CN113436092B - 一种全色遥感图像云区域识别方法 - Google Patents
一种全色遥感图像云区域识别方法 Download PDFInfo
- Publication number
- CN113436092B CN113436092B CN202110667775.4A CN202110667775A CN113436092B CN 113436092 B CN113436092 B CN 113436092B CN 202110667775 A CN202110667775 A CN 202110667775A CN 113436092 B CN113436092 B CN 113436092B
- Authority
- CN
- China
- Prior art keywords
- cloud
- image
- value
- calculating
- pixel
- 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 36
- 238000001914 filtration Methods 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005192 partition Methods 0.000 description 5
- 230000003595 spectral effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 241001270131 Agaricus moelleri Species 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06T5/70—Denoising; Smoothing
-
- 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 using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Facsimile Image Signal Circuits (AREA)
Abstract
本发明公开了一种全色遥感图像云区域识别方法,属于遥感图像处理技术领域。本发明采用保留边缘信息的滤波方法,使得云区域变得更均匀的同时,有效地保持云区域的边界,有效地减少了云区域的误判,利用图像直方图分带划分的方式更精准的确定云区域的分割阈值,然后利用移动均值的区域生长策略对薄云、碎云等区域进行更精准的识别。本发明方法操作简单,易于实现,对各类全色影像具有良好的适用性。
Description
技术领域
本发明属于遥感图像处理技术领域,具体涉及一种全色遥感图像云区域识别方法。
背景技术
遥感图像尤其是卫星遥感图像受到云的影响很大,据统计光学遥感图像中存在近60%的云覆盖区域。除气象应用等特殊应用领域以外,在大多数遥感图像应用场景中,云区域的影响没有应用价值,需要提前去除,以降低干扰、减少计算量和存储量。因此云区域的识别对遥感图像处理具有重要意义。
传统的遥感图像云区域识别方法主要是针对多光谱、高光谱等影像进行,在这些影像中云区域具有较为明显的光谱特征,利用光谱特征可以较为方便地提取云区域的信息。对于使用更为广泛、分辨率更高的全色影像,云区域的识别具有较大的难度。在全色图像中,云区域的主要特征是具有较高的亮度,其纹理特征并不明显,光谱特征无从提取。仅仅基于亮度特征,全色遥感图像云区域的提取效果难以满足应用需求,尤其对于薄云区域,其亮度已经与背景亮度存在重叠,使用亮度特征根本无法提取。
发明内容
针对全色遥感图像中,云特征提取困难的问题,本发明提供一种全色遥感图像云区域识别方法。该方法具有较高的分割精度,能够保持云区域的边缘,减少云区域的误判,对薄云、碎云等区域具有更精准的识别能力。
为了实现上述目的,本发明采用的技术方案为:
一种全色遥感图像云区域识别方法,包括以下步骤:
步骤1,对图像信息进行统计,计算图像灰度直方图,通过分析图像灰度直方图将灰度范围进行区间划分,并计算所有区间的标准差的几何平均值t;
步骤2,对图像进行滤波处理,在平滑图像的同时保留地物的边缘信息,滤波算子为:
其中,(x0,y0)为滤波中心像素,(x,y)为其邻域像素,f(x,y)为像素(x,y)的亮度值,σ、δ分别为空间和亮度值滤波尺度参数,σ取值为1.3,相当于空间滤波范围为5×5像素,δ取值为t;
步骤3,对滤波后的图像统计直方图信息,对直方图信息进行分析,确定云检测阈值,将图像灰度分成两个区间,其中,灰度值高于云检测阈值的像素点构成云区域的候选区域;
步骤4,去除候选区域中的散点像素,然后采用移动均值法对候选区域中的各对象进行区域生长;
步骤5,将步骤4得到的各对象的生长结果作为云覆盖区域。
进一步的,步骤1中,通过分析图像灰度直方图将灰度范围进行区间划分的具体方式为:
步骤1a,对每两个相邻的灰度值,计算其所含像素个数的差值,若差值的绝对值超过2σ,则在这两个灰度值之间设定边界,完成对灰度范围的初步区间划分;
步骤1b,计算每个区间的标准差,并计算初步区间划分后所有区间的标准差的几何平均值;
步骤1d,计算合并区间的标准差,并计算合并后所有区间的标准差的几何平均值,如果几何平均值变小,则保留合并区间,否则撤销步骤1c的合并;
步骤1e,重复步骤1c-1d,直至各区间不再变化。
进一步的,步骤3的具体方式为:
步骤3a,计算滤波后图像的图像灰度直方图;
步骤3b,分别将除最高亮度值以外的各亮度值作为分割阈值g;在每一分割阈值下,将图像灰度划分成高于g、低于g的两部分,分别计算两部分的均值mh、ml以及方差sh、sl,并计算评估值v:
步骤3c,将具有最大评估值的分割阈值g作为云检测阈值,灰度值高于云检测阈值的像素点构成云区域的候选区域。
进一步的,步骤4中,采用移动均值法对候选区域中的各对象进行区域生长的具体方式为:
步骤4a,对候选区域中的对象Oi,计算其均值mi和方差si;
步骤4c,重复步骤4b,直至对象Oi不再变化。
本发明具有如下优点:
(1)本发明采用一种改进的滤波方法对全色图像进行处理,在云区域像素均匀化的同时,能够保持云区域的边缘,有效地减少了云区域的误判。
(2)本发明方法对图像直方图进行分区间统计分析,在此基础上确定云区域的分割阈值,实现了较高精度的分割。
(3)本发明利用移动均值的区域生长策略对阈值分割后的图像进行处理,对薄云、碎云等区域具有更精准的识别能力。
附图说明
图1为本发明方法的整体流程图。
图2为高分一号影像的灰度直方图。
图3为高分一号影像是识别结果。
具体实施方式
下面结合附图及具体实施方式对本发明的技术方案做进一步的说明。
一种全色遥感图像云区域识别方法,该方法采用保留边缘信息的滤波方法,使得云区域变得更均匀的同时,有效地保持云区域的边界,利用图像直方图分带划分的方式更精准的确定云区域的分割阈值,然后利用移动均值的区域生长策略对薄云、碎云等区域进行更精准的识别。
如图1所示,该方法具体包括以下步骤:
步骤1,对图像信息进行统计,计算图像灰度直方图,通过分析图像灰度直方图将灰度范围进行区间划分,并计算所有区间的标准差的几何平均值t;
步骤2,采用改进的滤波算法对图像进行滤波处理,在平滑图像的同时保留地物的边缘信息,滤波算子为:
其中(x0,y0)为滤波中心像素,(x,y)为其邻域像素,f(x,y)为像素(x,y)的亮度值,σ、δ分别为空间和亮度值滤波尺度参数,滤波参数确定方式如下,σ取值为1.3,相当于空间滤波范围为5×5像素,δ取值为t;
步骤3,对滤波后的影像统计直方图信息,对直方图信息进行分析,确定合适的阈值,将图像灰度分成两个区间,其中,灰度值高于阈值的像素构成云区域的候选区域;
步骤4,去除候选区域中为散点的像素,然后对候选区域中的对象采用移动均值方法进行区域生长。具体方法如下:
对候选区域中的对象Oi,计算其均值mi和方差si,对Oi所有邻域像素,计算其像素值与均值mi的差值是否在范围内,若满足则该邻域像素判定为云覆盖像素,将其纳入对象Oi,重新均值mi和方差si,否则跳过该像素;重复进行以上区域生长,直至所有的对象不再变化;
步骤5,将最终得到的各对象区域作为云覆盖区域。
其中,步骤1所述的通过分析图像灰度直方图将灰度范围进行区间划分的具体方式为:
步骤1a,计算差值。计算每个灰度值与其相邻灰度值所包含的像素个数的差值,差值超过±2σ的灰度值作为灰度区间边界值,假设为n个,则灰度范围被划分成n+1个区间;
步骤1b,计算每个区间的标准差,并计算全部区间的标准差的几何平均值t:
其中,qi为第i个灰度区间的标准差;
步骤1d,计算新分区中所有区间的标准差的几何平均值,如果几何平均值变小,则保留新分区方式,否则不更改分区方式;
步骤1e,重复步骤1c-1d,直至分区不再变化。
步骤3的具体方式如下:
步骤3a,计算图像灰度直方图,如图2所示;
步骤3b,将第二高的亮度值作为分隔阈值g,将图像划分成高于阈值和低于阈值的两部分,分别计算两部分的均值mh、ml以及方差sh、sl,计算评估值v:
步骤3c,从高亮度值向低亮度值循环,将当前亮度值作为新的分割阈值g,计算相应的评估值v;
步骤3d,将具有最大评估值的阈值g作为云检测分割阈值,灰度值高于g的像素确定为云区域的候选区域。
在全色遥感图像中,云区域主要特征为具有较高的亮度。由于缺乏光谱特征,加之纹理特征并不明显,从全色遥感图像中进行云区域的识别十分困难。针对全色遥感图像中,云特征提取困难的问题,本发明采用保留边缘信息的滤波方法,使得云区域变得更均匀的同时,有效地保持云区域的边界,利用图像直方图分带划分的方式更精准的确定云区域的分割阈值,然后利用移动均值的区域生长策略对薄云、碎云等区域进行更精准的识别。
本方法的效果可通过以下试验进一步说明:
1.试验条件。
计算机配置为Intel Core i7-3770 CPU 3.4Ghz,64GB内存;操作系统为Windows7 64位专业版,软件环境为MATLAB 2017。
2.试验方法。
利用本方法、OTSU阈值方法全色遥感图像进行云区域识别,对处理的结果进行可视化对比和定量分析。
3.试验内容与结果。
试验数据选择2017年高分一号卫星拍摄的全色影像,该影像具有较高的云覆盖度,尤其是图像东南部分具有大范围的薄云。
试验结果如图3所示。可以看出,本发明方法云区域识别具有较好的效果,对于云边缘部分识别较为准确,对于薄云、碎云等具有良好的识别效果。采用人工标注的方法确定云区域的真实值,本发明方法准确率为97.71%,OTSU方法的准确率为66.38%,其对薄云区域有较大的遗漏,原因是薄云区域的亮度值较低,仅仅基于亮度值不能将其识别。
试验结果表明,本方法利用对全色遥感图像的云区域识别具有良好的效果和较高的精度。
Claims (2)
1.一种全色遥感图像云区域识别方法,其特征在于,包括以下步骤:
步骤1,对图像信息进行统计,计算图像灰度直方图,通过分析图像灰度直方图将灰度范围进行区间划分,并计算所有区间的标准差的几何平均值t;
步骤2,对图像进行滤波处理,滤波算子为:
其中,(x0,y0)为滤波中心像素,(x,y)为其邻域像素,f(x,y)为像素(x,y)的亮度值,σ、δ分别为空间和亮度值滤波尺度参数,σ取值为1.3,相当于空间滤波范围为5×5像素,δ取值为t;
步骤3,对滤波后的图像统计直方图信息,对直方图信息进行分析,确定云检测阈值,将图像灰度分成两个区间,其中,灰度值高于云检测阈值的像素点构成云区域的候选区域;具体方式为:
步骤3a,计算滤波后图像的图像灰度直方图;
步骤3b,分别将除最高亮度值以外的各亮度值作为分割阈值g;在每一分割阈值下,将图像灰度划分成高于g、低于g的两部分,分别计算两部分的均值mh、ml以及方差sh、sl,并计算评估值v:
步骤3c,将具有最大评估值的分割阈值g作为云检测阈值,灰度值高于云检测阈值的像素点构成云区域的候选区域;
步骤4,去除候选区域中的散点像素,然后采用移动均值法对候选区域中的各对象进行区域生长;采用移动均值法对候选区域中的各对象进行区域生长的具体方式为:
步骤4a,对候选区域中的对象Oi,计算其均值mi和方差si;
步骤4c,重复步骤4b,直至对象Oi不再变化;
步骤5,将步骤4得到的各对象的生长结果作为云覆盖区域。
2.根据权利要求1所述的一种全色遥感图像云区域识别方法,其特征在于,步骤1中,通过分析图像灰度直方图将灰度范围进行区间划分的具体方式为:
步骤1a,对每两个相邻的灰度值,计算其所含像素个数的差值,若差值的绝对值超过2σ,则在这两个灰度值之间设定边界,完成对灰度范围的初步区间划分;
步骤1b,计算每个区间的标准差,并计算初步区间划分后所有区间的标准差的几何平均值;
步骤1d,计算合并区间的标准差,并计算合并后所有区间的标准差的几何平均值,如果几何平均值变小,则保留合并区间,否则撤销步骤1c的合并;
步骤1e,重复步骤1c-1d,直至各区间不再变化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667775.4A CN113436092B (zh) | 2021-06-16 | 2021-06-16 | 一种全色遥感图像云区域识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667775.4A CN113436092B (zh) | 2021-06-16 | 2021-06-16 | 一种全色遥感图像云区域识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113436092A CN113436092A (zh) | 2021-09-24 |
CN113436092B true CN113436092B (zh) | 2022-04-22 |
Family
ID=77756345
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667775.4A Active CN113436092B (zh) | 2021-06-16 | 2021-06-16 | 一种全色遥感图像云区域识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113436092B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106294705A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种批量遥感影像预处理方法 |
CN110287898A (zh) * | 2019-06-27 | 2019-09-27 | 苏州中科天启遥感科技有限公司 | 一种光学卫星遥感影像云检测方法 |
CN110675396A (zh) * | 2019-09-30 | 2020-01-10 | 广东工业大学 | 遥感影像云检测方法、装置、设备及计算机可读存储介质 |
-
2021
- 2021-06-16 CN CN202110667775.4A patent/CN113436092B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106294705A (zh) * | 2016-08-08 | 2017-01-04 | 长安大学 | 一种批量遥感影像预处理方法 |
CN110287898A (zh) * | 2019-06-27 | 2019-09-27 | 苏州中科天启遥感科技有限公司 | 一种光学卫星遥感影像云检测方法 |
CN110675396A (zh) * | 2019-09-30 | 2020-01-10 | 广东工业大学 | 遥感影像云检测方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (3)
Title |
---|
Cloud Detection from RGB Color Remote Sensing Images with Deep Pyramid Networks;S. Ozkan 等;《IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium》;20181105;全文 * |
遥感图像薄云薄雾的去除处理方法;王敏 等;《实验室研究与探索》;20110228;第30卷(第02期);全文 * |
遥感影像的云分类和云检测技术研究;杨晓非 等;《图学学报》;20141030;第35卷(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113436092A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104392460B (zh) | 一种基于胞核标记分水岭变换的粘连白细胞分割方法 | |
CN109389163B (zh) | 一种基于地形图的无人机影像分类系统及方法 | |
CN111415363B (zh) | 一种图像边缘识别方法 | |
CN110287898B (zh) | 一种光学卫星遥感影像云检测方法 | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
CN111027446B (zh) | 一种高分辨率影像的海岸线自动提取方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
CN105335965B (zh) | 一种高分辨率遥感图像多尺度自适应决策融合分割方法 | |
CN104657980A (zh) | 一种改进的基于Meanshift的多通道图像分割算法 | |
US11804025B2 (en) | Methods and systems for identifying topographic features | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
Zhan et al. | Quantitative analysis of shadow effects in high-resolution images of urban areas | |
CN115690086A (zh) | 一种基于对象的高分辨率遥感影像变化检测方法及系统 | |
CN107194917B (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN107103295B (zh) | 光学遥感影像云检测方法 | |
CN109191482B (zh) | 一种基于区域自适应光谱角阈值的图像合并分割方法 | |
CN117292137B (zh) | 一种航拍遥感影像优化分割处理方法 | |
CN109741337B (zh) | 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法 | |
CN109063577B (zh) | 基于信息增益率的卫星影像分割最佳分割尺度确定方法 | |
CN106324708B (zh) | 雨量记录图纸的数字化方法、装置 | |
CN106846325B (zh) | 一种遥感影像最优分割结果确定的自动化方法 | |
CN117853722A (zh) | 一种融合超像素信息的钢材金相组织分割方法 | |
CN113436092B (zh) | 一种全色遥感图像云区域识别方法 | |
CN111046783A (zh) | 一种改进分水岭算法的斜坡地质灾害边界提取方法 | |
CN116109933B (zh) | 一种用于废弃矿山生态修复的动态识别方法 |
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 |