CN110599488A - 一种基于Sentinel-2气溶胶波段的云检测方法 - Google Patents
一种基于Sentinel-2气溶胶波段的云检测方法 Download PDFInfo
- Publication number
- CN110599488A CN110599488A CN201910925103.1A CN201910925103A CN110599488A CN 110599488 A CN110599488 A CN 110599488A CN 201910925103 A CN201910925103 A CN 201910925103A CN 110599488 A CN110599488 A CN 110599488A
- Authority
- CN
- China
- Prior art keywords
- image
- mean
- value
- standard deviation
- reflectivity
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30192—Weather; Meteorology
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Sentinel‑2气溶胶波段的云检测方法,其特征在于,包括如下步骤:1)影像收集;2)生成最小值影像;3)求取最小值影像的均值和标准差;4)求取分割阈值下限;5)生成均值影像;6)求取均值影像的均值和标准差;7)求取分割阈值上限;8)计算分割阈值;9)影像云检测。这种方法受客观因素的限制少,对于影像中厚云、卷云和薄云的识别,可以表现出稳健的效果,还可以为后续大气参数反演、影像配准和融合等任务提供更优质的影像数据,而且对大尺度土地利用制图及作物产量预估等研究有非常重要的实用价值。
Description
技术领域
本发明涉及遥感技术、云微物理学领域,具体是一种基于Sentinel-2气溶胶波段的云检测方法。
背景技术
遥感影像广泛应用于大面积的遥感土地利用制图、农作物长势监测、农作物产量预估和病虫害监测等领域。随着高/较高分辨卫星数据的不断共享,遥感影像的应用价值在高精度土地利用与土地覆盖(Land-Use and Land-Cover Change,简称LUCC)研究中越来越重要。然而光学遥感影像极容易受到云噪声的影响,导致影像存在许多数据缺省的区域,这对基于高/较高分辨率遥感的大尺度LUCC研究的解译精度和可靠性提出了巨大挑战。
当前云检测有关的研究主要包括反射率阈值法、纹理分析法、多特征协同法以及结合机器学习、深度学习识别云噪声等方法。反射率阈值法容易受到云噪声边缘混合像元的影响;纹理分析法难以识别纹理复杂的卷云和薄云;多特征协同法以及结合机器学习、深度学习识别云噪声的方法,虽然在一定程度上可以提高云检测的精度,但是仍存在一定的误判和漏判。另外,对于高时空分辨率的Sentinel-2遥感影像,基于QA60波段的云检测很难得到令人满意的识别效果;有研究基于Sentinel-2影像的三个近红外波段进行云检测,得到了较高的总体精度,但是在高海拔地区出现了云和雪混淆的现象。
发明内容
本发明的目的是为了解决现有技术存在的问题,而提供一种基于Sentinel-2气溶胶波段的云检测方法。这种方法受客观因素的限制少,对于影像中厚云、卷云和薄云的识别,可以表现出稳健的效果,还可以为后续大气参数反演、影像配准和融合等任务提供更优质的影像数据,而且对大尺度土地利用制图及作物产量预估等研究有非常重要的实用价值。
实现本发明目的的技术方案是:
一种基于Sentinel-2气溶胶波段的云检测方法,包括如下步骤:
1)影像收集:收集一幅影像或时间临近的多幅影像,通过波段分解函数筛选出收集的影像的气溶胶波段影像,将气溶胶波段影像作为计算分割阈值的原始基础影像;
2)生成最小值影像:对比原始基础影像的反射率数值,对原始基础影像中的每一个像元都筛选出最小值,将所有像元的最小值赋值到原始基础影像相应像元的位置,从而生成一幅气溶胶波段的最小值影像;
3)求取最小值影像的均值和标准差:对步骤2)中的最小值影像进行编程并遍历,读取最小值影像中每个像元的反射率数值,将得到的数值全部代入均值公式和标准差公式,通过均值公式和标准差公式求取最小值影像中所有像元反射率的均值和标准差,均值公式(1)和标准差公式(2)如下所示:
其中,表示影像所有像元反射率的均值,σ表示影像所有像元反射率的标准差,N表示影像的像元数目,xi表示影像第i个像元的反射率数值;
4)求取分割阈值下限:对最小值影像的均值和最小值影像0.5倍的标准差执行加法运算,得到的结果作为分割阈值下限;
5)生成均值影像:对比原始基础影像的反射率数值,在同一个像元的位置,计算原始基础影像的反射率均值,将所有像元的均值赋值到原始基础影像相应像元的位置,从而生成一幅气溶胶波段的均值影像;
6)求取均值影像的均值和标准差:对步骤5)中的均值影像进行编程并遍历,读取均值影像中每个像元的反射率数值,将得到的数值全部代入均值公式(1)和标准差公式(2),通过均值公式(1)和标准差公式(2)求取均值影像中所有像元反射率的均值和标准差;
7)求取分割阈值上限:对均值影像的均值和均值影像0.5倍的标准差执行减法运算,得到结果作为分割阈值上限;
8)计算分割阈值:求取步骤4)中分割阈值下限与步骤7)中分割阈值上限的均值,得到的均值作为最终的分割阈值;
9)影像云检测:对步骤1)的原始基础影像中反射率大于分割阈值和小于等于分割阈值的区域分别进行掩膜提取和赋值,完成对原始基础影像的二值分割,二值分割的二值影像即为最终的云检测结果。
本技术方案基于Sentinel-2数据应用。
这种方法受客观因素的限制少,对于影像中厚云、卷云和薄云的识别,可以表现出稳健的效果,还可以为后续大气参数反演、影像配准和融合等任务提供更优质的影像数据,而且对大尺度土地利用制图及作物产量预估等研究有非常重要的实用价值。
附图说明
图1为实施例的流程示意图;
图2a为实施例中收集的一幅原始基础影像示意图;
图2b为实施例中人工目视标注的标签影像示意图;
图2c为实施例中云检测结果空间分布图;
图3为实施例中最小值影像生成示意图。
具体实施方式
下面结合附图和实施例对本发明的内容作进一步的阐述,但不是对本发明的限定。
实施例:
参照图1,一种基于Sentinel-2气溶胶波段的云检测方法,包括如下步骤:
1)影像收集:收集一幅影像或时间临近的多幅影像,作为计算分割阈值的原始基础影像,本例为了获取云噪声信息丰富的典型区域,基于GEE平台收集了2019年夏季的多幅Sentinel-2影像L2A级产品数据,且该数据已经大气校正处理,通过目视判读选取2019年8月24日和2019年8月29日的2景影像用于云检测,为了获取气溶胶波段阈值分割算法的分割阈值,使用GEE平台上的波段分解函数即select函数筛选出Sentinel-2的气溶胶波段影像,并将该气溶胶波段影像作为原始基础影像;
2)生成最小值影像:对比原始基础影像的每个像元的反射率数值,在同一像元上,对比找出反射率的最小值,将所有像元的最小值赋值到原始基础影像相应像元的位置,从而生成一幅气溶胶波段的最小值影像Min,如图3所示;
3)求取最小值影像的均值和标准差:对步骤2)中的最小值影像进行编程并遍历,读取最小值影像中每个像元的反射率数值,将得到的数值全部代入均值公式和标准差公式,通过均值公式和标准差公式求取最小值影像中所有像元反射率的均值Minmean和标准差MinstdDev,均值公式(1)和标准差公式(2)如下所示:
其中,表示影像所有像元反射率的均值,σ表示影像所有像元反射率的标准差,N表示影像的像元数目,xi表示影像第i个像元的反射率数值;
4)求取分割阈值下限:为了防止与最小值影像中均值偏差大于300的反射率数值引入分割阈值而产生误差,对最小值影像的均值和最小值影像0.5倍的标准差执行加法运算,得到的结果作为分割阈值下限,同时排除最小值影像中反射率偏低的影响因素;
5)生成均值影像:对比原始基础影像的反射率数值,在同一个像元的位置,计算原始基础影像的反射率均值,将所有像元的均值赋值到原始基础影像相应像元的位置,从而生成一幅气溶胶波段的均值影像Mean;
6)求取均值影像的均值和标准差:对步骤5)中的均值影像进行编程并遍历,读取均值影像中每个像元的反射率数值,将得到的数值全部代入均值公式(1)和标准差公式(2),通过均值公式(1)和标准差公式(2)求取均值影像中所有像元反射率的均值Meanmean和标准差MeanstdDev;
7)求取分割阈值上限:为防止与均值影像中均值偏差大于300的反射率数值引入分割阈值误差,对均值影像的均值和均值影像0.5倍的标准差执行减法运算,得到结果作为分割阈值上限,排除均值影像中反射率偏高的影响因素;
8)计算分割阈值:求取步骤4)中分割阈值下限与步骤7)中分割阈值上限的均值作为最终云检测的分割阈值T,具体计算公式如下:
9)影像云检测:遍历步骤1)中的所有原始基础影像,对每一幅影像中反射率大于分割阈值和小于等于分割阈值的区域分别进行掩膜提取,并将大于分割阈值的像素赋值为9999,小于等于分割阈值的像素赋值为1,完成对原始基础影像的二值分割,得到16位的二值影像,二值影像即为最终的云检测结果,如图2c所示。
为了评估本例的云检测效果,基于一幅原始基础影像进行人工目视标注,如图2a所示,得到一幅标签影像,如图2b所示,并基于该标签影像对该原始基础影像的分类结果进行精度评价,实际评价结果表明,本例方法云检测空间格局与原始基础影像基本一致,准确度高达96%,对于影像解译以及大尺度土地利用或土地覆盖变化研究,有非常重要的实用价值和意义。
Claims (1)
1.一种基于Sentinel-2气溶胶波段的云检测方法,其特征在于,包括如下步骤:
1)影像收集:收集一幅影像或时间临近的多幅影像,通过波段分解函数筛选出收集的影像的气溶胶波段影像,将气溶胶波段影像作为计算分割阈值的原始基础影像;
2)生成最小值影像:对比原始基础影像的反射率数值,对原始基础影像中的每一个像元都筛选出最小值,将所有像元的最小值赋值到原始基础影像相应像元的位置,从而生成一幅气溶胶波段的最小值影像;
3)求取最小值影像的均值和标准差:对步骤2)中的最小值影像进行编程并遍历,读取最小值影像中每个像元的反射率数值,将得到的反射率数值全部代入均值公式和标准差公式,通过均值公式和标准差公式求取最小值影像中所有像元反射率的均值和标准差,均值公式(1)和标准差公式(2)如下所示:
其中,表示影像所有像元反射率的均值,σ表示影像所有像元反射率的标准差,N表示影像的像元数目,xi表示影像第i个像元的反射率数值;
4)求取分割阈值下限:对最小值影像的均值和最小值影像0.5倍的标准差执行加法运算,得到的结果作为分割阈值下限;
5)生成均值影像:对比原始基础影像的反射率数值,在同一个像元的位置,计算原始基础影像的反射率均值,将所有像元的均值赋值到原始基础影像相应像元的位置,从而生成一幅气溶胶波段的均值影像;
6)求取均值影像的均值和标准差:对步骤5)中的均值影像进行编程并遍历,读取均值影像中每个像元的反射率数值,将得到的数值全部代入均值公式(1)和标准差公式(2),通过均值公式(1)和标准差公式(2)求取均值影像中所有像元反射率的均值和标准差;
7)求取分割阈值上限:对均值影像的均值和均值影像0.5倍的标准差执行减法运算,得到结果作为分割阈值上限;
8)计算分割阈值:求取步骤4)中分割阈值下限与步骤7)中分割阈值上限的均值,得到的均值作为最终的分割阈值;
9)影像云检测:对步骤1)的原始基础影像中反射率大于分割阈值和小于等于分割阈值的区域分别进行掩膜提取和赋值,完成对原始基础影像的二值分割,二值分割的二值影像即为最终的云检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910925103.1A CN110599488B (zh) | 2019-09-27 | 2019-09-27 | 一种基于Sentinel-2气溶胶波段的云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910925103.1A CN110599488B (zh) | 2019-09-27 | 2019-09-27 | 一种基于Sentinel-2气溶胶波段的云检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110599488A true CN110599488A (zh) | 2019-12-20 |
CN110599488B CN110599488B (zh) | 2022-04-29 |
Family
ID=68864214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910925103.1A Active CN110599488B (zh) | 2019-09-27 | 2019-09-27 | 一种基于Sentinel-2气溶胶波段的云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110599488B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013034941A2 (en) * | 2011-09-05 | 2013-03-14 | Eötvös Loránd Tudományegyetem | Method for measuring cloud-base distance and apparatus for measuring polarization |
CN103901420A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
US20150161768A1 (en) * | 2013-12-11 | 2015-06-11 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Methods for in-scene atmospheric compensation by endmember matching |
CN104867139A (zh) * | 2015-05-12 | 2015-08-26 | 中国科学院遥感与数字地球研究所 | 一种基于辐射场的遥感图像云及阴影检测方法 |
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 |
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 |
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 |
CN108364284A (zh) * | 2018-01-18 | 2018-08-03 | 中国科学院遥感与数字地球研究所 | 一种基于遥感的罂粟提取方法及系统 |
CN109030301A (zh) * | 2018-06-05 | 2018-12-18 | 中南林业科技大学 | 基于遥感数据的气溶胶光学厚度反演方法 |
CN109377476A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 遥感影像云检测特征参数的动态阈值获取方法及装置 |
CN109781593A (zh) * | 2019-01-17 | 2019-05-21 | 南京泛在地理信息产业研究院有限公司 | 一种基于parasol多角度偏振数据的气溶胶二次反演方法 |
-
2019
- 2019-09-27 CN CN201910925103.1A patent/CN110599488B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013034941A2 (en) * | 2011-09-05 | 2013-03-14 | Eötvös Loránd Tudományegyetem | Method for measuring cloud-base distance and apparatus for measuring polarization |
US20150161768A1 (en) * | 2013-12-11 | 2015-06-11 | Her Majesty The Queen In Right Of Canada, As Represented By The Minister Of National Defence | Methods for in-scene atmospheric compensation by endmember matching |
CN103901420A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
CN104867139A (zh) * | 2015-05-12 | 2015-08-26 | 中国科学院遥感与数字地球研究所 | 一种基于辐射场的遥感图像云及阴影检测方法 |
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 |
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 |
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 |
CN108364284A (zh) * | 2018-01-18 | 2018-08-03 | 中国科学院遥感与数字地球研究所 | 一种基于遥感的罂粟提取方法及系统 |
CN109030301A (zh) * | 2018-06-05 | 2018-12-18 | 中南林业科技大学 | 基于遥感数据的气溶胶光学厚度反演方法 |
CN109377476A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 遥感影像云检测特征参数的动态阈值获取方法及装置 |
CN109781593A (zh) * | 2019-01-17 | 2019-05-21 | 南京泛在地理信息产业研究院有限公司 | 一种基于parasol多角度偏振数据的气溶胶二次反演方法 |
Non-Patent Citations (5)
Title |
---|
DIMOSTHENIS TRAGANOS: "Estimating Satellite-Derived Bathymetry (SDB) with the Google Earth Engine and Sentinel-2", 《REMOTE SENSING》 * |
ESRI成都: "ENVI/IDL实现HJ卫星气溶胶反演", 《HTTPS://BLOG.CSDN.NET/ESRICHINACD/ARTICLE/DETAILS/9376625》 * |
MAGDALENA MAIN-KNORN: "Sen2Cor for Sentinel-2", 《SPIE REMOTE SENSING,2017》 * |
MING WANG: "Mapping sugarcane in complex landscapes by integrating multi-temporal Sentinel-2 images and machine learning algorithms", 《LAND USE POLICY 88(2019)》 * |
余长慧: "神经网络支持下的 Sentinel-2卫星影像自动云检测", 《测绘通报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110599488B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dias et al. | Multispecies fruit flower detection using a refined semantic segmentation network | |
Vasconez et al. | Comparison of convolutional neural networks in fruit detection and counting: A comprehensive evaluation | |
Zhuang et al. | Computer vision-based localisation of picking points for automatic litchi harvesting applications towards natural scenarios | |
CN106780091B (zh) | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 | |
Liu et al. | A hybrid method for segmenting individual trees from airborne lidar data | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN104077577A (zh) | 一种基于卷积神经网络的商标检测方法 | |
Liu et al. | Automatic segmentation of overlapped poplar seedling leaves combining Mask R-CNN and DBSCAN | |
CN106845326B (zh) | 一种基于航空高光谱遥感数据的冰川识别方法 | |
CN111079596A (zh) | 高分辨率遥感影像的海上典型人造目标识别系统及方法 | |
Li et al. | Tomato recognition and location algorithm based on improved YOLOv5 | |
CN112766155A (zh) | 一种基于深度学习的海水养殖区提取方法 | |
CN113111947B (zh) | 图像处理方法、装置和计算机可读存储介质 | |
CN109949229A (zh) | 一种多平台多视角下的目标协同检测方法 | |
Li et al. | An improved binocular localization method for apple based on fruit detection using deep learning | |
CN107992856A (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
CN106056078B (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
CN112215085A (zh) | 一种基于孪生网络的输电走廊异物检测方法及系统 | |
Rahim et al. | Deep learning-based accurate grapevine inflorescence and flower quantification in unstructured vineyard images acquired using a mobile sensing platform | |
CN107273803B (zh) | 云层图像检测方法 | |
Sood et al. | Image quality enhancement for Wheat rust diseased images using Histogram equalization technique | |
Solak et al. | A new method for classifying nuts using image processing and k‐means++ clustering | |
Suarez et al. | Learning image vegetation index through a conditional generative adversarial network | |
Shire et al. | A review paper on: agricultural plant leaf disease detection using image processing | |
Zhang et al. | TPMv2: An end-to-end tomato pose method based on 3D key points detection |
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 |