CN109446899A - 一种基于四谱段遥感图像的云目标检测方法 - Google Patents
一种基于四谱段遥感图像的云目标检测方法 Download PDFInfo
- Publication number
- CN109446899A CN109446899A CN201811101680.0A CN201811101680A CN109446899A CN 109446899 A CN109446899 A CN 109446899A CN 201811101680 A CN201811101680 A CN 201811101680A CN 109446899 A CN109446899 A CN 109446899A
- Authority
- CN
- China
- Prior art keywords
- cloud
- target
- spectral coverage
- remote sensing
- measured
- 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.)
- Pending
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
一种基于四谱段遥感图像的云目标检测方法,该方法基于通用的红、绿、蓝和近红外四个谱段的信息,采用正交子空间投影的检测原理完成云检测。不同于现有的遥感图像云检测方法,克服了现有技术仅能将云检测结果单一整理为云和非云的问题,可以将云目标直接生成不同等级的云产品,同时克服了现有的多光谱云检测方法不适用于谱段数量较少的通用四谱段遥感图像的问题,提升了处理速度,简化了计算流程。
Description
技术领域
本发明涉及一种基于四谱段遥感图像的云目标检测方法,属于数字图像处理领域。
背景技术
星载高分辨率、宽覆盖的多传感器所产生的海量数据为遥感应用带来质量更高、更加多样化的数据源的同时,也带来了大量无效信息,给遥感信息的存储、传输、提取与应用带来了极大的挑战。据统计数据显示,在高分辨率可见光遥感图像中超过50%左右的图像被厚度不同、分布形态各异的云覆盖,导致下传至地面的数据大部分为无效数据。云覆盖等无效数据严重浪费了数据传输时间和链路带宽,影响了包含重要目标信息数据的优先下传。同时,遥感图像中云目标的存在,增大了对重要军事目标如飞机、舰船等的识别难度,因此,研究星上实时的云检测和云剔除技术,对于减少数据量和提升遥感图像的智能处理能力具有重要意义。
遥感图像的云检测技术一直是遥感图像处理领域的研究热点之一,遥感图像的云检测技术主要分为两大类,一类是基于可见光的云检测技术,例如基于特征空间降维压缩的云检测方法,以及基于多属性融合的云检测方法。这些云检测技术主要集中在如何有效的提取云特征,以达到更好地解决云检测的目的。
另一类就是基于多光谱的云检测技术,在可见光之外,搭载多光谱乃至高光谱的成像光谱仪逐渐成为卫星探测手段的一种发展趋势,也为遥感图像的智能处理提供了有利条件。结合云目标在某些谱段的光谱特征,可以很好的将云与下垫面区分开来。多光谱云检测方法主要分为三种,第一种是提取云的多光谱特征,再使用分类器完成云判决。如EO-1卫星上使用的HCC算法(Hyperion Cloud Cover),Landsat7卫星上使用的自动云量评估的ACCA算法,均选择有代表性的谱段信息,并根据云的光谱特征完成云检测。这种方法简单直观,充分利用了云目标在不同谱段上所表现出来的光谱特性完成检测,易于FPGA实现,但是需要依据特定的谱段信息,以保证算法的性能;第二种方法是综合使用云的光谱特征和统计特征,再使用分类器进行云判决。如基于MODIS遥感数据,将云的纹理结构特征与光谱特征相结合,采用神经网络的算法完成云检测。这种方法需要综合利用云的光谱特征和统计特征,算法较复杂;最后一种方法是将多谱段的数据采用信号处理的方法完成云检测。如基于ICA的云检测方法。这种方法由于是在高维空间上进行处理,所以计算量相对较高。
以上这些方法一般将云检测问题处理为一个二值分类问题,云检测结果要么为云,要么为非云。然而,云的形态千变万化,类型多种多样,简单的将云检测结果处理为云和非云并不恰当,缺少进一步细分云检测的结果,将云目标生成不同等级的云产品,简单的区分为云或非云不符合云目标的特性,需要通过计算待检测云目标的具体数值从而可以进行云等级区分,同时,现有的多光谱云检测方法基本采用国外的MODIS数据、Landsat数据或AVHRR等数据展开研究,基于通用的四谱段(红、绿、蓝、近红外)数据进行研究的十分少见,主要原因是四谱段的多光谱数据谱段数太少,大量有效的多光谱云检测算法并不适用。
