CN108765329B - 一种遥感影像的厚云去除方法及系统 - Google Patents
一种遥感影像的厚云去除方法及系统 Download PDFInfo
- Publication number
- CN108765329B CN108765329B CN201810487881.2A CN201810487881A CN108765329B CN 108765329 B CN108765329 B CN 108765329B CN 201810487881 A CN201810487881 A CN 201810487881A CN 108765329 B CN108765329 B CN 108765329B
- Authority
- CN
- China
- Prior art keywords
- cloud
- image
- similarity
- pixel
- pixels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 230000003595 spectral effect Effects 0.000 description 6
- 239000013589 supplement Substances 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种遥感影像厚云去除方法及系统。该方法包括:划分目标图像为云区域图像和无云区域图像;对无云区域图像中的像元聚类得到像元类别组;搜索参考图像和无云区域图像的相似性像元;计算每类相似性像元占所属像元类别组中像元的比例;若存在至少一类的比例大于第一预设比例,确定最大比例的相似性像元为去云相似性像元;若所有类别的比例均小于第一预设比例,确定比例大于第二预设比例的相似性像元的所属类别;统计云掩膜缓冲区中各个所属类别的像元数;确定像元数最多的类别对应的相似性像元为去云相似性像元;利用去云相似性像元替换云区域图像中的像元。本发明能消除两期影像上地表发生变化对相似性像元判断的影响,提高厚云去除精度。
Description
技术领域
本发明涉及遥感影像处理技术领域,特别是涉及一种遥感影像厚云去除方法及系统。
背景技术
近年来,遥感应用越来越广泛,从陆地、海洋监测到相关参数的反演。对于任何遥感应用而言,获取到所需地区的有效数据是非常重要的。遥感影像上常受到云遮挡而无法探测到地面,使得地球表面信息难以被获取,严重限制遥感技术大尺度、长时效的观测。因此,尽管可以获取到大量的遥感影像,但是可用“无云、有效”的影像数据不一定能满足实际需求,因此如何获取特定时间和地区的高质量无云遥感数据仍是一个亟需解决的问题。
目前已有许多研究致力于厚云的去除,厚云去除本质是信息重建的过程,根据这些信息重建方法可以将厚云去除方法分为两类:无辅助数据的去除方法和多时相数据补充方法。对于无辅助数据的方法,由于没有其他影像作为参考,云污染区域的重建是利用同期影像上未被云污染区域的信息来填补。最常用的方法是对缺损像元进行插值处理,然而这类方法一般是对较小的缺损部分进行修补,不适用于修复厚云覆盖区范围较大情况。较无辅助数据的方法,采用多时相数据补充的方法对厚云的去除更加有效,其利用获取影像集的光谱-空间信息对待修复图像中被云和大气所干扰的区域进行恢复。
改进的邻近相似像元插值法(Neighborhood Similar Pixel Interpolator,NSPI)方法属于多时相数据补充的方法的一种。NSPI方法通过图像镶嵌与拼接技术将无云部分镶嵌到“云污染”区域从而获得无云影像,这种利用参考影像无云区域的数据对目标影像的有云区域进行填充,当多时相数据之间时间差别不大、地表特征变化不够明显的时候,该方法能够达到较好的云去除效果,然而,一旦两期影像获取时间间隔增大,两期影像上由于地表发生变化而造成较大的光谱差异,这就会影响相似性像元的判断,引入大量非相似性像元,造成厚云去除的精确度低。
发明内容
基于此,有必要提供一种遥感影像厚云去除方法及系统,以消除两期影像上由于地表发生变化而造成较大的光谱差异对相似性像元判断的影响,提高厚云去除的精确度。
为实现上述目的,本发明提供了如下方案:
一种遥感影像厚云去除方法,包括:
获取参考图像和目标图像,所述参考图像为第一时刻获取的无云图像,所述目标图像为第二时刻获取的有云图像;
划分所述目标图像为云区域图像和无云区域图像;
利用K-means聚类算法对所述无云区域图像中的像元进行聚类,得到像元类别组;
对所述参考图像和所述无云区域图像进行搜索,确定相似性像元;
计算每类所述相似性像元占所属像元类别组中像元的比例;
