CN110942452B - 一种基于多时相热红外遥感影像的云检测方法 - Google Patents

一种基于多时相热红外遥感影像的云检测方法 Download PDF

Info

Publication number
CN110942452B
CN110942452B CN201911148267.4A CN201911148267A CN110942452B CN 110942452 B CN110942452 B CN 110942452B CN 201911148267 A CN201911148267 A CN 201911148267A CN 110942452 B CN110942452 B CN 110942452B
Authority
CN
China
Prior art keywords
image
detected
cloud
thermal infrared
remote sensing
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
Application number
CN201911148267.4A
Other languages
English (en)
Other versions
CN110942452A (zh
Inventor
王界
齐建伟
王光辉
刘宇
张伟
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.)
Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
Original Assignee
Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
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 Ministry Of Natural Resources Land Satellite Remote Sensing Application Center filed Critical Ministry Of Natural Resources Land Satellite Remote Sensing Application Center
Priority to CN201911148267.4A priority Critical patent/CN110942452B/zh
Publication of CN110942452A publication Critical patent/CN110942452A/zh
Application granted granted Critical
Publication of CN110942452B publication Critical patent/CN110942452B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • 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)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了一种基于多时相热红外遥感影像的云检测方法，所述云检测方法包括如下步骤，S1、选取一景晴空无云的热红外遥感影像作为参考底图；S2、判断后续同一区域待检测的有云多时相热红外影像，也就是待检测影像，是否是非同源遥感数据，若是，则对待检测影像进行多源数据的标准化处理，并执行步骤S3，若否，则直接执行步骤S3；S3、以参考底图为基准，对待检测影像进行空间配准；S4、将待检测影像的热红外波段强度值与参考底图的热红外波段强度值进行波段运算直接作差，获取待检测影像的强度差异值；等步骤。优点是：不仅能够准确区分云层和冰雪覆盖，还能同时适用于平坦或山脉地区的遥感影像，云检测的整体精度更好，适用性更广。

Description

一种基于多时相热红外遥感影像的云检测方法
技术领域
本发明涉及云检测技术领域，尤其涉及一种基于多时相热红外遥感影像的云检测方法。
背景技术
遥感技术为现代化的监测、调查、预报提供了更加便利的方法，已广泛应用于资源、环境、灾害、城市、军事等方面，成为国防、科研、民生中不可或缺的一部分。对于可见光至热红外区间的电磁辐射，由于无法穿透水汽，当出现云雾天气时，会降低遥感图像的质量，影响地物的识别和参数的反演。因此云检测也成为遥感应用中首先需要解决的一大难题。
目前遥感图像云检测方法众多，传统方法中应用最广的为物理阈值法；随着机器学习的兴起，模式识别方法和基于纹理和空间特征的云识别方法也开始得到应用。这些方法主要都是基于单景遥感影像，通过有云区域和无云区域的强度值反差来进行云的检测提取。这就容易受到地物空间特征的影响，对于不同地物，本身强度值就有差异，对于云的提取会造成一定干扰，导致阈值选取困难、目标检测错误等。
发明内容
本发明的目的在于提供一种基于多时相热红外遥感影像的云检测方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于多时相热红外遥感影像的云检测方法，所述云检测方法包括如下步骤，
S1、选取一景晴空无云的热红外遥感影像作为参考底图；
S2、判断后续同一区域待检测的有云多时相热红外影像，也就是待检测影像，是否是非同源遥感数据，若是，则对待检测影像进行多源数据的标准化处理，并执行步骤S3，若否，则直接执行步骤S3；
S3、以参考底图为基准，对待检测影像进行空间配准；
S4、将待检测影像的热红外波段强度值与参考底图的热红外波段强度值进行波段运算直接作差，获取待检测影像的强度差异值；
S5、根据各待检测影像的强度差异值，绘制待检测影像的强度差异值的频率折线图；
S6、对所述频率折线图进行平滑处理，获取频率曲线图；
S7、根据所述频率曲线图的波形分布动态确定云层分割的分割阈值；
S8、判定步骤S4中各所述强度差异值是否大于所述分割阈值，若是，则该强度差异值为晴空像元；否则为云像元；
S9、对所述云像元进行矢量化，获取待检测影像的云层覆盖矢量区域。
优选的，所述步骤S2中标准化处理包括影像分辨率重采样处理、空间坐标系统一处理以及辐射动态范围的一致化处理。
优选的，所述影像分辨率重采样处理采用最邻近法。
优选的，所述辐射动态范围的一致化处理是将待检测影像的强度值范围拉伸至与参考底图一致，拉升方法选用线性拉伸，具体公式为，
Figure BDA0002282826790000021
其中，Y是拉伸后待检测影像的强度值，X是拉伸前待检测影像的强度值；Smax和Smin分别是所述参考底图的强度最大值和强度最小值，Dmax和Dmin分别是所述待检测影像的强度最大值和强度最小值。
优选的，所述步骤S6中平滑处理采用的是三次B样条曲线拟合算法；B样条曲线的总方程为，
P(t)＝P0*F0,3(t)+P1*F1,3(t)+P2*F2,3(t)+P3*F3,3(t)
其中，P0、P1、P2、P3是曲线特征点，F0,3(t)、F1,3(t)、F2,3(t)、F3,3(t)是3次B样条基函数，可以表示为，
Figure BDA0002282826790000031
优选的，所述步骤S7中确定云层分割的分割阈值具体为，以频率曲线图的第一个波峰的结尾处所对应的强度差异值作为云层分割的分割阈值。
优选的，步骤S8的判别公式为，
Figure BDA0002282826790000032
其中，Ycloud为云像元，Yclear为晴空像元，Xd为强度差异值，Tn为分割阈值。
本发明的有益效果是：1、本发明通过多时相遥感影像的强度值差异，能够有效避免受到不同地物的干扰。2、本发明中热红外波段对于云雾更加敏感，能够在影像强度值上出现更大的差异，从而将云和正常地物区分开来，特别是对于雪和云的区分，能准确检测出云雾的边界。3、相对于传统的云检测方法，本发明不仅能够准确区分云层和冰雪覆盖，还能同时适用于平坦或山脉地区的遥感影像，云检测的整体精度更好，适用性更广。
附图说明
图1是本发明实施例中云检测方法的流程示意图；
图2是本发明实施例中一景北京市周边Landsat8热红外影像；
图3是本发明实施例中利用云检测方法检测到的云层范围。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本实施例中提供了一种基于多时相热红外遥感影像的云检测方法，所述云检测方法包括如下步骤，
S1、选取一景晴空无云的热红外遥感影像作为参考底图M0；
S2、判断后续同一区域待检测的有云多时相热红外影像Mn，也就是待检测影像，是否是非同源遥感数据，若是，则对待检测影像进行多源数据的标准化处理，并执行步骤S3，若否，则直接执行步骤S3；
S3、以参考底图M0为基准，对待检测影像Mn进行空间配准；
S4、将待检测影像Mn的热红外波段强度值与参考底图M0的热红外波段强度值进行波段运算直接作差，获取待检测影像的强度差异值Dn；
S5、根据各待检测影像的强度差异值Dn，绘制待检测影像的强度差异值的频率折线图Pn；
S6、对所述频率折线图Pn进行平滑处理，获取频率曲线图Hn；
S7、根据所述频率曲线图Hn的波形分布动态确定云层分割的分割阈值Tn；
S8、判定步骤S4中各所述强度差异值Dn是否大于所述分割阈值Tn，若是，则该强度差异值为晴空像元；否则为云像元；
S9、对所述云像元进行矢量化，获取待检测影像的云层覆盖矢量区域Sn。
本实施例中，以一景晴空无云热红外影像作为参考底图M0，计算待检测的有云影像Mn的热红外波段数据的强度值差异数据Dn，根据强度值差异数据Dn的统计直方图Hn动态选择分割阈值Tn，从而准确地检测出云层矢量范围。
本实施例中，所述步骤S2中标准化处理包括影像分辨率重采样处理、空间坐标系统一处理以及辐射动态范围的一致化处理。
本实施例中，所述影像分辨率重采样处理采用最邻近法。最邻近法的计算效率高，且不改变原始影像的强度值。
本实施例中，所述空间坐标系统一处理具体是，建议使用统一的WGS84经纬度坐标系。
本实施例中，所述辐射动态范围的一致化处理是将待检测影像Mn的强度值范围拉伸至与参考底图M0一致，拉升方法选用线性拉伸，具体公式为，
Figure BDA0002282826790000041
其中，Y是拉伸后待检测影像Mn的强度值，X是拉伸前待检测影像Mn的强度值；Smax和Smin分别是所述参考底图M0的强度最大值和强度最小值，Dmax和Dmin分别是所述待检测影像Mn的强度最大值和强度最小值。
本实施例中，步骤S3中，可以利用ENVI或者Erdas软件，进行半自动的影像配准，以保证影像在像素级别上的配准关系。
本实施例中，所述步骤S6中平滑处理采用的是三次B样条曲线拟合算法；B样条曲线的总方程为，
P(t)＝P0*F0,3(t)+P1*F1,3(t)+P2*F2,3(t)+P3*F3,3(t)
其中，P0、P1、P2、P3是曲线特征点，F0,3(t)、F1,3(t)、F2,3(t)、F3,3(t)是3次B样条基函数，可以表示为，
Figure BDA0002282826790000051
本实施例中，所述步骤S7中确定云层分割的分割阈值Tn具体为，以频率曲线图Hn的第一个波峰的结尾处所对应的强度差异值Dn作为云层分割的分割阈值Tn。
本实施例中，步骤S8的判别公式为，
Figure BDA0002282826790000052
其中，Ycloud为云像元，Yclear为晴空像元，Xd为强度差异值，Tn为分割阈值。
本实施例中，以一景北京市周边Landsat8热红外影像(图2)为例，利用本方法所检测到的云层范围如图3所示，检测精度非常高。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于多时相红外遥感影像的云检测方法，本方法通过多时相遥感影像的强度值差异，能够有效避免受到不同地物的干扰；本方法中热红外波段对于云雾更加敏感，能够在影像强度值上出现更大的差异，从而将云和正常地物区分开来，特别是对于雪和云的区分，能准确检测出云雾的边界；本方法相对于传统的云检测方法，本发明不仅能够准确区分云层和冰雪覆盖，还能同时适用于平坦或山脉地区的遥感影像，云检测的整体精度更好，适用性更广。
以上所述仅是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (4)

1.一种基于多时相热红外遥感影像的云检测方法，其特征在于：所述云检测方法包括如下步骤，
S1、选取一景晴空无云的热红外遥感影像作为参考底图；
S2、判断后续同一区域待检测的有云多时相热红外影像，也就是待检测影像，是否是非同源遥感数据，若是，则对待检测影像进行多源数据的标准化处理，并执行步骤S3，若否，则直接执行步骤S3；
S3、以参考底图为基准，对待检测影像进行空间配准；
S4、将待检测影像的热红外波段强度值与参考底图的热红外波段强度值进行波段运算直接作差，获取待检测影像的强度差异值；
S5、根据各待检测影像的强度差异值，绘制待检测影像的强度差异值的频率折线图；
S6、对所述频率折线图进行平滑处理，获取频率曲线图；
S7、根据所述频率曲线图的波形分布动态确定云层分割的分割阈值；
S8、判定步骤S4中各所述强度差异值是否大于所述分割阈值，若是，则该强度差异值为晴空像元；否则为云像元；
S9、对所述云像元进行矢量化，获取待检测影像的云层覆盖矢量区域；
所述步骤S2中标准化处理包括影像分辨率重采样处理、空间坐标系统一处理以及辐射动态范围的一致化处理；
所述空间坐标系统一处理使用统一的WGS84经纬度坐标系；
所述影像分辨率重采样处理采用最邻近法；
所述步骤S7中确定云层分割的分割阈值具体为，以频率曲线图的第一个波峰的结尾处所对应的强度差异值作为云层分割的分割阈值。
2.根据权利要求1所述的基于多时相热红外遥感影像的云检测方法，其特征在于：所述辐射动态范围的一致化处理是将待检测影像的强度值范围拉伸至与参考底图一致，拉升方法选用线性拉伸，具体公式为，
Figure FDA0002685646670000011
其中，Y是拉伸后待检测影像的强度值，X是拉伸前待检测影像的强度值；Smax和Smin分别是所述参考底图的强度最大值和强度最小值，Dmax和Dmin分别是所述待检测影像的强度最大值和强度最小值。
3.根据权利要求1所述的基于多时相热红外遥感影像的云检测方法，其特征在于：所述步骤S6中平滑处理采用的是三次B样条曲线拟合算法；B样条曲线的总方程为，
P(t)＝P0*F0,3(t)+P1*F1,3(t)+P2*F2,3(t)+P3*F3,3(t)
其中，P0、P1、P2、P3是曲线特征点，F0,3(t)、F1,3(t)、F2,3(t)、F3,3(t)是3次B样条基函数，可以表示为，
Figure FDA0002685646670000021
4.根据权利要求1所述的基于多时相热红外遥感影像的云检测方法，其特征在于：步骤S8的判别公式为，
Figure FDA0002685646670000022
其中，Ycloud为云像元，Yclear为晴空像元，Xd为强度差异值，Tn为分割阈值。
CN201911148267.4A 2019-11-21 2019-11-21 一种基于多时相热红外遥感影像的云检测方法 Active CN110942452B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911148267.4A CN110942452B (zh) 2019-11-21 2019-11-21 一种基于多时相热红外遥感影像的云检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911148267.4A CN110942452B (zh) 2019-11-21 2019-11-21 一种基于多时相热红外遥感影像的云检测方法

Publications (2)

Publication Number Publication Date
CN110942452A CN110942452A (zh) 2020-03-31
CN110942452B true CN110942452B (zh) 2020-11-06

Family

ID=69907814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911148267.4A Active CN110942452B (zh) 2019-11-21 2019-11-21 一种基于多时相热红外遥感影像的云检测方法

Country Status (1)

Country Link
CN (1) CN110942452B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111881816B (zh) * 2020-07-27 2023-06-09 安徽省（水利部淮河水利委员会）水利科学研究院（安徽省水利工程质量检测中心站） 一种长时序的河湖围埂养殖区域监测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105354865B (zh) * 2015-10-27 2018-01-26 武汉大学 多光谱遥感卫星影像自动云检测方法及系统
CN105956557B (zh) * 2016-05-04 2017-11-24 长江水利委员会长江科学院 一种面向对象的时序遥感影像云覆盖区域自动检测方法
CN109726649B (zh) * 2018-12-15 2021-08-24 中国科学院深圳先进技术研究院 遥感影像云检测方法、系统及电子设备

Also Published As

Publication number Publication date
CN110942452A (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
US10325151B1 (en) Method of extracting image of port wharf through multispectral interpretation
Qi et al. Unsupervised ship detection based on saliency and S-HOG descriptor from optical satellite images
CN106384344B (zh) 一种光学遥感图像海面舰船目标检测与提取方法
Han et al. An infrared small target detecting algorithm based on human visual system
Zhang et al. Object-oriented shadow detection and removal from urban high-resolution remote sensing images
CN108280450B (zh) 一种基于车道线的高速公路路面检测方法
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
CN109829423B (zh) 一种结冰湖泊红外成像检测方法
CN106709500B (zh) 一种图像特征匹配的方法
CN111027446B (zh) 一种高分辨率影像的海岸线自动提取方法
CN110428425B (zh) 一种基于海岸线矢量数据的sar图像海陆分离方法
CN104463870A (zh) 一种图像显著区域检测方法
CN110245600B (zh) 自适应起始快速笔画宽度无人机道路检测方法
CN110660065B (zh) 一种红外故障检测识别算法
CN102938147A (zh) 一种基于快速鲁棒特征的低空无人机视觉定位方法
CN110569861A (zh) 一种基于点特征和轮廓特征融合的图像匹配定位方法
CN103679694A (zh) 一种基于全景视觉的舰船小目标检测方法
CN107273803B (zh) 云层图像检测方法
Ma et al. A method for infrared sea-sky condition judgment and search system: Robust target detection via PLS and CEDoG
CN110942452B (zh) 一种基于多时相热红外遥感影像的云检测方法
CN114332085A (zh) 一种光学卫星遥感影像检测方法
Wu et al. Research on crack detection algorithm of asphalt pavement
CN106204596B (zh) 一种基于高斯拟合函数与模糊混合估计的全色波段遥感影像云检测方法
CN112669332A (zh) 一种基于双向局部极大值和峰值局部奇异性判断海天条件和检测红外目标的方法
Aytekin et al. Automatic and unsupervised building extraction in complex urban environments from multi spectral satellite imagery

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