发明内容
本发明解决的技术问题是:针对目前现有技术中,可见光遥感图像云检测技术针对通用四谱段的遥感数据检测困难,算法普遍性差、难以区分多种不同类型云目标的问题,提出了一种基于四谱段遥感图像的云目标检测方法。
本发明解决上述技术问题是通过如下技术方案予以实现的:
一种基于四谱段遥感图像的云目标检测方法,步骤如下:
(1)获取待检测云的四谱段遥感图像;
(2)对步骤(1)所得的四谱段遥感图像进行谱段扩展;
(3)根据步骤(2)所得谱段扩展后遥感图像建立待测云目标t;
(4)建立初始背景空间U0,根据步骤(2)所得谱段扩展后四谱段遥感图像及步骤(3)所得待测云目标t,对初始背景空间U0进行虚假背景筛选剔除并建立背景子空间U;
(5)根据步骤(4)所得背景子空间U、步骤(3)所得待测云目标t对谱段扩展后遥感图像中的待测云目标进行正交子空间投影,将匹配滤波后所得图像输出值result作为待测云目标的云检测结果并进行云目标分类。
所述步骤(1)中的四谱段为:红谱段、绿谱段、蓝谱段、近红外谱段。
所述步骤(3)中,建立待测云目标t的方法为:
(3a)于待检测云的四谱段遥感图像中抽取待测云对象r;
(3b)将步骤(3a)所抽取的所有待测云对象r由多个单一向量扩展为一个云目标子空间T;
(3c)计算步骤(3b)所得云目标子空间T的均值向量,作为最终待测云目标t。
所述步骤(3)中,待测云目标t的计算方法为:
式中,为云目标子空间T的均值向量,ti为云目标子空间T的第i个云向量,i=1~n,n为抽取的待测云对象r的个数。
所述步骤(4)中,建立背景子空间U的方法为:
(4a)以步骤(3)所得待测云目标子空间T作为初始目标,利用自动目标生成方法对输入图像进行自动背景搜索得到包含虚假背景的背景空间U,其中U=[u1u2…ui…ui],ui为背景空间U中第i个目标,i为正整数;
(4b)计算待测云目标t与包含虚假背景的背景子空间U=[u1u2…ui…um]的光谱相似系数coffi为:
(4c)根据背景目标抑制程度设定相似阈值Th,对步骤(4b)计算所得光谱相似系数coffi进行比较,若coffi>Th,则从背景空间U中剔除第i个背景目标ui,否则,保留该背景目标,并对剩余背景目标进行检测,符合筛选条件的所有背景目标组成最终的背景空间U。
所述步骤(5)中进行正交子空间投影时,正交投影因子的计算方法为:
式中,为正交投影因子,U#为背景子空间U的伪逆矩阵,I为单位矩阵。
所述步骤(5)中,根据正交投影因子计算所得匹配滤波图像输出值result对待测云目标进行分类的标准为:
若result∈[0.8,1],则该待测云目标为厚云区;若result∈[0.6,0.8),则该待测云目标为云过渡区;若result∈[0.4,0.6),则该待测云目标为薄云区;若result∈[0,0.4),则该待测云目标为无云区。
所述步骤(1)中,根据检测需求判断是否对待检测云的四谱段遥感图像进行预处理,若对处理速度有要求时,对图像按照n*n进行分块;若对检测精度有要求时,不进行分块处理。
本发明与现有技术相比的优点在于:
(1)本发明提供的一种基于四谱段遥感图像的云目标检测方法,通过获取较容易获得的四谱段多光谱遥感数据,通过建立云目标子空间及筛选虚假背景的背景空间,细化的对待检测目标进行正交投影及滤波处理,根据输出结果进一步细化分类,能够适应多种类型厚度的云目标,普适性极强;
(2)本发明采用通用的四谱段遥感图像完成云检测,与现有多谱段云检测算法需要使用特定的光谱谱段完成检测不同,解决了四谱段的多光谱数据谱段数太少、大量有效的多光谱云检测算法并不适用的问题,同时不依赖于特定的谱段信息,不但对四谱段的遥感图像云检测适用,也可以推广到L>4个谱段的情况,整体算法架构基本不变,待检测像素之间的检测相互独立,因此可以采用多路并行的方案进行实现,适合星上应用的实时云检测。
附图说明
图1为发明提供的星上云检测机构框图;
图2为发明提供的四谱段输入遥感图;
图3为发明提供的云检测结果图;
图4为发明提供的不同等级云产品示意图;
图5为发明提供的云检测方法流程图;
具体实施方式
