CN110753951B - 用于处理在大气中存在气溶胶和/或云的情况下获取的光学图像的方法 - Google Patents
用于处理在大气中存在气溶胶和/或云的情况下获取的光学图像的方法 Download PDFInfo
- Publication number
- CN110753951B CN110753951B CN201880032610.6A CN201880032610A CN110753951B CN 110753951 B CN110753951 B CN 110753951B CN 201880032610 A CN201880032610 A CN 201880032610A CN 110753951 B CN110753951 B CN 110753951B
- Authority
- CN
- China
- Prior art keywords
- image
- model
- atmosphere
- layer
- ground
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000012545 processing Methods 0.000 title claims abstract description 50
- 239000000443 aerosol Substances 0.000 title claims abstract description 48
- 230000003287 optical effect Effects 0.000 title claims abstract description 34
- 230000007613 environmental effect Effects 0.000 claims abstract description 71
- 238000012937 correction Methods 0.000 claims abstract description 63
- 230000000694 effects Effects 0.000 claims description 34
- 238000002310 reflectometry Methods 0.000 claims description 29
- 238000001914 filtration Methods 0.000 claims description 17
- 230000015556 catabolic process Effects 0.000 claims description 15
- 238000006731 degradation reaction Methods 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 description 23
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012546 transfer Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003653 coastal water Substances 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 239000005446 dissolved organic matter Substances 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000009349 indirect transmission Effects 0.000 description 1
- 230000031700 light absorption Effects 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local 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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种用于处理由航天器或飞行器(10)获取的光学图像的方法(50),包括:‑获得(51)地面反射率模型和大气模型,所述大气模型包括气溶胶模型和云模型;‑确定(52)大气模型的参数的最优值以及基于图像对大气模型进行优化;‑为大气模型的每一层确定(53)校正参数的值;‑根据校正参数的值将图像转换(54)为具有环境效应的地面图像;‑根据校正参数的值将具有环境效应的地面图像转换(55)为无环境效应的地面图像。
Description
技术领域
本发明属于由诸如卫星的航天器或在高空飞行的飞行器上的光学观测仪器获取的光学图像的领域。并且更具体地涉及一种用于处理图像的方法,在获取所述图像期间,校正在航天器或飞行器与由所述图像表示的观察到的场景之间的大气中与气溶胶和/或云的存在有关的影响。
背景技术
事实上,众所周知,卫星观测到的场景上方不太厚的云或气溶胶(雾、沙等)的存在,会导致图像中以特定波长,特别是光学波段,测量从场景接收到的辐射时,由于白化天气的存在而改变对所述场景的感知。气溶胶或云的存在还导致被称为环境效应(邻接效应)的影响,该效应为由于辐射在大气中存在的颗粒上的散射而导致图像模糊。
因此,期望能够处理这样的图像以便试图全部或部分抑制所述白化天气和环境效应带来的影响。
毋庸置疑,这在大气条件恶劣的地球区域特别有用,例如在雨季未完全被云层覆盖的热带地区,在旱季降雨期间通常会受到薄雾的影响。这种处理可以更普遍地应用于地球的任何区域,特别是当需要从若干幅图像中生成大尺寸区域的镶嵌图像时,以便采用质量较低的图像,从而加速该镶嵌图像处理的完成。
旨在抑制与气溶胶和/或云的存在相关的影响的该处理方法不仅用于改善图像的视觉渲染,而且用于提供更鲁棒和标准化的表示形式,从而有可能改善任何后续处理的有效性,例如场景分类等。
此外,期望能够自主地进行该处理,即,不需要关于已获取图像的大气条件的外部信息,也不必调用代表相同场景的另一图像。
为了校正大气对卫星获取的图像的影响,特别是要搜索图像中最暗的像素,并假设这些像素代表场景中的暗对象(所谓的“暗先验”方法)。这些像素然后被用于表征图像中存在的白化天气并抑制它。例如,在科学文章:"Single Image Haze Removal UsingDarkChannel Prior",Kaiming He,Jian Sun,Xiaoou Tang,CVPR 2009中描述了这种方法。
但是,暗像素的自动检测有时会很复杂,而且最重要的是,此类像素并不总是存在于图像上。一种替代方案是使用场景中的参考对象,其反射率是先验已知的,并使用这些参考对象来表征图像中存在的白化天气。然而,并非总是可能在场景中具有这样的参考对象,并且由于大气中存在气溶胶和/或云而使得其检测变得困难。
从国际申请WO 2014/197021中还已知将前述方法与大气模型相结合,该大气模型在存在气溶胶的情况下对大气中的传播进行建模。使用的大气模型为LOWTRAN类型。所描述的方法自动搜索图像中的暗像素,并迭代估计气溶胶光学厚度(AOD)。通过假设暗像素对应于暗对象,该方法通过考虑环境效应来估计气溶胶光学厚度。
然而,暗对象存在的假设并不总是被证实,以致所应用的处理方法并不总是有效的。此外,尽管云产生了不同的影响效果,但是所描述的方法无法将气溶胶与云区分开。一方面,气溶胶的影响在蓝色波长中高度显着,而云的影响则是相对消色差。此外,由于气溶胶和云位于不同的高度并具有不同的散射行为,因此会产生不同的环境效应。
