CN116012731B - 一种星上在轨云检测的方法、系统及设备 - Google Patents
一种星上在轨云检测的方法、系统及设备 Download PDFInfo
- Publication number
- CN116012731B CN116012731B CN202310329619.6A CN202310329619A CN116012731B CN 116012731 B CN116012731 B CN 116012731B CN 202310329619 A CN202310329619 A CN 202310329619A CN 116012731 B CN116012731 B CN 116012731B
- Authority
- CN
- China
- Prior art keywords
- preset threshold
- cloud
- threshold value
- image data
- ratio
- 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
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本申请公开了一种星上在轨云检测的方法、系统及设备,涉及卫星图像处理技术领域,旨在解决现有技术对遥感图像数据中云占比大的检测准确度较低的技术问题。所述方法包括:获取待检测遥感图像的原始图像数据;将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;将所述云量占比值和预设阈值进行对比,获得对比结果;基于所述对比结果,判断是否将所述待检测遥感图像的原始图像数据进行下传处理。
Description
技术领域
本申请涉及卫星图像处理技术领域,尤其涉及一种星上在轨云检测的方法、系统及设备。
背景技术
随着商业航天在多行多业的应用与快速发展,对于遥感图像的需求量呈指数增长。但在实际情况中,云覆盖了50%以上的地球表面,获取到的遥感图像中包含大量的“云”数据,严重影响了图像质量,降低了图像利用率;同时在星地传输过程中,通信带宽与遥感图像数据量之间存在巨大差异,导致的结果是往往在耗费巨大的资源成本、时间成本情况下获得的却是无用数据或可用数据较少。但目前现有技术对遥感图像数据中云占比大的检测准确度较低,因此,亟需一种对遥感图像数据中云占比大进行检测的方法,以快速地从卫星平台上获取有效的遥感图像。
发明内容
本申请的主要目的是提供一种星上在轨云检测的方法、系统及设备,旨在解决现有技术对遥感图像数据中云占比大的检测准确度较低的技术问题。
为解决上述技术问题,本申请实施例提出了:一种星上在轨云检测的方法,包括以下步骤:
获取待检测遥感图像的原始图像数据;其中,所述原始图像数据包括原始遥感影像数据、辅助数据和云掩膜数据;
将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;其中,所述云量占比值包括总体云量占比值、厚云云量占比值和薄云云量占比值;
将所述云量占比值和预设阈值进行对比,获得对比结果;其中,所述预设阈值包括第一预设阈值、第二预设阈值和第三预设阈值;所述第一预设阈值、所述第二预设阈值和所述第三预设阈值之间的大小关系为:所述第一预设阈值<所述第三预设阈值<所述第二预设阈值;
基于所述对比结果,判断是否将所述待检测遥感图像的原始图像数据进行下传处理。
作为本申请一些可选实施方式,所述将所述云量占比值和预设阈值进行对比,获得对比结果,包括:
基于所述总体云量占比值与第一预设阈值,获得第一对比结果;其中,所述第一对比结果包括保留并下传原始图像数据或继续对比;
当第一对比结果为继续对比时,基于所述总体云量占比值与第二预设阈值,获得第二对比结果;其中,所述第二对比结果包括舍弃原始图像数据或继续对比;
当所述第二对比结果为继续对比时,基于所述厚云云量占比值与第三预设阈值,获得第三对比结果;其中,所述第三对比结果包括同时保留并下传原始图像数据和去云雾处理后的图像数据,或保留并下传原始图像数据,或舍弃原始图像数据。
作为本申请一些可选实施方式,所述基于所述总体云量占比值与第一预设阈值,获得第一对比结果,包括:
当所述总体云量占比值小于等于所述第一预设阈值时,所述第一对比结果为保留并下传原始图像数据;
当所述总体云量占比值大于所述第一预设阈值时,所述第一对比结果为继续对比。
作为本申请一些可选实施方式,所述当第一对比结果为继续对比时,基于所述总体云量占比值与第二预设阈值,获得第二对比结果,包括:
当第一对比结果为继续对比时,判断所述总体云量占比值与第二预设阈值的大小关系;
若所述总体云量占比值大于所述第二预设阈值,则所述第二对比结果为舍弃原始图像数据;
若所述总体云量占比值小于等于所述第二预设阈值,则所述第二对比结果为继续对比。
作为本申请一些可选实施方式,所述当所述第二对比结果为继续对比时,基于所述厚云云量占比值与第三预设阈值,获得第三对比结果,包括:
当第二对比结果为继续对比时,判断所述厚云云量占比值与第三预设阈值的大小关系;
若所述厚云云量占比值小于等于所述第三预设阈值,则第三对比结果为保留并下传标记图像数据,或保留并下传去云雾处理后的图像数据;
若所述厚云云量占比值大于所述第三预设阈值,则第三对比结果为保留并下传原始图像数据或舍弃原始图像数据。
作为本申请一些可选实施方式,所述若所述厚云云量占比值大于所述第三预设阈值,则第三对比结果为保留并下传原始图像数据或舍弃原始图像数据,包括:
若所述厚云云量占比值大于所述第三预设阈值,则将所述厚云云量占比值与第四预设阈值进行对比;
若所述厚云云量占比值小于等于第四预设阈值,则第三对比结果为保留并下传掩膜处理后的图像数据;
若所述厚云云量占比值大于第四预设阈值,则第三对比结果为舍弃原始图像数据;
其中,所述第一预设阈值、所述第二预设阈值、所述第三预设阈值和所述第四预设阈值之间的大小关系为:所述第一预设阈值<所述第三预设阈值<所述第四预设阈值<所述第二预设阈值。
作为本申请一些可选实施方式,所述若所述厚云云量占比值小于等于所述第三预设阈值,则第三对比结果为保留并下传标记图像数据,或保留并下传去云雾处理后的图像数据,包括:
若所述厚云云量占比值小于等于所述第三预设阈值,则将所述薄云云量占比值与第五预设阈值进行对比;
若所述薄云云量占比值小于等于所述第五预设阈值,则对所述待检测遥感图像进行去云雾处理,保留并下传去云雾处理后的图像数据;
若所述薄云云量占比值大于所述第五预设阈值,则对所述待检测遥感图像中的云区域进行标记后,保留并下传标记图像数据;
其中,所述第一预设阈值、所述第二预设阈值、所述第三预设阈值、所述第四预设阈值和所述第五预设阈值之间的大小关系为:所述第一预设阈值<所述第五预设阈值<所述第三预设阈值<所述第四预设阈值<所述第二预设阈值。
作为本申请一些可选实施方式,所述目标云判模型通过如下方法训练获得:
获取遥感样本图像及其原始图像数据;
基于所述遥感样本图像及其原始图像数据,对所述遥感样本图像中的厚云区域、薄云区域和非云区域进行数据标注,获得第一遥感样本图像;基于所述第一遥感样本图像,获得训练样本集和验证样本集;
基于训练样本集和验证样本集对多分类云检测模型进行训练,以获得目标云判模型。
为解决上述技术问题,本申请实施例还提出了:一种星上在轨云检测系统,包括:
图像获取模块,用于获取待检测遥感图像的原始图像数据;其中,所述原始图像数据包括原始遥感影像数据、辅助数据和云掩膜数据;
云判模块,用于将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;其中,所述云量占比值包括总体云量占比值、厚云云量占比值和薄云云量占比值;
对比模块,用于将所述云量占比值和预设阈值进行对比,获得对比结果;其中,所述预设阈值包括第一预设阈值、第二预设阈值和第三预设阈值;所述第一预设阈值、所述第二预设阈值和所述第三预设阈值之间的大小关系为:所述第一预设阈值<所述第三预设阈值<所述第二预设阈值;
下传数据模块,用于基于所述对比结果,判断是否将所述待检测遥感图像的原始图像数据进行下传处理。
为解决上述技术问题,本申请实施例还提出了:一种电子设备,该电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如上所述星上在轨云检测方法。
目前对遥感图像中的云检测主要通过传统机器学习方法或深度学习方法进行简单二分类检测识别,然而云的种类和形态千变万化,现有技术在面对场景复杂中的云检测时,并不能完全适用,从而造成检测精度较低。基于此,本申请所述星上在轨云检测的方法包括:基于地面上传的拍摄业务指令,利用星载高分辨率遥感相机获取待检测遥感图像的原始图像数据;其中,所述原始图像数据包括原始遥感影像数据、辅助数据和云掩膜数据;将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;其中,所述云量占比值包括总体云量占比值、厚云云量占比值和薄云云量占比值;即对于云量占比进行多分类,相较于现有的二分类云检测识别方法具有更好的泛化能力和更好的鲁棒性;并通过将所述云量占比值和多个预设阈值进行对比,分别获得对比结果;并基于不同的对比结果,对卫星图像进行不同的处理,如保留并下传、舍弃或去云雾处理等,以使得本申请所述方法在面对不同云检测场景时均适用,以提高对卫星图像的处理效率;再基于所述对比结果,判断是否将所述待检测遥感图像的原始图像数据进行下传处理。可以看出,本申请所述云检测方法可以实现在轨云检测,即在轨检测后只将允许下传的原始图像数据进行下传,避免下传大量无用数据,耗费巨大的资源成本和时间成本;即本申请有效降低了传输成本和时间成本,不仅节约了星载资源,还降低了星载负荷压力。
附图说明
图1是本申请实施例所述星上在轨云检测方法的流程示意图;
图2是本申请实施例所述目标云判模型的框架示意图;
图3是本申请实施例所述星上在轨云检测装置的功能模块示意图。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
根据国际卫星云气候计划流量数据提供的全球云量数据显示,地球表面50%以上区域经常被云覆盖,造成光学遥感卫星图像中有大量云区域存在。一方面,云层遮挡导致地物信息缺失,对目标识别、图像分类等处理产生负面影响,降低了遥感图像的使用价值;另一方面,对气象学者而言,通过研究云的分布可以发现极端气候现象及其变化规律,遥感图像中的云区域具有不可替代的使用价值。因此,云检测已成为光学遥感卫星图像处理中非常重要的内容。
但目前现有技术对遥感图像数据中云占比大的检测准确度较低,这也直接导致了由于下传大量无用数据而造成了巨大的资源成本和时间成本。
目前对遥感图像中的云检测主要通过传统机器学习方法或深度学习方法进行简单二分类检测识别,然而云的种类和形态千变万化,现有技术在面对场景复杂中的云检测时,并不能完全适用,从而造成检测精度较低。基于此,本申请所述星上在轨云检测的方法包括:基于地面上传的拍摄业务指令,利用星载高分辨率遥感相机获取待检测遥感图像的原始图像数据;其中,所述原始图像数据包括原始遥感影像数据、辅助数据和云掩膜数据;将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;其中,所述云量占比值包括总体云量占比值、厚云云量占比值和薄云云量占比值;即对于云量占比进行多分类,相较于现有的二分类云检测识别方法具有更好的泛化能力和更好的鲁棒性;并通过将所述云量占比值和多个预设阈值进行对比,分别获得对比结果;并基于不同的对比结果,对卫星图像进行不同的处理,如保留并下传、舍弃或去云雾处理等,以使得本申请所述方法在面对不同云检测场景时均适用,以提高对卫星图像的处理效率;再基于所述对比结果,判断是否将所述待检测遥感图像的原始图像数据进行下传处理。可以看出,本申请所述云检测方法可以实现在轨云检测,即在轨检测后只将允许下传的原始图像数据进行下传,避免下传大量无用数据,耗费巨大的资源成本和时间成本;即本申请有效降低了传输成本和时间成本,不仅节约了星载资源,还降低了星载负荷压力。
本实施例的方法可以是程序的方式,基于现有的计算机设备运行程序来执行,计算机设备可以是手机、平板、台式计算机等,计算机设备中可以包括处理器、储存介质等,储存介质用于存储执行本实施例方法的程序,处理器用于运行程序,以执行本实施例的方法。
基于前述实施例的硬件设备,本申请的实施例提供一种星上在轨云检测方法,如图1所示,包括以下步骤:
步骤S10、获取待检测遥感图像的原始图像数据;其中,所述原始图像数据包括原始遥感影像数据、辅助数据和云掩膜数据。需要说明的是,所述辅助数据是指星上时间、卫星姿态、轨道和相机各谱段成像参数。
需要说明的是,本申请所述检测方法主要利用星上硬件资源实现对多光谱遥感影像的在轨快速检测处理,因此所述待检测遥感图像的原始图像数据是指,星上系统收到地面系统上传的业务拍摄指令后,启动相机子系统,利用遥感相机通过推扫模式获取的多波段遥感图像数据(红谱段数据、绿谱段数据、蓝谱段数据、近红外波段数据及全色数据);并将多波段遥感图像数据经过解析、分景、配准、相对辐射校正一系列云判前处理后获得的原始图像数据。
其中,所述配准是指将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程。对于遥感影像配准包含了片间配准和谱段间配准。片间配准指多片CMOS芯片之间的配准,谱段间配准是指多光谱之间的配准。其中,由于某个或某几个探元坏掉导致在图像推扫过程中出现一条或多条无效数据,表现为多条黑线。因此本申请所述云判前处理还包括相对辐射校正,其包括均匀性校正和坏线校正。
一般来说,星上系统会直接将所获取的遥感图像的原始图像数据直接下传至地面进行应用,或将所获取的遥感图像的原始图像数据进行简单分类后下传至地面进行应用。但这样将直接导致下传任务较大,并且地面收到大量的无用数据,进而无法满足后续应用。因此,本申请在获取原始图像数据后,将对其进行多分类云判处理,即:
步骤S20、将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;其中,所述云量占比值包括总体云量占比值、厚云云量占比值和薄云云量占比值。
需要说明的是,本申请所述目标云判模型为适应场景更复杂的云检测场景,以适应云的种类或形态变化,并非采用传统机器学习方法或深度学习方法进行简单二分类检测识别,而是通过如下方法训练获得:
步骤S01、获取遥感样本图像及其原始图像数据。
需要说明的是,本申请所述遥感样本图像及其原始图像数据是指,星上系统收到地面系统上传的业务拍摄指令后,启动相机子系统,利用遥感相机通过推扫模式获取多波段遥感图像数据(红谱段数据、绿谱段数据、蓝谱段数据、近红外波段数据及全色数据);并将多波段遥感图像数据经过解析、分景、配准、相对辐射校正一系列云判前处理后获得的。所述样本图像中包含各种形状、类型和厚度的云,各类雾、霾,各种类型的地物,不含云的图像。
为了便于训练模型,本申请对模型训练前,会对所获取的遥感样本图像及其原始图像数据进行数据标注,即:
步骤S02、基于所述遥感样本图像及其原始图像数据,对所述遥感样本图像中的厚云区域、薄云区域和非云区域进行数据标注,获得第一遥感样本图像;基于所述第一遥感样本图像,获得训练样本集和验证样本集。
需要说明的是,在对所获取的遥感样本图像及其原始图像数据进行数据标注时,会将有云类型分为厚云、薄云和非云;其中,厚云是指完全遮挡了地面信息的云区域或云掩膜值为255以上的云区域,薄云是指遮挡了部分地面信息的云区域或云掩膜值为100~255的云区域,非云是指不受遮挡的地面区域或云掩膜值为0~100的云区域。在标注时,如对于大于100㎡的云区域标注为厚云区域,当大片厚云区域中存在空洞区域(即能够明显看清地表信息的区域),若该空洞区域大于500㎡时,为提高有效图像的利用率,可利用图像处理技术将该空洞区域抠出后,作为独立图像进行应用。具体标注时,可以首先将原始的样本图像裁剪为多幅小幅面遥感图像;然后对这些小幅面遥感图像中的云类型进行逐像素的人工标注,将无云区域的像素值标注为0,将薄云区域的像素值标注为1,将厚云区域的像素值标注为2;最后得到与小幅面遥感图像对应的标注图。若样本图像有限,也可以对所述样本图像进行数据增强处理,以扩大训练和测试样本集的数量。
在实际应用时,可将所获得的样本集按照比例划分成训练样本集、验证样本集以及测试样本集,如按照6:2:2的比例划分,但应当保证训练样本集中至少包含5000张样本图像用于模型训练。所述样本集中所有的图像应当保持相同的方向。
步骤S03、基于训练样本集和验证样本集对多分类云检测模型进行训练,以获得目标云判模型。
需要说明的是,所述多分类云检测模型是以DeepLabV3++网络结构为基础进行的目标云判模型,该模型的框架示意图如图2所示,主要分为编码器、解码器和输出层。其中,所述编码器是通过卷积核进行多次卷积、BN层、非线性变换等组合操作提取高维、抽象图特征,在此DeepLabV3++中主网络DCNN编码器采用Resnet50网络框架。解码器主要是将编码器学习到的可判别特征从语义上映射到像素空间,以获得像素化的分类,在此高层采用空洞空间卷积池化金字塔(atrous spatial pyramid pooling, ASPP),然后ASPP后的多尺度特征Concat,然后进行1*1卷积,再上采样至与底层特征相同尺度,底层则直接进行1*1卷积然后与高层特征Concat,Concat后进行3*3卷积和上采样。通过解码器解码后进行1*1卷积后输出层得到多分类云检测输出结果。
需要说明的是,基于训练样本集和验证样本集对多分类云检测模型进行训练时,可能会涉及到标签平滑函数、损失函数、相似系数函数(Dice)、交并比函数(IOU)以及学习率衰减函数的计算,但上述均为本领域较为成熟的技术手段,因此这里不做过多的赘述,仅对上述所涉及的函数计算公式进行阐述:
1)标签平滑函数通过如下公式获得:
其中,ysmooth为标签平滑函数值,y为标签值,smooth为设置的系数(本申请设置为0.1),C为总类别数(本申请为3类,即厚云、薄云和非云)。
2)损失函数(BCEloss)通过如下公式获得:
3)相似系数函数(Dice)通过如下公式获得:
其中,Dice为相似系数函数值;Precision为精确率值;Recall为召回率值;TP表示正样本被预测为正样本的数量值;FN表示正样本被预测为负样本的数量值;FP表示负样本被预测为正样本的数量值。
其中,精确率值通过如下公式获得:
其中,Precision为精确率值;TP表示正样本被预测为正样本的数量值;FP表示负样本被预测为正样本的数量值。
其中,召回率值通过如下公式获得:
其中,Recall为召回率值;TP表示正样本被预测为正样本的数量值;FN表示正样本被预测为负样本的数量值。
4)交并比函数(IOU)通过如下公式获得:
其中,IOU表示交并比函数值;TP表示正样本被预测为正样本的数量值;FN表示正样本被预测为负样本的数量值;FP表示负样本被预测为正样本的数量值;Precision为精确率值;Recall为召回率值。
5)学习率衰减函数通过如下公式获得:
其中,lrn是指迭代次数为n的学习率衰减函数值;lrn-1是指迭代次数为n-1的学习率衰减函数值;iteration_current表示当前迭代次数;iteration_total表示迭代总次数;power是超参数,本申请将power设置为0.9。
可以理解的是,在实际应用时,将所述原始图像数据输入至目标云判模型之前,也可对所述原始图像数据按照每景区域进行分块后,将分块后的数据输入至目标云判模型进行获取云量占比值。
在实际应用时,将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;即分别获得总体云量占比值、厚云云量占比值和薄云云量占比值后,采用多阈值法对图像进行云检测,即:
步骤S30、将所述云量占比值和预设阈值进行对比,获得对比结果;其中,所述预设阈值包括第一预设阈值、第二预设阈值和第三预设阈值;所述第一预设阈值、所述第二预设阈值和所述第三预设阈值之间的大小关系为:所述第一预设阈值<所述第三预设阈值<所述第二预设阈值。
通过上述步骤,主要是为了将所述云量占比值和预设阈值进行对比,并根据对比结果判断是否将对应图像数据进行下传处理。具体来说,步骤S30所述将所述云量占比值和预设阈值进行对比,获得对比结果,包括:
步骤S31、基于所述总体云量占比值与第一预设阈值,获得第一对比结果;其中,所述第一对比结果包括保留并下传原始图像数据或继续对比。具体地,当所述总体云量占比值小于等于所述第一预设阈值时,所述第一对比结果为保留并下传原始图像数据;当所述总体云量占比值大于所述第一预设阈值时,所述第一对比结果为继续对比。
步骤S32、当第一对比结果为继续对比时,基于所述总体云量占比值与第二预设阈值,获得第二对比结果;其中,所述第二对比结果包括舍弃原始图像数据或继续对比。具体地,若所述总体云量占比值大于所述第二预设阈值,则所述第二对比结果为舍弃原始图像数据;若所述总体云量占比值小于等于所述第二预设阈值,则所述第二对比结果为继续对比。
步骤S33、当所述第二对比结果为继续对比时,基于所述厚云云量占比值与第三预设阈值,获得第三对比结果;其中,所述第三对比结果包括同时保留并下传原始图像数据和去云雾处理后的图像数据,或保留并下传原始图像数据,或舍弃原始图像数据。具体地,若所述厚云云量占比值小于等于所述第三预设阈值,则第三对比结果为保留并下传标记图像数据,或保留并下传去云雾处理后的图像数据;若所述厚云云量占比值大于所述第三预设阈值,则第三对比结果为保留并下传原始图像数据或舍弃原始图像数据。
上述步骤S33中所涉及的第三对比结果主要包括三种情况,即:(1)同时保留并下传原始图像数据和去云雾处理后的图像数据,(2)保留并下传原始图像数据或舍弃原始图像数据。
针对上述三种情况,下面作出更具体的限定,即:
(1)若所述厚云云量占比值小于等于所述第三预设阈值,则第三对比结果为保留并下传标记图像数据,或保留并下传去云雾处理后的图像数据。
在该情况下,可以通过如下步骤,判断所述第三对比结果为保留并下传标记图像数据,还是保留并下传去云雾处理后的图像数据:
若所述厚云云量占比值小于等于所述第三预设阈值,则将所述薄云云量占比值与第五预设阈值进行对比;若所述薄云云量占比值小于等于所述第五预设阈值,则对所述待检测遥感图像进行去云雾处理,保留并下传去云雾处理后的图像数据;若所述薄云云量占比值大于所述第五预设阈值,则对所述待检测遥感图像中的云区域进行标记后,保留并下传标记图像数据。
需要说明的是,所述第一预设阈值、所述第二预设阈值、所述第三预设阈值、所述第四预设阈值和所述第五预设阈值之间的大小关系为:所述第一预设阈值<所述第五预设阈值<所述第三预设阈值<所述第四预设阈值<所述第二预设阈值。
(2)若所述厚云云量占比值大于所述第三预设阈值,则第三对比结果为保留并下传原始图像数据或舍弃原始图像数据。
在该情况下,可以通过如下步骤,判断所述第三对比结果为保留并下传原始图像数据,还是舍弃原始图像数据:
若所述厚云云量占比值大于所述第三预设阈值,则将所述厚云云量占比值与第四预设阈值进行对比;若所述厚云云量占比值小于等于第四预设阈值,则第三对比结果为保留并下传掩膜处理后的图像数据;若所述厚云云量占比值大于第四预设阈值,则第三对比结果为舍弃原始图像数据。
需要说明的是,所述第一预设阈值、所述第二预设阈值、所述第三预设阈值和所述第四预设阈值之间的大小关系为:所述第一预设阈值<所述第三预设阈值<所述第四预设阈值<所述第二预设阈值。
可以看出,本申请通过将总体云量占比值、厚云云量占比值和薄云云量占比值分别与所述第一预设阈值、所述第二预设阈值、所述第三预设阈值、所述第四预设阈值和第五预设阈值按照云种类以及云的形态进行实际情况进行先后比较,并根据比较结果判断是否将原始图像数据进行下传处理或者是否舍弃或是否将其进行后处理,以便于后续应用。
举例来说,假设所述第一预设阈值(th1)为10%,所述第二预设阈值(th2)为90%,所述第三预设阈值(th3)为30%,所述第四预设阈值(th4)为75%,所述第五预设阈值(th5)为15%。上述各预设阈值的数值只做举例说明,但在对各预设阈值进行设置时,应当遵循所述第一预设阈值<所述第五预设阈值<所述第三预设阈值<所述第四预设阈值<所述第二预设阈值的大小关系。如将所述第一预设阈值设置为0%~15%,所述第二预设阈值设置为85%~100%,所述第三预设阈值设置为25%~35%,所述第四预设阈值设置为75%~85%,所述第五预设阈值设置为15%~20%。
当某待检测图像遥感图像的原始图像数据输入目标云判模型后,输出总体云量占比值(f1)、厚云云量占比值(f2)和薄云云量占比值(f3)。
若f1≤th1,那意味着该图像中的总云量低于15%,那整体来说,该图像的可见范围较大,因此可以保留并下传至地面;
若f1≥th1,则判断其与th2的关系。若f1>th2,那意味着该图像的可见范围极低,即无用数据极高,因此可直接舍弃;若f1≤th2,那再对该图像中的厚云占比量进行检测,即判断完全遮挡了地面信息的云区域有多少,是否有大于th3。
若f2≤th3,则意味着该图像中虽然存在大量云区域,但该云区域内的厚云区域仅占很小一部分,因此对地面信息的遮挡并不多,故可将该云区域进行标注后使用,或进行去云雾后使用。在该逻辑关系里,可以进一步判断该图像中薄云云量占比值与第五预设阈值之间的大小关系,即:若f3≤th5,则意味着该图像中的云区域不多,且大多为厚云区域,因此为保证后续应用效果,应当对其进行去云雾处理,保留并下传去云雾处理后的图像数据;若f3>th5,则意味着该图像中的云区域不多,且大多为薄云区域,因此为保证后续应用效果,应当对薄云区域进行标记后进行保留和下传。
若f2>th3,则意味着该图像中存在大量云区域,且该云区域中的厚云区域超过30%,因此需要f2与th4进行对比,即判断该图像中的厚云区域是否超过第四预设阈值。
若f2≤th4,则意味着该图像中的厚云区域没有超过75%,将检测出的云区域进行掩膜处理后进行使用,因此做保留并下传原始图像数据处理。
若f2>th4,则该图像中存在大量云区域,且该云区域中的厚云区域超过75%,该图像的可见范围极低,即无用数据极高,因此可直接舍弃。
步骤S40、基于所述对比结果,判断是否将所述待检测遥感图像的原始图像数据进行下传处理。
可以看出,通过本申请所述云检测方法,可以面对不同种类或不同云量的云区域进行检测并分类,以获得更适合的处理方法,一方面可以避免下传大量无用数据,耗费巨大的资源成本和时间成本;另一方面,还可以避免因过检而造成的遥感图像浪费,如只因图像中的总体云量占比过多就将其舍弃,而不判断其中云量是薄云还是厚云,也没有针对总体云量占比大的图像中的厚云或薄云占比进行具体分析,从而无法确定应对其进行何种后处理手段以挽救该遥感图像。因此本申请有效降低了传输成本和时间成本,不仅节约了星载资源,还降低了星载负荷压力。
参照图3,基于与前述实施例中同样的发明构思,本申请实施例还提供了一种星上在轨云检测装置,包括:
图像获取模块,用于获取待检测遥感图像的原始图像数据;其中,所述原始图像数据包括原始遥感影像数据、辅助数据和云掩膜数据;
云判模块,用于将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;其中,所述云量占比值包括总体云量占比值、厚云云量占比值和薄云云量占比值;
对比模块,用于将所述云量占比值和预设阈值进行对比,获得对比结果;其中,所述预设阈值包括第一预设阈值、第二预设阈值和第三预设阈值;所述第一预设阈值、所述第二预设阈值和所述第三预设阈值之间的大小关系为:所述第一预设阈值<所述第三预设阈值<所述第二预设阈值;
下传数据模块,用于基于所述对比结果,判断是否将所述待检测遥感图像的原始图像数据进行下传处理。
本领域技术人员应当理解,实施例中的各个模块的划分仅仅是一种逻辑功能的划分,实际应用时可以全部或部分集成到一个或多个实际载体上,且这些模块可以全部以软件通过处理单元调用的形式实现,也可以全部以硬件的形式实现,或是以软件、硬件结合的形式实现,需要说明的是,本实施例中星上在轨云检测装置中各模块是与前述实施例中的星上在轨云检测方法中的各步骤一一对应,因此,本实施例的具体实施方式可参照前述星上在轨云检测方法的实施方式,这里不再赘述。
此外,在一种实施例中,本申请还提供一种电子设备,所述电子设备包括处理器,存储器以及存储在所述存储器中的计算机程序,所述计算机程序被处理器运行时实现前述实施例中方法的步骤。
此外,在一种实施例中,本申请还提供一种计算机存储介质,所述计算机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前述实施例中方法的步骤。
在一些实施例中,计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器;也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中,可执行指令可以采用程序、软件、软件模块、脚本或代码的形式,按任意形式的编程语言(包括编译或解释语言,或者声明性或过程性语言)来编写,并且其可按任意形式部署,包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例,可执行指令可以但不一定对应于文件系统中的文件,可以可被存储在保存其它程序或数据的文件的一部分,例如,存储在超文本标记语言(HTML,Hyper TextMarkup Language)文档中的一个或多个脚本中,存储在专用于所讨论的程序的单个文件中,或者,存储在多个协同文件(例如,存储一个或多个模块、子程序或代码部分的文件)中。
作为示例,可执行指令可被部署为在一个计算设备上执行,或者在位于一个地点的多个计算设备上执行,又或者,在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通 过硬件,但很多情况下前者是更佳的实施方式。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(如只读存储器/随机存取存储器、磁碟、光 盘)中,包括若干指令用以使得一台多媒体终端设备(可以是手机,计算机,电视接收机,或者网络设备等)执行本申请各个实施例所述的方法。
以上所揭露的仅为本申请的局部实施例而已,当然不能以此来限定本申请之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或局部流程,并依本申请权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (10)
1.一种星上在轨云检测的方法,其特征在于,包括以下步骤:
获取待检测遥感图像的原始图像数据;其中,所述原始图像数据包括原始遥感影像数据、辅助数据和云掩膜数据;
将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;其中,所述云量占比值包括总体云量占比值、厚云云量占比值和薄云云量占比值;
将所述云量占比值和预设阈值进行对比,获得对比结果;其中,所述预设阈值包括第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值和第五预设阈值;所述第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值和第五预设阈值之间的大小关系为:所述第一预设阈值<所述第五预设阈值<所述第三预设阈值<所述第四预设阈值<所述第二预设阈值;
基于所述对比结果,判断是否将所述待检测遥感图像的原始图像数据进行下传处理;当所述总体云量占比值≤第一预设阈值时,将所述待检测遥感图像的原始图像数据进行下传处理;当所述第一预设阈值<总体云量占比值≤第二预设阈值,且厚云云量占比值≤第三预设阈值,且薄云云量占比值≤第五预设阈值时,对所述待检测遥感图像进行去云雾处理,保留并下传去云雾处理后的图像数据;当所述第一预设阈值<总体云量占比值≤第二预设阈值,且厚云云量占比值≤第三预设阈值,且薄云云量占比值>第五预设阈值时,对所述待检测遥感图像中的云区域进行标记后,保留并下传标记图像数据;当所述第一预设阈值<总体云量占比值≤第二预设阈值,且厚云云量占比值>第三预设阈值,且厚云云量占比值≤第四预设阈值时,保留并下传掩膜处理后的图像数据。
2.根据权利要求1所述星上在轨云检测的方法,其特征在于,所述将所述云量占比值和预设阈值进行对比,获得对比结果,包括:
基于所述总体云量占比值与第一预设阈值,获得第一对比结果;其中,所述第一对比结果包括保留并下传原始图像数据或继续对比;
当第一对比结果为继续对比时,基于所述总体云量占比值与第二预设阈值,获得第二对比结果;其中,所述第二对比结果包括舍弃原始图像数据或继续对比;
当所述第二对比结果为继续对比时,基于所述厚云云量占比值与第三预设阈值,获得第三对比结果;其中,所述第三对比结果包括同时保留并下传原始图像数据和去云雾处理后的图像数据,或保留并下传原始图像数据,或舍弃原始图像数据。
3.根据权利要求2所述星上在轨云检测的方法,其特征在于,所述基于所述总体云量占比值与第一预设阈值,获得第一对比结果,包括:
当所述总体云量占比值小于等于所述第一预设阈值时,所述第一对比结果为保留并下传原始图像数据;
当所述总体云量占比值大于所述第一预设阈值时,所述第一对比结果为继续对比。
4.根据权利要求2所述星上在轨云检测的方法,其特征在于,所述当第一对比结果为继续对比时,基于所述总体云量占比值与第二预设阈值,获得第二对比结果,包括:
当第一对比结果为继续对比时,判断所述总体云量占比值与第二预设阈值的大小关系;
若所述总体云量占比值大于所述第二预设阈值,则所述第二对比结果为舍弃原始图像数据;
若所述总体云量占比值小于等于所述第二预设阈值,则所述第二对比结果为继续对比。
5.根据权利要求2所述星上在轨云检测的方法,其特征在于,所述当所述第二对比结果为继续对比时,基于所述厚云云量占比值与第三预设阈值,获得第三对比结果,包括:
当第二对比结果为继续对比时,判断所述厚云云量占比值与第三预设阈值的大小关系;
若所述厚云云量占比值小于等于所述第三预设阈值,则第三对比结果为保留并下传标记图像数据,或保留并下传去云雾处理后的图像数据;
若所述厚云云量占比值大于所述第三预设阈值,则第三对比结果为保留并下传原始图像数据或舍弃原始图像数据。
6.根据权利要求5所述星上在轨云检测的方法,其特征在于,所述若所述厚云云量占比值大于所述第三预设阈值,则第三对比结果为保留并下传原始图像数据或舍弃原始图像数据,包括:
若所述厚云云量占比值大于所述第三预设阈值,则将所述厚云云量占比值与第四预设阈值进行对比;
若所述厚云云量占比值小于等于第四预设阈值,则第三对比结果为保留并下传掩膜处理后的图像数据;
若所述厚云云量占比值大于第四预设阈值,则第三对比结果为舍弃原始图像数据;
其中,所述第一预设阈值、所述第二预设阈值、所述第三预设阈值和所述第四预设阈值之间的大小关系为:所述第一预设阈值<所述第三预设阈值<所述第四预设阈值<所述第二预设阈值。
7.根据权利要求6所述星上在轨云检测的方法,其特征在于,所述若所述厚云云量占比值小于等于所述第三预设阈值,则第三对比结果为保留并下传标记图像数据,或保留并下传去云雾处理后的图像数据,包括:
若所述厚云云量占比值小于等于所述第三预设阈值,则将所述薄云云量占比值与第五预设阈值进行对比;
若所述薄云云量占比值小于等于所述第五预设阈值,则对所述待检测遥感图像进行去云雾处理,保留并下传去云雾处理后的图像数据;
若所述薄云云量占比值大于所述第五预设阈值,则对所述待检测遥感图像中的云区域进行标记后,保留并下传标记图像数据;
其中,所述第一预设阈值、所述第二预设阈值、所述第三预设阈值、所述第四预设阈值和所述第五预设阈值之间的大小关系为:所述第一预设阈值<所述第五预设阈值<所述第三预设阈值<所述第四预设阈值<所述第二预设阈值。
8.根据权利要求1所述星上在轨云检测的方法,其特征在于,所述目标云判模型通过如下方法训练获得:
获取遥感样本图像及其原始图像数据;
基于所述遥感样本图像及其原始图像数据,对所述遥感样本图像中的厚云区域、薄云区域和非云区域进行数据标注,获得第一遥感样本图像;基于所述第一遥感样本图像,获得训练样本集和验证样本集;
基于训练样本集和验证样本集对多分类云检测模型进行训练,以获得目标云判模型。
9.一种星上在轨云检测系统,其特征在于,包括:
图像获取模块,用于获取待检测遥感图像的原始图像数据;其中,所述原始图像数据包括原始遥感影像数据、辅助数据和云掩膜数据;
云判模块,用于将所述原始图像数据输入至目标云判模型,获得所述原始图像数据中的云量占比值;其中,所述云量占比值包括总体云量占比值、厚云云量占比值和薄云云量占比值;
对比模块,用于将所述云量占比值和预设阈值进行对比,获得对比结果;其中,所述预设阈值包括第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值和第五预设阈值;所述第一预设阈值、第二预设阈值、第三预设阈值、第四预设阈值和第五预设阈值之间的大小关系为:所述第一预设阈值<所述第五预设阈值<所述第三预设阈值<所述第四预设阈值<所述第二预设阈值;
下传数据模块,用于基于所述对比结果,判断是否将所述待检测遥感图像的原始图像数据进行下传处理;当所述总体云量占比值≤第一预设阈值时,将所述待检测遥感图像的原始图像数据进行下传处理;当所述第一预设阈值<总体云量占比值≤第二预设阈值,且厚云云量占比值≤第三预设阈值,且薄云云量占比值≤第五预设阈值时,对所述待检测遥感图像进行去云雾处理,保留并下传去云雾处理后的图像数据;当所述第一预设阈值<总体云量占比值≤第二预设阈值,且厚云云量占比值≤第三预设阈值,且薄云云量占比值>第五预设阈值时,对所述待检测遥感图像中的云区域进行标记后,保留并下传标记图像数据;当所述第一预设阈值<总体云量占比值≤第二预设阈值,且厚云云量占比值>第三预设阈值,且厚云云量占比值≤第四预设阈值时,保留并下传掩膜处理后的图像数据。
10.一种电子设备,其特征在于,该电子设备包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序,实现如权利要求1-8中任一项所述星上在轨云检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310329619.6A CN116012731B (zh) | 2023-03-30 | 2023-03-30 | 一种星上在轨云检测的方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310329619.6A CN116012731B (zh) | 2023-03-30 | 2023-03-30 | 一种星上在轨云检测的方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116012731A CN116012731A (zh) | 2023-04-25 |
CN116012731B true CN116012731B (zh) | 2023-06-09 |
Family
ID=86019656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310329619.6A Active CN116012731B (zh) | 2023-03-30 | 2023-03-30 | 一种星上在轨云检测的方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116012731B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093243A (zh) * | 2013-01-24 | 2013-05-08 | 哈尔滨工业大学 | 高分辨率全色遥感图像云判方法 |
CN114092343A (zh) * | 2021-10-14 | 2022-02-25 | 北京数慧时空信息技术有限公司 | 遥感影像去云方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7058511B2 (en) * | 2003-11-24 | 2006-06-06 | The Boeing Company | Sub-visible cloud cover assessment: VNIR-SWIR |
EP2891904A1 (en) * | 2014-01-07 | 2015-07-08 | ABB Technology AB | Solar irradiance forecasting |
CN104766339A (zh) * | 2015-04-29 | 2015-07-08 | 上海电气集团股份有限公司 | 一种地基天空图像的云团自动检测方法 |
CN111582037A (zh) * | 2020-04-10 | 2020-08-25 | 天津大学 | 基于粗糙集理论的地基云图云分类识别系统和方法 |
CN111951284B (zh) * | 2020-08-12 | 2022-04-22 | 湖南神帆科技有限公司 | 一种基于深度学习的光学遥感卫星图像精细化云检测方法 |
CN112381815A (zh) * | 2020-11-26 | 2021-02-19 | 浙江易智信息技术有限公司 | 多维融合遥感大数据去云方法 |
CN113095303B (zh) * | 2021-06-04 | 2021-09-28 | 成都数之联科技有限公司 | 模型训练方法及林地变化检测方法及系统及装置及介质 |
CN113096129B (zh) * | 2021-06-08 | 2021-09-10 | 自然资源部国土卫星遥感应用中心 | 高光谱卫星影像中的云量检测方法和装置 |
CN114022790B (zh) * | 2022-01-10 | 2022-04-26 | 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 |
CN114897736A (zh) * | 2022-05-21 | 2022-08-12 | 王卓然 | 一种基于云计算的大数据处理用隐藏图像恢复方法 |
CN115100555B (zh) * | 2022-07-27 | 2022-11-15 | 南京理工大学 | 云雾环境下基于多运动特征的森林火灾烟雾检测方法 |
CN115240081B (zh) * | 2022-09-19 | 2023-01-17 | 航天宏图信息技术股份有限公司 | 一种遥感影像全要素变化检测方法及装置 |
-
2023
- 2023-03-30 CN CN202310329619.6A patent/CN116012731B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093243A (zh) * | 2013-01-24 | 2013-05-08 | 哈尔滨工业大学 | 高分辨率全色遥感图像云判方法 |
CN114092343A (zh) * | 2021-10-14 | 2022-02-25 | 北京数慧时空信息技术有限公司 | 遥感影像去云方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116012731A (zh) | 2023-04-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106599773B (zh) | 用于智能驾驶的深度学习图像识别方法、系统及终端设备 | |
CN111046880A (zh) | 一种红外目标图像分割方法、系统、电子设备及存储介质 | |
US9672424B2 (en) | Generation of high resolution population density data sets through exploitation of high resolution overhead imagery data and low resolution population density data sets | |
CN112801158A (zh) | 基于级联融合和注意力机制的深度学习小目标检测方法及装置 | |
CN115861380B (zh) | 雾天低照度场景下端到端无人机视觉目标跟踪方法及装置 | |
Wang et al. | Semantic segmentation of remote sensing ship image via a convolutional neural networks model | |
CN111160096A (zh) | 禽蛋异常的识别方法、装置及系统、存储介质、电子装置 | |
CN113901900A (zh) | 一种同源或异源遥感图像用无监督变化检测方法及系统 | |
CN115035295B (zh) | 一种基于共享卷积核和边界损失函数的遥感图像语义分割方法 | |
CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
Oehmcke et al. | Creating cloud-free satellite imagery from image time series with deep learning | |
Guo et al. | ClouDet: A dilated separable CNN-based cloud detection framework for remote sensing imagery | |
Koo et al. | Nighttime haze removal with glow decomposition using GAN | |
Sun et al. | Using minimum component and CNN for satellite remote sensing image cloud detection | |
CN113284066B (zh) | 遥感影像自动云检测方法和装置 | |
CN113989785A (zh) | 一种驾驶场景分类方法、装置、设备及存储介质 | |
CN116012731B (zh) | 一种星上在轨云检测的方法、系统及设备 | |
Li et al. | Attention Mechanism Cloud Detection With Modified FCN for Infrared Remote Sensing Images | |
CN111428753A (zh) | 一种训练集获取方法、电力设施检测方法及装置 | |
CN116452872A (zh) | 一种基于改进的Deeplabv3+的森林场景树种分类方法 | |
CN116152685A (zh) | 一种基于无人机视野下行人检测方法及系统 | |
CN115019044A (zh) | 单株植物的分割方法、装置、终端设备和可读存储介质 | |
Li et al. | Algorithm for automatic image dodging of unmanned aerial vehicle images using two-dimensional radiometric spatial attributes | |
Sandhan et al. | Simultaneous detection and removal of high altitude clouds from an image | |
Singhal et al. | Cloud detection from AWiFS imagery using deep learning |
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 |