如图1所示,为本发明的云检测的硬件实现框图。首先,在算法处理之前,进行降采样处理,一方面可以降低计算量,另一方面可以将待检像元进一步处理为混合像元;其次,在光谱向量提取中,直接抽取每个待检像元的光谱向量,因为原始谱段信息已知,其他扩展谱段像元值采用谱段扩展方法中对应的数值运算得到,多个扩展谱段元素值之间并行进行提取。背景子空间和云目标可采用人工手动选取或自动搜索的方式建立,该部分计算仅需计算一次,可采用离线方式完成。将投影矩阵及云目标t的运算结果直接作为已知参数,通过外部存储器直接上注给OSP(正交子空间投影)检测器模块,这样OSP检测器模块内部的运算就简化为只有乘法和加法运算。当光谱向量维数为L时,OSP检测器仅需要L次乘法运算和L-1次加法运算即可。由于不同的像元检测之间相互独立,实际处理时,可采用多个检测器并行处理,以加快处理速度。
一种基于四谱段遥感图像的云目标检测方法,如图5所示,具体步骤如下:
(1)相机同时输入待检测云的四谱段遥感图像为:红谱段、绿谱段、蓝谱段、近红外谱段遥感图像,作为输入条件;
(2)根据检测需求判断是否需要进行预处理,图像预处理主要是对输入图像进行分块处理,即下采样处理,一般在星上进行云检测时,为了加快处理速度,先对图像按照n*n进行分块,比如常用的按照16*16或是64*64大小进行分块,分块大小根据云检测要求的精度和速度进行折衷,如果对云检测结果的精度要求高,则该步骤也可以略过,此时,即是对输入图像进行逐像素的云检测;
(3)对预处理后的四谱段遥感图像进行谱段扩展,对四谱段遥感图像进行谱段扩展的方法有以下几种,可以选择其中的几种组合使用
(1)构建二阶的相关谱段信息如下:
求一组自相关的谱段信息
求一组互相关的谱段信息
(2)构建非线性相关谱段信息如下:
求一组指数谱段信息:γ>0且γ≠2;
求一组对数谱段信息:常用的有或
其中,原始的多光谱谱段信息为Bi,i∈[1,4]分别表示原始的四个谱段的遥感图像。
正交子空间投影方法是用于高光谱遥感图像解混的算法,一般的高光谱图像谱段数可达上百个~数百个,可以提供待检目标近似连续的光谱信息,因此可以将待检目标与其他的背景目标很好的分离开来,在谱段扩展中,设遥感图像中待分类的地物总数为N,高光谱遥感图像数据的内在维数为Q,谱段总个数为L,则如果要将N种地物分离开来,必须满足以下的条件:
Q≥N或L≥N
式中,当Q≥N时,L≥N一定满足,进行四谱段的遥感图像云检测时,L=4,当遥感地物总类别数N>4时,根据上式可以知道,正交子空间投影的分类条件不满足,因此无法根据光谱信息将不同的地物类别区分开来,如果直接采用正交子空间投影算法进行四谱段的云目标检测,效果不理想;
大多数情况下,遥感图像所含的地物总类别数N>4,为了满足正交子空间投影算法的分类条件,只能通过扩展谱段个数的方法进行解决。可以采用谱段扩展方法将有限的多光谱谱段信息进行维数扩展,假定谱段扩展方法中的求自相关、互相关、指数变换和对数变换各用一组,则可将原始的谱段个数由L=4扩展为而遥感图像地物分类的总类别数一般采用10种左右就够用了,经过谱段扩展之后,完全可以采用正交子空间投影算法进行四谱段遥感图像的云目标检测;
(4)根据谱段扩展后遥感图像建立待测云目标t;
在正交子空间投影算法中,待检目标t一般是已知的先验信息,常用的方法就是抽取待检目标的一个光谱信号,即可完成检测。但是对于云检测而言,考虑到云目标种类多种多样,不但厚度不同,高度不同,而且不同的太阳高度角都会对云的反射率造成影响,因此云目标的光谱特征会表现出明显的波动性,为了提高对云目标光谱信号建立的完备性,这里将云目标由单一的向量t扩展到子空间T中,具体做法如下:
(4a)于待检测云的四谱段遥感图像中抽取不同种类待测云对象r;
其中,步骤(3a)中于待检测云的四谱段遥感图像中抽取的不同种类待测云对象r,根据是否混有下垫面来区分,一类是纯粹的云目标对象,没有混入任何下垫面,对应于厚云像素;一类是云和下垫面的混合目标,对应于薄云像素,由于下垫面的不同,混合目标形态各不相同。
(4b)将步骤(4a)所抽取的所有待测云目标由单一向量扩展为一个云目标子空间T;
其中,假设抽取的待测云目标向量分别为t1,t2,t3,则最后的子空间可以写成T=[t1t2t3];
(4c)计算步骤(4b)所得云目标子空间的均值向量,作为最终待测云目标t;
其中,待测云目标t的计算方法如下:
式中,为云目标子空间T的均值向量,ti为云目标子空间的第i个云向量,n为云向量的个数。
初始背景子空间的建立有两种,一种是采用手动的方法,即是手动选取输入遥感图像中的地物信息,选取的地物类别相互之间要有较大的光谱差异,由此建立<U>空间;另一种是采用基于正交投影的自动搜索的方法,一种可行的方法为:
(5)根据谱段扩展后遥感图像及待测云目标子空间T建立背景子空间U,具体步骤如下:
(5a)以步骤(3)所得待测云目标子空间T作为初始目标,利用ATGP方法(具体参见Hsuan Ren,Chein-I Chang:Automatic Spectral Target Recognition inHyperspectral Imagery.IEEE Trans.Aerospace and Elec.Sys.39(4),1232-1249(2003).)对输入图像进行自动背景搜索得到包含待测云目标子空间T及虚假背景的背景空间Ut;
(5b)对初始背景子空间中的虚假背景进行筛选剔除,从而得到最终的背景空间U;
(5b01)计算云目标向量ti与包含虚假背景的背景子空间U=[u1u2…ui…um]的光谱相似系数coffi为:
(5b02)根据背景目标抑制程度设定相似阈值Th,对步骤(4b01)计算所得光谱相似系数coffi进行比较,若coffi>Th,则从背景空间U中剔除第i个背景目标ui,ui为背景空间Ut中第i个目标,i为正整数;否则,保留该目标,并对剩余背景目标进行检测,符合筛选条件的所有背景目标组成最终的背景空间U;
(6)根据所得待测云目标t、背景子空间U对待检测对象进行正交子空间投影,对投影结果进行匹配滤波并输出云检测结果,最终根据输出结果进行分级,其中:
对待测对象r进行正交子空间投影,计算方法为:
式中,为正交投影因子,r为待检测对象向量,U#为背景子空间U的伪逆矩阵;
对投影得到的正交投影因子进行匹配滤波,得到最终的云检测结果,滤波处理过程为:
式中,Mt=tT为匹配滤波器,t为云目标,为L维的列向量,L为谱段总个数。
根据所得匹配滤波结果result对待测云目标进行不同种类云目标的分类的标准为:
若result∈[0.8,1],则该待测云目标为厚云区;若result∈[0.6,0.8),则该待测云目标为云过渡区;若result∈[0.4,0.6),则该待测云目标为薄云区;若result∈[0,0.4),则该待测云目标为无云区。
下面结合具体实施例进行进一步说明:
采用本发明的云检测算法与传统的云检测算法最大的不同是本发明的云检测可以直接给出一个可分等级的云检测产品,如图2所示,为本发明输入的一个四谱段遥感图像,如图3所示的云检测结果所示,根据色板对应的不同颜色,可以直接显示出不同的云类别,比如,红色区域表示厚云,黄色区域表示云的边缘,即云的过渡区,浅蓝色区域表示薄云,深蓝色区域表示无云;同时由刻度值从高到低,依次也表示所检区域是云,极有可能是云,有可能是云或不是云。分别设置不同的过滤器,即可得到不同的云产品,如图4所示,给出一个具体的例子,(a)图为厚云区,对应色卡板中[0.8,1]之间的区域;(b)图为云的边缘(过渡区),对应色卡板中[0.6,0.8)之间的区域;(c)图为薄云区,对应色卡板中[0.4,0.6)之间的区域;(d)图为无云区,对应色卡板中[0,0.4)之间的区域。这种可分等级的检测结果和云的形态完美吻合,更符合云目标的实际情况。此外,云检测作为遥感图像处理环节的预处理阶段,可分等级的云产品,更能适应后续不同的智能处理需求,比如云区的筛选剔除以及基于ROI的图像压缩等。
本发明未详细说明部分属本领域技术人员公知常识。
Claims (8)
1.一种基于四谱段遥感图像的云目标检测方法,其特征在于步骤如下:
(1)获取待检测云的四谱段遥感图像;
(2)对步骤(1)所得的四谱段遥感图像进行谱段扩展;
(3)根据步骤(2)所得谱段扩展后遥感图像建立待测云目标t;
(4)建立初始背景空间U0,根据步骤(2)所得谱段扩展后四谱段遥感图像及步骤(3)所得待测云目标t,对初始背景空间U0进行虚假背景筛选剔除并建立背景子空间U;
(5)根据步骤(4)所得背景子空间U、步骤(3)所得待测云目标t对谱段扩展后遥感图像中的待测云目标进行正交子空间投影,将匹配滤波后所得图像输出值result作为待测云目标的云检测结果并进行云目标分类。
2.根据权利要求1所述的一种基于四谱段遥感图像的云目标检测方法,其特征在于:所述步骤(1)中的四谱段为:红谱段、绿谱段、蓝谱段、近红外谱段。
3.根据权利要求1或2所述的一种基于四谱段遥感图像的云目标检测方法,其特征在于:所述步骤(3)中,建立待测云目标t的方法为:
(3a)于待检测云的四谱段遥感图像中抽取待测云对象r;
(3b)将步骤(3a)所抽取的所有待测云对象r由多个单一向量扩展为一个云目标子空间T;
(3c)计算步骤(3b)所得云目标子空间T的均值向量,作为最终待测云目标t。
4.根据权利要求3所述的一种基于四谱段遥感图像的云目标检测方法,其特征在于:所述步骤(3)中,待测云目标t的计算方法为:
式中,为云目标子空间T的均值向量,ti为云目标子空间T的第i个云向量,i=1~n,n为抽取的待测云对象r的个数。
5.根据权利要求4所述的一种基于四谱段遥感图像的云目标检测方法,其特征在于:所述步骤(4)中,建立背景子空间U的方法为:
(4a)以步骤(3)所得待测云目标子空间T作为初始目标,利用自动目标生成方法对输入图像进行自动背景搜索得到包含虚假背景的背景空间U,其中U=[u1 u2 … ui … ui],ui为背景空间U中第i个目标,i为正整数;
(4b)计算待测云目标t与包含虚假背景的背景子空间U=[u1 u2 … ui … um]的光谱相似系数coffi为:
(4c)根据背景目标抑制程度设定相似阈值Th,对步骤(4b)计算所得光谱相似系数coffi进行比较,若coffi>Th,则从背景空间U中剔除第i个背景目标ui,否则,保留该背景目标,并对剩余背景目标进行检测,符合筛选条件的所有背景目标组成最终的背景空间U。
6.根据权利要求5所述的一种基于四谱段遥感图像的云目标检测方法,其特征在于:所述步骤(5)中进行正交子空间投影时,正交投影因子的计算方法为:
式中,为正交投影因子,U#为背景子空间U的伪逆矩阵,I为单位矩阵。
7.根据权利要求6所述的一种基于四谱段遥感图像的云目标检测方法,其特征在于:所述步骤(5)中,根据正交投影因子计算所得匹配滤波图像输出值result对待测云目标进行分类的标准为:
若result∈[0.8,1],则该待测云目标为厚云区;若result∈[0.6,0.8),则该待测云目标为云过渡区;若result∈[0.4,0.6),则该待测云目标为薄云区;若result∈[0,0.4),则该待测云目标为无云区。
8.根据权利要求6所述的一种基于四谱段遥感图像的云目标检测方法,其特征在于:所述步骤(1)中,根据检测需求判断是否对待检测云的四谱段遥感图像进行预处理,若对处理速度有要求时,对图像按照n*n进行分块;若对检测精度有要求时,不进行分块处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811101680.0A CN109446899A (zh) | 2018-09-20 | 2018-09-20 | 一种基于四谱段遥感图像的云目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811101680.0A CN109446899A (zh) | 2018-09-20 | 2018-09-20 | 一种基于四谱段遥感图像的云目标检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109446899A true CN109446899A (zh) | 2019-03-08 |
Family
ID=65530609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811101680.0A Pending CN109446899A (zh) | 2018-09-20 | 2018-09-20 | 一种基于四谱段遥感图像的云目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109446899A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036258A (zh) * | 2020-08-07 | 2020-12-04 | 广东海洋大学 | 基于投影零化递归神经网络的遥感图像目标检测算法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007044594A2 (en) * | 2005-10-07 | 2007-04-19 | Chemimage Corporation | Motion invariant generalized hyperspectral targeting and identification methodology and apparatus therefor |
CA2535058A1 (en) * | 2005-12-19 | 2007-06-19 | A.U.G. Signals Ltd. | An adaptive constant false alarm rate detection system |
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 |
CN105160642A (zh) * | 2015-08-29 | 2015-12-16 | 西安科技大学 | 高光谱成像的潜指纹图像增强方法 |
CN105913033A (zh) * | 2016-04-15 | 2016-08-31 | 北京航空航天大学 | 遥感图像中多层云和单层云类型综合分类与识别的方法 |
CN106124050A (zh) * | 2016-06-22 | 2016-11-16 | 电子科技大学 | 一种基于子空间的高光谱亚像元目标盲提取检测方法 |
CN108073895A (zh) * | 2017-11-22 | 2018-05-25 | 杭州电子科技大学 | 一种基于解混预处理的高光谱目标检测方法 |
-
2018
- 2018-09-20 CN CN201811101680.0A patent/CN109446899A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007044594A2 (en) * | 2005-10-07 | 2007-04-19 | Chemimage Corporation | Motion invariant generalized hyperspectral targeting and identification methodology and apparatus therefor |
CA2535058A1 (en) * | 2005-12-19 | 2007-06-19 | A.U.G. Signals Ltd. | An adaptive constant false alarm rate detection system |
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 |
CN105160642A (zh) * | 2015-08-29 | 2015-12-16 | 西安科技大学 | 高光谱成像的潜指纹图像增强方法 |
CN105913033A (zh) * | 2016-04-15 | 2016-08-31 | 北京航空航天大学 | 遥感图像中多层云和单层云类型综合分类与识别的方法 |
CN106124050A (zh) * | 2016-06-22 | 2016-11-16 | 电子科技大学 | 一种基于子空间的高光谱亚像元目标盲提取检测方法 |
CN108073895A (zh) * | 2017-11-22 | 2018-05-25 | 杭州电子科技大学 | 一种基于解混预处理的高光谱目标检测方法 |
Non-Patent Citations (6)
Title |
---|
CHEIN-I CHANG: "《Orthogonal subspace projection (OSP) revisited: a comprehensive study and analysis》", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
H. REN,CHEIN-I CHANG: "《A generalized orthogonal subspace projection approach to unsupervised multispectral image classification》", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》 * |
候舒维等: "《遥感图像云检测方法综述》", 《空间电子技术》 * |
吴波等: "《非监督正交子空间投影的高光谱混合像元自动分解》", 《中国图像图形学报》 * |
孙林等: "《高光谱图像目标检测算法分析》", 《测绘科学》 * |
康一飞,潘励,孙明伟,陈奇,王越: "《基于高斯混合模型法的国产高分辨率卫星影像云检测》", 《武汉大学学报 信息科学版》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036258A (zh) * | 2020-08-07 | 2020-12-04 | 广东海洋大学 | 基于投影零化递归神经网络的遥感图像目标检测算法 |
CN112036258B (zh) * | 2020-08-07 | 2022-05-13 | 广东海洋大学 | 基于投影零化递归神经网络的遥感图像目标检测算法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902715B (zh) | 一种基于上下文聚合网络的红外弱小目标检测方法 | |
CN110991236B (zh) | 一种图像分类的方法及相关装置 | |
CN107563433B (zh) | 一种基于卷积神经网络的红外小目标检测方法 | |
Li et al. | Hyperspectral pansharpening via improved PCA approach and optimal weighted fusion strategy | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN103927741A (zh) | 增强目标特征的sar图像合成方法 | |
CN104008574B (zh) | 一种基于无限高斯混合模型的高光谱图像解混方法 | |
CN104408482A (zh) | 一种高分辨率sar图像目标检测方法 | |
CN106294705A (zh) | 一种批量遥感影像预处理方法 | |
Pechiammal et al. | An efficient approach for automatic license plate recognition system | |
CN102156881B (zh) | 基于多尺度图像相位信息的海难搜救目标检测方法 | |
CN105138987A (zh) | 一种基于聚合通道特征和运动估计的车辆检测方法 | |
Saad et al. | Image retrieval based on integration between YC b C r color histogram and shape feature | |
Hou et al. | Spatial–spectral weighted and regularized tensor sparse correlation filter for object tracking in hyperspectral videos | |
CN108428237A (zh) | 基于稀疏非负矩阵欠近似的高光谱彩绘文物线稿提取方法 | |
CN114170526A (zh) | 基于轻量化网络的遥感影像多尺度目标检测识别方法 | |
Bartlett et al. | Anomaly detection of man-made objects using spectropolarimetric imagery | |
CN113446998B (zh) | 一种基于高光谱目标探测数据的动态解混方法 | |
CN109446899A (zh) | 一种基于四谱段遥感图像的云目标检测方法 | |
Duan et al. | Convolutional neural network for natural color visualization of hyperspectral images | |
Jain et al. | Classification of satellite images through Gabor filter using SVM | |
Li et al. | Multi-scale ships detection in high-resolution remote sensing image via saliency-based region convolutional neural network | |
Hancock | Resolving edge-line ambiguities using probabilistic relaxation | |
Lee et al. | Small Object Detection in Infrared Images Using Attention Mechanism and Sigmoid Function | |
Ji et al. | Infrared and visible image fusion of generative adversarial network based on multi-channel encoding and decoding |
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 |