CN105678777A - 一种多特征联合的光学卫星影像云与云阴影检测方法 - Google Patents
一种多特征联合的光学卫星影像云与云阴影检测方法 Download PDFInfo
- Publication number
- CN105678777A CN105678777A CN201610018751.5A CN201610018751A CN105678777A CN 105678777 A CN105678777 A CN 105678777A CN 201610018751 A CN201610018751 A CN 201610018751A CN 105678777 A CN105678777 A CN 105678777A
- Authority
- CN
- China
- Prior art keywords
- cloud
- mask
- image
- shadow
- optical satellite
- 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
Classifications
-
- 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
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种多特征联合的光学卫星影像云与云阴影检测方法,通过光谱过滤、局部优化和基于对象的过滤等过程,联合云与云阴影的光谱、几何与纹理特征提取影像中的云与云阴影。本发明综合考虑影像中云与云阴影的多种特征,最大化利用已有的影像信息,可实现光学卫星影像中云覆盖量快速准确估计以及云与云阴影位置精确检测。其检测精度高,速度快,可扩展性强,实用价值高。
Description
技术领域
本发明属于遥感图像处理技术领域,涉及一种云与云阴影检测方法,具体涉及一种多特征联合的光学卫星影像云与云阴影检测方法。
背景技术
在光学卫星影像云与云阴影检测中,人工目视检测精度高、可靠性高,但自主性强、效率低,无法统一标准进行检测。自动的云与云阴影检测方法能根据云与云阴影的光谱特征,能更为高效客观地提取影像中云与云阴影的位置。然而,由于大多光学卫星影像中缺少水汽吸收波段或热红外波段,且云与云阴影的光谱特征变化范围较大,导致难以实现较高精度地云影自动检测。
已有的对光学卫星影像中云与云阴影进行检测的方法,大部分仅依靠光谱特征,对于仅有可见光与近红外波段的影像而言,这类型方法通常会漏检薄云并将高亮地物错检为云,难以达到较好的云与云阴影综合检测结果。
发明内容
为了解决上述技术问题,本发明提供了一种多特征联合的光学卫星影像云与云阴影检测方法。
本发明所采用的技术方案是:一种多特征联合的光学卫星影像云与云阴影检测方法,其特征在于,包括以下步骤:
步骤1:检测光学卫星影像中的厚云,生成粗糙的云掩膜;
步骤2:通过局部优化策略,检测厚云周围的薄云,生成精细的云掩膜;
步骤3:构建基于对象的云过滤器,剔除精细云掩膜中可能存在的非云高亮地物对象,经处理后生成最终的云掩膜;
步骤4:在光学卫星影像中陆地和水体区域分别提取阴影,构建基于对象的阴影过滤器,剔除阴影掩膜中可能存在的水体,生成最终的阴影掩膜;
步骤5:结合云与阴影掩膜,通过面向对象的云阴影匹配及校正,云阴影掩膜局部优化及基于对象的云阴影过滤,经处理后生成最终的云阴影掩膜;
步骤6:合并云掩膜与云阴影掩膜并输出。
作为优选,步骤1的具体实现过程是通过辐射定标将原始光学卫星影像从DN值转换为大气反射率,根据光学卫星影像中云的光谱特征,选择云指数、可见光波段比、单波段阈值作为约束条件,对原始的光学影像进行阈值分割,提取影像中厚云所在的位置,生成粗糙的云掩膜;
其中云指数CloudIndex、可见光波段比BandRatio分别为:
CloudIndex=RB-0.6·RR(1);
其中RR,RG,RB分别表示可见光红、绿、蓝三个波段的大气反射率。
作为优选,步骤2的具体实现过程是以粗糙的云掩膜作为输入影像,分别以云指数图、近红外波段影像作为引导影像进行引导滤波,并对输出的灰度图进行阈值分割,从而得到新生成的云掩膜;检测影像中的水体,将影像划分为陆地和水体区域;以新生成的云掩膜作为输入影像,以真彩色影像作为引导影像进行引导滤波,并对输出的灰度图分陆地和水体区域分别进行阈值分割,完成此步的局部优化策略后生成初步的云掩膜。
作为优选,步骤3的具体实现过程是将初步的云掩膜中八邻域相连的云像元以对象的形式聚合,提取每个对象的几何与纹理特征,根据云与非云对象在几何与纹理特征上的差异判定非云对象并从掩膜中剔除,删除像元数量低于或等于5个像素的对象,填充云掩膜中的孔洞,生成最终的云掩膜;
所述纹理特征是由旋转不变局部二值模式(LBP)算子提取的显著性直方图特征组成;所述几何特征包括分形维数FD和旋转外接矩形长宽比LWR:
其中girth和area分别表示对象的周长与面积,length和width分别表示对象旋转外接矩形的长宽。
作为优选,所述根据云与非云对象在几何与纹理特征上的差异判定非云对象并从掩膜中剔除,其判定准则包括以下子步骤:
步骤3.1:计算对象的面积Area、分形维数FD及其旋转外接矩形长宽比LWR;在满足Area小于40000的前提下,如果FD大于1.54或LWR大于6,则判定当前对象为非云对象,并继续对下一个对象进行判定;否则进入步骤3.2;
步骤3.2:在未满足步骤3.1中条件的情况下,如果对象的Area小于4000且LWR大于5,则判定当前对象为非云对象,并继续对下一个对象进行判定;否则进入步骤3.3;
步骤3.3:在未满足步骤3.1和步骤3.2中条件的情况下,计算当前对象外接矩形长宽各拓展0.1倍后的区域(同时强制使得外接矩形最小的长或宽为16个像素)的旋转不变模式LBP纹理直方图,并计算其与云对象与非云对象模板的纹理直方图的卡方距离分别为DisC和DisN,如果DisC减DisN的差大于0.02且DisN小于0.1,则判定当前对象为非云对象,并继续对下一个对象进行判定;否则继续对下一个对象进行判定。
作为优选,步骤4的具体实现过程是通过Flood-fill分别对影像的近红外波段影像以及可见光均值图进行形态学变换,提取变换前后反射率差异大于0.06和0.01的位置分别作为影像中的陆地与水体中的阴影;结合前期检测的水体,通过基于对象的阴影过滤,从阴影中剔除可能存在的水体,从而生成阴影掩膜。
作为优选,步骤5的具体实现过程是结合云掩膜与阴影掩膜,进行基于对象的云与云阴影匹配,并根据阴影掩膜进行基于对象的云阴影校正,从而生成粗糙的云阴影掩膜;以云阴影掩膜为输入影像,假彩色图作为引导影像进行引导滤波,对输出结果进行二值化得到初步的云阴影掩膜;在此基础上进行基于对象的云阴影过滤,并删除像元数量低于或等于7个像素的对象,填充云阴影掩膜中的孔洞并膨胀1~3个像素,生成最终的云阴影掩膜。
本发明的优点在于:
(1)本发明联合光谱、几何、纹理多特征,通过局部优化策略及基于对象过滤,基本解决了光学卫星影像中薄云难检测、高亮地物难去除的问题,显著提高了云检测精度;
(2)本发明在云与云阴影匹配后增加基于对象的云阴影校正等过程,并优化了水体区域云阴影的检测,相比其它方法,能得到更好地云阴影检测结果;
(3)以高分一号GF-1WFV影像(尺寸约17000×16000)为例,本发明能在短时间20s内快速准确估计影像中的云覆盖量,或以正常的处理速度1~5min内实现云与云阴影位置的精准检测。
总之,本发明提出的方法可有效地检测光学卫星影像中云与云阴影,实现高精度自动检测。
附图说明
图1:本发明实施例的总体流程。
图2:本发明实施例的详细流程。
图3:本发明实施例步骤2中局部优化策略的实例说明。
图4:本发明实施例步骤3中面向对象的云过滤判定流程。
图5:本发明实施例步骤3中面向对象的云过滤的实例说明。
图6:本发明实施例步骤5中的面向对象的云阴影匹配及校正图示说明。
图7:本发明实施例的光学卫星影像云与云阴影检测结果图示说明。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
在利用光谱特征的基础上,在厚云周围通过局部优化策略进一步提取薄云,以及几何与纹理特征的联合应用,可在一定程度上解决薄云难检测、高亮地物难去除问题,从而实现高精度地自动云覆盖量快速估计及云与云阴影精确检测。基于上述理论,请见图1和图2,本发明提供的一种多特征联合的光学卫星影像云与云阴影检测方法,包括以下步骤:
步骤1:基础云检测。通过辐射定标将原始影像从DN值转换为大气反射率,根据光学卫星影像中云的光谱特征,选择云指数、可见光波段比、单波段阈值作为约束条件,对原始的光学影像进行阈值分割,提取影像中厚云所在的位置,生成粗糙的云掩膜。其中云指数(CloudIndex)、可见光波段比(BandRatio)定义如下:
CloudIndex=RB-0.6·RR(1);
其中RR,RG,RB分别表示可见光波谱范围红、绿、蓝波段的大气反射率。
步骤2:精细化云掩膜。以粗糙的云掩膜作为输入影像,分别以云指数图、近红外波段影像作为引导影像进行引导滤波,并对输出的灰度图进行阈值分割,此步可通过引入更多的波段信息去除云掩膜中的杂质,从而得到新生成的云掩膜。检测影像中的水体,将影像划分为陆地和水体区域。以新生成的云掩膜作为输入影像,以真彩色影像作为引导影像进行引导滤波,并对输出的灰度图分陆地和水体区域分别进行阈值分割,完成此步的局部优化策略后生成初步的云掩膜,如图3所示。
步骤3:整体改善云掩膜。将初步云掩膜中八邻域相连的云像元以对象的形式聚合,提取每个对象的几何与纹理特征,根据云与非云对象在几何与纹理特征上的差异判定非云对象并从掩膜中剔除,其判定准则如图4所示包括以下子步骤:
步骤3.1:计算对象的面积(Area)、分形维数(FD)及其旋转外接矩形长宽比(LWR),在满足Area小于40000的前提下,如果FD大于1.54或LWR大于6,则判定当前对象为非云对象,并继续对下一个对象进行判定。否则进入步骤3.2。
步骤3.2:在未满足步骤3.1中条件的情况下,如果对象的Area小于4000且LWR大于5,则判定当前对象为非云对象,并继续对下一个对象进行判定。否则进入步骤3.3。
步骤3.3:在未满足步骤3.1和步骤3.2中条件的情况下,计算当前对象外接矩形长宽各拓展0.1倍后的区域(同时强制使得外接矩形最小的长或宽为16个像素)的旋转不变模式LBP纹理直方图,并计算其与云对象与非云对象模板的纹理直方图的卡方距离分别为DisC和DisN,如果DisC减DisN的差大于0.02且DisN小于0.1,则判定当前对象为非云对象,并继续对下一个对象进行判定。否则继续对下一个对象进行判定;
完成基于对象过滤后,删除像元数量低于或等于5个像素的对象,填充云掩膜中的孔洞,生成最终的云掩膜,如图5所示。联合几何与纹理特征能有效地将非云高亮地物(如雪和高亮水体)与云进行分离,减小云的错检误差。其中对象的纹理特征是由对象外接矩形拓展后的矩形区域的旋转不变局部二值模式(LBP)直方图的显著性特征组成。对象的几何特征包括分维数(FD)和旋转外接矩形长宽比(LWR)两项指标,定义如下:
其中girth和area分别表示对象的周长与面积,length和width分别表示对象旋转外接矩形的长宽。
步骤4:阴影提取。通过Flood-fill分别对影像的近红外波段影像以及可见光均值图进行形态学变换,提取变换前后反射率差异大于0.06和0.01的位置分别作为影像中的陆地与水体中的阴影。结合前期检测的水体,通过基于对象的阴影过滤,从阴影中剔除可能存在的水体,从而生成阴影掩膜。
步骤5:云阴影检测。如图6所示,结合云掩膜与阴影掩膜,根据太阳与卫星观测角度计算云阴影投影方向,进行基于对象的云与云阴影匹配。并根据阴影掩膜进行基于对象的云阴影位置校正,使得检测到的云阴影对象的位置更接近真实云阴影位置,从而生成粗糙的云阴影掩膜。以云阴影掩膜为输入影像,假彩色图作为引导影像进行引导滤波,对输出结果进行二值化得到初步的云阴影掩膜。在此基础上进行基于对象的云阴影过滤,并删除像元数量低于或等于7个像素的对象,填充云阴影掩膜中的孔洞并膨胀1~3个像素,生成最终的云阴影掩膜。
步骤6:合并掩膜。设置云为更高的优先级,合并云掩膜与云阴影掩膜,生成最终的云与云阴影掩膜。实例结果如图7所示。
本发明联合多种特征对光学卫星影像中的云与云阴影进行检测。该方法能较快速地估计影像中云覆盖的百分比,以及较准确地检测出影像中云与云阴影的位置,具有较高的计算效率,易于投入实用。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对具体实施方式的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种多特征联合的光学卫星影像云与云阴影检测方法,其特征在于,包括以下步骤:
步骤1:检测光学卫星影像中的厚云,生成粗糙的云掩膜;
步骤2:通过局部优化策略,检测厚云周围的薄云,生成精细的云掩膜;
步骤3:构建基于对象的云过滤器,剔除精细云掩膜中可能存在的非云高亮地物对象,经处理后生成最终的云掩膜;
步骤4:在光学卫星影像中陆地和水体区域分别提取阴影,构建基于对象的阴影过滤器,剔除阴影掩膜中可能存在的水体,生成最终的阴影掩膜;
步骤5:结合云与阴影掩膜,通过面向对象的云阴影匹配及校正,云阴影掩膜局部优化及基于对象的云阴影过滤,经处理后生成最终的云阴影掩膜;
步骤6:合并云掩膜与云阴影掩膜并输出。
2.根据权利要求1所述的多特征联合的光学卫星影像云与云阴影检测方法,其特征在于,步骤1的具体实现过程是通过辐射定标将原始光学卫星影像从DN值转换为大气反射率,根据光学卫星影像中云的光谱特征,选择云指数、可见光波段比、单波段阈值作为约束条件,对原始的光学影像进行阈值分割,提取影像中厚云所在的位置,生成粗糙的云掩膜;
其中云指数CloudIndex、可见光波段比BandRatio分别为:
CloudIndex=RB-0.6·RR(1);
其中RR,RG,RB分别表示可见光红、绿、蓝三个波段的大气反射率。
3.根据权利要求1所述的多特征联合的光学卫星影像云与云阴影检测方法,其特征在于:步骤2的具体实现过程是以粗糙的云掩膜作为输入影像,分别以云指数图、近红外波段影像作为引导影像进行引导滤波,并对输出的灰度图进行阈值分割,从而得到新生成的云掩膜;检测影像中的水体,将影像划分为陆地和水体区域;以新生成的云掩膜作为输入影像,以真彩色影像作为引导影像进行引导滤波,并对输出的灰度图分陆地和水体区域分别进行阈值分割,完成此步的局部优化策略后生成初步的云掩膜。
4.根据权利要求3所述的多特征联合的光学卫星影像云与云阴影检测方法,其特征在于:步骤3的具体实现过程是将初步的云掩膜中八邻域相连的云像元以对象的形式聚合,提取每个对象的几何与纹理特征,根据云与非云对象在几何与纹理特征上的差异判定非云对象并从掩膜中剔除;删除像元数量低于或等于5个像素的对象,填充云掩膜中的孔洞,生成最终的云掩膜;
所述纹理特征是由旋转不变局部二值模式(LBP)算子提取的显著性直方图特征组成;所述几何特征包括分形维数FD和旋转外接矩形长宽比LWR:
其中girth和area分别表示对象的周长与面积,length和width分别表示对象旋转外接矩形的长宽。
5.根据权利要求4所述的多特征联合的光学卫星影像云与云阴影检测方法,其特征在于:所述根据云与非云对象在几何与纹理特征上的差异判定非云对象并从掩膜中剔除,其判定准则包括以下子步骤:
步骤3.1:计算对象的面积Area、分形维数FD及其旋转外接矩形长宽比LWR;在满足Area小于40000的前提下,如果FD大于1.54或LWR大于6,则判定当前对象为非云对象,并继续对下一个对象进行判定;否则进入步骤3.2;
步骤3.2:在未满足步骤3.1中条件的情况下,如果对象的Area小于4000且LWR大于5,则判定当前对象为非云对象,并继续对下一个对象进行判定;否则进入步骤3.3;
步骤3.3:在未满足步骤3.1和步骤3.2中条件的情况下,计算当前对象外接矩形长宽各拓展0.1倍后的区域的旋转不变模式LBP纹理直方图,同时强制使得外接矩形最小的长或宽为16个像素,并计算其与云对象与非云对象模板的纹理直方图的卡方距离分别为DisC和DisN,如果DisC减DisN的差大于0.02且DisN小于0.1,则判定当前对象为非云对象,并继续对下一个对象进行判定;否则继续对下一个对象进行判定。
6.根据权利要求3所述的多特征联合的光学卫星影像云与云阴影检测方法,其特征在于:步骤4的具体实现过程是通过Flood-fill分别对影像的近红外波段影像及可见光均值图进行形态学变换,提取变换前后反射率差异大于0.06和0.01的位置分别作为影像中的陆地与水体中的阴影;结合前期检测的水体,通过基于对象的阴影过滤,从阴影中剔除可能存在的水体,从而生成阴影掩膜。
7.根据权利要求1所述的多特征联合的光学卫星影像云与云阴影检测方法,其特征在于:步骤5的具体实现过程是结合云掩膜与阴影掩膜,进行基于对象的云与云阴影匹配,并根据阴影掩膜进行基于对象的云阴影校正,从而生成粗糙的云阴影掩膜;以云阴影掩膜为输入影像,假彩色图作为引导影像进行引导滤波,对输出结果进行二值化得到初步的云阴影掩膜;在此基础上进行基于对象的云阴影过滤,并删除像元数量低于或等于7个像素的对象,填充云阴影掩膜中的孔洞并膨胀1~3个像素,生成最终的云阴影掩膜。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610018751.5A CN105678777B (zh) | 2016-01-12 | 2016-01-12 | 一种多特征联合的光学卫星影像云与云阴影检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610018751.5A CN105678777B (zh) | 2016-01-12 | 2016-01-12 | 一种多特征联合的光学卫星影像云与云阴影检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105678777A true CN105678777A (zh) | 2016-06-15 |
CN105678777B CN105678777B (zh) | 2018-03-13 |
Family
ID=56300121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610018751.5A Active CN105678777B (zh) | 2016-01-12 | 2016-01-12 | 一种多特征联合的光学卫星影像云与云阴影检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678777B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599796A (zh) * | 2016-11-21 | 2017-04-26 | 浙江工业大学 | 一种面向遥感影像云影检测的云及云阴影距离估计方法 |
CN108319923A (zh) * | 2018-02-05 | 2018-07-24 | 山东科技大学 | 一种云阴影识别方法及系统 |
CN108460789A (zh) * | 2018-03-19 | 2018-08-28 | 国家基础地理信息中心 | 一种人造地表时序变化在线检测系统与方法 |
CN109308688A (zh) * | 2018-09-25 | 2019-02-05 | 中国农业科学院农业资源与农业区划研究所 | 一种可见光和近红外波段厚云及阴影去除方法 |
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 |
CN110163035A (zh) * | 2018-02-11 | 2019-08-23 | 青岛星科瑞升信息科技有限公司 | 一种先验数据支持的云阴影识别方法 |
CN110287898A (zh) * | 2019-06-27 | 2019-09-27 | 苏州中科天启遥感科技有限公司 | 一种光学卫星遥感影像云检测方法 |
CN111144196A (zh) * | 2018-11-05 | 2020-05-12 | 慧天科技公司 | 使用序列图像的云预测的方法、系统和存储介质 |
CN111553922A (zh) * | 2020-03-26 | 2020-08-18 | 中国资源卫星应用中心 | 一种卫星遥感影像自动云检测方法 |
CN111598937A (zh) * | 2020-05-18 | 2020-08-28 | 浙江大学 | 一种基于标定区块对靶校正的农田测亩方法及系统 |
CN111626595A (zh) * | 2020-05-22 | 2020-09-04 | 安徽省人工影响天气办公室 | 人工影响天气作业效果评估方法 |
CN111783651A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 路面元素识别方法、装置、电子设备和存储介质 |
WO2021046965A1 (zh) * | 2019-09-09 | 2021-03-18 | 中国科学院遥感与数字地球研究所 | 一种卫星图像序列云区修补方法和装置 |
CN113077468A (zh) * | 2021-06-08 | 2021-07-06 | 自然资源部国土卫星遥感应用中心 | 高光谱卫星影像的辐射异常的质量检测方法和装置 |
CN113449788A (zh) * | 2021-06-24 | 2021-09-28 | 湖南大学 | 一种可见光、近红外遥感影像云检测方法 |
WO2022015260A1 (en) * | 2020-07-13 | 2022-01-20 | Esen Sistem Entegrasyon Ve Muhendislik Hizm. San Ve Tic Ltd. Sti. | An object detection method |
CN114049566A (zh) * | 2021-11-08 | 2022-02-15 | 北京师范大学 | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140341464A1 (en) * | 2013-05-15 | 2014-11-20 | Shengyin FAN | Shadow detection method and device |
CN104867139A (zh) * | 2015-05-12 | 2015-08-26 | 中国科学院遥感与数字地球研究所 | 一种基于辐射场的遥感图像云及阴影检测方法 |
-
2016
- 2016-01-12 CN CN201610018751.5A patent/CN105678777B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140341464A1 (en) * | 2013-05-15 | 2014-11-20 | Shengyin FAN | Shadow detection method and device |
CN104867139A (zh) * | 2015-05-12 | 2015-08-26 | 中国科学院遥感与数字地球研究所 | 一种基于辐射场的遥感图像云及阴影检测方法 |
Non-Patent Citations (3)
Title |
---|
KAIMING HE ET AL.: "Guided Image Filtering", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
YING ZHANG ET AL.: "A Robust Approach for Object-Based Detection and Radiometric Characterization of Cloud Shadow Using Haze Optimized Transformation", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
胡根生 等: "联合云量自动评估和加权支持向量机的Landsat图像云检测", 《测绘学报》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106599796A (zh) * | 2016-11-21 | 2017-04-26 | 浙江工业大学 | 一种面向遥感影像云影检测的云及云阴影距离估计方法 |
CN106599796B (zh) * | 2016-11-21 | 2019-06-14 | 浙江工业大学 | 一种面向遥感影像云影检测的云及云阴影距离估计方法 |
CN108319923A (zh) * | 2018-02-05 | 2018-07-24 | 山东科技大学 | 一种云阴影识别方法及系统 |
CN110163035A (zh) * | 2018-02-11 | 2019-08-23 | 青岛星科瑞升信息科技有限公司 | 一种先验数据支持的云阴影识别方法 |
CN108460789B (zh) * | 2018-03-19 | 2020-05-26 | 国家基础地理信息中心 | 一种人造地表时序变化在线检测系统与方法 |
CN108460789A (zh) * | 2018-03-19 | 2018-08-28 | 国家基础地理信息中心 | 一种人造地表时序变化在线检测系统与方法 |
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 |
CN109308688B (zh) * | 2018-09-25 | 2021-06-25 | 中国农业科学院农业资源与农业区划研究所 | 一种可见光和近红外波段厚云及阴影去除方法 |
CN109308688A (zh) * | 2018-09-25 | 2019-02-05 | 中国农业科学院农业资源与农业区划研究所 | 一种可见光和近红外波段厚云及阴影去除方法 |
CN111144196A (zh) * | 2018-11-05 | 2020-05-12 | 慧天科技公司 | 使用序列图像的云预测的方法、系统和存储介质 |
CN110287898A (zh) * | 2019-06-27 | 2019-09-27 | 苏州中科天启遥感科技有限公司 | 一种光学卫星遥感影像云检测方法 |
CN110287898B (zh) * | 2019-06-27 | 2023-04-18 | 苏州中科天启遥感科技有限公司 | 一种光学卫星遥感影像云检测方法 |
WO2021046965A1 (zh) * | 2019-09-09 | 2021-03-18 | 中国科学院遥感与数字地球研究所 | 一种卫星图像序列云区修补方法和装置 |
CN111553922A (zh) * | 2020-03-26 | 2020-08-18 | 中国资源卫星应用中心 | 一种卫星遥感影像自动云检测方法 |
CN111553922B (zh) * | 2020-03-26 | 2023-12-26 | 中国资源卫星应用中心 | 一种卫星遥感影像自动云检测方法 |
CN111598937A (zh) * | 2020-05-18 | 2020-08-28 | 浙江大学 | 一种基于标定区块对靶校正的农田测亩方法及系统 |
CN111626595A (zh) * | 2020-05-22 | 2020-09-04 | 安徽省人工影响天气办公室 | 人工影响天气作业效果评估方法 |
CN111783651A (zh) * | 2020-06-30 | 2020-10-16 | 北京百度网讯科技有限公司 | 路面元素识别方法、装置、电子设备和存储介质 |
CN111783651B (zh) * | 2020-06-30 | 2024-01-12 | 北京百度网讯科技有限公司 | 路面元素识别方法、装置、电子设备和存储介质 |
WO2022015260A1 (en) * | 2020-07-13 | 2022-01-20 | Esen Sistem Entegrasyon Ve Muhendislik Hizm. San Ve Tic Ltd. Sti. | An object detection method |
CN113077468A (zh) * | 2021-06-08 | 2021-07-06 | 自然资源部国土卫星遥感应用中心 | 高光谱卫星影像的辐射异常的质量检测方法和装置 |
CN113449788A (zh) * | 2021-06-24 | 2021-09-28 | 湖南大学 | 一种可见光、近红外遥感影像云检测方法 |
CN114049566A (zh) * | 2021-11-08 | 2022-02-15 | 北京师范大学 | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105678777B (zh) | 2018-03-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678777A (zh) | 一种多特征联合的光学卫星影像云与云阴影检测方法 | |
CN109977801B (zh) | 一种联合光学和雷达的区域水体快速动态提取方法及系统 | |
CN113592882B (zh) | 一种基于无人机多源遥感的树冠提取方法 | |
CN107895376A (zh) | 基于改进Canny算子和轮廓面积阈值的太阳能电池板识别方法 | |
CN108253943B (zh) | 一种基于卫星遥感影像的赤潮浒苔一体化监测方法 | |
CN105184779A (zh) | 一种基于快速特征金字塔的车辆多尺度跟踪方法 | |
CN108416784A (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN107358161B (zh) | 一种基于遥感影像分类的海岸线提取方法及系统 | |
CN110849814A (zh) | 一种基于多源遥感卫星的遥感影像处理方法 | |
CN106778629A (zh) | 大棚识别方法及装置 | |
CN107273884A (zh) | 一种基于移动终端摄像头的车辆牌照识别方法 | |
CN102663385A (zh) | 一种星上点目标检测方法 | |
CN105139034B (zh) | 一种结合光谱滤除的船舶检测方法 | |
CN110796113B (zh) | 一种基于WorldView-2影像的城市蓝色地物检测方法 | |
CN116245751A (zh) | 水域无人机高光谱影像耀斑处理方法、设备及存储介质 | |
CN107516100A (zh) | 一种基于高程形态学建筑物指数的影像建筑物提取方法 | |
CN111310771A (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN108269262B (zh) | 基于多项式拟合的高分辨率遥感影像阴影自动提取算法 | |
Shi et al. | Urban feature shadow extraction based on high-resolution satellite remote sensing images | |
Huang et al. | Tree crown detection and delineation using optical satellite imagery | |
Mahphood et al. | Density-based method for building detection from LiDAR point cloud | |
CN111027441B (zh) | 一种基于机载高光谱遥感影像的道路提取方法 | |
CN102982512B (zh) | 一种百度卫星地图图像阴影检测方法 | |
CN114119634A (zh) | 结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统 |
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 |