CN105139396B - 一种全自动遥感影像云雾检测方法 - Google Patents

一种全自动遥感影像云雾检测方法 Download PDF

Info

Publication number
CN105139396B
CN105139396B CN201510512741.2A CN201510512741A CN105139396B CN 105139396 B CN105139396 B CN 105139396B CN 201510512741 A CN201510512741 A CN 201510512741A CN 105139396 B CN105139396 B CN 105139396B
Authority
CN
China
Prior art keywords
cloud
image
remote sensing
hot
detection
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.)
Expired - Fee Related
Application number
CN201510512741.2A
Other languages
English (en)
Other versions
CN105139396A (zh
Inventor
陈学泓
陈舒立
陈晋
曹鑫
崔喜红
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Normal University
Original Assignee
Beijing Normal University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Normal University filed Critical Beijing Normal University
Priority to CN201510512741.2A priority Critical patent/CN105139396B/zh
Publication of CN105139396A publication Critical patent/CN105139396A/zh
Application granted granted Critical
Publication of CN105139396B publication Critical patent/CN105139396B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • 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
    • 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
    • G06T2207/30192—Weather; Meteorology

Abstract

本发明提供了一种全自动遥感影像云雾检测方法。所述方法以一幅不同时期获取的无云图像作参照，经过建立HOT初步云检测结果、HOT与无云与有云图像的差值图像的多元回归结果、基于上述结果与有云图像的再一次多元回归结果，以及上述过程反复迭代的步骤，最终获得云雾检测的结果。该方法有效克服了传统HOT、BSHTI等云厚度检测方法无法抑制高亮地物噪声的问题，尤其实现了将冰雪与云雾进行有效区分，为大量云污染遥感影像的云雾厚度检测提供了一种行之有效的方法。

Description

一种全自动遥感影像云雾检测方法
技术领域
本发明涉及一种利用遥感影像进行云雾检测的方法，特别是一种针对遥感云污染影像能够自动地成功抑制高亮地物噪声和准确提取云雾信息的云检测方法。
背景技术
随着卫星遥感技术的发展，遥感技术越来越广泛地应用于天气分析、军事、农业、环境监测、能源调查及全球研究和区域规划等多个领域中。目前，由于遥感技术本身以及人们认识上的局限性，遥感技术的应用实用化有两个问题有待解决：一是数据处理与实时检测同步性不能满足实用要求；二是遥感图像的处理不能满足实用要求。如在定量遥感监测中，需要利用可见光与近红外波段的光谱数据定量计算各类植被指数和叶面积指数等指标，并研究其在空间与时间上的变化规律以及对全球环境变化的响应。但这些指数不仅与地表状况有关，遥感卫星过境时的大气状况不同也会导致同一地区的指数值出现偏差。因而在遥感资料的处理过程中,云检测是首要解决的问题之一,无论是在云图分析、不同遥感图像融合还是光谱数据的定量反演等过程，都需要进行云检测。云检测就是通过对卫星观测到的目标物的辐射值进行区分,然后判断是晴空辐射还是云辐射，参见检测的目的是进行云区信息提取以及与其背景场分离。
在过去许多年，大量的人力物力投入这一方面，涌现了较多的云检测方法，一般说来，这些方法可以分为两类：1、二值化的云检测方法；2、定量化的云检测方法。
二值化的云检测方法只用来产生云掩膜，即云检测的结果只包含有云和无云两种结果，并且得到了该方法的总体评估系统，参见Irish R.R.(2000).Landsat 7automaticcloud cover assessment[C]//AeroSense 2000.International Society for Opticsand Photonics,348-355，和Irish R.R.,Barker J.L.,Goward S.N.,et al.(2006).Characterization of the Landsat-7ETM+automated cloud-cover assessment(ACCA)algorithm.Photogrammetric Engineering&Remote Sensing,72(10),1179-1188。这类方法后来被发展，参见Zhu Z.,&Woodcock C.E.(2012).Object-based cloud and cloudshadow detection in Landsat imagery.Remote Sensing of Environment,118,83-94。但是该类方法只能得到云覆盖整体有云或无云的结果，而无法获得云污染厚度的信息，进而无法为薄云雾进行纠正，从而不能有效恢复地物信息。第二类方法，定量化的云检测方法，能够提供云雾厚度信息，从而支持去除薄云污染信息而恢复云雾下的地物信息。其中最为广泛应用且简单实用的是HOT(Haze Optimized Transformation，云雾最优变换)，HOT是一种经典的云雾检测方法,参见Zhang Y.,Guindon B.,&Cihlar J.(2002).An imagetransform to characterize and compensate for spatial variations in thin cloudcontamination of Landsat images.Remote Sensing of Environment,82(2),173-187。该方法只利用遥感影像的蓝光和红光波段，并且成功应用于植被类型，但是在冰雪，水体，和高亮地物上失效。后来，HOT被Liu等人进一步改进，提出BSHTI(Background SuppressedHaze Thickness Index，背景压缩云雾厚度指数)算法，参见Liu C.,Hu J.,Lin Y.,et al.(2011).Haze detection,perfection and removal for high spatial resolutionsatellite imagery.International Journal of Remote Sensing,32(23),8685-8697.。但是对于将高亮地物误认为厚云的严峻问题依然没有被解决。因此，我们迫切需要一种针对遥感云污染影像能够自动地成功抑制高亮地物噪声和准确提取云雾信息的云检测方法。
发明内容
本发明提供了一种全自动遥感影像云雾检测方法，该方法可减少或避免前面所提到的问题。
为解决上述云雾检测问题，本发明提供了一种利用遥感影像进行云检测的方法，其包括如下步骤：
A.遥感影像的HOT初步云检测：该步骤借助一幅获取时间具有差异的无云遥感图像建立“晴空线”，基于该晴空线将HOT应用到有云图像获得初步的云检测结果：
HOT＝sinθ·R1-cosθ·R3，
其中，R1和R3是蓝光和红光波段的表观反射率，θ表示晴空线的角度；
B.遥感影像的THOT云检测：借助一幅无云清晰图像，计算有云图像与无云图像的差值，获得两者之间的差值图像，通过对差值图像和步骤A得到的HOT图像进行多元回归：
Figure GDA0002714799280000041
其中c是一个常数，ε是多元回归的残差，n表示遥感影像的波段个数,ki表示差值图像在第i波段的回归系数，Rhi和Rci表示有云图像和无云图像像素在第i波段的表观反射率；
从而获得新的一幅THOT云检测结果：
Figure GDA0002714799280000042
C.遥感影像的iHOT云检测：对有云图像和THOT图像进行再一次的多元回归：
Figure GDA0002714799280000043
其中c’是一个常数，ε’表示该多元回归的残差，从而获得一幅新的云检测iHOT结果：
Figure GDA0002714799280000044
D.遥感影像的IHOT云检测：对上述B-C步骤进行反复自适应的迭代，直到THOT与iHOT之间的相关性提高到趋于稳定，从而选取最后迭代的结果iHOT结果作为最后云检测结果IHOT图像。
进一步讲，步骤A中利用无云图像在蓝-红光谱空间建立“晴空线”，将该晴空线应用到有云图像，计算有云图像像素的HOT值；在选取无云图像的过程中，要求该无云图像的地物类型、面积与有云图像尽可能一致。
进一步讲，步骤C中有云图像是单景有云影像。
进一步讲，步骤D中反复迭代的过程中，直至两次迭代的相关性差异小于等于0.001时，迭代终止。
本发明基于HOT原始云检测结果，利用不同时间获取的无云图像，结合迭代优化自适应的过程，成功抑制各类地物噪声信息，实现了可适用于大量遥感影像自动批量处理的云雾污染程度的检测。
附图说明
以下附图仅旨在于对本发明做示意性说明和解释，并不限定本发明的范围。其中，
图1为根据本发明的一个具体实施例的一种利用遥感影像进行云检测方法的流程示意图。
图2为根据本发明的一个具体实施例的一种利用遥感影像进行云检测方法的流程结果图。
图3为利用该方法在耕地区域的云检测结果，并且与传统广泛应用的HOT、BSHTI方法的结果进行对比。
图4为利用该方法在城市区域的云检测结果，并且与传统广泛应用的HOT、BSHTI方法的结果进行对比。
图5为利用该方法在冰雪区域的云检测结果，并且与传统广泛应用的HOT、BSHTI方法的结果进行对比。
图6为利用方法在沙漠区域的云检测结果，并且与传统广泛应用的HOT、BSHTI方法的结果进行对比。
图7为该方法在利用一幅无云影像应用到一年四季多幅影像的云检测结果。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现说明本发明的具体实施方式。
本发明提供一种全自动遥感影像云雾检测方法，是以一幅不同时期获取的无云图像作参照，经过建立HOT初步云检测结果、HOT与无云与有云图像的差值图像的多元回归结果、基于上述结果与有云图像的再一次多元回归结果，以及上述过程反复迭代的步骤，最终获得云雾检测的结果。该方法有效克服了传统HOT、BSHTI等云厚度检测方法无法抑制高亮地物噪声的问题，尤其实现了将冰雪与云雾进行有效区分，为大量云污染遥感影像的云雾厚度检测提供了一种行之有效的方法。
图1为根据本发明的一个具体实施例的一种利用遥感影像进行地表覆盖制图的方法的流程示意图；参照图1所示，下面详细说明根据本发明提供的一种利用遥感影像进行云检测方法的原理。所述方法包括如下步骤：
A、遥感影像的HOT初步云检测；
B、遥感影像的THOT云检测；
C、遥感影像的iHOT云检测；
D、遥感影像的IHOT云检测。
对于上述各检测方法的定义：
HOT：Haze Optimized Transformation，云雾最优变换，为已知方法
THOT：Temporal HOT，多时相HOT
iHOT：improved HOT，改进式HOT
IHOT：Iterative HOT，迭代式HOT
对于遥感影像而言，在进行本发明处理过程之前，首先需要对影像进行辐射定标，将DN值转化为表观反射率。
步骤A:遥感影像的HOT初步云检测
本发明了利用传统方法HOT作为输入的初始值，同时借助一幅获取时间具有差异的无云遥感图像建立“晴空线”。一幅获取时间具有差异的无云遥感图像，要求该无云图像的地物类型、面积与有云图像尽可能一致，因为使得无云图像的“晴空线”尽可能靠近有云图像的晴空线，才能获得更为精确的HOT初始云检测结果。基于该晴空线将HOT应用到有云图像获得初步的云检测结果：
HOT＝sinθ·R1-cosθ·R3，
其中，R1和R3是蓝光和红光波段的表观反射率，θ表示晴空线的角度。其中，所用的耕地区域的无云图像为Landsat 8OLI图像，大小为3545×3239，空间分辨率为30米，所用波段为短蓝、蓝光、绿光、红光、近红外和两个短波红外波段，计算得到的无云图像的平均HOT值为0.0676，θ为60.72度。
但有云图像的HOT结果无法抑制许多地物的噪声信息，如总是高估不透水层、水体、冰雪等地表类型上方的云厚度，以及低估裸土上方的云厚度。
步骤B:遥感影像的THOT云检测
为了抑制步骤A中获得的HOT图像中包含的地物噪声，高估的不透水层等高亮地物上方的云厚度信息，同时低估的裸土和道路上方的云厚度信息。因而考虑借助一幅无云清晰图像。计算有云图像与无云图像的差值，获得两者之间的差值图像。差值图像当中包含了许多的云雾信息，且成功地抑制了大部分的地物信息，尤其消除了高亮地物的噪声影响。但不可否认的是，该图像中不可避免地包含了有云图像与无云图像之间的物候差异信息和地表覆盖类型变化的信息。因此我们尝试做的就是提取HOT图像和差值图像当中共同的云雾信息，同时抑制两者中存在的噪声信息，因而通过对差值图像和HOT图像进行多元回归，得：
Figure GDA0002714799280000081
其中Rhi和Rci表示有云图像和无云图像像素在第i的表观反射率，c是一个常数，ε是多元回归的残差，n表示遥感影像的波段个数，ki表示差值图像在第i波段的回归系数。
从而有效提取两者当中共同正确的云雾信息和抑制各自存在的由地物引起的各种噪声信息，从而获得了新的一幅THOT云检测结果：
Figure GDA0002714799280000082
即尝试在高维空间寻找一个超平面，使得清晰像素都能分布在该平面上，而云污染像素则会偏离该平面。随着云污染程度增加，即云厚度增加，有云像素距离该平面距离增加，最后汇聚一点，云点，只包含云信息。
步骤C:遥感影像的iHOT云检测
考虑到步骤B中THOT图像当中还是残存有物候差异信息和地表覆盖类型变化的信息，同时考虑一幅单景的有云、无云图像无法包含差异信息和变化信息，因而对单景的有云图像和THOT图像两者进行再一次的多元回归，
Figure GDA0002714799280000083
其中c’是一个常数，ε’表示该多元回归的残差。从而获得一幅新的云检测iHOT结果：
Figure GDA0002714799280000091
从而更进一步提取了有云图像当中的云雾信息，同时利用无云图像抑制地物信息，即确保清晰地物都分布在高维空间的清晰平面上，而有云像素随着云污染程度增加而逐渐偏离该平面，最后汇聚于一点，而这一点只包含云信息。
步骤D：遥感影像的IHOT云检测
为了使得最后的云检测结果不受到初始值HOT的影响，重复B-C步骤反复自适应的迭代，直到THOT与iHOT之间的相关性提高到趋于稳定，本文设置两次迭代的相关性差异小于等于0.001时，则终止迭代，选取最后的iHOT结果作为最后云检测结果IHOT图像。图2显示了迭代过程中，地表信息逐渐被抑制、云雾提取信息逐渐优化的结果。
为了更好的说明本发明的技术效果，针对不同的景观(最为典型地：耕地、城市用地、冰雪、沙漠)的遥感影像分别利用本发明提出的一种IHOT全自动遥感影像云雾检测方法以及传统HOT、BSHTI方法进行了有云图像的云检测，然后对云检测后的结果进行比较。同时，为了验证该方法的稳定性与有效性，本发明选取耕地区域为例，利用一幅无云图像应用到一年四季的有云图像进行云检测。
图3中可以看出，针对耕地景观，整体上IHOT的效果要优于HOT与BSHTI，从部分细节图像上看，HOT高估了高亮地物的云厚度信息，低估了裸土、道路的云厚度信息，很多地物噪声都没有被抑制，而BSHTI稍微好一点，其主要问题在于对于高亮地物的云厚度信息的高估问题，而IHOT结果很好的克服了这些问题，成功了将云信息与地物噪声分离，有效地进行云提取。
图4中可以看出，针对城市用地景观，整体上IHOT的效果要优于HOT与BSHTI，从部分细节图像上看，HOT高估了水体的云厚度信息，低估了裸土云厚度信息，同样的问题存在于BSHTI当中，对于水体云厚度信息的高估，同时由于图像本身在蓝光波段的饱和，而使得最厚云处的检测结果失效，而IHOT结果很好的克服了这些问题，成功了将云信息与地物噪声分离，有效地进行云提取。
图5中可以看出，针对冰雪景观，整体上IHOT的效果同样要优于HOT与BSHTI，从部分细节图像上看，HOT将冰雪误认为厚云，没有将两者区分开来，BSHTI更是如此，而IHOT结果很好地抑制了冰雪的信息，成功地提取了云雾信息。
图6中可以看出，针对沙漠景观，整体上IHOT的效果要优于HOT与BSHTI，从部分细节图像上看，HOT高估了浑浊水体和部分耕地的云厚度信息，而BSHTI主要也是高估浑浊水体的云厚度信息，而IHOT结果很好的克服了这些问题，成功了将云信息与地物噪声分离，有效地进行云提取。
图7中可以看出，利用一幅无云图像来应用到一年四季不同物候的有云图像是可行的，IHOT对于不同物候的有云图像能够很好的抑制物候差异信息，有效地将云信息与地物信息分离，准确提取云厚度信息。
由上述图片实例可看出，根据本发明提供的一种利用遥感影像进行IHOT云检测的方法可以有效的进行遥感影像的云雾污染程度的检测。
本领域技术人员应当理解，虽然本发明是按照多个实施例的方式进行描述的，但是并非每个实施例仅包含一个独立的技术方案。说明书中如此叙述仅仅是为了清楚起见，本领域技术人员应当将说明书作为一个整体加以理解，并将各实施例中所涉及的技术方案看作是可以相互组合成不同实施例的方式来理解本发明的保护范围。
以上所述仅为本发明示意性的具体实施方式，并非用以限定本发明的范围。任何本领域的技术人员，在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合，均应属于本发明保护的范围。

Claims (4)

1.一种全自动遥感影像云雾检测方法，其特征在于，所述方法包括如下步骤：
A.遥感影像的HOT初步云检测：该步骤借助一幅获取时间与有云图像具有差异的无云遥感图像建立“晴空线”，基于该晴空线将HOT应用到有云图像获得初步的云检测结果：
HOT＝sinθ·R1-cosθ·R3，
其中，R1和R3是蓝光和红光波段的表观反射率，θ表示晴空线的角度；
B.遥感影像的THOT云检测：借助一幅无云清晰图像，计算有云图像与无云图像的差值，获得两者之间的差值图像，通过对差值图像和步骤A得到的HOT图像进行多元回归：
Figure FDA0002714799270000011
其中c是一个常数，ε是多元回归的残差，n表示遥感影像的波段个数,ki表示差值图像在第i波段的回归系数，Rhi和Rci表示有云图像和无云图像像素在第i波段的表观反射率；
从而获得新的一幅THOT云检测结果：
Figure FDA0002714799270000012
C.遥感影像的iHOT云检测：对THOT图像与有云图像进行再一次的多元回归：
Figure FDA0002714799270000021
其中c’是一个常数，ε’表示该多元回归的残差，从而获得一幅新的云检测iHOT结果：
Figure FDA0002714799270000022
D.遥感影像的IHOT云检测：对上述B-C步骤进行反复自适应的迭代，直到THOT与iHOT之间的相关性提高到趋于稳定，从而选取最后迭代的结果iHOT结果作为最后云检测结果IHOT图像。
2.根据权利要求1所述的方法，其特征在于，步骤A中利用无云图像在蓝-红光谱空间建立“晴空线”，将该晴空线应用到有云图像，计算有云图像像素的HOT值；
在选取无云图像的过程中，要求该无云图像的地物类型、面积与有云图像尽可能一致。
3.根据权利要求1所述的方法，其特征在于，步骤C中有云图像是单景有云影像。
4.根据权利要求1所述的方法，其特征在于，步骤D中反复迭代的过程中，直至两次迭代的相关性差异小于等于0.001时，迭代终止。
CN201510512741.2A 2015-10-22 2015-10-22 一种全自动遥感影像云雾检测方法 Expired - Fee Related CN105139396B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510512741.2A CN105139396B (zh) 2015-10-22 2015-10-22 一种全自动遥感影像云雾检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510512741.2A CN105139396B (zh) 2015-10-22 2015-10-22 一种全自动遥感影像云雾检测方法

Publications (2)

Publication Number Publication Date
CN105139396A CN105139396A (zh) 2015-12-09
CN105139396B true CN105139396B (zh) 2020-12-04

Family

ID=54724728

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510512741.2A Expired - Fee Related CN105139396B (zh) 2015-10-22 2015-10-22 一种全自动遥感影像云雾检测方法

Country Status (1)

Country Link
CN (1) CN105139396B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154486B (zh) * 2017-12-25 2021-07-16 电子科技大学 基于p范数回归模型的光学遥感图像时间序列云检测方法
CN109376600A (zh) * 2018-09-20 2019-02-22 中国农业大学 多光谱遥感影像综合特征云检测方法及装置
CN109740639B (zh) * 2018-12-15 2021-02-19 中国科学院深圳先进技术研究院 一种风云卫星遥感影像云检测方法、系统及电子设备
CN113392694B (zh) * 2021-03-31 2022-07-01 中南大学 一种基于h8/ahi的晨昏陆地雾快速提取方法、装置、介质及设备
CN113411509B (zh) * 2021-06-15 2023-09-26 西安微电子技术研究所 一种星载自主视觉处理系统
CN113723381B (zh) * 2021-11-03 2022-02-08 航天宏图信息技术股份有限公司 一种云检测方法、装置、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5612901A (en) * 1994-05-17 1997-03-18 Gallegos; Sonia C. Apparatus and method for cloud masking
CN103901420A (zh) * 2014-04-18 2014-07-02 山东科技大学 先验地表反射率支持的动态阈值法遥感数据云识别方法
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
CN104778668A (zh) * 2015-04-16 2015-07-15 电子科技大学 基于可见光波段光谱统计特征的光学遥感图像薄云去除方法
EP2917874A1 (en) * 2012-11-12 2015-09-16 BAE SYSTEMS plc Cloud feature detection

