CN112001374B - 一种高光谱影像的云检测方法和装置 - Google Patents
一种高光谱影像的云检测方法和装置 Download PDFInfo
- Publication number
- CN112001374B CN112001374B CN202011167391.8A CN202011167391A CN112001374B CN 112001374 B CN112001374 B CN 112001374B CN 202011167391 A CN202011167391 A CN 202011167391A CN 112001374 B CN112001374 B CN 112001374B
- Authority
- CN
- China
- Prior art keywords
- cloud
- image
- detected
- pixel
- probability
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种高光谱影像的云检测方法和装置,涉及图像处理的技术领域,包括:获取待检测高光谱影像;对待检测高光谱影像进行预处理,得到待检测高光谱影像的HSV色彩空间;利用HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;基于云物理光谱特征和待检测高光谱影像的遥感指数,构建云检测概率影像;利用疑似云掩膜影像和云检测概率影像,确定出云识别结果影像,并利用云识别结果影像,计算待检测高光谱影像的云量,解决了现有的高光谱影像云检测方法较为复杂的技术问题。
Description
技术领域
本发明涉及图像处理的技术领域,尤其是涉及一种高光谱影像的云检测方法和装置。
背景技术
根据国际卫星云气候计划 ISCCP( International Satellite CloudClimatology Project)提供的全球云量数据显示,云覆盖了50%以上的地球表面,在利用遥感手段获取的地球空间信息中占有相当大的比率。云会阻碍传感器与地物之间的辐射传输,使得应用高光谱数据高精度提取地面信息或大气信息变得非常困难。光学遥感数据中大量云的存在,影响了遥感图像的质量,从而降低了图像的数据利用率,因此云检测已成为光学遥感图像处理过程中需首要解决的问题之一。
目前,遥感影像云检测的方法大体可以分为纹理分析法、机器学习方法和阈值法。纹理分析法利用云的形状纹理进行云检测,但该方法很少涉及云的物理遥感特征,其在高光谱数据应用中的稳定性较低。机器学习方法主要利用聚类分析或者监督分类的方法进行云检测,但是该方法需要人为大量样本训练,同时需不断更新样本,所以自动化程度较低且算法复杂,不利于快速提取和工程化应用;阈值法是利用云在可见光近红外波段的高反射和热红外波段的低温等物理特征,划定阈值进行云检测,但是该方法主要基于表观反射率或地表反射率,需要对高光谱原始DN数据进行辐射定标、大气校正等复杂的数据处理,且很少结合云的视觉色彩特征,上述方法数据处理复杂且准确性较低。
针对上述问题,还未提出有效的解决方案。
发明内容
有鉴于此,本发明的目的在于提供一种高光谱影像的云检测方法和装置,以缓解了现有高光谱影像云检测方法较为复杂的技术问题。
第一方面,本发明实施例提供了一种高光谱影像的云检测方法,包括:获取待检测高光谱影像;对所述待检测高光谱影像进行预处理,得到所述待检测高光谱影像的HSV色彩空间;利用所述HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;基于云物理光谱特征和所述待检测高光谱影像的遥感指数,构建云检测概率影像;利用所述疑似云掩膜影像和所述云检测概率影像,确定出云识别结果影像,并利用所述云识别结果影像,计算所述待检测高光谱影像的云量。
进一步地,对所述待检测高光谱影像进行预处理,得到所述待检测高光谱影像的HSV色彩空间,包括:对所述待检测高光谱影像进行几何校正,得到所述待检测高光谱影像的数字量化值数据;利用云的视觉特征分析算法和云的物理特征分析算法,对所述数字量化值数据中的波段进行筛选,得到目标波段;利用所述目标波段构建所述HSV色彩空间。
进一步地,利用所述目标波段构建所述HSV色彩空间,包括:确定出所述目标波段中的RGB波段;对所述RGB波段对应的16位数字量化值转化到8位数字量化值,并基于所述8位数字量化值构建RGB真彩色影像;利用所述RGB真彩色影像构建所述HSV色彩空间。
进一步地,利用所述HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像,包括:利用所述云的视觉色彩特征分析算法,确定出HSV分量的阈值;基于所述HSV分量的阈值,确定出所述待检测高光谱影像中的疑似云像元;对所述疑似云像元进行掩膜处理,得到所述疑似云掩膜影像。
进一步地,基于云物理光谱特征和所述待检测高光谱影像的遥感指数,构建云检测概率影像包括:计算所述遥感指数的归一化参数,其中,所述遥感指数包括:NDVI参数,NDWI参数,HOT参数,NDSI参数和NDBI参数;利用所述归一化参数,确定出所述待检测高光谱影像中每个像元的云概率,其中,所述云概率包括:排除植被和水之后的每个像元的云概率,排除土壤沙漠岩石城市之后每个像元的云概率和排除雪之后的每个像元的云概率;基于每个像元的云概率,计算出所述待检测高光谱影像中每个像元的云概率像元值;所述待检测高光谱影像中每个像元的云概率像元值,构建所述云检测概率影像。
进一步地,利用所述疑似云掩膜影像和所述云检测概率影像,确定出云识别结果影像,包括:利用所述疑似云掩膜影像对所述云检测概率影像进行掩膜处理,得到目标影像;确定出所述目标影像中的目标区域,其中,所述目标区域为所述疑似云掩膜影像与所述云检测概率影像之间重合的区域;基于所述目标区域,确定出疑似云概率影像;利用所述疑似云概率影像,确定出目标云概率像元值;基于所述目标云概率像元值,确定出将所述待检测高光谱影像中的目标像元,其中,所述目标像元为云概率像元值大于所述目标云概率像元值的像元;利用所述目标像元,构建所述云识别结果影像。
进一步地,利用所述云识别结果影像,计算所述待检测高光谱影像的云量,包括:计算所述目标像元的数量与所述待检测高光谱影像的像元数量之间的比值,将所述比值确定为所述待检测高光谱影像的云量。
第二方面,本发明实施例还提供了一种高光谱影像的云检测装置,包括:获取单元,预处理单元,第一构建单元,第二构建单元和计算单元,其中,所述获取单元,用于获取待检测高光谱影像;所述预处理单元,用于对所述待检测高光谱影像进行预处理,得到所述待检测高光谱影像的HSV色彩空间;所述第一构建单元,用于利用所述HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;所述第二构建单元,用于基于云物理光谱特征和所述待检测高光谱影像的遥感指数,构建云检测概率影像;所述计算单元,用于利用所述疑似云掩膜影像和所述云检测概率影像,确定出云识别结果影像,并利用所述云识别结果影像,计算所述待检测高光谱影像的云量。
第三方面,本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行第一方面中所述方法的步骤。
在本发明实施例中,通过获取待检测高光谱影像;对待检测高光谱影像进行预处理,得到待检测高光谱影像的HSV色彩空间;利用HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;基于云物理光谱特征和待检测高光谱影像的遥感指数,构建云检测概率影像;利用疑似云掩膜影像和云检测概率影像,确定出云识别结果影像,并利用云识别结果影像,计算待检测高光谱影像的云量,本申请通过将视觉色彩特征检测算法结合进云量检测方法中,达到了对待检测高光谱影像的云量进行快速准确检测的目的,进而解决了现有高光谱影像的云检测方法较为复杂的技术问题,从而实现了提高了待检测高光谱影像的云量检测的效率和准确性的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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高光谱影像的云检测方法的流程图;
图2为本发明实施例提供的待检测高光谱影像;
图3为本发明实施例提供的形态学去噪处理后云识别结果影像;
图4为本发明实施例提供的栅格转矢量后云识别结果影像;
图5为本发明实施例提供的一种高光谱影像的云检测装置的示意图;
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
实施例一:
根据本发明实施例,提供了一种高光谱影像的云检测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的种高光谱影像的云检测方法的流程图,如图1所示,该方法包括如下步骤:
步骤S102,获取待检测高光谱影像;
具体的,如图2所示,图2为上述待检测高光谱影像,其中,待检测高光谱影像的左下角为主要的云覆盖区域。
步骤S104,对所述待检测高光谱影像进行预处理,得到所述待检测高光谱影像的HSV色彩空间;
步骤S106,利用所述HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;
步骤S108,基于云物理光谱特征和所述待检测高光谱影像的遥感指数,构建云检测概率影像;
步骤S110,利用所述疑似云掩膜影像和所述云检测概率影像,确定出云识别结果影像,并利用所述云识别结果影像,计算所述待检测高光谱影像的云量。
在本发明实施例中,通过获取待检测高光谱影像;对待检测高光谱影像进行预处理,得到待检测高光谱影像的HSV色彩空间;利用HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;基于云物理光谱特征和待检测高光谱影像的遥感指数,构建云检测概率影像;利用疑似云掩膜影像和云检测概率影像,确定出云识别结果影像,并利用云识别结果影像,计算待检测高光谱影像的云量,本申请通过将视觉色彩特征检测算法结合进云量检测方法中,达到了对待检测高光谱影像的云量进行快速准确检测的目的,进而解决了现有的高光谱影像的云检测方法较为复杂的技术问题,从而实现了提高了待检测高光谱影像的云量检测的效率和准确性的技术效果。
在本发明实施例中,步骤S104包括如下步骤:
步骤S11,对所述待检测高光谱影像进行几何校正,得到所述待检测高光谱影像的数字量化值数据;
步骤S12,利用云的视觉特征分析算法和云的物理特征分析算法,对所述数字量化值数据中的波段进行筛选,得到目标波段;
步骤S13,利用所述目标波段构建所述HSV色彩空间。
在本发明实施例中,对需要进行云检测的待检测高光谱影像进行影像几何校正,进而得到待检测高光谱影像的数字量化值数据;
然后,根据云的视觉特征和物理特征,对高光谱影像进行波段筛选,选取适合进行云特征提取的波段(即目标波段),其中,目标波段包括460nm,560nm,670nm,860nm,1350nm,1600nm,2200nm等尺寸的波段。
在本发明实施例中,步骤S13还包括如下步骤:
步骤S131,确定出所述目标波段中的RGB波段;
步骤S132,对所述RGB波段对应的16位数字量化值转化到8位数字量化值,并基于所述8位数字量化值构建RGB真彩色影像;
步骤S133,利用所述RGB真彩色影像构建所述HSV色彩空间。
在本发明实施例中,对优选波段中RGB波段的数字量化值数据,进行分波段归一化处理,得到目标RGB波段,使RGB波段的数字量化值在[0, 1]之间,再将DN值乘以255,则目标RGB波段组合成真彩色影像。
然后,利用目标RGB真彩色影像构建HSV色彩空间(Hue-色调、Saturation-饱和度、Value-值),将图像从RGB色彩空间转换为HSV色彩空间。
在本发明实施例中,步骤S106包括如下步骤:
步骤S21,利用所述云的视觉色彩特征分析算法,确定出HSV分量的阈值;
步骤S22,基于所述HSV分量的阈值,确定出所述待检测高光谱影像中的疑似云像元;
步骤S23,对所述疑似云像元进行掩膜处理,得到所述疑似云掩膜影像。
在本发明实施例中,通过分析云像元的视觉色彩特征,并根据分析结果划定对云敏感的HSV分量的阈值范围。根据确定的阈值范围对影像像元进行区分,得到疑似云像元。
当H、S、V的值满足下列公式要求时,认为该像元为疑似云像元。
0<H<180,0<S<43,46<V<255。
之后,对疑似云像元组成的影像进行掩膜处理,进而得到疑似云掩膜影像。
在本发明实施例中,步骤S108还包括如下步骤:
步骤S31,计算所述遥感指数的归一化参数,其中,所述遥感指数包括:NDVI参数,NDWI参数,HOT参数,NDSI参数和NDBI参数;
步骤S32,利用所述归一化参数,确定出所述待检测高光谱影像中每个像元的云概率,其中,所述云概率包括:排除植被和水之后的每个像元的云概率,排除土壤沙漠岩石城市之后每个像元的云概率和排除雪之后的每个像元的云概率;
步骤S33,基于每个像元的云概率,计算出所述待检测高光谱影像中每个像元的云概率像元值;
步骤S34,基于所述待检测高光谱影像中每个像元的云概率像元值,构建所述云检测概率影像。
首先,计算待检测高光谱影像的NDVI、NDWI、HOT、NDSI、NDBI归一化参数,其阈值限定在[0,1]。计算公式如下:
选取HOT大于0区间内的数值,对其进行归一化,公式如下:
计算公式如下:
其中,R2200为2200nm波段DN值。
进而得到整幅影像的云概率像元值,即云检测概率影像。
在本发明实施例中,步骤S110包括如下步骤:
步骤S41,利用所述疑似云掩膜影像对所述云检测概率影像进行掩膜处理,得到目标影像;
步骤S42,确定出所述目标影像中的目标区域,其中,所述目标区域为所述疑似云掩膜影像与所述云检测概率影像之间重合的区域;
步骤S43,基于所述目标区域,确定出疑似云概率影像;
步骤S44,利用所述疑似云概率影像,确定出目标云概率像元值;
步骤S45,基于所述目标云概率像元值,确定出将所述待检测高光谱影像中的目标像元,其中,所述目标像元为云概率像元值大于所述目标云概率像元值的像元;
步骤S46,利用所述目标像元,构建所述云识别结果影像。
在本发明实施例中,首先,以视觉特征构建的疑似云掩膜影像为基础,结合云检测概率影像,两景影像取交集获得疑似云概率影像。
具体的,通过云掩膜影像对云检测概率影像进行掩膜处理,保留两幅影像重合的部分,进而得到疑似云概率影像;
接着,根据疑似云概率影像,通过多次试验,利用统计分析技术,划定云检测阈值,并获得云识别结果影像;
需要说明的是,在本发明实施例中,在计算待检测高光谱影像的云量之前,所述方法还包括如下步骤:
步骤S47,对所述云识别结果影像进行优化处理,其中,所述优化处理包括以下至少之一:形态学去噪处理,栅格转矢量处理。
具体的,形态学去噪的具体方法为:首先,将形态学的结构元素设置为 [[1, 1,1,], [1, 1,1], [1, 1, 1]],之后将结构元素平移到云检测影像上某个位置。当结构元素中所有为1的都落在影像里,则把结构元素中心点对应的云检测影像的像素点保留下来,否则排除出去。形态学去噪目的是去除碎斑块并填补细小空洞等图像噪声,如图3所示,图3经形态学去噪后的云识别结果影像。
如图4所示,图4为栅格转矢量后云识别结果影像。
在本发明实施例中,步骤S110还包括如下步骤:
步骤S48,计算所述目标像元的数量与所述待检测高光谱影像的像元数量之间的比值,将所述比值确定为所述待检测高光谱影像的云量。
在本发明实施例中,通过将待检测高光谱影像转换为数字量化值数据,并利用数字量化值数据构建HSV色彩空间,基于视觉色彩特征,并结合NDWI、NDSI、HOT等遥感云检测指数,提出适用于高光谱影像的云检测方法,能够简便、准确、快速的实现高光谱影像的云量检测。
实施例二:
本发明实施例还提供了一种高光谱影像的云检测装置,该高光谱影像的云检测装置用于执行本发明实施例上述内容所提供的高光谱影像的云检测方法,以下是本发明实施例提供的高光谱影像的云检测装置的具体介绍。
如图5所示,图5为上述高光谱影像的云检测装置的示意图,该高光谱影像的云检测装置包括:获取单元10,预处理单元20,第一构建单元30,第二构建单元40和计算单元50,其中,
所述获取单元10,用于获取待检测高光谱影像;
所述预处理单元20,用于对所述待检测高光谱影像进行预处理,得到所述待检测高光谱影像的HSV色彩空间;
所述第一构建单元30,用于利用所述HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;
所述第二构建单元40,用于基于云物理光谱特征和所述待检测高光谱影像的遥感指数,构建云检测概率影像;
所述计算单元50,用于利用所述疑似云掩膜影像和所述云检测概率影像,确定出云识别结果影像,并利用所述云识别结果影像,计算所述待检测高光谱影像的云量。
在本发明实施例中,通过获取待检测高光谱影像;对待检测高光谱影像进行预处理,得到待检测高光谱影像的HSV色彩空间;利用HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;基于云物理光谱特征和待检测高光谱影像的遥感指数,构建云检测概率影像;利用疑似云掩膜影像和云检测概率影像,确定出云识别结果影像,并利用云识别结果影像,计算待检测高光谱影像的云量,本申请通过将视觉色彩特征检测算法结合进云量检测方法中,达到了对待检测高光谱影像的云量进行快速准确检测的目的,进而解决了现有的高光谱影像云检测方法较为复杂的技术问题,从而实现了提高了待检测高光谱影像的云量检测的效率和准确性的技术效果。
实施例三:
本发明实施例还提供了一种电子设备,包括存储器以及处理器,所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
参见图6,本发明实施例还提供一种电子设备100,包括:处理器60,存储器61,总线62和通信接口63,所述处理器60、通信接口63和存储器61通过总线62连接;处理器60用于执行存储器61中存储的可执行模块,例如计算机程序。
其中,存储器61可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口63(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线62可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器61用于存储程序,所述处理器60在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器60中,或者由处理器60实现。
处理器60可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器60中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器60可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器61,处理器60读取存储器61中的信息,结合其硬件完成上述方法的步骤。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外,在本发明实施例的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.一种高光谱影像的云检测方法,其特征在于,包括:
获取待检测高光谱影像;
对所述待检测高光谱影像进行预处理,得到所述待检测高光谱影像的HSV色彩空间;
利用所述HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;
基于云物理光谱特征和所述待检测高光谱影像的遥感指数,构建云检测概率影像;
利用所述疑似云掩膜影像和所述云检测概率影像,确定出云识别结果影像,并利用所述云识别结果影像,计算所述待检测高光谱影像的云量;
其中,对所述待检测高光谱影像进行预处理,得到所述待检测高光谱影像的HSV色彩空间,包括:
对所述待检测高光谱影像进行几何校正,得到所述待检测高光谱影像的数字量化值数据;
利用云的视觉特征分析算法和云的物理特征分析算法,对所述数字量化值数据中的波段进行筛选,得到目标波段;
利用所述目标波段构建所述HSV色彩空间;
其中,利用所述HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像,包括:
利用所述云的视觉色彩特征分析算法,确定出HSV分量的阈值;
基于所述HSV分量的阈值,确定出所述待检测高光谱影像中的疑似云像元;
对所述疑似云像元进行掩膜处理,得到所述疑似云掩膜影像。
2.根据权利要求1所述的方法,其特征在于,利用所述目标波段构建所述HSV色彩空间,包括:
确定出所述目标波段中的RGB波段;
对所述RGB波段对应的16位数字量化值转化到8位数字量化值,并基于所述8位数字量化值构建RGB真彩色影像;
利用所述RGB真彩色影像构建所述HSV色彩空间。
3.根据权利要求1所述的方法,其特征在于,基于云物理光谱特征和所述待检测高光谱影像的遥感指数,构建云检测概率影像包括:
计算所述遥感指数的归一化参数,其中,所述遥感指数包括:NDVI参数,NDWI参数,HOT参数,NDSI参数和NDBI参数;
利用所述归一化参数,确定出所述待检测高光谱影像中每个像元的云概率,其中,所述云概率包括:排除植被和水之后的每个像元的云概率,排除土壤沙漠岩石城市之后每个像元的云概率和排除雪之后的每个像元的云概率;
基于每个像元的云概率,计算出所述待检测高光谱影像中每个像元的云概率像元值;
基于所述待检测高光谱影像中每个像元的云概率像元值,构建所述云检测概率影像。
4.根据权利要求1所述的方法,其特征在于,利用所述疑似云掩膜影像和所述云检测概率影像,确定出云识别结果影像,包括:
利用所述疑似云掩膜影像对所述云检测概率影像进行掩膜处理,得到目标影像;
确定出所述目标影像中的目标区域,其中,所述目标区域为所述疑似云掩膜影像与所述云检测概率影像之间重合的区域;
基于所述目标区域,确定出疑似云概率影像;
利用所述疑似云概率影像,确定出目标云概率像元值;
基于所述目标云概率像元值,确定出将所述待检测高光谱影像中的目标像元,其中,所述目标像元为云概率像元值大于所述目标云概率像元值的像元;
利用所述目标像元,构建所述云识别结果影像。
5.根据权利要求4所述的方法,其特征在于,利用所述云识别结果影像,计算所述待检测高光谱影像的云量,包括:
计算所述目标像元的数量与所述待检测高光谱影像的像元数量之间的比值,将所述比值确定为所述待检测高光谱影像的云量。
6.一种高光谱影像的云检测装置,其特征在于,包括:获取单元,预处理单元,第一构建单元,第二构建单元和计算单元,其中,
所述获取单元,用于获取待检测高光谱影像;
所述预处理单元,用于对所述待检测高光谱影像进行预处理,得到所述待检测高光谱影像的HSV色彩空间;
所述第一构建单元,用于利用所述HSV色彩空间和云的视觉色彩特征分析算法,构建疑似云掩膜影像;
所述第二构建单元,用于基于云物理光谱特征和所述待检测高光谱影像的遥感指数,构建云检测概率影像;
所述计算单元,用于利用所述疑似云掩膜影像和所述云检测概率影像,确定出云识别结果影像,并利用所述云识别结果影像,计算所述待检测高光谱影像的云量;
其中,所述预处理单元,用于:
对所述待检测高光谱影像进行几何校正,得到所述待检测高光谱影像的数字量化值数据;
利用云的视觉特征分析算法和云的物理特征分析算法,对所述数字量化值数据中的波段进行筛选,得到目标波段;
利用所述目标波段构建所述HSV色彩空间;
其中,所述第一构建单元,用于:
利用所述云的视觉色彩特征分析算法,确定出HSV分量的阈值;
基于所述HSV分量的阈值,确定出所述待检测高光谱影像中的疑似云像元;
对所述疑似云像元进行掩膜处理,得到所述疑似云掩膜影像。
7.一种电子设备,其特征在于,包括存储器以及处理器,所述存储器用于存储支持处理器执行权利要求1至5任一项所述方法的程序,所述处理器被配置为用于执行所述存储器中存储的程序。
8.一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,其特征在于,计算机程序被处理器运行时执行上述权利要求1至5任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167391.8A CN112001374B (zh) | 2020-10-28 | 2020-10-28 | 一种高光谱影像的云检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011167391.8A CN112001374B (zh) | 2020-10-28 | 2020-10-28 | 一种高光谱影像的云检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112001374A CN112001374A (zh) | 2020-11-27 |
CN112001374B true CN112001374B (zh) | 2021-03-05 |
Family
ID=73475173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011167391.8A Active CN112001374B (zh) | 2020-10-28 | 2020-10-28 | 一种高光谱影像的云检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001374B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112767543B (zh) * | 2021-02-01 | 2022-05-27 | 中国人民解放军国防科技大学 | 基于逻辑回归的fy-3d红外高光谱云检测方法 |
CN112966710B (zh) * | 2021-02-01 | 2021-11-30 | 中国人民解放军国防科技大学 | 基于线性判别分析的fy-3d红外高光谱云检测方法 |
CN113176211B (zh) * | 2021-04-27 | 2023-03-14 | 中国科学院南海海洋研究所 | 一种基于hsv颜色空间模型变换的日间云检测方法 |
CN114140697B (zh) * | 2021-09-02 | 2022-11-08 | 广东海启星海洋科技有限公司 | 海表流场遥感探测方法及装置 |
CN114494821B (zh) * | 2021-12-16 | 2022-11-18 | 广西壮族自治区自然资源遥感院 | 基于特征多尺度感知与自适应聚合的遥感影像云检测方法 |
CN114022790B (zh) * | 2022-01-10 | 2022-04-26 | 成都国星宇航科技有限公司 | 遥感图像中云层检测及图像压缩方法、装置和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750701A (zh) * | 2012-06-15 | 2012-10-24 | 西安电子科技大学 | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11004178B2 (en) * | 2018-03-01 | 2021-05-11 | Nvidia Corporation | Enhancing high-resolution images with data from low-resolution images |
-
2020
- 2020-10-28 CN CN202011167391.8A patent/CN112001374B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102750701A (zh) * | 2012-06-15 | 2012-10-24 | 西安电子科技大学 | 针对Landsat TM和ETM图像的厚云及其阴影检测方法 |
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 |
Non-Patent Citations (2)
Title |
---|
基于HSV色彩空间的MODIS云检测算法研究;李薇 等;《中国图像图形学报》;20110930;第16卷(第9期);第1696-1701页 * |
基于HSV色彩空间的遥感图像快速云检测;孙和利 等;《地理空间信息》;20200831;第18卷(第8期);第35-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112001374A (zh) | 2020-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN108416784B (zh) | 城市建成区边界快速提取方法、装置及终端设备 | |
CN112381013B (zh) | 基于高分辨率遥感影像的城市植被反演方法及系统 | |
Chen et al. | The application of the tasseled cap transformation and feature knowledge for the extraction of coastline information from remote sensing images | |
CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
AU2021102192A4 (en) | Remote sensing classification and identification method, device, equipment and storage medium for soil types | |
CN115372282B (zh) | 一种基于无人机高光谱影像的农田土壤含水量监测方法 | |
CN115995005B (zh) | 基于单期高分辨率遥感影像的农作物的提取方法和装置 | |
CN115236655A (zh) | 基于全极化sar的滑坡识别方法、系统、设备及介质 | |
CN115631419A (zh) | 一种基于变化检测的水稻种植面积和空间分布提取方法和装置 | |
CN114049566B (zh) | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 | |
CN115861823A (zh) | 一种基于自监督深度学习的遥感变化检测方法和装置 | |
CN113269175B (zh) | 一种火情监测方法和装置 | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN113343945B (zh) | 水体识别方法、装置、电子设备及存储介质 | |
CN114596489A (zh) | 一种高精度人类居住指数的多源遥感城市建成区提取方法 | |
CN115639159B (zh) | 一种基于多光谱影像的废水污染监测方法和装置 | |
CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
CN114187538A (zh) | 一种多光谱植被监测干扰信息的剔除方法和装置 | |
CN115147726A (zh) | 城市形态图的生成方法、装置、电子设备和可读存储介质 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN114550005A (zh) | 一种自然保护区内建筑物识别方法及系统 | |
CN114581793A (zh) | 遥感图像的云识别方法、装置、电子设备及可读存储介质 | |
CN114298229A (zh) | 作物类别确定方法、装置、电子设备及存储介质 |
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 |