CN113284066A - 遥感影像自动云检测方法和装置 - Google Patents
遥感影像自动云检测方法和装置 Download PDFInfo
- Publication number
- CN113284066A CN113284066A CN202110595521.6A CN202110595521A CN113284066A CN 113284066 A CN113284066 A CN 113284066A CN 202110595521 A CN202110595521 A CN 202110595521A CN 113284066 A CN113284066 A CN 113284066A
- Authority
- CN
- China
- Prior art keywords
- pixel point
- cloud
- remote sensing
- band
- sensing image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000012937 correction Methods 0.000 claims description 22
- 238000009499 grossing Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000000877 morphologic effect Effects 0.000 claims description 9
- 230000007797 corrosion Effects 0.000 claims description 8
- 238000005260 corrosion Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 abstract description 9
- 230000003595 spectral effect Effects 0.000 abstract description 4
- 238000000638 solvent extraction Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- 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 by the use of local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- 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
- G06T7/155—Segmentation; Edge detection involving morphological 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
Abstract
本发明公开了一种遥感影像自动云检测方法和装置,属于卫星遥感技术领域。本发明进行像素点的有效性判断,初步锁定云检测区域;然后将遥感影像进行分块,利用图像块内有效像素在近红外波段、短波红外波段、热红外波段的均值、方差分别确定各波段的检测阈值;最后利用近红外波段的检测阈值进行初步云检测,利用短波红外波段的检测阈值去除白色物体,利用热红外波段的检测阈值去除虚警。本发明无需人为设定任何参数和标注样本,自适应影像光谱特征进行物理特性阈值的自动选取,实现了一键式的快速、批量、高精度的云检测及云掩膜产品生产;并且降低了运算量,提高了云检测效率;排除了人工目标和高亮区域,降低了似云目标的误判。
Description
技术领域
本发明涉及卫星遥感技术领域,特别是指一种遥感影像自动云检测方法和装置。
背景技术
卫星遥感传感器在对地观测成像过程中,由于传感器受大气密度和云层变化等影响较大,许多影像存在云层遮挡问题,导致原始地物信息衰减、光谱失真,甚至损失,降低了遥感图像中地面目标信息的可用性,影响了高分辨率遥感影像地物解译与提取,生态参量定量产品反演精度以及时空无云无缝遥感影像镶嵌产品等测绘产品生产。因此,云检测是卫星遥感影像处理的重要环节,是卫星遥感产品生产和应用的前提,自动化、业务化的云掩膜产品生产是提高卫星遥感影像利用率的重要保障。
随着卫星遥感技术的发展,遥感图像的分辨率越来越高,谱段数目越来越多,遥感图像的云检测方法也呈现多样化的发展。现有的云检测算法主要利用云的光谱、频率、纹理等特性,结合阈值法、支持向量机法、聚类法等进行检测。
传统的光谱结合阈值法主要利用云的高反射率和低温特性,利用可见光或近红外光谱的差异对波谱进行分析来实现云检测。缺点是对阈值的敏感程度较高,仅适用于局部的地理区域或特定背景区域或特定卫星传感器,普适性不强。纹理分析方法主要利用云的形状、纹理以及灰度等物理特性进行云检测,缺点是对云分类特征的准确性要求较高。频率结合阈值法主要利用云的低频特性,通过小波分析、傅里叶变换等方法获取影像低频数据进行云检测,缺点是检测效率较低。支持向量机等机器学习方法需要获取大量的训练样本,对分类特征的选取要求较高,通常需要依赖于辅助数据来设置阈值,业务化程度低。
发明内容
为解决上述技术问题,本发明提供一种遥感影像自动云检测方法和装置,本发明自适应影像光谱特征进行检测阈值的自动选取,无需人为设定任何参数和标注样本,实现了快速、批量化、自动化、高精度的云检测及云掩膜产品生产。
本发明提供技术方案如下:
一种遥感影像自动云检测方法,所述方法包括:
S1:获取遥感影像并进行预处理和标准化,其中所述遥感影像包括绿波段、红波段、近红外波段、短波红外波段和热红外波段;
S2:计算遥感影像每个像素点的属性标的Pr1;
其中,PG为像素点在绿波段的值,PNIR为像素点在近红外波段的值;
S3:对遥感影像的每一个像素点,当像素点的属性标的Pr1满足如下条件时,将该像素点标记为有效像素点;
Pr1>0∪Pr1<15∪|1-Pr1|>0.02
S4:将遥感影像划分为若干图像块,并计算每个图像块中所有有效像素点在近红外波段、短波红外波段、热红外波段的均值MNIR、MSWIR、MTIR和方差VNIR、VSWIR、VTIR;
S5:计算近红外波段、短波红外波段、热红外波段的索引标的IndexNIR、IndexSWIR、IndexTIR,并计算近红外波段、短波红外波段、热红外波段的检测阈值TNIR、TSWIR、TTIR;
当Indexi<0.5时
Ti=Mi-0.5×Vi
当Indexi≥0.5时
Ti=2×Mi
其中,i取NIR、SWIR、TIR;
S6:计算遥感影像每个像素点的属性标的Pr2、Pr3、Pr4;
其中,PR为像素点在红波段的值,PSWIR为像素点在短波红外波段的值,PTIR为像素点在热红外波段的值;
S7:对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr2满足如下条件时,将该像素点标记为有云区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PNIR>TNIR∪Pr2<0.2
S8:对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr3满足如下条件时,将该像素点标记为白色噪声区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PSWIR>TSWIR∪Pr3<0.2
S9:对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr4满足如下条件时,将该像素点标记为虚警区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PTIR>TTIR∪Pr4<0.2
S10:从所述有云区域中去除白色噪声区域和虚警区域,得到云检测结果;
S11:将所述云检测结果进行矢量化,并经过边缘平滑处理,得到云掩膜结果。
进一步的,所述S7还包括:
将所述有云区域的像素点设置为1,其他像素点设置为0,得到有云区域二值化栅格数据;
所述S8还包括:
将所述白色噪声区域的像素点设置为1,其他像素点设置为0,得到白色噪声区域二值化栅格数据;
所述S9还包括:
将所述虚警区域的像素点设置为1,其他像素点设置为0,得到虚警区域二值化栅格数据。
进一步的,所述S10包括:
S101:将所述有云区域二值化栅格数据减去所述白色噪声区域二值化栅格数据,再减去所述虚警区域二值化栅格数据,得到初步云检测结果二值化栅格数据;
S102:对所述初步云检测结果二值化栅格数据依次进行形态学膨胀运算和腐蚀运算,得到云检测结果的二值化栅格数据。
进一步的,所述S11包括:
S111:将所述云检测结果的二值化栅格数据进行矢量化,得到初始云掩膜边界;
S112:对所述初始云掩膜边界进行平滑处理,得到云掩膜结果。
进一步的,所述预处理和标准化包括辐射校正、大气校正和几何校正,所述图像块的大小为100×100。
一种遥感影像自动云检测装置,所述装置包括:
影像获取模块,用于获取遥感影像并进行预处理和标准化,其中所述遥感影像包括绿波段、红波段、近红外波段、短波红外波段和热红外波段;
第一计算模块,用于计算遥感影像每个像素点的属性标的Pr1;
其中,PG为像素点在绿波段的值,PNIR为像素点在近红外波段的值;
有效性判断模块,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1满足如下条件时,将该像素点标记为有效像素点;
Pr1>0∪Pr1<15∪|1-Pr1|>0.02
第二计算模块,用于将遥感影像划分为若干图像块,并计算每个图像块中所有有效像素点在近红外波段、短波红外波段、热红外波段的均值MNIR、MSWIR、MTIR和方差VNIR、VSWIR、VTIR;
第三计算模块,用于计算近红外波段、短波红外波段、热红外波段的索引标的IndexNIR、IndexSWIR、IndexTIR,并计算近红外波段、短波红外波段、热红外波段的检测阈值TNIR、TSWIR、TTIR;
当Indexi<0.5时
Ti=Mi-0.5×Vi
当Indexi≥0.5时
Ti=2×Mi
其中,i取NIR、SWIR、TIR;
第四计算模块,用于计算遥感影像每个像素点的属性标的Pr2、Pr3、Pr4;
其中,PR为像素点在红波段的值,PSWIR为像素点在短波红外波段的值,PTIR为像素点在热红外波段的值;
云检测模块,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr2满足如下条件时,将该像素点标记为有云区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PNIR>TNIR∪Pr2<0.2
白色噪声检测模块,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr3满足如下条件时,将该像素点标记为白色噪声区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PSWIR>TSWIR∪Pr3<0.2
虚警检测模块,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr4满足如下条件时,将该像素点标记为虚警区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PTIR>TTIR∪Pr4<0.2
云检测结果获取模块,用于从所述有云区域中去除白色噪声区域和虚警区域,得到云检测结果;
云掩膜结果获取模块,用于将所述云检测结果进行矢量化,并经过边缘平滑处理,得到云掩膜结果。
进一步的,所述云检测模块还包括:
将所述有云区域的像素点设置为1,其他像素点设置为0,得到有云区域二值化栅格数据;
所述白色噪声检测模块还包括:
将所述白色噪声区域的像素点设置为1,其他像素点设置为0,得到白色噪声区域二值化栅格数据;
所述虚警检测模块还包括:
将所述虚警区域的像素点设置为1,其他像素点设置为0,得到虚警区域二值化栅格数据。
进一步的,所述云检测结果获取模块包括:
相减单元,用于将所述有云区域二值化栅格数据减去所述白色噪声区域二值化栅格数据,再减去所述虚警区域二值化栅格数据,得到初步云检测结果二值化栅格数据;
滤波单元,用于对所述初步云检测结果二值化栅格数据依次进行形态学膨胀运算和腐蚀运算,得到云检测结果的二值化栅格数据。
进一步的,所述云掩膜结果获取模块包括:
矢量化单元,用于将所述云检测结果的二值化栅格数据进行矢量化,得到初始云掩膜边界;
平滑处理单元,用于对所述初始云掩膜边界进行平滑处理,得到云掩膜结果。
进一步的,所述预处理和标准化包括辐射校正、大气校正和几何校正,所述图像块的大小为100×100。
本发明具有以下有益效果:
1、基于绿波段和近红外波段进行像素的有效性判断,再采用影像分块方法进行云检测,有效控制了单次云检测范围,降低了运算量,同时,可采用并行处理算法在集群机器上进行云检测,提高了云检测效率。
2、采用自适应影像光谱特征进行检测阈值的自动选取,无需人为设定任何参数,无需人为标注任何样本,实现了一键式快速、批量化、自动化、高精度的云检测及云掩膜产品生产。有助于提高影像优选查询、镶嵌匀色等测绘产品生产和生态参数定量反演等高级产品生产效率,提高了遥感影像的应用价值。
3、通过对遥感影像中近红外波段、短波红外波段和热红外波段的统计信息的协同分析,排除了人工目标和积雪等高亮区域,有效降低了似云目标的误判,有效减少了小面积云和薄云的漏检,准确率高、虚警率低。
附图说明
图1为本发明的遥感影像自动云检测方法的流程图;
图2为遥感影像的示意图;
图3为云掩膜结果的示意图;
图4为本发明的遥感影像自动云检测装置的示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
实施例1:
本发明实施例提供一种遥感影像自动云检测方法,如图1所示,该方法包括:
S1:获取遥感影像并进行预处理和标准化,获取的遥感影像如图2所示,预处理和标准化可以包括辐射校正、大气校正和几何校正。
然后获取遥感影像的波段信息,若遥感影像包括绿波段、红波段、近红外波段、短波红外波段和热红外波段,则满足云检测的条件,进行后续的云检测处理,否则,不进行云检测处理。
S2:计算遥感影像每个像素点的属性标的Pr1。
其中,PG为像素点P在绿波段的值,PNIR为像素点P在近红外波段的值。
计算时,提取遥感影像的绿波段、近红外波段,计算像素点P在绿波段对近红外波段的比值,得到Pr1。
S3:对遥感影像的每一个像素点,当像素点的属性标的Pr1满足如下条件时,将该像素点标记为有效像素点。
Pr1>0∪Pr1<15∪|1-Pr1|>0.02
本步骤用于进行像素点的有效性判断,当像素点的Pr1满足以上条件时,认为该像素点后续提取的均值和方差有效,可参与后续均值、方差的计算,进而计算检测阈值;当像素点的Pr1不满足以上条件时,可直接跳过,该像素点不参与后续均值、方差的计算。
S4:将遥感影像划分为若干图像块,并计算每个图像块中所有有效像素点在近红外波段、短波红外波段、热红外波段的均值MNIR、MSWIR、MTIR和方差VNIR、VSWIR、VTIR。
每个图像块中所有有效像素点在近红外波段、短波红外波段、热红外波段的均值MNIR、MSWIR、MTIR为:
每个图像块中所有有效像素点在近红外波段、短波红外波段、热红外波段的方差VNIR、VSWIR、VTIR为:
其中,PNIR为有效像素点在近红外波段的值,PSWIR为有效像素点在短波红外波段的值,PTIR为有效像素点在热红外波段的值。
在划分图像块时,图像块的划分方式可以根据实际需要设定,在其中一种划分方式中,图像块的大小可以为100×100。
S5:计算近红外波段、短波红外波段、热红外波段的索引标的IndexNIR、IndexSWIR、IndexTIR,并计算近红外波段、短波红外波段、热红外波段的检测阈值TNIR、TSWIR、TTIR。
当Indexi<0.5时
Ti=Mi-0.5×Vi
当Indexi≥0.5时
Ti=2×Mi
其中,i取NIR、SWIR、TIR。
S6:计算遥感影像每个像素点的属性标的Pr2、Pr3、Pr4。
其中,PR为像素点在红波段的值,PSWIR为像素点在短波红外波段的值,PTIR为像素点在热红外波段的值。
S7:对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr2满足如下条件时,将该像素点标记为有云区域。
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PNIR>TNIR∪Pr2<0.2
本步骤利用近红外波段的检测阈值进行初步云检测,结合检测阈值TNIR,利用像素点P的属性标的Pr1和Pr2进行云检测。当各项参数满足以上条件时,认为此像素点为有云区域。
并且本步骤还可以将有云区域的像素点设置为1,其他像素点(即无云区域)设置为0,得到有云区域二值化栅格数据,记为专题层A。
S8:对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr3满足如下条件时,将该像素点标记为白色噪声区域。
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PSWIR>TSWIR∪Pr3<0.2
本步骤采用与S7同样方法,利用短波红外波段的检测阈值进行白色物体噪声检测,当各项参数满足以上条件时,认为此像素点为白色噪声区域。
并且本步骤还可以将白色噪声区域的像素点设置为1,其他像素点(即无白色物体噪声区域)设置为0,得到白色噪声区域二值化栅格数据,记为专题层B。
S9:对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr4满足如下条件时,将该像素点标记为虚警区域。
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PTIR>TTIR∪Pr4<0.2
本步骤采用与S7同样方法,利用热红外波段的检测阈值进行虚警噪声检测,当各项参数满足以上条件时,认为此像素点为虚警区域。
并且本步骤还可以将虚警区域的像素点设置为1,其他像素点(即无虚警区域)设置为0,得到虚警区域二值化栅格数据,记为专题层C。
S10:从有云区域中去除白色噪声区域和虚警区域,得到云检测结果。
本步骤在执行时,具体过程可以包括:
S101:将有云区域二值化栅格数据减去白色噪声区域二值化栅格数据,再减去虚警区域二值化栅格数据,得到初步云检测结果二值化栅格数据。
本步骤用于初步云检测结果的计算,使用专题层A减去专题层B,去除白色物体噪声,即去除积雪等高亮区域;再减去专题层C,去除人工目标等虚警噪声信息,得到初步云检测结果二值化栅格数据。
S102:对初步云检测结果二值化栅格数据依次进行形态学膨胀运算和腐蚀运算,得到云检测结果的二值化栅格数据。
本步骤用于精确云检测结果的计算,由于初步云检测结果中存在部分的小图斑、空洞和不连续。因此利用形态学滤波算法,先做形态学膨胀运算,再做形态学腐蚀运算,对初步云检测结果二值化栅格数据进行优化修正,获取最终云检测结果的二值化栅格数据,记为专题层D。
S11:将云检测结果进行矢量化,并经过边缘平滑处理,得到云掩膜结果,如图3所示。
本步骤在执行时,具体过程可以包括:
S111:将云检测结果的二值化栅格数据(即专题层D)进行矢量化,得到初始云掩膜边界。
S112:对初始云掩膜边界进行平滑处理,得到最终的云掩膜结果。
本发明利用云在可见光波段的高反射率特征,进行像素点的有效性判断,初步锁定云检测区域;然后将遥感影像进行分块,利用图像块内有效像素在近红外波段、短波红外波段、热红外波段的均值、方差分别确定各波段的检测阈值;最后利用近红外波段的检测阈值进行初步云检测,利用短波红外波段的检测阈值进行去除积雪等白色物体,利用热红外波段的检测阈值进一步去除人工目标等虚警。
与现有技术相比,本发明具有如下有益效果:
1、基于绿波段和近红外波段进行像素的有效性判断,再采用影像分块方法进行云检测,有效控制了单次云检测范围,降低了运算量,同时,可采用并行处理算法在集群机器上进行云检测,提高了云检测效率。
2、采用自适应影像光谱特征进行检测阈值的自动选取,无需人为设定任何参数,无需人为标注任何样本,实现了一键式快速、批量化、自动化、高精度的云检测及云掩膜产品生产。有助于提高影像优选查询、镶嵌匀色等测绘产品生产和生态参数定量反演等高级产品生产效率,提高了遥感影像的应用价值。
3、通过对遥感影像中近红外波段、短波红外波段和热红外波段的统计信息的协同分析,排除了人工目标和积雪等高亮区域,有效降低了似云目标的误判,有效减少了小面积云和薄云的漏检,准确率高、虚警率低。
为了便于本领域普通技术人员理解和实施本发明,下面以本发明的方法应用在高分四号卫星的遥感影像上为例,对本发明实施例进行详细说明:
1、获取高分四号卫星的遥感影像,该遥感影像为多光谱影像,如图2所示。并进行预处理和标准化,包括辐射校正、大气校正和几何校正。
2、获取高分四号卫星遥感影像的波段信息。包含蓝波段、绿波段、红波段、近红外波段、短波红外波段、热红外波段。
3、计算绿波段对近红外波段的比值Pr1,根据该比值Pr1判断像素点的有效性,得到有效像素点。
4、将遥感影像划分为若干大小为100×100图像块,统计满足有效像素点分别在近红外波段、短波红外波段、热红外波段像素值的均值和方差。
5、根据近红外波段、短波红外波段、热红外波段的均值和方差,自动计算近红外波段、短波红外波段、热红外波段的检测阈值。
6、根据近红外波段/短波红外波段/热红外波段以及红波段,计算Pr2、Pr3、Pr4,具体计算方法参见前述S6。
7、根据Pr1、Pr2以及近红外波段的检测阈值,获取有云区域,该有云区域以二值化栅格数据的形式存储。
8、根据Pr1、Pr3以及短波红外波段的检测阈值检测白色物体,得到白色噪声区域,用于去除白色物体,该白色噪声区域以二值化栅格数据的形式存储。
9、根据Pr1、Pr4以及热红外波段的检测阈值检测虚警信息,得到虚警区域,用于进一步去除虚警,该虚警区域以二值化栅格数据的形式存储。
10、将得到的有云区域减去白色噪声区域和虚警区域,并利用腐蚀膨胀算法进行优化修正,得到云检测结果,该云检测结果以二值化栅格数据的形式存储。
11、将云检测结果矢量化,经边缘平滑处理,生成云掩膜结果,如图3所示。
本发明的方法对高分四号卫星的遥感影像进行云检测的精度准确率可达到90%以上,虚警率在10%以下。
实施例2:
本发明实施例提供一种遥感影像自动云检测装置,如图4所示,该装置包括:
影像获取模块1,用于获取遥感影像并进行预处理和标准化,其中遥感影像包括绿波段、红波段、近红外波段、短波红外波段和热红外波段。
第一计算模块2,用于计算遥感影像每个像素点的属性标的Pr1。
其中,PG为像素点在绿波段的值,PNIR为像素点在近红外波段的值。
有效性判断模块3,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1满足如下条件时,将该像素点标记为有效像素点。
Pr1>0∪Pr1<15∪|1-Pr1|>0.02
第二计算模块4,用于将遥感影像划分为若干图像块,并计算每个图像块中所有有效像素点在近红外波段、短波红外波段、热红外波段的均值MNIR、MSWIR、MTIR和方差VNIR、VSWIR、VTIR。
第三计算模块5,用于计算近红外波段、短波红外波段、热红外波段的索引标的IndexNIR、IndexSWIR、IndexTIR,并计算近红外波段、短波红外波段、热红外波段的检测阈值TNIR、TSWIR、TTIR。
当Indexi<0.5时
Ti=Mi-0.5×Vi
当Indexi≥0.5时
Ti=2×Mi
其中,i取NIR、SWIR、TIR。
第四计算模块6,用于计算遥感影像每个像素点的属性标的Pr2、Pr3、Pr4。
其中,PR为像素点在红波段的值,PSWIR为像素点在短波红外波段的值,PTIR为像素点在热红外波段的值。
云检测模块7,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr2满足如下条件时,将该像素点标记为有云区域。
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PNIR>TNIR∪Pr2<0.2
白色噪声检测模块8,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr3满足如下条件时,将该像素点标记为白色噪声区域。
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PSWIR>TSWIR∪Pr3<0.2
虚警检测模块9,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr4满足如下条件时,将该像素点标记为虚警区域。
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PTIR>TTIR∪Pr4<0.2
云检测结果获取模块10,用于从有云区域中去除白色噪声区域和虚警区域,得到云检测结果。
云掩膜结果获取模块11,用于将云检测结果进行矢量化,并经过边缘平滑处理,得到云掩膜结果。
在本发明实施例的一种改进中,前述的云检测模块还包括:
将有云区域的像素点设置为1,其他像素点设置为0,得到有云区域二值化栅格数据。
白色噪声检测模块还包括:
将白色噪声区域的像素点设置为1,其他像素点设置为0,得到白色噪声区域二值化栅格数据。
虚警检测模块还包括:
将虚警区域的像素点设置为1,其他像素点设置为0,得到虚警区域二值化栅格数据。
作为云检测结果获取模块的一个具体实现方式,其包括:
相减单元,用于将有云区域二值化栅格数据减去白色噪声区域二值化栅格数据,再减去虚警区域二值化栅格数据,得到初步云检测结果二值化栅格数据。
滤波单元,用于对初步云检测结果二值化栅格数据依次进行形态学膨胀运算和腐蚀运算,得到云检测结果的二值化栅格数据。
作为云掩膜结果获取模块的一个具体实现方式,其包括:
矢量化单元,用于将云检测结果的二值化栅格数据进行矢量化,得到初始云掩膜边界。
平滑处理单元,用于对初始云掩膜边界进行平滑处理,得到云掩膜结果。
前述的预处理和标准化可以包括辐射校正、大气校正和几何校正,遥感影像划分的图像块的大小可以为100×100。
本发明实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,装置实施例部分未提及之处,可参考前述方法实施例1中相应内容。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,前述描述的装置和单元的具体工作过程,均可以参考上述方法实施例中的对应过程,在此不再赘述。
需要说明的是,本说明书上述所述的装置或者系统根据相关方法实施例的描述还可以包括其他的实施方式,具体的实现方式可以参照方法实施例的描述,在此不作一一赘述。本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于硬件+程序类、存储介质+程序实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定按照要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、车载人机交互设备、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本说明书一个或多个时可以把各模块的功能在同一个或多个软件和/或硬件中实现,也可以将实现同一功能的模块由多个子模块或子单元的组合实现等。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,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。
本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内部包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书一个或多个实施例可提供为方法、系统或计算机程序产品。因此,本说明书一个或多个实施例可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书一个或多个实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书一个或多个实施例可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书一个或多个实施例,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本底和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本说明书的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述并不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
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以所述权利要求的保护范围为准。
Claims (10)
1.一种遥感影像自动云检测方法,其特征在于,所述方法包括:
S1:获取遥感影像并进行预处理和标准化,其中所述遥感影像包括绿波段、红波段、近红外波段、短波红外波段和热红外波段;
S2:计算遥感影像每个像素点的属性标的Pr1;
其中,PG为像素点在绿波段的值,PNIR为像素点在近红外波段的值;
S3:对遥感影像的每一个像素点,当像素点的属性标的Pr1满足如下条件时,将该像素点标记为有效像素点;
Pr1>0∪Pr1<15∪|1-Pr1|>0.02
S4:将遥感影像划分为若干图像块,并计算每个图像块中所有有效像素点在近红外波段、短波红外波段、热红外波段的均值MNIR、MSWIR、MTIR和方差VNIR、VSWIR、VTIR;
S5:计算近红外波段、短波红外波段、热红外波段的索引标的IndexNIR、IndexSWIR、IndexTIR,并计算近红外波段、短波红外波段、热红外波段的检测阈值TNIR、TSWIR、TTIR;
当Indexi<0.5时
Ti=Mi-0.5×Vi
当Indexi≥0.5时
Ti=2×Mi
其中,i取NIR、SWIR、TIR;
S6:计算遥感影像每个像素点的属性标的Pr2、Pr3、Pr4;
其中,PR为像素点在红波段的值,PSWIR为像素点在短波红外波段的值,PTIR为像素点在热红外波段的值;
S7:对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr2满足如下条件时,将该像素点标记为有云区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PNIR>TNIR∪Pr2<0.2
S8:对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr3满足如下条件时,将该像素点标记为白色噪声区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PSWIR>TSWIR∪Pr3<0.2
S9:对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr4满足如下条件时,将该像素点标记为虚警区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PTIR>TTIR∪Pr4<0.2
S10:从所述有云区域中去除白色噪声区域和虚警区域,得到云检测结果;
S11:将所述云检测结果进行矢量化,并经过边缘平滑处理,得到云掩膜结果。
2.根据权利要求1所述的遥感影像自动云检测方法,其特征在于,所述S7还包括:
将所述有云区域的像素点设置为1,其他像素点设置为0,得到有云区域二值化栅格数据;
所述S8还包括:
将所述白色噪声区域的像素点设置为1,其他像素点设置为0,得到白色噪声区域二值化栅格数据;
所述S9还包括:
将所述虚警区域的像素点设置为1,其他像素点设置为0,得到虚警区域二值化栅格数据。
3.根据权利要求2所述的遥感影像自动云检测方法,其特征在于,所述S10包括:
S101:将所述有云区域二值化栅格数据减去所述白色噪声区域二值化栅格数据,再减去所述虚警区域二值化栅格数据,得到初步云检测结果二值化栅格数据;
S102:对所述初步云检测结果二值化栅格数据依次进行形态学膨胀运算和腐蚀运算,得到云检测结果的二值化栅格数据。
4.根据权利要求3所述的遥感影像自动云检测方法,其特征在于,所述S11包括:
S111:将所述云检测结果的二值化栅格数据进行矢量化,得到初始云掩膜边界;
S112:对所述初始云掩膜边界进行平滑处理,得到云掩膜结果。
5.根据权利要求1-4任一所述的遥感影像自动云检测方法,其特征在于,所述预处理和标准化包括辐射校正、大气校正和几何校正,所述图像块的大小为100×100。
6.一种遥感影像自动云检测装置,其特征在于,所述装置包括:
影像获取模块,用于获取遥感影像并进行预处理和标准化,其中所述遥感影像包括绿波段、红波段、近红外波段、短波红外波段和热红外波段;
第一计算模块,用于计算遥感影像每个像素点的属性标的Pr1;
其中,PG为像素点在绿波段的值,PNIR为像素点在近红外波段的值;
有效性判断模块,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1满足如下条件时,将该像素点标记为有效像素点;
Pr1>0∪Pr1<15∪|1-Pr1|>0.02
第二计算模块,用于将遥感影像划分为若干图像块,并计算每个图像块中所有有效像素点在近红外波段、短波红外波段、热红外波段的均值MNIR、MSWIR、MTIR和方差VNIR、VSWIR、VTIR;
第三计算模块,用于计算近红外波段、短波红外波段、热红外波段的索引标的IndexNIR、IndexSWIR、IndexTIR,并计算近红外波段、短波红外波段、热红外波段的检测阈值TNIR、TSWIR、TTIR;
当Indexi<0.5时
Ti=Mi-0.5×Vi
当Indexi≥0.5时
Ti=2×Mi
其中,i取NIR、SWIR、TIR;
第四计算模块,用于计算遥感影像每个像素点的属性标的Pr2、Pr3、Pr4;
其中,PR为像素点在红波段的值,PSWIR为像素点在短波红外波段的值,PTIR为像素点在热红外波段的值;
云检测模块,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr2满足如下条件时,将该像素点标记为有云区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PNIR>TNIR∪Pr2<0.2
白色噪声检测模块,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr3满足如下条件时,将该像素点标记为白色噪声区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PSWIR>TSWIR∪Pr3<0.2
虚警检测模块,用于对遥感影像的每一个像素点,当像素点的属性标的Pr1、Pr4满足如下条件时,将该像素点标记为虚警区域;
Pr1>1.05∪Pr1<2.5∪|1-Pr1|>0.02∪PTIR>TTIR∪Pr4<0.2
云检测结果获取模块,用于从所述有云区域中去除白色噪声区域和虚警区域,得到云检测结果;
云掩膜结果获取模块,用于将所述云检测结果进行矢量化,并经过边缘平滑处理,得到云掩膜结果。
7.根据权利要求6所述的遥感影像自动云检测装置,其特征在于,所述云检测模块还包括:
将所述有云区域的像素点设置为1,其他像素点设置为0,得到有云区域二值化栅格数据;
所述白色噪声检测模块还包括:
将所述白色噪声区域的像素点设置为1,其他像素点设置为0,得到白色噪声区域二值化栅格数据;
所述虚警检测模块还包括:
将所述虚警区域的像素点设置为1,其他像素点设置为0,得到虚警区域二值化栅格数据。
8.根据权利要求7所述的遥感影像自动云检测装置,其特征在于,所述云检测结果获取模块包括:
相减单元,用于将所述有云区域二值化栅格数据减去所述白色噪声区域二值化栅格数据,再减去所述虚警区域二值化栅格数据,得到初步云检测结果二值化栅格数据;
滤波单元,用于对所述初步云检测结果二值化栅格数据依次进行形态学膨胀运算和腐蚀运算,得到云检测结果的二值化栅格数据。
9.根据权利要求8所述的遥感影像自动云检测装置,其特征在于,所述云掩膜结果获取模块包括:
矢量化单元,用于将所述云检测结果的二值化栅格数据进行矢量化,得到初始云掩膜边界;
平滑处理单元,用于对所述初始云掩膜边界进行平滑处理,得到云掩膜结果。
10.根据权利要求6-9任一所述的遥感影像自动云检测装置,其特征在于,所述预处理和标准化包括辐射校正、大气校正和几何校正,所述图像块的大小为100×100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110595521.6A CN113284066B (zh) | 2021-05-28 | 2021-05-28 | 遥感影像自动云检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110595521.6A CN113284066B (zh) | 2021-05-28 | 2021-05-28 | 遥感影像自动云检测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113284066A true CN113284066A (zh) | 2021-08-20 |
CN113284066B CN113284066B (zh) | 2021-12-14 |
Family
ID=77282430
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110595521.6A Active CN113284066B (zh) | 2021-05-28 | 2021-05-28 | 遥感影像自动云检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284066B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494821A (zh) * | 2021-12-16 | 2022-05-13 | 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 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161584A1 (en) * | 2015-12-07 | 2017-06-08 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN109740639A (zh) * | 2018-12-15 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
CN110796677A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
CN111553922A (zh) * | 2020-03-26 | 2020-08-18 | 中国资源卫星应用中心 | 一种卫星遥感影像自动云检测方法 |
CN111899194A (zh) * | 2020-07-30 | 2020-11-06 | 青海省地理空间和自然资源大数据中心 | 一种遥感影像中云和云阴影的去除方法 |
WO2021097185A1 (en) * | 2019-11-15 | 2021-05-20 | Maxar Intelligence Inc. | Cloud detection from satellite imagery |
-
2021
- 2021-05-28 CN CN202110595521.6A patent/CN113284066B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161584A1 (en) * | 2015-12-07 | 2017-06-08 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN109740639A (zh) * | 2018-12-15 | 2019-05-10 | 中国科学院深圳先进技术研究院 | 一种风云卫星遥感影像云检测方法、系统及电子设备 |
CN110796677A (zh) * | 2019-10-29 | 2020-02-14 | 北京环境特性研究所 | 一种基于多波段特性的卷云虚警源检测方法 |
WO2021097185A1 (en) * | 2019-11-15 | 2021-05-20 | Maxar Intelligence Inc. | Cloud detection from satellite imagery |
CN111553922A (zh) * | 2020-03-26 | 2020-08-18 | 中国资源卫星应用中心 | 一种卫星遥感影像自动云检测方法 |
CN111899194A (zh) * | 2020-07-30 | 2020-11-06 | 青海省地理空间和自然资源大数据中心 | 一种遥感影像中云和云阴影的去除方法 |
Non-Patent Citations (2)
Title |
---|
DING NING等: "Near-Ultraviolet to Near-Infrared Band Thresholds Cloud Detection Algorithm for TANSAT-CAPI", 《REMOTE SENSING》 * |
吴代强等: "基于Landsat8样本数据库的高分五号影像云识别", 《第七届高分辨率对地观测学术年会论文集》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114494821A (zh) * | 2021-12-16 | 2022-05-13 | 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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113284066B (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery | |
Zhan et al. | Log-based transformation feature learning for change detection in heterogeneous images | |
US8983200B2 (en) | Object segmentation at a self-checkout | |
CN107341795B (zh) | 一种知识驱动的高空间分辨率遥感影像自动变化检测方法 | |
CN111307727B (zh) | 基于时序遥感影像的水体水色异常识别方法和装置 | |
CN106650812B (zh) | 一种卫星遥感影像的城市水体提取方法 | |
US20220129674A1 (en) | Method and device for determining extraction model of green tide coverage ratio based on mixed pixels | |
CN111398176B (zh) | 基于像元尺度特征的水体水色异常遥感识别方法和装置 | |
CN111680704B (zh) | 海洋红线新增人类活动斑块自动化快速提取方法和装置 | |
CN109726649B (zh) | 遥感影像云检测方法、系统及电子设备 | |
CN108898132B (zh) | 一种基于形状上下文描述的太赫兹图像危险品识别方法 | |
CN107992856B (zh) | 城市场景下的高分遥感建筑物阴影检测方法 | |
Herrault et al. | Automatic extraction of forests from historical maps based on unsupervised classification in the CIELab color space | |
Li et al. | SDBD: A hierarchical region-of-interest detection approach in large-scale remote sensing image | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN107274361A (zh) | Landsat TM遥感影像数据除云方法及系统 | |
Li et al. | Hybrid cloud detection algorithm based on intelligent scene recognition | |
CN109785318B (zh) | 基于面线基元关联约束的遥感图像变化检测方法 | |
Cretu et al. | Building detection in aerial images based on watershed and visual attention feature descriptors | |
CN116503733A (zh) | 遥感图像目标检测方法、设备及存储介质 | |
CN113177473B (zh) | 遥感影像水体自动化提取方法和装置 | |
CN110910379B (zh) | 一种残缺检测方法及装置 | |
Du et al. | Shadow detection in high-resolution remote sensing image based on improved K-means | |
Mostafa et al. | Study on shadow detection from high-resolution satellite images using color model | |
Moe et al. | An unsupervised technique for building change detection in urban area |
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 |