CN109740639A - 一种风云卫星遥感影像云检测方法、系统及电子设备 - Google Patents
一种风云卫星遥感影像云检测方法、系统及电子设备 Download PDFInfo
- Publication number
- CN109740639A CN109740639A CN201811537641.5A CN201811537641A CN109740639A CN 109740639 A CN109740639 A CN 109740639A CN 201811537641 A CN201811537641 A CN 201811537641A CN 109740639 A CN109740639 A CN 109740639A
- Authority
- CN
- China
- Prior art keywords
- cloud
- cloud detection
- training sample
- threshold
- 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
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请涉及一种风云卫星遥感影像云检测方法、系统及电子设备。包括:步骤a:提取风云卫星遥感影像的红外1波段和可见光波段,并利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;步骤b:利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;步骤c:根据所述集成阈值云检测结果与官方提供的云检测结果共同选取随机森林的训练样本集;步骤d:通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。本申请有效的改善了云的错检和漏检情况,并提高风云卫星遥感影像的利用率。
Description
技术领域
本申请属于遥感影像云检测技术领域,特别涉及一种风云卫星遥感影像云检测方法、系统及电子设备。
背景技术
随着成像技术的不断发展,遥感图像获取的渠道越来越多。在风云遥感影像获取过程中,受云雾干扰等因素的影响,导致原地物光谱失真,影响遥感产品与影像判读,对信息提取造成很大的影响。正确地分离遥感图像中的有云像元和无云像元,对于天气预报、气象灾害的预防、温度反演、救援及生态环境的监控等都有重大的影响。因此,在遥感影像的使用过程中,对受云层遮挡的遥感图像进行有效的云检测是遥感数据修复过程中需解决的首要问题。
国内外利用遥感图像的光谱信息来进行云检测已有多年的历史,目前常见的云检测方法有:
1)阈值法;阈值法包括:光谱结合阈值法、频率结合阈值法。光谱结合阈值法主要利用云在可见光波段具有强反射的特性,该类算法对阈值的敏感程度较高,同一卫星数据因时间、天气等原因,检测阈值将发生巨大变化,加大了此类方法的局限性。频率结合阈值法主要利用云的低频特性,通过小波分析、傅里叶变换等方法获取影像低频数据进行云检测,但由于受地面低频信息干扰,通常采用多层小波变换排除,这大大降低了云检测效率。
2)纹理分析法;纹理分析法利用云与地面纹理特征差异,常以分块子图为单位,结合二阶矩、分形维数、灰度共生矩阵和多次双边滤波进行纹理特征计算,该类方法需要提前获得可靠云特征区间才能保证分类的精度,效率较低。
3)统计学方法;统计学方法主要分为统计方程和聚类分析法。统计方程法利用样本数据建立模拟公式计算云的反射率或者亮温来进行云检测,聚类分析法是根据不同地物类型的像元观测值存在明显的差别的原理实现云检测,在样本量较大时,要获得聚类结论有一定困难,需要人为干预,极大影响检测效率。
4)综合智能法;综合智能法主要包括人工神经网络、支持向量机和模糊逻辑算法等。综合智能法在实现的过程中需要获取大量的训练样本,对分类特征的选取要求较高,针对不同数据需要重新选取样本,导致效率低下。
另外,现有的云检测方法在卫星影像云检测方面仍然会有将部分晴空、陆地、海洋检测为云以及部分漏检情况,云检测效率较低。
发明内容
本申请提供了一种风云卫星遥感影像云检测方法、系统及电子设备,旨在至少在一定程度上解决现有技术中的上述技术问题之一。
为了解决上述问题,本申请提供了如下技术方案:
一种风云卫星遥感影像云检测方法,包括以下步骤:
步骤a:提取风云卫星遥感影像的红外1波段和可见光波段,并利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;
步骤b:利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;
步骤c:根据所述集成阈值云检测结果和官方提供的云检测结果共同选取随机森林的训练样本集;
步骤d:通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。
本申请实施例采取的技术方案还包括:在所述步骤b中,所述利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,并将所述红外1波段和可见光波段的阈值集成结果进行合并,得到所述遥感影像的集成阈值云检测结果具体为:使用投票的方式作为结合策略,投票系数δ决定结合策略的结合程度;设所述十种阈值方法得到的云检测结果为(F1,,F2,......Fp),Fp为第p种阈值方法对应的云检测结果,使用δ序列(δ1,,δ2,......,δi)作为投票系数,得到云检测结果如果某个像素标记得到的投票数超过投票系数δi,则检测结果为云,否则为非云;最后,选择最佳的值为集成阈值的云检测结果。
本申请实施例采取的技术方案还包括:在所述步骤c中,所述根据集成阈值云检测结果和官方提供的云检测结果共同选取随机森林的训练样本集具体为:分别选取官方云检测结果的上下端各1/4部分以及所述集成阈值云检测结果的中间1/2部分作为随机森林的训练样本集的分类图像R;从所述分类图像R中随机选取q1个有云像素点和q2个无云像素点作为原始训练样本,选取当前像素点,同时选取当前像素点附近的k*k邻域内的像素点构成训练样本,并选取训练样本的5个波段像素点灰度值、5个波段像素点灰度值对应的均值和方差以及云和非云的标记作为训练特征。
本申请实施例采取的技术方案还包括:在所述步骤d中,所述通过训练样本集构建随机森林检测模型具体为:定义参数n和m,其中n代表决策树的数量,m代表分裂每个节点上属性特征的数量;从所述训练样本集中抽出n个训练样本,将每个训练样本分别作为训练集生成单棵决策树,在所述决策树的每个节点处,从特征变量中随机选m个特征变量作为预测变量,并选取一个最优的特征变量进行分类;所述随机森林采用分类与回归树算法生成决策树,每个节点根据GINI指数选择最佳分裂树形,所述GINI指数公式为:
上述公式中,T为学习器{h1,h2,...,hT}集合的个数,f(CiT)/|T|是所选类属于Ci的概率;如果子节点的基尼指数小于父节点,则分裂该节点;当GINI指数为0时,终止分裂,一类被分离出来;当n个决策树生成森林时,用所述n个决策树的预测结果预测新的数据集。
本申请实施例采取的另一技术方案为:一种风云卫星遥感影像云检测系统,包括:
波段提取模块:用于提取风云卫星遥感影像的红外1波段和可见光波段;
二值化模块:用于利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;
阈值集成模块:用于利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;
样本选取模块:用于根据所述集成阈值云检测结果和官方提供的云检测结果共同选取随机森林的训练样本集;
模型构建模块:用于通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。
本申请实施例采取的技术方案还包括:所述阈值集成模块利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,并将所述红外1波段和可见光波段的阈值集成结果进行合并,得到所述遥感影像的集成阈值云检测结果具体为:使用投票的方式作为结合策略,投票系数δ决定结合策略的结合程度;设所述十种阈值方法得到的云检测结果为(F1,,F2,......Fp),Fp为第p种阈值方法对应的云检测结果,使用δ序列(δ1,,δ2,......,δi)作为投票系数,得到云检测结果如果某个像素标记得到的投票数超过投票系数δi,则检测结果为云,否则为非云;最后,选择最佳的值为集成阈值的云检测结果。
本申请实施例采取的技术方案还包括:所述样本选取模块根据集成阈值云检测结果和官方提供的云检测结果共同选取随机森林的训练样本集具体为:分别选取官方云检测结果的上下端各1/4部分以及所述集成阈值云检测结果的中间1/2部分作为随机森林的训练样本集的分类图像R;从所述分类图像R中随机选取q1个有云像素点和q2个无云像素点作为原始训练样本,选取当前像素点,同时选取当前像素点附近的k*k邻域内的像素点构成训练样本,并选取训练样本的5个波段像素点灰度值、5个波段像素点灰度值对应的均值和方差以及云和非云的标记作为训练特征。
本申请实施例采取的技术方案还包括:所述模型构建模块通过训练样本集构建随机森林检测模型具体为:定义参数n和m,其中n代表决策树的数量,m代表分裂每个节点上属性特征的数量;从所述训练样本集中抽出n个训练样本,将每个训练样本分别作为训练集生成单棵决策树,在所述决策树的每个节点处,从特征变量中随机选m个特征变量作为预测变量,并选取一个最优的特征变量进行分类;所述随机森林采用分类与回归树算法生成决策树,每个节点根据GINI指数选择最佳分裂树形,所述GINI指数公式为:
上述公式中,T为学习器{h1,h2,...,hT}集合的个数,f(CiT)/|T|是所选类属于Ci的概率;如果子节点的基尼指数小于父节点,则分裂该节点;当GINI指数为0时,终止分裂,一类被分离出来;当n个决策树生成森林时,用所述n个决策树的预测结果预测新的数据集。
本申请实施例采取的又一技术方案为:一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的风云卫星遥感影像云检测方法的以下操作:
步骤a:提取风云卫星遥感影像的红外1波段和可见光波段,并利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;
步骤b:利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;
步骤c:根据所述集成阈值云检测结果和官方提供的云检测结果共同选取随机森林的训练样本集;
步骤d:通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。
相对于现有技术,本申请实施例产生的有益效果在于:本申请实施例的风云卫星遥感影像云检测方法、系统及电子设备通过使用一个时刻的源图像数据来筛选训练样本,然后用训练样本进行随机森林训练得到相应预测模型,使用该预测模型测试其他日期或者其他时刻的源图像,达到云检测的目的,有效的改善了云的错检和漏检情况,提高云检测精度,并提高遥感影像的利用率。
附图说明
图1是本申请实施例的风云卫星遥感影像云检测方法的流程图;
图2是本申请实施例的风云卫星遥感影像云检测系统的结构示意图;
图3是本申请实施例提供的风云卫星遥感影像云检测方法的硬件设备结构示意图;
图4为第一实施例的NSMC少检各个方法的云检测结果,图4(a)为可见光图像,图4(b)为手工标记云检测,图4(c)为NSMC云检测,图4(d)为NSMC-RF云检测,图4(e)为ET-RF云检测,图4(f)为本发明云检测;
图5为第二实施例的NSMC少检各个方法的云检测结果,图5(a)为可见光图像,图5(b)为手工标记云检测,图5(c)为NSMC云检测,图5(d)为NSMC-RF云检测,图5(e)为ET-RF云检测,图5(f)为本发明云检测;
图6为第三实施例的NSMC多检各个方法的云检测结果,图6(a)为可见光图像,图6(b)为手工标记云检测,图6(c)为NSMC云检测,图6(d)为NSMC-RF云检测,图6(e)为ET-RF云检测,图6(f)为本发明云检测;
图7为第四实施例的NSMC多检各个方法的云检测结果,图7(a)为可见光图像,图7(b)为手工标记云检测,图7(c)为NSMC云检测,图7(d)为NSMC-RF云检测,图7(e)为ET-RF云检测,图7(f)为本发明云检测;
图8为16张子图的评价结果统计图,其中,图8(a)为正确率(POD);图8(b)为误报率(FAR);图8(c)为临界成功指数(CSI);图8(d)为指标均值;图8(e)为指标标准差。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
请参阅图1,是本申请实施例的风云卫星遥感影像云检测方法的流程图。本申请实施例的风云卫星遥感影像云检测方法包括以下步骤:
步骤100:获取风云卫星遥感影像,并提取风云卫星遥感影像的红外1波段和可见光波段;
步骤200:对红外1波段和可见光波段中的云特征进行增强处理;
步骤200中,云特征增强的方法包括直方图拉伸、灰度拉伸等。云特征增强能使得含云像素在遥感影像上更亮,非云像素在遥感影像上表现更暗,有助于遥感影像的后续处理。
步骤300:利用至少两种阈值方法分别得到红外1波段和可见光波段的二值化阈值结果;
步骤300中,由于单个阈值方法得到的云检测二值结果不够准确,采用至少两种阈值方法进行二值化,可以提高云检测二值结果的准确度。本申请实施例中,至少两种阈值方法为十种阈值方法,可以理解,阈值方法的数量可以根据实际应用进行设定。具体地,本申请实施例的十种阈值方法分别为:
1、大津法
大津法算法是按图像的灰度特性,将图像分成背景和前景两部分,分别得到前景灰度平均值和前景像素点占总像素点的概率以及背景灰度均值和背景占总像素点的概率、整幅图像的均值,计算方差。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致图像的两部分差别变小。因此,类间方差最大的分割意味着错分概率最小。
2、分块大津法
分块大津法即是将图像分成相同大小的不同块,针对每一块使用大津法阈值处理,分块大津法能够更好的保留局部特征,使得细节部分更加明显。
3、局部动态阈值法
局部动态阈值法是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。每个像素位置处的二值化阈值不是固定不变的,而是由其周围邻域像素的分布来决定的。亮度较高的图像区域的二值化阈值通常会较高,而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。
4、全局阈值与局部阈值结合
首先为全局阈值选择一个初始估计值Th(图像的平均灰度),用Th分割图像,分割完成产生两种像素:G1像素由灰度值大于Th的像素组成,G2像素由小于等于T的像素组成。分别计算G1像素的平均灰度值m1和G2像素的平均灰度值m2,并计算m1和m2的均值作为新的阈值,最后重复前述步骤,直到连续迭代中的Th值间的差为零。局部阈值采用同样的原理,将局部阈值和全局阈值结合起来能比较好的得到局部二值化结果。
5、Wellner自适应阈值
Wellner自适应阈值方法首先遍历图像,将图像的所有行假设成一个行向量,对于每个像素计算一个移动的平均值,如果某个像素明显的低于这个平均值,则设置为黑色,否则设置为白色。
假设pn为图像中位于点n处的像素,fs(n)是点n处后s个像素的总和,最后的图像是T(n)为1(白色)或0(黑色),则依赖于其是否比其前s个像素的平均值的百分之t的暗,公式如下:
6、最小误差法
最小误差法的思想是假设灰度图像由目标和背景组成,且目标和背景满足一混合高斯分布,计算目标和背景的均值、方差,根据最小分类误差思想得到的最小误差目标函数,取目标函数最小时的阈值即为最佳阈值。最后按此阈值将图像二值化。
7、双峰法
双峰法图像分割是一种简单的分割算法,双峰法图像二值化就是根据双峰法得到的阈值对图像进行二值化。在直方图中有两个山峰状的图像分布,山峰的顶记为Hmax1和Hmax2,他们对应的灰度值分别为T1和T2,双峰法图像分割的思想就是找到图像两个山峰之间的谷地最低值,即在[T1,T2]的灰度范围内寻找阈值Th,使其满足对应的像素数目最少,表现在图像上就是高度最低,用Th对图像进行二值化。
8、迭代阈值法
迭代法图像二值化的算法思想是首先初始化一个阈值Th,然后按照某种策略通过迭代不断更新这一阈值,直到满足给定的约束条件为止。其基本步骤如下:首先对于一幅图像,假设当前像素为f(x,y),设定一阈值Th,跟据当前阈值,循环f(x,y),将图像分为两类像素的集合A,B;其次分别计算A,B集合的像素均值μA和μB;更新阈值Th为μA和μB的均值;最后判断当前计算阈值与上次计算阈值的差值是否满足约束条件,即两次阈值差值小于一约束值Th,若小于,则当前阈值Th即为所求最佳阈值,否则,继续求取A,B的像素均值μA和μB。
9、最大熵阈值法
一维最大熵法图像分割就是利用图像的灰度分布密度函数定义图像的信息熵,通过优化一定的熵准则得到熵最大时对应的阈值,从而进行图像分割的方法。算法的基本过程首先对于一幅灰度图像,灰度范围为[0,L-1],分别求取图像的最小灰度级min和最大灰度级max;其次按照熵的公式求取灰度t对应的熵值E(t);最后计算t从最小灰度min到最大灰度max之间不同灰度级所对应的熵值E(t),求取E(t)最大时所对应的灰度级t,该灰度级即为所求的阈值Th。
10、固定阈值分割
固定阈值分割即人为设定一个阈值Th,设定的阈值需要根据经验,参考前文的阈值,计算前述9种方法的平均阈值并设置为固定阈值,当图像当前像素小于该固定阈值,将该像素设为0,否者设为1,人为的设定阈值需要图像的灰度分布范围。
步骤400:利用集成阈值法分别对红外1波段和可见光波段的至少两种二值化阈值结果进行集成,并将红外1波段和可见光波段的二值化阈值集成结果进行合并,得到遥感影像的集成阈值云检测结果;
步骤400中,集成阈值法是基于多种阈值集成的一种云检测方法,相对于单个阈值方法,本申请通过一种结合策略将多个阈值继续集成,所得到的云检测结果可以比较好的反映出云检测结果。
在风云卫星遥感影像云检测过程中,使用投票的方式作为结合策略。影响阈值检测的参数主要为投票系数δ,δ决定了结合策略的结合程度。前述的十种阈值方法得到的云检测结果为(F1,,F2,......Fp),Fp为第p种阈值方法对应的云检测结果。为了找到更好的δ值,使用δ序列(δ1,,δ2,......,δi)作为投票系数,得到云检测结果如果标记得到的投票数超过投票系数δi,则检测结果为云,否则为非云。最后,选择最佳的值为集成阈值的云检测结果。
对于风云影像,由于可见光波段无法检测出无光照区域的云,而红外1波段能够比较全面的检测出有光照和无光照区域的云,如果可见光和红外1波段的阈值集成结果对应位置上至少有一个检测为云则将该位置标记为云,否则为非云。对于非风云影像,将红外1波段和可见光波段的阈值结果进行合成,取两个波段的云检测结果的并集作为云检测结果。
步骤500:根据遥感影像的集成阈值云检测结果和官方提供的的云检测结果共同构建随机森林的训练样本集;
步骤500中,在云检测中,官方提供的的云检测结果具体为NSMC(NationalSatellite Meteorological Centre,国家气象卫星中心)云检测结果。由于NSMC的云检测结果在边缘部分尤其是图像的上下端表现良好,在局部部分存在部分错检(例如将部分水体或者陆地错检为云),而本申请的集成阈值云检测结果在局部中间部分表现良好,在边缘部分检测存在多检,因此,为了保证实验的精度,本申请实施例中,分别取NSMC云检测结果的上下端各1/4部分以及集成阈值云检测结果的中间1/2部分作为随机森林的训练样本集的分类图像R。从NSMC云检测结果和集成阈值云检测结果合成的分类图像R中随机选取q1个有云像素点和q2个无云像素点作为原始训练样本,为了提高随机森林的模型预测能力,对原始训练样本进行一定的增强处理,除了选取当前像素点外,同时选取当前像素点附近的k*k邻域内的所有与当前像素点有一定亲和性的像素构成训练样本,并最终选取训练样本的5个波段像素点灰度值、5个波段像素点灰度值对应的均值和方差以及云和非云的标记作为训练特征。对于第i个像素点,取其3*3邻域,其对应的训练样本格式如下:
<x1,x2,...,x45,x46,...,x55>i,yi (4)
公式(4)中,x1到x45为5个波段中每个像素点3*3邻域9个像素的灰度值,x46到x55为5个波段像素点灰度值对应的均值和方差,yi为该像素点是云或者非云的标记。
步骤600:通过训练样本集构建随机森林检测模型,通过随机森林检测模型进行风云卫星遥感影像云检测;
步骤600中,随机森林检测模型构建原理具体为:首先需要定义两个参数n和m,其中n代表决策树的数量,m代表分裂每个节点上属性特征的数量。首先,从训练样本集中抽出n个训练样本,然后,将每个训练样本分别作为训练集生成单棵决策树,在树的每个节点处,从特征变量中随机选m个特征变量作为预测变量,从中选出一个最优的特征变量进行分类。随机森林采用分类与回归树(CART)算法来生成决策树。在CART算法中,每个节点是根据基尼指数(GINIIndex)来选择最佳分裂树形,对于给定的训练样本,基尼指数公式如下:
公式(5)中,T为学习器{h1,h2,...,hT}集合的个数,f(CiT)/|T|是所选类属于Ci的概率。
GINI指数可以衡量类间差异性,当GINI指数增加时,类间的差异性增加;反之,类间差异性减少。如果子节点的基尼指数小于父节点,则分裂该节点。当GINI指数为0时,终止分裂,一类被分离出来。当n个决策树生成森林时,用这些n个决策树的预测结果来预测新的数据集。
对于分类来说,学习器hi从类别标记集合(c1,c2,...,cN)中预测出一个标记,最常用的方法为投票法,将hi在样本x上的预测输出表示为一个N维向量则投票法的公式如下:
公式(6)中,是学习器hi在类别标记cj上的输出,若某标记得票数量过半,则预测为该标记,否则拒绝预测。
可以理解,本申请同样适用于其他类型的遥感影像云检测,在应用于没有官方云检测结果的遥感影像时,可通过手工标记检测结果与集成阈值云检测结果共同构建随机森林的训练样本集。
请参阅图2,是本申请实施例的风云卫星遥感影像云检测系统的结构示意图。本申请实施例的风云卫星遥感影像云检测系统包括波段提取模块、云特征增强模块、二值化模块、阈值集成模块、样本选取模块和模型构建模块。
波段提取模块:用于获取风云卫星遥感影像,并提取风云卫星遥感影像的红外1波段和可见光波段。
云特征增强模块:用于对红外1波段和可见光波段中的云特征进行增强处理;其中,云特征增强的方法包括直方图拉伸、灰度拉伸等。云特征增强能使得含云像素在遥感影像上更亮,非云像素在遥感影像上表现更暗,有助于遥感影像的后续处理。
二值化模块:用于利用至少两种阈值方法分别得到红外1波段和可见光波段的至少两种二值化阈值结果;由于单个阈值方法得到的云检测二值结果不够准确,采用至少两种阈值方法进行二值化,可以提高云检测二值结果的准确度。本申请实施例中,至少两种阈值方法为十种阈值方法,可以理解,阈值方法的数量可以根据实际应用进行设定。具体地,本申请实施例的十种阈值方法分别为:
1、大津法
大津法算法是按图像的灰度特性,将图像分成背景和前景两部分,分别得到前景灰度平均值和前景像素点占总像素点的概率以及背景灰度均值和背景占总像素点的概率、整幅图像的均值,计算方差。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致图像的两部分差别变小。因此,类间方差最大的分割意味着错分概率最小。
2、分块大津法
分块大津法即是将图像分成相同大小的不同块,针对每一块使用大津法阈值处理,分块大津法能够更好的保留局部特征,使得细节部分更加明显。
3、局部动态阈值法
局部动态阈值法是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值。每个像素位置处的二值化阈值不是固定不变的,而是由其周围邻域像素的分布来决定的。亮度较高的图像区域的二值化阈值通常会较高,而亮度较低的图像区域的二值化阈值则会相适应地变小。不同亮度、对比度、纹理的局部图像区域将会拥有相对应的局部二值化阈值。
4、全局阈值与局部阈值结合
首先为全局阈值选择一个初始估计值Th(图像的平均灰度),用Th分割图像,分割完成产生两种像素:G1像素由灰度值大于Th的像素组成,G2像素由小于等于T的像素组成。分别计算G1像素的平均灰度值m1和G2像素的平均灰度值m2,并计算m1和m2的均值作为新的阈值,最后重复前述步骤,直到连续迭代中的Th值间的差为零。局部阈值采用同样的原理,将局部阈值和全局阈值结合起来能比较好的得到局部二值化结果。
5、Wellner自适应阈值
Wellner自适应阈值方法首先遍历图像,将图像的所有行假设成一个行向量,对于每个像素计算一个移动的平均值,如果某个像素明显的低于这个平均值,则设置为黑色,否则设置为白色。
假设pn为图像中位于点n处的像素,fs(n)是点n处后s个像素的总和,最后的图像是T(n)为1(白色)或0(黑色),则依赖于其是否比其前s个像素的平均值的百分之t的暗,公式如下:
6、最小误差法
最小误差法的思想是假设灰度图像由目标和背景组成,且目标和背景满足一混合高斯分布,计算目标和背景的均值、方差,根据最小分类误差思想得到的最小误差目标函数,取目标函数最小时的阈值即为最佳阈值。最后按此阈值将图像二值化。
7、双峰法
双峰法图像分割是一种简单的分割算法,双峰法图像二值化就是根据双峰法得到的阈值对图像进行二值化。在直方图中有两个山峰状的图像分布,山峰的顶记为Hmax1和Hmax2,他们对应的灰度值分别为T1和T2,双峰法图像分割的思想就是找到图像两个山峰之间的谷地最低值,即在[T1,T2]的灰度范围内寻找阈值Th,使其满足对应的像素数目最少,表现在图像上就是高度最低,用Th对图像进行二值化。
8、迭代阈值法
迭代法图像二值化的算法思想是首先初始化一个阈值Th,然后按照某种策略通过迭代不断更新这一阈值,直到满足给定的约束条件为止。其基本步骤如下:首先对于一幅图像,假设当前像素为f(x,y),设定一阈值Th,跟据当前阈值,循环f(x,y),将图像分为两类像素的集合A,B;其次分别计算A,B集合的像素均值μA和μB;更新阈值Th为μA和μB的均值;最后判断当前计算阈值与上次计算阈值的差值是否满足约束条件,即两次阈值差值小于一约束值Th,若小于,则当前阈值Th即为所求最佳阈值,否则,继续求取A,B的像素均值μA和μB。
9、最大熵阈值法
一维最大熵法图像分割就是利用图像的灰度分布密度函数定义图像的信息熵,通过优化一定的熵准则得到熵最大时对应的阈值,从而进行图像分割的方法。算法的基本过程首先对于一幅灰度图像,灰度范围为[0,L-1],分别求取图像的最小灰度级min和最大灰度级max;其次按照熵的公式求取灰度t对应的熵值E(t);最后计算t从最小灰度min到最大灰度max之间不同灰度级所对应的熵值E(t),求取E(t)最大时所对应的灰度级t,该灰度级即为所求的阈值Th。
10、固定阈值分割
固定阈值分割即人为设定一个阈值Th,设定的阈值需要根据经验,参考前文的阈值,计算前述9种方法的平均阈值并设置为固定阈值,当图像当前像素小于该固定阈值,将该像素设为0,否者设为1,人为的设定阈值需要图像的灰度分布范围。
阈值集成模块:用于利用集成阈值法分别对红外1波段和可见光波段的至少两种二值化阈值结果进行集成,并将红外1波段和可见光波段的二值化阈值集成结果进行合并,得到遥感影像的集成阈值云检测结果;其中,集成阈值法是基于多种阈值集成的一种云检测方法,主要思想是单个阈值方法得到的云检测二值结果不够准确,由多个阈值通过一种结合策略得到的云检测结果可以比较好的反映出云检测结果。
在风云卫星遥感影像云检测过程中,使用投票的方式作为结合策略。影响阈值检测的参数主要为投票系数δ,δ决定了结合策略的结合程度。前述的十种阈值方法得到的云检测结果为(F1,,F2,......Fp),Fp为第p种阈值方法对应的云检测结果。为了找到更好的δ值,使用δ序列(δ1,,δ2,......,δi)作为投票系数,得到云检测结果如果某个像素标记得到的投票数超过投票系数δi,则检测结果为云,否则为非云。最后,选择最佳的值为集成阈值的云检测结果。
对于风云影像,由于可见光波段无法检测出无光照区域的云,而红外1波段能够比较全面的检测出有光照和无光照区域的云,如果可见光和红外1波段的阈值集成结果对应位置上至少有一个检测为云则将该位置标记为云,否则为非云。对于非风云影像,将红外1波段和可见光波段的阈值结果进行合成,取两个波段的云检测结果的并集作为云检测结果。
样本选取模块:用于根据遥感影像的集成阈值云检测结果和官方提供的云检测结果构建随机森林的训练样本集;其中,在云检测中,由于NSMC的云检测结果在边缘部分尤其是图像的上下端表现良好,在局部部分存在部分错检(例如将部分水体或者陆地错检为云),而本申请的集成阈值云检测结果在局部中间部分表现良好,在边缘部分检测存在多检,因此,为了保证实验的精度,本申请实施例中,分别取NSMC云检测结果的上下端各1/4部分以及集成阈值云检测结果的中间1/2部分作为随机森林的训练样本集的分类图像R。从NSMC云检测结果和集成阈值云检测结果合成的分类图像R中随机选取q1个有云像素点和q2个无云像素点作为原始训练样本,为了提高随机森林的模型预测能力,对原始训练样本进行一定的增强处理,除了选取当前像素点外,同时选取当前像素点附近的k*k邻域内的所有与当前像素点有一定亲和性的像素构成训练样本,并最终选取训练样本的5个波段像素点灰度值、5个波段像素点灰度值对应的均值和方差以及云和非云的标记作为训练特征。对于第i个像素点,取其3*3邻域,其对应的训练样本格式如下:
<x1,x2,...,x45,x46,...,x55>i,yi (4)
公式(4)中,x1到x45为5个波段中每个像素点3*3邻域9个像素的灰度值,x46到x55为5个波段像素点灰度值对应的均值和方差,yi为该像素点是云或者非云的标记。
模型构建模块:用于通过训练样本集构建随机森林检测模型,通过随机森林检测模型进行风云卫星遥感影像云检测;其中,随机森林检测模型构建原理具体为:首先需要定义两个参数n和m,其中n代表决策树的数量,m代表分裂每个节点上属性特征的数量。首先,从训练样本集中抽出n个训练样本,然后,将每个训练样本分别作为训练集生成单棵决策树,在树的每个节点处,从特征变量中随机选m个特征变量作为预测变量,从中选出一个最优的特征变量进行分类。随机森林采用分类与回归树(CART)算法来生成决策树。在CART算法中,每个节点是根据基尼指数(GINI Index)来选择最佳分裂树形,对于给定的训练样本,基尼指数公式如下:
公式(5)中,T为学习器{h1,h2,...,hT}集合的个数,f(CiT)/|T|是所选类属于Ci的概率。
GINI指数可以衡量类间差异性,当GINI指数增加时,类间的差异性增加;反之,类间差异性减少。如果子节点的基尼指数小于父节点,则分裂该节点。当GINI指数为0时,终止分裂,一类被分离出来。当n个决策树生成森林时,用这些n个决策树的预测结果来预测新的数据集。
对于分类来说,学习器hi从类别标记集合(c1,c2,...,cN)中预测出一个标记,最常用的方法为投票法,将hi在样本x上的预测输出表示为一个N维向量则投票法的公式如下:
公式(6)中,是学习器hi在类别标记cj上的输出,若某标记得票数量过半,则预测为该标记,否则拒绝预测。
图3是本申请实施例提供的风云卫星遥感影像云检测方法的硬件设备结构示意图。如图3所示,该设备包括一个或多个处理器以及存储器。以一个处理器为例,该设备还可以包括:输入系统和输出系统。
处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接,图3中以通过总线连接为例。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述方法实施例的处理方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入系统可接收输入的数字或字符信息,以及产生信号输入。输出系统可包括显示屏等显示设备。
所述一个或者多个模块存储在所述存储器中,当被所述一个或者多个处理器执行时,执行上述任一方法实施例的以下操作:
步骤a:提取风云卫星遥感影像的红外1波段和可见光波段,并利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;
步骤b:利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;
步骤c:根据所述集成阈值云检测结果与官方提供的云检测结果共同选取随机森林的训练样本集;
步骤d:通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。
上述产品可执行本申请实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请实施例提供的方法。
本申请实施例提供了一种非暂态(非易失性)计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行以下操作:
步骤a:提取风云卫星遥感影像的红外1波段和可见光波段,并利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;
步骤b:利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;
步骤c:根据所述集成阈值云检测结果与官方提供的云检测结果共同选取随机森林的训练样本集;
步骤d:通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。
本申请实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行以下操作:
步骤a:提取风云卫星遥感影像的红外1波段和可见光波段,并利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;
步骤b:利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;
步骤c:根据所述集成阈值云检测结果与官方提供的云检测结果共同选取随机森林的训练样本集;
步骤d:通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。
为了验证本申请的可行性和有效性,利用多幅包含云的FY-2G影像测试本申请的有效性,同时与手工标注有云图像、NSMC云检测、基于NSMC云检测的随机森林云检测(NSMC-RF)、集成阈值云检测(ET)、直接基于集成阈值结果的随机森林云检测结果(ET-RF)进行了比较,具体如图4至图7所示,其中,图4为第一实施例的NSMC少检各个方法的云检测结果,图4(a)为可见光图像,图4(b)为手工标记云检测,图4(c)为NSMC云检测,图4(d)为NSMC-RF云检测,图4(e)为ET-RF云检测,图4(f)为本发明云检测。图5为第二实施例的NSMC少检各个方法的云检测结果,图5(a)为可见光图像,图5(b)为手工标记云检测,图5(c)为NSMC云检测,图5(d)为NSMC-RF云检测,图5(e)为ET-RF云检测,图5(f)为本发明云检测。图6为第三实施例的NSMC多检各个方法的云检测结果,图6(a)为可见光图像,图6(b)为手工标记云检测,图6(c)为NSMC云检测,图6(d)为NSMC-RF云检测,图6(e)为ET-RF云检测,图6(f)为本发明云检测。图7为第四实施例的NSMC多检各个方法的云检测结果,图7(a)为可见光图像,图7(b)为手工标记云检测,图7(c)为NSMC云检测,图7(d)为NSMC-RF云检测,图7(e)为ET-RF云检测,图7(f)为本发明云检测。其中NSMC-RF云检测方法是以NSMC云检测的结果作为随机森林的训练样本,将训练得到的模型应用于云检测;ET-RF云检测方法是以集成阈值的云检测结果作为随机森林训练样本,将训练得到的模型做云检测。为客观评价各算法的结果图像的对比度,采用命中率(Probability of Detection,POD)、误报率(False Alarm Ratio,FAR)和临界成功指数(Critical Success Index,CSI)来评价本申请,即:
公式(7)中,NH表示FY-2G的云检测结果和手工标记云检测都为云的像素点数,NM表示FY-2G云检测结果中无云而手工标记云检测有云的像素点数,NF表示FY-2G云检测结果中有云而手工标记云检测中无云的像素点数。POD越高,则检测的正确率越高;FAR越低则,检测的错误率越低;临界成功指数能够反映检测结果接近真实值的综合度量。
根据16张子图统计的评价结果如图8所示,其中,图8(a)为正确率(POD);图8(b)为误报率(FAR);图8(c)为临界成功指数(CSI);图8(d)为指标均值;图8(e)为指标标准差。评价结果显示,本申请的POD值总是最高的,即本申请能够正确的标记云,并能够有效地改善NSMC中的错检情况,同时有效地提高了云检测效率。NSMC云检测的POD值不断波动,误检率较高导致POD值一直处于最低。NSMC云检测在取自边缘区域的第15和16个子图中的云检测结果与手工标记结果很接近,ET和ET-RF云检测也表现良好。在一些图像中,NSMC云检测和NSMC-RF云检测结果的FAR比其他方法高,说明这两种方法错检更明显。从CSI指标走势可以看出,本申请方法在所有子图中的表现最好,而其他方法的CSI指标在不同的图像中不断的波动。除边缘区域的15和16子图外,ET和ET-RF方法优于NSMC和NSMC-RF方法。各个指标的平均值表明,本申请具有最高的POD、CSI值,最低的FAR值,具有更稳定的云检测结果。
本申请实施例的风云卫星遥感影像云检测方法、系统及电子设备通过使用一个时刻的源图像数据来筛选训练样本,然后用训练样本进行随机森林训练得到相应预测模型,使用该预测模型测试其他日期或者其他时刻的源图像,达到云检测的目的,有效的改善了云的错检和漏检情况,提高云检测精度,并提高遥感影像的利用率。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本申请所示的这些实施例,而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种风云卫星遥感影像云检测方法,其特征在于,包括以下步骤:
步骤a:提取风云卫星遥感影像的红外1波段和可见光波段,并利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;
步骤b:利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;
步骤c:根据所述集成阈值云检测结果与官方提供的云检测结果共同选取随机森林的训练样本集;
步骤d:通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。
2.根据权利要求1所述的风云卫星遥感影像云检测方法,其特征在于,在所述步骤b中,所述利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,并将所述红外1波段和可见光波段的阈值集成结果进行合并,得到所述遥感影像的集成阈值云检测结果具体为:使用投票的方式作为结合策略,投票系数δ决定结合策略的结合程度;设所述十种阈值方法得到的云检测结果为(F1,,F2,......Fp),Fp为第p种阈值方法对应的云检测结果,使用δ序列(δ1,,δ2,......,δi)作为投票系数,得到云检测结果如果某个像素标记得到的投票数超过投票系数δi,则检测结果为云,否则为非云;最后,选择最佳的值为集成阈值的云检测结果。
3.根据权利要求2所述的风云卫星遥感影像云检测方法,其特征在于,在所述步骤c中,所述根据集成阈值云检测结果和官方提供的云检测结果共同选取随机森林的训练样本集具体为:分别选取官方云检测结果的上下端各1/4部分以及所述集成阈值云检测结果的中间1/2部分作为随机森林的训练样本集的分类图像R;从所述分类图像R中随机选取q1个有云像素点和q2个无云像素点作为原始训练样本,选取当前像素点,同时选取当前像素点附近的k*k邻域内的像素点构成训练样本,并选取训练样本的5个波段像素点灰度值、5个波段像素点灰度值对应的均值和方差以及云和非云的标记作为训练特征。
4.根据权利要求3所述的风云卫星遥感影像云检测方法,其特征在于,在所述步骤d中,所述通过训练样本集构建随机森林检测模型具体为:定义参数n和m,其中n代表决策树的数量,m代表分裂每个节点上属性特征的数量;从所述训练样本集中抽出n个训练样本,将每个训练样本分别作为训练集生成单棵决策树,在所述决策树的每个节点处,从特征变量中随机选m个特征变量作为预测变量,并选取一个最优的特征变量进行分类;所述随机森林采用分类与回归树算法生成决策树,每个节点根据GINI指数选择最佳分裂树形,所述GINI指数公式为:
上述公式中,T为学习器{h1,h2,...,hT}集合的个数,f(CiT)/|T|是所选类属于Ci的概率;如果子节点的基尼指数小于父节点,则分裂该节点;当GINI指数为0时,终止分裂,一类被分离出来;当n个决策树生成森林时,用所述n个决策树的预测结果预测新的数据集。
5.一种风云卫星遥感影像云检测系统,其特征在于,包括:
波段提取模块:用于提取风云卫星遥感影像的红外1波段和可见光波段;
二值化模块:用于利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;
阈值集成模块:用于利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;
样本选取模块:用于根据所述集成阈值云检测结果与官方提供的云检测结果共同选取随机森林的训练样本集;
模型构建模块:用于通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。
6.根据权利要求5所述的风云卫星遥感影像云检测系统,其特征在于,所述阈值集成模块利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,并将所述红外1波段和可见光波段的阈值集成结果进行合并,得到所述遥感影像的集成阈值云检测结果具体为:使用投票的方式作为结合策略,投票系数δ决定结合策略的结合程度;设所述十种阈值方法得到的云检测结果为(F1,,F2,......Fp),Fp为第p种阈值方法对应的云检测结果,使用δ序列(δ1,,δ2,......,δi)作为投票系数,得到云检测结果如果某个像素标记得到的投票数超过投票系数δi,则检测结果为云,否则为非云;最后,选择最佳的值为集成阈值的云检测结果。
7.根据权利要求6所述的风云卫星遥感影像云检测系统,其特征在于,所述样本选取模块根据集成阈值云检测结果和官方提供的云检测结果共同选取随机森林的训练样本集具体为:分别选取官方云检测结果的上下端各1/4部分以及所述集成阈值云检测结果的中间1/2部分作为随机森林的训练样本集的分类图像R;从所述分类图像R中随机选取q1个有云像素点和q2个无云像素点作为原始训练样本,选取当前像素点,同时选取当前像素点附近的k*k邻域内的像素点构成训练样本,并选取训练样本的5个波段像素点灰度值、5个波段像素点灰度值对应的均值和方差以及云和非云的标记作为训练特征。
8.根据权利要求7所述的风云卫星遥感影像云检测系统,其特征在于,所述模型构建模块通过训练样本集构建随机森林检测模型具体为:定义参数n和m,其中n代表决策树的数量,m代表分裂每个节点上属性特征的数量;从所述训练样本集中抽出n个训练样本,将每个训练样本分别作为训练集生成单棵决策树,在所述决策树的每个节点处,从特征变量中随机选m个特征变量作为预测变量,并选取一个最优的特征变量进行分类;所述随机森林采用分类与回归树算法生成决策树,每个节点根据GINI指数选择最佳分裂树形,所述GINI指数公式为:
上述公式中,T为学习器{h1,h2,...,hT}集合的个数,f(CiT)/|T|是所选类属于Ci的概率;如果子节点的基尼指数小于父节点,则分裂该节点;当GINI指数为0时,终止分裂,一类被分离出来;当n个决策树生成森林时,用所述n个决策树的预测结果预测新的数据集。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述1至4任一项所述的风云卫星遥感影像云检测方法的以下操作:
步骤a:提取风云卫星遥感影像的红外1波段和可见光波段,并利用至少两种阈值方法分别得到所述红外1波段和可见光波段的至少两种二值化阈值结果;
步骤b:利用集成阈值法分别对所述红外1波段和可见光波段的至少两种二值化阈值结果进行集成,得到所述遥感影像的集成阈值云检测结果;
步骤c:根据所述集成阈值云检测结果和官方提供的云检测结果共同选取随机森林的训练样本集;
步骤d:通过所述训练样本集构建随机森林检测模型,通过所述随机森林检测模型进行风云卫星遥感影像云检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811537641.5A CN109740639B (zh) | 2018-12-15 | 2018-12-15 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811537641.5A CN109740639B (zh) | 2018-12-15 | 2018-12-15 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109740639A true CN109740639A (zh) | 2019-05-10 |
CN109740639B CN109740639B (zh) | 2021-02-19 |
Family
ID=66360344
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811537641.5A Active CN109740639B (zh) | 2018-12-15 | 2018-12-15 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109740639B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096454A (zh) * | 2019-05-15 | 2019-08-06 | 武昌理工学院 | 一种基于非易失存储器的遥感数据快存方法 |
CN111160439A (zh) * | 2019-12-24 | 2020-05-15 | 西北工业大学 | 一种无人机系统自主能力评价方法、系统及可读存储介质 |
CN111798461A (zh) * | 2020-06-19 | 2020-10-20 | 武汉大学 | 粗粒度标签引导深度学习的像素级遥感影像云区检测方法 |
CN112131789A (zh) * | 2020-09-18 | 2020-12-25 | 中国人民解放军国防科技大学 | 一种基于随机森林算法的多光谱降水检测系统及方法 |
CN112200787A (zh) * | 2020-10-15 | 2021-01-08 | 中国科学院空天信息创新研究院 | 光学遥感影像的云检测方法、存储介质及系统 |
CN112419278A (zh) * | 2020-11-25 | 2021-02-26 | 上海应用技术大学 | 一种基于深度学习的实木地板分类方法 |
CN113077422A (zh) * | 2021-03-22 | 2021-07-06 | 浙江大华技术股份有限公司 | 起雾图像检测方法、模型训练方法及装置 |
CN113284066A (zh) * | 2021-05-28 | 2021-08-20 | 生态环境部卫星环境应用中心 | 遥感影像自动云检测方法和装置 |
CN113570642A (zh) * | 2021-06-10 | 2021-10-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于背景场资料和机器学习的静止轨道卫星对流初生预警方法 |
CN115424131A (zh) * | 2022-07-19 | 2022-12-02 | 南京航空航天大学 | 一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472501A (zh) * | 2013-09-06 | 2013-12-25 | 中国气象科学研究院 | 云检测及全天空总云量检测方法和系统 |
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 |
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
CN103500449B (zh) * | 2013-09-26 | 2016-05-04 | 西安空间无线电技术研究所 | 一种星上可见光遥感图像云检测方法 |
CN105844295A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 |
CN105893977A (zh) * | 2016-04-25 | 2016-08-24 | 福州大学 | 一种基于自适应特征选择的水稻制图方法 |
CN107610114A (zh) * | 2017-09-15 | 2018-01-19 | 武汉大学 | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 |
CN108985365A (zh) * | 2018-07-05 | 2018-12-11 | 重庆大学 | 基于深度子空间切换集成学习的多源异构数据融合方法 |
-
2018
- 2018-12-15 CN CN201811537641.5A patent/CN109740639B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103472501A (zh) * | 2013-09-06 | 2013-12-25 | 中国气象科学研究院 | 云检测及全天空总云量检测方法和系统 |
CN103500449B (zh) * | 2013-09-26 | 2016-05-04 | 西安空间无线电技术研究所 | 一种星上可见光遥感图像云检测方法 |
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 |
CN105260729A (zh) * | 2015-11-20 | 2016-01-20 | 武汉大学 | 一种基于随机森林的卫星遥感影像云量计算方法 |
CN105844295A (zh) * | 2016-03-21 | 2016-08-10 | 北京航空航天大学 | 一种基于颜色模型与运动特征的视频烟雾精细分类方法 |
CN105893977A (zh) * | 2016-04-25 | 2016-08-24 | 福州大学 | 一种基于自适应特征选择的水稻制图方法 |
CN107610114A (zh) * | 2017-09-15 | 2018-01-19 | 武汉大学 | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 |
CN108985365A (zh) * | 2018-07-05 | 2018-12-11 | 重庆大学 | 基于深度子空间切换集成学习的多源异构数据融合方法 |
Non-Patent Citations (6)
Title |
---|
GUOQING ZHOU ET AL.: ""AN OPTIONAL THRESHOLD WITH SVM CLOUD DETECTION ALGORITHM AND DSP IMPLEMENTATION"", 《THE INTERNATIONAL ARCHIVES OF THE PHOTOGRAMMETRY, REMOTE SENSING AND SPATIAL INFORMATION SCIENCES》 * |
PENG LI ET AL.: ""A cloud image detection method based on SVM vector machine"", 《NEUROCOMPUTING 2015》 * |
任鹏洲等: ""基于随机森林算法构建Hpperion影像云和云阴影掩膜"", 《林业调查规划》 * |
刘希等: ""用双通道动态阈值对 GMS-5 图像进行自动云检测"", 《应用气象学报》 * |
罗会兰等: ""一种基于集成学习技术的图像分割算法的研究"", 《江西理工大学学报》 * |
韩燕等: ""随机森林算法在干旱区土地利用遥感分类中的应用研究"", 《石河子大学学报:自然科学版》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096454B (zh) * | 2019-05-15 | 2021-06-01 | 武昌理工学院 | 一种基于非易失存储器的遥感数据快存方法 |
CN110096454A (zh) * | 2019-05-15 | 2019-08-06 | 武昌理工学院 | 一种基于非易失存储器的遥感数据快存方法 |
CN111160439A (zh) * | 2019-12-24 | 2020-05-15 | 西北工业大学 | 一种无人机系统自主能力评价方法、系统及可读存储介质 |
CN111798461A (zh) * | 2020-06-19 | 2020-10-20 | 武汉大学 | 粗粒度标签引导深度学习的像素级遥感影像云区检测方法 |
CN112131789A (zh) * | 2020-09-18 | 2020-12-25 | 中国人民解放军国防科技大学 | 一种基于随机森林算法的多光谱降水检测系统及方法 |
CN112131789B (zh) * | 2020-09-18 | 2023-11-21 | 中国人民解放军国防科技大学 | 一种基于随机森林算法的多光谱降水检测系统及方法 |
CN112200787A (zh) * | 2020-10-15 | 2021-01-08 | 中国科学院空天信息创新研究院 | 光学遥感影像的云检测方法、存储介质及系统 |
CN112200787B (zh) * | 2020-10-15 | 2022-12-02 | 中国科学院空天信息创新研究院 | 光学遥感影像的云检测方法、存储介质及系统 |
CN112419278A (zh) * | 2020-11-25 | 2021-02-26 | 上海应用技术大学 | 一种基于深度学习的实木地板分类方法 |
CN112419278B (zh) * | 2020-11-25 | 2024-04-19 | 上海应用技术大学 | 一种基于深度学习的实木地板分类方法 |
CN113077422B (zh) * | 2021-03-22 | 2023-08-15 | 浙江大华技术股份有限公司 | 起雾图像检测方法、模型训练方法及装置 |
CN113077422A (zh) * | 2021-03-22 | 2021-07-06 | 浙江大华技术股份有限公司 | 起雾图像检测方法、模型训练方法及装置 |
CN113284066A (zh) * | 2021-05-28 | 2021-08-20 | 生态环境部卫星环境应用中心 | 遥感影像自动云检测方法和装置 |
CN113570642B (zh) * | 2021-06-10 | 2024-01-05 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于背景场资料和机器学习的静止轨道卫星对流初生预警方法 |
CN113570642A (zh) * | 2021-06-10 | 2021-10-29 | 国家卫星气象中心(国家空间天气监测预警中心) | 基于背景场资料和机器学习的静止轨道卫星对流初生预警方法 |
CN115424131B (zh) * | 2022-07-19 | 2023-04-21 | 南京航空航天大学 | 一种云检测最优阈值选取方法、云检测方法及系统 |
CN115424131A (zh) * | 2022-07-19 | 2022-12-02 | 南京航空航天大学 | 一种基于绝对像素的遥感影像云检测最优阈值选取方法、云检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109740639B (zh) | 2021-02-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109740639A (zh) | 一种风云卫星遥感影像云检测方法、系统及电子设备 | |
US10984532B2 (en) | Joint deep learning for land cover and land use classification | |
US11521380B2 (en) | Shadow and cloud masking for remote sensing images in agriculture applications using a multilayer perceptron | |
EP3614308A1 (en) | Joint deep learning for land cover and land use classification | |
Sadeghi-Tehran et al. | Multi-feature machine learning model for automatic segmentation of green fractional vegetation cover for high-throughput field phenotyping | |
CN103971115B (zh) | 一种基于NDVI和PanTex指数的新增建设用地图斑自动提取方法 | |
CN109063754B (zh) | 一种基于OpenStreetMap的遥感影像多特征联合分类方法 | |
CN109726649A (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN110569747A (zh) | 一种利用图像金字塔与Faster-RCNN快速统计大田水稻稻穗数的方法 | |
Zhang et al. | A GANs-based deep learning framework for automatic subsurface object recognition from ground penetrating radar data | |
KR102540762B1 (ko) | 위성영상을 이용한 저수지 모니터링 방법 | |
CN106446933A (zh) | 基于上下文信息的多目标检测方法 | |
Lam | Methodologies for mapping land cover/land use and its change | |
CN111639587A (zh) | 基于多尺度谱空卷积神经网络的高光谱图像分类方法 | |
CN106485239A (zh) | 一种利用单类支持向量机检测河流目标的方法 | |
CN109543585A (zh) | 基于卷积神经网络的水下光学目标检测与识别方法 | |
La Rosa et al. | Land cover and impervious surface extraction using parametric and non-parametric algorithms from the open-source software R: An application to sustainable urban planning in Sicily | |
Leinonen et al. | Unsupervised classification of snowflake images using a generative adversarial network and K-medoids classification | |
JP2019185787A (ja) | 地理的地域内のコンテナのリモート決定 | |
CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
Costa et al. | Spatio-temporal segmentation applied to optical remote sensing image time series | |
CN116863341B (zh) | 基于时间序列卫星遥感影像的作物分类和识别方法和系统 | |
CN110310263A (zh) | 一种基于显著性分析和背景先验的sar图像居民区检测方法 | |
JP2015023858A (ja) | 林相解析装置、林相解析方法及びプログラム | |
Zakiyyah et al. | Characterization and Classification of Citrus reticulata var. Keprok Batu 55 Using Image Processing and Artificial Intelligence |
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 |