判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第一预设比例;
若存在至少一类所述相似性像元占所属像元类别组中像元的比例大于所述第一预设比例,则将搜索到的所述参考图像和所述无云区域图像的最大比例的相似性像元确定为去云相似性像元;
若所有类别的所述相似性像元占所属像元类别组中像元的比例均小于所述第一预设比例,则判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第二预设比例;
若每类所述相似性像元占所属像元类别组中像元的比例大于第二预设比例,则确定所述相似性像元占所属像元类别组中像元的比例大于所述第二预设比例的所述相似性像元的所属类别;
统计预设的云掩膜缓冲区中属于各个所属类别的像元数,所述云掩膜缓冲区为所述目标图像中云区域邻近的无云区域;
将所述像元数最多的类别对应的所述参考图像和所述无云区域图像的相似性像元确定为去云相似性像元;
利用所述去云相似性像元替换所述云区域图像中的像元。
可选的,所述划分所述目标图像为云区域图像和无云区域图像,具体包括:
确定所述目标图像中的有云区域,得到云区域图像;
将所述云区域图像从所述目标图像中提取出去,得到无云区域图像。
可选的,所述确定所述目标图像中的有云区域,得到云区域图像,具体包括:
确定所述目标图像中的云分布,具体为
其中,DGF-1表示云,B1表示蓝光波段的灰度值,B2表示绿光波段的灰度值,B3表示红光波段的灰度值;
依据所述云分布确定所述目标图像中的有云区域,得到云区域图像。
本发明还提供了一种遥感影像厚云去除系统,包括:
图像获取模块,用于获取参考图像和目标图像,所述参考图像为第一时刻获取的无云图像,所述目标图像为第二时刻获取的有云图像;
划分模块,用于划分所述目标图像为云区域图像和无云区域图像;
分类模块,用于利用K-means聚类算法对所述无云区域图像中的像元进行聚类,得到像元类别组;
搜索模块,用于对所述参考图像和所述无云区域图像进行搜索,确定相似性像元;
比例计算模块,用于计算每类所述相似性像元占所属像元类别组中像元的比例;
第一判断模块,用于判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第一预设比例;
第一确定模块,用于若存在至少一类所述相似性像元占所属像元类别组中像元的比例大于所述第一预设比例,则将搜索到的所述参考图像和所述无云区域图像的最大比例的相似性像元确定为去云相似性像元;
第二判断模块,用于若所有类别的所述相似性像元占所属像元类别组中像元的比例均小于所述第一预设比例,则判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第二预设比例;
第二确定模块,用于若每类所述相似性像元占所属像元类别组中像元的比例大于第二预设比例,则确定所述相似性像元占所属像元类别组中像元的比例大于所述第二预设比例的所述相似性像元的所属类别;
统计模块,用于统计预设的云掩膜缓冲区中属于各个所属类别的像元数,所述云掩膜缓冲区为所述目标图像中云区域邻近的无云区域;
第三确定模块,用于将所述像元数最多的类别对应的所述参考图像和所述无云区域图像的相似性像元确定为去云相似性像元;
替换模块,用于利用所述去云相似性像元替换所述云区域图像中的像元。
可选的,所述划分模块,具体包括:
云区域图像确定单元,用于确定所述目标图像中的有云区域,得到云区域图像;
提取单元,用于将所述云区域图像从所述目标图像中提取出去,得到无云区域图像。
可选的,所述云区域图像确定单元,具体包括:
云分布确定子单元,用于确定所述目标图像中的云分布,具体为
其中,DGF-1表示云,B1表示蓝光波段的灰度值,B2表示绿光波段的灰度值,B3表示红光波段的灰度值;
云区域图像确定子单元,用于依据所述云分布确定所述目标图像中的有云区域,得到云区域图像。
与现有技术相比,本发明的有益效果是:
本发明提出了一种遥感影像厚云去除方法及系统,所述方法包括:获取参考图像和目标图像;划分目标图像为云区域图像和无云区域图像;对无云区域图像中的像元聚类得到像元类别组;搜索参考图像和无云区域图像的相似性像元;计算每类相似性像元占所属像元类别组中像元的比例;若存在至少一类的比例大于第一预设比例,确定最大比例的相似性像元为去云相似性像元;若所有类别的比例均小于第一预设比例,确定比例大于第二预设比例的相似性像元的所属类别;统计云掩膜缓冲区中各个所属类别的像元数;确定像元数最多的类别对应的相似性像元为去云相似性像元;利用去云相似性像元替换云区域图像中的像元。本发明能够消除两期影像上由于地表发生变化而造成较大的光谱差异对相似性像元判断的影响,提高厚云去除的精确度。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种遥感影像厚云去除方法的流程图;