发明内容
本发明的目的是通过提出一种解决方案来克服现有技术解决方案的全部或部分局限性,特别是上文公开的那些局限性,该解决方案可以抑制由航天器,例如卫星,或高空飞行的飞行器上的光学观测仪器获取的图像中的气溶胶和/或云(非透明)相关的全部或部分影响。
此外,本发明旨在提出一种解决方案,该解决方案使得可以自主地进行这样的处理,即,不必先验地获取图像对应的大气条件的信息,且不必调用表示同一场景的在先前日期获得的另一幅图像。
为此,并且根据第一方面,本发明涉及一种用于处理由航天器或飞行器获取的光学图像的方法,所述图像表示从地球表面场景接收的至少一个波长波段上的辐射,包括:
-获得场景的反射率模型和大气模型,所述大气模型包括至少一个气溶胶模型和一个云模型,所述大气模型分别模拟不同高度的不同层中大气的影响,
-确定大气模型的参数的最优值,使得可以基于该图像对所述大气模型进行优化,
-根据大气模型的最优值确定大气模型每一层的校正参数的值,
-根据大气模型每一层的校正参数的值,将图像转换为具有环境效应的地面图像,
-根据大气模型的每一层的校正参数的值,将具有环境效应的地面图像转换为没有环境效应的地面图像。
因此,该图像处理的方法使用地面反射率模型,该模型对观察到的场景的固有反射率进行建模,并且不需要检测图像中的暗像素并假定暗像素代表场景中的暗对象。
此外,图像处理的方法使用大气模型,该大气模型是包括至少两个不同高度的层的多层模型,即由复原气溶胶影响的气溶胶模型建模的层,以及在其上,由复原云影响的云模型建模的层。
因此,分别考虑到大气中气溶胶出现的高度(例如,介于0到大约2公里之间)和云出现的高度(例如,介于2公里到4公里之间),通过两种不同的模型对气溶胶的影响和云的影响进行了建模。结果是,可以更好地估计气溶胶和云的各自影响作用,并在由航天器或飞行器获取的图像中进行校正。
然后,该处理方法包括将图像转换为具有环境效应的地面图像,即转换为尚未校正环境效应的地面图像,以及将具有环境效应的所述地面图像转换为没有环境效应的地面图像,即转换为已校正环境效应的地面图像。
在特定实施例中,图像处理的方法还可包括以下特征中的一个或多个,这些特征是单独地或根据任何技术上允许的组合而获得的。
在特定实施例中,校正参数包括大气模型的每一层的固有反射率和固有衰减,并且具有环境效应的地面图像的转换包括对大气模型的各个层的这些固有反射率和固有衰减的校正。
在特定实施例中,校正参数包括针对大气模型的每一层传输的环境比例,并且转换为无环境效应的地面图像包括根据传输的背景比例对由各层引入的环境贡献的校正。
在特定实施例中,在一个层的一个像素上进行校正所述不同层引入的环境贡献的步骤包括:
-计算在视锥中接收到的反射,该视锥的顶点对应于所考虑的像素,
-删除在视锥中接收的所述反射,所述反射被由所考虑的层和所考虑的像素透射的环境效应的比例进行加权。
在特定实施例中,用于图像处理的方法包括对在图像中已验证云模型的不透明度标准的图像像素的进行识别的步骤,其中上述像素被称为“被遮罩像素”,并且在没有环境效应的地面图像中,将每个被遮罩像素的值强制设为预定值。
实际上,在不透明云的情况下,不可能恢复云下的场景,这样就不必校正表示云下遮罩的场景的像素的值。
在特定实施例中,预定值对应于转换成云顶层值或大气顶层值之后的图像中被遮罩的像素的值。
在特定实施例中,大气模型的参数的最优值的确定包括对每个参数分别与图像的不同像素相关联的所述参数的最优值图的确定,以及对所述参数的所述最优值图的空间滤波。
在特定实施例中,对于每个参数,确定所述参数的最优值图的步骤还包括与最优值相关联的置信度值图的确定,并且根据相关联的置信度值图执行最优值图的空间滤波。
在特定实施例中,最优值图的空间滤波包括根据最优值图和相关联的置信度值图,针对分辨率退化的不同值,以退化的分辨率对最优值图的计算,以及最优值图和分辨率退化的最优值图的加权平均值的计算。
在特定实施例中,图像对应于原始图像,该原始图像的像素值已经被转换成大气顶层值。
在特定实施例中,该图像对应于其分辨率已经退化的高分辨率图像,包括为获得没有环境效应的地面图像而应用于该图像的校正因子的确定,以及根据所述校正因子,将高分辨率图像向没有环境效应的高分辨率地面图像的转换。
在特定实施例中,大气模型还包括对在比云模型的层更高的层中的大气的影响进行建模的天空模型。
在特定实施例中,处理方法包括确定图像中是否包含云的先验步骤,其中当确定图像不包含云时使用不含云模型的大气模型。
在特定实施例中,在转换成具有环境效应的地面图像的过程中,通过降低高度依次考虑所述各层,从而连续校正了大气模型每一层的相应影响。
在特定实施例中,在转换成没有环境效应的地面图像的过程中,通过降低高度依次考虑所述各层,从而连续校正了大气模型每一层的相应影响。
根据第二方面,本发明涉及一种计算机程序产品,其包括一组程序代码指令,当所述程序代码指令由处理器执行时,其配置所述处理器以实现根据本发明任何一个实施例的用于处理图像的方法。
根据第三方面,本发明涉及一种用于处理由航天器或飞行器获取的图像的设备,该设备包括为实施根据本发明的任何实施例的用于处理图像的方法而配置的装置。
附图说明
通过阅读以下说明,将更好地理解本发明,以下说明是通过非限制性示例给出的,并且参考以下附图:
-图1:以示意图形式显示了在地球轨道上的一颗观测卫星,
-图2:示出了处理图像的一种方法的主要步骤的图,
-图3:示出了用于处理图像的方法的一个优选实施例的图,
-图4:以示意图形式显示了大气模型示例的不同层,
-图5:示出了大气模型的参数的最优值图的空间滤波的金字塔运算的图,
-图6:显示视锥中接收到的反射的一个计算示例的示意图,
-图7:示出用于处理图3的图像的方法的一个替代实施例的图。
在这些附图中,从一个附图到另一附图的相同附图标记表示相同或相似的元件。为了清楚起见,除非另外说明,否则所示的元件未按比例绘制。
具体实施方式
在本说明书的其余部分中,以非限制性方式考虑处理从卫星类型的航天器获取的图像的情况。然而,本发明也适用于由飞行器(飞机,气球,无人驾驶飞机等)上的光学观测仪器获取的图像,该飞行器在足够高的高度上运动,使得所述图像暴露于下垫面大气柱的白化天气和环境效应下。
图1示意性地示出了在地球轨道上的卫星10,其被配置为观察地球表面上的场景。例如,地球轨道是移动轨道,使得至少由于所述卫星10相对于地球的位移,卫星观察到的场景随时间变化。
通常地,卫星10携带至少一个光学观测仪器11,该光学观测仪器11使得能够获取与在波长波段中接收的辐射相对应的图像。用于图像采集的波长波段在与可见光和红外波长的范围相对应的光学波长的范围内,特别是近红外(NIR)或短波红外(SWIR)。
通常,由卫星10携带的一个或多个观测仪器11包括一组在不同波长波段中的灵敏检测器。然后,所获取的场景图像是多光谱或高光谱的(如果波长波段的数量很大),并且包括在不同波长的波段中获取的该场景的几个基本图像。例如,可能同时具有:
-蓝色波段(例如[450-520]纳米)中的基本图像,
-绿色波段(例如[530-590]纳米)中的基本图像,
-红色波段(例如[625-695]纳米)中的基本图像,
-近红波段(例如[760-890]纳米)内的基本图像。
根据其他示例,观测仪器11也可以是全色仪器,并且直接获取宽波段的图像,该宽波段直接覆盖例如所有可见波长。
本发明可以应用于广义的图像,即可以应用于在单个宽或窄波段中获取的单个图像(基本)。然而,本发明在多光谱或高光谱的图像的情况下,即在由从不同波长的波段中获取的场景的多个基本图像形成的场景的图像的情况下,具有特别有利的应用。
一旦卫星10的一个或多个观测仪器11获取图像,则当卫星10在地面站20上空飞行时,将所述图像存储以便被传输至所述地面站20。一旦被传输至地面站20,则将该图像提供给处理设备(图中未示出),该设备可以在延迟的时间内执行旨在纠正在获取图像时气溶胶和/或云层在大气中存在的影响的处理过程,该过程通过执行图像处理的方法50来实现。
该处理设备包括例如处理电路,该电路包括一个或几个处理器以及用于存储的装置(磁性硬盘,电子存储器,光盘等),其中存储的数据和计算机程序产品是一组形如要执行的程序代码指令,以实现图像处理的方法50的部分或全部步骤。替代地或作为补充,处理电路包括一个或几个可编程逻辑电路(FPGA,PLD等)和/或一个或几个专用集成电路(ASIC)和/或一组分立的电子元件等,适用于实施图像处理的方法50的全部或部分步骤。
换句话说,用于处理的电路对应于由软件(特定计算机程序产品)和/或由硬件(FPGA,PLD,ASIC等)配置的一组装置,以便实现图像处理的方法50的各个步骤。
图2示意性地示出了用于处理图像的方法50的主要步骤,该方法旨在校正在获取场景图像时气溶胶和/或云的存在带来的影响。如图2所示,图像处理的方法50包括以下步骤:
-51获得模拟场景和卫星10之间的大气影响的地面反射率模型和大气模型,所述大气模型包括至少一个气溶胶模型和云模型,模拟大气不同高度各层的影响。
-52确定大气模型的参数的最优值,从而可以基于图像对所述大气模型进行优化,
-53根据大气模型的最优值确定大气模型每一层的校正参数的值,
-54根据大气模型每一层的校正参数的值,将图像转换为具有环境效应的地面图像,
-55根据大气模型每一层的校正参数的值,将具有环境效应的地面图像转换为没有环境效应的地面图像。
在下文中,尤其是参考图3,将更详细地描述上述步骤的实施示例,图3示出了图像处理的方法50的优选实施例。
在图3所示的非限制性示例中,图像处理的方法50还包括将图像的像素的值转换成大气顶层值的步骤56。因此,这种转换旨在获得反射率的物理值的图像,使得可以在地球大气层以外的空间中对其进行测量。
A)获得地面反射率模型和大气模型
如上所述,用于图像处理的方法50使用场景模型,该场景模型主要包括两种类型的模型:
-地面反射率模型,用于根据不同的参数对观察到的场景的固有反射率进行建模,以及
-根据不同的参数对场景与卫星10之间,尤其是场景与大气顶层之间的大气传递函数进行建模的大气模型。
A.1)地面反射率模型
地面反射率模型基于例如SAIL/PROSPECT模型,该模型尤其对植被覆盖的场景的反射率进行建模,其中植被是从卫星10观测到的大多数场景中的主要贡献者。
SAIL/PROSPECT模型在科学文献中也称被为PROSAIL模型,通常考虑到太阳对场景的照射方向以及仪器的观测方向(BRDF模型全称为“双向反射分配功能”)。
SAIL/PROSPECT模型已经过详尽的验证,并且被科学界广泛使用。可以通过以下科学出版物的例子来说明:"PROSPECT+SAIL Models:A Review of Use for VegetationCharacterization",Jacquemoud S.,Verhoef W.,Baret W.,Bacour C.,Zarco-TejadaP.J.,Asner G.P., C.,Ustin,S.L.,Remote Sensing of Environment 113,S56-S66。
还可以通过以下方式丰富地面反射率模型:
-事先了解观测到的覆盖范围以及预定的植被密度范围(例如,从热带雨林到半干旱地区),
-在提前知道观测的场景(例如,沿海地区,湖泊等)中有很大可能性出现水时,考虑水成分的存在,例如使用与SAIL模型相同的形式来实现辐射传递模型,以及水的光学特性,例如潜在浅水和浊水的特征,称为CASE II类型(参见"Variations in the LightAbsorption Coefficients of Phytoplankton,Nonalgal Particles,and DissolvedOrganic Matter in Coastal Waters Around Europe",Babin et al.,Journal ofGeophysical Research,108,3211),
-预先确定的特殊地面响应,在地面植物覆盖(山脉,沙漠等)的影响能够发挥实质性影响的情况下,根据对场景中观察到的地面类型的先验知识进行选择,
-可以影响观测场景的反射率的其他特征的建模,例如燃烧区,雪区,具有特定光谱特征的人造表面等的实质性存在。
A.2)大气模型
大气模型例如是基于LOWTRAN模型的(参见"Users Guide to LOWTRAN 7",Kneisys F.X.et al.,1988,Air Force Geophysics Lab Hanscom AFB MA)。
如上文所示,大气模型是多层模型,其包括至少两个不同高度的层,即由对气溶胶影响进行建模的气溶胶模型所建模的层,以及在其上方由对云影响进行建模的云模型所建模的层。
在本说明书的其余部分中,我们将以非限制性方式研究以下情况:大气模型还包括天空模型,该天空模型对海拔高度大于云模型层的大气层的影响进行建模。
大气模型各层的分布如图4所示。如图4所示,大气层是根据三个主要层建模的:
-低层30,其例如对应于气溶胶所处的0至大约2公里之间的高度,并且由气溶胶模型来建模,
-中间层31,其例如对应于云所处的约2至约4公里之间的高度(除了某些类型的云,例如卷云),并且由云模型来建模,
-顶层32,位于中间层31上方并一直到大气层的顶部,主要引入由天空模型建模的瑞利散射。
气溶胶模型和云模型例如被建模为具有Henvey-Greenstein相函数和适合于气溶胶和云的各自行为的偏度参数的混浊介质层。对于气溶胶模型和云模型,传递函数例如根据4-通量形式表示,该形式为例如在SAIL模型中开发的。
云的光学特性是众所周知的,并在文献中进行了描述,并且可以用于配置云模型,以及在光学云厚度和所述云的表观反射率之间建立关系,例如,以便使用光学云厚度作为云模型的参数。
对于LOWTRAN类型的气溶胶模型,指导参数通常是与气溶胶含量相关的可见距离。可以从LOWTRAN模型的调用中推导出气溶胶的光学特性,具体为一方面考虑不存在气溶胶(最大可见性),另一方面考虑特定类型的气溶胶和可见距离的参考值,比较两种情况下LOWTRAN模型提供的结果。因此,可以在LOWTRAN模型的可见距离参数和气溶胶层的光学厚度之间建立关系(“查表”),并且可以将所述可见距离用作所述气溶胶模型的参数。
还可以在低层30和/或中间层31中可以发现数量不可忽略的砂颗粒时,通过例如用于地理区域的砂模型的方式来丰富气溶胶模型和/或云模型。
通常,天空模型对顶层32引入的瑞利散射进行建模。相对于分子大气柱的光学厚度,瑞利散射的强度通常可以通过等效的海拔高度参数进行控制。此参数取决于场景的起伏,根据压力和温度的条件适度变化,并且在不透明的云层上方对应于云顶的视在高度。以下,将该参数称为“大气柱的甲板高度”。
A.3)场景模型的选择
为了能够处理位于地球表面上不同位置的场景的图像,在特定实施例中,可以在数据库中存储场景模型库。存储在该数据库中的每个场景模型对应于适合于特定的景观类型和气候条件的地面反射率模型和大气模型的特定组合。
通过根据景观类型和气候条件对地球表面上的不同区域进行分类,可以建立一个或多个地理地图,从而可以为地球表面上的每个区域选择最适合该区域出现的景观类型和气候条件的场景模型。
因此,在已经预先在数据库中构建了一个场景模型的全局库的情况下,选择场景模型主要是确定一个区域和在所述数据库中获取与该区域相关联的场景模型,其中所述观测到的场景位于所述区域中。
B)确定场景模型参数的最优值
如上所述,图像处理的方法50包括确定大气模型的参数的最优值的步骤52,使得基于图像对所述大气模型进行优化成为可能。
确定大气模型的参数的最优值的所述步骤52是将场景模型反演的更通用的过程的一部分,该过程还能确定地面反射率模型的参数的最优值,从而使得基于图像对地面反射率模型进行优化成为可能。换句话说,步骤52旨在确定地面反射率模型的参数的最优值以及大气模型的不同层的各个参数的最优值,从而使得基于图像对场景模型进行优化成为可能。更优选地,对地面反射率模型和场景模型的大气模型同时进行联合并优化。
实际上,场景模型参数的一组特定值使得可以在大气层的顶部获得所述场景的理论图像,该理论图像可以与卫星10获取的图像进行比较。
例如,优化的目的在于使理论图像与卫星10所获取的图像之间的相似度最大化,即,其目的在于确定所述参数的所谓的最优值,从而使得有可能获得理论图像与卫星10获取的所述图像之间的最大相似度。然而,仍然可以考虑其他类型的优化,并且优化过程通常包括预先定义要优化的成本函数,即根据成本函数的类型来最小化或最大化。特定成本函数的选择仅构成本发明的替代实施方案。
例如,必须根据大气模型确定最优值的参数对应于:
-气溶胶模型的可见距离,
-云模型的光学云厚度,以及
-天空模型的大气柱的甲板高度。
然而,也可以通过考虑其他类型的参数来应用本发明,并且对特定类型的参数的选择仅形成本发明的替代实施方案。举例来说,也可以考虑将气溶胶光学厚度(AOD)作为气溶胶模型的参数。
注意,在光谱范围内的测量次数越多,所确定的所述参数的最优值将越准确,并且所述参数的最优值将越接近真实值。因此,使用由几个基本图像形成的多光谱或高光谱图像,这些基本图像表示从同一场景接收到的不同波长波段中的辐射,因此可以增加测量次数,从而提高大气模型(更广泛地说是场景模型)的反演性能。
因此,在确定场景模型的最优值的步骤52结束时,在图像的每个像素处(并且在多光谱或高光谱图像的情况下,对于每个基本图像),列如拥有:
-可见距离的最优值,
-光学云厚度的最优值,
-大气柱甲板高度的最优值。
此外,已知的优化方法还可以提供与参数的每个确定的最优值相关联的置信度值,该置信度值表示所述最优值在光中的可能性,例如,在理论图像和卫星10获得的图像中相应像素的各个值。因此,在确定场景模型最优值的步骤52结束时,在图像的每个像素处(并且在多光谱或高光谱图像的情况下,对于每个基本图像)还可以有:
-与可见距离最优值相关联的置信度值,
-与光学云厚度的最优值相关联的置信度值,
-与大气柱的甲板高度相关联的置信度值。
注意,对于顶层32,大气柱的低海拔的最优值原则上对于图像的所有像素基本相同。因此,对于顶层32的天空模型,可能仅确定大气柱的甲板高度的单个最优值,或者仅确定所述图像的几个像素的几个最优值(以及,可选地,相关联的置信度值)。
还应注意,类似地,可以获得地面反射率模型的参数的最优值(以及可选地相关联的置信度值)。
在特定实施例中,可以加权与场景模型的反演期间计算的与大气模型的参数的最优值相关联的置信度值,以便考虑不同的标准。
根据第一示例,可以考虑光学云厚度的最优值,以便加权同一像素的低层30的可见距离的最优值的置信度值。实际上,在厚云的情况下,不能正确确定云下的气溶胶量。因此,在光学云厚度的最优值很大的情况下,减小由相同像素确定的低层30的可见距离的最优值的置信度值是有利的。
根据另一个示例,可以考虑地面反射率模型的参数的最优值,以便加权低层30的可见距离的最优值的置信度值。在黑暗区域,例如森林上方,气溶胶量(以及可见距离)的确定更为准确。因此,对于场景中表示茂密和黑暗植被区域的像素,增加低层30的可见距离的最优值的置信度值是有利的。
因此,在确定场景模型的最优值的步骤52的最后,我们更优选地对于每个参数和大气模型的每一层(以及在适用时,对于每个基本图像)具有:
-分别与不同像素相关联的最优值图,
-与所述最优值相关联的置信度值图。
如上所述,对于顶层32,大气柱的甲板高度的最优值原则上对于图像的所有像素基本相同。因此,仅对于低层30(气溶胶模型)和对于中间层31(云模型),可以确定最优值图和相关联的置信度值图。
在优选实施例中,并且如图3所示,图像处理的方法50还包括对参数的最优值图进行空间滤波的步骤520。有利地,根据相关联的置信度值图执行最优值图的空间滤波。
图5示意性地示出了优选实施例,其中,对最优值图进行空间滤波的步骤520包括根据最优值图和相关联的置信度值图,针对分辨率退化的不同值,以退化的分辨率来计算最优值图,以及最优值图和分辨率退化的最优值图的加权平均值的计算。
实际上,在图5所示的非限制性示例中,计算了分辨率退化时的最优值的各种图(以及相关联的置信度值图)。
更具体地,图5中所示的示例示出了分辨率的四个连续退化,其退化因子为2(图5中的步骤S1,S2,S3和S4),以分辨率分别退化2、4、8和16倍的方式获得最优值图(以及相关联的置信度值图)。应当注意,可以考虑将分辨率的连续退化的数量乘以不同于四的因数2,并且图5所示的示例不限于特定数量的连续分辨率退化。例如,有可能以退化因子2执行连续的分辨率退化,直到获得沿一个维度仅包含单个像素的分辨率退化的最优值图。
每个分辨率的退化更优选地是通过快速卷积滤波器执行的,该快速卷积滤波器根据与连续空间亚分辨率相关联的置信度值来计算最优值的加权平均值,所述连续空间亚分辨率对应于初始分辨率以退化因子2到16的退化。
然后使在步骤S4结束时获得的最优值图(以及相关联的置信度值图)的分辨率提高2倍(步骤S5)。然后,借助于相应的加权系数k和(1-k),例如选择k等于0.5,计算在步骤S3结束时获得的最优值图的加权平均值和在步骤S5结束时获得的最优值图的加权平均值(步骤S6)。相关联的置信度值图根据相同的加权平均值进行组合。
然后,对在步骤S6结束时获得的最优值图(以及相关联的置信度值图)进行2倍的分辨率提高(步骤S7)。然后,借助于所述加权系数k和(1-k),计算在步骤S2结束时获得的最优值图的加权平均值和在步骤S7结束时获得的最优值图的加权平均值(步骤S8)。相关联的置信度值图根据相同的加权平均值进行组合。
然后,对在步骤S8结束时获得的最优值图(以及相关联的置信度值图)进行2倍的分辨率提高(步骤S9)。然后,借助于所述加权系数k和(1-k),计算在步骤S1结束时获得的最优值图的加权平均值和在步骤S9结束时获得的最优值图的加权平均值(步骤S10)。相关联的置信度值图根据相同的加权平均值进行组合。
然后,对在步骤S10结束时获得的最优值图(以及相关联的置信度值图)进行2倍的分辨率提高(步骤S11)。然后借助于所述加权系数k和(1-k),计算初始最优值图和在步骤S11结束时获得的最优值图的加权平均值(步骤S12)。相关联的置信度值图根据相同的加权平均值进行组合。
在步骤S12结束时获得的最优值图和相关联的置信度值图对应于图5示例中的空间滤波结果。
在优选实施例中,光学云厚度的最优值图的空间滤波与验证了预先确定的不透明度标准的像素无关。例如,如果光学云厚度的最优值大于代表不透明云的存在的预定阈值,则不透明度标准得到验证。
实际上,作为低通滤波器的空间滤波趋于软化最优值图的快速转变,并因此可以删除例如与噪声有关的伪像。但是,这种空间滤波也将有助于软化厚云的定界,这将有助于将该定界扩展到厚云的相邻像素上。因此,不对与厚云相对应的最优值进行空间滤波是有利的。例如,可以识别被验证为不透明度标准的像素,称为“被遮罩像素”。对于这些被遮罩的像素,例如修改初始置信度值图,以迫使与被遮罩的像素相关联的置信度值为零。在空间滤波的步骤520期间使用如此修改的置信度值图。在空间滤波的步骤520结束时,例如,在空间滤波之前,被遮罩像素的最优值和相关联的置信度值被替换为其初始值。
C)确定每一层的校正参数
如上所述,用于处理图像的方法50包括步骤53,该步骤根据大气模型的最优值来确定大气模型的每一层的校正参数的值。
通常,大气模型层的校正参数对应于描述该层传递函数的参数,因此可以用于反演该传递函数并校正图像中传递模型的相应层的影响。
在优选实施例中,考虑的校正参数,例如针对每一层(低层30,中间层31和顶层32),有:
-所考虑层的固有反射率ρl,
-所考虑层的固有衰减τl,其对应于所考虑的层在从直接下层接收的辐射或对于低层30而言从场景接收的辐射所引入的衰减,
-在透射层中考虑一定比例的环境效应xebvl。
环境效应的比例xenvl对应于观察到的在透射到上层的辐射中的点在环境中的贡献,通常可以按照以下公式表示:
其中:
-τoo表示所考虑层的辐射直接透射,即从地面观测点沿着所考虑的视线有效地通过(不拦截)所考虑的层,获得的辐射透射系数
-τdo表示所考虑层的辐射间接透射,即根据所考虑的视线收集的辐射透射系数,该辐射透射系数来自在地面上观察到的点的所有邻近区在所考虑层的通道处散射而得到。
然而,不排除考虑其他类型的校正参数,并且对特定类型的校正参数的选择仅形成本发明的替代实施方案。
通过考虑为大气模型的不同参数所确定的最优值,可以直接从大气模型中计算每一层此类校正参数的值。因此,可以同时执行确定校正参数的值的步骤53和确定最优值的步骤52。
因此,在前面的示例中,确定校正参数的值的步骤53必须使得可以为每个像素(以及在适用时,为每个基本图像,即为所考虑的每个波波段)确定:
-三个固有反射率值ρl(大气模型每层对应一个值),
-三个固有衰减值τl(大气模型每层对应一个值),
-环境效应比例的三个值xenvl(大气模型每层对应一个值)。
如上所述,对于图像的所有像素,天空模型的大气柱的甲板高度的最优值基本相同,以使得顶层32的校正参数的值对于图像的所有像素原则上也基本相同。
为了限制要存储的数据量,存储分别与大气模型的每个参数和所考虑的每个波长波段相关联的校正表是有利的。例如,对于所考虑的每个波长波段,这又回到确定:
-根据可见距离的校正表,
-根据光学云厚度的校正表,
-根据大气柱的甲板高度的校正表。
对于所考虑的模型参数的一个或几个典型值(可见距离,云的光学厚度,大气柱的甲板高度),这种校正表包括校正参数的相应值(固有反射率,固有衰减,环境效应比例)。下表给出了这种校正表的非限制性例子。
模型参数的典型值 | 3 | 7 | 10 | […] | 200 |
固有反射率ρl | […] | […] | […] | […] | […] |
固有衰减τl | […] | […] | […] | […] | […] |
环境效应比例xenvl | […] | […] | […] | […] | […] |
如上所述,对于图像的所有像素,大气柱的甲板高度的最优值基本上是相同的,使得对应的校正表可以仅包含等价于该最优值的单个典型值。
因此,为了检索要用于图像像素的校正参数的值,例如对于大气模型的低层30,只需获得可见距离的最优值(对于所考虑的图像的波长波段)。该最优值使得例如可以在与可见距离(并且与所考虑的波长波段相关联)相关联的校正表中识别最接近所述确定的最优值的典型值以及相关联的校正参数的最优值,并通过对与可见距离相关联的校正表提供的所述校正参数的值进行插值来计算校正参数的最终值。
D)将图像转换为具有环境效应的地面图像
图像处理的方法50还包括步骤54,该步骤根据校正参数的值将图像转换为具有环境效应的地面图像。转换为具有环境效应的地面图像的步骤54旨在校正除环境效应以外与气溶胶和/或云的存在相关的影响。
更具体地,转换为具有环境效应的地面图像的步骤54通过降低高度相继考虑所述各层,从而连续校正了大气模型的每一层的影响。换句话说,首先校正顶层32的影响,其次校正中间层31的影响,最后校正低层的影响。
因此,对于给定的像素,并在获取了大气层顶部的反射率值之后进行检验,以下以ρToA表示,我们依次获得:
-对应于中间层31顶部的反射率的反射率值ρ1,
-对应于低层30顶部的反射率的反射率值ρ2,
-对应于具有环境效应的地面反射率的反射率值ρ3。
对于大气模型的每一层,根据校正参数的值进行校正,其具体目的是抑制所考虑层的固有反射率并抵消所考虑层的固有衰减,例如表达公式如下:
ρK+1=gl×(ρK-ρl)
其中0≤K≤2并且gl是抵消所考虑的层的固有衰减的增益(gl=1/τl)。
如上文所示,校正参数的值ρl和τl取决于所考虑模型的参数(可见距离,云的光学厚度)以及在所考虑像素水平上(根据所考虑的波长波段确定的)所考虑模型的所述参数的最优值。对于大气柱的甲板高度,无论所考虑的像素如何,最优值都基本相同,并且对于图像的所有像素(根据所考虑的波长波段确定的),校正值都基本相同。
E)转换成没有环境效应的地面图像
图像处理的方法50还包括步骤55,该步骤根据校正参数的值将具有环境效应的地面图像转换为没有环境效应的地面图像。因此,转换成没有环境效应的地面图像的步骤55旨在校正环境效应。
更具体地,转换为没有环境效应的地面图像的步骤55通过降低高度相继考虑所述各层,从而连续校正了大气模型的每一层的影响。换句话说,首先校正顶层32的影响,其次校正中间层31的影响,最后校正低层的影响。
因此,对于给定的像素,并在获得具有环境效应的地面反射率值后进行检验,以下以ρ3,0表示(与上面计算出的反射率ρ3相对应),我们依次获得:
-对应于校正顶层32的环境效应之后的反射率的反射率值ρ3,1,
-对应于校正顶层32和中间层31的环境效应之后的反射率的反射率值ρ3,2,
-对应于无环境效应的地面反射率的反射率值ρ3,3。
对于大气模型的每一层,均根据校正参数的值进行校正,其目的是抑制环境的全部或部分影响,例如表达公式如下:
其中0≤K≤2并且fBackground(ρ3,K)的表达式对应于在视锥中接收的反射率,视锥的顶点位于所考虑像素的视线,该视线为连接观测仪器11与所考虑像素表示的场景部分的直线。视锥顶点的高度取决于所考虑的层。例如,将视锥顶点的高度选择为所考虑的层中的散射效应的平均高度。该平均高度例如为对于顶层32大约为8公里,对于中间层31大约为3.5公里,对于低层30大约为800米。通过像视锥的顶点那样定位,该定位高度取决于所考虑的层,在视锥中接收的反射中,在所考虑像素附近区域的像素的贡献取决于所述视锥顶点的高度,因此取决于所考虑的层。
图6显示了计算视锥中接收到的反射的示例。在图6中,出于附图清楚的目的,以非限制性方式认为所考虑的像素的视线Lv[l]是垂直的。视锥的顶点位于高度hK,该高度hK例如如上所述,取决于所考虑的层。每个像素代表观察到的场景的预先确定的部分,并且代表的不同部分基本上都具有相同的尺寸,因此也基本上具有相同的表面积,该表面积在图6中用Sp表示。但是,在视锥顶点处形成的用于从所述顶点观察场景的一部分的立体角的值取决于场景所考虑的部分以及视锥顶点的高度hK。
更具体地,对于在正入射下观察到的部分,在视锥的顶点处的立体角的值最大,该部分对应于位于图中6中考虑的像素的视线Lv[l]的末端的部分。对于在正入射下未观察到的场景部分,视锥顶点处的立体角的值随所考虑的部分与在正入射下观察到的部分之间的距离增大而减小。此外,对于场景的相同部分,当顶点的高度hK增加时,在视锥顶点处的立体角的值减小。
在图6所示的示例中,由考虑的像素表示的场景部分的反射由ρ3,K[l]表示,并且在视锥顶点处的立体角的对应值表示为αK[l]。图6还显示了与正入射下观察到的部分分开的场景部分的反射,该反射由ρ3,K[q]表示,其中在视锥顶点处立的体角的对应值由αK[q]表示,即有αK[q]<αK[l]。
例如,在图6所示的示例中,可以根据以下表达式计算在视锥中接收到的反射:
/>
其中:
-Np对应于计算中考虑的像素数量,例如等于具有环境效应的地面图像的像素总数,
-RK[l]对应于正则化因子,例如根据以下表达式计算:
视锥中接收到的反射率是根据前面迭代计算反射率值(反射率依次为ρ3,0,ρ3,1和ρ3,2)得到的。可以通过例如快速卷积滤波器和金字塔技术(通过分辨率的连续退化)来计算在视锥中接收的所述反射,类似于上文对空间滤波的描述。
在以上表达式中,xenvl×fBackground(ρ3,K)对应于像素环境的贡献。如上所示,环境效应的比例xenvl的值取决于所考虑的模型参数(可见距离,云的光学厚度)以及在所考虑像素水平上(根据所考虑的波长波段确定的)所考虑模型的所述参数的最优值。对于天空模型大气柱的甲板高度,无论所考虑的像素如何,最优值都基本相同,并且对于图像的所有像素(根据所考虑的波长波段确定的),校正值都基本相同。
在上述校正结束时获得的反射率值ρ3,3形成没有环境效应的地面图像。
F)图像处理的方法的其他替代方案
更一般地,应注意,以上考虑的实施例通过非限制性示例给出,因此其他替代方案也可以考虑。
图7示出了用于处理图3的图像处理的方法50的替代实施例的非限制性示例。
除了已经参考图3描述的步骤之外,图像处理的方法50还包括例如步骤57,在该步骤中,将没有环境效应的地面图像中的每个被遮罩像素的值强制设为预定值。
实际上,如上所述,在存在厚云的情况下,尝试恢复地面反射率是没有用的,因为地面被所述厚云遮罩了。预定值例如对应于转换成云顶层值(ρ1)或大气顶层值(ρTOA)之后的图像中被遮罩像素的值。
此外,在图7所示的示例中,图像处理的方法50包括根据传统的图像重采样方法来降低高分辨率图像的分辨率的步骤580。术语“高分辨率”在这里仅表示相对于待处理图像的高分辨率,该图像随后用于执行图2和图3中描述的各个步骤。
有利地,图像处理的方法50还包括步骤581,通过该步骤确定要应用于图像的校正因子,以便获得没有环境效应的地面图像,以及步骤582,该步骤根据所述校正因子将高分辨率图像转换成没有环境效应的高分辨率地面图像。例如,转换成无环境效应的高分辨率地面图像的步骤582包括对校正因子进行插值,以使其具有与高分辨率图像相同的分辨率,以及将插值校正因子应用于初始高分辨率图像。
可以以自动化的方式执行本处理方法,而无需操作员任何步骤的干预。可以根据操作环境以非限制性方式,将本处理方法用于直接接收卫星图像的地面站20中,用于专门处理卫星或航空图像的自主软件套件中或者集成到“云服务”类型的图像处理服务的分布式处理链中。
在特定实施例中,处理方法50包括确定图像中是否包含云的先验步骤(图中未示出)。该步骤可以根据本领域技术人员已知的任何图像鉴定方法来实施。如果确定图像不包含云,则通过考虑没有云模型的大气模型来执行上述步骤。否则,通过考虑上述大气模型来执行上述步骤,该大气模型包括至少一个气溶胶模型和一个云模型。
Claims (14)
1.处理由航天器或飞行器(10)获取的光学图像的方法(50),所述图像表示从地球表面的场景接收的至少一个波长波段的辐射,所述图像处理的方法(50)的特征在于其包括以下步骤:
- 获得(51)地面反射率模型和大气模型,所述大气模型包括至少两个层,所述至少两个层对大气在不同高度上的影响进行建模,所述其中一层对应于气溶胶模型,另一层对应于云模型,
- 确定(52)所述地面反射率模型和所述大气模型的参数的最优参数值,使得可以依据所述图像对所述地面反射率模型和所述大气模型进行优化,
- 对于所述大气模型的每一层,根据所述大气模型的所述最优参数值确定(53)校正参数的值,
- 根据所述大气模型所述每一层的所述校正参数的值,将所述图像转换(54)为具有环境效应的地面图像,
- 根据所述大气模型的所述每一层的所述校正参数的值,将所述具有环境效应的地面图像转换(55)为无环境效应的地面图像。
2.根据权利要求1所述的方法(50),其中,所述校正参数包括所述大气模型的所述每一层的固有反射率和固有衰减,并且所述转换为无环境效应的地面图像的步骤包括对所述大气模型不同层的所述固有反射率和所述固有衰减的校正。
3.根据权利要求1或2所述的方法(50),其中,所述校正参数包括所述大气模型的每一层的环境效应的比例,并且所述转换为所述无环境效应的地面图像的步骤包括根据所述环境效应的比例校正不同层引入的环境贡献。
4.根据权利要求3所述的方法(50),其中,在一个层的一个像素上进行校正所述不同层引入的环境贡献的步骤包括:
- 计算在视锥中接收到的反射,所述视锥的顶点对应于所考虑的像素,
- 删除在所述视锥中接收的所述反射,该所述反射由所考虑的层和所考虑的像素的所述环境效应的比例来加权。
5.根据权利要求1所述的方法(50),包括对验证了云模型的不透明度标准的像素的进行识别的步骤,其中上述像素称为“被遮罩像素”,并且在没有所述环境效应的地面图像中,将每个所述被遮罩像素的值强制设为(57)预定值。
6.根据权利要求5所述的方法(50),其中,所述预定值对应于在转换成云顶层值或大气顶层值之后图像中的所述被遮罩像素的值。
7.根据权利要求1所述的方法(50),其中,所述确定(52)所述地面反射率模型和所述大气模型的参数的最优参数值的步骤包括针对每个参数确定分别与所述图像的不同像素相关联的所述参数的最优值图,以及所述参数的所述最优值图的空间滤波(520)。
8.根据权利要求7所述的方法(50),其中,对于所述每个参数,确定所述参数的最优值图的步骤还包括确定与所述最优值相关联的置信度值图,以及根据所述相关联的置信度值图执行所述最优值图的所述空间滤波(520)。
9.根据权利要求8所述的方法(50),其中,所述最优值图的所述空间滤波(520)包括根据所述最优值图和所述相关联的置信度图对不同分辨率退化值在退化分辨率下的所述最优值图的计算,以及所述最优值图和所述分辨率退化的最优值图的加权平均值的计算。
10.根据权利要求1所述的方法(50),其中,所述图像对应于原始图像,所述原始图像的像素值已经被转换成大气顶层值。
11.根据权利要求1所述的方法(50),其中,所述图像对应于其分辨率已经退化的高分辨率图像,包括确定(581)应用于所述图像的校正因子以获得没有环境效应的所述地面图像,以及根据所述校正因子将所述高分辨率图像转换(582)成没有环境效应的高分辨率地面图像。
12.根据权利要求1所述的方法(50),其中,所述大气模型还包括天空模型,所述天空模型对在比所述云模型层更高的层中的大气的影响进行建模。
13.根据权利要求1所述的方法(50),包括确定所述图像中是否包含云的先验步骤,其中当确定所述图像中不包含云时使用不含所述云模型的所述大气模型。
14.用于处理由航天器或飞行器(10)获取的图像的设备,其特征在于,所述设备包括为实现根据权利要求1至13中的一项所述的图像处理的方法(50)而配置的装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1754234 | 2017-05-15 | ||
FR1754234A FR3066301B1 (fr) | 2017-05-15 | 2017-05-15 | Procede de traitement d’une image optique acquise en presence d’aerosols et/ou de nuages dans l’atmosphere |
PCT/EP2018/061950 WO2018210647A1 (fr) | 2017-05-15 | 2018-05-09 | Procédé de traitement d'une image optique acquise en présence d'aérosols et/ou de nuages dans l'atmosphère |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110753951A CN110753951A (zh) | 2020-02-04 |
CN110753951B true CN110753951B (zh) | 2023-11-17 |
Family
ID=60080875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880032610.6A Active CN110753951B (zh) | 2017-05-15 | 2018-05-09 | 用于处理在大气中存在气溶胶和/或云的情况下获取的光学图像的方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10810704B2 (zh) |
EP (1) | EP3625758B1 (zh) |
CN (1) | CN110753951B (zh) |
CA (1) | CA3061873A1 (zh) |
FR (1) | FR3066301B1 (zh) |
WO (1) | WO2018210647A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3081590B1 (fr) | 2018-05-22 | 2020-06-19 | Airbus Ds Geo Sa | Procede d’augmentation de resolution spatiale d’une image multi-spectrale a partir d’une image panchromatique |
CN111398180B (zh) * | 2020-04-28 | 2023-04-18 | 中国交通通信信息中心 | 一种适用于热红外遥感影像的大气补偿方法 |
CN111829975B (zh) * | 2020-06-29 | 2021-06-15 | 哈尔滨工业大学 | 含新型相函数的气凝胶复合材料全辐射性质同步测量方法 |
CN115855882B (zh) * | 2023-03-03 | 2023-04-28 | 山东科技大学 | 利用星载激光雷达背景噪声反演水体遥感反射率的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535979A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院遥感与数字地球研究所 | 一种陆地云光学厚度的遥感反演方法及系统 |
CN105953921A (zh) * | 2016-04-15 | 2016-09-21 | 北京航空航天大学 | 气溶胶参数差异条件下对地观测辐射图像的快速仿真方法 |
CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8594375B1 (en) * | 2010-05-20 | 2013-11-26 | Digitalglobe, Inc. | Advanced cloud cover assessment |
US8509476B2 (en) * | 2011-09-13 | 2013-08-13 | The United States Of America, As Represented By The Secretary Of The Navy | Automated system and method for optical cloud shadow detection over water |
US9396528B2 (en) | 2013-03-15 | 2016-07-19 | Digitalglobe, Inc. | Atmospheric compensation in satellite imagery |
CN105674901B (zh) * | 2016-04-08 | 2017-12-26 | 电子科技大学 | 基于统计学分段的大气气溶胶反演方法 |
US20200034949A1 (en) * | 2016-09-23 | 2020-01-30 | Stellenbosch University | Generating radiometrically corrected surface images |
-
2017
- 2017-05-15 FR FR1754234A patent/FR3066301B1/fr active Active
-
2018
- 2018-05-09 WO PCT/EP2018/061950 patent/WO2018210647A1/fr unknown
- 2018-05-09 EP EP18721404.4A patent/EP3625758B1/fr active Active
- 2018-05-09 CA CA3061873A patent/CA3061873A1/fr active Pending
- 2018-05-09 CN CN201880032610.6A patent/CN110753951B/zh active Active
- 2018-05-09 US US16/608,130 patent/US10810704B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104535979A (zh) * | 2014-12-23 | 2015-04-22 | 中国科学院遥感与数字地球研究所 | 一种陆地云光学厚度的遥感反演方法及系统 |
CN105953921A (zh) * | 2016-04-15 | 2016-09-21 | 北京航空航天大学 | 气溶胶参数差异条件下对地观测辐射图像的快速仿真方法 |
CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
Non-Patent Citations (2)
Title |
---|
基于MODIS高分辨率气溶胶反演的ETM+影像大气校正;唐洪钊;晏磊;李成才;高鹏骐;;地理与地理信息科学(第04期);全文 * |
基于经验线性法的Hyperion影像大气校正;李颖;何莹;兰国新;;大连海事大学学报(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
FR3066301B1 (fr) | 2022-02-25 |
US10810704B2 (en) | 2020-10-20 |
FR3066301A1 (fr) | 2018-11-16 |
CN110753951A (zh) | 2020-02-04 |
CA3061873A1 (fr) | 2018-11-22 |
US20200167898A1 (en) | 2020-05-28 |
EP3625758B1 (fr) | 2023-07-05 |
WO2018210647A1 (fr) | 2018-11-22 |
EP3625758A1 (fr) | 2020-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Vanhellemont | Adaptation of the dark spectrum fitting atmospheric correction for aquatic applications of the Landsat and Sentinel-2 archives | |
CN110753951B (zh) | 用于处理在大气中存在气溶胶和/或云的情况下获取的光学图像的方法 | |
US7379592B2 (en) | System and method for significant dust detection and enhancement of dust images over land and ocean | |
JP6885509B2 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
US7242803B2 (en) | System and method for significant dust detection and enhancement of dust images over land and ocean | |
US9418411B2 (en) | System and method for sun glint correction of split focal plane visible and near infrared imagery | |
US10650498B2 (en) | System, method, and non-transitory, computer-readable medium containing instructions for image processing | |
Tuomisto | Influence of compositing criterion and data availability on pixel-based Landsat TM/ETM+ image compositing over Amazonian forests | |
Kim et al. | Correction of stray-light-driven interslot radiometric discrepancy (ISRD) present in radiometric products of geostationary ocean color imager (GOCI) | |
CN115187481A (zh) | 一种机载推扫式高光谱影像辐射扰动校正方法 | |
US11416968B2 (en) | Method for increasing the spatial resolution of a multispectral image from a panchromatic image | |
Lisens et al. | Development of cloud, snow, and shadow masking algorithms for VEGETATION imagery | |
Han et al. | Fengyun-3D MERSI true color imagery developed for environmental applications | |
CN111563472A (zh) | 一种烟羽林地快速火烧迹地提取方法及装置 | |
Eugenio et al. | Worldview-2 high resolution remote sensing image processing for the monitoring of coastal areas | |
Khetkeeree et al. | Sentinel-2 image dehazing using visible and infrared band correlation based on NDVI classification | |
Ham et al. | Variable descriptions of the A-Train integrated CALIPSO, CloudSat, CERES, and MODIS merged product (CCCM or C3M) | |
Adler-Golden et al. | Improvements in aerosol retrieval for atmospheric correction | |
Nagare et al. | Cloud Shadow Removal Based on Cloud Transmittance Estimation | |
Ibrahim et al. | Assessing the discrepancy in open-source atmospheric correction of Sentinel-2 acquisitions for a tropical mining area in New Caledonia | |
Ceamanos et al. | Using 3D information for atmospheric correction of airborne hyperspectral images of urban areas | |
Al-Helaly et al. | A Review: Shadow Treatments and Uses Researches in Satellite Images | |
Liu et al. | Adaptation and validation of the swire algorithm for sentinel-3 over complex waters of pearl river estuary | |
Abdulwahab et al. | Hyperspectral Image Sharpening Using Fusion Techniques-A Case Study at Salah Al-Din Province/Iraq | |
Colaninno et al. | Quick multitemporal approach to get cloudless improved multispectral imagery for large geographical areas |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230506 Address after: Toulouse, France Applicant after: AIRBUS DEFENCE AND SPACE S.A.S. Address before: Toulouse, France Applicant before: Airbus defense and aerospace geography Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |