CN111402162A - 卫星遥感图像的晴空数据集处理方法 - Google Patents
卫星遥感图像的晴空数据集处理方法 Download PDFInfo
- Publication number
- CN111402162A CN111402162A CN202010177762.4A CN202010177762A CN111402162A CN 111402162 A CN111402162 A CN 111402162A CN 202010177762 A CN202010177762 A CN 202010177762A CN 111402162 A CN111402162 A CN 111402162A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- image
- satellite remote
- data set
- processing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 64
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000002310 reflectometry Methods 0.000 claims abstract description 38
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 22
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 19
- 238000001308 synthesis method Methods 0.000 claims description 18
- 238000009877 rendering Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 6
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000011109 contamination Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 101000868045 Homo sapiens Uncharacterized protein C1orf87 Proteins 0.000 description 2
- 102100032994 Uncharacterized protein C1orf87 Human genes 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000000443 aerosol Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000005436 troposphere Substances 0.000 description 1
Images
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
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种卫星遥感图像的晴空数据集处理方法。所述方法包括:获取遥感卫星的观测数据;对所述观测数据依次进行大气反射率校正处理、图像分块投影处理及当日数据合成处理,生成彩色卫星遥感中间图像;以及对所述彩色卫星遥感中间图像进行去除云污染处理,生成对应下垫面的晴空数据集。根据本发明提供的卫星遥感图像的晴空数据集处理方法,能够对原始卫星遥感图像去除云污染,生成高分辨率的晴空数据集,得以真实地反映下垫面信息,极大地提升了图像利用效率,具有重要的经济意义。
Description
技术领域
本发明涉及卫星遥感领域,具体而言,涉及一种卫星遥感图像的晴空数据集处理方法。
背景技术
在获取一幅遥感图像时,由于光学传感器受自身构像机理的限制,成像质量会受到天气状况,尤其是云雾覆盖的影响,使得某些区域的图像模糊甚至完全丢失地物的纹理信息。例如我国南方大部地处亚热带,地形复杂、植被多样、云覆盖率极高,一副卫星遥感图像中往往有三分之二的区域都被云雾覆盖。如果不对遥感图像进行必要处理以排除云层的影响,势必会对获取真实下垫面信息造成极大干扰,影响对遥感数据的分析与解译,从而降低遥感图像的应用价值。
然而,考虑到现实因素,即时间、空间和成本上的限制,不可能让卫星重新拍摄。另外,受限于目前卫星成像仪载荷的工艺水平,成像仪载荷穿透云层拍摄地表也非短时间可以实现的。因此,在获取到遥感图像的基础上进行有效的去云处理,生成高分辨率的全球晴空数据集,真实地反映植被、沙漠、水体等下垫面信息,对于提高遥感图像的利用效率具有重要意义。
对此,美国基于NASA部署的地球观测系统成立了BlueMarble,每年投入大量资源,旨在更好地制作全球晴空数据进行地球科学研究。然而,其制作晴空数据的核心算法并未公开,BlueMarble官网也仅仅提供了几张全球晴空图而言。在我国国内,晴空数据的相关研究更是少之又少。因此,如何有效去除卫星遥感图像中的云以及云阴影等污染,获得晴空数据仍是现阶段的一大难点。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种卫星遥感图像的晴空数据集处理方法。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提供一种卫星遥感图像的晴空数据集处理方法,包括:获取遥感卫星的观测数据;对所述观测数据依次进行大气反射率校正处理、图像分块投影处理及当日数据合成处理,生成彩色卫星遥感中间图像;以及对所述彩色卫星遥感中间图像进行去除云污染处理,生成对应下垫面的晴空数据集。
根据本发明的一实施方式,生成对应下垫面的晴空数据集包括:基于数字高程模型对遥感栅格数据进行渲染,生成模拟山体阴影的立体图像。
根据本发明的一实施方式,所述去除云污染处理包括:基于最小反射率法和最大归一化植被指数合成法,对所述彩色卫星遥感中间图像进行晴空合成去云处理;其中,所述最小反射率法确定所述彩色卫星遥感中间图像各像元反射率的最小值为合成后的晴空反射率,所述最大归一化植被指数合成法确定所述彩色卫星遥感中间图像各像元归一化植被指数的最大值为合成后的晴空反射率。
根据本发明的一实施方式,所述去除云污染处理还包括:根据不同下垫面的光谱特性,基于西格玛合成法去除所述彩色卫星遥感中间图像的云阴影;所述西格玛合成法根据所述彩色卫星遥感中间图像各像元反射率值的标准差及预设的反射率阈值,确定并删除所述彩色卫星遥感中间图像的云阴影像元,其中所述反射率阈值根据下垫面类型进行预先设置。
根据本发明的一实施方式,所述大气反射率校正处理包括根据下述公式确定校正后的大气反射率:ρTOA(μs,μv,Φ)=ρ0(μs,μv,Φ)+T(μs)T(μv)ρs(μs,μv,Φ)/[1-ρs(μs,μv,Φ)S]其中,μs、μv和Φ为球坐标系下的观测几何参数,T(μs)和T(μv)为与所述观测几何参数相关的大气通过率,ρTOA(μs,μv,Φ)为校正后的大气反射率,ρ0(μs,μv,Φ)为路径辐射反射率,ρs(μs,μv,Φ)为大气表观反射率,S为大气反照率。
根据本发明的一实施方式,所述图像分块投影处理包括:全球等经纬度投影处理和/或全球极射赤面投影处理。
根据本发明的一实施方式,所述当日数据合成处理包括:根据最优太阳角度,对经所述图像分块投影处理生成的彩色卫星遥感分块图像进行当日多轨道合成。
根据本发明的另一方面,提供一种卫星遥感图像的晴空数据集处理装置,包括:数据获取模块,用于获取遥感卫星的观测数据;图像生成模块,用于对所述观测数据依次进行大气反射率校正处理、图像分块投影处理及当日数据合成处理,生成彩色卫星遥感中间图像;以及图像处理模块,用于对所述彩色卫星遥感中间图像进行去除云污染处理,生成对应下垫面的晴空数据集。
根据本发明的再一方面,提供一种电子设备,包括:存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令,所述处理器执行所述可执行指令时实现上述任一种卫星遥感图像的晴空数据集处理方法。
根据本发明的再一方面,提供一种计算机可读存储介质,其上存储有计算机可执行指令,所述可执行指令被处理器执行时实现上述任一种卫星遥感图像的晴空数据集处理方法。
根据本发明提供的卫星遥感图像的晴空数据集处理方法,能够对原始卫星遥感图像去除云污染,生成高分辨率的晴空数据集,得以真实地反映下垫面信息,极大地提升了图像利用效率,具有重要的经济意义。
另外,根据一些实施例,本发明提供的卫星遥感图像的晴空数据集处理方法能够在去除卫星遥感图像中的云、基本消除云污染影响的基础上,进一步去除卫星遥感图像中的云阴影。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。
图1是根据一示例性实施方式示出的一种卫星遥感图像的晴空数据集处理方法的流程图。
图2是根据一示例性实施方式示出的另一种卫星遥感图像的晴空数据集处理方法的流程图。
图3是根据一示例性实施方式示出的再一种卫星遥感图像的晴空数据集处理方法的流程图。
图4是根据一示例性实施方式示出的一种卫星遥感图像的晴空数据集处理装置的框图。
图5是根据一示例性实施方式示出的一种电子设备的结构示意图。
图6是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。
图7是根据一示例性实施例示出的一种沙漠/裸地下垫面去除云污染处理前后的效果对比图。
图8是根据一示例性实施例示出的一种植被下垫面去除云污染处理前后的效果对比图。
图9是根据一示例性实施例示出的一种全球遥感图像去除云污染处理前后的效果对比图。
图10是根据一示例性实施例示出的一种反映地表季节性变化的晴空数据结果图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而,示例实施方式能够以多种形式实施,且不应被理解为限于在此阐述的范例;相反,提供这些实施方式使得本发明将更加全面和完整,并将示例实施方式的构思全面地传达给本领域的技术人员。附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中,提供许多具体细节从而给出对本发明的实施方式的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而省略所述特定细节中的一个或更多,或者可以采用其它的方法、装置、步骤等。在其它情况下,不详细示出或描述公知结构、方法、装置、实现或者操作以避免喧宾夺主而使得本发明的各方面变得模糊。
此外,在本发明的描述中,术语“多个”的含义是至少两个,例如两个、三个等,除非另有明确具体的限定。
如上所述,在获取一幅遥感图像时,成像质量会受到天气状况,尤其是云雾覆盖的影响,使得某些区域的图像模糊甚至完全丢失地物的纹理信息。如果不对遥感图像进行必要处理以排除云层的影响,势必会对获取真实下垫面信息造成极大干扰,影响对遥感数据的分析与解译。然而,考虑到现实因素又不可能让卫星重新拍摄,成像仪载荷穿透云层拍摄地表也非短时间可以实现的。
因此,本发明提出一种卫星遥感图像的晴空数据集处理方法,能够对原始卫星遥感图像去除云污染,生成高分辨率的晴空数据集,得以真实地反映下垫面信息。更优地,本发明一些实施例提供的卫星遥感图像的晴空数据集处理方法能够在去除卫星遥感图像中的云的基础上,进一步去除卫星遥感图像中极难去除的云阴影。
下面具体说明本发明各实施方式提供的卫星遥感图像的晴空数据集处理方法。
图1是根据一示例性实施方式示出的一种卫星遥感图像的晴空数据集处理方法的流程图。如图1所示的卫星遥感图像的晴空数据集处理方法例如可以应用于定期生成风云三号D星(FY-3D)MERSI载荷250M分辨率的全球晴空数据集。
参考图1,卫星遥感图像的晴空数据集处理方法10包括:
在步骤S102中,获取遥感卫星的观测数据,例如我国气象卫星FY-3D的遥感载荷MERSI返回的L1B级观测数据。
本发明各实施方式以FY-3D及其MERSI为例进行说明,但本发明并不以遥感卫星及载荷的型号为限制。
在步骤S104中,对观测数据依次进行大气反射率校正处理、图像分块投影处理及当日数据合成处理,生成彩色卫星遥感中间图像。
搭载于卫星平台的成像载荷在观测地球时,由于大气的散射、吸收等效应的影响,原始遥感图像颜色偏蓝。因此,为了消除大气影响,得到不失真的高质量遥感图像产品,需要对原始大气反射率数据进行校正处理。
大气对流层中的分子散射是遥感和辐射传输计算的重要内容。例如:卫星遥感海色产品需要在蓝色谱段进行观测,而该谱段是晴朗大气条件下分子散射影响最为明显的谱段。对于陆表遥感,大气校正过程中也需要移除分子散射的影响。
分子散射依赖于波长的大小,因此在估算NDVI(Normalized DifferenceVegetation Index,归一化植被指数)时,分子散射将引起约0.10NDVI单位的误差;分子散射还依赖于角度,在合成彩色图像时也将带来误差。因此,需对相应的可见光反射率数据进行快速的大气校正。
为实现快速的大气校正,需要采用不依赖实时辅助数据的快速算法。本发明例如可以采用基于6s辐射传输模式的大气校正算法CREFL_SPA,针对FY-3D的MERSI-II载荷的可见光通道(1-4通道)进行大气校正。CREFL_SPA为美国Terra和Aqua极轨卫星搭载的MODIS载荷的公开算法,MODIS通道与MERSI-II通道的对应关系如下表1所示:
表1
在一些实施例中,大气反射率校正处理可以包括根据下述公式确定校正后的大气反射率:
ρTOA(μs,μv,Φ)=ρ0(μs,μv,Φ)+T(μs)T(μv)ρs(μs,μv,Φ)/[1-ρs(μs,μv,Φ)S]
其中,μs、μv和Φ为球坐标系下的观测几何参数,T(μs)和T(μv)为与观测几何参数相关的大气通过率,ρTOA(μs,μv,Φ)为校正后的大气反射率,ρ0(μs,μv,Φ)为路径辐射反射率,ρs(μs,μv,Φ)为大气表观反射率,S为大气反照率,基于气溶胶光学厚度τ进行确定。
如上所述,对原始遥感图像进行大气反射率校正处理后生成的中间图像消除了大气散射、吸收等效应的影响,具有高品质的彩色保真性。
在一些实施例中,图像分块投影处理可以包括:全球等经纬度投影处理和/或全球极射赤面投影处理。
在一些实施例中,当日数据合成处理可以包括:根据最优太阳角度,对经图像分块投影处理生成的彩色卫星遥感分块图像进行当日多轨道合成。
在步骤S106中,对彩色卫星遥感中间图像进行去除云污染处理,生成对应下垫面的晴空数据集。
在一些实施例中,生成对应下垫面的晴空数据集可以包括:基于数字高程模型对遥感栅格数据进行渲染,生成模拟山体阴影的立体图像。
卫星遥感图像像元值反映的是该像元大小范围内的地物反射总能量,但是对于山体而言,由于受地形因素影响,其实际的乘照面并不等于卫星遥感图像上的像元面积。数字高程模型(Digital Elevation Model,DEM)渲染即是通过模拟太阳光照射地形引起的明暗对比,对地形做渲染使之看起来具有立体效果的一种处理方式。
本发明实施例将DEM渲染技术应用于高分辨率的遥感栅格数据,基于图像观测时间、太阳高度角、方位角及DEM提取的地形参数信息等建立地形光照模型库,通过设置合理的渲染系数,与经过投影处理的FY-3D遥感图像叠加,生成带有山体阴影(hillshade)的高分辨率立体图像。其中,由于同一水平面上照度与面积成正比,因此地形光照模型库中的山体阴影可以根据下述公式确定:
其中,hillshade为山体阴影,zenith为太阳天顶角,azimuth为太阳方位角,slope为DEM的坡度,aspect为DEM的坡向,均取弧度制量纲。
根据本发明实施方式提供的卫星遥感图像的晴空数据集处理方法,能够对原始卫星遥感图像去除云污染,生成高分辨率的晴空数据集,得以真实地反映下垫面信息,极大地提升了图像利用效率,具有重要的经济意义。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施方式。
图2是根据一示例性实施方式示出的另一种卫星遥感图像的晴空数据集处理方法的流程图。与图1所示方法10的不同之处在于,图2所示的方法20进一步提供了去云处理的具体方法,即上述方法10中步骤S106的一实施例。同样地,如图2所示的卫星遥感图像的晴空数据集处理方法例如也可以应用于定期生成FY-3D MERSI载荷250M分辨率的全球晴空数据集。
参考图2,方法10中的步骤S106包括:
在步骤S202中,基于最小反射率法和最大NDVI合成法,对彩色卫星遥感中间图像进行晴空合成去云处理。
其中,最小反射率法确定彩色卫星遥感中间图像各像元反射率的最小值为合成后的晴空反射率。
最大NDVI合成法确定彩色卫星遥感中间图像各像元NDVI的最大值为合成后的晴空反射率,NDVI=(xnir-xred)/(xnir+xred),xnir表示近红外波段的反射率,xred表示可见光红光波段的反射率。
云和地表下垫面光谱特征反映云在可见光和近红外波段具有很高的反射率,这也是区分云和地物的直接依据;NDVI能够部分消除太阳高度角、卫星观测角、地形及例如云阴影等与大气条件有关的参数对辐射变化的影响,且植被的NDVI比其它下垫面的NDVI大很多,因此可以通过最大NDVI合成法选择出植被的最佳像元以得到晴空覆盖。但实践证明:最大NDVI合成法多适用于植被地区,对冰雪、水体等区域并不适用。因此,本发明实施方式联合运用最小反射率法和最大NDVI合成法进行去云处理,以使不同类型的下垫面均取得良好的去云效果。
图3是根据一示例性实施方式示出的再一种卫星遥感图像的晴空数据集处理方法的流程图。与图1所示方法10、图2所示方法20的不同之处在于,图3所示的方法30进一步提供了去除云阴影的方法,即上述方法10中步骤S106的另一实施例。同样地,如图3所示的卫星遥感图像的晴空数据集处理方法例如也可以应用于定期生成FY-3D MERSI载荷250M分辨率的全球晴空数据集。
当卫星拍摄图像时,太阳的光线被各种厚云或积雨云遮挡,造成部分地面信息的缺失,形成了云阴影。厚云距地面的高度、厚云的形状、太阳高度角、卫星与地球的距离及拍摄角度等都是云阴影形成的因素之一。判识云阴影的传统方法是采用人工交互的方式,通过不断调整阈值来判识不同区域的云阴影。然而,人机交互的操作复杂,易受人为因素干扰,且无法一次去除所有区域的云阴影。本发明上述最小反射率法和最大NDVI合成法的联合运用虽然能够有效地去除遥感图像中的云,但也无法去除云阴影。
承上述,参考图3,方法10中的步骤S106还包括:
在步骤S302中,根据不同下垫面的光谱特性,基于西格玛合成法去除彩色卫星遥感中间图像的云阴影。
西格玛合成法根据彩色卫星遥感中间图像各像元反射率值的标准差及预设的反射率阈值,确定并删除彩色卫星遥感中间图像的云阴影像元,其中反射率阈值根据下垫面类型进行预先设置。
本发明针对FY-3D的MERSI-II,将各实施方式所提供的卫星遥感图像的晴空数据集处理方法实现于软件,如图7至图10中所示,生成不同类型下垫面去除云污染(云及云阴影)后的晴空数据,以及可反映地表(植被、高原、湖泊、沙漠等)季节性变化、雪盖推进及后退变化等长时间跨度的季节性晴空数据。本发明所开发的软件包括:数据下载和系统调度、大气校正处理、图像分块投影、彩色图像生成、当天数据合成、多时相晴空合成、DEM渲染遥感图像、格式转换和全球拼图等功能,输入接口接收MERSI-II的L1级观测数据和GEO(Geostationary Earth Orbit,地球静止卫星轨道)数据,输出接口输出去除云污染后的晴空数据,中间结果包括大气校正中间数据、等经纬度投影中间数据、当日多轨合成中间数据、植被指数中间数据、临时文件等。
根据一些实施例,本发明实施方式提供的卫星遥感图像的晴空数据集处理方法能够在去除卫星遥感图像中的云、基本消除云污染影响的基础上,进一步去除卫星遥感图像中的云阴影。
本领域技术人员可以理解实现上述实施方式的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施方式的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图4是根据一示例性实施方式示出的一种卫星遥感图像的晴空数据集处理装置的框图。
参考图4,卫星遥感图像的晴空数据集处理装置40包括:数据获取模块402、图像生成模块404以及图像处理模块406。
其中,数据获取模块402用于获取遥感卫星的观测数据。
图像生成模块404用于对观测数据依次进行大气反射率校正处理、图像分块投影处理及当日数据合成处理,生成彩色卫星遥感中间图像。
在一些实施例中,图像生成模块404可进一步包括大气校正单元、图像投影单元及数据合成单元。其中,图像投影单元可进一步包括全球等经纬度投影处理子单元和/或全球极射赤面投影处理子单元;数据合成单元用于根据最优太阳角度,对经图像分块投影处理生成的彩色卫星遥感分块图像进行当日多轨道合成;大气校正单元用于根据下述公式确定校正后的大气反射率:
ρTOA(μs,μv,Φ)=ρ0(μs,μv,Φ)+T(μs)T(μv)ρs(μs,μv,Φ)/[1-ρs(μs,μv,Φ)S]
图像处理模块406用于对彩色卫星遥感中间图像进行去除云污染处理,生成对应下垫面的晴空数据集。
在一些实施例中,图像处理模块406可进一步包括去云单元及去云阴影单元。其中,去云单元用于基于最小反射率法和最大归一化植被指数合成法,对彩色卫星遥感中间图像进行晴空合成去云处理;去云阴影单元用于根据不同下垫面的光谱特性,基于西格玛合成法去除彩色卫星遥感中间图像的云阴影。
在一些实施例中,图像处理模块406还可进一步包括DEM渲染单元,用于基于数字高程模型对遥感栅格数据进行渲染,生成模拟山体阴影的立体图像。
根据本发明实施方式提供的卫星遥感图像的晴空数据集处理装置,能够对原始卫星遥感图像去除云污染,生成高分辨率的晴空数据集,得以真实地反映下垫面信息,极大地提升了图像利用效率,具有重要的经济意义。
另外,根据一些实施例,本发明实施方式提供的卫星遥感图像的晴空数据集处理装置能够在去除卫星遥感图像中的云、基本消除云污染影响的基础上,进一步去除卫星遥感图像中的云阴影。
需要注意的是,上述附图中所示的框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
图5是根据一示例性实施方式示出的一种电子设备的结构示意图。需要说明的是,图5示出的电子设备仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。如图5所示的电子设备例如可以应用于定期生成FY-3D MERSI载荷250M分辨率的全球晴空数据集。
如图5所示,电子设备100以通用计算机设备的形式表现。电子设备100的组件包括:至少一个中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序代码或者从至少一个存储单元1008加载到随机访问存储器(RAM)1003中的程序代码而执行各种适当的动作和处理。
特别地,根据本发明的实施例,所述程序代码可以被中央处理单元1001执行,使得中央处理单元1001执行本说明书上述方法实施例部分中描述的根据本发明各种示例性实施方式的步骤。例如,中央处理单元1001可以执行如图1、2、3中所示的步骤。
在RAM 1003中,还存储有电子设备100操作所需的各种程序和数据。CPU 1001、ROM1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入单元1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出单元1007;包括硬盘等的存储单元1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信单元1009。通信单元1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储单元1008。
图6是根据一示例性实施方式示出的一种计算机可读存储介质的示意图。
参考图6所示,描述了根据本发明的实施方式的设置为实现上述方法的程序产品600,其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码,并可以在终端设备,例如个人电脑上运行。然而,本发明的程序产品不限于此,在本文件中,可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该计算机可读介质实现如图1、2、3中所示的功能。
以上具体地示出和描述了本发明的示例性实施方式。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种卫星遥感图像的晴空数据集处理方法,其特征在于,包括:
获取遥感卫星的观测数据;
对所述观测数据依次进行大气反射率校正处理、图像分块投影处理及当日数据合成处理,生成彩色卫星遥感中间图像;以及
对所述彩色卫星遥感中间图像进行去除云污染处理,生成对应下垫面的晴空数据集。
2.根据权利要求1所述的方法,其特征在于,生成对应下垫面的晴空数据集包括:基于数字高程模型对遥感栅格数据进行渲染,生成模拟山体阴影的立体图像。
3.根据权利要求1所述的方法,其特征在于,所述去除云污染处理包括:基于最小反射率法和最大归一化植被指数合成法,对所述彩色卫星遥感中间图像进行晴空合成去云处理;其中,所述最小反射率法确定所述彩色卫星遥感中间图像各像元反射率的最小值为合成后的晴空反射率,所述最大归一化植被指数合成法确定所述彩色卫星遥感中间图像各像元归一化植被指数的最大值为合成后的晴空反射率。
4.根据权利要求3所述的方法,其特征在于,所述去除云污染处理还包括:根据不同下垫面的光谱特性,基于西格玛合成法去除所述彩色卫星遥感中间图像的云阴影;所述西格玛合成法根据所述彩色卫星遥感中间图像各像元反射率值的标准差及预设的反射率阈值,确定并删除所述彩色卫星遥感中间图像的云阴影像元,其中所述反射率阈值根据下垫面类型进行预先设置。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述大气反射率校正处理包括根据下述公式确定校正后的大气反射率:
ρTOA(μs,μv,Φ)=ρ0(μs,μv,Φ)+T(μs)T(μv)ρs(μs,μv,Φ)/[1-ρs(μs,μv,Φ)S]
其中,μs、μv和Φ为球坐标系下的观测几何参数,T(μs)和T(μv)为与所述观测几何参数相关的大气通过率,ρTOA(μs,μv,Φ)为校正后的大气反射率,ρ0(μs,μv,Φ)为路径辐射反射率,ρs(μs,μv,Φ)为大气表观反射率,S为大气反照率。
6.根据权利要求1-4任一项所述的方法,其特征在于,所述图像分块投影处理包括:全球等经纬度投影处理和/或全球极射赤面投影处理。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述当日数据合成处理包括:根据最优太阳角度,对经所述图像分块投影处理生成的彩色卫星遥感分块图像进行当日多轨道合成。
8.一种卫星遥感图像的晴空数据集处理装置,其特征在于,包括:
数据获取模块,用于获取遥感卫星的观测数据;
图像生成模块,用于对所述观测数据依次进行大气反射率校正处理、图像分块投影处理及当日数据合成处理,生成彩色卫星遥感中间图像;以及
图像处理模块,用于对所述彩色卫星遥感中间图像进行去除云污染处理,生成对应下垫面的晴空数据集。
9.一种电子设备,包括:存储器、处理器及存储在所述存储器中并可在所述处理器中运行的可执行指令,其特征在于,所述处理器执行所述可执行指令时实现如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机可执行指令,其特征在于,所述可执行指令被处理器执行时实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177762.4A CN111402162B (zh) | 2020-03-13 | 2020-03-13 | 卫星遥感图像的晴空数据集处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010177762.4A CN111402162B (zh) | 2020-03-13 | 2020-03-13 | 卫星遥感图像的晴空数据集处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402162A true CN111402162A (zh) | 2020-07-10 |
CN111402162B CN111402162B (zh) | 2023-11-07 |
Family
ID=71430862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010177762.4A Active CN111402162B (zh) | 2020-03-13 | 2020-03-13 | 卫星遥感图像的晴空数据集处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402162B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200026960A1 (en) * | 2018-07-17 | 2020-01-23 | Nvidia Corporation | Regression-based line detection for autonomous driving machines |
CN113887324A (zh) * | 2021-09-10 | 2022-01-04 | 北京和德宇航技术有限公司 | 基于卫星遥感数据的火点检测方法 |
CN113989661A (zh) * | 2021-10-15 | 2022-01-28 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
US11430210B2 (en) * | 2020-06-18 | 2022-08-30 | Raytheon Company | Methods and system for estimation of lambertian equivalent reflectance for reflective band imagery |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484859A (zh) * | 2014-10-20 | 2015-04-01 | 电子科技大学 | 一种多光谱光学遥感图像数据去除薄云的方法 |
CN106327452A (zh) * | 2016-08-14 | 2017-01-11 | 曾志康 | 一种面向多云雨地区的碎片化遥感影像合成方法及装置 |
CN109164444A (zh) * | 2018-09-04 | 2019-01-08 | 中科海慧(北京)科技有限公司 | 一种基于遥感数据的自然景观重构方法 |
KR20190079350A (ko) * | 2017-12-27 | 2019-07-05 | 서울시립대학교 산학협력단 | 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 |
-
2020
- 2020-03-13 CN CN202010177762.4A patent/CN111402162B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104484859A (zh) * | 2014-10-20 | 2015-04-01 | 电子科技大学 | 一种多光谱光学遥感图像数据去除薄云的方法 |
CN106327452A (zh) * | 2016-08-14 | 2017-01-11 | 曾志康 | 一种面向多云雨地区的碎片化遥感影像合成方法及装置 |
KR20190079350A (ko) * | 2017-12-27 | 2019-07-05 | 서울시립대학교 산학협력단 | 지형정규화 모델 평가 방법, 및 이를 이용한 식생지수 맵의 지형효과 보정방법 및 그 장치 |
CN109164444A (zh) * | 2018-09-04 | 2019-01-08 | 中科海慧(北京)科技有限公司 | 一种基于遥感数据的自然景观重构方法 |
Non-Patent Citations (2)
Title |
---|
MENG LIU等: "An Improved Flexible Spatiotemporal Data Fusion (IFSDAF) method for producing high spatiotemporal resolution normalized difference vegetation index time series", 《REMOTE SENSING OF ENVIRONMENT》, vol. 227 * |
王中挺等: "利用MODIS数据监测北京地区气溶胶", vol. 23, no. 3, pages 284 - 287 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200026960A1 (en) * | 2018-07-17 | 2020-01-23 | Nvidia Corporation | Regression-based line detection for autonomous driving machines |
US11604944B2 (en) * | 2018-07-17 | 2023-03-14 | Nvidia Corporation | Regression-based line detection for autonomous driving machines |
US11921502B2 (en) * | 2018-07-17 | 2024-03-05 | Nvidia Corporation | Regression-based line detection for autonomous driving machines |
US11430210B2 (en) * | 2020-06-18 | 2022-08-30 | Raytheon Company | Methods and system for estimation of lambertian equivalent reflectance for reflective band imagery |
CN113887324A (zh) * | 2021-09-10 | 2022-01-04 | 北京和德宇航技术有限公司 | 基于卫星遥感数据的火点检测方法 |
CN113989661A (zh) * | 2021-10-15 | 2022-01-28 | 中国气象科学研究院 | Mersi-2与modis的归一化植被指数转换方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111402162B (zh) | 2023-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402162A (zh) | 卫星遥感图像的晴空数据集处理方法 | |
US10832390B2 (en) | Atmospheric compensation in satellite imagery | |
Shepherd et al. | Correcting satellite imagery for the variance of reflectance and illumination with topography | |
Carrano | Speckle imaging over horizontal paths | |
Strahler et al. | MODIS BRDF/albedo product: algorithm theoretical basis document version 5.0 | |
Latifovic et al. | A comparison of BRDF models for the normalization of satellite optical data to a standard sun-target-sensor geometry | |
CN107966210B (zh) | 基于高光谱图像的热红外融合重构方法 | |
CN103927455A (zh) | 基于高分一号卫星的陆地气溶胶光学性质反演方法 | |
Zhang et al. | Sensitivity of topographic correction to the DEM spatial scale | |
CN116519557B (zh) | 一种气溶胶光学厚度反演方法 | |
Danaher et al. | Bi-directional reflectance distribution function approaches to radiometric calibration of Landsat ETM+ imagery | |
CN108256186A (zh) | 一种在线计算查找表的逐像元大气校正方法 | |
CN116245757B (zh) | 多模态数据的多场景通用性遥感影像云修复方法和系统 | |
Moussu et al. | A method for the mapping of the apparent ground brightness using visible images from geostationary satellites | |
CN113744249A (zh) | 一种海洋生态环境损害调查方法 | |
Liu et al. | The effect of viewing geometry and topography on viewable gap fractions through forest canopies | |
Xin et al. | Retrieval of snow reflectance from Landsat data in rugged terrain | |
CN109631951A (zh) | 一种遥感影像大气校正方法及装置 | |
Gastellu-Etchegorry et al. | Why to model remote sensing measurements in 3D? Recent advances in dart: Atmosphere, topography, large landscape, chlorophyll fluorescence and satellite image inversion | |
Sundberg | The Impact of Cloud Shadows on Subpixel Target Detection | |
CN104809704B (zh) | 基于地形改正的卫星影像虚假地形感知现象改正方法 | |
Lucht et al. | Remote sensing of albedo using the BRDF in relation to land surface properties | |
Tian et al. | Inversing Glacier Albedo in High Mountain ASIA based on Sentinel-3 Satellite Data | |
CN115524763B (zh) | 一种多时相高分辨率山地卫星影像地形辐射校正方法 | |
Iikura | Topographic effects observed in shadowed pixels in 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 |