CN114022790A - 遥感图像中云层检测及图像压缩方法、装置和存储介质 - Google Patents
遥感图像中云层检测及图像压缩方法、装置和存储介质 Download PDFInfo
- Publication number
- CN114022790A CN114022790A CN202210019461.8A CN202210019461A CN114022790A CN 114022790 A CN114022790 A CN 114022790A CN 202210019461 A CN202210019461 A CN 202210019461A CN 114022790 A CN114022790 A CN 114022790A
- Authority
- CN
- China
- Prior art keywords
- cloud layer
- image
- mask image
- layer region
- region
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请提供一种遥感图像中云层检测及图像压缩方法、装置和存储介质，所述云层检测方法包括：获取原始遥感图像；根据原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像；根据第一云层区域掩膜图像的灰度值确定灰度阈值；基于灰度阈值和第一云层区域掩膜图像各像素点的灰度值确定第二云层区域掩膜图像；对第二云层区域掩膜图像的像素点进行聚类处理，并根据聚类结果确定第三云层区域掩膜图像，其中，第三云层区域掩膜图像对应的区域为目标云层区域。采用多维度特征（预设的颜色阈值范围、遥感图像中像素点的灰度值以及对遥感图像中像素点进行聚类处理）对遥感图像进行云层检测，提高云层检测的准确性。
Description
技术领域
本申请涉及图像处理领域，具体而言，涉及一种遥感图像中云层检测及图像压缩方法、装置和存储介质。
背景技术
在地球上平均有1/3到1/2的地区覆盖着云层，卫星遥感图像中受云层遮挡影响，会存在大量无效图像数据（云图像数据）。卫星遥感图像数据从卫星传到地面过程中，由于卫星遥感图像数据中包含有大量无效图像数据，会消耗大量的存储空间和传输带宽，降低有效图像数据的带宽利用率。
因此，需要通过云层检测技术对卫星遥感图像中的云层数据进行检测，进而将云层区域的数据去除，从而降低无效图像数据的带宽利用率。然而现有的云层检测技术存在精度较低的问题。
发明内容
本申请实施例的目的在于提供一种遥感图像中云层检测及图像压缩方法、装置和存储介质，用以改善现有云层检测技术精度较低的问题。
第一方面，本发明提供一种遥感图像中云层检测的方法，所述方法包括：获取原始遥感图像；根据所述原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像；根据所述第一云层区域掩膜图像的灰度值确定灰度阈值；基于所述灰度阈值和所述第一云层区域掩膜图像各像素点的灰度值确定第二云层区域掩膜图像；对所述第二云层区域掩膜图像的像素点进行聚类处理，并根据聚类结果确定第三云层区域掩膜图像，其中，所述第三云层区域掩膜图像对应的区域为目标云层区域。
在本申请实施例中，采用多维度特征（预设的颜色阈值范围、遥感图像中像素点的灰度值以及对遥感图像中像素点进行聚类处理）对遥感图像进行云层检测，提高云层检测的准确性。
在可选的实施方式中，所述根据所述原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像，包括：将所述原始遥感图像转换为HSV空间下的图像，得到第一图像；保留所述第一图像中位于所述颜色阈值范围的像素点；根据所述第一图像中位于所述颜色阈值范围的像素点生成所述第一云层区域掩膜图像。
在本申请实施例中，由于HSV空间更接近人们对彩色的感知经验，在HSV空间确定的白色对应的颜色阈值范围准确度更高。因此，将原始遥感图像转换为HSV空间下的图像，在HSV空间中确定第一云层区域掩膜图像对应的像素点，从而使得确定出的第一云层区域掩膜图像对应的区域更接近实际云层区域。
在可选的实施方式中，所述根据所述第一云层区域掩膜图像的灰度值确定灰度阈值，包括：
A1：确定所述第一云层区域掩膜图像的平均灰度值；
A2：将所述第一云层区域掩膜图像中大于所述平均灰度值的像素点划分为第一区域，将所述第一云层区域掩膜图像中小于所述平均灰度值的像素点划分为第二区域；
A3：分别计算所述第一区域和所述第二区域的平均灰度值μ1、μ2，并计算μ1、μ2的平均值得到所述第一云层区域掩膜图像的新的平均灰度值；
A4：判断所述新的平均灰度值与所述平均灰度值是否满足预设条件；
A5：若不满足，将所述平均灰度值替换为所述新的平均灰度值并重复上述步骤A2-A4直至所述新的平均灰度值与所述平均灰度值满足预设条件；若满足，将所述新的平均灰度值作为所述灰度阈值。
在本申请实施例中，采用迭代逼近的方式确定自适应灰度阈值，提高灰度阈值的准确性，进而提高云层检测的准确性。
在可选的实施方式中，所述基于所述灰度阈值和所述第一云层区域掩膜图像各像素点的灰度值确定第二云层区域掩膜图像，包括：保留所述第一云层区域掩膜图像中大于所述灰度阈值的像素点；根据所述第一云层区域掩膜图像中大于所述灰度阈值的像素点生成所述第二云层区域掩膜图像。
在可选的实施方式中，所述对所述第二云层区域掩膜图像的像素点进行聚类处理，包括：
S1：计算所述第二云层区域掩膜图像中各像素点之间的距离；
S2：将距离最小的两个像素点组成第一集合；
S3：计算所述第二云层区域掩膜图像中除所述第一集合外的各像素点到所述第一集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述第一集合；
S4：判断所述第一集合中像素点的数量是否达到预设阈值，若否，执行S3；若是，计算所述第一集合中各像素点的平均像素值，将所述第一集合中各像素点的平均像素值作为一个初始聚类中心；
S5：计算所述第二云层区域掩膜图像中除所有初始聚类中心对应的集合外各像素点之间的距离；并将距离最小的两个像素点组成新的集合；
S6：计算所述第二云层区域掩膜图像中除各个集合外的各像素点到所述新的集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述新的集合；
S7：判断所述新的集合中像素点的数量是否达到预设阈值，若否，执行S6；若是，计算所述新的集合中的各像素点的平均像素值，将所述新的集合中各像素点的平均像素值作为另一个初始聚类中心；
S8：重复S5-S7，直至确定出k个初始聚类中心；
S9：根据确定出的k个初始聚类中心进行K-means聚类，得到k个聚类区域。
在本申请实施例中，相较于随机确定的初始聚类中心，采用上述方式确定初始聚类中心，使得选出的初始聚类中心代表了相似程度较大的多个像素点，进而提高K-Means聚类结果的准确性，并减少聚类时间。
在可选的实施方式中，所述根据聚类结果确定第三云层区域掩膜图像，包括：计算各个所述聚类区域的平均灰度值；根据各个所述聚类区域的平均灰度值确定所述第三云层区域掩膜图像。
第二方面，本发明提供一种图像压缩方法，所述方法包括：获取遥感图像的目标云层区域，其中，所述目标云层区域根据前述实施方式任一项的所述方法确定；将所述目标云层区域对应的区域按预设比例进行扩大，将扩大后的区域与所述目标云层区域作差，确定所述目标云层区域的边缘区域，并计算所述边缘区域的平均像素值；将所述目标云层区域中各像素点的值替换为所述平均像素值；对替换后的遥感图像进行图像压缩。
在本申请实施例中，确定目标云层区域的边缘区域，计算边缘区域的平均像素值，将目标云层区域的像素点的像素值替换为目标云层区域的边缘区域的平均像素值。在对目标云层区域的像素点的像素值进行替换时，充分考虑目标云层区域边缘的像素值。相较于采用统一的某个颜色进行像素值替换的图像，本申请提供的替换后的图像在后续进行图像压缩编码时，具有更高的图像压缩编码效率。从而实现在保证图像质量的前提下大幅提图像高压缩比，减少图像对存储空间的消耗以及传输带宽的消耗。
此外，本申请实施例提供的图像压缩方法可以应用于卫星上，使得卫星在轨时同时完成图像云检测和图像压缩，从而减少遥感图像中无效区域对卫星存储空间的消耗以及在进行遥感图像传输时，减少遥感图像中无效区域对传输带宽的消耗。
在可选的实施方式中，所述确定所述目标云层区域的边缘区域，包括：将所述目标云层区域对应的区域按预设比例进行扩大；将扩大后的区域与所述目标云层区域作差，得到所述边缘区域。
第三方面，本发明提供一种云层检测装置，所述装置包括：获取模块，用于获取原始遥感图像；第一确定模块，用于根据所述原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像；第二确定模块，用于根据所述第一云层区域掩膜图像的灰度值确定灰度阈值；基于所述灰度阈值和所述第一云层区域掩膜图像确定第二云层区域掩膜图像；第三确定模块，对所述第二云层区域掩膜图像进行聚类处理，并根据聚类结果确定第三云层区域掩膜图像，其中，所述第三云层区域掩膜图像对应的区域为目标云层区域。
在可选的实施方式中，所述第一确定模块具体用于将所述原始遥感图像转换为HSV空间下的图像，得到第一图像；保留所述第一图像中位于所述颜色阈值范围的像素点；根据所述第一图像中位于所述颜色阈值范围的像素点生成所述第一云层区域掩膜图像。
在可选的实施方式中，所述第二确定模块具体用于：
A1：确定所述第一云层区域掩膜图像的平均灰度值；
A2：将所述第一云层区域掩膜图像中大于所述平均灰度值的像素点划分为第一区域，将所述第一云层区域掩膜图像中小于所述平均灰度值的像素点划分为第二区域；
A3：分别计算所述第一区域和所述第二区域的平均灰度值μ1、μ2，并计算μ1、μ2的平均值得到所述第一云层区域掩膜图像的新的平均灰度值；
A4：判断所述新的平均灰度值与所述平均灰度值是否满足预设条件；
A5：若不满足，将所述平均灰度值替换为所述新的平均灰度值并重复上述步骤A2-A4直至所述新的平均灰度值与所述平均灰度值满足预设条件；若满足，将所述新的平均灰度值作为所述灰度阈值。
在可选的实施方式中，所述第二确定模块具体用于保留所述第一云层区域掩膜图像中大于所述灰度阈值的像素点；根据所述第一云层区域掩膜图像中大于所述灰度阈值的像素点生成所述第二云层区域掩膜图像。
在可选的实施方式中，所述第三确定模块具体用于：
S1：计算所述第二云层区域掩膜图像中各像素点之间的距离；
S2：将距离最小的两个像素点组成第一集合；
S3：计算所述第二云层区域掩膜图像中除所述第一集合外的各像素点到所述第一集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述第一集合；
S4：判断所述第一集合中像素点的数量是否达到预设阈值，若否，执行S3；若是，计算所述第一集合中各像素点的平均像素值，将所述第一集合中各像素点的平均像素值作为一个初始聚类中心；
S5：计算所述第二云层区域掩膜图像中除所有初始聚类中心对应的集合外各像素点之间的距离；并将距离最小的两个像素点组成新的集合；
S6：计算所述第二云层区域掩膜图像中除各个集合外的各像素点到所述新的集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述新的集合；
S7：判断所述新的集合中像素点的数量是否达到预设阈值，若否，执行S6；若是，计算所述新的集合中的各像素点的平均像素值，将所述新的集合中各像素点的平均像素值作为另一个初始聚类中心；
S8：重复S5-S7，直至确定出k个初始聚类中心；
S9：根据确定出的k个初始聚类中心进行K-means聚类，得到k个聚类区域。
在可选的实施方式中，所述第三确定模块具体用于计算各个所述聚类区域的平均灰度值；根据各个所述聚类区域的平均灰度值确定所述第三云层区域掩膜图像。
第四方面，本发明提供一种图像压缩装置，所述装置包括：获取模块，用于获取遥感图像的目标云层区域，其中，所述目标云层区域通过如前述实施方式所述遥感图像中云层检测装置检测得到；确定模块，用于将所述目标云层区域对应的区域按预设比例进行扩大，将扩大后的区域与所述目标云层区域作差，确定所述目标云层区域的边缘区域，并计算所述边缘区域的平均像素值；替换模块，用于将所述目标云层区域中各像素点的值替换为所述平均像素值；压缩模块，用于对替换后的遥感图像进行图像压缩。
第五方面，本发明提供一种存储介质，所述存储介质上存储有计算机程序指令，所述计算机程序指令被计算机读取并运行时，执行如前述实施方式中任一项所述的方法。
本申请通过卫星在轨即可完成图像的云层检测以及图像压缩，减少遥感图像中无效区域对存储空间和传输带宽的消耗，在保证图像质量的前提下大幅提高图像的压缩比；同时采用多维度的特征对云层进行识别检测，提高了云层的检测精度；采用了自适应阈值分割和聚类分割，提高了本申请云层检测算法的普适性，在检测到云层之后采用CCSDS-IDC的压缩方法来减少无效区域的压缩成本，并取得了较好的压缩性能。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本申请实施例提供的一种云层检测方法的流程图；
图2为本申请实施例提供的一种图像压缩方法的流程图；
图3为本申请实施例提供的一种云层检测装置的结构框图；
图4为本申请实施例提供的一种图像压缩装置的结构框图；
图5为本申请实施例的电子设备的结构示意图。
图标：300-云层检测装置；301-第一获取模块；302-第一确定模块；303-第二确定模块；304-第三确定模块；400-图像压缩装置；401-第二获取模块；402-确定模块；403-替换模块；404-压缩模块；500-电子设备；501-处理器；502-通信接口；503-存储器；504-总线。
具体实施方式
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描述。
随着遥感技术的不断发展，卫星采集遥感图像数据的速率不断提高，实时的采集速率可以达到数Gbps。然而，目前的星地图像传输速率仅为500 Mbps左右，二者之间存在较大的差距。
由于地球上空存在大量云层，获取到的原始遥感图像中某些区域会被云层遮挡。被云层遮挡的区域不具有分析价值，因此，可以通过云层检测技术，检测出遥感图像中的云层区域，对这些区域进行处理，从而减小遥感图像中无效区域对存储空间的消耗以及对传输带宽的消耗。然而，现有的云层检测技术存在精度较低的问题。
为了解决上述问题，本申请实施例提供一种遥感图像中云层检测及图像压缩方法、装置和存储介质，用以改善现有云层检测技术精度较低的问题。
该技术可采用相应的软件、硬件以及软硬结合的方式实现。以下对本申请实施例进行详细介绍。
请参阅图1，图1为本申请实施例提供的一种云层检测方法的流程图，该云层检测方法可以包括如下步骤：
步骤101：获取原始遥感图像。
步骤102：根据原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像。
步骤103：根据第一云层区域掩膜图像的灰度值确定灰度阈值。
步骤104：基于灰度阈值和第一云层区域掩膜图像各像素点的灰度值确定第二云层区域掩膜图像；
步骤105：对第二云层区域掩膜图像的像素点进行聚类处理，并根据聚类结果确定第三云层区域掩膜图像，其中，第三云层区域掩膜图像对应的区域为目标云层区域。
下面将结合示例对上述步骤进行说明。
步骤101：获取原始遥感图像。
本申请实施例中，通过遥感卫星采集的原始遥感图像。
步骤102：根据原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像。
本申请实施例中，根据原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像。预设的颜色阈值范围为白色对应的颜色取值范围。由于云层的颜色为白色，首先筛选出原始遥感图像中像素点的颜色阈值为白色对应的颜色范围的像素点，由这些像素点形成第一云层区域掩膜图像。
作为一种可选的实施方式，步骤102可以包括如下步骤：
第一步，将原始遥感图像转换为HSV空间下的图像，得到第一图像；
第二步，保留第一图像中位于颜色阈值范围的像素点；
第三步，根据第一图像中位于颜色阈值范围的像素点生成第一云层区域掩膜图像。
一般来说，遥感图像中的颜色信息采用RGB空间进行表示。本实施例中，由于HSV空间更接近人们对彩色的感知经验，在HSV空间确定的白色对应的颜色阈值范围准确度更高。
首先将原始遥感图像（RGB空间）转换为HSV空间下的图像，该图像为第一图像。根据HSV空间中白色对应的颜色范围，得到预设的颜色阈值范围。可以理解，由于云层的颜色不一定为纯白色，因此，预设的颜色阈值范围不一定为纯白色对应的颜色阈值范围，可以为与白色接近的颜色对应的颜色阈值范围。可以通过对大量遥感图像中云层对应的颜色阈值范围进行分析后确定出的预设的颜色阈值范围。
根据预设的颜色阈值范围，确定出第一图像中位于颜色阈值范围的像素点。复制一张原始遥感图像（RGB空间下的图像）作为第二图像，将第二图像中与确定第一图像中位于颜色阈值范围的像素点组成的区域相同的区域中的像素值保留，其他区域的像素值填充为无效值或某一个特定的值，例如（0,0,0）（对应黑色）、（255,0,0）（对应红色），生成第一云层区域掩膜图像。需要说明的是，第一云层区域掩膜图像为RGB空间下的图像。
当然，在一些实施方式中，预设的颜色阈值范围也可以为其他颜色空间下的颜色阈值范围，例如RGB空间、CMYK空间、YUV空间等。对于不同的颜色空间下的颜色阈值范围，将原始遥感图像转换为对应颜色空间下的图像，然后根据颜色阈值范围筛选出对应的像素点，进而生成第一云层区域掩膜图像。
为了方便说明，以下对步骤103和104一并说明。
步骤103：根据第一云层区域掩膜图像的灰度值确定灰度阈值。
步骤104：基于灰度阈值和第一云层区域掩膜图像各像素点的灰度值确定第二云层区域掩膜图像。
本申请实施例中，第一云层掩膜图像是根据颜色确定的，而遥感图像中除了云层为白色外，雪地、白色建筑物等也为白色。由于云层的亮度高饱和度低，因此云层区域的灰度值较高。考虑到不同遥感图像中云层的灰度值存在差异，为了使云层检测更准确，根据第一云层区域掩膜图像中各像素点的灰度值确定一个灰度阈值，根据该灰度阈值对第一云层掩膜图像中各像素点进行筛选，得到第二云层区域掩膜图像。
作为一种可选的实施方式，灰度阈值的确定方法（即上述步骤103）可以包括如下步骤：
A1：确定第一云层区域掩膜图像的平均灰度值；
A2：将第一云层区域掩膜图像中大于平均灰度值的像素点划分为第一区域，将第一云层区域掩膜图像中小于平均灰度值的像素点划分为第二区域；
A3：分别计算第一区域和第二区域的平均灰度值μ1、μ2，并计算μ1、μ2的平均值得到第一云层区域掩膜图像的新的平均灰度值；
A4：判断新的平均灰度值与平均灰度值是否满足预设条件；
A5：若不满足，将平均灰度值替换为新的平均灰度值并重复上述步骤A2-A4直至新的平均灰度值与平均灰度值满足预设条件；若满足，将新的平均灰度值作为灰度阈值。
需要说明的是，本实施例中，某一区域的平均灰度值可以有一下两种确定方式。
第一种：将该区域中最大灰度值和最小灰度值的取平均值，得到该区域的平均灰度值。
第二种：将该区域中每个像素点的灰度相加后，除以该区域的像素点个数，得到该区域的平均灰度值。
确定第一云层区域掩膜图像的平均灰度值后，将第一云层区域掩膜图像中大于平均灰度值的像素点划分为第一区域，将第一云层区域掩膜图像中小于平均灰度值的像素点划分为第二区域。然后计算两个区域的平均灰度值μ1、μ2，将μ1、μ2取平均值，得到第一云层区域掩膜图像的新的平均灰度值。
比较第一云层区域掩膜图像的新的平均灰度值和原平均灰度值之间是否满足预设条件。
作为一种可选的实施方式，预设条件为新的平均灰度值和平均灰度值相等。
作为另一种可选的实施方式，预设条件为新的平均灰度值和平均灰度值之差小于预设值。
若不满足，将平均灰度值替换为新的平均灰度值并重复上述步骤直至新的平均灰度值与平均灰度值满足预设条件；若满足，将新的平均灰度值作为灰度阈值。
作为一种可选的实施方式，上述步骤104可以包括如下步骤：
第一步，保留第一云层区域掩膜图像中大于灰度阈值的像素点。
第二步，根据第一云层区域掩膜图像中大于灰度阈值的像素点生成第二云层区域掩膜图像。
本实施例中，根据步骤103确定出灰度阈值后，根据该灰度阈值将第一云层区域掩膜图像划分为两个区域：大于灰度阈值的区域和小于灰度阈值的区域。保留第一云层区域掩膜图像中大于灰度阈值的区域对应的像素点的像素值，将第一云层区域掩膜图像中小于灰度阈值的区域对应的像素点的像素值填充为无效值或某一个特定的值，例如（0,0,0）（对应黑色）、（255,0,0）（对应红色），生成第二云层区域掩膜图像。需要说明的是，第二云层区域掩膜图像中的非云区域的填充值与第一云层区域掩膜图像中的非云区域的填充值相同。
步骤105：对第二云层区域掩膜图像的像素点进行聚类处理，并根据聚类结果确定第三云层区域掩膜图像，其中，第三云层区域掩膜图像对应的区域为目标云层区域。
本申请实施例中，确定出第二云层区域掩膜图像后，为了进一步提高云层检测的精度，对第二云层区域掩膜图像的像素点进行聚类处理，根据聚类结果确定第三云层区域掩膜图像。
具体地，可以采用K-means聚类算法、K-means++聚类算法等对第二云层区域掩膜图像的像素点进行聚类。
作为一种可选的实施方式，上述对所述第二云层区域掩膜图像的像素点进行聚类处理，可以包括如下步骤：
S1：计算所述第二云层区域掩膜图像中各像素点之间的距离；
S2：将距离最小的两个像素点组成第一集合；
S3：计算所述第二云层区域掩膜图像中除所述第一集合外的各像素点到所述第一集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述第一集合；
S4：判断所述第一集合中像素点的数量是否达到预设阈值，若否，执行S3；若是，计算所述第一集合中各像素点的平均像素值，将所述第一集合中各像素点的平均像素值作为一个初始聚类中心；
S5：计算所述第二云层区域掩膜图像中除所有初始聚类中心对应的集合外各像素点之间的距离；并将距离最小的两个像素点组成新的集合；
S6：计算所述第二云层区域掩膜图像中除各个集合外的各像素点到所述新的集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述新的集合；
S7：判断所述新的集合中像素点的数量是否达到预设阈值，若否，执行S6；若是，计算所述新的集合中的各像素点的平均像素值，将所述新的集合中各像素点的平均像素值作为另一个初始聚类中心；
S8：重复S5-S7，直至确定出k个初始聚类中心；
S9：根据确定出的k个初始聚类中心进行K-means聚类，得到k个聚类区域。
为方便理解上述方案，以下以一个具体示例进行说明。
假设第二云层区域掩膜图像中有100个像素点，称为集合U。计算集合U中每两个像素点之间的距离。将距离最小的两个像素点组成集合A1。然后计算第二云层区域掩膜图像中除集合外（即集合U-A1，此时该集合有98个像素点）的各像素点到集合A1中各像素点的平均距离，并将平均距离最小的像素点加入集合A1。然后判断集合A1中像素点的个数是否满足预设阈值。假设预设阈值为5，此时集合A1中只有3个像素点，则再次计算集合（U-A1）（此时集合U只有97个像素点）中各个像素点到集合A1中各个像素点的平均距离，再次确定一个像素点加入集合A1。如此循环，当集合A1中像素点的个数为5时，计算集合A1中各像素点的平均值，将该平均值作为一个初始聚类中心。假设本实施例进行K-means算法时，初始聚类中心个数为2，则循环上述确定初始聚类中心的方法，再次确定出一个初始聚类中心。需要说明的是，在确定第二个初始聚类中心时，首先从集合U-A1中确定出距离最近的两个像素点，组成集合A2。然后在集合U- A1-A2中确定出一个距离集合A2最近的像素点，并将该像素点加入集合A2中。如此循环，当集合A2中像素点的个数为5，计算集合A2中各个像素点的平均值，将该平均值作为第二个初始聚类中心。根据确定出的两个初始聚类中心采用K-means算法进行聚类，得到两个聚类区域。
可以理解，若初始聚类中心个数为多个时，确定方式与上述方式相似，为使说明书简洁，再次不做赘述。
传统的K-Means聚类算法的初始聚类中心是随机选择的，可能会使算法陷入局部最小值，得到一个次优的聚类结果，而得不到全局最优解。或是由于初始聚类中心随机选择，导致迭代次数增加，从而增加聚类所用的时间。采用上述方式确定出初始聚类中心，使得选出的初始聚类中心代表了相似程度较大的多个像素点，进而提高K-Means聚类结果的准确性，并减少聚类时间。
作为一种可选的实施方式，上述根据聚类结果确定第三云层区域掩膜图像，包括如下步骤：
第一步，计算各个聚类区域的平均灰度值；
第二步，根据各个聚类区域的平均灰度值确定第三云层区域掩膜图像。
本实施例中，完成聚类后，计算各个聚类区域的平均灰度值，进而根据各个聚类区域的平均灰度值确定第三云层区域掩膜图像。
具体地，在一实施例中，可以从各个聚类区域中选出平均灰度值最高的聚类区域，保留该聚类区域中各个像素点的像素值，将其他聚类区域中对应的像素点的像素值填充为无效值或某一个特定的值，例如（0,0,0）（对应黑色）、（255,0,0）（对应红色）等，生成第三云层区域掩膜图像。
需要说明的是，第三云层区域掩膜图像中的非云区域的填充值与第一云层区域掩膜图像中的非云区域的填充值和第二云层区域掩膜图像中的非云区域的填充值相同。
作为一种可选的实施方式，在步骤104之后，本申请提供的云层检测方法还包括：通过形态学滤波，对得到的第三云层区域掩膜图像做腐蚀（erode）和膨胀（dilate）处理，去除掩模图像中孤立的小点、毛刺和小桥，以及对目标云区域中的孔洞进行填补，得到最终的目标云层区域。
通过形态学滤波和对目标云区域中的孔洞进行填补，使得云层检测的结果更准确。
综上所述，本申请实施例提供的云层检测方法，采用多维度特征（预设的颜色阈值范围、遥感图像中像素点的灰度值以及对遥感图像中像素点进行聚类处理）对遥感图像进行云层检测，提高云层检测的准确性。
此外，本申请还提出一种图像压缩方法。请参阅图2，图2为本申请实施例提供的一种图像压缩方法的流程图，具体地，该图像压缩方法可以包括如下步骤：
步骤201：获取遥感图像的目标云层区域。
步骤202：将目标云层区域对应的区域按预设比例进行扩大，将扩大后的区域与目标云层区域作差，确定目标云层区域的边缘区域，并计算边缘区域的平均像素值。
步骤203：将目标云层区域中各像素点的值替换为平均像素值；
步骤203：对替换后的遥感图像进行图像压缩。
下面将结合示例对上述流程进行详细说明。
本申请实施例中，遥感图像的目标云层区域通过前述云层检测方法确定，为使说明书简洁，再次不做赘述。
具体地，根据前述云层检测方法可以确定目标云层区域后，将遥感图像中与目标云层区域对应的区域的像素点的像素值去除。然后将目标云层区域对应的区域按预设比例进行扩大；将扩大后的区域与目标云层区域作差，得到边缘区域计算边缘区域的平均像素值。将遥感图像中与目标云层区域对应的区域的像素点的像素值填充为边缘区域的平均像素值，进而对填充后的遥感图像进行图像压缩。
需要说明的是，在一幅遥感图像中，可能会存在多块独立的云层区域。例如，在遥感图像的左上角和右上角分别有一块云层区域。当存在多块独立的云层区域时，分别确定每块云层区域的边缘区域，并计算每块云层区域的边缘区域的平均像素值。进而在进行像素值替换时，每块云层区域的像素值替换为与其对应的边缘区域的平均像素值。
可选的，本申请实施例采用CCSDS-IDC压缩算法对替换后的遥感图像进行图像压缩。首先对图像进行离散小波变换(DWT)，然后对变换后的数据进行位平面编码。需要说明的是，上述CCSDS-IDC压缩算法为现有技术，此处不再赘述。
综上所述，本申请实施例提供的图像压缩方法，确定目标云层区域的边缘区域，计算边缘区域的平均像素值，将目标云层区域的像素点的像素值替换为目标云层区域的边缘区域的平均像素值。在对目标云层区域的像素点的像素值进行替换时，充分考虑目标云层区域边缘的像素值。相较于采用统一的某个颜色进行像素值替换的图像，本申请提供的替换后的图像在后续进行图像压缩编码时，具有更高的图像压缩编码效率。
基于同一发明构思，本申请实施例中还提供一种云层检测装置。请参阅图3，图3为本申请实施例提供的一种云层检测装置的结构框图，该云层检测装置300可以包括：
第一获取模块301，用于获取原始遥感图像；
第一确定模块302，用于根据所述原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像；
第二确定模块303，用于根据所述第一云层区域掩膜图像的灰度值确定灰度阈值；基于所述灰度阈值和所述第一云层区域掩膜图像确定第二云层区域掩膜图像；
第三确定模块304，对所述第二云层区域掩膜图像进行聚类处理，并根据聚类结果确定第三云层区域掩膜图像，其中，所述第三云层区域掩膜图像对应的区域为目标云层区域。
在可选的实施方式中，所述第一确定模块302具体用于将所述原始遥感图像转换为HSV空间下的图像，得到第一图像；保留所述第一图像中位于所述颜色阈值范围的像素点；根据所述第一图像中位于所述颜色阈值范围的像素点生成所述第一云层区域掩膜图像。
在可选的实施方式中，所述第二确定模块303具体用于确定所述第一云层区域掩膜图像的平均灰度值；将所述第一云层区域掩膜图像中大于所述平均灰度值的像素点划分为第一区域，将所述第一云层区域掩膜图像中小于所述平均灰度值的像素点划分为第二区域；分别计算所述第一区域和所述第二区域的平均灰度值μ1、μ2，并计算μ1、μ2的平均值得到所述第一云层区域掩膜图像的新的平均灰度值；判断所述新的平均灰度值与所述平均灰度值是否满足预设条件；若不满足，将所述平均灰度值替换为所述新的平均灰度值并重复上述步骤直至所述新的平均灰度值与所述平均灰度值满足预设条件；若满足，将所述新的平均灰度值作为所述灰度阈值。
在可选的实施方式中，所述第二确定模块303具体用于保留所述第一云层区域掩膜图像中大于所述灰度阈值的像素点；根据所述第一云层区域掩膜图像中大于所述灰度阈值的像素点生成所述第二云层区域掩膜图像。
在可选的实施方式中，所述第三确定模块304具体用于
S1：计算所述第二云层区域掩膜图像中各像素点之间的距离；
S2：将距离最小的两个像素点组成第一集合；
S3：计算所述第二云层区域掩膜图像中除所述第一集合外的各像素点到所述第一集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述第一集合；
S4：判断所述第一集合中像素点的数量是否达到预设阈值，若否，执行S3；若是，计算所述第一集合中各像素点的平均像素值，将所述第一集合中各像素点的平均像素值作为一个初始聚类中心；
S5：计算所述第二云层区域掩膜图像中除所有初始聚类中心对应的集合外各像素点之间的距离；并将距离最小的两个像素点组成新的集合；
S6：计算所述第二云层区域掩膜图像中除各个集合外的各像素点到所述新的集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述新的集合；
S7：判断所述新的集合中像素点的数量是否达到预设阈值，若否，执行S6；若是，计算所述新的集合中的各像素点的平均像素值，将所述新的集合中各像素点的平均像素值作为另一个初始聚类中心；
S8：重复S5-S7，直至确定出k个初始聚类中心；
S9：根据确定出的k个初始聚类中心进行K-means聚类，得到k个聚类区域。
在可选的实施方式中，所述第三确定模块304具体用于计算各个所述聚类区域的平均灰度值；根据各个所述聚类区域的平均灰度值确定所述第三云层区域掩膜图像。
此外，本申请实施例还提供一种图像压缩装置。请参阅图4，图4为本申请实施例提供的一种图像压缩装置的结构框图，该图像压缩装置400可以包括：
第二获取模块401，用于获取遥感图像的目标云层区域，其中，所述目标云层区域通过如前述实施方式所述遥感图像中云层检测装置检测得到；
确定模块402，用于将所述目标云层区域对应的区域按预设比例进行扩大，将扩大后的区域与所述目标云层区域作差，确定所述目标云层区域的边缘区域，并计算所述边缘区域的平均像素值；
替换模块403，用于将所述目标云层区域中各像素点的值替换为所述平均像素值；
压缩模块404，用于对替换后的遥感图像进行图像压缩。
请参阅图5，图5为本申请实施例的电子设备500的结构示意图，该电子设备500包括：至少一个处理器501，至少一个通信接口502，至少一个存储器503和至少一个总线504。其中，总线504用于实现这些组件直接的连接通信，通信接口502用于与其他节点设备进行信令或数据的通信，存储器503存储有处理器501可执行的机器可读指令。当电子设备500运行时，处理器501与存储器503之间通过总线504通信，机器可读指令被处理器501调用时执行如上述云层检测方法或图像压缩方法。
处理器501可以是一种集成电路芯片，具有信号处理能力。上述处理器501可以是通用处理器，包括中央处理器（Central Processing Unit，CPU）、网络处理器（NetworkProcessor，NP）等；还可以是数字信号处理器（Digital Signal Processing，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，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。其可以实现或者执行本申请实施例中公开的各种方法、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。
存储器503可以包括但不限于随机存取存储器（Random Access Memory，RAM），只读存储器（Read Only Memory，ROM），可编程只读存储器（Programmable Read-OnlyMemory，PROM），可擦除只读存储器（Erasable Programmable Read-Only Memory，EPROM），电可擦除只读存储器（Electric Erasable Programmable Read-Only Memory，EEPROM）等。
可以理解，图5所示的结构仅为示意，电子设备500还可包括比图5中所示更多或者更少的组件，或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。于本申请实施例中，电子设备500可以是，但不限于台式机、笔记本电脑、智能手机、智能穿戴设备、车载设备等实体设备，还可以是虚拟机等虚拟设备。另外，电子设备500也不一定是单台设备，还可以是多台设备的组合，例如服务器集群，等等。
此外，本申请实施例还提供一种存储介质，该存储介质上存储有计算机程序，该计算机程序被计算机运行时，执行如上述实施例中云层检测方法或图像压缩方法的步骤。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，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。
另外，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。
再者，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是，功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (10)
1.一种遥感图像中云层检测的方法，其特征在于，所述方法包括：
获取原始遥感图像；
根据所述原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像；
根据所述第一云层区域掩膜图像的灰度值确定灰度阈值；
基于所述灰度阈值和所述第一云层区域掩膜图像各像素点的灰度值确定第二云层区域掩膜图像；
对所述第二云层区域掩膜图像的像素点进行聚类处理，并根据聚类结果确定第三云层区域掩膜图像，其中，所述第三云层区域掩膜图像对应的区域为目标云层区域。
2.根据权利要求1所述的方法，其特征在于，所述根据所述原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像，包括：
将所述原始遥感图像转换为HSV空间下的图像，得到第一图像；
保留所述第一图像中位于所述颜色阈值范围的像素点；
根据所述第一图像中位于所述颜色阈值范围的像素点生成所述第一云层区域掩膜图像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述第一云层区域掩膜图像的灰度值确定灰度阈值，包括：
A1：确定所述第一云层区域掩膜图像的平均灰度值；
A2：将所述第一云层区域掩膜图像中大于所述平均灰度值的像素点划分为第一区域，将所述第一云层区域掩膜图像中小于所述平均灰度值的像素点划分为第二区域；
A3：分别计算所述第一区域和所述第二区域的平均灰度值μ1、μ2，并计算μ1、μ2的平均值得到所述第一云层区域掩膜图像的新的平均灰度值；
A4：判断所述新的平均灰度值与所述平均灰度值是否满足预设条件；
A5：若不满足，将所述平均灰度值替换为所述新的平均灰度值并重复上述步骤A2-A4直至新的平均灰度值与平均灰度值满足预设条件；若满足，将所述新的平均灰度值作为所述灰度阈值。
4.根据权利要求3所述的方法，其特征在于，所述基于所述灰度阈值和所述第一云层区域掩膜图像各像素点的灰度值确定第二云层区域掩膜图像，包括：
保留所述第一云层区域掩膜图像中大于所述灰度阈值的像素点；
根据所述第一云层区域掩膜图像中大于所述灰度阈值的像素点生成所述第二云层区域掩膜图像。
5.根据权利要求1所述的方法，其特征在于，所述对所述第二云层区域掩膜图像的像素点进行聚类处理，包括：
S1：计算所述第二云层区域掩膜图像中各像素点之间的距离；
S2：将距离最小的两个像素点组成第一集合；
S3：计算所述第二云层区域掩膜图像中除所述第一集合外的各像素点到所述第一集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述第一集合；
S4：判断所述第一集合中像素点的数量是否达到预设阈值，若否，执行S3；若是，计算所述第一集合中各像素点的平均像素值，将所述第一集合中各像素点的平均像素值作为一个初始聚类中心；
S5：计算所述第二云层区域掩膜图像中除所有初始聚类中心对应的集合外各像素点之间的距离；并将距离最小的两个像素点组成新的集合；
S6：计算所述第二云层区域掩膜图像中除各个集合外的各像素点到所述新的集合中的各像素点的平均距离，并将平均距离最小的像素点加入所述新的集合；
S7：判断所述新的集合中像素点的数量是否达到预设阈值，若否，执行S6；若是，计算所述新的集合中的各像素点的平均像素值，将所述新的集合中各像素点的平均像素值作为另一个初始聚类中心；
S8：重复S5-S7，直至确定出k个初始聚类中心；
S9：根据确定出的k个初始聚类中心进行K-means聚类，得到k个聚类区域。
6.根据权利要求5所述的方法，其特征在于，所述根据聚类结果确定第三云层区域掩膜图像，包括：
计算各个所述聚类区域的平均灰度值；
根据各个所述聚类区域的平均灰度值确定所述第三云层区域掩膜图像。
7.一种图像压缩方法，其特征在于，所述方法包括：
获取遥感图像的目标云层区域，其中，所述目标云层区域根据权利要求1-6任一项的所述方法确定；
将所述目标云层区域对应的区域按预设比例进行扩大，将扩大后的区域与所述目标云层区域作差，确定所述目标云层区域的边缘区域，并计算所述边缘区域的平均像素值；
将所述目标云层区域中各像素点的值替换为所述平均像素值；
对替换后的遥感图像进行图像压缩。
8.一种遥感图像中云层检测的装置，其特征在于，所述装置包括：
获取模块，用于获取原始遥感图像；
第一确定模块，用于根据所述原始遥感图像和预设的颜色阈值范围确定第一云层区域掩膜图像；
第二确定模块，用于根据所述第一云层区域掩膜图像的灰度值确定灰度阈值；基于所述灰度阈值和所述第一云层区域掩膜图像确定第二云层区域掩膜图像；
第三确定模块，对所述第二云层区域掩膜图像进行聚类处理，并根据聚类结果确定第三云层区域掩膜图像，其中，所述第三云层区域掩膜图像对应的区域为目标云层区域。
9.一种图像压缩装置，其特征在于，所述装置包括：
获取模块，用于获取遥感图像的目标云层区域，其中，所述目标云层区域通过如权利要求8所述遥感图像中云层检测装置检测得到；
确定模块，用于将所述目标云层区域对应的区域按预设比例进行扩大，将扩大后的区域与所述目标云层区域作差，确定所述目标云层区域的边缘区域，并计算所述边缘区域的平均像素值；
替换模块，用于将所述目标云层区域中各像素点的值替换为所述平均像素值；
压缩模块，用于对替换后的遥感图像进行图像压缩。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序指令，所述计算机程序指令被计算机读取并运行时，执行如权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210019461.8A CN114022790B (zh) | 2022-01-10 | 2022-01-10 | 遥感图像中云层检测及图像压缩方法、装置和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210019461.8A CN114022790B (zh) | 2022-01-10 | 2022-01-10 | 遥感图像中云层检测及图像压缩方法、装置和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114022790A true CN114022790A (zh) | 2022-02-08 |
| CN114022790B CN114022790B (zh) | 2022-04-26 |
Family
ID=80069739
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210019461.8A Active CN114022790B (zh) | 2022-01-10 | 2022-01-10 | 遥感图像中云层检测及图像压缩方法、装置和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114022790B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115329112A (zh) * | 2022-10-13 | 2022-11-11 | 江苏菲尔浦物联网有限公司 | 一种无人机遥感图像高效存储方法 |
| CN115471761A (zh) * | 2022-10-31 | 2022-12-13 | 宁波拾烨智能科技有限公司 | 集成多源遥感数据的海岸滩涂变化监测方法 |
| CN116012731A (zh) * | 2023-03-30 | 2023-04-25 | 成都国星宇航科技股份有限公司 | 一种星上在轨云检测的方法、系统及设备 |
| CN117274833B (zh) * | 2023-11-20 | 2024-02-27 | 浙江国遥地理信息技术有限公司 | 一种建筑轮廓处理方法、装置、设备和存储介质 |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799921A (zh) * | 2009-02-10 | 2010-08-11 | 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 |
| CN104156937A (zh) * | 2013-05-15 | 2014-11-19 | 株式会社理光 | 阴影检测方法和装置 |
| CN104850629A (zh) * | 2015-05-21 | 2015-08-19 | 杭州天宽科技有限公司 | 一种基于改进k-means算法的海量智能用电数据分析方法 |
| CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
| CN105913023A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 |
| CN105913421A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于自适应形状暗通道的遥感图像云检测方法 |
| CN106548198A (zh) * | 2016-10-21 | 2017-03-29 | 广东石油化工学院 | 一种适用于欠定盲分离的新型K‑mean聚类方法 |
| CN107277889A (zh) * | 2017-08-03 | 2017-10-20 | 扬州大学 | 一种基于k‑means的无线传感器网络分簇方法 |
| CN107318023A (zh) * | 2017-06-21 | 2017-11-03 | 西安万像电子科技有限公司 | 图像帧的压缩方法及装置 |
| CN107944357A (zh) * | 2017-11-13 | 2018-04-20 | 中国科学院合肥物质科学研究院 | 基于证据融合自适应阈值的多源遥感图像云检测方法 |
| CN108629375A (zh) * | 2018-05-08 | 2018-10-09 | 广东工业大学 | 电力客户分类方法、系统、终端及计算机可读存储介质 |
| CN109886193A (zh) * | 2019-02-21 | 2019-06-14 | 电子科技大学 | 一种卷云检测方法、设备及计算机可读存储介质 |
| CN109889841A (zh) * | 2019-03-28 | 2019-06-14 | 北京青燕祥云科技有限公司 | 图像压缩方法及装置 |
| CN111291098A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航迹模式挖掘方法与装置 |
| CN111340701A (zh) * | 2020-02-24 | 2020-06-26 | 南京航空航天大学 | 一种基于聚类法筛选匹配点的电路板图像拼接方法 |
| CN112001374A (zh) * | 2020-10-28 | 2020-11-27 | 航天宏图信息技术股份有限公司 | 一种高光谱影像的云检测方法和装置 |
| CN112465846A (zh) * | 2020-11-26 | 2021-03-09 | 西安电子科技大学 | 基于填充策略的含云遥感图像压缩方法 |
| CN113361616A (zh) * | 2021-06-16 | 2021-09-07 | 辽宁工程技术大学 | 一种优化聚类中心的k-means算法 |
| CN113379620A (zh) * | 2021-05-18 | 2021-09-10 | 中国资源卫星应用中心 | 一种光学遥感卫星影像云检测方法 |
| CN113408506A (zh) * | 2021-08-20 | 2021-09-17 | 航天宏图信息技术股份有限公司 | 一种静止卫星全天时云检测方法及装置 |
| CN113743300A (zh) * | 2021-09-03 | 2021-12-03 | 中化现代农业有限公司 | 基于语义分割的高分遥感图像云检测方法和装置 |
| CN113744191A (zh) * | 2021-08-02 | 2021-12-03 | 北京和德宇航技术有限公司 | 一种卫星遥感影像自动云检测方法 |
-
2022
- 2022-01-10 CN CN202210019461.8A patent/CN114022790B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101799921A (zh) * | 2009-02-10 | 2010-08-11 | 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 |
| CN104156937A (zh) * | 2013-05-15 | 2014-11-19 | 株式会社理光 | 阴影检测方法和装置 |
| CN104850629A (zh) * | 2015-05-21 | 2015-08-19 | 杭州天宽科技有限公司 | 一种基于改进k-means算法的海量智能用电数据分析方法 |
| CN105354865A (zh) * | 2015-10-27 | 2016-02-24 | 武汉大学 | 多光谱遥感卫星影像自动云检测方法及系统 |
| CN105913421A (zh) * | 2016-04-07 | 2016-08-31 | 西安电子科技大学 | 基于自适应形状暗通道的遥感图像云检测方法 |
| CN105913023A (zh) * | 2016-04-12 | 2016-08-31 | 西北工业大学 | 基于多光谱图像和sar图像的黄河冰凌协同检测方法 |
| CN106548198A (zh) * | 2016-10-21 | 2017-03-29 | 广东石油化工学院 | 一种适用于欠定盲分离的新型K‑mean聚类方法 |
| CN107318023A (zh) * | 2017-06-21 | 2017-11-03 | 西安万像电子科技有限公司 | 图像帧的压缩方法及装置 |
| CN107277889A (zh) * | 2017-08-03 | 2017-10-20 | 扬州大学 | 一种基于k‑means的无线传感器网络分簇方法 |
| CN107944357A (zh) * | 2017-11-13 | 2018-04-20 | 中国科学院合肥物质科学研究院 | 基于证据融合自适应阈值的多源遥感图像云检测方法 |
| CN108629375A (zh) * | 2018-05-08 | 2018-10-09 | 广东工业大学 | 电力客户分类方法、系统、终端及计算机可读存储介质 |
| CN109886193A (zh) * | 2019-02-21 | 2019-06-14 | 电子科技大学 | 一种卷云检测方法、设备及计算机可读存储介质 |
| CN109889841A (zh) * | 2019-03-28 | 2019-06-14 | 北京青燕祥云科技有限公司 | 图像压缩方法及装置 |
| CN111340701A (zh) * | 2020-02-24 | 2020-06-26 | 南京航空航天大学 | 一种基于聚类法筛选匹配点的电路板图像拼接方法 |
| CN111291098A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航迹模式挖掘方法与装置 |
| CN112001374A (zh) * | 2020-10-28 | 2020-11-27 | 航天宏图信息技术股份有限公司 | 一种高光谱影像的云检测方法和装置 |
| CN112465846A (zh) * | 2020-11-26 | 2021-03-09 | 西安电子科技大学 | 基于填充策略的含云遥感图像压缩方法 |
| CN113379620A (zh) * | 2021-05-18 | 2021-09-10 | 中国资源卫星应用中心 | 一种光学遥感卫星影像云检测方法 |
| CN113361616A (zh) * | 2021-06-16 | 2021-09-07 | 辽宁工程技术大学 | 一种优化聚类中心的k-means算法 |
| CN113744191A (zh) * | 2021-08-02 | 2021-12-03 | 北京和德宇航技术有限公司 | 一种卫星遥感影像自动云检测方法 |
| CN113408506A (zh) * | 2021-08-20 | 2021-09-17 | 航天宏图信息技术股份有限公司 | 一种静止卫星全天时云检测方法及装置 |
| CN113743300A (zh) * | 2021-09-03 | 2021-12-03 | 中化现代农业有限公司 | 基于语义分割的高分遥感图像云检测方法和装置 |
Non-Patent Citations (9)
| Title |
|---|
| AVIDAN S等: "Seam carving for content-aware image resizing", 《ACM SIGGRAPH 2007 PAPERS》 * |
| CELIK T等: "Unsupervised change detection in satellite images using principal component analysis and $ k $-means clustering", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 * |
| LI X等: "Cloud detection of superview-1 remote sensing images based on genetic reinforcement learning", 《REMOTE SENSING》 * |
| Z. AN等: "Scene Learning for Cloud Detection on Remote-Sensing Images", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
| 周涓等: "基于最大最小距离法的多中心聚类算法", 《计算机应用》 * |
| 孙和利等: "基于HSV色彩空间的遥感图像快速云检测", 《地理空间信息》 * |
| 曹戈等: "基于初始聚类中心选取和数据点划分的K均值聚类算法", 《新型工业化》 * |
| 裴佳伦: "K-means算法的改进及其在数字图像分割中的应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 鱼滨等: "《基于matlab和遗传算法的图像处理》", 30 September 2015, 西安电子科技大学出版社 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115329112A (zh) * | 2022-10-13 | 2022-11-11 | 江苏菲尔浦物联网有限公司 | 一种无人机遥感图像高效存储方法 |
| CN115471761A (zh) * | 2022-10-31 | 2022-12-13 | 宁波拾烨智能科技有限公司 | 集成多源遥感数据的海岸滩涂变化监测方法 |
| CN115471761B (zh) * | 2022-10-31 | 2023-03-24 | 宁波拾烨智能科技有限公司 | 集成多源遥感数据的海岸滩涂变化监测方法 |
| CN116012731A (zh) * | 2023-03-30 | 2023-04-25 | 成都国星宇航科技股份有限公司 | 一种星上在轨云检测的方法、系统及设备 |
| CN117274833B (zh) * | 2023-11-20 | 2024-02-27 | 浙江国遥地理信息技术有限公司 | 一种建筑轮廓处理方法、装置、设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114022790B (zh) | 2022-04-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114022790B (zh) | 遥感图像中云层检测及图像压缩方法、装置和存储介质 | |
| CN108986119B (zh) | 图像分割方法及装置、计算机设备及可读存储介质 | |
| Bora | Importance of image enhancement techniques in color image segmentation: a comprehensive and comparative study | |
| Lee et al. | Local disparity estimation with three-moded cross census and advanced support weight | |
| CN110139104B (zh) | 视频解码方法、装置、计算机设备和存储介质 | |
| WO2006066325A1 (en) | Segmenting digital image and producing compact representation | |
| CN110390643B (zh) | 一种车牌增强方法、装置及电子设备 | |
| CN110991310B (zh) | 人像检测方法、装置、电子设备及计算机可读介质 | |
| CN110866926B (zh) | 一种红外遥感图像快速精细海陆分割方法 | |
| CN109729298B (zh) | 图像处理方法与图像处理装置 | |
| CN112149476A (zh) | 目标检测方法、装置、设备和存储介质 | |
| US7873226B2 (en) | Image encoding apparatus | |
| CN114626967A (zh) | 一种数字水印嵌入与提取方法、装置、设备及存储介质 | |
| CN114004754A (zh) | 一种基于深度学习的场景深度补全系统及方法 | |
| Srinivas et al. | Remote sensing image segmentation using OTSU algorithm | |
| CN111131828A (zh) | 一种图像压缩方法及装置 | |
| CN107563986B (zh) | 图像区域的判断方法和系统 | |
| CN115797607A (zh) | 一种增强vr真实效果的图像优化处理方法 | |
| CN113034387A (zh) | 一种图像去噪方法、装置、设备及介质 | |
| CN115209150B (zh) | 一种视频编码参数获取方法、装置及电子设备 | |
| CN116091375A (zh) | 一种融合区域优选的高质量图像融合方法及系统 | |
| CN112634278B (zh) | 基于超像素的恰可察觉失真方法 | |
| CN115620321A (zh) | 表格识别方法及装置、电子设备和存储介质 | |
| CN110580706A (zh) | 一种视频背景模型的提取方法及装置 | |
| CN113469922A (zh) | 图像处理方法、计算机设备及计算机可读存储介质 |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: No. 200, building 16, middle section of shuangshenggang Avenue, Shuangliu District, Chengdu, Sichuan Province Patentee after: Chengdu Guoxing Aerospace Technology Co.,Ltd. Address before: 610094 No. 16, floor 1, building 7, No. 333, middle section of Shuangnan Avenue, Dongsheng Street, Shuangliu District, Chengdu, Sichuan Patentee before: CHENGDU GUOXING AEROSPACE TECHNOLOGY Co.,Ltd. |