图2为本发明实施例一种遥感影像厚云去除系统的结构图。
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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例一种遥感影像厚云去除方法的流程图。
参见图1,实施例的遥感影像厚云去除方法,包括:
步骤S1:获取参考图像和目标图像。
所述参考图像为第一时刻获取的无云图像,所述目标图像为第二时刻获取的有云图像。
步骤S2:划分所述目标图像为云区域图像和无云区域图像。
具体包括:
确定所述目标图像中的云分布,具体为
其中,DGF-1表示云,B1表示蓝光波段的灰度值,B2表示绿光波段的灰度值,B3表示红光波段的灰度值;
依据所述云分布确定所述目标图像中的有云区域,得到云区域图像;
将所述云区域图像从所述目标图像中提取出去,得到无云区域图像。
步骤S3:利用K-means聚类算法对所述无云区域图像中的像元进行聚类,得到像元类别组。
本实施例中,利用K-means聚类算法将所述无云区域图像中的像元分为10类,即得到10组像元类别组。
步骤S4:对所述参考图像和所述无云区域图像进行搜索,确定相似性像元。
步骤S5:计算每类所述相似性像元占所属像元类别组中像元的比例。
本实施例中,利用以下公式计算每类相似性像元占所属像元类别组中像元的比例:
步骤S6:判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第一预设比例。
本实施例中,所述第一预设比例为80%。
步骤S7:若存在至少一类所述相似性像元占所属像元类别组中像元的比例大于所述第一预设比例,则将搜索到的所述参考图像和所述无云区域图像的相似性像元确定为去云相似性像元。
步骤S8:若所有类别的所述相似性像元占所属像元类别组中像元的比例均小于所述第一预设比例,则判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第二预设比例。
步骤S9:若每类所述相似性像元占所属像元类别组中像元的比例大于第二预设比例,则确定所述相似性像元占所属像元类别组中像元的比例大于所述第二预设比例的所述相似性像元的所属类别。
步骤S10:统计预设的云掩膜缓冲区中属于各个所属类别的像元数,所述云掩膜缓冲区为所述目标图像中云区域邻近的无云区域。
步骤S11:将所述像元数最多的类别对应的所述参考图像和所述无云区域图像的相似性像元确定为去云相似性像元。
步骤S12:利用所述去云相似性像元替换所述云区域图像中的像元。
具体的,本实施例中,在步骤S11确定了去云相似性像元后,采用改进的邻近相似像元插值法(Modified Neighborhood Similar Pixel Interpolator,MNSPI)对云区域图像中的像元进行去云处理。
本实施例中的遥感影像厚云去除方法,利用K-means聚类图像统计相似像元各类别像元比,解决了多时相数据时间间隔过大使得地物光谱发生变化,导致相似性像元之间变化趋势存在差异的问题;并提出对相似性像元进行进一步筛选,最终得到去云相似性像元,保证了相似性像元之间变化趋势的一致性,从而使修复后云区域更接近无云区域,提高了厚云去除的精确度;针对光谱变化较大区域,也可以在一定程度上减小时间间隔引起的光谱差异问题对处理后图像精度的影响,提高去云后修复精度,为获取特定时间和地区的高质量无云遥感数据提供了一种有效的解决办法。
本发明还公开了一种遥感影像厚云去除系统,图2为本发明实施例一种遥感影像厚云去除系统的结构图。
实施例的遥感影像厚云去除系统20,包括:
图像获取模块201,用于获取参考图像和目标图像,所述参考图像为第一时刻获取的无云图像,所述目标图像为第二时刻获取的有云图像。
划分模块202,用于划分所述目标图像为云区域图像和无云区域图像。
所述划分模块202,具体包括:
云区域图像确定单元,用于确定所述目标图像中的有云区域,得到云区域图像;
提取单元,用于将所述云区域图像从所述目标图像中提取出去,得到无云区域图像。
云区域图像确定单元,具体包括:
云分布确定子单元,用于确定所述目标图像中的云分布,具体为
其中,DGF-1表示云,B1表示蓝光波段的灰度值,B2表示绿光波段的灰度值,B3表示红光波段的灰度值;
云区域图像确定子单元,用于依据所述云分布确定所述目标图像中的有云区域,得到云区域图像。
分类模块203,用于利用K-means聚类算法对所述无云区域图像中的像元进行聚类,得到像元类别组。
搜索模块204,用于对所述参考图像和所述无云区域图像进行搜索,确定相似性像元;
比例计算模块205,用于计算每类所述相似性像元占所属像元类别组中像元的比例。
第一判断模块206,用于判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第一预设比例。
第一确定模块207,用于若存在至少一类所述相似性像元占所属像元类别组中像元的比例大于所述第一预设比例,则将搜索到的所述参考图像和所述无云区域图像的最大比例的相似性像元确定为去云相似性像元。
第二判断模块208,用于若所有类别的所述相似性像元占所属像元类别组中像元的比例均小于所述第一预设比例,则判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第二预设比例。
第二确定模块209,用于若每类所述相似性像元占所属像元类别组中像元的比例大于第二预设比例,则确定所述相似性像元占所属像元类别组中像元的比例大于所述第二预设比例的所述相似性像元的所属类别。
统计模块210,用于统计预设的云掩膜缓冲区中属于各个所属类别的像元数,所述云掩膜缓冲区为所述目标图像中云区域邻近的无云区域。
第三确定模块211,用于将所述像元数最多的类别对应的所述参考图像和所述无云区域图像的相似性像元确定为去云相似性像元。
替换模块212,用于利用所述去云相似性像元替换所述云区域图像中的像元。
本实施例的遥感影像厚云去除系统,能够使得去云处理后的影像具有较好的视觉效果,植被区域不同光谱特征的部分差异可以被保留,可以有效消除由于影像获取时间不同,地表发生变化所带来的色调差异,使修复后云区域更接近无云区域,厚云去除的精确度高。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (6)
1.一种遥感影像厚云去除方法,其特征在于,包括:
获取参考图像和目标图像,所述参考图像为第一时刻获取的无云图像,所述目标图像为第二时刻获取的有云图像;
划分所述目标图像为云区域图像和无云区域图像;
利用K-means聚类算法对所述无云区域图像中的像元进行聚类,得到像元类别组;
对所述参考图像和所述无云区域图像进行搜索,确定相似性像元;
计算每类所述相似性像元占所属像元类别组中像元的比例;
判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第一预设比例;
若存在至少一类所述相似性像元占所属像元类别组中像元的比例大于所述第一预设比例,则将搜索到的所述参考图像和所述无云区域图像的最大比例的相似性像元确定为去云相似性像元;
若所有类别的所述相似性像元占所属像元类别组中像元的比例均小于所述第一预设比例,则判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第二预设比例;
若每类所述相似性像元占所属像元类别组中像元的比例大于第二预设比例,则确定所述相似性像元占所属像元类别组中像元的比例大于所述第二预设比例的所述相似性像元的所属类别;
统计预设的云掩膜缓冲区中属于各个所属类别的像元数,所述云掩膜缓冲区为所述目标图像中云区域邻近的无云区域;
将所述像元数最多的类别对应的所述参考图像和所述无云区域图像的相似性像元确定为去云相似性像元;
利用所述去云相似性像元替换所述云区域图像中的像元。
2.根据权利要求1所述的一种遥感影像厚云去除方法,其特征在于,所述划分所述目标图像为云区域图像和无云区域图像,具体包括:
确定所述目标图像中的有云区域,得到云区域图像;
将所述云区域图像从所述目标图像中提取出去,得到无云区域图像。
4.一种遥感影像厚云去除系统,其特征在于,包括:
图像获取模块,用于获取参考图像和目标图像,所述参考图像为第一时刻获取的无云图像,所述目标图像为第二时刻获取的有云图像;
划分模块,用于划分所述目标图像为云区域图像和无云区域图像;
分类模块,用于利用K-means聚类算法对所述无云区域图像中的像元进行聚类,得到像元类别组;
搜索模块,用于对所述参考图像和所述无云区域图像进行搜索,确定相似性像元;
比例计算模块,用于计算每类所述相似性像元占所属像元类别组中像元的比例;
第一判断模块,用于判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第一预设比例;
第一确定模块,用于若存在至少一类所述相似性像元占所属像元类别组中像元的比例大于所述第一预设比例,则将搜索到的所述参考图像和所述无云区域图像的最大比例的相似性像元确定为去云相似性像元;
第二判断模块,用于若所有类别的所述相似性像元占所属像元类别组中像元的比例均小于所述第一预设比例,则判断每类所述相似性像元占所属像元类别组中像元的比例是否大于第二预设比例;
第二确定模块,用于若每类所述相似性像元占所属像元类别组中像元的比例大于第二预设比例,则确定所述相似性像元占所属像元类别组中像元的比例大于所述第二预设比例的所述相似性像元的所属类别;
统计模块,用于统计预设的云掩膜缓冲区中属于各个所属类别的像元数,所述云掩膜缓冲区为所述目标图像中云区域邻近的无云区域;
第三确定模块,用于将所述像元数最多的类别对应的所述参考图像和所述无云区域图像的相似性像元确定为去云相似性像元;
替换模块,用于利用所述去云相似性像元替换所述云区域图像中的像元。
5.根据权利要求4所述的一种遥感影像厚云去除系统,其特征在于,所述划分模块,具体包括:
云区域图像确定单元,用于确定所述目标图像中的有云区域,得到云区域图像;
提取单元,用于将所述云区域图像从所述目标图像中提取出去,得到无云区域图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487881.2A CN108765329B (zh) | 2018-05-21 | 2018-05-21 | 一种遥感影像的厚云去除方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810487881.2A CN108765329B (zh) | 2018-05-21 | 2018-05-21 | 一种遥感影像的厚云去除方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765329A CN108765329A (zh) | 2018-11-06 |
CN108765329B true CN108765329B (zh) | 2020-12-04 |
Family
ID=64008571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810487881.2A Active CN108765329B (zh) | 2018-05-21 | 2018-05-21 | 一种遥感影像的厚云去除方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765329B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114298945B (zh) * | 2022-01-05 | 2022-07-05 | 首都师范大学 | 一种基于构建虚拟影像的光学遥感影像厚云去除方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881850A (zh) * | 2015-05-26 | 2015-09-02 | 上海大学 | 一种多时相遥感影像的厚云自动去除方法 |
CN105139375A (zh) * | 2015-07-15 | 2015-12-09 | 武汉大学 | 一种结合全球dem与立体视觉的卫星影像云检测方法 |
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
KR101709860B1 (ko) * | 2015-09-01 | 2017-02-23 | 강릉원주대학교산학협력단 | 전천 하늘 영상자료의 rgb 컬러를 이용한 전운량 산출방법 및 시스템 |
CN107274361A (zh) * | 2017-05-26 | 2017-10-20 | 深圳先进技术研究院 | Landsat TM遥感影像数据除云方法及系统 |
CN107437237A (zh) * | 2017-07-07 | 2017-12-05 | 武汉大学 | 一种区域无云影像合成方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
-
2018
- 2018-05-21 CN CN201810487881.2A patent/CN108765329B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881850A (zh) * | 2015-05-26 | 2015-09-02 | 上海大学 | 一种多时相遥感影像的厚云自动去除方法 |
CN105139375A (zh) * | 2015-07-15 | 2015-12-09 | 武汉大学 | 一种结合全球dem与立体视觉的卫星影像云检测方法 |
KR101709860B1 (ko) * | 2015-09-01 | 2017-02-23 | 강릉원주대학교산학협력단 | 전천 하늘 영상자료의 rgb 컬러를 이용한 전운량 산출방법 및 시스템 |
CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
CN107274361A (zh) * | 2017-05-26 | 2017-10-20 | 深圳先进技术研究院 | Landsat TM遥感影像数据除云方法及系统 |
CN107437237A (zh) * | 2017-07-07 | 2017-12-05 | 武汉大学 | 一种区域无云影像合成方法 |
Non-Patent Citations (2)
Title |
---|
A Modified Neighborhood Similar Pixel Interpolator Approach for Removing Thick Clouds in Landsat Images;Xiaolin Zhu.et.;《IEEE GEOSCIENCF AND RFMOTE SENSING LETTERS》;20120531;第9卷(第3期);第521-525页 * |
采用单时相法的高分一号数据云/阴影检测;云雅等;《遥感信息》;20170831;第32卷(第4期);第35-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108765329A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2018086299A1 (zh) | 基于图像处理的绝缘子缺陷检测方法及系统 | |
CN111797712B (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
CN109034026B (zh) | 一种遥感影像中水陆区域的红树林提取方法及系统 | |
CN108986116B (zh) | 一种基于遥感影像的红树林提取方法及系统 | |
CN107133623B (zh) | 一种基于背景差和圆心定位的指针位置精确检测方法 | |
CN106157323A (zh) | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 | |
CN109447111B (zh) | 一种基于子类训练样本的遥感监督分类方法 | |
CN109919088B (zh) | 一种喀斯特地区火龙果单株识别自动提取方法 | |
CN106875407B (zh) | 一种结合形态学和标记控制的无人机影像林冠分割方法 | |
CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、系统及软件存储器 | |
CN110782409B (zh) | 一种去除多运动物体阴影的方法 | |
CN109753969A (zh) | 一种基于形状特征和图像分割的绝缘子识别和定位方法 | |
CN109064419A (zh) | 一种基于wls滤波和多尺度稀疏表达的单幅图像去雨方法 | |
CN111862143A (zh) | 一种河堤坍塌自动监测方法 | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN109544583A (zh) | 一种提取皮革图像感兴趣区域的方法、装置及设备 | |
CN111310771B (zh) | 遥感影像的道路图像提取方法、装置、设备及存储介质 | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
CN107369162B (zh) | 一种绝缘子候选目标区域的生成方法及系统 | |
CN110796113B (zh) | 一种基于WorldView-2影像的城市蓝色地物检测方法 | |
CN108765329B (zh) | 一种遥感影像的厚云去除方法及系统 | |
CN114419458A (zh) | 一种基于高分辨率卫星遥感的裸土监测方法、装置和设备 | |
CN110544262A (zh) | 一种基于机器视觉的子宫颈细胞图像分割方法 | |
CN116109933B (zh) | 一种用于废弃矿山生态修复的动态识别方法 | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 |
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 |