CN108154486A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN108154486A CN108154486A CN201711419077.2A CN201711419077A CN108154486A CN 108154486 A CN108154486 A CN 108154486A CN 201711419077 A CN201711419077 A CN 201711419077A CN 108154486 A CN108154486 A CN 108154486A
- Authority
- CN
- China
- Prior art keywords
- time series
- remote sensing
- detection method
- cloud detection
- sensing image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 3
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 abstract description 2
- 238000002310 reflectometry Methods 0.000 description 4
- 230000014509 gene expression Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
Classifications
-
- G06T5/73—
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Abstract
本发明提供一种基于p范数回归模型的光学遥感图像时间序列云检测方法,该方法包括步骤:(1)预处理:选择感兴趣的区域;(2)基于p范数的云检测回归建模;(3)通过观测值与回归值的偏差检测云。本发明方法简单,检测结果可靠,能将非常薄的云检测出来。
Description
技术领域
本发明涉及云检测领域,尤其是涉及基于p范数回归模型的光学遥感图像时间序列云检测方法。
背景技术
传统的云检测算法是通过设置像素的阈值、使用像素周围的信息、使用空间信息等方法。但是这些方法过于简单且有局限性,难以广泛的使用。
很多传统的去云算法都是针对特定场景的,当脱离这个场景后,就不适用了,而且没办法检测到不同的云,比如说当云为薄云时,就有可能检测不出来。
发明内容
本发明的目的在于:针对现有技术存在的问题,提供一种基于p范数回归模型的光学遥感图像时间序列云检测方法,解决传统云检测方法有局限性,只能针对特定场景检测的问题。
本发明的发明目的通过以下技术方案来实现:
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,该方法包括步骤:
(1)预处理:选择感兴趣的区域;
(2)基于p范数的云检测回归建模;
(3)通过观测值与回归值的偏差检测云。
步骤(1)包括:获得固定区域一定时间内如一年的图像,本专利中采用22个时刻采集得到的光学卫星Landsat-8OLI图像,用D={S1,S2...,S22}表示一个区域的子图像数据集,用Dm,n={S1(m,n),S2(m,n)...,S22(m,n)}来表示一个处于(m,n)处22个时刻的像素值序列。
步骤(2)包括:
1)假定:yi=f(xi)+εi,i=1,2...,n,其中f(*)是回归函数,yi是在采样时刻xi处给出的一个像素的反射测量,n是采样的数量;
2)假设εi遵循p范数分布来模拟云的影响,且服从参数为期望μ,方差σ2和正实数p,则εi的密度为:其中Γ(.)是Gamma函数,E(εi)=μ;
3)假设期望μ等于零,在服从p范数分布的噪声εi的影响下,从测量值yi中找到一种的未知的像素点的变化f(*)。
步骤(2)包括:假设f(*)具有3阶局部平滑性;假设xi是在x附近的采样时刻,则表达式f(xi)的泰勒展开式写为:
其中,
β0=f(x),β1=f′(x),β2=f″(x),β3=f″′(x),β=[β0,β1,β2,β3]T,a=[1,(xi-x),(xi-x)2,(xi-x)3].因此,有:
又由于εi服从p范数分布,因此yi的密度表示成:
并且样本的似然函数:
则β的似然估计的最大值由下式计算得到:通过求解这个优化问题,得到回归系数
步骤(3)包括:像素的真实值通过如下的回归方程估计:
步骤(4)包括:给定回归模型,用s表示误差或内点的标度,通过下式来检测云:其中T是门限值,
T为2.5。
与现有技术相比,本发明方法简单,检测结果可靠,能将非常薄的云检测出来。
附图说明
图1为本发明的方法流程图;
图2在m,n像素点上的观测时间序列Dm,n和估计的回归函数f(*);
图3为原始遥感图像;
图4为云检测结果图。
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。
实施例
如图1~图4所示,本发明方法包括:
1.预处理。
2.基于p范数的云检测回归建模。
3.云检测。
第1个步骤预处理:
我们首先在Landsat-8OLI数据集中对所有图像进行配准,以获得固定区域一年的有云图像。在22个时刻中,用D={S1,S2...,S22}表示一个区域的子图像数据集,用Dm,n={S1(m,n),S2(m,n)...,S22(m,n)}来表示处于(m,n)处22个时刻的像素值序列。
第2个步骤基于p范数的云检测回归建模:
基于云及其阴影总是在时间序列上引起像素反射率突然变化的现象,我们可以将它们视为具有p范数的噪声分布。p范数分布的噪声是单峰并且对称的,通过选择适当的p值,理论模型可以产生只有少量大的非零值和大量接近于零的较小值的噪声。因此对于我们的问题,这种分布的拟合程度要比正态分布更优。
对于给定有云图像的时间序列来寻找每个像素对应的变化模型,这实际上是一种在p范数分布噪声下的鲁棒回归问题。
假定:
yi=f(xi)+εi,i=1,2...,n (1)
其中f(*)是回归函数,yi是在采样时刻xi处反射率的观测值,n是时间序列长度。在一个确定的采样时刻,当它被云污染时,测量值yi可能偏离像素真实的反射率。假设εi服从期望为μ、方差为σ2的p范数分布来模拟云的影响,p为正实数。那么εi的密度函数可以表示为:
其中Γ(.)为Gamma函数,E(εi)=μ。为了简单起见,我们可以假设期望μ等于零。从而问题变为:我们要在服从p范数分布的噪声εi的影响下,从测量值yi中找到一种未知的像素值的变化函数f(*)。
由于像素的反射率总是随着时间序列而缓慢而连续地变化,我们可以假设f(*)具有3阶局部平滑性。假设xi是在x附近的采样时刻,则表达式f(xi)的泰勒展开式可写为:
其中,
β0=f(x),β1=f′(x),β2=f″(x),β3=f″′(x),β=[β0,β1,β2,β3]T,α=[1,(xi-x),(xi-x)2,(xi-x)3].
因此,我们有:
又由于εi服从p范数分布,因此yi的密度函数可以表示成:
并且样本的似然函数为
则β的似然估计的最大值,即可以由下式计算得到:
通过求解这个优化问题,我们可以得到回归系数于是,像素的真实值可以通过如下的回归方程估计得到
第3个步骤云检测:
通过观测值与回归值的偏差检测云。对每个像素点上的像素值时间序列与回归值相减得到一个误差序列,该误差可以有效地模拟为高斯噪声,而异常值则是与云对应的。给定回归模型,用s表示正常值的尺度,则云可以通过下式来检测:
其中T是门限值。通常情况下,选择T为2.5,可以将98%的高斯分布点识别为正常值,这也是在我们的实验中使用的。为了有效地区分异常值和高斯噪声,我们必须正确地估计正常值的尺度。我们使用鲁棒的中值尺度估计来获得s的值如下:
其中n是样本点的数量。
图2给出了m,n处的Dm,n序列和估计得到的回归函数曲线结果,其中鲁棒回归函数用水平方向的曲线表示,有云观测值用”*”表示。注意,时刻13、14处像素值分别为79、76,这两个点是异常值,它们对应于厚云;而在时刻17、21处像素值分别为39、38,这两个异常值对应于薄云。图3为有云图像,图4为用本专利方法检测得到的云图像。
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,应当指出的是,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.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,其特征在于,该方法包括步骤:
(1)预处理:选择感兴趣的区域;
(2)基于p范数的云检测回归建模;
(3)通过观测值与回归值的偏差检测云。
2.根据权利要求1所述的基于p范数回归模型的光学遥感图像时间序列云检测方法,其特征在于,步骤(1)包括:获得固定区域一定时间内的图像,在22个时刻中,用D={S1,S2...,S22}表示一个区域的子图像数据集,用Dm,n={S1(m,n),S2(m,n)...,S22(m,n)}来表示一个处于(m,n)处的像素的22个时刻值。
3.根据权利要求2所述的基于p范数回归模型的光学遥感图像时间序列云检测方法,其特征在于,从Landsat-8 OLI数据中获得图像。
4.根据权利要求2所述的基于p范数回归模型的光学遥感图像时间序列云检测方法,其特征在于,所述一定时间为一年。
5.根据权利要求1所述的基于p范数回归模型的光学遥感图像时间序列云检测方法,其特征在于,步骤(2)包括:
21)假定:yi=f(xi)+εi,i=1,2...,n,其中f(*)是回归函数,yi是在采样时刻xi处给出的一个像素的反射测量,n是采样的数量;
22)假设εi遵循p范数分布来模拟云的影响,且服从参数为期望μ,方差σ2和正实数p,则εi的密度为:其中Γ(.)是Gamma函数,E(εi)=μ;
23)假设期望μ等于零,在服从p范数分布的噪声εi的影响下,从测量值yi中找到一种的未知的像素点的变化f(*)。
6.根据权利要求5所述的基于p范数回归模型的光学遥感图像时间序列云检测方法,其特征在于,步骤(2)包括:假设f(*)具有3阶局部平滑性;假设xi是在x附近的采样时刻,则表达式f(xi)的泰勒展开式写为:
其中,
β0=f(x),β1=f′(x),β2=f″(x),β3=f″′(x),β=[β0,β1,β2,β3]T,a=[1,(xi-x),(xi-x)2,(xi-x)3].
因此,有:
又由于εi服从p范数分布,因此yi的密度表示成:
并且样本的似然函数:
则β的似然估计的最大值由下式计算得到:通过求解这个优化问题,得到回归系数
7.根据权利要求6所述的基于p范数回归模型的光学遥感图像时间序列云检测方法,其特征在于,步骤(3)包括:像素的真实值通过如下的回归方程估计:
8.根据权利要求6所述的基于p范数回归模型的光学遥感图像时间序列云检测方法,其特征在于,步骤(4)包括:给定回归模型,用s表示正常值的尺度,通过下式来检测云:其中T是门限值,
9.根据权利要求8所述的基于p范数回归模型的光学遥感图像时间序列云检测方法,其特征在于,T为2.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711419077.2A CN108154486B (zh) | 2017-12-25 | 2017-12-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711419077.2A CN108154486B (zh) | 2017-12-25 | 2017-12-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108154486A true CN108154486A (zh) | 2018-06-12 |
CN108154486B CN108154486B (zh) | 2021-07-16 |
Family
ID=62464452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711419077.2A Active CN108154486B (zh) | 2017-12-25 | 2017-12-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108154486B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090150126A1 (en) * | 2007-12-10 | 2009-06-11 | Yahoo! Inc. | System and method for sparse gaussian process regression using predictive measures |
CN102540277A (zh) * | 2012-01-16 | 2012-07-04 | 武汉大学 | 基于面向对象和时序影像的白天陆地辐射雾检测方法 |
CN103106666A (zh) * | 2013-01-25 | 2013-05-15 | 上海交通大学 | 基于稀疏性和平滑性的运动目标检测方法 |
CN105139396A (zh) * | 2015-10-22 | 2015-12-09 | 北京师范大学 | 一种全自动遥感影像云雾检测方法 |
CN106443701A (zh) * | 2016-08-31 | 2017-02-22 | 华中农业大学 | 基于时序水范围遥感影像的洪涝灾前预警方法 |
CN106528679A (zh) * | 2016-10-24 | 2017-03-22 | 天津大学 | 基于多线性自回归模型的时间序列分析方法 |
CN106920231A (zh) * | 2017-02-17 | 2017-07-04 | 北京理工大学 | 一种基于全色图像统计特征的遥感图像云评估方法 |
-
2017
- 2017-12-25 CN CN201711419077.2A patent/CN108154486B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090150126A1 (en) * | 2007-12-10 | 2009-06-11 | Yahoo! Inc. | System and method for sparse gaussian process regression using predictive measures |
CN102540277A (zh) * | 2012-01-16 | 2012-07-04 | 武汉大学 | 基于面向对象和时序影像的白天陆地辐射雾检测方法 |
CN103106666A (zh) * | 2013-01-25 | 2013-05-15 | 上海交通大学 | 基于稀疏性和平滑性的运动目标检测方法 |
CN105139396A (zh) * | 2015-10-22 | 2015-12-09 | 北京师范大学 | 一种全自动遥感影像云雾检测方法 |
CN106443701A (zh) * | 2016-08-31 | 2017-02-22 | 华中农业大学 | 基于时序水范围遥感影像的洪涝灾前预警方法 |
CN106528679A (zh) * | 2016-10-24 | 2017-03-22 | 天津大学 | 基于多线性自回归模型的时间序列分析方法 |
CN106920231A (zh) * | 2017-02-17 | 2017-07-04 | 北京理工大学 | 一种基于全色图像统计特征的遥感图像云评估方法 |
Non-Patent Citations (4)
Title |
---|
SHI QIU 等: "Improving Fmask cloud and cloud shadow detection in mountainous area for Landsats 4–8 images", 《REMOTE SENSING OF ENVIRONMENT》 * |
宣晓 等: "加权截断 p 范数在运动目标检测中的应用", 《计算机工程》 * |
滕炯华 等: "基于自适应参数回归的非局部图像滤波算法", 《系统工程与电子技术》 * |
费文龙 等: "Logistic 回归模型在卫星云图云检测中的应用", 《计算机工程与应用》 * |
Also Published As
Publication number | Publication date |
---|---|
CN108154486B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Haze visibility enhancement: A survey and quantitative benchmarking | |
US11361456B2 (en) | Systems and methods for depth estimation via affinity learned with convolutional spatial propagation networks | |
CN108875794B (zh) | 一种基于迁移学习的图像能见度检测方法 | |
Li et al. | Meteorological visibility evaluation on webcam weather image using deep learning features | |
CN109978032B (zh) | 基于空间金字塔空洞卷积网络的桥梁裂缝检测方法 | |
CN111598098B (zh) | 一种基于全卷积神经网络的水尺水位线检测及有效性识别方法 | |
CN110619647B (zh) | 基于边缘点频域空域特征结合图像模糊区域定位方法 | |
CN104766065A (zh) | 基于多视角学习的鲁棒性前景检测方法 | |
Pawaskar et al. | Detection of moving object based on background subtraction | |
Li et al. | A method of visibility detection based on the transfer learning | |
CN113780270A (zh) | 目标检测方法和装置 | |
Graves et al. | Camera-based visibility estimation: Incorporating multiple regions and unlabeled observations | |
CN112529931A (zh) | 一种前景分割的方法及系统 | |
Varjo et al. | Image based visibility estimation during day and night | |
CN113920255B (zh) | 基于点云数据的高效测绘系统 | |
CN109978855A (zh) | 一种遥感图像变化检测方法及装置 | |
CN110706208A (zh) | 一种基于张量均方最小误差的红外弱小目标检测方法 | |
Kamble et al. | No reference noise estimation in digital images using random conditional selection and sampling theory | |
Corpetti et al. | Front detection on satellite images based on wavelet and evidence theory: application to the sea breeze fronts | |
CN108154486A (zh) | 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 | |
CN114972124B (zh) | 一种遥感图像亮度自适应均衡方法及系统 | |
CN115830514A (zh) | 一种适用于带弯曲河道的全河段表面流速计算方法及系统 | |
CN113901920B (zh) | 结构模态参数识别方法、装置、计算机设备及存储介质 | |
CN109612588A (zh) | Lst图像数据预测方法、装置以及电子设备 | |
Jacobs et al. | Two cloud-based cues for estimating scene structure and camera calibration |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |