CN113723381B - 一种云检测方法、装置、设备及介质 - Google Patents
一种云检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113723381B CN113723381B CN202111291119.5A CN202111291119A CN113723381B CN 113723381 B CN113723381 B CN 113723381B CN 202111291119 A CN202111291119 A CN 202111291119A CN 113723381 B CN113723381 B CN 113723381B
- Authority
- CN
- China
- Prior art keywords
- cloud
- remote sensing
- pixel
- image
- 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.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请提供了一种云检测方法、装置、设备及介质,涉及遥感影像处理的技术领域,包括:获取待检测的遥感影像;对待检测的遥感影像进行预处理,得到待检测的遥感影像的各个像元的波段值;利用预先建立的含有蓝光波段的晴空背景场,以及待检测的遥感影像的各个像元的蓝光波段反射率,通过预设算法得到第一云检测阈值;利用第一云检测阈值对待检测的遥感影像进行云检测。本申请能够提高遥感影像的薄云和低云的识别率。
Description
技术领域
本申请涉及遥感影像处理领域,尤其是涉及一种云检测方法、装置、设备及介质。
背景技术
目前基于卫星遥感数据的云检测方法包括阈值方法和模式识别,其中,阈值方法是基于辅助数据借助波普信息和图像的空间信息实现云检测,结果上更直观理想;模式识别是依赖训练数据集的正确性和不同类特征的合适组合实现云检测,检测结果效果好,具有良好的适应性。
但是,无论使用阈值组合还是模式识别进行云识别,都存在薄云和碎云检测效果差的缺点。由于薄云和碎云与下垫面(大气与其下界的固态地面或液态水面的分界面)之间的亮度对比度低,无论是通过光学阈值还是可靠的训练数据集都不能很好地将薄云和碎云区分出来;目前,这也是遥感图像云检测的一大难点。
发明内容
有鉴于此,本申请提供一种云检测方法、装置、设备及介质,以解决现有遥感图像云检测技术中存在的对薄云和碎云检测效果差的技术问题。
一方面,本申请实施例提供了一种云检测方法,包括:
获取待检测的遥感影像;
对待检测的遥感影像进行预处理,得到待检测的遥感影像的各个像元的波段值;
利用预先建立的含有蓝光波段的晴空背景场,以及待检测的遥感影像的各个像元的蓝光波段反射率,通过预设算法得到云检测阈值;
利用云检测阈值对待检测的遥感影像进行云检测。
进一步的,所述方法还包括:利用长时间序列遥感影像集,构建含有蓝光波段的晴空背景场。
进一步的,利用长时间序列遥感影像集,构建含有蓝光波段的晴空背景场,包括:
获取长时间序列遥感影像集;
对长时间序列遥感影像集的每幅影像进行预处理;
对预处理后的每幅影像的水和云像元进行识别;
基于泛洪算法,对预处理后的每幅影像的云阴影像元进行识别;
对预处理后的每幅影像进行去云处理,得到去云处理后各幅影像;所述去云处理为剔除预处理后的每幅影像的云和水像元以及云阴影像元;
对于去云处理后各幅影像的相同位置的像元,获取蓝光波段反射率的最小值,将所有的最小值按照对应的遥感图像的像元的排列顺序进行排列,得到含有蓝光波段的晴空背景场。
进一步的,对长时间序列遥感影像集的每幅影像进行预处理,包括:
根据太阳天顶角,将长时间序列遥感影像集的每幅影像的短波波段反射率,转换为太阳天顶角为0°时的等效反射率值。
进一步的,所述基于泛洪算法,对长时间序列遥感影像集的每幅影像的云阴影像元进行识别;包括:
通过泛洪算法,对长时间序列遥感影像集的第t幅遥感影像的近红外波段的反射率进行处理,得到计算值floodfillBand4t;
计算第t幅影像的像元(x,y)是否为云阴影像元的判别标识CloudShadow t(x,y):
Th11为阈值,x和y是像元在影像中的行列位置,Band4 t(x,y)为第t幅遥感影像的像元(x,y)的近红外波段的反射率;当CloudShadow t(x,y)=1,像元为云阴影像元,当CloudShadow t(x,y)=0,像元不为云阴影像元。
进一步的,利用预先建立的含有蓝光波段的晴空背景场,以及待检测的遥感影像的各个像元的蓝光波段反射率,通过预设算法得到云检测阈值;包括:
获取晴空背景场各个像元的蓝光波段的地表信息;
将待检测遥感图像的各个像元的蓝光波段反射率与相同位置像元的蓝光波段的地表信息进行做差,得到差值图像:
对差值图像进行带色彩恢复的多尺度视网膜增强,得到均衡的反射率差值图像;
通过大津算法从均衡的反射率差值图像中提取云检测阈值。
进一步的,利用云检测阈值对待检测的遥感影像进行云检测,包括:
计算云检测判别布尔值C1(x,y):
当C1(x,y)=1,像元(x,y)为云层像元,当C1(x,y)=0,像元(x,y)不为云层像元。
另一方面,本申请实施例提供了一种云检测装置,包括:
获取单元,用于获取待检测的遥感影像;
预处理单元,用于对待检测的遥感影像进行预处理,得到待检测的遥感影像的各个像元的波段值;
阈值确定单元,用于利用预先建立的含有蓝光波段的晴空背景场,以及待检测的遥感影像的各个像元的蓝光波段反射率,通过预设算法得到云检测阈值;
云检测单元,用于利用云检测阈值对待检测的遥感影像进行云检测。
另一方面,本申请实施例一种电子设备,包括:存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本申请实施例的云检测方法。
另一方面,本申请实施例一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现本申请实施例的云检测方法。
与现有技术相比,本申请的有益效果包括:
1、本申请在构建晴空背景场时使用泛洪算法识别云阴影区域,增加了晴空背景场的准确性;
2、本申请使用带色彩恢复的多尺度视网膜Retinex算法对待检测遥感影像进行增强处理,从而减少了因影像曝光造成的云误判;
3、本申请使用晴空背景场优化了对待检测遥感影像云层边缘信息的提取,提高了薄云和碎云的识别精度;此外,在对待检测遥感影像进行薄云和碎云检测时,使用大津OTSU算法根据地理区域自适应提取阈值,提高了检测精度。
附图说明
为了更清楚地说明本申请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申请的一些实施方式,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为本申请实施例提供的云检测方法的流程图;
图2为本申请实施例提供的构建晴空背景场的流程图;
图3为本申请实施例提供的云检测装置的功能结构示意图;
图4为本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
首先对本申请实施例的设计思想进行简单介绍。
目前基于卫星遥感数据的云检测方法包括阈值方法和模式识别,但是,无论使用阈值组合还是模式识别进行云识别,都存在薄云和碎云检测效果差的缺点。由于薄云和碎云与下垫面之间的亮度对比度低,无论是通过光学阈值还是可靠的训练数据集都不能很好地将薄云和碎云区分出来。
为了解决上述技术问题,本申请实施例提出了一种云检测方法,该方法首先构建含有蓝光波段的晴空背景场,与现有晴空背景场的构建方法相比,不仅对长时间序列遥感影像都进行了去云处理,还使用泛洪算法去除云阴影区域,从而减少由于构建的晴空背景场不准确带来的云检测误判;然后利用晴空背景场对遥感图像的薄云和碎云进行识别,提高了薄云和碎云的识别率;针对现有云检测方法通常使用单一的阈值分割进行计算识别,无法适应不同地区在不同时节的独特性,本申请实施例利用带色彩恢复的多尺度视网膜增强和自适应阈值算法,根据地理区域进行阈值调整,增加了云检测的准确性。
在介绍了本申请实施例的设计思想之后,下面对本申请实施例提供的技术方案进行说明。
实施例一:
本申请实施例以葵花8号静止气象卫星遥感影像为待检测遥感影像,并通过葵花8号静止气象卫星的历史遥感影像集构建晴空背景场,如图1所示,本申请实施例提供了一种云检测方法,包括如下步骤:
步骤101:构建含有蓝光波段的晴空背景场;
在步骤101中,对长时间序列遥感影像集的每幅影像进行云和水像元识别,并基于泛洪算法进行云阴影像元识别;对于每幅遥感影像,剔除云和水像元和云阴影像元,筛选出晴空像元,得到T幅影像;对于T幅影像的相同位置的像元,获取蓝光波段反射率的最小值,将所有的最小值按照对应的遥感图像的像元排列顺序进行排列,得到含有蓝光波段的晴空背景场,由此获得地表信息。
如图2所示,该步骤的具体实现过程包括:
步骤1a:获取构建晴空背景场的辅助数据;
通过对历史云图分析发现,一般情况下,中午14时红外辐射最强,然后地表或海表辐射开始减小,地表或海表开始降温,因此所用的辅助数据为待检测影像影像之前的,连续多天(30天)北京时间14时的葵花8号静止气象卫星的长时间序列遥感影像集,数据格式为HDF;
步骤1b:对辅助数据进行预处理;
根据提取的太阳天顶角,将长时间序列遥感影像集的每幅影像的短波波段反射率,转换为太阳天顶角为0°时的等效反射率值。
对于每幅影像的各个像元,获取其16个波段的前4个波段的反射率:Band1 t(x,y)、Band2 t(x,y)、Band3 t(x,y)、Band4 t(x,y),以及第五个波段的亮温Band5 t(x,y)和第六个波段的亮温Band6 t(x,y);其中,t是遥感影像的序号,,T为长时间序列遥感影像的总数;x和y是像元在影像中的行列位置,。
步骤1c:基于云识别的常规阈值方法,识别每幅影像的水和云像元;
计算归一化积雪指数NDSI t(x,y)、归一化植被指数NDVI t(x,y)和可见光平均指数MeanVIS t(x,y):
优选的,第一阈值Th1=1200,第二阈值Th2=0.7,第三阈值Th3=0.2;&为与操作。
优选的,第四阈值Th4=0.7;
优选的,第五阈值Th5=1200;
优选的,第六阈值Th6=1;
优选的,第七阈值Th7=0,第八阈值Th8=500,第九阈值Th9=-0.3;第十阈值Th10=1100;“|”为与操作符号;
步骤1d:基于泛洪算法对每幅影像的云阴影像元进行识别;
因为云阴影区域在可见光波段反射率低,在构建晴空背景场时,会将云阴影区域当成晴空像元,导致晴空背景场的地表信息存在偏差。因此,需要对云阴影像元进行识别,具体方法为:
通过泛洪算法,对第t幅遥感影像的近红外波段的反射率进行处理,得到计算值floodfillBand4t;
对第t幅遥感影像,判断像元(x,y)是否为云阴影像元的判别标识CloudShadow t(x,y)为:
优选的,第十一阈值Th11=1000;
当CloudShadow t(x,y)=1,像元为云阴影像元,当CloudShadow t(x,y)=0,像元不为云阴影像元。
步骤102:获取葵花8号静止气象卫星L1级数据;
获取待检测的葵花8号极静止气象卫星L1级HDF格式数据,提取经纬度、太阳和观测角度、可见光波段反射率等相关信息,将结果输出保存为栅格数据,方便后续处理。
步骤103:对L1级数据进行预处理,得到待检测遥感影像的各个像元的波段值;
后续云检测需要使用到的波段值包括:像元(x,y)的蓝光波段反射率Band1(x,y)、绿光波段反射率Band2(x,y),红光波段反射率Band3(x,y),近红外波段反射率Band4(x,y)和第十五波段的亮温Band15(x,y);
步骤104:利用预先建立的含有蓝光波段的晴空背景场,以及待检测的遥感影像的各个像元的蓝光波段反射率,通过预设算法得到第一云检测阈值;
该步骤的具体实现过程包括:
步骤105:利用第一云检测阈值对待检测的遥感影像进行第一类型云的云检测。
对遥感影像进行云检测,其实质就是判断每个像元是否为云层像元,第一类型云包括薄云和碎云,利用第一云检测阈值进行薄云和碎云的识别,具体实现过程包括:
利用第一云检测阈值Thre blue 计算第一云检测布尔值C1(x,y):
通过阈值Thre blue 提取薄云和碎云的云边缘信息,因此C1(x,y)可以用于检测薄云和碎云。
当C1(x,y)=1,像元(x,y)为云层像元,当C1(x,y)=0,像元(x,y)不为云层像元。
步骤106:对待检测的遥感影像增加第二类型云的云检测;
由于薄云和碎云通常为低层云,为了更全面地对遥感影像进行云检测,需要增加高层云的检测,第二类型云包括高层云,步骤106的具体实现过程包括:
计算第二云检测布尔值C2(x,y)、第三云检测布尔值C3(x,y)和第四云检测布尔值C4(x,y):
优选的,第二云检测阈值Thre2=12000;第三云检测阈值Thre3=27000;第四云检测阈值Thre4=7000;第云检测阈值Thre5=28000。
该步骤可以实现除薄云和碎云之外的其它类型的云(尤其是高层云)的识别。
实施例二:
基于上述实施例,本申请实施例提供了一种云检测装置,参阅图3所示,本申请实施例提供的云检测装置300至少包括:
晴空背景场构建单元301,用于基于长时间序列遥感影像集,构建含有蓝光波段的晴空背景场;
获取单元302,用于获取待检测的遥感影像;
预处理单元303,用于对待检测的遥感影像进行预处理,得到待检测的遥感影像的各个像元的波段值;
阈值确定单元304,用于利用含有蓝光波段的晴空背景场,以及待检测的遥感影像的各个像元的蓝光波段反射率,通过预设算法得到第一云检测阈值;
第一云检测单元305,用于利用第一云检测阈值对待检测的遥感影像进行第一类型云的云检测;第一类型云包括薄云和碎云;
第二云检测单元306,用于对待检测的遥感影像增加第二类型云的云检测;第二类型云包括高层云;
在一种可能的实施方式中,晴空背景场构建单元301具体用于:
获取长时间序列遥感影像集;
对长时间序列遥感影像集的每幅影像进行预处理;
对预处理后的每幅影像的水和云像元进行识别;
基于泛洪算法,对预处理后的每幅影像的云阴影像元进行识别;
对预处理后的每幅影像进行去云处理,得到去云处理后各幅影像;所述去云处理为剔除预处理后的每幅影像的云和水像元以及云阴影像元;
对于去云处理后各幅影像的相同位置的像元,获取蓝光波段反射率的最小值,将所有的最小值按照对应的遥感图像的像元的排列顺序进行排列,得到含有蓝光波段的晴空背景场。
在一种可能的实施方式中,对长时间序列遥感影像集的每幅影像的云阴影像元进行识别;包括:
通过泛洪算法,对长时间序列遥感影像集的第t幅遥感影像的近红外波段的反射率进行处理,得到计算值floodfillBand4t;
计算第t幅影像的像元(x,y)是否为云阴影像元的判别标识CloudShadow t(x,y):
Th11为阈值,x和y是像元在影像中的行列位置,Band4 t(x,y)为第t幅遥感影像的像元(x,y)的近红外波段的反射率;当CloudShadow t(x,y)=1,像元为云阴影像元,当CloudShadow t(x,y)=0,像元不为云阴影像元。
在一种可能的实施方式中,阈值确定单元304具体用于:
获取晴空背景场各个像元的蓝光波段的地表信息;
将待检测遥感图像的各个像元的蓝光波段反射率与相同位置像元的蓝光波段的地表信息进行做差,得到差值图像:
对差值图像进行带色彩恢复的多尺度视网膜增强,得到均衡的反射率差值图像;
通过大津算法从均衡的反射率差值图像中提取第一云检测阈值。
在一种可能的实施方式中,第一云检测单元305具体用于:
计算第一云检测布尔值C1(x,y):
当C1(x,y)=1,像元(x,y)为云层像元,当C1(x,y)=0,像元(x,y)不为云层像元。
在一种可能的实施方式中,第二云检测单元306具体用于:
对于待检测的遥感影像的像元(x,y),计算第二云检测布尔值C2(x,y)、第三云检测布尔值C3(x,y)和第四云检测布尔值C4(x,y):
实施例三:
基于上述实施例,本申请实施例还提供了一种电子设备,参阅图4所示,本申请实施例提供的电子设备400至少包括:处理器401、存储器402和存储在存储器402上并可在处理器401上运行的计算机程序,处理器401执行计算机程序时实现本申请实施例提供的云检测方法。
本申请实施例提供的电子设备400还可以包括连接不同组件(包括处理器401和存储器402)的总线403。其中,总线403表示几类总线结构中的一种或多种,包括存储器总线、外围总线、局域总线等。
存储器402可以包括易失性存储器形式的可读介质,例如随机存储器(RandomAccess Memory,RAM)4021和/或高速缓存存储器4022,还可以进一步包括只读存储器(ReadOnly Memory,ROM)4023。
存储器402还可以包括具有一组(至少一个)程序模块4025的程序工具4024,程序模块4025包括但不限于:操作子系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备400也可以与一个或多个外部设备404(例如键盘、遥控器等)通信,还可以与一个或者多个使得用户能与电子设备400交互的设备通信(例如手机、电脑等),和/或,与使得电子设备400与一个或多个其它电子设备400进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(Input /Output,I/O)接口403进行。并且,电子设备400还可以通过网络适配器406与一个或者多个网络(例如局域网(Local AreaNetwork,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图4所示,网络适配器406通过总线403与电子设备400的其它模块通信。应当理解,尽管图4中未示出,可以结合电子设备400使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks,RAID)子系统、磁带驱动器以及数据备份存储子系统等。
需要说明的是,图4所示的电子设备400仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
实施例四:
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机指令,该计算机指令被处理器执行时实现本申请实施例提供的云检测方法。
应当注意,尽管在上文详细描述中提及了装置的若干单元或子单元,但是这种划分仅仅是示例性的并非强制性的。实际上,根据本申请的实施方式,上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。反之,上文描述的一个单元的特征和功能可以进一步划分为由多个单元来具体化。
此外,尽管在附图中以特定顺序描述了本申请方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地,可以省略某些步骤,将多个步骤合并为一个步骤执行,和/或将一个步骤分解为多个步骤执行。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (7)
1.一种云检测方法,其特征在于,包括:
获取待检测的遥感影像;
对待检测的遥感影像进行预处理,得到待检测的遥感影像的各个像元的波段值;
利用预先建立的含有蓝光波段的晴空背景场,以及待检测的遥感影像的各个像元的蓝光波段反射率,通过预设算法得到云检测阈值;
利用云检测阈值对待检测的遥感影像进行云检测;
所述方法还包括:利用长时间序列遥感影像集,构建含有蓝光波段的晴空背景场;
包括:
获取长时间序列遥感影像集;
对长时间序列遥感影像集的每幅影像进行预处理;
对预处理后的每幅影像的水和云像元进行识别;
基于泛洪算法,对预处理后的每幅影像的云阴影像元进行识别;
对预处理后的每幅影像进行去云处理,得到去云处理后各幅影像;所述去云处理为剔除预处理后的每幅影像的水和云像元以及云阴影像元;
对于去云处理后各幅影像的相同位置的像元,获取蓝光波段反射率的最小值,将所有的最小值按照对应的遥感图像的像元的排列顺序进行排列,得到含有蓝光波段的晴空背景场;
所述基于泛洪算法,对预处理后的每幅影像的云阴影像元进行识别;包括:
通过泛洪算法,对长时间序列遥感影像集的第t幅遥感影像的近红外波段的反射率进行处理,得到计算值floodfillBand4t;
计算第t幅影像的像元(x,y)是否为云阴影像元的判别标识CloudShadow t(x,y):
Th11为阈值,x和y是像元在影像中的行列位置,Band4 t(x,y)为第t幅遥感影像的像元(x,y)的近红外波段的反射率;当CloudShadow t(x,y)=1,像元为云阴影像元,当CloudShadow t(x,y)=0,像元不为云阴影像元。
2.根据权利要求1所述的云检测方法,其特征在于,对长时间序列遥感影像集的每幅影像进行预处理,包括:
根据太阳天顶角,将长时间序列遥感影像集的每幅影像的短波波段反射率,转换为太阳天顶角为0°时的等效反射率值。
3.根据权利要求1所述的云检测方法,其特征在于,利用预先建立的含有蓝光波段的晴空背景场,以及待检测的遥感影像的各个像元的蓝光波段反射率,通过预设算法得到云检测阈值;包括:
获取晴空背景场各个像元的蓝光波段的地表信息;
将待检测遥感图像的各个像元的蓝光波段反射率与相同位置像元的蓝光波段的地表信息进行做差,得到差值图像:
对差值图像进行带色彩恢复的多尺度视网膜增强,得到均衡的反射率差值图像;
通过大津算法从均衡的反射率差值图像中提取云检测阈值。
5.一种云检测装置,其特征在于,包括:
获取单元,用于获取待检测的遥感影像;
预处理单元,用于对待检测的遥感影像进行预处理,得到待检测的遥感影像的各个像元的波段值;
阈值确定单元,用于利用预先建立的含有蓝光波段的晴空背景场,以及待检测的遥感影像的各个像元的蓝光波段反射率,通过预设算法得到云检测阈值;
云检测单元,用于利用云检测阈值对待检测的遥感影像进行云检测;
所述装置还包括:晴空背景场构建单元,具体用于:
获取长时间序列遥感影像集;
对长时间序列遥感影像集的每幅影像进行预处理;
对预处理后的每幅影像的水和云像元进行识别;
基于泛洪算法,对预处理后的每幅影像的云阴影像元进行识别;
对预处理后的每幅影像进行去云处理,得到去云处理后各幅影像;所述去云处理为剔除预处理后的每幅影像的水和云像元以及云阴影像元;
对于去云处理后各幅影像的相同位置的像元,获取蓝光波段反射率的最小值,将所有的最小值按照对应的遥感图像的像元的排列顺序进行排列,得到含有蓝光波段的晴空背景场;
所述基于泛洪算法,对预处理后的每幅影像的云阴影像元进行识别;包括:
通过泛洪算法,对长时间序列遥感影像集的第t幅遥感影像的近红外波段的反射率进行处理,得到计算值floodfillBand4t;
计算第t幅影像的像元(x,y)是否为云阴影像元的判别标识CloudShadow t(x,y):
Th11为阈值,x和y是像元在影像中的行列位置,Band4 t(x,y)为第t幅遥感影像的像元(x,y)的近红外波段的反射率;当CloudShadow t(x,y)=1,像元为云阴影像元,当CloudShadow t(x,y)=0,像元不为云阴影像元。
6.一种电子设备,其特征在于,包括:存储器、处理器和存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的云检测方法。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器运行时实现如权利要求1-4任一项所述的云检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111291119.5A CN113723381B (zh) | 2021-11-03 | 2021-11-03 | 一种云检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111291119.5A CN113723381B (zh) | 2021-11-03 | 2021-11-03 | 一种云检测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723381A CN113723381A (zh) | 2021-11-30 |
CN113723381B true CN113723381B (zh) | 2022-02-08 |
Family
ID=78686550
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111291119.5A Active CN113723381B (zh) | 2021-11-03 | 2021-11-03 | 一种云检测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723381B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139396A (zh) * | 2015-10-22 | 2015-12-09 | 北京师范大学 | 一种全自动遥感影像云雾检测方法 |
CN108319923A (zh) * | 2018-02-05 | 2018-07-24 | 山东科技大学 | 一种云阴影识别方法及系统 |
CN109376600A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 多光谱遥感影像综合特征云检测方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1623171A (zh) * | 2002-01-22 | 2005-06-01 | 新加坡国立大学 | 用于生成没有云以及没有云的阴影的图像的方法 |
CN101799921B (zh) * | 2009-02-10 | 2012-09-05 | 中国科学院计算技术研究所 | 一种光学遥感图像云检测方法 |
US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
CN109584262A (zh) * | 2018-12-15 | 2019-04-05 | 中国科学院深圳先进技术研究院 | 基于遥感影像的云检测方法、装置及电子设备 |
-
2021
- 2021-11-03 CN CN202111291119.5A patent/CN113723381B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139396A (zh) * | 2015-10-22 | 2015-12-09 | 北京师范大学 | 一种全自动遥感影像云雾检测方法 |
CN108319923A (zh) * | 2018-02-05 | 2018-07-24 | 山东科技大学 | 一种云阴影识别方法及系统 |
CN109376600A (zh) * | 2018-09-20 | 2019-02-22 | 中国农业大学 | 多光谱遥感影像综合特征云检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113723381A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pande-Chhetri et al. | Object-based classification of wetland vegetation using very high-resolution unmanned air system imagery | |
Barbat et al. | An adaptive machine learning approach to improve automatic iceberg detection from SAR images | |
EP2801951B1 (en) | Aerial image segmentation for refineries | |
Wulder et al. | Local maximum filtering for the extraction of tree locations and basal area from high spatial resolution imagery | |
Xu et al. | Object‐based mapping of karst rocky desertification using a support vector machine | |
CN114113001B (zh) | 一种气溶胶光学厚度反演方法 | |
GB2513702A (en) | Methods and systems for automatic and semi-automatic geometric and geographic feature extraction | |
CN111797712A (zh) | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 | |
Dong et al. | A shadow constrained conditional generative adversarial net for SRTM data restoration | |
Xu et al. | DeepMask: an algorithm for cloud and cloud shadow detection in optical satellite remote sensing images using deep residual network | |
Long et al. | Bishift networks for thick cloud removal with multitemporal remote sensing images | |
CN113313680B (zh) | 一种结直肠癌病理图像预后辅助预测方法及系统 | |
Liu et al. | Haze removal for a single inland waterway image using sky segmentation and dark channel prior | |
Oehmcke et al. | Creating cloud-free satellite imagery from image time series with deep learning | |
CN110991285B (zh) | 基于modis光学数据的湖冰物候信息提取方法和装置 | |
Zhang et al. | Multi-feature embedded learning SVM for cloud detection in remote sensing images | |
Zhang et al. | Single image dehazing based on bright channel prior model and saliency analysis strategy | |
CN113723381B (zh) | 一种云检测方法、装置、设备及介质 | |
CN110796677B (zh) | 一种基于多波段特性的卷云虚警源检测方法 | |
Huang et al. | Research on crop planting area classification from remote sensing image based on deep learning | |
Gladkova et al. | SST pattern test in ACSPO clear-sky mask for VIIRS | |
Kenduiywo et al. | Mapping mangrove forest using Landsat 8 to support estimation of land-based emissions in Kenya | |
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 | |
CN113361403A (zh) | 改进的基于ndfi洪水提取方法、系统、终端及应用 | |
Zhang et al. | Cloud removal using SAR and optical images via attention mechanism-based GAN |
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 |