CN115512236A - 一种基于K-means ++的Himawari-8多光谱云检测方法及系统 - Google Patents

一种基于K-means ++的Himawari-8多光谱云检测方法及系统 Download PDF

Info

Publication number
CN115512236A
CN115512236A CN202211251483.3A CN202211251483A CN115512236A CN 115512236 A CN115512236 A CN 115512236A CN 202211251483 A CN202211251483 A CN 202211251483A CN 115512236 A CN115512236 A CN 115512236A
Authority
CN
China
Prior art keywords
cloud
clustering
image
sample point
value
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
Application number
CN202211251483.3A
Other languages
English (en)
Other versions
CN115512236B (zh
Inventor
王开正
付一桐
周顺珍
谭义章
俞瑞龙
王帅旗
孔德照
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202211251483.3A priority Critical patent/CN115512236B/zh
Publication of CN115512236A publication Critical patent/CN115512236A/zh
Application granted granted Critical
Publication of CN115512236B publication Critical patent/CN115512236B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于K‑means++的Himawari‑8多光谱云检测方法及系统，包括：获取Himawari‑8遥感图像；对遥感图像进行标准化预处理，得到预处理图像；根据预处理图像判断检测时段是否为白天时段；若检测时段为白天时段，则对预处理图像进行锐化处理，得到薄云区域增强图像；以Himawari‑8所搭载AHI的通道3与通道4的反射率之和作为聚类特征，对预处理图像和薄云区域增强图像分别进行K‑means++聚类；将得到的云层主体部分聚类结果和薄云部分聚类结果进行叠加，即得云检测结果。本发明提供的云检测方法操作简单，省时省力，受客观因素的限制少，能够准确识别图像中的厚云、薄云，效果稳健。

Description

一种基于K-means++的Himawari-8多光谱云检测方法及系统
技术领域
本发明属于卫星遥感技术领域，具体涉及一种基于K-means++的Himawari-8多光谱云检测方法及系统。
背景技术
近年来，随着遥感技术的不断发展，遥感图像已被广泛应用于环境监测、自然灾害监测、矿业开发和地理测绘等领域。然而，据统计，全球陆地表面的年平均云量在中纬度地区约为35％，在全球陆地表面约为58％至66％，这不仅导致了遥感数据获取的缺失，还使目标检测和其他进一步处理任务变得尤为困难。因此，云层检测作为遥感图像预处理的一个重要步骤，在遥感图像的各个应用领域中都显得至关重要。
现有的云检测方法以多光谱阈值法为主，基于云在可见光波段有较强反射而在红外波段有较低亮温进行识别。虽然算法结构简单，可以节省计算时间，但是此方法对于阈值的选择是基于先验知识而实现的，阈值的选取不当将导致算法的普适性较差。
近几年，模式识别随着计算机科学的大力发展而异军突起，给遥感图像的云检测提供了一个有效的途径，具体实现方法包括卷积神经网络(convolutional neuralnetworks，CNN)、支持向量机(support vector machine，SVM)等。Li等人在2015年使用SVM来处理遥感图像(Pengfei Li.A cloud image detection method based on SVM vectormachine[J].Neurocomputing,2015,169:34-42)，实现了厚云的检测，并且准确率达到了90％以上，然而，该方法更注重区域精度，对边界质量的关注较少，导致边界的检测效果不佳，在云边界和薄云区，云信息和下垫面信息混合在一起，由于下垫面的复杂性和多样性，准确检测云边界和薄云区域是非常困难的。Xie等人在2017年提出了一种具有两个分支的深度卷积神经网络(Fengying Xie.Multilevel Cloud Detection in Remote SensingImages Based on Deep Learning[J].IEEE Journal of Selected Topics in AppliedEarth Observations and Remote Sensing,2017,10(8):3631-3640)，实现了复杂情况下的厚云以及薄云检测，并且达到了94.54％的准确率，误报率控制在了3.3％。虽然深度学习方法具有更强的数据挖掘能力，但深度学习方法在云检测中的应用仍然存在挑战。一方面，在使用深度学习方法对不同类型的卫星图像进行云检测时，需要对不同类型的卫星图像分别进行标记以获得训练数据，这个过程是耗时耗力的，并且训练样本的缺乏会直接影响卷积神经网络的性能；另一方面，在进行人工标记时，对半透明区域的定义尚未得到具体统一，这将不利于卷积神经网络的特征学习，容易导致识别错误。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于K-means++的Himawari-8多光谱云检测方法及系统，方法操作简单，省时省力，受客观因素的限制少，能够准确识别图像中的厚云、薄云，效果稳健。
本发明提供了如下的技术方案：
第一方面，提供一种基于K-means++的Himawari-8多光谱云检测方法，包括：
获取Himawari-8遥感图像；
对所述遥感图像进行标准化预处理，得到预处理图像；
根据所述预处理图像判断检测时段是否为白天时段；
若检测时段为白天时段，则对所述预处理图像进行锐化处理，得到薄云区域增强图像；
以Himawari-8所搭载AHI的通道3与通道4的反射率之和作为聚类特征，对所述预处理图像和所述薄云区域增强图像分别进行K-means++聚类，得到云层主体部分聚类结果和薄云部分聚类结果；
将所述云层主体部分聚类结果和薄云部分聚类结果进行叠加，即得云检测结果。
进一步的，若检测时段为夜间时段，则以Himawari-8所搭载AHI的通道15的亮温值以及通道7与通道14的亮温差值作为聚类特征，对所述预处理图像进行K-means++聚类，即得云检测结果。
进一步的，所述标准化预处理的标准化公式为：
Figure BDA0003888191810000031
式中，z为原始数据标准化后的值，X为待处理的原始数据，Xmean为原始数据的平均值，Xstd为原始数据的标准差。
进一步的，所述预处理图像进行锐化处理以得到薄云区域增强图像的计算公式为：
Figure BDA0003888191810000041
式中，g(x,y)为薄云区域增强图像，f(x,y)为预处理图像中样本点(x,y)的值，w(i,j)为锐化卷积核，f(x+i,y+i)为预处理图像中样本点(x+i,y+i)的值。
进一步的，所述锐化卷积核的求取方法包括：
对拉普拉斯微分算子x，y两个方向的二阶导数进行差分，得到拉普拉斯微分算子的差分形式，其中，拉普拉斯微分算子的笛卡尔坐标系下的表达式为：
Figure BDA0003888191810000042
所得到的拉普拉斯微分算子的差分形式为：
Figure BDA0003888191810000043
式中，
Figure BDA0003888191810000044
为拉普拉斯算子，f(x+1,y)为预处理图像中样本点(x+1,y)的值，f(x-1,y)为预处理图像中样本点(x-1,y)的值，f(x,y+1)为预处理图像中样本点(x,y+1)的值，f(x,y-1)为预处理图像中样本点(x,y-1)的值；
以x和y为坐标中心点，将公式(4)转化为拉普拉斯卷积核：
Figure BDA0003888191810000045
将公式(5)处理后的图像与所述遥感图像进行叠加，叠加公式为：
Figure BDA0003888191810000051
式中，c为常数，取值-2；
令公式(6)等于公式(2)，即可求得锐化卷积核：
Figure BDA0003888191810000052
进一步的，所述K-means++聚类的方法包括：
将n×n像素的遥感图像转化为n×1的初始矩阵，随机选取一个样本点的值作为首个初始聚类中心；
计算每个样本点与首个初始聚类中心之间的欧式距离，并将计算所得的最大欧式距离对应的样本点作为下一初始聚类中心，重复该步骤，直至选择出k个初始聚类中心；
计算每个样本点分别与k个初始聚类中心之间的欧式距离，然后根据计算所得的欧氏距离将每个样本点分配给与该样本点的欧式距离最短的聚类中心，得到新的类，对新的类的所有样本点进行平均值的求取，并将平均值作为新的聚类中心，计算新的聚类中心中样本点的误差平方和；
重复前一步骤，直至相邻两次迭代后的误差平方和的差值缩小至没有对象被重新分配给不同的类，则停止迭代，聚类完成；
将聚类完成并带有标签的样本点按初始矩阵的位置进行索引；
将所有小类别划分为云和非云两大类，云标记为1，非云标记为0。
进一步的，所述欧式距离的计算公式为：
Figure BDA0003888191810000061
式中，d为欧式距离，d(a,b)为a,b两点间的欧氏距离，a1、a2……aj、b1、b2……bj为a,b在j维空间中的坐标；
所述误差平方和的计算公式为：
Figure BDA0003888191810000062
式中，SSE为误差平方和，Ci表示第i个类，P为Ci的样本点，P＝{p1,p2,……,pn}，mi为Ci的质心。
进一步的，所述小类别包括层云、卷云、云层边缘、烟雾、水体、植被以及其他地物类型。
进一步的，将所述云层主体部分聚类结果和薄云部分聚类结果进行叠加得到云检测结果的计算公式为：
Figure BDA0003888191810000063
式中，W1为预处理图像中每个样本点的聚类结果，W2为薄云区域增强图像中每个样本点的聚类结果，W3为每个样本点最终的云检测结果。
第二方面，提供一种基于K-means++的Himawari-8多光谱云检测系统，包括：
图像获取模块，用于获取Himawari-8遥感图像；
图像预处理模块，用于对所述遥感图像进行标准化预处理，得到预处理图像；
检测时段判断模块，用于根据所述预处理图像判断检测时段是否为白天时段；
锐化处理模块，用于对检测时段为白天时段的预处理图像进行锐化处理，得到薄云区域增强图像；
聚类模块，用于以Himawari-8所搭载AHI的通道3与通道4的反射率之和作为聚类特征，对所述预处理图像和所述薄云区域增强图像分别进行K-means++聚类，得到云层主体部分聚类结果和薄云部分聚类结果；
叠加模块，用于将所述云层主体部分聚类结果和薄云部分聚类结果进行叠加得到云检测结果。
与现有技术相比，本发明的有益效果是：
本发明通过获取Himawari-8遥感图像，对遥感图像进行标准化预处理，对白天时段的预处理图像进行锐化处理，得到薄云区域增强图像，再以Himawari-8所搭载AHI的通道3与通道4的反射率之和作为聚类特征，对预处理图像和薄云区域增强图像分别进行K-means++聚类，将所得的云层主体部分聚类结果和薄云部分聚类结果进行叠加即得云检测结果；该方法操作简单，省时省力，且受客观因素的限制少，能够准确识别图像中的厚云、薄云，效果稳健；同时，该方法能够为后续的大气参数反演、影像配准和融合等任务提供更优质的影像数据，对大尺度土地利用制图及环境监测等研究具有非常重要的实用价值。
附图说明
图1为本发明实施例1中云检测方法的流程示意图；
图2为本发明实施例2中原始遥感图像中薄云的细节图；
图3为本发明实施例2中经锐化后的图像中薄云的细节图；
图4为本发明实施例2中K-means++聚类可视化示意图；
图5为本发明实施例2中小类别对象在通道3与通道4的反射率之和的数值；
图6为本发明实施例3中Himawari-8卫星收集的可见光遥感图像；
图7为本发明实施例3中基于K-means++的Himawari-8多光谱云检测结果空间分布图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
如图1所示，本实施例提供一种基于K-means++的Himawari-8多光谱云检测方法，包括：
获取Himawari-8遥感图像；
对所述遥感图像进行标准化预处理，得到预处理图像；
根据所述预处理图像判断检测时段是否为白天时段；
若检测时段为白天时段，则采用锐化卷积核对所述预处理图像进行锐化处理，得到薄云区域增强图像；
以Himawari-8所搭载AHI的通道3与通道4的反射率之和作为聚类特征，对所述预处理图像和所述薄云区域增强图像分别进行K-means++聚类，得到云层主体部分聚类结果和薄云部分聚类结果；
将所述云层主体部分聚类结果和薄云部分聚类结果进行叠加，即得云检测结果。
若检测时段为夜间时段，则以Himawari-8所搭载AHI的通道15的亮温值以及通道7与通道14的亮温差值作为聚类特征，对所述预处理图像进行K-means++聚类，即得云检测结果。
实施例2
本实施例提供一种基于K-means++的Himawari-8多光谱云检测方法，具体包括以下步骤：
步骤1：获取Himawari-8遥感图像。
步骤2：对所述遥感图像进行标准化预处理，得到预处理图像，标准化公式为：
Figure BDA0003888191810000091
式中，z为原始数据标准化后的值，X为待处理的原始数据，Xmean为原始数据的平均值，Xstd为原始数据的标准差。
步骤3：根据步骤2中的预处理图像判断检测时段是否为白天时段，若检测时段为白天时段，则执行步骤4～步骤6，若检测时段为夜间时段，则执行步骤7。
步骤4：采用锐化卷积核对所述预处理图像进行锐化处理，得到薄云区域增强图像，遵循的计算公式为：
Figure BDA0003888191810000101
式中，g(x,y)为薄云区域增强图像，f(x,y)为预处理图像中样本点(x,y)的值，w(i,j)为锐化卷积核，f(x+i,y+i)为预处理图像中样本点(x+i,y+i)的值。
公式(2)中锐化卷积核的求取方法包括：
步骤4.1：对拉普拉斯微分算子x，y两个方向的二阶导数进行差分，得到拉普拉斯微分算子的差分形式，其中，拉普拉斯微分算子的笛卡尔坐标系下的表达式为：
Figure BDA0003888191810000102
所得到的拉普拉斯微分算子的差分形式为：
Figure BDA0003888191810000103
式中，
Figure BDA0003888191810000104
为拉普拉斯算子，f(x+1,y)为预处理图像中样本点(x+1,y)的值，f(x-1,y)为预处理图像中样本点(x-1,y)的值，f(x,y+1)为预处理图像中样本点(x,y+1)的值，f(x,y-1)为预处理图像中样本点(x,y-1)的值。
步骤4.2：以x和y为坐标中心点，将公式(4)转化为拉普拉斯卷积核：
Figure BDA0003888191810000111
步骤4.3：将公式(5)处理后的图像与所述遥感图像(原始遥感图像)进行叠加，生成与原始遥感图像亮度一致的锐化图像，叠加公式为：
Figure BDA0003888191810000112
式中，c为常数，为了保证锐化后的图像具有锐利的边缘，并且边缘上不存在断点，令c＝-2。如图2为原始遥感图像中薄云的细节图，如图3为经锐化后的图像中薄云的细节图。
步骤4.4：令公式(6)等于公式(2)，即可求得锐化卷积核：
Figure BDA0003888191810000113
步骤5：以Himawari-8所搭载AHI的通道3与通道4的反射率之和作为聚类特征，对步骤2得到的预处理图像和步骤4得到的薄云区域增强图像分别进行K-means++聚类，得到云层主体部分聚类结果和薄云部分聚类结果。
如图4所示，前述K-means++聚类的方法包括：
步骤5.1：将某张n×n像素的遥感图像转化为n×1的初始矩阵(单个特征n×1，两个特征n×n)，随机选取一个样本点的值作为首个初始聚类中心。
步骤5.2：计算每个样本点与首个初始聚类中心之间的欧式距离，并将计算所得的最大欧式距离对应的样本点作为下一初始聚类中心，重复该步骤，直至选择出k个初始聚类中心。
其中，欧式距离的计算公式为：
Figure BDA0003888191810000121
式中，d为欧式距离，d(a,b)为a,b两点间的欧氏距离，a1、a2……aj、b1、b2……bj为a,b在j维空间中的坐标。
步骤5.3：计算每个样本点分别与k个初始聚类中心之间的欧式距离，然后根据计算所得的欧氏距离将每个样本点分配给与该样本点的欧式距离最短的聚类中心，得到新的类，对新的类的所有样本点进行平均值的求取，并将平均值作为新的聚类中心，计算新的聚类中心中样本点的误差平方和。
其中，误差平方和的计算公式为：
Figure BDA0003888191810000122
式中，SSE为误差平方和，Ci表示第i个类，P为Ci的样本点，P＝{p1,p2,……,pn}，mi为Ci的质心。
步骤5.4：重复步骤5.3，直至相邻两次迭代后的误差平方和的差值缩小至没有对象被重新分配给不同的类，则停止迭代，聚类完成。
步骤5.5：将聚类完成并带有标签的样本点按初始矩阵的位置进行索引。
步骤5.6：将所有小类别划分为云和非云两大类，云标记为1，非云标记为0。
其中，小类别包括第1类-层云、第2类-卷云、第3类-云层边缘、第4类-烟雾、第5类-水体、第6类-植被、第7类-其他地物类型，第1类-第3类为云，第4类-第7类为非云。划分依据：根据上述小类别对象在通道3与通道4的反射率之和的数值差异进行划分，可以参照图5进行。
步骤6：将步骤5得到的云层主体部分聚类结果和薄云部分聚类结果进行叠加，即得云检测结果，遵循的计算公式为：
Figure BDA0003888191810000131
式中，W1为预处理图像中每个样本点的聚类结果，W2为薄云区域增强图像中每个样本点的聚类结果，W3为每个样本点最终的云检测结果。
步骤7：以Himawari-8所搭载AHI的通道15的亮温值以及通道7与通道14的亮温差值作为聚类特征，对步骤2得到的预处理图像进行K-means++聚类(聚类方法与步骤5中的方法相同)，即得云检测结果。
实施例3
本实施例以2020年5月18日南方某省上空的云层为例，采用实施例2中的方法进行云检测。
如图6为Himawari-8卫星17:10收集的一幅可见光遥感图像，图7为基于K-means++的Himawari-8多光谱云检测结果空间分布图。结果表明，本发明提供的方法能较好地对厚云、薄云进行检测，这对于大尺度土地利用制图及环境监测等研究具有非常重要的实用价值。
为定量分析本发明提供的基于K-means++的Himawari-8多光谱云检测方法的性能，使用准确率(PR)、查全率(RR)以及错误率(ER)作为评估指标，计算公式如下：
PR＝TC/FA (11)
RR＝TC/TA (12)
ER＝(TF+FT)/NA (13)
式中，TC为正确识别为云的像元数，FA为识别为云的像元数，TA为云的像元总数，TF为检测为非云像元的云像元数，FT为检测为云像元的非云像元数。
根据上述各项评估指标，分别选取低云层覆盖率(<30％)、中等云层覆盖(30％-60％)以及高云层覆盖率(>60％)的各300张遥感图像进行分类性能评估，如表1所示。
表1基于K-means++的Himawari-8多光谱云检测方法的性能评估
Figure BDA0003888191810000141
Figure BDA0003888191810000151
从表1可以看出，本发明提出的基于K-means++的Himawari-8多光谱云检测方法，具有较好的云检测分类性能。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于K-means++的Himawari-8多光谱云检测方法，其特征在于，包括：
获取Himawari-8遥感图像；
对所述遥感图像进行标准化预处理，得到预处理图像；
根据所述预处理图像判断检测时段是否为白天时段；
若检测时段为白天时段，则对所述预处理图像进行锐化处理，得到薄云区域增强图像；
以Himawari-8所搭载AHI的通道3与通道4的反射率之和作为聚类特征，对所述预处理图像和所述薄云区域增强图像分别进行K-means++聚类，得到云层主体部分聚类结果和薄云部分聚类结果；
将所述云层主体部分聚类结果和薄云部分聚类结果进行叠加，即得云检测结果。
2.根据权利要求1所述的基于K-means++的Himawari-8多光谱云检测方法，其特征在于，若检测时段为夜间时段，则以Himawari-8所搭载AHI的通道15的亮温值以及通道7与通道14的亮温差值作为聚类特征，对所述预处理图像进行K-means++聚类，即得云检测结果。
3.根据权利要求1所述的基于K-means++的Himawari-8多光谱云检测方法，其特征在于，所述标准化预处理的标准化公式为：
Figure FDA0003888191800000011
式中，z为原始数据标准化后的值，X为待处理的原始数据，Xmean为原始数据的平均值，Xstd为原始数据的标准差。
4.根据权利要求1所述的基于K-means++的Himawari-8多光谱云检测方法，其特征在于，所述预处理图像进行锐化处理以得到薄云区域增强图像的计算公式为：
Figure FDA0003888191800000021
式中，g(x,y)为薄云区域增强图像，f(x,y)为预处理图像中样本点(x,y)的值，w(i,j)为锐化卷积核，f(x+i,y+i)为预处理图像中样本点(x+i,y+i)的值。
5.根据权利要求4所述的基于K-means++的Himawari-8多光谱云检测方法，其特征在于，所述锐化卷积核的求取方法包括：
对拉普拉斯微分算子x，y两个方向的二阶导数进行差分，得到拉普拉斯微分算子的差分形式，其中，拉普拉斯微分算子的笛卡尔坐标系下的表达式为：
Figure FDA0003888191800000022
所得到的拉普拉斯微分算子的差分形式为：
Figure FDA0003888191800000023
式中，
Figure FDA0003888191800000024
为拉普拉斯算子，f(x+1,y)为预处理图像中样本点(x+1,y)的值，f(x-1,y)为预处理图像中样本点(x-1,y)的值，f(x,y+1)为预处理图像中样本点(x,y+1)的值，f(x,y-1)为预处理图像中样本点(x,y-1)的值；
以x和y为坐标中心点，将公式(4)转化为拉普拉斯卷积核：
Figure FDA0003888191800000031
将公式(5)处理后的图像与所述遥感图像进行叠加，叠加公式为：
Figure FDA0003888191800000032
式中，c为常数，取值-2；
令公式(6)等于公式(2)，即可求得锐化卷积核：
Figure FDA0003888191800000033
6.根据权利要求1所述的基于K-means++的Himawari-8多光谱云检测方法，其特征在于，所述K-means++聚类的方法包括：
将n×n像素的遥感图像转化为n×1的初始矩阵，随机选取一个样本点的值作为首个初始聚类中心；
计算每个样本点与首个初始聚类中心之间的欧式距离，并将计算所得的最大欧式距离对应的样本点作为下一初始聚类中心，重复该步骤，直至选择出k个初始聚类中心；
计算每个样本点分别与k个初始聚类中心之间的欧式距离，然后根据计算所得的欧氏距离将每个样本点分配给与该样本点的欧式距离最短的聚类中心，得到新的类，对新的类的所有样本点进行平均值的求取，并将平均值作为新的聚类中心，计算新的聚类中心中样本点的误差平方和；
重复前一步骤，直至相邻两次迭代后的误差平方和的差值缩小至没有对象被重新分配给不同的类，则停止迭代，聚类完成；
将聚类完成并带有标签的样本点按初始矩阵的位置进行索引；
将所有小类别划分为云和非云两大类，云标记为1，非云标记为0。
7.根据权利要求6所述的基于K-means++的Himawari-8多光谱云检测方法，其特征在于，所述欧式距离的计算公式为：
Figure FDA0003888191800000041
式中，d为欧式距离，d(a,b)为a,b两点间的欧氏距离，a1、a2……aj、b1、b2……bj为a,b在j维空间中的坐标；
所述误差平方和的计算公式为：
Figure FDA0003888191800000042
式中，SSE为误差平方和，Ci表示第i个类，P为Ci的样本点，P＝{p1,p2,……,pn}，mi为Ci的质心。
8.根据权利要求6所述的基于K-means++的Himawari-8多光谱云检测方法，其特征在于，所述小类别包括层云、卷云、云层边缘、烟雾、水体、植被以及其他地物类型。
9.根据权利要求1所述的基于K-means++的Himawari-8多光谱云检测方法，其特征在于，将所述云层主体部分聚类结果和薄云部分聚类结果进行叠加得到云检测结果的计算公式为：
Figure FDA0003888191800000051
式中，W1为预处理图像中每个样本点的聚类结果，W2为薄云区域增强图像中每个样本点的聚类结果，W3为每个样本点最终的云检测结果。
10.一种基于K-means++的Himawari-8多光谱云检测系统，其特征在于，包括：
图像获取模块，用于获取Himawari-8遥感图像；
图像预处理模块，用于对所述遥感图像进行标准化预处理，得到预处理图像；
检测时段判断模块，用于根据所述预处理图像判断检测时段是否为白天时段；
锐化处理模块，用于对检测时段为白天时段的预处理图像进行锐化处理，得到薄云区域增强图像；
聚类模块，用于以Himawari-8所搭载AHI的通道3与通道4的反射率之和作为聚类特征，对所述预处理图像和所述薄云区域增强图像分别进行K-means++聚类，得到云层主体部分聚类结果和薄云部分聚类结果；
叠加模块，用于将所述云层主体部分聚类结果和薄云部分聚类结果进行叠加得到云检测结果。
CN202211251483.3A 2022-10-13 2022-10-13 一种基于K-means ++的Himawari-8多光谱云检测方法及系统 Active CN115512236B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211251483.3A CN115512236B (zh) 2022-10-13 2022-10-13 一种基于K-means ++的Himawari-8多光谱云检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211251483.3A CN115512236B (zh) 2022-10-13 2022-10-13 一种基于K-means ++的Himawari-8多光谱云检测方法及系统

Publications (2)

Publication Number Publication Date
CN115512236A true CN115512236A (zh) 2022-12-23
CN115512236B CN115512236B (zh) 2023-04-28

Family

ID=84509705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211251483.3A Active CN115512236B (zh) 2022-10-13 2022-10-13 一种基于K-means ++的Himawari-8多光谱云检测方法及系统

Country Status (1)

Country Link
CN (1) CN115512236B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854513A (zh) * 2012-09-05 2013-01-02 环境保护部卫星环境应用中心 环境一号hj-1a/b星ccd数据的云检测方法
CN104502999A (zh) * 2014-12-10 2015-04-08 中国科学院遥感与数字地球研究所 一种基于静止卫星多通道数据的昼夜云检测方法与装置
CN109164513A (zh) * 2018-08-08 2019-01-08 湖北河海科技发展有限公司 基于葵花气象卫星的台风定位检测方法
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
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法
US20210118097A1 (en) * 2018-02-09 2021-04-22 The Board Of Trustees Of The University Of Illinois A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product
CN113095437A (zh) * 2021-04-29 2021-07-09 中国电子科技集团公司第五十四研究所 一种Himawari-8遥感数据的火点检测方法
CN113160100A (zh) * 2021-04-02 2021-07-23 深圳市规划国土房产信息中心(深圳市空间地理信息中心) 一种基于光谱信息影像的融合方法、融合装置及介质
CN113218508A (zh) * 2021-04-27 2021-08-06 中南林业科技大学 一种基于Himawari-8卫星数据的林火判别方法
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
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
US11410388B1 (en) * 2021-03-16 2022-08-09 Huawei Technologies Co., Ltd. Devices, systems, methods, and media for adaptive augmentation for a point cloud dataset used for training
CN115087406A (zh) * 2019-12-30 2022-09-20 西拉格国际有限公司 根据手术烟雾云特征的自适应外科系统控制

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102854513A (zh) * 2012-09-05 2013-01-02 环境保护部卫星环境应用中心 环境一号hj-1a/b星ccd数据的云检测方法
CN104502999A (zh) * 2014-12-10 2015-04-08 中国科学院遥感与数字地球研究所 一种基于静止卫星多通道数据的昼夜云检测方法与装置
US20210118097A1 (en) * 2018-02-09 2021-04-22 The Board Of Trustees Of The University Of Illinois A system and method to fuse multiple sources of optical data to generate a high-resolution, frequent and cloud-/gap-free surface reflectance product
WO2020015326A1 (zh) * 2018-07-19 2020-01-23 山东科技大学 一种地表类型数据支持的遥感图像云阴影检测方法
CN109164513A (zh) * 2018-08-08 2019-01-08 湖北河海科技发展有限公司 基于葵花气象卫星的台风定位检测方法
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
CN115087406A (zh) * 2019-12-30 2022-09-20 西拉格国际有限公司 根据手术烟雾云特征的自适应外科系统控制
US11410388B1 (en) * 2021-03-16 2022-08-09 Huawei Technologies Co., Ltd. Devices, systems, methods, and media for adaptive augmentation for a point cloud dataset used for training
CN113160100A (zh) * 2021-04-02 2021-07-23 深圳市规划国土房产信息中心(深圳市空间地理信息中心) 一种基于光谱信息影像的融合方法、融合装置及介质
CN113218508A (zh) * 2021-04-27 2021-08-06 中南林业科技大学 一种基于Himawari-8卫星数据的林火判别方法
CN113095437A (zh) * 2021-04-29 2021-07-09 中国电子科技集团公司第五十四研究所 一种Himawari-8遥感数据的火点检测方法
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

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ANDREEV, A.I 等: "Cloud Detection from the Himawari-8 Satellite Data Using a Convolutional Neural Network" *
BABAG PURBANTORO等: "Cloud Retrieval and Cloud Type Detection from Himawari-8 Satellite Data Based on the Split Window Algorithm" *
FENGYING XIE 等: "Multilevel Cloud Detection in Remote Sensing Images Based on Deep Learning" *
张成伟: "新一代静止卫星葵花-8的云分类研究及其应用" *
邱实: "多光谱卫星遥感影像云及云阴影精准检测算法研究" *

Also Published As

Publication number Publication date
CN115512236B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
Lin et al. Color-, depth-, and shape-based 3D fruit detection
CN104778721B (zh) 一种双目图像中显著性目标的距离测量方法
CN107610164B (zh) 一种基于多特征混合的高分四号影像配准方法
Zhang et al. Automated delineation of agricultural field boundaries from Sentinel-2 images using recurrent residual U-Net
CA3174351A1 (en) Feature extraction from mobile lidar and imagery data
Ok A new approach for the extraction of aboveground circular structures from near-nadir VHR satellite imagery
CN113963222B (zh) 一种基于多策略组合的高分辨率遥感影像变化检测方法
Zhang et al. A comparison of Gaofen-2 and Sentinel-2 imagery for mapping mangrove forests using object-oriented analysis and random forest
Li et al. 3D autonomous navigation line extraction for field roads based on binocular vision
Li et al. Crop type mapping using time-series Sentinel-2 imagery and U-Net in early growth periods in the Hetao irrigation district in China
CN115861247A (zh) 一种高分辨率遥感影像轮廓多级正则化方法、系统及应用
Yan et al. LOVD: land vehicle detection in complex scenes of optical remote sensing image
Montoya et al. TreeTool: A tool for detecting trees and estimating their DBH using forest point clouds
Bilodeau et al. Identifying hair fescue in wild blueberry fields using drone images for precise application of granular herbicide
Sui et al. Processing of multitemporal data and change detection
Esfandiari et al. Building change detection in off-nadir images using deep learning
CN115512236A (zh) 一种基于K-means ++的Himawari-8多光谱云检测方法及系统
Keany et al. Using machine learning to produce a cost-effective national building height map of Ireland to categorise local climate zones
Huang et al. Research on crop planting area classification from remote sensing image based on deep learning
CN114299389B (zh) 一种融合时空信息的Savitzky-Golay滤波降噪并行方法
Kumar et al. An efficient method for road tracking from satellite images using hybrid multi-kernel partial least square analysis and particle filter
CN115760898A (zh) 一种混合高斯域下道路抛洒物的世界坐标定位方法
CN113516059B (zh) 固体废弃物的识别方法、装置、电子设备及存储介质
CN115294562A (zh) 一种植保机器人作业环境智能感知方法
Zhang et al. A Mapping Approach for Eucalyptus Plantations Canopy and Single-Tree Using High-Resolution Satellite Images in Liuzhou, China

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