CN104573662B - 一种云判方法和系统 - Google Patents
一种云判方法和系统 Download PDFInfo
- Publication number
- CN104573662B CN104573662B CN201510017309.6A CN201510017309A CN104573662B CN 104573662 B CN104573662 B CN 104573662B CN 201510017309 A CN201510017309 A CN 201510017309A CN 104573662 B CN104573662 B CN 104573662B
- Authority
- CN
- China
- Prior art keywords
- information
- cloud
- radiation
- texture
- texture information
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10036—Multispectral image; Hyperspectral image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种云判方法,包括以下步骤:对预先采集的图像进行棋盘分割处理,得到若干个相同的判读单元;分别对判读单元的辐射信息和纹理信息进行采集,将辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在不相匹配的情况下,将辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在辐射信息和纹理信息与厚云的辐射信息和纹理信息匹配的情况下,根据辐射信息和纹理信息分析判读单元内的云量;将包括有云量信息且相邻的判读单元合并,并用新的图层表示;输出总云量信息。本发明的有益效果为:通过本方法对多光谱影像进行云检测及云信息提取,云判准确率达到88.6%,大大提高了生产效率。
Description
技术领域
本发明涉及多光谱影像云量自动判读领域,具体来说,涉及一种云判方法和系统。
背景技术
在遥感影像中,云覆盖在很大程度上降低了数据的质量和利用率。云检测是进行遥感数据处理与分析的基础和必要环节,因此准确地提取一景影像中云量是一个非常有意义的研究课题。早期的云检测及识别主要靠人工目视判读,这种方法费时、费力并且带有很强的主观局限性和经验成分。准确度低,效率低下,要耗费大量人力做这个工作,在云检测这一处理步骤上严重影响整个工序的进度。然而近年来,随着各分辨率的卫星陆续发射,不同传感器卫星影像云判方法都不相同。
早期经典的云检测方法大多基于多谱段卫星图像融合技术,根据云在不同谱段下的反照率,选取适当的单一阈值,进行云识别,该方法至今仍被广泛应用。
为提高云检测方法的普适性,近年来,国外学者从云的成像特性角度出发,提出了一系列的基于图像特征的云检测方法。
1998 年,James J. Simpson 等人应用阴影检测法,利用云的阴影效应,并结合AVHRR五通道数据对NOAA气象卫星图像进行云检测。该方法受太阳天顶角影响较大,且对于高分辨率卫星视场内不存在阴影的大面积云无法检测。
2005年,法国国家空间研究中心 Ch. Panem等人针对 SPOT5 卫星多光谱图像和全色图像,建立图像目标几何模型,对云预测模型进行匹配,计算剩余视差,设定阈值完成云检测,该方法在很大程度上取决于预测模型的准确性。
2006年,印度学者 K. Vani 等人针对Terra卫星图像和 LISS III 卫星的多光谱图像,利用平均亮度阈值(ABT)和区域增长算法去除云污染,并进行对比融合,取得了较好的效果。但该方法并未充分考虑云在各谱段的辐射特性,且平均亮度易受太阳光照的影响。
2007年,意大利学者 Umberto Amato 等人利用小波分析手段对 METEOSAT图像进行云检测。尽管小波方法在统计特征选取方面体现了一定的优越性,并可进行多尺度分析,在一定程度上提高了算法的检测率。但其计算复杂,难以实现工程化。
随着多光谱成像技术的发展与普及,云检测技术向统计特征和光谱特征相融合的趋势发展。并逐渐扩展至模式识别技术领域,机器学习算法及现代数学优化等算法被引入至云检测技术领域。
2009年,法国学者 SylvieLeHégarat-Mascle 基于云的物理属性,根据云及其阴影形状、位置的相关性,运用双马尔科夫随机场(MRF)进行云检测。一个用于像素间连通模型,另一个用于云及其阴影的相关性模型。该方法对高分辨率遥感卫星云检测效果良好,但面临同样问题,即太阳天顶角对阴影的影响。
2011年,意大利学者 Riccardo Rossi 等人利用奇异值分解(SVD)技术对图像进行特征提取,应用支持向量机(SVM)分类器实现对 QuickBird 卫星图像云检测。该方法实现了对高分辨率遥感卫星的云检测,同时避免了成像系统参数对算法的影响,检测概率>91%。但单纯的奇异值分解特征提取技术仅仅从灰度统计分布角度构造特征向量,不能全面表述云的纹理,几何等属性。
2012年,意大利学者 Paolo Addesso 等在光谱特征的基础上,在 SVM 分类器中增加了能够表征云空域相关性的惩罚因子,实现了高准确度的云检测。该方法融合了图像的光谱信息与空域信息,取得了令人满意的效果,但受多光谱配准精度的影响,方法同样不适用于高分辨率全色图像。
另外,国内在云检测方法研究方面起步较晚,且多以引入国外的方法为主。多数云检测方法仍是基于气象卫星的多通道数据融合法。在中高分辨率遥感卫星云检测方面,国内研究文献极少,技术成熟度相对国外滞后。部分公开文献中出现了图像中薄云薄雾的检测方案,但研究方法还是基于国外现有方法,应用背景也大多为气象卫星。真正用于高分辨率全色图像的云检测方法在近几年才逐步被重视,如北航曹琼等人利用云的纹理特征,结合简单分类面实现了高分辨率图像的云检测。
北京理工大学将遥感图像进行区域块划分,通过图像特征参量的提取,采用基于类中心的聚类算法,进行扫描区域的云检测。在处理机研制方面,将算法嵌入至 DSP 板卡中,大幅度地提升了数据处理和运算效率,实现实时云检测和剔除。该方法主要基于硬件算法嵌入,经实际试验验证了实时进行云判并去除的可行性,但其试验在地面上进行,且未充分考虑算法的性能。
西安电子科技大学的周丽娟等人利用图像结构纹理特征,通过 SVM 优化分类面实现了高分辨率图像的云检测。该方法重点分析、改进了 SVM 分类技术,在最优化分类问题上取得了良好的效果,但对于云的特征属性描述不够全面。
卫星遥感图像云检测技术是遥感图像处理领域的一门新兴技术,该技术主要起源于气象卫星预报工作,且最初是利用人工进行云判,带有强烈的主观因素和经验成分,后逐渐发展为自动云检测。气象卫星云图人工判读多谱段融合技术自动云检测基于图像统计特征的自动云检测基于光谱特征与统计特征的自动云检测。
随着计算机技术及信息处理技术的飞速发展,卫星图像自动云检测技术已成为国内外研究的热门领域。国外大量文献利用多光谱或多通道遥感图像,针对气象卫星云图进行检测和分类,取得了很大的成果。在中、高分辨率的遥感卫星云判方面,国外部分学者也进行了研究,但很大程度上还是依赖于多谱段信息的关联性,对于全色 CCD 的遥感影像并不适用。此外,此类方法仅仅从物理层面上表述云的光谱特征,忽略了云的空间分布,灰度统计以及几何形状等特征,特征的不完备性必然引来检测算法性能的缺陷。
基于以上原因,国内外部分学者开始从云的成像特性着手,联合云的物理特性,构造检测算法,在很大程度上弥补了传统检测方法的不足。这期间,一些新兴的技术被应用其中,如小波分析,模式识别,最优化理论,机器学习和计算机视觉技术等。此外,在算法验证方面,国外学者也做了大量的研究工作。国内也有学者验证了地面处理方案的可行性。
总体而言,云检测方法的研究与发展已取得了令人瞩目的成效,但仍有不足之处,主要体现在如下几个方面:
1、方法大多依赖于多谱段信息,且主要针对气象卫星,对于高分辨率全色 CCD图像并不适用;
2、方法往往针对特定卫星图像产品,普适性较差;
3、方法性能指标有待于提高。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
本发明的目的是提供一种云判方法和系统,以克服目前现有技术存在的上述不足。
本发明的目的是通过以下技术方案来实现:
本发明的一方面提供了一种云判方法,该云判方法包括以下步骤:
对预先采集的图像进行棋盘分割处理,得到若干个相同的判读单元;
分别对所述判读单元的辐射信息和纹理信息进行采集,并将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
根据所述云量信息,输出与新的图像相匹配的总云量信息。
进一步的,通过棋盘分割处理得到的判读单元由5*5的像素构成。
进一步的,其中,将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息相匹配的情况下,则图像中不包含云信息,输出云量信息为0%。
进一步的,其中,将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
根据所述云量信息,输出与新的图像相匹配的总云量信息。
进一步的,其中,将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息不匹配的情况下,将所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
根据所述云量信息,输出与新的图像相匹配的总云量信息。
本发明的另一方面提供了一种云判系统,该云判系统包括:
图像分割单元,用于对预先采集的图像进行棋盘分割处理,得到若干个相同的判读单元;
图像分析单元,用于对所述判读单元的辐射信息和纹理信息进行采集,并将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
图像合并单元,用于根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
云量输出单元,用于根据所述云量信息,输出与新的图像相匹配的总云量信息。
进一步的,所述图像分割单元通过棋盘分割处理得到的判读单元由5*5的像素构成。
进一步的,其中,所述图像分析单元还用于将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息相匹配的情况下,则图像中不包含云信息,通过所述云量输出单元输出图像的云量信息为0%。
进一步的,其中,所述图像分析单元还用于将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
所述图像合并单元还用于所述根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
所述云量输出单元还用于根据所述云量信息,输出与新的图像相匹配的总云量信息。
进一步的,其中,图像分析单元还用于将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息不匹配的情况下,将所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
所述图像合并单元还用于根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
所述云量输出单元还用于根据所述云量信息,输出与新的图像相匹配的总云量信息。
本发明的有益效果为:通过本方法对多光谱影像进行云检测及云信息提取,云判准确率达到88.6%,大大提高了生产效率,基本实现了数据处理自动化,并且适用性较高,有利于市场的推广与应用。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的一种云判方法的流程示意图;
图2是根据本发明实施例所述的一种云判方法的云与地物反射率分布曲线图;
图3是根据本发明实施例所述的一种云判方法的全局厚云覆盖影像提取效果图一;
图4是根据本发明实施例所述的一种云判方法的全局厚云覆盖影像提取效果图二;
图5是根据本发明实施例所述的一种云判方法的暗影像提取效果图一;
图6是根据本发明实施例所述的一种云判方法的暗影像提取效果图二;
图7是根据本发明实施例所述的一种云判方法的沙漠地区影像提取效果图一;
图8是根据本发明实施例所述的一种云判方法的沙漠地区影像提取效果图二;
图9是根据本发明实施例所述的一种云判方法的局部云影像提取效果图一;
图10是根据本发明实施例所述的一种云判方法的局部云影像提取效果图二;
图11是根据本发明实施例所述的一种云判方法的棋盘分割处理的示意图;
图12是根据本发明实施例所述的一种云判方法的图像合并的示意图一;
图13是根据本发明实施例所述的一种云判方法的图像合并的示意图二。
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所获得的所有其他实施例,都属于本发明保护的范围。
如图1-13所示,根据本发明实施例所述的一种云判方法,包括以下步骤:
其中,如图11所示,对预先采集的图像进行棋盘分割处理,得到若干个相同的判读单元;
如图3-4、7-8所示,分别对所述判读单元的辐射信息和纹理信息进行采集,并将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量信息;
如图12-13所示,根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
输出与新的图像相匹配的总云量信息。
通过棋盘分割处理得到的判读单元由5*5的像素构成。
其中,将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息相匹配的情况下,则图像中不包含云信息,输出云量信息为0%。
其中,如图5-6所示,将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
根据所述云量信息,输出与新的图像相匹配的总云量信息。
其中,如图9-10所示,将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息不匹配的情况下,将所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
根据所述云量信息,输出与新的图像相匹配的总云量信息。
根据本发明的另一方面提供了一种云判系统,该云判系统包括:
图像分割单元,用于对预先采集的图像进行棋盘分割处理,得到若干个相同的判读单元;
图像分析单元,用于对所述判读单元的辐射信息和纹理信息进行采集,并将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量信息;
图像合并单元,用于根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
云量输出单元,用于根据所述云量信息,输出与新的图像相匹配的总云量信息。
所述图像分割单元通过棋盘分割处理得到的判读单元由5*5的像素构成。
其中,所述图像分析单元还用于将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息相匹配的情况下,则图像中不包含云信息,通过所述云量输出单元输出图像的云量信息为0%。
其中,所述图像分析单元还用于将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量信息;
所述图像合并单元还用于所述根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
所述云量输出单元还用于根据所述云量信息,输出与新的图像相匹配的总云量信息。
其中,图像分析单元还用于将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息不匹配的情况下,将所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
所述图像合并单元还用于根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
所述云量输出单元还用于根据所述云量信息,输出与新的图像相匹配的总云量信息。
具体应用时,由于云检测的基本原理是利用云与植被、土壤以及水域等下垫面介质的光谱差异进行云检测的。由于云在可见光波段具有较高的反射系数,因此在大多数图像中均表现为亮色调区域,可利用图像区域的灰度分布特征将云与地物区分开。云及地物反射率分布曲线如图2所示。光谱阈值法利用云和地物不同的光谱辐射特性进行区分,云相对于地物(包括陆地、海洋、沙漠等)具有较高的反射率和较低的亮温值,因此通过阈值法就能将云和地物分开。
云的种类繁多,其特点受地理位置、季节和气候等多种因素的综合影响,在时间和空间分布上有极大的不确定性,使得云检测一直以来都是遥感图像处理中很难解决的问题。本文确定了云检测的总体思路及方案,将云检测问题视为云与地物的分类问题。
采用本技术方案即面向对象的多阈值云提取算法设计,是基于高分辨率遥感图像中云与地物的属性差异,从辐射特性,纹理特性,提取特征参量,建立分类特征空间,建立云信息提取规则集。
本发明以天绘卫星获取的影像为例,通过天绘卫星获取的影像是全球区域的影像,因此下垫面有很多种,比如沙漠地区、海洋地区等;另外,由于天气、太阳高度角等问题,造成影像亮度不同;结合这些因素,一般把影像分为:沙漠地区影像、暗影像、全局厚云覆盖影像、局部云覆盖影像,各类型的影像上的云的判读方法都不同。首先对读取的影像进行判断属于哪类影像,再采取预先设置的不同的阈值进行云信息提取。下面分别通过判读沙漠地区影像、整景影像都偏暗、浓云密布的影像上的云量为具体的实施方式,来说明本申请的技术方案。
(1)全局厚云覆盖影像:整景影像都被厚云覆盖的影像。厚云往往呈现大的覆盖面积,可达十几万平方公里,因此在图像中厚云常表现为大面积,连续分布的尺度特性。
判断特征:亮度值高;
Brightness(亮度)>100;
NDVI(归一化植被指数)<0.12;
由于在可见和近红外区域,云的反射率变化幅度要小于植被,云的NDVI值接近0,植被地表为正值。符合以上2个条件的影像为全局厚云覆盖影像,依据Intensity≥0.5的对象即为云;云信息提取的效果如图3-4所示。
(2)暗影像:由于高纬的低太阳高度角等原因,卫星拍摄的原始数据存在严重的偏色和偏暗现象,与实际情况差别很大。
判断特征:
亮度值低,Brightness≤50;
整景亮度值小于50的影像为暗影像,依据Intensity≤0.15的对象为云。云信息提取的效果如图5-6所示。
(3)沙漠地区影像:影像覆盖区域都是沙漠地区。从大量抽检的影像进行统计,下垫面为沙漠地区的影像上都没有云,因此只要判读出某景影像是沙漠地区影像,则判读该景影像的云量为0。
判断特征:
4个波段的标准差都很低,
StdDev Layer 1<9;
StdDev Layer 2<9;
StdDev Layer 3<9;
StdDev Layer 4<9;
符合以上四个条件的影像为沙漠地区影像,判云量为0,如图7-8所示。
(4)局部云覆盖影像:太阳高度角正常,卫星侧摆角度正常,中低纬度地区;可见光云图上物象的色调决定于其的反照率和太阳高度角。
在一景影像上有局部云覆盖,进行云检测的特征主要是:
Intensity(明度)≥0.3的对象即为云,云信息提取如图-10所示。
如图11所示,棋盘分割处理为每一个蓝色格子里都是5*5个像素组成,后面的云的检测都是基于这些格子进行的,也就是以这些格子为最小判读单元。
如图12-13所示,图像合并处理是指:云判读的时候就是把是云的格子检测出来,若相邻的两个或多个格子都是云,那么就合并为一个,不相邻的不能合并。
本技术方案的数据源统一,具有同一传感器,都是天绘卫星多光谱数据,都是四个波段,并且由于云在可见光波段具有较高的反射系数,因此在大多数图像中均表现为亮色调区域,可利用图像区域的灰度分布特征将云与地物区分开。利用云和地物不同的光谱辐射特性进行区分,云相对于地物(包括陆地、海洋、沙漠等)具有较高的反射率和较低的亮温值,因此通过阈值法就能将云和地物分开。
本技术方案使用天绘易康云判系统对691景天绘一号卫星多光谱影像进行云检测及云信息提取,云判准确率达到88.6%,大大提高了生产效率,基本实现了数据处理自动化。表1为云量在不同区间的准确率统计。
表1 云判准确率统计
云量 | [0,15] | (15,50] | (80,100] | [0,100] |
景数 | 99 | 240 | 352 | 691 |
正确景 | 71 | 198 | 343 | 612 |
正确率 | 0.717 | 0.829 | 0.974 | 0.886 |
综上所述,借助于本发明的上述技术方案,通过本方法对多光谱影像进行云检测及云信息提取,云判准确率达到88.6%,大大提高了生产效率,基本实现了数据处理自动化,并且适用性较高,有利于市场的推广与应用。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (10)
1.一种云判方法,其特征在于,包括以下步骤:
对预先采集的图像进行棋盘分割处理,得到若干个相同的判读单元;
分别对所述判读单元的辐射信息和纹理信息进行采集,并将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量信息;
根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
输出与新的图像相匹配的总云量信息。
2.根据权利要求1所述的云判方法,其特征在于,通过棋盘分割处理得到的判读单元由5*5的像素构成。
3.根据权利要求1所述的云判方法,其特征在于,还包括:
在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息相匹配的情况下,直接输出云量信息为0%。
4.根据权利要求1所述的云判方法,其特征在于,还包括:
在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较;
在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
根据所述云量信息,输出与新的图像相匹配的总云量信息。
5.根据权利要求4所述的云判方法,其特征在于,还包括:
在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息不匹配的情况下,将所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息进行比较;
在比较结果为所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
根据所述云量信息,输出与新的图像相匹配的总云量信息。
6.一种云判系统,其特征在于,包括:
图像分割单元,用于对预先采集的图像进行棋盘分割处理,得到若干个相同的判读单元;
图像分析单元,用于对所述判读单元的辐射信息和纹理信息进行采集,并将所述辐射信息和纹理信息与预先存储的沙漠的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的厚云的辐射信息和纹理信息进行比较,在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量信息;
图像合并单元,用于根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
云量输出单元,用于根据所述云量信息,输出与新的图像相匹配的总云量信息。
7.根据权利要求6所述的云判系统,其特征在于,所述图像分割单元通过棋盘分割处理得到的判读单元由5*5的像素构成。
8.根据权利要求6所述的云判系统,其特征在于,所述图像分析单元还用于在比较结果为所述辐射信息和纹理信息与沙漠的辐射信息和纹理信息相匹配的情况下,通过所述云量输出单元输出图像的云量信息为0%。
9.根据权利要求6所述的云判系统,其特征在于,所述图像分析单元还用于在比较结果为所述辐射信息和纹理信息与厚云的辐射信息和纹理信息不相匹配的情况下,将所述辐射信息和纹理信息与预先存储的暗影像的辐射信息和纹理信息进行比较,并在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量信息;
所述图像合并单元还用于所述根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
所述云量输出单元还用于根据所述云量信息,输出与新的图像相匹配的总云量信息。
10.根据权利要求9所述的云判系统,其特征在于,所述图像分析单元还用于在比较结果为所述辐射信息和纹理信息与暗影像的辐射信息和纹理信息不匹配的情况下,将所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息进行比较,并在比较结果为所述辐射信息和纹理信息与预先存储的局部云的辐射信息和纹理信息相匹配的情况下,根据所述辐射信息和纹理信息分析所述判读单元内的云量;
所述图像合并单元还用于根据所述云量信息,将包括有云量信息且相邻的判读单元合并为新的图像;
所述云量输出单元还用于根据所述云量信息,输出与新的图像相匹配的总云量信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510017309.6A CN104573662B (zh) | 2015-01-14 | 2015-01-14 | 一种云判方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510017309.6A CN104573662B (zh) | 2015-01-14 | 2015-01-14 | 一种云判方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104573662A CN104573662A (zh) | 2015-04-29 |
CN104573662B true CN104573662B (zh) | 2019-03-01 |
Family
ID=53089684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510017309.6A Active CN104573662B (zh) | 2015-01-14 | 2015-01-14 | 一种云判方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104573662B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260729B (zh) * | 2015-11-20 | 2018-10-26 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
CN105512678A (zh) * | 2015-12-01 | 2016-04-20 | 中国科学院上海技术物理研究所 | 一种卫星激光高度计足印相机影像精确分类的方法 |
CN105894520B (zh) * | 2016-04-25 | 2018-05-25 | 武汉大学 | 一种基于高斯混合模型的卫星影像自动云检测方法 |
BR112021006133A2 (pt) * | 2018-10-19 | 2021-06-29 | The Climate Corporation | técnicas de aprendizado de máquina para identificar nuvens e sombras de nuvem em imagística por satélite |
CN117592001B (zh) * | 2024-01-18 | 2024-04-16 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种数据融合方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101566692A (zh) * | 2009-05-26 | 2009-10-28 | 吉林大学 | 利用卫星遥感数据中的云影信息检测云高的方法 |
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 |
CN102799903A (zh) * | 2012-07-18 | 2012-11-28 | 中国科学院自动化研究所 | 一种基于空间与光谱信息的高光谱自动云检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7805005B2 (en) * | 2005-08-02 | 2010-09-28 | The United States Of America As Represented By The Secretary Of The Army | Efficient imagery exploitation employing wavelet-based feature indices |
-
2015
- 2015-01-14 CN CN201510017309.6A patent/CN104573662B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN101566692A (zh) * | 2009-05-26 | 2009-10-28 | 吉林大学 | 利用卫星遥感数据中的云影信息检测云高的方法 |
CN102799903A (zh) * | 2012-07-18 | 2012-11-28 | 中国科学院自动化研究所 | 一种基于空间与光谱信息的高光谱自动云检测方法 |
Non-Patent Citations (1)
Title |
---|
阈值与纹理相结合的云识别方法;孙学金 等;《解放军理工大学学报(自然科学版)》;20111231;第397-402页 |
Also Published As
Publication number | Publication date |
---|---|
CN104573662A (zh) | 2015-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101894B (zh) | 一种地表类型数据支持的遥感图像云阴影检测方法 | |
CN111709379B (zh) | 基于遥感影像的丘陵区柑橘种植地块监测方法及系统 | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN104751478B (zh) | 一种基于多特征融合的面向对象的建筑物变化检测方法 | |
CN104573662B (zh) | 一种云判方法和系统 | |
CN101840581B (zh) | 一种从卫星遥感影像中提取建筑物轮廓的方法 | |
CN103578110B (zh) | 基于灰度共生矩阵的多波段高分辨率遥感影像分割方法 | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
Qi et al. | A three-component method for timely detection of land cover changes using polarimetric SAR images | |
Su et al. | Improving MODIS sea ice detectability using gray level co-occurrence matrix texture analysis method: A case study in the Bohai Sea | |
CN103077515B (zh) | 一种多光谱图像建筑物变化检测方法 | |
CN109191432A (zh) | 基于域变换滤波多尺度分解的遥感图像云检测方法 | |
CN103632363A (zh) | 基于多尺度融合的对象级高分辨率遥感影像变化检测方法 | |
CN110390255A (zh) | 基于多维度特征提取的高铁环境变化监测方法 | |
CN105335966A (zh) | 基于局域同质性指标的多尺度遥感影像分割方法 | |
CN104318051B (zh) | 基于规则的大范围水体信息遥感自动提取系统及方法 | |
CN104331698A (zh) | 一种遥感图像城区提取方法 | |
CN102902956A (zh) | 一种地基可见光云图识别处理方法 | |
CN107564016B (zh) | 一种集成地物光谱信息的多波段遥感图像分割及标记方法 | |
CN103839267A (zh) | 一种基于形态学建筑物指数的建筑物提取方法 | |
CN107330898A (zh) | 植被垂直带定量刻划计算方法和系统 | |
CN106228130A (zh) | 基于模糊自编码网络的遥感影像云检测方法 | |
CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN109635713A (zh) | 高原山地阴影区冰川识别方法 | |
CN104217440B (zh) | 一种从遥感图像中提取建成区的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |