CN110675396A - 遥感影像云检测方法、装置、设备及计算机可读存储介质 - Google Patents
遥感影像云检测方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN110675396A CN110675396A CN201910942681.6A CN201910942681A CN110675396A CN 110675396 A CN110675396 A CN 110675396A CN 201910942681 A CN201910942681 A CN 201910942681A CN 110675396 A CN110675396 A CN 110675396A
- Authority
- CN
- China
- Prior art keywords
- cloud
- remote sensing
- sensing image
- area
- gaussian mixture
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- 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
Abstract
本发明实施例公开了一种遥感影像云检测方法、装置、设备及计算机可读存储介质。其中,方法包括从待处理遥感影像选择少云遥感影像,利用预先构建的高斯混合模型确定少云遥感影像中云层和地物的分割阈值;根据分割阈值在少云遥感影像中标记初步云区,利用形态学处理初步云区得到最终目标云区,实现遥感影像的云区检测。本申请解决了相关技术存在的低分辨率、图像信息量不足的问题,可有效识别边缘薄云、散云,计算得到了更加精确的分割阈值,更准确地分割出目标云区与背景,同时还可以有效的减少对房屋、道路、裸地的误判,有效的提升了遥感影像云检测的检测精度和准确度。
Description
技术领域
本发明实施例涉及遥感影像处理技术和目标检测领域,特别是涉及一种遥感影像云检测方法、装置、设备及计算机可读存储介质。
背景技术
卫星影像常常存在云遮挡的现象,云层的存在不仅造成地面部分区域信息丢失,也为遥感影像的配准、融合、纠正等后续影像生产工作带来困难,因此,高分辨率遥感影像云检测技术一直是遥感影像处理亟待解决的难题。
随着遥感影像技术的发展,云检测算法也得到相适应的发展。当前较为常用的云检测算法包括区域生长法、支持向量机法及小波分析法。其中,区域生长法容易受到种子的选取和相似区域判定准则的影响,难以识别纹理较强的卷积云和边缘薄云;支持向量机法需要足够的样本训练来获取可靠的云区特征才能保证分类精度,容易将房屋、道路、裸地等误判为云区;小波分析法由于受到地面低频信息的干扰,大大降低了云检测的效率。
另外,在云检测算法方面,目前主要是基于分割阈值,根据该可量化信息与该分割阈值的关系(高于或者低于),将各像素点确定为云或者非云,从而将全天空云图分成云和非云两部分,标记云区,从而对图像检测出云。例如,基于不同天气对云图的影响,在不同类型云图采用不同分割阈值法,并根据形态学处理运去,完成对云图的中的云检测目的。但是,通过对不同天气下的不同天空类型的云图,利用图像采集设备获取的图像无法与遥感影像获取的云图一样具有高分辨率,图像的分辨率较低;此外,在获取图像时不能够同步大面积地获取,导致获取的图像信息量不够多,无法满足对含云图云检测的现实要求。
发明内容
本发明实施例的目的是提供一种遥感影像云检测方法、装置、设备及计算机可读存储介质,解决了相关技术存在的低分辨率、图像信息量不足的问题。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种遥感影像云检测方法,包括:
对待处理遥感影像进行分类,得到少云遥感影像;
利用预先构建的高斯混合模型确定所述少云遥感影像中云层和地物的分割阈值;
根据所述分割阈值在所述少云遥感影像中标记云区,作为初步云区;
利用形态学处理所述初步云区得到目标云区。
可选的,所述利用预先构建的高斯混合模型确定所述少云遥感影像中云层和地物的分割阈值包括:
利用所述高斯混合模型拟合所述少云遥感影像的直方图统计函数,计算得到所述分割阈值;
其中,所述高斯混合模型构建过程包括:
运用高斯混合函数拟合灰度统计函数,构建所述高斯混合模型框架;
利用期望最大算法对所述高斯混合模型框架进行参数估计,得到所述高斯混合模型框架中的各参数值;
利用所述高斯混合模型框架和各参数值生成所述高斯混合模型。
可选的,所述对待处理遥感影像进行分类,得到少云遥感影像包括:
对所述待处理遥感影像进行灰度变化,并构建所述待处理遥感影像的灰度直方图;
根据所述少云遥感影像的直方图特征,从所述待处理遥感影像中选择得到所述少云遥感影像。
可选的,在所述对所述待处理遥感影像进行灰度变化之后,还包括:
采用高斯低通滤波器处理所述待处理遥感影像,得到平滑含云影像。
可选的,所述利用形态学处理所述初步云区得到目标云区包括:
对所述初步云区进行开操作,并平滑所述初步云区的边缘轮廓;
利用Douglas-Peucker算法对所述初步云区进行简化和整合,得到所述目标云区。
本发明实施例另一方面提供了一种遥感影像云检测装置,包括:
少云遥感影像选取模块,用于对待处理遥感影像进行分类,得到少云遥感影像;
分割阈值计算模块,用于利用预先构建的高斯混合模型确定所述少云遥感影像中云层和地物的分割阈值;
初步云区确定模块,用于根据所述分割阈值在所述少云遥感影像中标记云区,作为初步云区;
目标云区生成模块,用于利用形态学处理所述初步云区得到目标云区。
可选的,所述分割阈值计算模块包括阈值计算子模块和高斯混合模型构建子模块;
所述阈值计算子模块用于利用所述高斯混合模型拟合所述少云遥感影像的直方图统计函数,计算得到所述分割阈值;
所述高斯混合模型构建子模块包括:
框架构建单元,用于运用高斯混合函数拟合灰度统计函数,构建所述高斯混合模型框架;
参数计算单元,用于利用期望最大算法对所述高斯混合模型框架进行参数估计,得到所述高斯混合模型框架中的各参数值;
模型生成单元,用于利用所述高斯混合模型框架和各参数值生成所述高斯混合模型。
可选的,所述目标云区生成模块包括:
开操作处理子模块,用于对所述初步云区进行开操作;
边缘轮廓平滑子模块,用于平滑所述初步云区的边缘轮廓;
云区简化整合子模块,用于利用Douglas-Peucker算法对所述初步云区进行简化和整合,得到所述目标云区。
本发明实施例还提供了一种遥感影像云检测设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述遥感影像云检测方法的步骤。
本发明实施例最后还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有遥感影像云检测程序,所述遥感影像云检测程序被处理器执行时实现如前任一项所述遥感影像云检测方法的步骤。
本申请提供的技术方案的优点在于,采用遥感影像作检测图来源,可以大面积同步观测并获取有价值的云图,为后期影像的配准、融合提供了高分辨率、清晰的云图,解决了相关技术存在的低分辨率、图像信息量不足的问题,有利于提升检测结果的准确度;采用高斯混合模型针对少云遥感影像作阈值分割,还可以解决了相关技术难以有效识别边缘薄云、散云,节省了代价,计算得到了更加精确的分割阈值,更准确地分割出目标云区与背景,同时还可以有效的减少对房屋、道路、裸地的误判,有效的提升了遥感影像云检测的检测精度和准确度。
此外,本发明实施例还针对遥感影像云检测方法提供了相应的实现装置、设备及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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为本发明实施例提供的一种遥感影像云检测方法的流程示意图;
图2为本发明实施例提供的一种少云遥感影像对应的直方图示意图;
图3为本发明实施例提供的另一种一种少云遥感影像对应的直方图示意图;
图4为本发明实施例提供的遥感影像云检测装置的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种遥感影像云检测方法的流程示意图,本发明实施例可包括以下内容:
S101:对待处理遥感影像进行分类,得到少云遥感影像。
待处理遥感影像可为高分一号、高分二号等高分辨率国产遥感卫星影像,也可用于SPOT6、COMPSAT等国外遥感卫星影像,这均不影响本申请的实现。
本领域技术人员一般将遥感影像分为多云遥感影像、少云遥感影像及无云遥感影像这三类图像。鉴于每类图像对应的直方图都有其相对应的独特的特征,多云遥感影像的直方图具有双峰,含云量较少且云层较薄的影像(少云遥感影像)直方图在高亮区域没有明显的波峰,如图2和图3所示,(在图2和图3中,横坐标为图像灰度值,纵坐标为图像像素个数)而是呈平缓延伸状,无云影像没有表示云层的波峰,故可以利用不同类型的遥感影像的直方图特征来对遥感影像进行分类。当然,也可采用其他方式对遥感影像进行分类,本申请对此不做任何限定。
S102:利用预先构建的高斯混合模型确定少云遥感影像中云层和地物的分割阈值。
高斯混合模型为预先基于高斯函数对数据点集进行函数逼近拟合构建的模型,该模型可准确的计算出输入图像背景和目标的最佳分割阈值。
S103:根据分割阈值在少云遥感影像中标记云区,作为初步云区。
根据S102得到的最佳分割线,在少云遥感影像中将地物和云层分割开,并在云层区域进行标记,生成初步云区。
S104:利用形态学处理初步云区得到目标云区。
可采用任何一种形态学算法对初步云区进行简化、整合,得到更加精准的云区区域。
在本发明实施例提供的技术方案中,采用遥感影像作检测图来源,可以大面积同步观测并获取有价值的云图,为后期影像的配准、融合提供了高分辨率、清晰的云图,解决了相关技术存在的低分辨率、图像信息量不足的问题,有利于提升检测结果的准确度;采用高斯混合模型针对少云遥感影像作阈值分割,还可以解决了相关技术难以有效识别边缘薄云、散云,节省了代价,计算得到了更加精确的分割阈值,更准确地分割出目标云区与背景,同时还可以有效的减少对房屋、道路、裸地的误判,有效的提升了遥感影像云检测的检测精度和准确度。
遥感影像的灰度直方图为一个一维离散函数,可定义为:
h(rk)=nk,k=0,1,2,…,L-1
式中,rk为第k个灰度级,nk为灰度值为rk的像素在遥感影像中出现的频数,L为灰度级数。
采用上述公式对遥感影像进行灰度变化,然后绘制其直方图,根据少云遥感影像直方图的特征,从遥感影像中将少云遥感影像选择出来。
对选择出来的少云遥感影像,为了提高目标选择的准确性,可采用高斯低通滤波器来消除噪声,以增强图像的某些频率特征,从而改变云与背景之间的灰度反差,同时有效保留图像纹理细节,得到平滑后的含云影像及其对应的直方图。然后在从平滑的含云影像中将少云遥感影像选择出来。
可选的,高斯混合模型构建过程可包括:
运用高斯混合函数拟合灰度统计函数,构建高斯混合模型框架,表达式可如下:
可利用期望最大算法对高斯混合模型框架进行参数估计,得到高斯混合模型框架中的各参数值(权重值、均值和标准差)。
设置高斯波包的数目M、各高斯波包的权重值αj、均值uj、标准差σj的初始值;
根据初始化的各参数值计算出后验概率:
更新权重值:
更新均值:
更新方差矩阵:
式中,N为少云遥感影像的总的像素数,βij为初始化的各参数值计算得到的后验概率,i为像素点名称,j为像素点名称。
重复迭代上述过程,直至权重值、均值和标准差收敛,此时,高斯混合模型趋于稳定,以最终确定各参数的值。
利用高斯混合模型框架和各参数值生成高斯混合模型。
最后利用训练好的高斯混合模型拟合少云遥感影像的直方图统计函数,计算得到少云遥感影像分割阈值。
在S104中,可对初步云区进行开操作,吞噬较小区域,从而消除部分道路和建筑物,并平滑初步云区的边缘轮廓。
即结构元素b沿表面f的下沿向上移动,并移过f的整个定义域。在结构元素沿f底面滑动时,通过找到结构元素的任何部分所能到达的最高点,就可构建开运算。
开操作后的云区,可利用Douglas-Peucker(道格拉斯-普克算法)算法对初步云区进行简化和整合,得到目标云区。
Douglas-Peucker算法为将曲线近似表示为一系列点,并减少点的数量的一种算法。具体的,在初步云区找到与曲线的首尾两点连线垂直距离最大的点,如果该距离小于事先设定的阈值(可根据实际云区的尺寸和用户的实际需求进行确定),则舍弃两点之间的所有节点,否则保留该点,并以该点将曲线分割为两条曲线,继续按照上述规则进行查找,直至起始查找两端点中再无其他节点。
采用Douglas-Peucker算法能够很好的把握曲线的整体形态,精准、快速的实现云区的简化、整合,得到最终云区。
本发明实施例还针对遥感影像云检测方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的遥感影像云检测装置进行介绍,下文描述的遥感影像云检测装置与上文描述的遥感影像云检测方法可相互对应参照。
参见图4,图4为本发明实施例提供的遥感影像云检测装置在一种具体实施方式下的结构图,该装置可包括:
少云遥感影像选取模块401,用于对待处理遥感影像进行分类,得到少云遥感影像。
分割阈值计算模块402,用于利用预先构建的高斯混合模型确定少云遥感影像中云层和地物的分割阈值。
初步云区确定模块403,用于根据分割阈值在少云遥感影像中标记云区,作为初步云区。
目标云区生成模块404,用于利用形态学处理初步云区得到目标云区。
可选的,在本实施例的一些实施方式中,所述分割阈值计算模块402可包括阈值计算子模块和高斯混合模型构建子模块;
阈值计算子模块用于利用高斯混合模型拟合少云遥感影像的直方图统计函数,计算得到分割阈值;
高斯混合模型构建子模块可包括:
框架构建单元,用于运用高斯混合函数拟合灰度统计函数,构建高斯混合模型框架;
参数计算单元,用于利用期望最大算法对高斯混合模型框架进行参数估计,得到高斯混合模型框架中的各参数值;
模型生成单元,用于利用高斯混合模型框架和各参数值生成高斯混合模型。
在本实施例的另一些实施方式中,所述,所述目标云区生成模块404可包括:
开操作处理子模块,用于对初步云区进行开操作;
边缘轮廓平滑子模块,用于平滑初步云区的边缘轮廓;
云区简化整合子模块,用于利用Douglas-Peucker算法对初步云区进行简化和整合,得到目标云区。
此外,所述少云遥感影像选取模块401例如还可包括:
灰度直方图构建子模块,用于对待处理遥感影像进行灰度变化,并构建待处理遥感影像的灰度直方图;
选取子模块,用于根据少云遥感影像的直方图特征,从待处理遥感影像中选择得到少云遥感影像。
本发明实施例所述遥感影像云检测装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可有效识别边缘薄云、散云,计算得到了更加精确的分割阈值,更准确地分割出目标云区与背景,同时还可以有效的减少对房屋、道路、裸地的误判,有效的提升了遥感影像云检测的检测精度和准确度。
本发明实施例还提供了一种遥感影像云检测设备,具体可包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序以实现如上任意一实施例所述遥感影像云检测方法的步骤。
本发明实施例所述遥感影像云检测设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可有效识别边缘薄云、散云,计算得到了更加精确的分割阈值,更准确地分割出目标云区与背景,同时还可以有效的减少对房屋、道路、裸地的误判,有效的提升了遥感影像云检测的检测精度和准确度。
本发明实施例还提供了一种计算机可读存储介质,存储有遥感影像云检测程序,所述遥感影像云检测程序被处理器执行时如上任意一实施例所述遥感影像云检测方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例可有效识别边缘薄云、散云,计算得到了更加精确的分割阈值,更准确地分割出目标云区与背景,同时还可以有效的减少对房屋、道路、裸地的误判,有效的提升了遥感影像云检测的检测精度和准确度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种遥感影像云检测方法、装置、设备及计算机可读存储介质进行了详细介绍。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。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种遥感影像云检测方法,其特征在于,包括:
对待处理遥感影像进行分类,得到少云遥感影像;
利用预先构建的高斯混合模型确定所述少云遥感影像中云层和地物的分割阈值;
根据所述分割阈值在所述少云遥感影像中标记云区,作为初步云区;
利用形态学处理所述初步云区得到目标云区。
2.根据权利要求1所述的遥感影像云检测方法,其特征在于,所述利用预先构建的高斯混合模型确定所述少云遥感影像中云层和地物的分割阈值包括:
利用所述高斯混合模型拟合所述少云遥感影像的直方图统计函数,计算得到所述分割阈值;
其中,所述高斯混合模型构建过程包括:
运用高斯混合函数拟合灰度统计函数,构建所述高斯混合模型框架;
利用期望最大算法对所述高斯混合模型框架进行参数估计,得到所述高斯混合模型框架中的各参数值;
利用所述高斯混合模型框架和各参数值生成所述高斯混合模型。
3.根据权利要求2所述的遥感影像云检测方法,其特征在于,所述对待处理遥感影像进行分类,得到少云遥感影像包括:
对所述待处理遥感影像进行灰度变化,并构建所述待处理遥感影像的灰度直方图;
根据所述少云遥感影像的直方图特征,从所述待处理遥感影像中选择得到所述少云遥感影像。
4.根据权利要求3所述的遥感影像云检测方法,其特征在于,在所述对所述待处理遥感影像进行灰度变化之后,还包括:
采用高斯低通滤波器处理所述待处理遥感影像,得到平滑含云影像。
5.根据权利要求1至4任意一项所述的遥感影像云检测方法,其特征在于,所述利用形态学处理所述初步云区得到目标云区包括:
对所述初步云区进行开操作,并平滑所述初步云区的边缘轮廓;
利用Douglas-Peucker算法对所述初步云区进行简化和整合,得到所述目标云区。
6.一种遥感影像云检测装置,其特征在于,包括:
少云遥感影像选取模块,用于对待处理遥感影像进行分类,得到少云遥感影像;
分割阈值计算模块,用于利用预先构建的高斯混合模型确定所述少云遥感影像中云层和地物的分割阈值;
初步云区确定模块,用于根据所述分割阈值在所述少云遥感影像中标记云区,作为初步云区;
目标云区生成模块,用于利用形态学处理所述初步云区得到目标云区。
7.根据权利要求6所述的遥感影像云检测装置,其特征在于,所述分割阈值计算模块包括阈值计算子模块和高斯混合模型构建子模块;
所述阈值计算子模块用于利用所述高斯混合模型拟合所述少云遥感影像的直方图统计函数,计算得到所述分割阈值;
所述高斯混合模型构建子模块包括:
框架构建单元,用于运用高斯混合函数拟合灰度统计函数,构建所述高斯混合模型框架;
参数计算单元,用于利用期望最大算法对所述高斯混合模型框架进行参数估计,得到所述高斯混合模型框架中的各参数值;
模型生成单元,用于利用所述高斯混合模型框架和各参数值生成所述高斯混合模型。
8.根据权利要求6或7所述的遥感影像云检测装置,其特征在于,所述目标云区生成模块包括:
开操作处理子模块,用于对所述初步云区进行开操作;
边缘轮廓平滑子模块,用于平滑所述初步云区的边缘轮廓;
云区简化整合子模块,用于利用Douglas-Peucker算法对所述初步云区进行简化和整合,得到所述目标云区。
9.一种遥感影像云检测设备,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至5任一项所述遥感影像云检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有遥感影像云检测程序,所述遥感影像云检测程序被处理器执行时实现如权利要求1至5任一项所述遥感影像云检测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910942681.6A CN110675396A (zh) | 2019-09-30 | 2019-09-30 | 遥感影像云检测方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910942681.6A CN110675396A (zh) | 2019-09-30 | 2019-09-30 | 遥感影像云检测方法、装置、设备及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110675396A true CN110675396A (zh) | 2020-01-10 |
Family
ID=69080520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910942681.6A Pending CN110675396A (zh) | 2019-09-30 | 2019-09-30 | 遥感影像云检测方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110675396A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445461A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN111445460A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN113436092A (zh) * | 2021-06-16 | 2021-09-24 | 中国电子科技集团公司第五十四研究所 | 一种全色遥感图像云区域识别方法 |
CN114240940A (zh) * | 2022-02-25 | 2022-03-25 | 航天宏图信息技术股份有限公司 | 一种基于遥感影像的云及云阴影检测方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799921A (zh) * | 2009-02-10 | 2010-08-11 | 中国科学院计算技术研究所 | 一种光学遥感图像云检测方法 |
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 |
CN105894520A (zh) * | 2016-04-25 | 2016-08-24 | 武汉大学 | 一种基于高斯混合模型的卫星影像自动云检测方法 |
-
2019
- 2019-09-30 CN CN201910942681.6A patent/CN110675396A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101799921A (zh) * | 2009-02-10 | 2010-08-11 | 中国科学院计算技术研究所 | 一种光学遥感图像云检测方法 |
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 |
CN105894520A (zh) * | 2016-04-25 | 2016-08-24 | 武汉大学 | 一种基于高斯混合模型的卫星影像自动云检测方法 |
Non-Patent Citations (1)
Title |
---|
杨帆 等: "基于高斯混合模型的遥感影像云检测技术", 《南京林业大学学报(自然科学版)》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111445461A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN111445460A (zh) * | 2020-03-30 | 2020-07-24 | 上海眼控科技股份有限公司 | 雷达云图的预测方法、装置、计算机设备和存储介质 |
CN113436092A (zh) * | 2021-06-16 | 2021-09-24 | 中国电子科技集团公司第五十四研究所 | 一种全色遥感图像云区域识别方法 |
CN113436092B (zh) * | 2021-06-16 | 2022-04-22 | 中国电子科技集团公司第五十四研究所 | 一种全色遥感图像云区域识别方法 |
CN114240940A (zh) * | 2022-02-25 | 2022-03-25 | 航天宏图信息技术股份有限公司 | 一种基于遥感影像的云及云阴影检测方法和装置 |
CN114240940B (zh) * | 2022-02-25 | 2022-06-17 | 航天宏图信息技术股份有限公司 | 一种基于遥感影像的云及云阴影检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN111780763B (zh) | 一种基于视觉地图的视觉定位方法、装置 | |
CN110675396A (zh) | 遥感影像云检测方法、装置、设备及计算机可读存储介质 | |
CN106909902B (zh) | 一种基于改进的层次化显著模型的遥感目标检测方法 | |
Deschaud et al. | A fast and accurate plane detection algorithm for large noisy point clouds using filtered normals and voxel growing | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN111027547A (zh) | 一种针对二维图像中的多尺度多形态目标的自动检测方法 | |
CN109977997B (zh) | 基于卷积神经网络快速鲁棒的图像目标检测与分割方法 | |
CN106991686B (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
CN103279957A (zh) | 一种基于多尺度特征融合的遥感图像感兴趣区域提取方法 | |
CN111666900B (zh) | 基于多源遥感影像的土地覆盖分类图的获取方法和装置 | |
CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
CN111091147B (zh) | 一种图像分类方法、装置及设备 | |
CN107301649B (zh) | 一种基于超像素的区域合并sar图像海岸线检测算法 | |
Zhang et al. | Superpixel generation for SAR imagery based on fast DBSCAN clustering with edge penalty | |
CN114324078A (zh) | 一种颗粒粒径识别方法、装置、设备和介质 | |
CN104182757A (zh) | 获取被测目标实际覆盖面积的方法及装置 | |
CN110335280A (zh) | 一种基于移动端的金融单据图像分割与矫正方法 | |
CN109784171A (zh) | 车辆定损图像筛选方法、装置、可读存储介质及服务器 | |
CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
CN114742968A (zh) | 一种基于建筑物立面点云的立面图生成方法 | |
CN110793441A (zh) | 一种高精度物体几何尺寸测量方法及装置 | |
CN108334851B (zh) | 基于各向异质性的快速极化sar图像分割方法 | |
JP2013080389A (ja) | 消失点推定方法、消失点推定装置及びコンピュータプログラム |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200110 |
|
WD01 | Invention patent application deemed withdrawn after publication |