CN110567886A - 基于半监督空谱特征的多光谱云检测方法 - Google Patents

基于半监督空谱特征的多光谱云检测方法 Download PDF

Info

Publication number
CN110567886A
CN110567886A CN201910852794.7A CN201910852794A CN110567886A CN 110567886 A CN110567886 A CN 110567886A CN 201910852794 A CN201910852794 A CN 201910852794A CN 110567886 A CN110567886 A CN 110567886A
Authority
CN
China
Prior art keywords
image
cloud
multispectral
detection
multispectral 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
Application number
CN201910852794.7A
Other languages
English (en)
Other versions
CN110567886B (zh
Inventor
谢卫莹
白凯玮
李云松
雷杰
阳健
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shaanxi Silk Road Tiantu Satellite Technology Co ltd
Xi'an Tongyuan Essen Enterprise Management Consulting Partnership LP
Xidian University
Original Assignee
Xian University of Electronic Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian University of Electronic Science and Technology filed Critical Xian University of Electronic Science and Technology
Priority to CN201910852794.7A priority Critical patent/CN110567886B/zh
Publication of CN110567886A publication Critical patent/CN110567886A/zh
Application granted granted Critical
Publication of CN110567886B publication Critical patent/CN110567886B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing
    • G01N2021/1795—Atmospheric mapping of gases

Landscapes

  • Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于半监督空谱特征的多光谱图像云检测方法，主要解决现有技术中对背景复杂以及云层较厚的多光谱图像中误检和漏检云目标较多的问题。本发明的实现：输入多光谱图像；对多光谱图像实施波段选择，选取可见光波段；得到多光谱图像的空间特征图像；在空间特征图像中提取云目标光谱；用约束能量最小化算法，得到多光谱图像的云目标检测结果。本发明使用波段选择选取可见光波段图像，利用图像分解方法提取光谱特征和空间特征进行云目标检测，不但减少了对较厚云层的误检和漏检，而且能够更好地区分多光谱图像中的云目标和复杂的背景，具有检测结果误检云目标少、检测结果漏检云目标少的优点，应用于遥感图像的云检测。

Description

基于半监督空谱特征的多光谱云检测方法
技术领域
本发明属于图像处理技术领域，涉及遥感图像的云检测，具体是一种基于半监督空谱特征的多光谱云检测方法。本发明可用于从遥感图像中检测出云目标。
背景技术
随着遥感技术的迅速发展，遥感图像被广泛应用于军事目标识别、环境监测、气象分析、矿产开发、地理测绘等各个领域，然而并非所有影像都可满足信息智能化处理的要求，其中一个很重要的因素就是云层的覆盖，相关统计表明在任何时候50％地球表面都被云层覆盖。云层的存在,一方面对地物产生了遮挡,造成地表信息的缺失,给目标识别、变化检测、地物分类等带来不利影响,另一方面,在4D产品的生产过程中含云量较多的影像往往被弃之不用,造成影像数据的浪费。因此对遥感影像上的云层进行检测,对于后续的云区修复处理、图像分析、影像匹配、目标检测和提取等都具有十分重要的意义。
武汉大学在其申请的专利文献“一种基于高斯混合模型的卫星影像自动云检测方法”(专利申请号：201610259961.3，公布号：105894520B)中提出了一种基于高斯混合模型的卫星影像自动云检测方法。该方法首先统计卫星影像的原始灰度直方图，预处理灰度直方图以消除干扰，并对灰度直方图构建高斯混合模型；然后确定分割云区域的灰度阈值；最后采用灰度阈值分割云区域。该方法虽然通过构建高斯混合模型，可以提高云检测精度，但是，该方法仍存在的不足之处是，由于多光谱图像背景复杂，干扰信息较多，将该云检测方法直接应用于背景复杂以及云层较厚的多光谱图像，容易产生误检和漏检，导致云检测的精度低。
胡敬锋在其发表的论文“基于改进M型卷积网络的RGB彩色遥感图像云检测”(激光与光电子学进展,2019,56(18))中提出了基于改进M型卷积网络的RGB的彩色遥感图像云检测方法。该方法首先对原始数据集进行增强，并标注对应的像素级标签；然后空洞空间金字塔池化在不丢失信息的前提下提取图像多尺度特征，并结合残差单元使网络不易出现退化；最后利用编码器模块与左路径提取图像全局上下文信息，解码器模块与右路径恢复图像空间分辨率，根据融合后的特征判别每个像元的类别概率，输入分类器进行像素级的云和非云分割。该方法虽然利用M型卷积模型实现像素级的语义分割，最终达到了较好的云检测效果，但是，该方法仍然存在的不足之处是，由于光谱图像的波段较多，使得M型卷积网络训练过程复杂繁琐，并且使用像素级的云区域检测方法会使得检测结果中出现空洞和断裂等情况，导致检测结果出现漏检、虚警率上升，云检测精度降低。
现有云检测技术对于热红外光谱依赖较大并且多是像素级的云检测方法，它们对遥感图像的分辨率要求过高，并且对背景复杂以及云层较厚的多光谱图像云检测精度较低。
发明内容
本发明的目的在于针对上述现有技术的不足，提出一种对背景复杂以及云层较厚的多光谱图像云检测精度较高的基于半监督空谱特征的多光谱图像云检测方法。
本发明是一种基于半监督空谱特征的多光谱图像云检测方法，其特征在于，包括有如下步骤：
(1)输入多光谱图像：输入要进行检测的带有云干扰的多光谱图像，并提取其自协矩阵R和多光谱数据B；
(2)对多光谱图像实施波段选择：利用波段选择算法在输入的多光谱图像中选取可见光波段图像，用于多光谱图像的空间特征提取；
(3)得到多光谱图像的空间特征图像：通过对可见光波段图像利用图像分解方法提取其空间特征图像的特征，得到多光谱图像的空间特征图像D；
(4)在空间特征图像中提取云目标光谱：在空间特征图像D中根据所设阈值提取云目标的光谱向量，最终得到云目标光谱d；
(4a)设置阈值，阈值为像素点最大值的1/4；
(4b)记录空间特征图像D中大于该阈值点的坐标；
(4c)返回输入的多光谱图像，提取相应坐标的光谱向量；
(4d)对提取到的光谱向量求取平均值，得到云目标光谱d；
(5)得到多光谱图像的云目标检测结果：利用得到云目标光谱d、输入的多光谱图像数据B以及输入的多光谱图像的自协矩阵R，使用约束能量最小化算法，得到多光谱图像的云目标的检测结果D1。
本发明与其他现有多光谱图像云检测方法相比，能够适用于大多数多光谱图像并且能够充分利用多光谱图像的空间图像的特征，对背景复杂云层较厚云的多光谱图像，得到较高的多光谱图像云检测精度。
本发明与现有的技术相比具有以下优点：
第一，因采用可见光波段进行云检测，扩大了应用范围：本发明由于对多光谱图像进行了波段选择，选取可见光波段图像进行云检测，克服了现有云检测技术中大多仅对热红外波段的依赖，使得本发明可以应用于绝大多数多光谱图像，本发明扩大了对遥感图像的云检测的应用范围。
第二，提高了多光谱图像云检测效率：本发明由于利用图像分解方法提取空间图像的特征进行云检测，克服了现有技术中对多光谱图像进行主成分分析降维的计算复杂的问题，使得本发明在空间特征检测的过程简单，提高了多光谱图像云检测的效率。
第三，提高了背景复杂及较厚云层的检测精度：本发明由于利用约束能量最小化方法得到多光谱图像的云目标，克服了现有技术对背景复杂以及云层较厚的多光谱图像云检测的错检率、漏检率较高的问题，使得本发明充分利用了多光谱图像中的空间特征，提高了对背景复杂以及云层较厚的多光谱图像的云检测精度。
附图说明
图1是本发明的流程图；
图2是采用本发明与Kmeans方法对带有云目标的中国太湖的真实多光谱图像的仿真图，其中图2(a)来自于Landsat 8高遥感卫星采集的带有云目标的中国太湖的真实多光谱图像，图2(b)是采用本发明方法的仿真实验结果图，图2(c)是采用Kmeans方法的检测结果图；
图3是采用本发明与SVM方法对带有云目标的中国洛阳的真实多光谱图像的仿真图，其中图3(a)为来自于Landsat 8高遥感卫星采集的带有云目标的中国洛阳的真实多光谱图像，图3(b)为采用本发明方法的仿真实验结果图，图3(c)为采用SVM方法的检测结果图。
具体实施方式
实施例1
随着社会科技的进一步发展，人们获取遥感影像逐渐变得普及起来，并且对遥感影像的需求已经运用到了自然灾害救灾预测、地球资源探测等各个方面上。然而在遥感图像的形成中，云层的遮挡是对遥感图像质量干扰严重的主要问题，这不但会造成采集信息的丢失，还会给目标探测或目标识别等后续处理带来困难，因此，对遥感影像上的云层进行检测，对遥感影像进行修复以及后续的图像分析、影像匹配等都有十分重要的意义。
云检测的方法可以分为两类，利用热红外波段和未利用热红外波段。利用热红外波段可以获得较好的精度，但是大多数高分辨率卫星没有热红外波段，例如GF-1/2卫星，这样就限制了利用热红外波段进行云检测的应用范围。遥感图像的云检测主要是利用云的高反射率和高温特性，或利用云的形状、灰度、纹理信息等进行云检测。目前，现有方法通过利用云的上述各种特征，实现了云检测，但是它们对于背景复杂以及云层较厚的多光谱图像的云检测效果不是很理想。近几年随着科学技术的发展，神经网络聚类、SVM等，科技含量比较高的方法在云检测领域也得到了运用和发展。这些新的技术方法有着精确度高、准确率高、可适应多种复杂天气环境等优势，但另一方面这类新的技术方法运算量大，运算模式复杂，在一般情况条件下不利于实现。
针对上述问题本发明经过研究提出一种基于半监督空谱特征的多光谱图像云检测方法，参见图1，包括有如下步骤：
(1)输入多光谱图像：输入要进行检测的带有云干扰的多光谱图像，得到其自协矩阵R和多光谱数据B。
(2)对多光谱图像实施波段选择，选取多光谱图像中的可见光波段：利用波段选择算法在输入的多光谱图像中选取可见光波段图像，用于多光谱图像的空间特征提取。
波段选择是为了解决某一具体问题而从遥感器获取的多波段数据中挑选出一个或多个波段的过程。波段选择在遥感数据处理和解译应用中非常重要,选择好的波段往往是解决具体问题的前提。本发明选取可见光波段进行云检测减少了云检测技术对于热红外波段的依赖，扩大了云检测技术在多光谱图像中的应用。
(3)得到多光谱图像的空间特征图像：通过对可见光波段图像利用图像分解方法提取其空间特征图像的特征，得到多光谱图像的空间特征图像D。
图像分割就是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。本发明利用图像分割的方提取多光谱图像的光谱空间特征，最终取得多光谱图像的空间图像用于多光谱图像的云检测。
(4)在空间特征图像中提取云目标光谱：在空间特征图像D中根据所设阈值提取云目标的光谱向量，最终得到云目标光谱d。
(4a)设置阈值，阈值为像素点最大值的1/4；
(4b)记录空间特征图像D中大于该阈值点的坐标；
(4c)返回输入的多光谱图像，提取相应坐标的光谱向量；
(4d)对提取到的光谱向量求取平均值，得到云目标光谱d。
(5)利用约束能量最小化算法，得到多光谱图像的云目标检测结果：利用得到云目标光谱d及输入的多光谱图像数据B使用约束能量最小化算法，得到多光谱图像的云目标的检测结果D1。
本发明提供了一种基于半监督空谱特征的多光谱云检测方法的整体技术方案。
本发明的技术手段是：利用波段选择和图像分解方法提取空间图像的特征，利用空间图像特征提取云目标光谱，利用约束能量最小化方法得到多光谱图像的云目标。
本发明的技术效果是：由于本发明使用可见光波段图像进行云检测，这使得本发明可以处理绝大多数多光谱图像；由于本发明使用约束能量最小算法，这使得本发明对背景复杂以及云层较厚的多光谱图像，得到较高的多光谱图像云检测精度。
实施例2
基于半监督空谱特征的多光谱图像云检测方法同实施例1，步骤(3)中所述的得到多光谱图像的空间特征图像,具体步骤如下：
(3a)：将选取的可见光波段图像通过属性滤波器，得到包含闭操作、原
操作、开操作的三个属性概图；
(3b)：按照下式，得到高光谱训练集的空间特征图像D：
D＝|A-C|+|E-C|
其中，D表示高光谱训练集的空间特征图像，||表示取绝对值操作，A表示开操作概图，C表示原操作概图，E表示闭操作概图。
由于本发明利用波段选择以及上述图像分解方法提取空间图像的特征，克服了现有方法对于热红外光谱的依赖以及现有技术中对多光谱图像进行主成分分析降维的计算复杂的问题，使得本发明在空间特征检测的过程简单，提高了多光谱云检测的效率。
实施例3
基于半监督空谱特征的多光谱图像云检测方法同实施例1-2，步骤(5)中所述的利用约束能量最小化算法，得到多光谱图像的云目标，具体步骤如下：
(5a)对云目标光谱进行转置和逆运算，得到其转置和逆矩阵；
(5b)利用得到的云目标光谱的转置和逆矩阵以及输入的多光谱图像数据，使用约束能量最小化算法，得到多光谱图像的云目标的检测结果D1，云目标的检测结果为：
其中，D1为云目标的检测结果，d为云目标光谱，R为输入的多光谱图像的自协矩阵，B为输入的多光谱数据，T表示转置操作，-1表示取逆操作。
由于本发明利用上述约束能量最小化方法得到多光谱图像的云目标，克服了现有技术对背景复杂以及云层较厚的多光谱图像的误检率、漏检率较高的问题，使得本发明充分利用了多光谱图像中的空间特征，提高了对背景复杂以及云层较厚的多光谱图像的云检测精度。
下面给出一个更加详尽的例子，结合附图对本发明做进一步的详细描述。
实施例4
基于半监督空谱特征的多光谱图像云检测方法同实施例1-3，
参照附图1，对本发明的步骤做进一步的详细描述。
步骤1.输入多光谱图像：输入要进行检测的带有云干扰的多光谱图像，得到其自协矩阵R和多光谱数据B。
步骤2.对多光谱图像实施波段选择：利用波段选择算法在输入的多光谱图像中选取可见光波段图像，用于多光谱图像的空间特征提取。
步骤3.得到多光谱图像的空间特征图像：通过对可见光波段图像利用图像分解方法提取其空间特征图像的特征，得到多光谱图像的空间特征图像D。
所述的图像分割方法的具体步骤如下：
第1步，将选取的可见光波段图像通过属性滤波器，得到包含闭操作、原操作、开操作的三个属性概图；
第2步，按照下式，得到高光谱训练集的空间特征图像D：
D＝|A-C|+|E-C|
其中，D表示高光谱训练集的空间特征图像，||表示取绝对值操作，A表示开操作概图，C表示原操作概图，E表示闭操作概图。
步骤4.在空间特征图像中提取云目标光谱；在空间特征图像D中根据所设阈值提取云目标的光谱向量，最终得到云目标光谱d。
具体目标光谱的提取步骤如下：
第1步，设置阈值，阈值为像素点最大值的1/4；
第2步，记录空间特征图像D中大于该阈值点的坐标；
第3步，返回输入的多光谱图像，提取相应坐标的光谱向量；
第4步，对提取到的光谱向量求取平均值，得到云目标光谱d。
步骤5.得到多光谱图像的云目标检测结果D1：利用得到云目标光谱d及输入的多光谱图像数据B使用约束能量最小化算法，得到多光谱图像的云目标的检测结果D1。
具体求取云目标的检测结果D1的步骤如下：
第1步，对云目标光谱进行转置和逆运算，得到其转置和逆；
第2步，利用得到的云目标光谱的转置和逆以及输入的多光谱图像数据，使用约束能量最小化算法，得到多光谱图像的云目标的检测结果，云目标的检测结果为：
其中，D1为云目标的检测结果，d为云目标光谱，R为输入的多光谱图像的自协矩阵，B为输入的多光谱数据，T表示转置操作，-1表示取逆操作。
本发明利用波段选择和图像分解方法提取空间图像的特征，利用空间图像特征提取云目标光谱，利用约束能量最小化方法得到多光谱图像的云目标，充分利用了多光谱图像中的光谱信息和空间信息，减少了对较厚云层的误检和漏检以及漏检云层的数量，提高了整体的检测效果，并且提高了云目标的检测精度。
下面通过仿真及其结果对本发明的效果在做说明
实施例5
基于半监督空谱特征的多光谱图像云检测方法同实施例1-4，
仿真条件：
本发明的仿真实验是在主频2.50GHz*8的Intel(R)Core(TM)i5-7200U CPU、内存为8GB的硬件环境和MATLAB的软件环境下进行的。
仿真内容与结果分析：
本次仿真选取来自于Landsat 8高遥感卫星采集的真实的多光谱图像，采用本发明的方法、Kmeans方法以及SVM方法在MATLAB的软件环境下对真实的多光谱图像进行了云目标检测的仿真实验。
参照图2，对采用本发明方法进行的仿真实验进行详细的描述。其中图2(a)为来自于Landsat 8高遥感卫星采集的带有云目标的中国太湖的真实多光谱图像，图2(a)中白色亮点表示云干扰，图2(b)为采用本发明方法的仿真实验结果图，图2(b)中的白色亮点表示检测到的云目标，图2(c)为采用Kmeans的检测结果图，图2(c)中的白色亮点表示检测到的云目标。
比较图2(a)和图2(c)可以看出：在图2(c)中，图像左侧云目标检测结果大体准确，但是在图像右侧，检测结果与原图中的云干扰差别较大，出现了大量明显的云误检。综合图2(c)的整体检测结果，Kmeans方法的云检测效果较差，存在较多的误检。比较图2(a)与2(b)可以看出：图2(b)的检测结果与原图中的云干扰基本吻合，检测效果良好。采用本方法检测到的云目标没有明显的漏检和误检，检测效果较好。比较图2(a)、图2(b)以及图2(c)可以看出：于对于多光谱图像云目标的检测，Kmeans方法存在较多的误检，检测效果较差，而本方法的检测结果与原图中的云干扰基本一致，没有明显的云误检和漏检，准确检测效果良好，因此，与Kmeans方法相比本发明对多光谱图像的云检测更加准确，具有较低的误检率能够获得良好的检测效果。
实施例6
基于半监督空谱特征的多光谱图像云检测方法同实施例1-4，仿真条件和内容同实施例5
参照图3，对采用本发明方法进行的仿真实验进行详细的描述。图3(a)为来自于Landsat 8高遥感卫星采集的带有云目标的中国洛阳的真实多光谱图像，图3(a)中白色亮点表示云干扰，图3(b)为采用本发明方法的仿真实验结果图，图3(b)中的白色亮点表示检测到的云目标，图3(c)为采用SVM方法的检测结果图，图3(c)中的白色亮点表示检测到的云目标。
比较图3(a)和图3(c)可以看出：在图3(c)中，图像左下侧对于较大云目标的检测结果大体准确，但是在图像右上侧，检测结果出现大量明显的误检，检测效果较差，比较图3(a)与3(b)可以看出：图3(b)的检测结果与原图中云干扰基本一致，没有明显的漏检和误检，检测效果较好。比较图3(a)、图3(b)以及图3(c)可以看出：对于背景复杂的多光谱图像SVM方法存在明显的误检及漏检，检测效果较差，而本方法的检测效果良好，没有明显的误检及漏检，因此，与SVM方法相比本发明对背景复杂的多光谱图像的云检测更加准确，具有较低的误检率和漏检率能够获得良好的检测效果。
综上所述，本发明公开了一种基于半监督空谱特征的多光谱图像云检测方法，主要解决现有技术中对背景复杂以及云层较厚的多光谱图像中误检和漏检云目标较多的问题。本发明的具体步骤如下：(1)输入多光谱图像；(2)对多光谱图像实施波段选择，选取多光谱图像中的可见光波段；(3)得到多光谱图像的空间特征图像；(4)在空间特征图像中提取云目标光谱；(5)利用约束能量最小化算法，得到多光谱图像的云目标检测结果。本发明使用波段选择选取可见光波段图像，利用图像分解方法提取光谱特征和空间特征进行云目标检测。不但减少了对较厚云层的误检和漏检，而且能够更好地区分多光谱图像中的云目标和复杂的背景，具有检测结果误检云目标少、检测结果漏检云目标少的优点，应用于遥感图像的云检测。

Claims (3)

1.一种基于半监督空谱特征的多光谱图像云检测方法，其特征在于，包括有如下步骤：
(1)输入多光谱图像：输入要进行检测的带有云干扰的多光谱图像，并提取其自协矩阵R和多光谱数据B；
(2)对多光谱图像实施波段选择：利用波段选择算法在输入的多光谱图像中选取可见光波段图像，用于多光谱图像的空间特征提取；
(3)得到多光谱图像的空间特征图像：通过对可见光波段图像利用图像分解方法提取其空间特征图像的特征，得到多光谱图像的空间特征图像D；
(4)在空间特征图像中提取云目标光谱：在空间特征图像D中根据所设阈值提取云目标的光谱向量，最终得到云目标光谱d；
(4a)设置阈值，阈值为像素点最大值的1/4；
(4b)记录空间特征图像D中大于该阈值点的坐标；
(4c)返回输入的多光谱图像，提取相应坐标的光谱向量；
(4d)对提取到的光谱向量求取平均值，得到云目标光谱d；
(5)得到多光谱图像的云目标检测结果：利用得到云目标光谱d、输入的多光谱图像数据B以及输入的多光谱图像的自协矩阵R，使用约束能量最小化算法，得到多光谱图像的云目标的检测结果D1。
2.根据权利要求1所述的基于半监督空谱特征的多光谱图像云检测方法，
其特征在于，步骤(3)中所述的得到多光谱图像的空间特征图像,具体步骤如下：
(3a)：将选取的可见光波段图像通过属性滤波器，得到包含闭操作、原操作、开操作的三个属性概图；
(3b)：按照下式，得到高光谱训练集的空间特征图像D：
D＝|A-C|+|E-C|
其中，D表示高光谱训练集的空间特征图像，| |表示取绝对值操作，
A表示开操作概图，C表示原操作概图，E表示闭操作概图。
3.根据权利要求1所述的基于半监督空谱特征的多光谱图像云检测方法，其特征在于，步骤(5)中所述的利用约束能量最小化算法，得到多光谱图像的云目标，具体步骤如下：
(5a)对云目标光谱进行转置和逆运算，得到其转置和逆矩阵；
(5b)利用得到的云目标光谱的转置和逆矩阵以及输入的多光谱图像数据B，使用约束能量最小化算法，得到多光谱图像的云目标的检测结果，云目标的检测结果为：
其中，D1为云目标的检测结果，d为云目标光谱，R为输入的多光谱图像的自协矩阵，B为输入的多光谱数据，T表示转置操作，-1表示取逆操作。
CN201910852794.7A 2019-09-10 2019-09-10 基于半监督空谱特征的多光谱云检测方法 Active CN110567886B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910852794.7A CN110567886B (zh) 2019-09-10 2019-09-10 基于半监督空谱特征的多光谱云检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910852794.7A CN110567886B (zh) 2019-09-10 2019-09-10 基于半监督空谱特征的多光谱云检测方法

Publications (2)

Publication Number Publication Date
CN110567886A true CN110567886A (zh) 2019-12-13
CN110567886B CN110567886B (zh) 2021-06-08

Family

ID=68778772

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910852794.7A Active CN110567886B (zh) 2019-09-10 2019-09-10 基于半监督空谱特征的多光谱云检测方法

Country Status (1)

Country Link
CN (1) CN110567886B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101566692A (zh) * 2009-05-26 2009-10-28 吉林大学 利用卫星遥感数据中的云影信息检测云高的方法
CN103150580A (zh) * 2013-03-18 2013-06-12 武汉大学 一种高光谱图像半监督分类方法及装置
CN105913421A (zh) * 2016-04-07 2016-08-31 西安电子科技大学 基于自适应形状暗通道的遥感图像云检测方法
CN106326926A (zh) * 2016-08-23 2017-01-11 复旦大学 一种高光谱图像目标光谱学习方法
US20170235996A1 (en) * 2015-07-28 2017-08-17 Chiman KWAN Method and system for collaborative multi-satellite remote sensing
CN109191432A (zh) * 2018-07-27 2019-01-11 西安电子科技大学 基于域变换滤波多尺度分解的遥感图像云检测方法
CN109241906A (zh) * 2018-09-03 2019-01-18 中国科学院长春光学精密机械与物理研究所 基于SVM技术的Gabor图像能量云检测方法、系统及存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101566692A (zh) * 2009-05-26 2009-10-28 吉林大学 利用卫星遥感数据中的云影信息检测云高的方法
CN103150580A (zh) * 2013-03-18 2013-06-12 武汉大学 一种高光谱图像半监督分类方法及装置
US20170235996A1 (en) * 2015-07-28 2017-08-17 Chiman KWAN Method and system for collaborative multi-satellite remote sensing
CN105913421A (zh) * 2016-04-07 2016-08-31 西安电子科技大学 基于自适应形状暗通道的遥感图像云检测方法
CN106326926A (zh) * 2016-08-23 2017-01-11 复旦大学 一种高光谱图像目标光谱学习方法
CN109191432A (zh) * 2018-07-27 2019-01-11 西安电子科技大学 基于域变换滤波多尺度分解的遥感图像云检测方法
CN109241906A (zh) * 2018-09-03 2019-01-18 中国科学院长春光学精密机械与物理研究所 基于SVM技术的Gabor图像能量云检测方法、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WENBO LI ET AL.: "Thin cloud removal with residual symmetrical concatenation network", 《ISPRS JOURNAL OF PHOTOGRAMMETRY AND REMOTE SENSING》 *
单娜 等: "快速高准确度云检测算法及其应用", 《遥感学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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

Also Published As

Publication number Publication date
CN110567886B (zh) 2021-06-08

Similar Documents

Publication Publication Date Title
Shao et al. Cloud detection in remote sensing images based on multiscale features-convolutional neural network
Cheng et al. FusionNet: Edge aware deep convolutional networks for semantic segmentation of remote sensing harbor images
Wang et al. Ship detection in spaceborne infrared image based on lightweight CNN and multisource feature cascade decision
CN111368712A (zh) 一种基于深度学习的高光谱图像伪装目标检测方法
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
WO2018076138A1 (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
CN111027497B (zh) 基于高分辨率光学遥感影像的弱小目标快速检测方法
CN110458192B (zh) 基于视觉显著性的高光谱遥感图像分类方法及系统
Fu et al. Aircraft recognition in SAR images based on scattering structure feature and template matching
Fu et al. A novel spectral-spatial singular spectrum analysis technique for near real-time in situ feature extraction in hyperspectral imaging
Liu et al. Style transformation-based spatial–spectral feature learning for unsupervised change detection
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN109544494B (zh) 一种人体安检中被动毫米波图像与可见光图像的融合方法
Zhao et al. SAR ship detection based on end-to-end morphological feature pyramid network
CN109034213B (zh) 基于相关熵原则的高光谱图像分类方法和系统
Gao et al. Multitemporal intrinsic image decomposition with temporal–spatial energy constraints for remote sensing image analysis
CN110567886B (zh) 基于半监督空谱特征的多光谱云检测方法
Lin et al. IR-TransDet: Infrared dim and small target detection with IR-transformer
Song et al. Ship detection in haze and low-light remote sensing images via colour balance and DCNN
Zhang et al. Feature Bands Based Unsupervised Hyperspectral Underwater Target Detection Near the Coastline
CN112418156B (zh) 基于无监督分类的光学遥感图像海面舰船目标检测方法
Nuradili et al. UAV Remote Sensing Image Semantic Segmentation Strategy Based on Thermal Infrared and Multispectral Image Features
Xia et al. Enhanced multi-dimensional and multi-grained cascade forest for cloud/snow recognition using multispectral satellite remote sensing imagery
Zhen-Yan Chinese character recognition method based on image processing and hidden markov model
Gao et al. Target detection and recognition in SAR imagery based on KFDA

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
TR01 Transfer of patent right

Effective date of registration: 20221228

Address after: 710077 312-11, Block E, Science Park, Xi'an University of Technology, No. 26, Dengling Road, Zhangba Street Office, High tech Zone, Xi'an City, Shaanxi Province

Patentee after: Shaanxi Silk Road Tiantu Satellite Technology Co.,Ltd.

Address before: 710071 Taibai South Road, Yanta District, Xi'an, Shaanxi Province, No. 2

Patentee before: XIDIAN University

Patentee before: Xi'an Tongyuan Essen Enterprise Management Consulting Partnership (L.P.)

Effective date of registration: 20221228

Address after: 710071 Taibai South Road, Yanta District, Xi'an, Shaanxi Province, No. 2

Patentee after: XIDIAN University

Patentee after: Xi'an Tongyuan Essen Enterprise Management Consulting Partnership (L.P.)

Address before: 710071 No. 2 Taibai South Road, Shaanxi, Xi'an

Patentee before: XIDIAN University

TR01 Transfer of patent right