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5612901A (en) * 1994-05-17 1997-03-18 Gallegos; Sonia C. Apparatus and method for cloud masking
EP2917874A1 (en) * 2012-11-12 2015-09-16 BAE SYSTEMS plc Cloud feature detection
CN103901420A (zh) * 2014-04-18 2014-07-02 山东科技大学 先验地表反射率支持的动态阈值法遥感数据云识别方法
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
CN104778668A (zh) * 2015-04-16 2015-07-15 电子科技大学 基于可见光波段光谱统计特征的光学遥感图像薄云去除方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
An image transform to characterize and compensate for spatial variations in thin cloud contamination of Landsat images;Y.Zhang et al;《Remote Sensing of Environment》;20021031;第82卷;173-187 *
Haze detection, perfection and removal for high spatial resolution satellite imagery;Changbing Liu et al;《International Joural of Remote Sensing》;20111210;第32卷(第23期);8685-8697 *
Haze removal based on advanced haze optimized transformation (AHOT) for multispectral imagery;Xingyuan He et al;《Intenational Joural of Remote Sensing》;20101020;第31卷(第20期);5331-5348 *
基于云雾与晴空地表混合像元的云雾检测算法;马慧云等;《国土资源遥感》;20100315(第1期);55-59 *

Also Published As

Publication number Publication date
CN105139396A (zh) 2015-12-09

Similar Documents

Publication Publication Date Title
CN105139396B (zh) 一种全自动遥感影像云雾检测方法
Shahtahmassebi et al. Review of shadow detection and de-shadowing methods in remote sensing
Sola et al. Multi-criteria evaluation of topographic correction methods
Kuc et al. Sentinel-2 imagery for mapping and monitoring imperviousness in urban areas
Aboutalebi et al. Assessment of different methods for shadow detection in high-resolution optical imagery and evaluation of shadow impact on calculation of NDVI, and evapotranspiration
CN107610164B (zh) 一种基于多特征混合的高分四号影像配准方法
CN110703244B (zh) 基于遥感数据识别城区内水体的方法和装置
CN102750701A (zh) 针对Landsat TM和ETM图像的厚云及其阴影检测方法
CN113433075B (zh) 一种简单的黑臭水体遥感快速监测方法
Dutta et al. Characterizing vegetation canopy structure using airborne remote sensing data
CN113379759A (zh) 一种光学遥感卫星影像水体自动提取方法
Siregar et al. Mapping shallow waters habitats using OBIA by applying several approaches of depth invariant index in North Kepulauan Seribu
Kadhim et al. Shadow detection from very high resoluton satellite image using grabcut segmentation and ratio-band algorithms
Hashim et al. An approach for quantification of submerged seagrass biomass in shallow turbid coastal waters
Wan et al. An assessment of shadow enhanced urban remote sensing imagery of a complex city–Hong Kong
CN102231190B (zh) 冲洪积扇信息的自动提取方法
Bektas Balcik et al. Determination of magnitude and direction of land use/land cover changes in Terkos Water Basin, Istanbul
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
Zhang et al. A scattering law based cirrus correction method for Landsat 8 OLI visible and near-infrared images
CN104616253A (zh) 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
WO2018098736A1 (zh) 一种基于遥感成像的蓝藻监测方法及装置
Xiao et al. A Novel Image Fusion Method for Water Body Extraction Based on Optimal Band Combination.
Gallant et al. A near-global bare-Earth DEM from SRTM
Adhikari et al. Does topographic normalization of landsat images improve fractional tree cover mapping in tropical mountains?
Ouerghemmi et al. Urban vegetation mapping using hyperspectral imagery and spectral library

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
CB03 Change of inventor or designer information

Inventor after: Chen Xuehong

Inventor after: Chen Shuli

Inventor after: Chen Jin

Inventor after: Cao Xin

Inventor after: Cui Xihong

Inventor before: Chen Xuehong

Inventor before: Yang Dedi

Inventor before: Cao Xin

Inventor before: Chen Jin

Inventor before: Cui Xihong

COR Change of bibliographic data
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20201204

Termination date: 20211022