CN113744191A - 一种卫星遥感影像自动云检测方法 - Google Patents
一种卫星遥感影像自动云检测方法 Download PDFInfo
- Publication number
- CN113744191A CN113744191A CN202110879945.5A CN202110879945A CN113744191A CN 113744191 A CN113744191 A CN 113744191A CN 202110879945 A CN202110879945 A CN 202110879945A CN 113744191 A CN113744191 A CN 113744191A
- Authority
- CN
- China
- Prior art keywords
- cloud
- image
- data
- remote sensing
- satellite remote
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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 by the use of 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
- G06T7/11—Region-based segmentation
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
Abstract
本发明公开了一种卫星遥感影像自动云检测方法,其技术方案要点是:包括以下步骤:S1、将多光谱数据定标为大气表观反射率,将热红外数据定标为亮度温度,将卷云波段定标为大气表观反射率TOA;S2、利用云检测工具对图像进行分类,将云和阴影的像元标识为MaskedPixels,并渲染显示为深灰色;S3、使用两景NNPVIIRS中分辨率M‑Band数据进行镶嵌,获得镶嵌处理的图画;S4、对该数据进行云检测得到云掩膜文件,使用Bandmath工具得到反掩膜文件;S5、使用Fmask算法自动从多光谱数据中检测云区域,在数据处理过程中剔除无效区域,在分类时输入反掩膜文件,分析时免去非云区域的干扰;本卫星遥感影像自动云检测方法具有检测精度高,获取结果较为准确的优点。
Description
技术领域
本发明涉及大气检测领域,特别涉及一种卫星遥感影像自动云检测方法。
背景技术
光学遥感影像是观测地表、获取地表信息的重要基础性数据。全球年平均云量大约是66%,常规拍摄的光学卫星遥感影像约60%的区域都被云覆盖,遥感影像上云的覆盖遮挡或降低了对地表有效信息的获取,因此在对遥感影像进行地表分类、目标提取、定量反演等工作之前进行云检测,生成准确的云掩模具有重要意义,如何实现自动云检测是一个难题。
现有公开号为CN111553922A的中国专利,其公开了一种卫星遥感影像自动云检测方法,其特征在于包括如下步骤:(1)、将卫星遥感影像各波段的像元量化值转换为大气层顶反射率;(2)、基于卫星遥感影像各波段的大气层顶反射率,计算影像的云指数雾度优化变换指数HOTM、平均反射率指数CIM和高亮指数VBRM,并得到相应的HOTM指数影像、CIM指数影像和VBRM指数影像;(3)、分割HOTM指数影像,得到可能云覆盖区域;(4)、自动分割可能云覆盖区域的CIM指数影像,得到初步云覆盖区域;(5)、去除初步云覆盖区域非云高亮地物,然后进行邻域分析,消除云内部空洞和滤除孤立点,最终得到云掩膜图像二值矩阵,完成影像的自动云检测。
上述的这种卫星遥感影像自动云检测方法存在着以下缺点,如:检测精度低、方法复杂等缺点。
发明内容
针对背景技术中提到的问题,本发明的目的是提供一种卫星遥感影像自动云检测方法,以解决背景技术中提到的问题。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种卫星遥感影像自动云检测方法,包括以下步骤:
S1、将多光谱数据定标为大气表观反射率,将热红外数据定标为亮度温度,将卷云波段定标为大气表观反射率TOA;
S2、利用云检测工具对图像进行分类,将云和阴影的像元标识为MaskedPixels,并渲染显示为深灰色;
S3、使用两景NNPVIIRS中分辨率M-Band数据进行镶嵌,获得镶嵌处理的图画;
S4、对该数据进行云检测得到云掩膜文件,使用Bandmath工具得到反掩膜文件;
S5、使用Fmask算法自动从多光谱数据中检测云区域,在数据处理过程中剔除无效区域,在分类时输入反掩膜文件,分析时免去非云区域的干扰;
S6、采用最大类间方差法分割图像得到特征图像;
S7、将特征图像进行多尺度多方向的Shearlet分解;
S8、对分解后的特征图像在各尺度不同方向子带系数取模值,并对各子带的模值图像进行特征抽取;
S9、利用聚类算法对抽取的特征向量进行分类,最终实现可见光云的自动检测。
较佳的,所述S1之前,先对卫星影像进行预处理,根据云层拍摄时间、成像质量条件,对遥感影像数据进行整理及挑选,选用云雪覆盖小、侧摆角小、影像几何质量良好的影像数据,之后进行后续处理。
较佳的,所述S6中,将分割得到的各个图像单元进行ID编码,并将EOS/MODIS数据预处理以后的影像进行叠加,利用各个图像单元的ID号,计算各个图像单元在各个波段的光谱特征、纹理特征,各个图像单元的空间特征以及各个图像单元的云雾特征参数特征值,作为后续进行判别的属性信息。
较佳的,所述S2中,在HSV颜色空间中利用迭代的最大后验概率和极大似然估计方法将图像划分为若干个子图像,之后对各个子图像提取SIFT点构建其特征袋表示,之后训练最近邻分类器和线性SVM来实现对各个子图像云区与非云区的二值分类,之后将云和阴影的像元标识为MaskedPixels。
较佳的,所述S4中,先选择图像中的多光谱、热红外和卷云波段作为基础段,之后对该数据进行云检测得到云掩膜文件,使用Bandmath工具得到反掩膜文件。
较佳的,所述S5中,首先识别出影像中云区的种子区域和地物的种子区域,利用相似性聚类分析进一步细化未识别区域,检测出影像中完整的云区,之后使用Fmask算法自动从多光谱数据中检测云区域。
较佳的,所述S8中在模值图像进行特征抽取时,采用Hough变换检测平行直线方法和边界方向直方图方法。
较佳的,所述S9中的聚类算法包括K-MEANS算法、K-MEDOIDS算法、CLARANS算法。
综上所述,本发明主要具有以下有益效果:
本卫星遥感影像自动云检测方法具有检测精度高,获取结果较为准确的优点;在进行云检测时,首先将将多光谱数据定标为大气表观反射率,将热红外数据定标为亮度温度,将卷云波段定标为大气表观反射率TOA,并对其进行图像分类,并使用两景NNPVIIRS中分辨率M-Band数据进行镶嵌,获得镶嵌处理的图画;之后获取了云掩膜文件和反掩膜文件;并使用Fmask算法自动从多光谱数据中检测了云区域,并剔除无效区域;在此之后采用最大类间方差法分割图像得到特征图像;将特征图像进行多尺度多方向的Shearlet分解;利用聚类算法对抽取的特征向量进行分类,最终实现可见光云的自动检测;通过使用上述的步骤能够达到快速准确的分析云区的优点,且方法简答、运算量小。
附图说明
图1是本发明的流程框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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1
参考图1,一种卫星遥感影像自动云检测方法,包括以下步骤:
S1、将多光谱数据定标为大气表观反射率,将热红外数据定标为亮度温度,将卷云波段定标为大气表观反射率TOA;
S2、利用云检测工具对图像进行分类,将云和阴影的像元标识为MaskedPixels,并渲染显示为深灰色;
S3、使用两景NNPVIIRS中分辨率M-Band数据进行镶嵌,获得镶嵌处理的图画;
S4、对该数据进行云检测得到云掩膜文件,使用Bandmath工具得到反掩膜文件;
S5、使用Fmask算法自动从多光谱数据中检测云区域,在数据处理过程中剔除无效区域,在分类时输入反掩膜文件,分析时免去非云区域的干扰;
S6、采用最大类间方差法分割图像得到特征图像;
S7、将特征图像进行多尺度多方向的Shearlet分解;
S8、对分解后的特征图像在各尺度不同方向子带系数取模值,并对各子带的模值图像进行特征抽取;
S9、利用聚类算法对抽取的特征向量进行分类,最终实现可见光云的自动检测。
其中,所述S1之前,先对卫星影像进行预处理,根据云层拍摄时间、成像质量条件,对遥感影像数据进行整理及挑选,选用云雪覆盖小、侧摆角小、影像几何质量良好的影像数据,之后进行后续处理。
其中,所述S6中,将分割得到的各个图像单元进行ID编码,并将EOS/MODIS数据预处理以后的影像进行叠加,利用各个图像单元的ID号,计算各个图像单元在各个波段的光谱特征、纹理特征,各个图像单元的空间特征以及各个图像单元的云雾特征参数特征值,作为后续进行判别的属性信息。
其中,所述S2中,在HSV颜色空间中利用迭代的最大后验概率和极大似然估计方法将图像划分为若干个子图像,之后对各个子图像提取SIFT点构建其特征袋表示,之后训练最近邻分类器和线性SVM来实现对各个子图像云区与非云区的二值分类,之后将云和阴影的像元标识为MaskedPixels。
其中,所述S4中,先选择图像中的多光谱、热红外和卷云波段作为基础段,之后对该数据进行云检测得到云掩膜文件,使用Bandmath工具得到反掩膜文件。
其中,所述S5中,首先识别出影像中云区的种子区域和地物的种子区域,利用相似性聚类分析进一步细化未识别区域,检测出影像中完整的云区,之后使用Fmask算法自动从多光谱数据中检测云区域。
其中,所述S8中在模值图像进行特征抽取时,采用Hough变换检测平行直线方法和边界方向直方图方法。
其中,所述S9中的聚类算法包括K-MEANS算法、K-MEDOIDS算法、CLARANS算法。
其中,本卫星遥感影像自动云检测方法具有检测精度高,获取结果较为准确的优点;在进行云检测时,首先将将多光谱数据定标为大气表观反射率,将热红外数据定标为亮度温度,将卷云波段定标为大气表观反射率TOA,并对其进行图像分类,并使用两景NNPVIIRS中分辨率M-Band数据进行镶嵌,获得镶嵌处理的图画;之后获取了云掩膜文件和反掩膜文件;并使用Fmask算法自动从多光谱数据中检测了云区域,并剔除无效区域;在此之后采用最大类间方差法分割图像得到特征图像;将特征图像进行多尺度多方向的Shearlet分解;利用聚类算法对抽取的特征向量进行分类,最终实现可见光云的自动检测;通过使用上述的步骤能够达到快速准确的分析云区的优点,且方法简答、运算量小。
其中,在获取云图像后,从系统获取卫星遥感影像存储至数据库中;之后基于预设的影像参数从所述数据库中检索筛选待处理的卫星遥感影像;之后对待处理的各所述卫星遥感影像进行并行正射处理;之后对正射处理后的所述卫星遥感影像进行变化检测或者切片展示,完成所述卫星遥感影像的自动处理。
其中,为了存储图像数据创建一数据库,扫描各遥感数据系统的卫星遥感影像存储至所述数据库中,并记录各所述卫星遥感影像的存储日志;各所述卫星遥感影像均携带影像参数。可筛选的影像参数至少包括拍摄的卫星类型、分辨率、拍摄的传感器类型、影像云量范围以及地理位置。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (8)
1.一种卫星遥感影像自动云检测方法,其特征在于:包括以下步骤:
S1、将多光谱数据定标为大气表观反射率,将热红外数据定标为亮度温度,将卷云波段定标为大气表观反射率TOA;
S2、利用云检测工具对图像进行分类,将云和阴影的像元标识为MaskedPixels,并渲染显示为深灰色;
S3、使用两景NNPVIIRS中分辨率M-Band数据进行镶嵌,获得镶嵌处理的图画;
S4、对该数据进行云检测得到云掩膜文件,使用Bandmath工具得到反掩膜文件;
S5、使用Fmask算法自动从多光谱数据中检测云区域,在数据处理过程中剔除无效区域,在分类时输入反掩膜文件,分析时免去非云区域的干扰;
S6、采用最大类间方差法分割图像得到特征图像;
S7、将特征图像进行多尺度多方向的Shearlet分解;
S8、对分解后的特征图像在各尺度不同方向子带系数取模值,并对各子带的模值图像进行特征抽取;
S9、利用聚类算法对抽取的特征向量进行分类,最终实现可见光云的自动检测。
2.根据权利要求1所述的一种卫星遥感影像自动云检测方法,其特征在于:所述S1之前,先对卫星影像进行预处理,根据云层拍摄时间、成像质量条件,对遥感影像数据进行整理及挑选,选用云雪覆盖小、侧摆角小、影像几何质量良好的影像数据,之后进行后续处理。
3.根据权利要求1所述的一种卫星遥感影像自动云检测方法,其特征在于:所述S6中,将分割得到的各个图像单元进行ID编码,并将EOS/MODIS数据预处理以后的影像进行叠加,利用各个图像单元的ID号,计算各个图像单元在各个波段的光谱特征、纹理特征,各个图像单元的空间特征以及各个图像单元的云雾特征参数特征值,作为后续进行判别的属性信息。
4.根据权利要求1所述的一种卫星遥感影像自动云检测方法,其特征在于:所述S2中,在HSV颜色空间中利用迭代的最大后验概率和极大似然估计方法将图像划分为若干个子图像,之后对各个子图像提取SIFT点构建其特征袋表示,之后训练最近邻分类器和线性SVM来实现对各个子图像云区与非云区的二值分类,之后将云和阴影的像元标识为MaskedPixels。
5.根据权利要求1所述的一种卫星遥感影像自动云检测方法,其特征在于:所述S4中,先选择图像中的多光谱、热红外和卷云波段作为基础段,之后对该数据进行云检测得到云掩膜文件,使用Bandmath工具得到反掩膜文件。
6.根据权利要求1所述的一种卫星遥感影像自动云检测方法,其特征在于:所述S5中,首先识别出影像中云区的种子区域和地物的种子区域,利用相似性聚类分析进一步细化未识别区域,检测出影像中完整的云区,之后使用Fmask算法自动从多光谱数据中检测云区域。
7.根据权利要求1所述的一种卫星遥感影像自动云检测方法,其特征在于:所述S8中在模值图像进行特征抽取时,采用Hough变换检测平行直线方法和边界方向直方图方法。
8.根据权利要求1所述的一种卫星遥感影像自动云检测方法,其特征在于:所述S9中的聚类算法包括K-MEANS算法、K-MEDOIDS算法、CLARANS算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110879945.5A CN113744191A (zh) | 2021-08-02 | 2021-08-02 | 一种卫星遥感影像自动云检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110879945.5A CN113744191A (zh) | 2021-08-02 | 2021-08-02 | 一种卫星遥感影像自动云检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113744191A true CN113744191A (zh) | 2021-12-03 |
Family
ID=78729820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110879945.5A Pending CN113744191A (zh) | 2021-08-02 | 2021-08-02 | 一种卫星遥感影像自动云检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744191A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022790A (zh) * | 2022-01-10 | 2022-02-08 | 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 |
CN115410074A (zh) * | 2022-07-19 | 2022-11-29 | 中国科学院空天信息创新研究院 | 遥感影像云检测方法及装置 |
CN115512236A (zh) * | 2022-10-13 | 2022-12-23 | 昆明理工大学 | 一种基于K-means ++的Himawari-8多光谱云检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714557A (zh) * | 2014-01-06 | 2014-04-09 | 江南大学 | 一种地基云自动检测方法 |
CN103926634A (zh) * | 2014-03-12 | 2014-07-16 | 长江水利委员会长江科学院 | 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法 |
CN112084991A (zh) * | 2020-09-18 | 2020-12-15 | 中国农业科学院农业资源与农业区划研究所 | 基于多源遥感时序影像和卷积神经网络的作物早期识别方法 |
-
2021
- 2021-08-02 CN CN202110879945.5A patent/CN113744191A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714557A (zh) * | 2014-01-06 | 2014-04-09 | 江南大学 | 一种地基云自动检测方法 |
CN103926634A (zh) * | 2014-03-12 | 2014-07-16 | 长江水利委员会长江科学院 | 一种基于面向对象分类的白天陆地辐射雾的遥感监测方法 |
CN112084991A (zh) * | 2020-09-18 | 2020-12-15 | 中国农业科学院农业资源与农业区划研究所 | 基于多源遥感时序影像和卷积神经网络的作物早期识别方法 |
Non-Patent Citations (2)
Title |
---|
ENVIIDL技术殿堂: "ENVI5.3SP1中的云/云影自动检测工具", 《知乎》 * |
YANG JIHONG等: "Cloud detection via regionbinary classification for optical satellite images segmentation and", 《中国体视学与图像分析》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114022790A (zh) * | 2022-01-10 | 2022-02-08 | 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 |
CN115410074A (zh) * | 2022-07-19 | 2022-11-29 | 中国科学院空天信息创新研究院 | 遥感影像云检测方法及装置 |
CN115410074B (zh) * | 2022-07-19 | 2023-08-29 | 中国科学院空天信息创新研究院 | 遥感影像云检测方法及装置 |
CN115512236A (zh) * | 2022-10-13 | 2022-12-23 | 昆明理工大学 | 一种基于K-means ++的Himawari-8多光谱云检测方法及系统 |
CN115512236B (zh) * | 2022-10-13 | 2023-04-28 | 昆明理工大学 | 一种基于K-means ++的Himawari-8多光谱云检测方法及系统 |
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 | |
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
Zhang et al. | Object-oriented shadow detection and removal from urban high-resolution remote sensing images | |
CN113744191A (zh) | 一种卫星遥感影像自动云检测方法 | |
CN111079556A (zh) | 一种多时相无人机视频图像变化区域检测及分类方法 | |
CN108898065B (zh) | 候选区快速筛选与尺度自适应的深度网络舰船目标检测方法 | |
CN111104943B (zh) | 基于决策级融合的彩色图像感兴趣区域提取方法 | |
CN107784669A (zh) | 一种光斑提取及其质心确定的方法 | |
Ursani et al. | Fusion of textural and spectral information for tree crop and other agricultural cover mapping with very-high resolution satellite images | |
CN109559324A (zh) | 一种线阵图像中的目标轮廓检测方法 | |
CN112183209A (zh) | 一种基于多维特征融合的区域农作物分类方法及系统 | |
Tatar et al. | A robust object-based shadow detection method for cloud-free high resolution satellite images over urban areas and water bodies | |
CN108416814B (zh) | 一种菠萝头部的快速定位与识别方法及系统 | |
CN110070545B (zh) | 一种城镇纹理特征密度自动提取城镇建成区的方法 | |
CN108564092A (zh) | 基于sift特征提取算法的向日葵病害识别方法 | |
CN109977899B (zh) | 一种物品识别的训练、推理以及增加新种类的方法和系统 | |
CN112633185A (zh) | 图像处理的方法及装置 | |
CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
Azevedo et al. | Shadow detection using object area-based and morphological filtering for very high-resolution satellite imagery of urban areas | |
CN115035281B (zh) | 一种快速的红外全景图像拼接方法 | |
PL | A study on various image processing techniques | |
Hanapi et al. | Normalized Cross Correlation Template Matching for Oil Palm Tree Counting from UAV image | |
Tamilselvi et al. | Color based K-Means Clustering For Image Segmentation to Identify the Infected Leaves | |
CN111178175A (zh) | 基于高景卫星影像的自动化建筑物信息提取方法及系统 | |
Larbi | Advancing Microsoft Excel’s potential for teaching digital image processing and analysis |
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 |