CN114240940A - 一种基于遥感影像的云及云阴影检测方法和装置 - Google Patents
一种基于遥感影像的云及云阴影检测方法和装置 Download PDFInfo
- Publication number
- CN114240940A CN114240940A CN202210173918.0A CN202210173918A CN114240940A CN 114240940 A CN114240940 A CN 114240940A CN 202210173918 A CN202210173918 A CN 202210173918A CN 114240940 A CN114240940 A CN 114240940A
- Authority
- CN
- China
- Prior art keywords
- image data
- cloud
- remote sensing
- suspected
- normalized
- 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 76
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000010606 normalization Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims description 29
- 239000000203 mixture Substances 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于遥感影像的云及云阴影检测方法和装置，涉及遥感影像处理的技术领域，包括：获取待识别遥感影像数据，对待识别遥感影像数据进行归一化处理，得到归一化影像数据；对归一化影像数据进行分割，得到分割影像数据；基于归一化影像数据和分割影像数据，构建目标影像数据，其中，目标影像数据中包括：待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；基于空间几何模型和形状匹配算法，对目标影像数据进行检测，得到检测结果，其中，检测结果中包含待识别遥感影像数据中的云影像数据和云阴影影像数据，解决了现有的云及云阴影检测方法的检测效率和准确性较低的技术问题。
Description
技术领域
本发明涉及遥感影像处理的技术领域，尤其是涉及一种基于遥感影像的云及云阴影检测方法和装置 。
背景技术
卫星遥感技术凭借其大范围、长时间、成本低的优势，已被广泛应用于国土监测、生态保护、减灾防灾等诸多领域，然而典型多光谱遥感影像易受到云及云阴影的干扰，降低其数据质量，严重制约着卫星遥感在各行业的应用，云及云阴影检测已成为典型多光谱遥感影像预处理的首要前提。
目前，云及云阴影检测大体可分为阈值法和机器学习法两大类。阈值法主要通过云及云阴影在的多光谱遥感影像不同波段的光谱特征，构建若干光谱阈值条件，以实现云及云阴影的自动化检测，但是该方法通常需要多波段运算，且需要计算大气表观反射率（Top of Atmosphere Reflectance，TOA）以及反演温度，计算过程比较复杂，特别的是典型多光谱遥感影像一般只有四个可用波段，严重制约着该方法在典型遥感影像的应用；机器学习法通常将云或云阴影视为一种地物类型，并通过已有的样本数据集，构建特定的分类器，进行云及阴影的识别，但是该方法需要用到大量人工标记的样本，同时需不断更新样本，所以自动化程度较低且算法复杂。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种基于遥感影像的云及云阴影检测方法和装置，以缓解了现有的云及云阴影检测方法的检测效率和准确性较低的技术问题。
第一方面，本发明实施例提供了一种基于遥感影像的云及云阴影检测方法，包括：获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据；对所述归一化影像数据进行分割，得到分割影像数据；基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，其中，所述目标影像数据中包括：所述待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；基于空间几何模型和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，其中，所述检测结果中包含所述待识别遥感影像数据中的云影像数据和云阴影影像数据。
进一步地，获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据，包括：基于所述待识别遥感影像数据，确定出所述待识别遥感影像数据的属性数据，其中，所述属性数据包括：卫星几何信息、空间范围、获取时间和量化值；基于所述量化值，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据。
进一步地，对所述归一化影像数据进行分割，得到分割影像数据 ，包括：基于预设步长，分别对所述归一化影像数据进行点位提取，得到点位集合；基于所述点位集合中的各个点位的数字量值，构建样本数据；利用所述样本数据，构建最大期望-高斯混合模型；基于所述最大期望-高斯混合模型，对所述归一化影像数据进行分割，得到所述分割影像数据。
进一步地，基于所述最大期望-高斯混合模型，对所述归一化影像数据进行分割，得到分割影像数据，包括：利用所述最大期望-高斯混合模型，确定出所述归一化影像数据中每个像素对应的地类；基于所述归一化影像数据中每个像素对应的地类，对所述归一化影像数据进行分割，得到所述分割影像数据。
进一步地，所述归一化影像数据包括多个波段的影像数据，基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，包括：计算所述分割影像数据包含的地类在各个波段的影像数据中的数字量值的第一均值；基于所述第一均值，确定出所述归一化影像数据包含的疑似云影像数据和疑似云阴影影像数据；基于所述疑似云影像数据和所述疑似云阴影影像数据，构建初始影像数据；计算所述疑似云影像数据在所述各个波段的影像数据中的数字量值的第二均值，以及计算所述疑似云阴影影像数据在所述各个波段的影像数据中的数字量值的第三均值；将所述第二均值小于第一预设阈值的疑似云影像数据和所述第三均值大于第二预设阈值的疑似云阴影影像数据，从所述初始影像数据中删除，得到中间影像数据；基于预设过滤算法，对所述中间影像数据进行优化，得到所述目标影像数据。
进一步地，基于空间几何模型算法和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，包括：基于坐标转换算法，确定出所述待识别遥感影像数据的影像中心点地理坐标；基于所述获取时间和所述影像中心点地理坐标，计算出太阳高度角和太阳方位角；基于所述太阳方位角，确定出所述疑似云影像数据和所述疑似云阴影影像数据在所述目标影像数据上的方向；基于所述太阳高度角，确定出所述疑似云影像数据与对应的实际云阴影影像数据之间的最大距离；基于所述方向和所述最大距离，确定出所述检测结果。
进一步地，基于所述方向和所述最大距离，确定出所述检测结果 ，包括：基于所述方向和所述最大距离，确定出所述目标疑似云阴影影像数据，其中，所述目标疑似云阴影影像数据为与所述疑似云影像数据方向相同且与距离小于所述最大距离的疑似云阴影影像数据；计算出所述疑似云影像数据与所述目标疑似云阴影影像数据之间的豪斯多夫距离和面积之比；基于所述疑似云影像数据和最终云阴影影像数据，构建所述检测结果，其中，所述最终云阴影影像数据为面积之比处于预设范围内且所述豪斯多夫距离最小的目标疑似云阴影影像数据。
第二方面，本发明实施例还提供了一种基于遥感影像的云及云阴影检测装置，包括：获取单元，分割单元，构建单元和检测单元，其中，所述获取单元，用于获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据；所述分割单元，用于对所述归一化影像数据进行分割，得到分割影像数据；所述构建单元，基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，其中，所述目标影像数据中包括：所述待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；所述检测单元，用于基于空间几何模型和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，其中，所述检测结果中包含所述待识别遥感影像数据中的云影像数据和云阴影影像数据。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据；对所述归一化影像数据进行分割，得到分割影像数据；基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，其中，所述目标影像数据中包括：所述待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；基于空间几何模型和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，其中，所述检测结果中包含所述待识别遥感影像数据中的云影像数据和云阴影影像数据，达到了无需进行TOA、温度反演等复杂运算即可完成对云及云阴影检测的目的，进而解决了现有的云及云阴影检测方法的检测效率和准确性较低的技术问题，从而实现了提高云及云阴影检测方法的检测效率和准确性的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明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发明的一些实施方式，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为本发明实施例提供的一种基于遥感影像的云及云阴影检测方法的流程图；
图2为本发明实施例提供的 太阳、云、云阴影和遥感影像数据的几何关系示意图；
图3为本发明实施例提供的 一种基于遥感影像的云及云阴影检测装置的示意图；
图4为本发明实施例提供的 一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明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。
实施例一：
根据本发明实施例，提供了一种基于遥感影像的云及云阴影检测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种基于遥感影像的云及云阴影检测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102， 获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据；
需要说明的是，上述的待识别遥感影像数据可以为原始典型四波段多光谱影像数据。
步骤S104，对所述归一化影像数据进行分割，得到分割影像数据；
步骤S106，基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，其中，所述目标影像数据中包括：所述待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；
步骤S108，基于空间几何模型和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，其中，所述检测结果中包含所述待识别遥感影像数据中的云影像数据和云阴影影像数据。
在本发明实施例中，通过获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据；对所述归一化影像数据进行分割，得到分割影像数据；基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，其中，所述目标影像数据中包括：所述待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；基于空间几何模型和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，其中，所述检测结果中包含所述待识别遥感影像数据中的云影像数据和云阴影影像数据，达到了无需进行TOA、温度反演等复杂运算即可完成对云及云阴影检测的目的，进而解决了现有的云及云阴影检测方法的检测效率和准确性较低的技术问题，从而实现了提高云及云阴影检测方法的检测效率和准确性的技术效果。
在本发明实施例中，步骤S102包括如下步骤：
步骤S11，基于所述待识别遥感影像数据，确定出所述待识别遥感影像数据的属性数据，其中，所述属性数据包括：卫星几何信息、空间范围、获取时间和量化值；
步骤S12，基于所述量化值，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据。
在本发明实施例中，首先，确定出待识别遥感影像数据的属性数据；
接着，利用如下公式对待识别遥感影像数据进行归一化处理。
其中，
为归一化影像数据，
为待识别遥感影像数据，
为量化值。
在本发明实施例中，步骤S104包括如下步骤：
步骤S21，基于预设步长，分别对所述归一化影像数据进行点位提取，得到点位集合；
步骤S22，基于所述点位集合中的各个点位的数字量值，构建样本数据；
步骤S23，利用所述样本数据，构建最大期望-高斯混合模型；
步骤S24，基于所述最大期望-高斯混合模型，对所述归一化影像数据进行分割，得到所述分割影像数据。
在本发明实施例中，归一化影像数据的分割过程如下：
由于EM-GMM模型（最大期望-高斯混合模型（Expectation Maximization -Gaussian mixture model，EM-GMM）运算量大且遥感影像数据量大，为了最大程度提高分割速度，并且不损失原影像的信息，在EM-GMM分割之前需对归一化影像数据进行分割进行等间距提取样点数据，得到点位集合S2，根据点位集合S2构建EM-GMM分割模型，并对归一化影像数据进行预测分割，得到分割影像数据M3。
样点数据提取过程具体如下：
归一化影像数据M2包括N波段的影像数据，尺寸大小为H和W，分别在H和W上以m为步长等间距取点位，循环得到点位集C2，个数为S，在归一化影像数据M2中获取C2每个点位上的数字量值（Digital Number，DN）值，所有点位的DN值的集合则为样本数据D2，大小为（S, N）。
GMM分割模型构建具体如下：
首先假定归一化影像数据影像中有K种地类，每一个地类都满足于高斯分布，因为D2是M2的子集，则D2数据满足混合高斯模型的概率密度函数：
其中，
为D2中第k地类高斯概率密度函数的比例，
, 
，
为第k地类高斯概率密度函数，
为x样本点属于k地类的概率。
D2数据中第k地类的样本数据X的高斯分布概率密度函数如下：
其中，
为X各个波段的均值，
为各个波段协方差，N为波段数。
根据D2样本数据和设定的K值，需要利用EM算求解出各个类别高斯分布的
，
，以及
。
EM 算法是一种迭代算法，用于含有隐变量的概率模型参数的最大似然估计。EM每次迭代包含E-step和M-step两个步骤：
E-step公式如下：
M-step公式如下：
其中
是D2第i个数据属于第k类别的概率，
为D2其中一个像元向量值，
代表每次迭代中k类别的高斯概率密度函数的均值、协方差以及比例。
然后重复计算E-step和M-step 直至收敛，最终得到最优参数 
，
，以及
，即获得最优EM-GMM分割模型，
，
，以及
大小分别为(K, N)，(K, N, N)，(K, 1)。
利用EM-GMM分割模型遍历归一化影像数据的每个像素，计算每个像素的类别，最终获得归一化影像数据的分割影像数据M3，分割影像数据M3的大小为(H, W)，波段数目为1。
在本发明实施例中，步骤S106包括如下步骤：
步骤S31，计算所述分割影像数据包含的地类在各个波段的影像数据中的数字量值的第一均值；
步骤S32，基于所述第一均值，确定出所述归一化影像数据包含的疑似云影像数据和疑似云阴影影像数据；
步骤S33，基于所述疑似云影像数据和所述疑似云阴影影像数据，构建初始影像数据；
步骤S34，计算所述疑似云影像数据在所述各个波段的影像数据中的数字量值的第二均值，以及计算所述疑似云阴影影像数据在所述各个波段的影像数据中的数字量值的第三均值；
步骤S35，将所述第二均值小于第一预设阈值的疑似云影像数据和所述第三均值大于第二预设阈值的疑似云阴影影像数据，从所述初始影像数据中删除，得到中间影像数据；
步骤S36，基于预设过滤算法，对所述中间影像数据进行优化，得到所述目标影像数据。
在本发明实施例中，通过大量的分析试验，发现云相对于其他地类在影像各个波段DN值最高，而云阴影DN值最小。根据这一光谱特性，计算分割影像数据M3中每一类别在归一化影像数据M2中所有波段的DN值均值（即，第一均值）：
则所有类别的DN均值集合向量为：
mean大小为(K, 1), 在mean中索引出最大值、最小值所对应的类别，分别记为
，
。
记变量
，
，在
中遍历每个波段DN最大值、最小值对应的类别值
，如果
等于
，则
，如果
等于
，则
，如果
，且
，则归一化影像数据M2有疑似云及云阴影，否则归一化影像数据M2没有云及云阴影。
若归一化影像数据M2有疑似云以及云阴影，则根据M3和
，
，生成初始影像数据M4，初始影像数据M4包含两类地物，分别是疑似云和云阴影。初始影像数据M4中有一些高亮地物、水体等污染对象，需要将其去除，去除步骤如下：
对初始影像数据M4中疑似云的所有对象进行遍历，获取每个疑似云影像数据在归一化影像数据的DN值，并计算所有波段的DN值均值（即，第二均值），如果该均值小于阈值V1（即，第一预设阈值），则在M4中删除该对象；对初始影像数据M4中疑似云阴影影像数据的所有对象进行遍历运算，获取每个对象在归一化影像数据M2的DN值，并计算所有波段的DN值均值（即，第三均值），如果该均值大于阈值V2（即，第二预设阈值），则在初始影像数M4中删除该对象。
同时利用过滤技术处理（Sieve）去除M4的小碎斑和优化小空洞对象，对于小于V3（第三预设阈值）像素数目的小对象和小空洞删除和补充。更新后的M4则是经过优化筛选后的疑似云及云阴影对象构成的影像（即，目标影像数据）。
在本发明实施例中，步骤S108包括如下步骤：
步骤S41，基于坐标转换算法，确定出所述待识别遥感影像数据的影像中心点地理坐标；
步骤S42，基于所述获取时间和所述影像中心点地理坐标，计算出太阳高度角和太阳方位角；
步骤S43，基于所述太阳方位角，确定出所述疑似云影像数据和所述疑似云阴影影像数据在所述目标影像数据上的方向；
步骤S44，基于所述太阳高度角，确定出所述疑似云影像数据与对应的实际云阴影影像数据之间的最大距离；
步骤S45，基于所述方向和所述最大距离，确定出所述检测结果。
在本发明实施例中，由于在遥感影像中云和云阴影总是成对出现，且两者的形状比较接近，利用这一特点，构建物理几何模型和利用形状匹配技术进行云及云阴影的检测。
根据获取时间和影像地理坐标，构建云和云阴影的物理几何模型。太阳、云、云阴影和遥感影像的几何关系如图2所示。
首先，利用坐标转换算法，确定出待识别遥感影像数据的影像中心点地理坐标。
接着，利用获取时间和影像中心点地理坐标计算待识别遥感影像数据的所在拍摄时刻的太阳高度角和太阳方位角。
基于上述的物理几何模型和三角函数通过太阳方位角确定云和云阴影在目标影像数据的方向，通过太阳高度角和设定云最大高度确定出疑似云影像数据与对应的实际云阴影影像数据之间的最大距离。
在目标影像数据中遍历每一个疑似云影像数据，其中一个疑似云对象为C1，在方向为R距离小于D的条件下，在M4中查询所有符合此条件的所有疑似云阴影影像数据（即，目标疑似云阴影影像数据）。其中目标疑似云阴影影像数据为Di。计算疑似云影像数据与目标疑似云阴影影像数据之间的面积比和豪斯多夫距离（Hausdorff Distance），其中豪斯多夫距离计算如下：
疑似云影像数据的点位集为A，目标疑似云阴影影像数据的点位集为B，则豪斯多夫距离计算公式：
将疑似云影像数据和面积之比处于预设范围内且所述豪斯多夫距离最小的目标疑似云阴影影像数据，确定为所述检测结果。
遍历目标影像数据中遍历每一个疑似云影像数据，并确定出疑似云影像数据对应的最终云阴影影像数据，则基于构建结果图像M5，大小为(H, W)，最后，对结果图像M5进行栅格转矢量，则最终生成检测结果。
本发明实施例本发明适用于大多数典型四波段多光谱原始遥感影像，遥感影像不需要计算TOA、温度反演等复杂运算，该方法利用影像分割、云及云阴影空间几何模型和形状匹配等技术实现云及云阴影快速自动化检测，并且可以有效减少高亮地物、水体等地物对检测的影响，具备适用性强、准确度高、自动化程度高等优势，能够为国土监测、环境变化、灾害监测和评估等领域方面的提供基础技术支撑。
实施例二：
本发明实施例还提供了一种 基于遥感影像的云及云阴影检测装置，该基于遥感影像的云及云阴影检测装置用于执行本发明实施例上述内容所提供的基于遥感影像的云及云阴影检测方法，以下是本发明实施例提供的基于遥感影像的云及云阴影检测装置的具体介绍。
如图3所示，图3为上述基于遥感影像的云及云阴影检测装置的示意图，该基于遥感影像的云及云阴影检测装置包括： 获取单元10，分割单元20，构建单元30和检测单元40。
所述获取单元10，用于获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据；
所述分割单元20，用于对所述归一化影像数据进行分割，得到分割影像数据；
所述构建单元30，基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，其中，所述目标影像数据中包括：所述待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；
所述检测单元40，用于基于空间几何模型和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，其中，所述检测结果中包含所述待识别遥感影像数据中的云影像数据和云阴影影像数据。
在本发明实施例中，通过获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据；对所述归一化影像数据进行分割，得到分割影像数据；基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，其中，所述目标影像数据中包括：所述待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；基于空间几何模型和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，其中，所述检测结果中包含所述待识别遥感影像数据中的云影像数据和云阴影影像数据，达到了无需进行TOA、温度反演等复杂运算即可完成对云及云阴影检测的目的，进而解决了现有的云及云阴影检测方法的检测效率和准确性较低的技术问题，从而实现了提高云及云阴影检测方法的检测效率和准确性的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图4，本发明实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口53（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称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。可以实现或者执行本发明实施例中的公开的各方法、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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、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。
所述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。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
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所述以权利要求的保护范围为准。
Claims (10)
1.一种基于遥感影像的云及云阴影检测方法，其特征在于，包括：
获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据；
对所述归一化影像数据进行分割，得到分割影像数据；
基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，其中，所述目标影像数据中包括：所述待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；
基于空间几何模型和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，其中，所述检测结果中包含所述待识别遥感影像数据中的云影像数据和云阴影影像数据。
2.根据权利要求1所述的方法，其特征在于， 获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据，包括：
基于所述待识别遥感影像数据，确定出所述待识别遥感影像数据的属性数据，其中，所述属性数据包括：卫星几何信息、空间范围、获取时间和量化值；
基于所述量化值，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据。
3.根据权利要求1所述的方法，其特征在于，对所述归一化影像数据进行分割，得到分割影像数据 ，包括：
基于预设步长，分别对所述归一化影像数据进行点位提取，得到点位集合；
基于所述点位集合中的各个点位的数字量值，构建样本数据；
利用所述样本数据，构建最大期望-高斯混合模型；
基于所述最大期望-高斯混合模型，对所述归一化影像数据进行分割，得到所述分割影像数据。
4.根据权利要求3所述的方法，其特征在于， 基于所述最大期望-高斯混合模型，对所述归一化影像数据进行分割，得到分割影像数据，包括：
利用所述最大期望-高斯混合模型，确定出所述归一化影像数据中每个像素对应的地类；
基于所述归一化影像数据中每个像素对应的地类，对所述归一化影像数据进行分割，得到所述分割影像数据。
5.根据权利要求1所述的方法，其特征在于， 所述归一化影像数据包括多个波段的影像数据，基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，包括：
计算所述分割影像数据包含的地类在各个波段的影像数据中的数字量值的第一均值；
基于所述第一均值，确定出所述归一化影像数据包含的疑似云影像数据和疑似云阴影影像数据；
基于所述疑似云影像数据和所述疑似云阴影影像数据，构建初始影像数据；
计算所述疑似云影像数据在所述各个波段的影像数据中的数字量值的第二均值，以及计算所述疑似云阴影影像数据在所述各个波段的影像数据中的数字量值的第三均值；
将所述第二均值小于第一预设阈值的疑似云影像数据和所述第三均值大于第二预设阈值的疑似云阴影影像数据，从所述初始影像数据中删除，得到中间影像数据；
基于预设过滤算法，对所述中间影像数据进行优化，得到所述目标影像数据。
6.根据权利要求2所述的方法，其特征在于， 基于空间几何模型算法和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，包括：
基于坐标转换算法，确定出所述待识别遥感影像数据的影像中心点地理坐标；
基于所述获取时间和所述影像中心点地理坐标，计算出太阳高度角和太阳方位角；
基于所述太阳方位角，确定出所述疑似云影像数据和所述疑似云阴影影像数据在所述目标影像数据上的方向；
基于所述太阳高度角，确定出所述疑似云影像数据与对应的实际云阴影影像数据之间的最大距离；
基于所述方向和所述最大距离，确定出所述检测结果。
7.根据权利要求6所述的方法，其特征在于，基于所述方向和所述最大距离，确定出所述检测结果 ，包括：
基于所述方向和所述最大距离，确定出所述目标疑似云阴影影像数据，其中，所述目标疑似云阴影影像数据为与所述疑似云影像数据方向相同且与距离小于所述最大距离的疑似云阴影影像数据；
计算出所述疑似云影像数据与所述目标疑似云阴影影像数据之间的豪斯多夫距离和面积之比；
基于所述疑似云影像数据和最终云阴影影像数据，构建所述检测结果，其中，所述最终云阴影影像数据为面积之比处于预设范围内且所述豪斯多夫距离最小的目标疑似云阴影影像数据。
8.一种基于遥感影像的云及云阴影检测装置，其特征在于，包括：获取单元，分割单元，构建单元和检测单元，其中，
所述获取单元，用于获取待识别遥感影像数据，对所述待识别遥感影像数据进行归一化处理，得到归一化影像数据；
所述分割单元，用于对所述归一化影像数据进行分割，得到分割影像数据；
所述构建单元，基于所述归一化影像数据和所述分割影像数据，构建目标影像数据，其中，所述目标影像数据中包括：所述待识别遥感影像数据中的疑似云影像数据和疑似云阴影影像数据；
所述检测单元，用于基于空间几何模型和形状匹配算法，对所述目标影像数据进行检测，得到检测结果，其中，所述检测结果中包含所述待识别遥感影像数据中的云影像数据和云阴影影像数据。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至7任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210173918.0A CN114240940B (zh) | 2022-02-25 | 2022-02-25 | 一种基于遥感影像的云及云阴影检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210173918.0A CN114240940B (zh) | 2022-02-25 | 2022-02-25 | 一种基于遥感影像的云及云阴影检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114240940A true CN114240940A (zh) | 2022-03-25 |
| CN114240940B CN114240940B (zh) | 2022-06-17 |
Family
ID=80748119
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210173918.0A Active CN114240940B (zh) | 2022-02-25 | 2022-02-25 | 一种基于遥感影像的云及云阴影检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114240940B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109478A (zh) * | 2023-04-10 | 2023-05-12 | 中国科学院空天信息创新研究院 | 基于可比性的遥感影像镶嵌处理方法及装置 |
| CN117408949A (zh) * | 2023-09-20 | 2024-01-16 | 宁波大学 | 一种季节性动态阈值的云及云阴影检测方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1653193A1 (de) * | 2004-10-29 | 2006-05-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Eliminierung von Schatteneffekten in Fernerkundungsdaten über Land |
| 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 |
| CN114049566A (zh) * | 2021-11-08 | 2022-02-15 | 北京师范大学 | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 |
-
2022
- 2022-02-25 CN CN202210173918.0A patent/CN114240940B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1653193A1 (de) * | 2004-10-29 | 2006-05-03 | Deutsches Zentrum für Luft- und Raumfahrt e.V. | Verfahren zur Eliminierung von Schatteneffekten in Fernerkundungsdaten über Land |
| 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 |
| CN114049566A (zh) * | 2021-11-08 | 2022-02-15 | 北京师范大学 | 一种逐步细化的陆地卫星影像云和云阴影检测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 陈明珠等: "高分遥感影像利用云定位的云阴影自动检测", 《地理空间信息》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116109478A (zh) * | 2023-04-10 | 2023-05-12 | 中国科学院空天信息创新研究院 | 基于可比性的遥感影像镶嵌处理方法及装置 |
| CN116109478B (zh) * | 2023-04-10 | 2023-07-04 | 中国科学院空天信息创新研究院 | 基于可比性的遥感影像镶嵌处理方法及装置 |
| CN117408949A (zh) * | 2023-09-20 | 2024-01-16 | 宁波大学 | 一种季节性动态阈值的云及云阴影检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114240940B (zh) | 2022-06-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114240940B (zh) | 一种基于遥感影像的云及云阴影检测方法和装置 | |
| CN110781756A (zh) | 基于遥感图像的城市道路提取方法及装置 | |
| CN103218787B (zh) | 多源异构遥感影像控制点自动采集方法 | |
| CN112001374B (zh) | 一种高光谱影像的云检测方法和装置 | |
| Zhang et al. | Road recognition from remote sensing imagery using incremental learning | |
| CN116012364B (zh) | Sar图像变化检测方法和装置 | |
| WO2018000252A1 (zh) | 高分辨遥感海洋图像的海背景建模与抑制的方法及系统 | |
| CN107273813A (zh) | 基于高分卫星遥感数据的地理空间要素提取系统 | |
| CN114972191A (zh) | 一种耕地变化检测方法和装置 | |
| CN110826509A (zh) | 一种基于高分遥感影像的草原围栏信息提取系统及方法 | |
| CN114078213A (zh) | 一种基于生成对抗网络的农田轮廓检测方法和装置 | |
| CN115861823A (zh) | 一种基于自监督深度学习的遥感变化检测方法和装置 | |
| CN113822361B (zh) | 一种基于汉明距离的sar图像相似程度度量方法和系统 | |
| Ni et al. | Hurricane eye morphology extraction from SAR images by texture analysis | |
| CN114742849A (zh) | 一种基于图像增强的水准仪距离测量方法 | |
| CN115019163A (zh) | 基于多源大数据的城市要素识别方法 | |
| CN112329677A (zh) | 基于特征融合的遥感图像河道目标检测方法和装置 | |
| CN116863349A (zh) | 基于三角网密集匹配的遥感影像变化区域确定方法及装置 | |
| CN116678418A (zh) | 一种改进激光slam快速回环检测方法 | |
| CN116363583A (zh) | 一种用于顶视角的人体识别方法、装置、设备及介质 | |
| CN115639159A (zh) | 一种基于多光谱影像的废水污染监测方法和装置 | |
| CN116109659A (zh) | 一种sar影像海洋内波条纹分割方法、设备及存储介质 | |
| CN115908318A (zh) | 电力线弧垂确定方法、装置、设备、介质和产品 | |
| CN113255405A (zh) | 车位线识别方法及其系统、车位线识别设备、存储介质 | |
| CN116342417B (zh) | 一种航空遥感影像的辐射校正方法及系统 |
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 |