CN104463212B - 基于阈值和正则化最小二乘的云检测方法和系统 - Google Patents
基于阈值和正则化最小二乘的云检测方法和系统 Download PDFInfo
- Publication number
- CN104463212B CN104463212B CN201410748005.2A CN201410748005A CN104463212B CN 104463212 B CN104463212 B CN 104463212B CN 201410748005 A CN201410748005 A CN 201410748005A CN 104463212 B CN104463212 B CN 104463212B
- Authority
- CN
- China
- Prior art keywords
- cloud
- initial
- cloud data
- pixel
- regularization
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于阈值和正则化最小二乘的云检测方法和系统,包括:利用阈值法对遥感影像进行初始检测,并获得检测后的初始云数据;利用正则化最小二乘法对所述初始云数据进行分类,并获得分类后的云数据。本发明提供的基于阈值和正则化最小二乘的云检测方法和系统,先利用阈值法对遥感影像进行初始检测并获得检测后的初始云数据,然后利用正则化最小二乘法对所述初始云数据进行分类并获得分类后的云数据,大大提高了云检测的精度,并且,经过初始检测后,降低了使用正则化最小二乘进行分类的类数,从而降低了计算的复杂度,提高了云检测的计算效率。
Description
技术领域
本发明涉及环境监测技术领域,更具体地说,涉及一种基于阈值和正则化最小二乘的云检测方法和系统。
背景技术
虽然遥感卫星的遥感影像对基础设施建设、资源开发利用和自然灾害的防治等都具有非常重要的意义。但是,在利用遥感影像获取地表和大气数据的过程中,障碍物云会对数据起到干扰作用,从而大大降低了地表和大气数据的有效利用率。基于此,如何准确地进行云检测,实现云与晴空的分离,是遥感影像预处理的重要环节,也是反演大气和地表的各种参数时必须的基础工作。
目前,国内外研究者提出的云检测算法有很多,主要包括各种光谱综合的阈值法、统计分析法、BP神经网络法以及支持向量机法。但是,由于上述算法都是立足于云像元与非云像元在多个波段的成像特征差异来进行云像元和非云像元的区分,即上述算法都依赖于波段的选择,但是,由于我国资源三号卫星的多光谱相机仅具有四个波段即缺少热红外波段,因此,将上述云检测方法直接应用到资源三号卫星的遥感影像数据上时,并不能有效地将影像中的云像元和非云像元区分开,即云检测的精度较低。
虽然支持向量机法的云检测精度较高,但是,该算法的复杂度较高,并且,随着数据量的增大,其复杂度也会增加。由于高分辨率的资源三号卫星的遥感影像的数据量庞大,因此,采用支持向量机法对资源三号卫星的遥感影像数据进行云检测时,会耗费大量的机器内存和运算时间,导致云检测的计算效率较低。
发明内容
有鉴于此,本发明提供了一种基于阈值和正则化最小二乘的云检测方法和系统,以解决现有技术中资源三号卫星的遥感影像数据云检测精度较低和计算效率较低的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于阈值和正则化最小二乘的云检测方法,包括:
利用阈值法对遥感影像进行初始检测,并获得检测后的初始云数据;
利用正则化最小二乘法对所述初始云数据进行分类,并获得分类后的云数据。
优选的,获得分类后的云数据之后,还包括:
判断所述云数据的精度是否等于预设精度,如果是,将所述云数据作为云检测结果输出,如果否,重新利用正则化最小二乘法对所述初始云数据进行分类。
优选的,所述利用阈值法对遥感影像进行初始检测的过程包括:
检测遥感影像的像元是否同时满足在第四波段的反射率大于第一阈值、在第三波段的反射率大于第二阈值以及在第四波段的反射率与在第三波段的反射率的比值大于第三阈值且小于第四阈值这三个条件,如果是,则提取所述像元作为初始云像元,所述初始云像元的集合即为初始云数据。
优选的,所述利用正则化最小二乘法对所述初始云数据进行分类的过程包括:
从所述初始云数据中选择训练样本;
根据预设的正则化参数和预设的核函数计算所述训练样本之间的相似性,并根据计算结果获得最佳分类模型;
