CN111353959B - 一种高效的适用于大规模光学遥感影像雾霾去除的方法 - Google Patents
一种高效的适用于大规模光学遥感影像雾霾去除的方法 Download PDFInfo
- Publication number
- CN111353959B CN111353959B CN202010135505.4A CN202010135505A CN111353959B CN 111353959 B CN111353959 B CN 111353959B CN 202010135505 A CN202010135505 A CN 202010135505A CN 111353959 B CN111353959 B CN 111353959B
- Authority
- CN
- China
- Prior art keywords
- haze
- htm
- image
- remote sensing
- free
- 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 52
- 230000003287 optical effect Effects 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 21
- 230000005855 radiation Effects 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000012952 Resampling Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 239000003086 colorant Substances 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- JEGUKCSWCFPDGT-UHFFFAOYSA-N h2o hydrate Chemical compound O.O JEGUKCSWCFPDGT-UHFFFAOYSA-N 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation 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
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明属于高分辨率光学遥感影像预处理技术领域，公开了一种高效的适用于大规模光学遥感影像雾霾去除的方法，输入原始遥感数据和默认参数；计算像素强度范数；计算雾霾厚度图像；计算雾霾厚度掩膜图像；计算精细化雾霾厚度图像；提取大斑块雾霾图像Haze_map_majority以及像素位置图；计算雾霾敏感像素HTMi(x,y)；雾霾去除；雾霾补偿。本发明提供的高效的适用于大规模光学遥感影像雾霾去除的方法，从给定样本窗口蓝波段的平均矢量L2‑范数估计HTM，改进无雾像素和雾像素的补偿策略，已成功应用于各种在密集区域内具有复杂雾度覆盖的VHR光学卫星图像，为遥感图像雾霾去除以及雾霾程度评价提供参考价值。
Description
技术领域
本发明属于高分辨率(Very High Resolution,VHR)光学遥感影像预处理技术领域，尤其涉及一种高效的适用于大规模光学遥感影像雾霾去除的方法，也适用于中低空间分辨率光学遥感影像。
背景技术
目前，从卫星或飞机获取图像时，大气的不同特征可能导致图像质量和视觉解释性下降。水蒸气和水滴，烟雾，灰尘和气溶胶都被认为是“雾霾”，因为它们在可见光谱带中通过散射和光谱失真降低图像质量的效果相似，大大损害了有用分析。与图像中的云层相反，雾霾影响的图像透明度可以通过图像恢复技术在一定程度上得到补偿。因此，实际需要基于场景的，易于使用且鲁棒的雾度消除方法，以用于VHR光学卫星图像，以改善图像分析。
卫星图像去雾方法旨在通过基于成像模型校正雾度像素来恢复表面反射率。暗物减法(DOC)和雾度优化变换(HOT)技术是用于视觉卫星图像的众所周知的除雾方法。Makarau等提出基于整个图像的局部样本窗口构建雾霾厚度图像(Haze Thickness Map,HTM)的DOS技术进一步发展，提出从模糊图像减去HTM以恢复无雾图像的方法。ATCOR最初是由和Richter开发的，被认为是对光学卫星图像进行最先进的大气和地形校正。
综上所述，现有技术存在的问题是：考虑明亮地面物体的干扰影响，如何构建更精确的HTM？尤其是对于密集建筑区域雾霾复杂的VHR卫星图像，目前还没有这方面报道。
解决上述技术问题的难度：样本窗口大小的确定直接影响到雾霾厚度图像HTM的估计精度。对于异质性高的遥感图像不存在普适的样本窗口，需要构建一套完整的理论技术进行样本窗口大小的测试与优化，窗口大小的鲁棒性与稳健性需要做系统评价。
解决上述技术问题的意义：本发明提出的一种高效的适用于大规模光学遥感影像雾霾去除的方法将消除雾度作为主要任务、光谱特性的补偿作为后续任务，适用于大部分VHR卫星图像。该方法自主可控，可进行批量化处理，能有效恢复遥感影像的真实光谱信息，为大部分卫星图像雾霾的高效去除提供一种选择，进而提高遥感数据的可利用率。
发明内容
针对现有技术存在的问题，本发明提供了一种高效的适用于大规模光学遥感影像雾霾去除的方法。
本发明是这样实现的，
步骤一，输入多光谱光学遥感影像、百分比阈值和Minisize作为默认参数；
步骤二，计算给定样本窗口每个波段的平均矢量L2-范数，获得每个窗口的平均矢量强度值；
步骤三，通过平均向量L2-范数中的移动窗口W(x,y)搜索最暗像素，然后重新采样到原始空间分辨率，获得HTM；
步骤四，计算HTM_masked；
步骤五，计算HTM_refined：使用最近邻插值方法对HTM_masked进行插值，另存为HTM_refined；
步骤六，计算Haze_map_majority以及像素位置图；
步骤七，计算HTMi(x,y)，采用第i个波段代替蓝色波段；使用普通最小二乘拟合估计线性回归模型的斜率ai和截距系数bi；
步骤八，雾霾去除。
步骤九，雾霾补偿：采用无雾像素的辐射均值差补偿所有像素。
进一步，步骤二中，若将蓝波段用作雾度敏感图像，则用如下公式计算平均矢量L2-范数，结果另存为
式中，N是给定重叠窗口Ω(x)的像元数目，窗口大小是w，N＝w·w。由于本发明已经对本地窗口中相邻像素强度进行了L2范数，均等地取决于每个像素，不受任何特定像素强度xi∈Ω(x)的影响。与原始蓝波段相比，/>稳定性更好。
进一步，步骤三中，所述雾霾厚度图像HTM的计算方法为：
其中，W(x,y)是一个移动窗口，中心为(x,y)，W是确定窗口大小的波段宽度参数，是受雾度影响最大的蓝波段的平均矢量L2-范数。较大的W值有助于消除由大的明亮物体引起的HTM高估，但也会导致HTM的边缘检测精度降低。较小的W结果导致更多的亮地面物体被错误分类并包含在HTM中。
进一步，步骤四中，所述HTM_masked的计算方法为：
从HTM中提取百分比较大的像素作为雾度像素H，其他像素作为无雾度像素H_free；分别计算雾度像素的平均值H_mean和无雾度像素的平均值H_free_mean；从HTM中提取掩膜掉H>H_mean和H_free>H_free_mean的像素作为HTM_masked。
进一步，步骤六中，所述计算Haze_map_majority以及像素位置图的方法为：
从HTM_refined提取百分比较大的像素作为雾度像素H，其他像素为无雾度像素H_free获取H＝1且H_free＝0的二进制图HTM_map；使用多数过滤器过滤Haze_map；从Haze_map中提取Haze_list和Haze_free_list的像素位置图。
进一步，步骤七中，所述HTMi(x,y)的计算公式如下：
使用普通最小二乘拟合如下式所示的估计线性回归模型的斜率ai和截距系数bi：
HTMi(x,y)＝ai×HTMblue(x,y)+bi。
进一步，步骤八中，通过如下公式进行雾霾去除：
Bandi radiation＝Bandi-ai×HTM-bi；
其中，Bandi radiation是波段i没有辐射的影像；Bandi radiation是波段i的原始影像；HTM是雾霾厚度影像，其精度直接影响去雾霾模型的质量；另外，去雾霾像元的过校正现象需要补偿。
进一步，步骤九中，采用无雾像素的辐射均值差补偿所有像素，实际上，在VHR卫星图像的浓雾区域检测明亮物体不容易。假设明亮的物体将在密集雾霾区域导致HTM高估和图像模糊低估，HTM_haze和HTM_haze_free之间的平均差异以及红色波段的相对亮度用于补偿雾度像素。
本发明的另一目的在于提供一种实施所述高效的适用于大规模光学遥感影像雾霾去除的方法无人机影像处理终端。
本发明的另一目的在于提供一种存储在计算机可读介质上的计算机程序产品，包括计算机可读程序，供于电子装置上执行时，提供用户输入接口以实施所述高效的适用于大规模光学遥感影像雾霾去除的方法。
本发明的另一目的在于提供一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行所述高效的适用于大规模光学遥感影像雾霾去除的方法。
综上所述，本发明的优点及积极效果为：本发明提供的高效的适用于大规模光学遥感影像雾霾去除的方法，从给定样本窗口蓝波段的平均矢量L2-范数估计HTM，改进无雾像素和雾像素的补偿策略，已成功应用于各种在密集区域内具有复杂雾度覆盖的VHR光学卫星图像，为遥感图像雾霾去除以及雾霾程度评价提供参考价值。
附图说明
图1是本发明实施例提供的高效的适用于大规模光学遥感影像雾霾去除的方法流程图。
图2是本发明实施例提供的高效的适用于大规模光学遥感影像雾霾去除的方法原理图。
图3是基于Worldview3卫星影像的去雾霾前后对比图(中国上海)。
图4是基于Pléiades卫星影像的去雾霾前后对比图(中国辰溪)。
图5是基于高分二号卫星影像的去雾霾前后对比图(中国元江)。
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，以下结合实施例，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例仅仅用以解释本发明，并不用于限定本发明。
目前的主要挑战是考虑明亮地面物体的干扰影响，如何构建更精确的HTM，尤其是对于密集建筑区域雾霾复杂的VHR卫星图像，目前还没有这方面报道。
针对VHR多光谱遥感图像的雾霾现象，本发明提供了一种新的简单通用的雾霾检测与去除方法，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的高效的适用于大规模光学遥感影像雾霾去除的方法包括以下步骤：
S101，原始遥感数据输入：多光谱光学遥感影像、百分比阈值和Minisize作为默认参数。
S102，计算像素强度L2-范数：计算给定样本窗口每个波段的平均矢量L2-范数，获得每个窗口的平均矢量强度值。
S103，计算雾霾厚度图像HTM：通过平均向量L2-范数中的移动窗口W(x,y)搜索最暗像素，然后重新采样到原始空间分辨率，获得HTM。
S104，计算HTM_masked。
S105，计算HTM_refined：使用最近邻插值方法对HTM_masked进行插值，另存为HTM_refined。
S106，计算Haze_map_majority以及像素位置图。
S107，计算HTMi(x,y)，采用第i个波段代替蓝色波段；使用普通最小二乘拟合估计线性回归模型的斜率ai和截距系数bi。
S108，雾霾去除。
S109，雾霾补偿：采用无雾像素的辐射均值差补偿所有像素。
下面结合实施例对本发明作进一步描述。
多光谱遥感图像通常会遭受雾度降低，从而降低视觉解释性并影响进一步的图像分析过程。因此，雾度检测和去除技术对于多光谱图像预处理至关重要。在大型明亮物体可能与雾霾混淆的情况下，基于雾霾厚度图(HTM)从非常高的空间分辨率(VHR)卫星图像进行雾霾检测具有挑战性。针对VHR多光谱遥感图像，本发明提出一种新的简单鲁棒的雾度检测与去除方法。与现有的基于HTM的方法不同，本发明从给定本地样本窗口中蓝波段的平均矢量L2-范数估计HTM，改进了无雾像素和雾像素的补偿策略。本发明提出的方法已成功应用于各种在密集区域内具有复杂雾度覆盖的VHR光学卫星图像。
如图2所示，本发明实施例提供的高效的适用于大规模光学遥感影像雾霾去除的方法如下：
步骤1：原始遥感数据输入。
多光谱光学遥感影像；百分比阈值和Minisize作为默认参数。
步骤2：计算像素强度L2-范数。
计算给定样本窗口每个波段的平均矢量L2-范数，获得每个窗口的平均矢量强度值。若将蓝波段用作雾度敏感图像，则用公式(1)计算平均矢量L2-范数，结果另存为
其中，N是给定重叠窗口Ω(x)的像元数目，窗口大小是w，N＝w·w。由于本发明已经对本地窗口中相邻像素强度进行了L2-范数，均等地取决于每个像素，不受任何特定像素强度xi∈Ω(x)的影响。与原始蓝波段相比，/>更坚固。
步骤3：计算雾霾厚度图像HTM。
通过公式(2)中的平均向量L2-范数中的移动窗口W(x,y)搜索最暗像素，然后重新采样到原始空间分辨率，获得HTM。其中W(x,y)是一个移动窗口，中心为(x,y)，W是确定窗口大小的波段宽度参数，是受雾度影响最大的蓝波段的平均矢量L2-范数。较大的W值有助于消除由大的明亮物体引起的HTM高估，但也会导致HTM的边缘检测精度降低。较小的W结果导致更多的亮地面物体被错误分类并包含在HTM中。
步骤4：计算HTM_masked。
从HTM中提取百分比较大的像素作为雾度像素H，其他像素作为无雾度像素H_free；分别计算雾度像素的平均值H_mean和无雾度像素的平均值H_free_mean；从HTM中提取掩膜掉H>H_mean和H_free>H_free_mean的像素作为HTM_masked。
步骤5：计算HTM_refined。
使用最近邻插值方法对HTM_masked进行插值，另存为HTM_refined。
步骤6：计算Haze_map_majority以及像素位置图。
从HTM_refined提取百分比较大的像素作为雾度像素H，其他像素为无雾度像素H_free获取H＝1且H_free＝0的二进制图HTM_map；使用多数过滤器过滤Haze_map；从Haze_map中提取Haze_list和Haze_free_list的像素位置图。
步骤7：计算HTMi(x,y)。
通过公式(3)计算HTMi(x,y)，采用第i个波段代替蓝色波段；使用普通最小二乘拟合估计线性回归模型(公式4)的斜率ai和截距系数bi。
HTMi(x,y)＝ai×HTMblue(x,y)+bi (4)
步骤8：雾霾去除。
通过公式(5)进行雾霾去除，其中Bandi radiation是波段i没有辐射的影像；Bandi radiation是波段i的原始影像；HTM是雾霾厚度影像，其精度直接影响去雾霾模型的质量；另外，去雾霾像元的过校正现象需要补偿。
Bandi radiation＝Bandi-ai×HTM-bi (5)
步骤9：雾霾补偿。
采用无雾像素的辐射均值差补偿所有像素。实际上，在VHR卫星图像的浓雾区域检测明亮物体不容易。本发明假设明亮的物体将在密集雾霾区域导致HTM高估和图像模糊低估，HTM_haze和HTM_haze_free之间的平均差异以及红色波段的相对亮度用于补偿雾度像素。
下面结合具体实验对本发明作进一步描述。
图3基于Worldview3卫星影像的去雾霾前后对比图(中国上海)。(a)，(b)，为真彩色波段组合图像，(c)，(d)为对应的假彩色(近红外，红色，绿色)波段组合图像；其中(a)，(c)为原始图像；(b)，(d)是采用发明者提出的方法对图像进行去雾霾处理。可视化比较表明，该方法有效去除了图像中的雾度像素，并从视觉上保持了各土地覆盖物颜色的一致性。
图4基于Pléiades卫星影像的去雾霾前后对比图(中国辰溪)。(a)，(b)为真彩色波段组合图像，(c)，(d)为对应的假彩色波段组合图像；其中(a)，(c)为原始图像；(b)，(d)是采用发明者提出的方法对图像进行去雾霾处理。可视化比较表明，该方法有效去除了图像中的雾度像素，并在视觉上保持了各土地覆盖物颜色的一致性。
图5基于高分二号卫星影像的去雾霾前后对比图(中国元江)。(a)，(b)为真彩色波段组合图像，(c)，(d)为对应的假彩色波段组合图像；其中(a)，(c)为原始图像；(b)，(d)是采用发明者提出的方法对图像进行去雾霾处理。可视化比较表明，该方法有效去除了图像中的雾度像素，并在视觉上保持了各土地覆盖物颜色的一致性。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种高效的适用于大规模光学遥感影像雾霾去除的方法，其特征在于，所述高效的适用于大规模光学遥感影像雾霾去除的方法包括以下步骤：
步骤一，输入多光谱光学遥感影像、百分比阈值和Minisize作为默认参数；
步骤二，计算给定样本窗口每个波段的平均矢量L2-范数，获得每个窗口的平均矢量强度值；
步骤三，通过平均向量L2-范数中的移动窗口搜索最暗像素，然后重新采样到原始空间分辨率，获得雾霾厚度图像/>；
步骤四，计算HTM_masked；
步骤五，计算HTM_refined：使用最近邻插值方法对HTM_masked进行插值，另存为HTM_refined；
步骤六，计算Haze_map_majority以及像素位置图；从HTM_refined提取百分比大的像元作为雾度像素H，其他像素为无雾度像素H_free获取H = 1且H_free = 0的二进制图HTM_map；使用多数过滤器过滤Haze_map；从Haze_map中提取Haze_list和Haze_free_list的像素位置图；
步骤七，计算，采用第i个波段代替蓝色波段；使用普通最小二乘拟合估计线性回归模型的斜率/>和截距系数/>；
步骤八，雾霾去除：
步骤八中，通过如下公式进行雾霾去除：
；
其中，是没有受雾霾影响的/>；/>是波段i的原始影像；
步骤九，雾霾补偿：采用无雾像素的辐射均值差补偿所有像素。
2.如权利要求1所述的高效的适用于大规模光学遥感影像雾霾去除的方法，其特征在于，步骤二中，若将蓝波段用作雾度敏感图像，则用如下公式计算平均矢量L2-范数，结果另存为；
；
式中，N是给定重叠窗口的像元数目，窗口大小是w，；/>表示给定重叠窗口；均等地取决于每个像素，不受任何特定像素强度/>影响。
3.如权利要求1所述的高效的适用于大规模光学遥感影像雾霾去除的方法，其特征在于，步骤三中，所述雾霾厚度图像HTM的计算方法为：
；
其中，是一个移动窗口，中心为(x, y)，W是确定窗口大小的波段宽度参数，是受雾度影响最大的蓝波段的平均矢量L2-范数。
4.如权利要求1所述的高效的适用于大规模光学遥感影像雾霾去除的方法，其特征在于，步骤四中，所述HTM_masked的计算方法为：
从HTM中提取百分比较大的最大像元作为雾度像素H，其他像素作为无雾度像素H_free；分别计算雾度像素的平均值H_mean和无雾度像素的平均值H_free_mean；从HTM中提取掩膜掉H > H_mean和H_free > H_free_mean的像素作为HTM_masked。
5.如权利要求1所述的高效的适用于大规模光学遥感影像雾霾去除的方法，其特征在于，步骤七中，所述的计算公式如下：
；
使用普通最小二乘拟合如下式所示的估计线性回归模型的斜率和截距系数/>：
。
6.一种实施权利要求1~5任意一项所述高效的适用于大规模光学遥感影像雾霾去除的方法无人机影像处理终端。
7.一种计算机可读存储介质，储存有指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1~5任意一项所述高效的适用于大规模光学遥感影像雾霾去除的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010135505.4A CN111353959B (zh) | 2020-03-02 | 2020-03-02 | 一种高效的适用于大规模光学遥感影像雾霾去除的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010135505.4A CN111353959B (zh) | 2020-03-02 | 2020-03-02 | 一种高效的适用于大规模光学遥感影像雾霾去除的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111353959A CN111353959A (zh) | 2020-06-30 |
| CN111353959B true CN111353959B (zh) | 2023-07-18 |
Family
ID=71194231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010135505.4A Active CN111353959B (zh) | 2020-03-02 | 2020-03-02 | 一种高效的适用于大规模光学遥感影像雾霾去除的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353959B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112419194B (zh) * | 2020-11-25 | 2022-04-12 | 武汉大学 | 一种短波红外波段辅助的遥感影像薄云雾校正方法 |
| CN117994165B (zh) * | 2024-04-02 | 2024-06-14 | 湖南亿盛科技有限公司 | 一种基于大数据的智慧校园管理方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966273A (zh) * | 2015-05-29 | 2015-10-07 | 昆山数字城市信息技术有限公司 | 适用于光学遥感影像的dcm-htm去雾霾方法 |
| CN105574826A (zh) * | 2015-12-16 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 遥感影像的薄云去除方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4517548B2 (ja) * | 2001-07-25 | 2010-08-04 | カシオ計算機株式会社 | 撮像装置及び撮像信号の雑音除去方法 |
| US8340461B2 (en) * | 2010-02-01 | 2012-12-25 | Microsoft Corporation | Single image haze removal using dark channel priors |
| US9361670B2 (en) * | 2014-09-04 | 2016-06-07 | National Taipei University Of Technology | Method and system for image haze removal based on hybrid dark channel prior |
| CN105405112B (zh) * | 2015-12-29 | 2018-06-19 | 中国人民解放军信息工程大学 | 多光谱卫星影像距离偏差指数去雾方法 |
-
2020
- 2020-03-02 CN CN202010135505.4A patent/CN111353959B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966273A (zh) * | 2015-05-29 | 2015-10-07 | 昆山数字城市信息技术有限公司 | 适用于光学遥感影像的dcm-htm去雾霾方法 |
| CN105574826A (zh) * | 2015-12-16 | 2016-05-11 | 中国科学院深圳先进技术研究院 | 遥感影像的薄云去除方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111353959A (zh) | 2020-06-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111179334B (zh) | 基于多传感融合的海面小面积溢油区域检测系统及检测方法 | |
| CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
| Bouali et al. | Toward optimal destriping of MODIS data using a unidirectional variational model | |
| EP2987320B1 (en) | Extracting true color from a color and infrared sensor | |
| CN107301624B (zh) | 基于区域划分及浓雾预处理的卷积神经网络去雾方法 | |
| CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
| CN111353959B (zh) | 一种高效的适用于大规模光学遥感影像雾霾去除的方法 | |
| US20220005157A1 (en) | Method for generating a super-resolution image and related device | |
| CN107194886B (zh) | 一种用于相机传感器的灰尘检测方法及装置 | |
| CN111144337B (zh) | 火灾检测方法、装置及终端设备 | |
| CN108961325A (zh) | 多/高光谱遥感图像波段间配准方法 | |
| CN112907493A (zh) | 无人机蜂群协同侦察下的多源战场图像快速镶嵌融合算法 | |
| CN108154492A (zh) | 一种基于非局部均值滤波的图像去雾霾方法 | |
| CN114127784A (zh) | 用于生成相机流的掩模的方法、计算机程序产品和计算机可读介质 | |
| CN115379123A (zh) | 一种用无人机巡检的变压器故障检测方法 | |
| Carlton et al. | Image segmentation using texture and gray level | |
| CN105405112B (zh) | 多光谱卫星影像距离偏差指数去雾方法 | |
| CN114627011A (zh) | 改进双边滤波与多帧平均联合的红外序列图像降噪方法 | |
| Yao et al. | An adaptive space target detection algorithm | |
| CN104766287A (zh) | 一种基于显著性检测的模糊图像盲复原方法 | |
| CN112967305B (zh) | 一种复杂天空场景下的图像云背景检测方法 | |
| CN114049571A (zh) | 高光谱影像的水体区域提取方法、装置及电子设备 | |
| CN104408432B (zh) | 一种基于直方图修正的红外图像目标检测方法 | |
| CN117456371A (zh) | 一种组串热斑检测方法、装置、设备及介质 | |
| CN108765477A (zh) | 一种基于最优化的Kinect深度图修复方法 |
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 |