- Authority
- CN
- China
- Prior art keywords
- cloud
- binary map
- sea
- image
- pixel
- 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
Abstract
本发明公开了一种基于同质化处理的光学遥感图像非匀质云层判别方法,能够对非匀质云中的低亮像素进行灰度补偿,从而实现对非匀质云层的判别。第一步:计算云的自适应门限;第二步:提取两幅典型二值图:第三步:获得云的位置标记图:对第二步得到的云海二值图既膨胀又腐蚀,对海二值图只进行膨胀,然后利用这两幅图得到云的位置标记图;第四步:对原图像进行同质化处理:根据第三步得到的云的位置标记图,对非云像素进行灰度补偿,从而使非匀质云变为匀质云;第五步:特征提取及归一化:对第四步同质化处理后的图像提取灰度、纹理和边缘这些针对匀质厚云提取的特征,然后对特征进行归一化;第六步:利用支持向量机进行判决,至此整个过程结束。
Description
技术领域
本发明涉及一种光学遥感图像非匀质云层判别方法,尤其涉及一种基于同质化处理的光学遥感图像非匀质云层判别方法,属于模式识别技术领域。
背景技术
本发明的处理对象是非匀质云,它的产生由于阳光入射角度、不同高低云的相互遮挡或者云的不同区域薄厚不同等因素,造成本来高亮且均匀的云层中出现一些散布的低亮像素。于是,这种类型的云层被认为是非匀质云,同时匀质云则是指那些高亮而又均匀的厚云。
目前的云判别的方法主要是针对匀质的高亮厚云,通过提取这类云特征,然后利用分类器进行判决。常见的匀质的高亮厚云的特征提取可以分为以下三个方面:灰度、纹理和边缘:1)灰度方面的特征通常是基于灰度直方图的,包括灰度均值、直方图方差、云的覆盖率;2)纹理方面的特征最常用的是基于灰度共生矩阵的方法,因为其运算简单而且检测效果较好。这种方法首先要统计灰度共生矩阵,然后计算灰度共生矩阵派生特征,包括能量、平稳度、对比度、熵等;3)边缘方面的特征主要是通过对原图进行模板滤波得到的,常见的有Prewitt算子、Roberts算子和Sobel算子。
对于分类器,主要种类有邻近分类器、模糊逻辑分类器、判决树分类器、神经网络分类器以及支持向量机分类器等,而本发明中所选的是应用广泛并且具有较优性能的支持向量机。支持向量机(SupportVectorMachine,SVM)是CorinnaCortes和Vapnik等于1995年首先提出的基于统计学习理论中VC维理论和结构风险最小原理的一种新的学习方法,它是以置信范围值最小化为优化目标的。不同于基于经验风险最小化的原则的传统分类方法,支持向量机是在有限的样本情况下的学习行为,因此解决了小样本下的分类问题,由于引入VC维理论,从而避免了维数灾难的问题。
与此同时,支持向量机还引入了核函数思想,将复杂的非线性问题通过空间转换到线性空间求解,从而使算法更加简单。支持向量机以其完备的数学公式和超强的解决小样本、非线性、高维数据问题的能力,目前已应用到很多研究领域。例如人脸识别、数字识别、图像分类等。
匀质的高亮厚云在利用上面提到的特征通过分类器时能得到很好的分类效果,但对于非匀质云则不然。在非人工场景中,同一解译对象内部如果既有高亮像素又有低亮像素,则高亮像素和低亮像素之间必然有过渡的中间级灰度。所以,和匀质的高亮厚云相比,非匀质云的亮度较低、纹理丰富以及边缘大量存在。
由于统计性特征的模式识别框架会丢失大量的空域信息,所以在某些情况下,这些非匀质云与一些不同亮度混合型的解译对象(如山脉海陆交界处)在特征上很类似。从非匀质云低亮像素散布的这一特点出发,如果可以通过某种手段找到这些低亮像素,并把它们的灰度值调高,这样就可以将非匀质云改善为同质云,这时采用匀质云的判别方法就可以得到较好的分类效果。
发明内容
为了解决上述问题,本发明提出一种基于同质化处理的光学遥感图像非匀质云层判别方法,能够对非匀质云中的低亮像素进行灰度补偿,从而实现对非匀质云层的判别。
为了达到上面目的,本发明的基于同质化处理的光学遥感图像非匀质云层判别方法包括下列步骤:
一种基于同质化处理的光学遥感图像非匀质云层判别方法,包括下列步骤:
第一步:计算云的自适应门限:读入待判别图像,然后利用边缘改进的最大间类差法OTSU进行全局阈值处理,从而得到云的自适应门限;
第二步:提取两幅典型二值图:利用第一步得到的云的自适应门限对待判别图像进行二值化,得到云二值图;利用设定的海的固定亮度门限和Sobel边缘门限,对待判别图像进行二值化,得到海二值图,将云二值图和海二值图进行融合,得到云海二值图;
第三步:获得云的位置标记图:对第二步得到的云海二值图既膨胀又腐蚀,对海二值图只进行膨胀,然后利用处理后的两幅图得到云的位置标记图;
第四步:对待判别图像进行同质化处理:根据第三步得到的云的位置标记图,对待判别图像中的非云像素进行灰度补偿,从而使非匀质云变为匀质云;
第五步:特征提取及归一化:对第四步同质化处理后的图像提取灰度、纹理和边缘这些针对匀质厚云提取的特征,然后对特征进行归一化;
第六步:利用支持向量机进行判决:利用预先训练得到的模型,配合支持向量机的判决函数对第五步的归一化特征进行多分类,得到同质化处理后的判决结果,至此整个过程结束。
其中,第二步中对待判别图像提取两幅典型二值图采用下述方法:
步骤21)提取海二值图:首先利用Sobel的模板对待判别图像进行滤波,得到待判别图像对应的边缘信息图,然后选定灰度门限和Sobel边缘门限,当待判别图像中像素位置的灰度值和边缘值都小于对应门限,则这个像素被认为是海,对其置1标记,这样海二值图就此得到;
步骤22)提取云二值图:当待判别图像中像素亮度大于第一步提取的云的自适应门限,则这个像素被认为是云,对其置1标记,这样云二值图就此得到;
步骤23)融合后得到云海二值图:云二值图和海二值图中只要其中任一幅图中对应像素被置1,就标记为1,就得到了云海二值图,然后丢弃上述的云二值图,保留上述的海二值图,至此,云海二值图和海二值图的提取过程结束。
其中,第三步中利用腐蚀膨胀的方法获得云的位置标记图具体包括以下步骤:
步骤31)对云海二值图进行腐蚀膨胀:对第二步中得到的云海二值图先膨胀再进行腐蚀,膨胀半径大于腐蚀半径,得到膨胀腐蚀后的云海二值图;
步骤32)对海二值图进行膨胀:对得到的海二值图只膨胀不腐蚀,膨胀半径选取所述腐蚀半径,得到膨胀后的海二值图;
步骤33)做差后得到云的标记图:对膨胀腐蚀后的两幅图,扫描各个像素点,当云海二值图中标记为1,海的二值图的标记也为1,将位置标记图中的这个位置0,其他位置按照云海二值图赋值,这时位置标记图里面标记为1的位置被认为是云的位置,至此本过程结束。
其中,第四步中对待判别图像中的非云像素进行灰度补偿具体为:
按照云的位置标记图中标记为1的位置逐个扫描,当发现像素点的灰度小于所述云的自适应门限,则认为该像素点需要灰度补偿,补偿方法是该点像素的灰度和云的自适应门限求均值,作为补偿后该像素点的灰度。
本发明的有益效果:
(1)本发明对非匀质云中的低亮像素进行灰度补偿,将非匀质云转化为匀质云,从而可以采用针对匀质云设计的特征提取和云判方法进行云判,这时的判决结果将会比直接对非匀质云进行特征提取和判决要更为准确。
(2)本发明在获取云的位置标记图时,利用非匀质云低亮像素散布的这一特点,即低亮像素被高亮像素所包围,因此对云海二值图进行膨胀腐蚀就可以将这低亮像素填补,并采用海二值图膨胀结果做差得到云的位置,而且海二值图只膨胀不腐蚀,使得海二值图中海的区域稍大于处理后云海二值图中海的区域,这样能够确保云海二值图中海的区域一定被去除,从而提高了云位置获取的准确性。且膨胀腐蚀的方式计算效率也是比较高的。
附图说明
图1为本发明提供的基于同质化处理的光学遥感图像非匀质云层判别方法流程图;
图2为图1中第二步对原始图像提取两幅典型二值图的方法流程图;
图3为图1中第三步利用腐蚀膨胀的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
图1示出了本发明提供的基于同质化处理的光学遥感图像非匀质云层判别方法流程图。如图1所示,本发明提供的基于同质化处理的光学遥感图像非匀质云层判别方法包括按顺序进行的下列步骤:
第一步、计算云的自适应门限:
读入待判别图像,该图像可以原图或原图中的分块,然后利用边缘改进的最大间类差法(OTSU)进行全局阈值处理,从而得到待判别图像的云的自适应门限。
其中,利用OTSU进行全局阈值处理的具体步骤是:首先,计算待判别图像的边缘图,只将边缘图中大于指定一个阈值门限的像素的灰度累加到一个灰度直方图中。然后,对这个直方图初始化分界点为其中F1和Fh可以是人为指定的经验值,分别取得F1到和到Fh两部分像素的灰度均值A和B。接着更新分界点为再次分别取得F1到和到Fh两部分像素的灰度均值A和B。重复上述步骤,直到前后两次得到的迭代门限相同,而这个门限就是要得到的云的自适应门限。
第二步、提取两幅典型二值图:
利用上述的云的自适应门限,对待判别图像进行二值化,得到云二值图;利用人为确定的海的固定亮度门限和Sobel边缘门限,对待判别图像进行二值化,得到海二值图;将云二值图和海二值图进行融合,得到云海二值图。
图2为本步骤的提取两幅典型二值图的方法流程图,包括按顺序进行的下列步骤:
步骤S21)提取海二值图:首先要利用Sobel的模板对待判别图像进行滤波,就可以得到待判别图像对应的边缘信息图。然后,人为的选定一个灰度门限和Sobel边缘门限,当待判别图像中像素位置的灰度值和边缘值都小于对应门限,则这个像素被认为是海,对其置1标记,其他标记为0,这样海二值图就此得到,然后进入下一步S22;
步骤S22)提取云二值图:云的二值化需要用到第一步得到的云的自适应门限,具体是当待判别图像中像素亮度大于这个门限,对其置1标记,其他标记为0,这样云二值图就此得到,然后进入下一步S23;
步骤S23)融合后得到云海二值图:上述的云二值图和海二值图中只要其中任一幅图中对应像素被置1,就标记为1,这样就得到了云海二值图,然后丢弃上述的云二值图,保留上述的海二值图。至此,云海二值图和海二值图的提取过程就结束了。
第三步、获得云的位置标记图:
对上述的云海二值图既膨胀又腐蚀,而对海二值图只进行膨胀,然后利用处理后的这两幅图就可以得到云的位置标记图。
图3为本步骤腐蚀膨胀的方法流程图。
对同质化这个过程中最关键的就是定位那些非云的像素点,即云的位置标记图,之所以可以利用对云的膨胀腐蚀得到,主要是因为非匀质云低亮像素散布的这一特点,少量的低亮像素散布就相当于低亮像素被高亮像素所包围一样,这时对云进行膨胀腐蚀就可以将这低亮像素填补,与此相对的一些混合型的解译对象中的低亮像素分布就较为集中,所以对云进行膨胀腐蚀对其没有作用,而后采用海二值图膨胀结果做差得到云的位置。而且这里海二值图只膨胀不腐蚀,使得海二值图中海的区域稍大于处理后云海二值图中海的区域,这样能够确保云海二值图中海的区域一定被去除,从而提高了云位置获取的准确性。
如图3所示,本步骤三利用腐蚀膨胀的方法包括按顺序进行的下列步骤:
步骤S31)对云海二值图进行腐蚀膨胀:对第二步中得到的云海二值图先进行膨胀再进行腐蚀,膨胀腐蚀半径根据待判别图像的实际分辨率确定,分辨率越大选定的膨胀腐蚀半径越大,膨胀半径的选择应稍大于腐蚀半径,得到膨胀腐蚀后的云海二值图,然后进入下一步S32;
步骤S32)对海二值图进行膨胀:对S2中得到的海二值图只膨胀不腐蚀,膨胀半径选取上步中腐蚀半径,得到膨胀后的海二值图,然后进入下一步S33;
步骤S33)做差后得到云的标记图:对上面膨胀腐蚀后的两幅图,扫描各个像素点,当云海二值图中标记为1,海的二值图的标记也为1,将位置标记图中的这个位置0,其他位置按照云海二值图赋值,这时位置标记图里面标记为1的位置就被认为是云的位置,至此本过程结束。
第四步、对待判别图像进行同质化处理:
根据上述的云的位置标记图,采用一定规则对待判别图像中的非云像素进行灰度补偿,从而使非匀质云变为匀质云。
本步骤中,同质化处理的关键是找到造成非匀质的那些低亮像素度,和如何对这些像素进行补偿,具体步骤:按照第三步得到的云的位置标记图中标记为1的位置逐个扫描,当发现像素点的灰度小于第一步得到的云的自适应门限,则认为该像素点需要灰度补偿,补偿方法是该点像素的灰度和云的自适应门限求均值,作为补偿后该像素点的灰度。
第五步、特征提取及归一化:
对上述的同质化处理后的图像提取灰度、纹理和边缘等针对匀质厚云提取的特征,然后对特征进行归一化,为支持向量机判别最准备,然后进入下一步。
第六步、利用支持向量机进行判决:
利用之前训练的到得模型,配合支持向量机的判决函数对上述的归一化特征进行多分类,于是就可以得到同质化处理后的判决结果。因为采用了同质化处理,这时的判决结果将会比直接进行特征提取和判决要更为准确。至此整个过程结束。
本步骤中,利用支持向量机进行判决的具体方法是:首先,在利用支持向量机的判决之前首先进行训练。本发明中支持向量机的训练和测试都是利用台湾林智仁教授团队开发的Lib-SVM(一种开源的支持向量机)进行的。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于同质化处理的光学遥感图像非匀质云层判别方法,其特征在于,包括下列步骤:
第一步:计算云的自适应门限:读入待判别图像,然后利用边缘改进的最大间类差法OTSU进行全局阈值处理,从而得到云的自适应门限;
第二步:提取两幅典型二值图:利用第一步得到的云的自适应门限对待判别图像进行二值化,得到云二值图;利用设定的海的固定亮度门限和Sobel边缘门限,对待判别图像进行二值化,得到海二值图,将云二值图和海二值图进行融合,得到云海二值图;
本步骤中对待判别图像提取两幅典型二值图采用下述方法:
步骤21)提取海二值图:首先利用Sobel的模板对待判别图像进行滤波,得到待判别图像对应的边缘信息图,然后选定灰度门限和Sobel边缘门限,当待判别图像中像素位置的灰度值和边缘值都小于对应门限,则这个像素被认为是海,对其置1标记,这样海二值图就此得到;
步骤22)提取云二值图:当待判别图像中像素亮度大于第一步提取的云的自适应门限,则这个像素被认为是云,对其置1标记,这样云二值图就此得到;
步骤23)融合后得到云海二值图:云二值图和海二值图中只要其中任一幅图中对应像素被置1,就标记为1,就得到了云海二值图,然后丢弃上述的云二值图,保留上述的海二值图,至此,云海二值图和海二值图的提取过程结束;
第三步:获得云的位置标记图:对第二步得到的云海二值图既膨胀又腐蚀,对海二值图只进行膨胀,然后利用处理后的两幅图得到云的位置标记图;
本步骤中利用腐蚀膨胀的方法获得云的位置标记图具体包括以下步骤:
步骤31)对云海二值图进行腐蚀膨胀:对第二步中得到的云海二值图先膨胀再进行腐蚀,膨胀半径大于腐蚀半径,得到膨胀腐蚀后的云海二值图;
步骤32)对海二值图进行膨胀:对得到的海二值图只膨胀不腐蚀,膨胀半径选取所述腐蚀半径,得到膨胀后的海二值图;
步骤33)做差后得到云的标记图:对膨胀腐蚀后的两幅图,扫描各个像素点,当云海二值图中标记为1,海的二值图的标记也为1,将位置标记图中的这个位置标记为0,其他位置按照云海二值图赋值,这时位置标记图里面标记为1的位置被认为是云的位置,至此本过程结束;
第四步:对待判别图像进行同质化处理:根据第三步得到的云的位置标记图,对待判别图像中的非云像素进行灰度补偿,从而使非匀质云变为匀质云;
第五步:特征提取及归一化:对第四步同质化处理后的图像提取灰度、纹理和边缘这些针对匀质厚云提取的特征,然后对特征进行归一化;
第六步:利用支持向量机进行判决:利用预先训练得到的模型,配合支持向量机的判决函数对第五步的归一化特征进行多分类,得到同质化处理后的判决结果,至此整个过程结束。
2.如权利要求1所述的基于同质化处理的光学遥感图像非匀质云层判别方法,其特征在于,第四步中对待判别图像中的非云像素进行灰度补偿具体为:
按照云的位置标记图中标记为1的位置逐个扫描,当发现像素点的灰度小于所述云的自适应门限,则认为该像素点需要灰度补偿,补偿方法是:求该像素点的灰度和云的自适应门限的均值,使用该均值作为补偿后该像素点的灰度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310024473.0A CN103093241B (zh) | 2013-01-23 | 2013-01-23 | 基于同质化处理的光学遥感图像非匀质云层判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310024473.0A CN103093241B (zh) | 2013-01-23 | 2013-01-23 | 基于同质化处理的光学遥感图像非匀质云层判别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103093241A CN103093241A (zh) | 2013-05-08 |
CN103093241B true CN103093241B (zh) | 2015-12-02 |
Family
ID=48205789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310024473.0A Active CN103093241B (zh) | 2013-01-23 | 2013-01-23 | 基于同质化处理的光学遥感图像非匀质云层判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103093241B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104715489A (zh) * | 2015-03-30 | 2015-06-17 | 宁波高新区宁源科技服务有限公司 | 一种进行云判决的方法 |
CN107273803B (zh) * | 2017-05-16 | 2020-04-24 | 北京环境特性研究所 | 云层图像检测方法 |
CN109191432B (zh) * | 2018-07-27 | 2021-11-30 | 西安电子科技大学 | 基于域变换滤波多尺度分解的遥感图像云检测方法 |
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 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008051207A2 (en) * | 2005-10-21 | 2008-05-02 | Carnegie Institution Of Washington | Remote sensing analysis of forest disturbances |
CN101799921A (zh) * | 2009-02-10 | 2010-08-11 | 中国科学院计算技术研究所 | 一种光学遥感图像云检测方法 |
-
2013
- 2013-01-23 CN CN201310024473.0A patent/CN103093241B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008051207A2 (en) * | 2005-10-21 | 2008-05-02 | Carnegie Institution Of Washington | Remote sensing analysis of forest disturbances |
CN101799921A (zh) * | 2009-02-10 | 2010-08-11 | 中国科学院计算技术研究所 | 一种光学遥感图像云检测方法 |
Non-Patent Citations (2)
Title |
---|
基于二维类间方差多门限阈值分割的石块识别方法;王荣本等;《计算机工程与应用》;20061001;全文 * |
惠更斯次波法在遥感图像去云和云影中的应用;江兴方等;《应用光学》;20070331;第28卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103093241A (zh) | 2013-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113160192B (zh) | 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN102855487B (zh) | 高分辨率遥感图像新增建设用地变化图斑自动提取的方法 | |
CN103035013B (zh) | 一种基于多特征融合的精确运动阴影检测方法 | |
CN103198493B (zh) | 一种基于多特征自适应融合和在线学习的目标跟踪方法 | |
CN102831580B (zh) | 基于运动检测的手机拍摄图像修复方法 | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN103839279A (zh) | 一种目标检测中基于vibe的粘连目标分割方法 | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN109325935A (zh) | 一种基于无人机图像的输电线路检测方法 | |
CN112560675B (zh) | Yolo与旋转-融合策略相结合的鸟类视觉目标检测方法 | |
CN109800698A (zh) | 基于深度网络的图标检测方法 | |
CN103530590A (zh) | Dpm二维码识别系统 | |
CN103048329A (zh) | 一种基于主动轮廓模型的路面裂缝检测方法 | |
CN104899892A (zh) | 一种快速的星图图像星点提取方法 | |
CN105528575A (zh) | 基于上下文推理的天空检测算法 | |
CN110781882A (zh) | 一种基于yolo模型的车牌定位和识别方法 | |
CN107545571A (zh) | 一种图像检测方法及装置 | |
CN105760898A (zh) | 一种基于混合组回归方法的视觉映射方法 | |
CN105160355A (zh) | 一种基于区域相关和视觉单词的遥感图像变化检测方法 | |
CN105469111A (zh) | 基于改进的mfa和迁移学习的小样本集的物体分类方法 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN102147867A (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
CN103971377A (zh) | 基于先验形状水平集分割的建筑物提取方法 |
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 |