利用所述最佳分类模型对所述初始云数据进行分类,即将所述初始云数据分为云像元和非云像元,所述云像元的集合即为分类后的云数据。
优选的,所述预设的核函数为高斯核函数。
一种基于阈值和正则化最小二乘的云检测系统,包括:
初始检测模块,用于利用阈值法对遥感影像进行初始检测,并获得检测后的初始云数据;
分类模块,用于利用正则化最小二乘法对所述初始云数据进行分类,并获得分类后的云数据。
优选的,还包括:
判断模块,用于判断所述云数据的精度是否达到预设精度,如果是,将所述云数据作为云检测结果输出,如果否,发送控制指令至所述分类模块,以使所述分类模块重新对所述初始云数据进行分类。
优选的,所述初始检测模块对遥感影像进行初始检测的过程包括:
检测遥感影像的像元是否同时满足在第四波段的反射率大于第一阈值、在第三波段的反射率大于第二阈值以及在第四波段的反射率与在第三波段的反射率的比值大于第三阈值且小于第四阈值这三个条件,如果是,则提取所述像元作为初始云像元,所述初始云像元的集合即为初始云数据。
优选的,所述分类模块包括:
选择单元,用于从所述初始云数据中选择训练样本;
计算单元,用于根据预设的正则化参数和预设的核函数计算所述训练样本之间的相似性,并根据计算结果获得最佳分类模型;
分类单元,用于利用所述最佳分类模型对所述初始云数据进行分类,即将所述初始云数据分为云像元和非云像元,所述云像元的集合即为分类后的云数据。
优选的,所述预设的核函数为高斯核函数。
与现有技术相比,本发明所提供的技术方案具有以下优点:
本发明所提供的基于阈值和正则化最小二乘的云检测方法和系统,先利用阈值法对遥感影像进行初始检测并获得检测后的初始云数据,然后利用正则化最小二乘法对所述初始云数据进行分类并获得分类后的云数据,大大提高了云检测的精度,并且,经过初始检测后,降低了使用正则化最小二乘进行分类的类数,从而降低了计算的复杂度,提高了云检测的计算效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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,下面描述中的附图仅仅是本发明的实施例,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,还可以根据提供的附图获得其他的附图。
图1为本发明的一个实施例提供的基于阈值和正则化最小二乘的云检测方法的流程图;
图2为本发明的一个实施例利用阈值法进行初始检测的检测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明的一个实施例提供了一种基于阈值和正则化最小二乘的云检测方法,其流程图如图1所示,包括:
S101:利用阈值法对遥感影像进行初始检测,并获得检测后的初始云数据;
云在可见光波段的反射率高于植被、土壤和水体等的反射率,尤其在近红外波段,虽然云的反射率差异不大,但是,植被的反射率差异却很大,这就是云的典型光谱特征。根据云的这一光谱特征,本实施例可以采用如下所述的阈值法的一种或几种的结合来进行遥感影像的初始检测。
本实施例提供的多种阈值法包括:方法一、利用红光波段反射率来进行云检测,即判断遥感影像中的像元在第三波段的反射率RB3是否大于阈值a,即判断RB3>a是否成立,如果是,则该像元为云像元;方法二、利用近红外波段反射率和红光波段反射率的比值来进行云检测,即判断遥感影像中的像元在第四波段的反射率RB4与第三波段的反射率RB3的比值是否大于阈值b1且小于阈值b2,即判断b1<RB4/RB3<b2是否成立,如果是,则该像元为云像元;方法三、利用NDVI(Normalized Difference Vegetation Index,归一化植被指数或标准差异植被指数)来进行云检测,判断像元在第四波段的反射率RB4与第三波段的反射率RB3之差与二者之和的比值是否大于阈值c1且小于阈值c2,即判断是否成立,由于云的NDVI值接近0,植被地表的NDVI 值为正值,水的NDVI值为负值,因此,可以根据NDVI值将云与其他物体区分开。
本实施例中,优选的,利用阈值法对遥感影像进行初始检测的过程如图2 所示,包括:
S1010:判断遥感影像的像元在第一波段的反射率是否大于第一阈值,如果否,则该像元为非云像元,那么,重新提取其他像元并进入S1010,如果是,则进入S1011。
S1011:判断该像元在第三波段的反射率是否大于第二阈值,如果否,则该像元为非云像元,那么,重新提取其他像元并进入S1010,如果是,则进入 S1012。
S1012:判断该像元在第四波段的反射率与在第三波段的反射率的比值是否大于第三阈值且小于第四阈值,如果是,则进入S1013,提取所述像元作为初始云像元,如果否,则该像元为非云像元,那么,重新提取其他像元并进入S1010。
S1013:提取所述像元作为初始云像元。
其中,第一阈值优选为0.25,第二阈值优选为0.3,第三阈值优选为0.8,第四阈值优选为1.6。根据上述方法对遥感影像中的所有像元进行检测后,得到的初始云像元的集合即为初始云数据。当然,本实施例中的遥感影像为资源三号卫星的遥感影像,但是,本发明并不仅限于此,其他的遥感影像也可采用本实施例提供的方法进行云检测。其中在对遥感影像进行初始检测之前,还需对遥感影 象进行归一化等预处理,在此不再赘述。
通过阈值法获得初始云数据后,即可进入S102。
S102:利用正则化最小二乘法对所述初始云数据进行分类,并获得分类后的云数据。
正则化最小二乘法是对标准支持向量机方法的一种改进,其把标准支持向量机中不敏感损失函数改为了二次损失函数,用等式约束取代了不等式约束。
正则化最小二乘的原理是在再生核希尔伯特空间H中,寻找函数f∈H使得在训练样本S范围内公式(1)最小化。函数f把训练样本从原有的空间映射到了高维空间,这样在原有空间中的非线性问题就转化成了高维空间中的线性问题。
上式中训练样本S={(x1,y),…,(xn,yn)}。x是n×d矩阵的输入向量,y是n×1矩阵类别标记向量,n为输入的样本点数据的个数,d为样本点数据维数。
这里引入半正定核函数Kij=k(xi,xj),根据表现定理,f(xi)的表达形式可以写成公式(2)所示的形式,公式(2)如下所示:
基于此,公式(1)可改写为公式(3)的形式,公式(3)如下所示:
其中,Y={y1,…,yn}。
对于||f||2 H,k(xi,xj)是再生核希尔伯特空间中的函数,因此,满足公式 <f,k(xi,xj)>H=f(xj)成立。根据公式(2)对||f||2 H进行推导,最终可以表示为公式 (4)所示形式,带入到目标方程(3)中,并对未知量c与λ求导得到公式(5),其中,公式(5)中的I为单位矩阵。
||f||2 H=cTKc (4)
c=(K+λI)-1Y (5)
最终,寻找函数f∈H的问题转化为了求解c和λ的问题。求得了λ,则就可以求得c,进而得到f。正则化最小二乘利用“留一法”交叉验证来确定λ。对于训练样本中的每个点xi,利用其他n-1个点来建立分类器,利用第i个点来进行验证,计算分类器的误差,不断调整λ的值直到分类器的误差为最小。通过利用训练样本进行交叉验证得到最佳的λ值,从而求得c,建立了分类模型,进而利用该分类模型对测试样本进行预测。
本实施例中,利用正则化最小二乘法对所述初始云数据进行分类的过程包括:
S1020:从所述初始云数据中选择训练样本;
本实施例中采用的正则化最小二乘算法来自于麻省理工大学的基于正则化最小二乘损失函数回归和分类软件库。本实施例中采用分类系统监督分类,选择资源三号卫星的多光谱相机的四个波段的反射率作为特征向量,实现过程分为以下步骤:
1、选择训练样本。利用初始云数据对遥感影像进行掩膜,使得非云区域的值为0,被初始检测的云区域数值保持不变,然后将掩膜后的影像分为伪云、云和背景三类,其中,伪云包括道路、房屋和岩石裸地等其它高亮地物,背景点是掩膜后去掉的区域,其在四个波段的反射率值都为0,之后,选择云样本点、道路、房屋和沙石裸地样本点、背景样本点。
2、将选择的训练样本数据和测试数据(即初始云数据)转换成系统常用的统一格式,如表1所示。在表1中,列数代表样本的维数,行数代表样本的个数,value[i][j]表示样本中第i个样本点第j维的值。表2中Label[i]表示第i个样本点的类别,表2的行数与表1保持一致。
value[1,1] | value[1,2] | value[1,3] | … | value[1,n] |
Value[2,1] | Value[2,2] | Value[2,3] | … | Value[2,n] |
Value[3,1] | Value[3,2] | Value[3,3] | … | Value[3,n] |
… | … | … | … | … |
Value[m,1] | Value[m,2] | Value[m,3] | … | Value[m,n] |
表1
Label1 |
Label2 |
… |
Labelm |
表2
S1021:根据预设的正则化参数和预设的核函数计算所述训练样本之间的相似性,并根据计算结果获得最佳分类模型;
本实施例中,根据预设核函数的不同分为不同的分类步骤。用户可以根据选择的分类方法输入相应的参数。本实施例中的预设核函数为高斯核函数,高斯核函数如公式(7)所示:
输入预设的正则化参数λ和高斯核函数参数σ后,系统首先计算训练样本点之间的距离,即通过计算训练样本之间的相似性,距离越小相似性越大,将相似性较大的训练样本集合在一起后,就能将训练样本分类并得到最佳分类模型。
具体计算过程为:将距离按照从小到大顺序排列,取前1%处的距离为σ的最小值,取距离最大值为σ的最大值,其中,系统默认λ的取样个数为20,σ的取样个数为25。然后在σ的最大值与最小值之间进行插值,得到25个σ值,以及每个σ对应的一个确定的核函数矩阵K,将每个核函数矩阵带入公式(5)中,利用留一法求得每个σ对应的一组λ值和每个λ值对应的所有类别的精度。其中,λ值的取值范围根据经验进行选择,同样利用插值得到20个λ。计算不同σ和λ情况下训练样本中所有类别的精度和,取精度和最大值对应的σ和λ为最佳模型参数。将求得的λ代入公式(5),就建立了最佳分类模型。
S1022:利用所述最佳分类模型对所述初始云数据进行分类,即将所述初始云数据分为云像元和非云像元,所述云像元的集合即为分类后的云数据。
利用正则化最小二乘法能够有效地区分云与房屋、道路、岩石裸地等光谱相似的地物。但是,由于高分辨率遥感影像具有丰富的空间信息,如随着地物的细节信息增大,影像上会表现出更多的地物类型和差异,而正则化最小二乘法是基于像元的分类方法,因此,分类的结果存在一定的离散噪声点。特别是在地物类型比较复杂的居民地地区,噪声较多,因此,在获得分类后的云数据后,需要对噪声进行进一步的去除。
本实施例中,还需对去除噪声后的云数据进行精度评价,以保证云检测的结果的精确度,即获得云数据后,还需进入步骤S103。
S103:判断所述云数据的精度是否等于预设精度,如果是,进入S104,如果否,返回S102,即重新选择训练样本,以重新建立分类模型后再对初始云数据进行重新分类。
S104:将所述云数据作为云检测结果输出。
本实施例提供的基于阈值和正则化最小二乘的云检测方法,先利用阈值法对遥感影像进行初始检测并获得检测后的初始云数据,然后利用正则化最小二乘法对所述初始云数据进行分类并获得分类后的云数据,大大提高了云检测的精度。
与支持向量机方法相比,正则化最小二乘法采用最小二乘线性系统作为损失函数代替了支持向量机采用二次规划的方法,由求解一个凸二次规划过程转化为求解一组线性方程的过程,时间复杂度由O(N3)降为O(N2)。同时,本实施例提供的方法先利用阈值法进行初始提取,再用正则化最小二乘进行监督分类,大大降低了使用正则化最小二乘进行分类的类数,从而降低了计算的复杂度,提高了云检测的计算效率。
本发明的另一个实施例提供了一种基于阈值和正则化最小二乘的云检测系统,包括初始检测模块和分类模块。其中,初始检测模块用于利用阈值法对遥感影像进行初始检测,并获得检测后的初始云数据;分类模块用于利用正则化最小二乘法对所述初始云数据进行分类,并获得分类后的云数据。
优选的,本实施例提供的云检测系统还包括判断模块,该判断模块用于判断所述云数据的精度是否达到预设精度,如果是,将所述云数据作为云检测结果输出,如果否,发送控制指令至所述分类模块,以使所述分类模块重新对所述初始云数据进行分类。
其中,本实施例中的初始检测模块对遥感影像进行初始检测的过程包括:
判断遥感影像的像元是否同时满足在第一波段的反射率大于第一阈值、在第三波段的反射率大于第二阈值以及在第四波段的反射率与在第三波段的反射率的比值大于第三阈值且小于第四阈值这三个条件,如果是,则提取所述像元作为初始云像元,所述初始云像元的集合即为初始云数据。
优选的,上述判断过程为:判断遥感影像的像元在第一波段的反射率是否大于第一阈值,如果否,则该像元为非云像元,那么,重新提取其他像元并进行上述判断,如果是,则判断该像元在第三波段的反射率是否大于第二阈值,如果否,则该像元为非云像元,那么,重新提取其他像元并进入第一步的判断,如果是,则判断该像元在第四波段的反射率与在第三波段的反射率的比值是否大于第三阈值且小于第四阈值这三个条件,如果是,则提取所述像元作为初始云像元,如果否,则该像元为非云像元,那么,重新提取其他像元并进入第一步的判断。其中,第一阈值优选为0.25,第二阈值优选为 0.3,第三阈值优选为0.8,第四阈值优选为1.6。
此外,本实施例中的分类模块包括选择单元、计算单元和分类单元,其中,选择单元用于从所述初始云数据中选择训练样本;计算单元用于根据预设的正则化参数和预设的核函数计算所述训练样本之间的相似性,并根据计算结果获得最佳分类模型,其中,预设的核函数优选为高斯核函数;分类单元用于利用所述最佳分类模型对所述初始云数据进行分类,即将所述初始云数据分为云像元和非云像元,所述云像元的集合即为分类后的云数据。具体地选择过程、计算过程和分类过程与上述实施例相同,在此不再赘述。
本实施例中采用的正则化最小二乘算法来自于麻省理工大学的学者开发的基于正则化最小二乘损失函数回归和分类软件库。该软件库利用正则化最小二乘算法的优势,专门用于解决多类分类问题。在软件库中,GURLS和 BGURLS均是基于MATLAB软件开发的,分别用于解决小数据集和中等数据集的学习问题。本实施例中的分类模块选用的就是GURLS软件来进行监督分类。
本实施例提供的基于阈值和正则化最小二乘的云检测系统,先利用阈值法对遥感影像进行初始检测并获得检测后的初始云数据,然后利用正则化最小二乘法对所述初始云数据进行分类并获得分类后的云数据,大大提高了云检测的精度,并且,经过初始检测后,降低了使用正则化最小二乘进行分类的类数,从而降低了计算的复杂度,提高了云检测的计算效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种基于阈值和正则化最小二乘的云检测方法,其特征在于,包括:
利用阈值法对遥感影像在可见光波段的反射率进行初始检测,并获得检测后的初始云数据,所述初始云数据为初始云像元的集合;
利用正则化最小二乘法对所述初始云数据进行分类,并获得分类后的云数据;
其中,所述利用正则化最小二乘法对所述初始云数据进行分类的过程包括:
从所述初始云数据中选择训练样本;
根据预设的正则化参数和预设的核函数计算所述训练样本之间的相似性,并根据计算结果获得最佳分类模型;
利用所述最佳分类模型对所述初始云数据进行分类,即将所述初始云数据分为云像元和非云像元,所述云像元的集合即为分类后的云数据。
2.根据权利要求1所述的方法,其特征在于,获得分类后的云数据之后,还包括:
判断所述云数据的精度是否等于预设精度,如果是,将所述云数据作为云检测结果输出,如果否,重新利用正则化最小二乘法对所述初始云数据进行分类。
3.根据权利要求2所述的方法,其特征在于,所述利用阈值法对遥感影像在可见光波段的反射率进行初始检测的过程包括:
判断遥感影像的像元是否同时满足在第一波段的反射率大于第一阈值、在第三波段的反射率大于第二阈值以及在第四波段的反射率与在第三波段的反射率的比值大于第三阈值且小于第四阈值这三个条件,如果是,则提取所述像元作为初始云像元,所述初始云像元的集合即为初始云数据。
4.根据权利要求1所述的方法,其特征在于,所述预设的核函数为高斯核函数。
5.一种基于阈值和正则化最小二乘的云检测系统,其特征在于,包括:
初始检测模块,用于利用阈值法对遥感影像在可见光波段的反射率进行初始检测,并获得检测后的初始云数据,所述初始云数据为初始云像元的集合;
分类模块,用于利用正则化最小二乘法对所述初始云数据进行分类,并获得分类后的云数据;
其中,所述分类模块包括:
选择单元,用于从所述初始云数据中选择训练样本;
计算单元,用于根据预设的正则化参数和预设的核函数计算所述训练样本之间的相似性,并根据计算结果获得最佳分类模型;
分类单元,用于利用所述最佳分类模型对所述初始云数据进行分类,即将所述初始云数据分为云像元和非云像元,所述云像元的集合即为分类后的云数据。
6.根据权利要求5所述的系统,其特征在于,还包括:
判断模块,用于判断所述云数据的精度是否达到预设精度,如果是,将所述云数据作为云检测结果输出,如果否,发送控制指令至所述分类模块,以使所述分类模块重新对所述初始云数据进行分类。
7.根据权利要求6所述的系统,其特征在于,所述初始检测模块对遥感影像在可见光波段的反射率进行初始检测的过程包括:
检测遥感影像的像元是否同时满足在第一波段的反射率大于第一阈值、在第三波段的反射率大于第二阈值以及在第四波段的反射率与在第三波段的反射率的比值大于第三阈值且小于第四阈值这三个条件,如果是,则提取所述像元作为初始云像元,所述初始云像元的集合即为初始云数据。
8.根据权利要求5所述的系统,其特征在于,所述预设的核函数为高斯核函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748005.2A CN104463212B (zh) | 2014-12-09 | 2014-12-09 | 基于阈值和正则化最小二乘的云检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410748005.2A CN104463212B (zh) | 2014-12-09 | 2014-12-09 | 基于阈值和正则化最小二乘的云检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104463212A CN104463212A (zh) | 2015-03-25 |
CN104463212B true CN104463212B (zh) | 2018-05-25 |
Family
ID=52909226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410748005.2A Active CN104463212B (zh) | 2014-12-09 | 2014-12-09 | 基于阈值和正则化最小二乘的云检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104463212B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108932482B (zh) * | 2018-06-14 | 2022-03-18 | 内蒙古蒙草生态环境(集团)股份有限公司 | 一种用于调查草原沙化的遥感自动识别方法 |
CN111192231A (zh) * | 2018-10-26 | 2020-05-22 | 中国国土资源航空物探遥感中心 | 云检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196564A (zh) * | 2007-12-18 | 2008-06-11 | 西安电子科技大学 | 拉普拉斯正则化最小二乘合成孔径雷达自动目标识别方法 |
CN102854513A (zh) * | 2012-09-05 | 2013-01-02 | 环境保护部卫星环境应用中心 | 环境一号hj-1a/b星ccd数据的云检测方法 |
CN103604421A (zh) * | 2013-11-25 | 2014-02-26 | 上海航天测控通信研究所 | 一种基于光谱反射率特性的星载高光谱图像云检测方法 |
-
2014
- 2014-12-09 CN CN201410748005.2A patent/CN104463212B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101196564A (zh) * | 2007-12-18 | 2008-06-11 | 西安电子科技大学 | 拉普拉斯正则化最小二乘合成孔径雷达自动目标识别方法 |
CN102854513A (zh) * | 2012-09-05 | 2013-01-02 | 环境保护部卫星环境应用中心 | 环境一号hj-1a/b星ccd数据的云检测方法 |
CN103604421A (zh) * | 2013-11-25 | 2014-02-26 | 上海航天测控通信研究所 | 一种基于光谱反射率特性的星载高光谱图像云检测方法 |
Non-Patent Citations (3)
Title |
---|
Regularized Least-Squares Classification;Ryan Rifkin等;《Advances in Learning Theory: Methods, Model and Applications》;20030630;第1-25页 * |
基于光谱分析的MODIS云检测算法研究;李微等;《武汉大学学报(信息科学版)》;20050530;第30卷(第05期);第435-437页 * |
基于动态聚类的MODIS云检测算法;刘志刚等;《遥感信息》;20070515(第04期);第33-35页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104463212A (zh) | 2015-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
Jochem et al. | Identifying residential neighbourhood types from settlement points in a machine learning approach | |
CN110147743A (zh) | 一种复杂场景下的实时在线行人分析与计数系统及方法 | |
CN102324047B (zh) | 基于稀疏核编码skr的高光谱图像地物识别方法 | |
CN106557778A (zh) | 通用物体检测方法和装置、数据处理装置和终端设备 | |
CN109902806A (zh) | 基于卷积神经网络的噪声图像目标边界框确定方法 | |
Senthilnath et al. | Hierarchical clustering algorithm for land cover mapping using satellite images | |
Zhang et al. | Unsupervised difference representation learning for detecting multiple types of changes in multitemporal remote sensing images | |
CN105069811B (zh) | 一种多时相遥感图像变化检测方法 | |
CN107909015A (zh) | 基于卷积神经网络及空谱信息融合的高光谱图像分类方法 | |
Qin et al. | Deep fusion of multi-view and multimodal representation of ALS point cloud for 3D terrain scene recognition | |
Yang et al. | Detecting and mapping tree crowns based on convolutional neural network and Google Earth images | |
CN104063719A (zh) | 基于深度卷积网络的行人检测方法及装置 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
Younis et al. | Detection and annotation of plant organs from digitised herbarium scans using deep learning | |
CN107798294A (zh) | 检测森林斑块变化的方法和装置 | |
CN105069478A (zh) | 基于超像素张量稀疏编码的高光谱遥感地物分类方法 | |
CN109492596A (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
Golovko et al. | Development of solar panels detector | |
CN113988147B (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
CN113160150A (zh) | 基于多类型样本融合与多复杂网络的线网异物入侵ai检测方法与装置 | |
CN107895136A (zh) | 一种煤矿区域识别方法及系统 | |
Li et al. | An aerial image segmentation approach based on enhanced multi-scale convolutional neural network | |
CN110516569B (zh) | 一种基于身份和非身份属性交互学习的行人属性识别方法 | |
Jensen et al. | Image classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |