CN116340733B - 基于0级遥感信号的在轨云检测方法及遥感数据处理方法 - Google Patents
基于0级遥感信号的在轨云检测方法及遥感数据处理方法 Download PDFInfo
- Publication number
- CN116340733B CN116340733B CN202310617443.4A CN202310617443A CN116340733B CN 116340733 B CN116340733 B CN 116340733B CN 202310617443 A CN202310617443 A CN 202310617443A CN 116340733 B CN116340733 B CN 116340733B
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- level remote
- cloud detection
- dimension
- dimensional
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 96
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000013507 mapping Methods 0.000 claims abstract description 50
- 238000013178 mathematical model Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000011159 matrix material Substances 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 18
- 238000000034 method Methods 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 7
- 230000009897 systematic effect Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000003384 imaging method Methods 0.000 abstract description 11
- 238000012545 processing Methods 0.000 description 20
- 230000005540 biological transmission Effects 0.000 description 8
- 238000000605 extraction Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于0级遥感信号的在轨云检测方法及遥感数据处理方法，在轨云检测方法包括以下步骤：S1、构建高维特征低维映射数学模型，用于将高维影像数据降维映射到1维数据；S2、准备1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，建立0级遥感信号数据集；S3、利用所述0级遥感信号数据集训练轻量云检测模型；S4、将步骤S3训练好的所述轻量云检测模型上传至卫星端，并将卫星在轨获取的0级遥感信号送入所述轻量云检测模型，进行在轨云检测。遥感数据处理方法，包括：按照前述步骤进行在轨云检测，检测结果剔除无效数据后再进行成像。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于0级遥感信号的在轨云检测方法及遥感数据处理方法。
背景技术
传统云检测分为两种情况：1）地面站进行云检测；2）在轨云检测。地面站云检测处理流程是：0级遥感信号→1级遥感影像→2级遥感影像→3级遥感影像→传输至地面站→云检测。地面站云检测存在很多局限性，比如，数据信息提取的实时性较差；云检测处理在整个数据处理链条中属于偏后位置，因此会浪费很多不必要的计算、存储和传输资源。在轨云检测是当前研究的热点方法，它的基本处理流程为：0级遥感信号→1级遥感影像→2级遥感影像→3级遥感影像→在轨云检测→传输至地面站。其基本云检测实施流程为：在轨云检测大幅节省了星地传输带宽的资源并且数据处理的实时性得到进一步提升，然而该方法仍然存在浪费星上计算、存储和传输资源的情况。
参考图4，目前云检测的主要实施流程为：①收集传感器获得的0级遥感信号；②0级遥感信号在轨辐射校正，形成1级遥感影像；③1级遥感影像进行系统几何校正，形成2级遥感影像；④2级遥感影像进行几何精校正，形成3级遥感影像；⑤对3级遥感影像进行云检测，剔除有云影像。云检测在“先成像，后检测”的遥感数据处理流程中处于偏后位置，70%左右的有云数据在形成1级，2级，3级遥感影像后被遗弃，这将造成计算资源的严重浪费并且严重影响遥感数据信息提取的时效性。
发明内容
针对现有技术“先成像，后检测”的云检测遥感数据处理流程造成星上计算资源浪费并且影响遥感数据信息提取时效性的问题，本发明提出了基于0级遥感信号的在轨云检测方法，通过采用“先检测，后成像”的云检测遥感数据处理流程，在遥感数据的源头（0级遥感信号）进行云检测，剔除无效数据后以轻量化的数据进行成像，以解决上述问题。
根据本发明的其中一方面，提出以下技术方案：
一种基于0级遥感信号的在轨云检测方法，包括以下步骤：S1、构建高维特征低维映射数学模型，用于将高维影像数据降维映射到1维数据；S2、准备1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，建立0级遥感信号数据集；S3、利用所述0级遥感信号数据集训练轻量云检测模型；S4、将步骤S3训练好的所述轻量云检测模型上传至卫星端，并将卫星在轨获取的0级遥感信号送入所述轻量云检测模型，进行在轨云检测。
进一步地，步骤S2具体包括：准备标记好的1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维的0级遥感信号，并获取对应的数据标签；将带标签的0级遥感信号数据集划分训练集、测试集和验证集。
进一步地，步骤S2中利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，具体包括：S21、将所述1级遥感影像映射到特征空间，得到核矩阵；S22、通过核函数对所述核矩阵进行中心化处理，建立标准核矩阵；S23、计算所述标准核矩阵的协方差矩阵；S24、计算所述协方差矩阵的特征值和特征向量；S25、选取最大特征值对应的特征向量作为主成分，获得投影矩阵；S26、将所述投影矩阵按行展开得到一维信号数据，即0级遥感信号。
进一步地，还包括：更新丰富地面的0级遥感信号数据集，并用更新的数据微调所述轻量云检测模型，并将当前最优的轻量云检测模型更新上传至卫星端。
进一步地，还包括：针对步骤S4的云检测结果，剔除无效数据，仅保留有效数据进行后续的辐射校正和几何校正。
进一步地，所述无效数据为检测到的有云数据。
根据本发明的另一方面，还提出一种基于0级遥感信号的遥感数据处理方法，包括如下步骤：S1、构建高维特征低维映射数学模型，用于将高维影像数据降维映射到1维数据；S2、准备1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，建立0级遥感信号数据集；S3、利用所述0级遥感信号数据集训练轻量云检测模型；S4、将步骤S3训练好的所述轻量云检测模型上传至卫星端，并将卫星在轨获取的0级遥感信号送入所述轻量云检测模型，进行在轨云检测；S5、根据步骤S4的检测结果剔除有云的无效数据，对保留的有效数据信号执行辐射校正，获得有效1级遥感影像；S6、对所述有效1级遥感影像进行系统几何校正，获得有效2级遥感影像；S7、对所述有效2级遥感影像进行几何精校正，获得有效3级遥感影像。
与现有技术相比，本发明的有益效果体现在：本发明的在轨云检测方法，通过降维的方式将2维的1级遥感影像降维映射成1维的0级遥感信号，从而可以将收集到的1级遥感影像数据集处理成0级遥感信号数据集，用来训练轻量云检测模型；训练好的轻量云检测模块上传到卫星，可以在星上对卫星在轨实时获取到的0级遥感信号直接进行云检测，检测结果含云的数据直接剔除，这样一来可以在遥感信号成像之前就剔除大约70%的无效数据（有云数据），极大地降低了对星上存储的占用空间，达到了数据轻量化的目的。
另一方面，与现有技术中“先成像，再检测”的处理流程相比，本发明基于上述在轨云检测方法所提出的遥感数据处理方法，采用“先检测，再成像”的数据处理流程，在遥感数据的源头（0级遥感信号）进行云检测，并根据云检测结果剔除有云数据后再成像，避免了无效数据的成像处理带来的计算资源浪费，显著提高了从遥感数据中提取信息的时效性。
附图说明
图1是本发明实施例基于0级遥感信号的在轨云检测方法流程图。
图2是本发明实施例高维特征低维映射数学模型的数据处理示意图。
图3是本发明实施例基于0级遥感信号的遥感数据处理方法流程图。
图4是现有的云检测遥感数据处理流程示意图。
图5是本发明实施例的云检测遥感数据处理流程示意图。
具体实施方式
下面结合附图和具体的实施方式对本发明作进一步说明。
一般情况下，云检测可以过滤掉70%左右的有云遥感数据（无效数据）。现有技术“先成像，后检测”的云检测遥感数据处理流程，占用了大量星上计算资源来对包含大量无效数据的原始数据进行成像处理，而后再占用大量的星地传输带宽将包含大量无效数据的3级遥感影像传输到地面进行检测，对星上计算资源、存储资源以及星地传输带宽无疑造成了浪费，并且导致遥感数据信息提取时效性降低。鉴于此，本发明实施例提出如图5所示的“先检测，再成像”的遥感数据处理流程，先在卫星端对遥感数据的源头（0级遥信号）进行云检测，剔除无效数据后，再对保留的轻量有效数据进行成像处理形成3级遥感影像传到地面，避免无效数据成像处理带来的计算资源浪费的问题和传输速度慢的问题，显著提高了遥感数据信息提取的时效性。
本发明实施例首先提出一种基于0级遥感信号的在轨云检测方法，参考图1，包括：S1、构建高维特征低维映射数学模型，用于将高维影像数据降维映射到1维数据；S2、准备1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，建立0级遥感信号数据集；S3、利用所述0级遥感信号数据集训练轻量云检测模型；S4、将步骤S3训练好的所述轻量云检测模型上传至卫星端，并将卫星在轨获取的0级遥感信号送入所述轻量云检测模型，进行在轨云检测。
针对高维（本发明实施例中主要是指二维）影像数据降维映射到1维信号的难题，本发明实施例引入流行学习，考虑高维影像数据噪声影响，构建了如下的高维特征低维映射数学模型：参考图2，高维特征低维映射数学模型将数据集中二维的1级遥感影像降维映射到一维的0级遥感信号的处理流程包括：S21、将所述1级遥感影像映射到特征空间，得到核矩阵；S22、通过核函数对所述核矩阵进行中心化处理，建立标准核矩阵；S23、计算所述标准核矩阵的协方差矩阵；S24、计算所述协方差矩阵的特征值和特征向量；S25、选取最大特征值对应的特征向量作为主成分，获得投影矩阵；S26、将所述投影矩阵按行展开得到一维信号数据，即0级遥感信号。需要说明的是，利用核函数对核矩阵进行中心化处理，即对核矩阵进行标准化，避免量纲不同的问题，建立标准核矩阵。
需要说明的是，轻量云检测模型可采用现有的模型例如LWCDnet（C. Luo et al.,"LWCDnet: A Lightweight Network for Efficient Cloud Detection in RemoteSensing Images," in IEEE Transactions on Geoscience and Remote Sensing, vol.60, pp. 1-16, 2022, Art no. 5409816, doi: 10.1109/TGRS.2022.3173661.），对轻量云检测模型进行训练时采用0级遥感信号数据集。0级遥感信号数据集可通过前述的高维特征低维映射数学模型对1级遥感影像数据集进行降维处理而获得。具体地，首先准备标记好（有云、无云的二值标记）的1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维的0级遥感信号，并获取对应的数据标签（标签代表了有云或无云）；将带标签的0级遥感信号数据集划分训练集、测试集和验证集，进行训练。
在地面进行轻量云检测模型训练优化时，输入训练集中的0级遥感信号，输出语义分割后有云覆盖的标记。训练过程即为深度学习模型的训练过程，具体训练步骤和损失函数均为公知的，在此不再赘述。训练过程中的迭代停止条件可以根据需要预先设置好，例如达到预定迭代次数停止，或者是精度达到预设精度即可停止，完成训练。
训练好的轻量云检测模型上传至卫星，卫星在轨获取0级遥感信号后直接进入模型进行云检测，检测结果剔除有云数据（无效数据）后再进行辐射校正和几何校正成像。
地面的样本库不断地（定期或不定期）更新和丰富，不断地利用更新的样本库微调轻量云检测模型，每次微调后的模型与当前卫星上使用的模型相比，如果更优则上传更新至卫星，保持卫星上的模型为当前最优。所述微调例如是冻结模型的浅层，利用新的样本数据训练深层网络，微调深层网络的参数。
基于前述实施例的在轨云检测方法，本发明实施例另还提出一种遥感数据处理方法，参考图3，包括步骤：S1、构建高维特征低维映射数学模型，用于将高维影像数据降维映射到1维数据；S2、准备1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，建立0级遥感信号数据集；S3、利用所述0级遥感信号数据集训练轻量云检测模型；S4、将步骤S3训练好的所述轻量云检测模型上传至卫星端，并将卫星在轨获取的0级遥感信号送入所述轻量云检测模型，进行在轨云检测；S5、根据步骤S4的检测结果剔除有云的无效数据，对保留的有效数据信号执行辐射校正，获得有效1级遥感影像；S6、对所述有效1级遥感影像进行系统几何校正，获得有效2级遥感影像；S7、对所述有效2级遥感影像进行几何精校正，获得有效3级遥感影像。该方法解决了“先成像，后检测”的云检测遥感数据处理流程造成计算资源浪费的问题，显著提升遥感数据信息提取的时效性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干等同替代或明显变型，而且性能或用途相同，都应当视为属于本发明的保护范围。
Claims (8)
1.一种基于0级遥感信号的在轨云检测方法，其特征在于，包括以下步骤：
S1、构建高维特征低维映射数学模型，用于将高维影像数据降维映射到1维数据；
S2、准备1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，建立0级遥感信号数据集；步骤S2中利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，具体包括：
S21、将所述1级遥感影像映射到特征空间，得到核矩阵；
S22、通过核函数对所述核矩阵进行中心化处理，建立标准核矩阵；
S23、计算所述标准核矩阵的协方差矩阵；
S24、计算所述协方差矩阵的特征值和特征向量；
S25、选取最大特征值对应的特征向量作为主成分，获得投影矩阵；
S26、将所述投影矩阵按行展开得到一维信号数据，即0级遥感信号；
S3、利用所述0级遥感信号数据集训练轻量云检测模型；
S4、将步骤S3训练好的所述轻量云检测模型上传至卫星端，并将卫星在轨获取的0级遥感信号送入所述轻量云检测模型，进行在轨云检测。
2.如权利要求1所述的在轨云检测方法，其特征在于，步骤S2具体包括：
准备标记好的1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维的0级遥感信号，并获取对应的数据标签；将带标签的0级遥感信号数据集划分训练集、测试集和验证集。
3.如权利要求1所述的在轨云检测方法，其特征在于，还包括：更新丰富地面的0级遥感信号数据集，并用更新的数据微调所述轻量云检测模型，并将当前最优的轻量云检测模型更新上传至卫星端。
4.如权利要求1所述的在轨云检测方法，其特征在于，还包括：针对步骤S4的云检测结果，剔除无效数据，仅保留有效数据进行后续的辐射校正和几何校正。
5.如权利要求4所述的在轨云检测方法，其特征在于，所述无效数据为检测到的有云数据。
6.一种基于0级遥感信号的遥感数据处理方法，其特征在于，包括如下步骤：
S1、构建高维特征低维映射数学模型，用于将高维影像数据降维映射到1维数据；
S2、准备1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，建立0级遥感信号数据集；步骤S2中利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维，具体包括：
S21、将所述1级遥感影像映射到特征空间，得到核矩阵；
S22、通过核函数对所述核矩阵进行中心化处理，建立标准核矩阵；
S23、计算所述标准核矩阵的协方差矩阵；
S24、计算所述协方差矩阵的特征值和特征向量；
S25、选取最大特征值对应的特征向量作为主成分，获得投影矩阵；
S26、将所述投影矩阵按行展开得到一维信号数据，即0级遥感信号；
S3、利用所述0级遥感信号数据集训练轻量云检测模型；
S4、将步骤S3训练好的所述轻量云检测模型上传至卫星端，并将卫星在轨获取的0级遥感信号送入所述轻量云检测模型，进行在轨云检测；
S5、根据步骤S4的检测结果剔除有云的无效数据，对保留的有效数据信号执行辐射校正，获得有效1级遥感影像；
S6、对所述有效1级遥感影像进行系统几何校正，获得有效2级遥感影像；
S7、对所述有效2级遥感影像进行几何精校正，获得有效3级遥感影像。
7.如权利要求6所述的遥感数据处理方法，其特征在于，步骤S2具体包括：
准备标记好的1级遥感影像数据集，利用所述高维特征低维映射数学模型将数据集中的1级遥感影像降维映射到一维的0级遥感信号，并获取对应的数据标签；将带标签的0级遥感信号数据集划分训练集、测试集和验证集。
8.如权利要求6所述的遥感数据处理方法，其特征在于，还包括：更新丰富地面的0级遥感信号数据集，并用更新的数据微调所述轻量云检测模型，并将当前最优的轻量云检测模型更新上传至卫星端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617443.4A CN116340733B (zh) | 2023-05-29 | 2023-05-29 | 基于0级遥感信号的在轨云检测方法及遥感数据处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617443.4A CN116340733B (zh) | 2023-05-29 | 2023-05-29 | 基于0级遥感信号的在轨云检测方法及遥感数据处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116340733A CN116340733A (zh) | 2023-06-27 |
| CN116340733B true CN116340733B (zh) | 2023-09-01 |
Family
ID=86893345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310617443.4A Active CN116340733B (zh) | 2023-05-29 | 2023-05-29 | 基于0级遥感信号的在轨云检测方法及遥感数据处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116340733B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160127A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
| CN111797712A (zh) * | 2020-06-16 | 2020-10-20 | 南京信息工程大学 | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 |
| CN114120036A (zh) * | 2021-11-23 | 2022-03-01 | 中科南京人工智能创新研究院 | 一种轻量化的遥感图像云检测方法 |
| CN115761484A (zh) * | 2022-11-02 | 2023-03-07 | 武汉大学 | 一种基于遥感图像的云检测方法及装置 |
| CN116010822A (zh) * | 2023-03-03 | 2023-04-25 | 桂林电子科技大学 | 一种polder、modis和仿真数据结合的随机森林云检测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9721181B2 (en) * | 2015-12-07 | 2017-08-01 | The Climate Corporation | Cloud detection on remote sensing imagery |
| US10083354B2 (en) * | 2016-11-28 | 2018-09-25 | Digitalglobe, Inc. | Advanced cloud detection using machine learning and optimization techniques |
-
2023
- 2023-05-29 CN CN202310617443.4A patent/CN116340733B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111160127A (zh) * | 2019-12-11 | 2020-05-15 | 中国资源卫星应用中心 | 一种基于深度卷积神经网络模型的遥感影像处理及检测方法 |
| CN111797712A (zh) * | 2020-06-16 | 2020-10-20 | 南京信息工程大学 | 基于多尺度特征融合网络的遥感影像云与云阴影检测方法 |
| CN114120036A (zh) * | 2021-11-23 | 2022-03-01 | 中科南京人工智能创新研究院 | 一种轻量化的遥感图像云检测方法 |
| CN115761484A (zh) * | 2022-11-02 | 2023-03-07 | 武汉大学 | 一种基于遥感图像的云检测方法及装置 |
| CN116010822A (zh) * | 2023-03-03 | 2023-04-25 | 桂林电子科技大学 | 一种polder、modis和仿真数据结合的随机森林云检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| Kai Hu.et al.CDUNet: Cloud Detection UNet for Remote Sensing Imagery.remote sensing.2021,第1页摘要. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116340733A (zh) | 2023-06-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110009095B (zh) | 基于深度特征压缩卷积网络的道路行驶区域高效分割方法 | |
| CN111079847B (zh) | 一种基于深度学习的遥感影像自动标注方法 | |
| CN110009648B (zh) | 基于深浅特征融合卷积神经网络的路侧图像车辆分割方法 | |
| CN113780296A (zh) | 基于多尺度信息融合的遥感图像语义分割方法及系统 | |
| CN112016511A (zh) | 基于大尺度深度卷积神经网络的遥感图像蓝顶房检测方法 | |
| CN112364699A (zh) | 基于加权损失融合网络的遥感图像分割方法、装置及介质 | |
| US11700156B1 (en) | Intelligent data and knowledge-driven method for modulation recognition | |
| CN111461006B (zh) | 一种基于深度迁移学习的光学遥感图像杆塔位置检测方法 | |
| CN111723666A (zh) | 一种基于半监督学习的信号识别方法和装置 | |
| CN112950780A (zh) | 一种基于遥感影像的网络地图智能生成方法及系统 | |
| CN108881096B (zh) | 一种基于相位判决的空间调制mqam基站 | |
| CN114283162A (zh) | 基于对比自监督学习的现实场景图像分割方法 | |
| CN112926548A (zh) | 一种车道线检测方法、装置、电子设备及存储介质 | |
| CN116310883B (zh) | 基于遥感图像时空融合的农业灾害预测方法及相关设备 | |
| CN116340733B (zh) | 基于0级遥感信号的在轨云检测方法及遥感数据处理方法 | |
| CN115293986A (zh) | 一种多时相遥感图像云区重建方法 | |
| CN113393385B (zh) | 基于多尺度融合的无监督去雨方法、系统、装置及介质 | |
| CN111340001B (zh) | 一种基于遥感影像深度学习的交通拥堵识别方法 | |
| CN114529766A (zh) | 基于域适应的异质异源sar目标识别方法 | |
| CN113514796A (zh) | 一种无源定位方法、系统和介质 | |
| CN112926670A (zh) | 一种基于迁移学习的垃圾分类系统及方法 | |
| CN114758134A (zh) | 基于自适应多尺度特征金字塔网络的遥感图像语义分割方法 | |
| CN115082902B (zh) | 一种基于激光雷达点云的车辆目标检测方法 | |
| CN114240966B (zh) | 针对3d医学图像分割训练特征提取器的自监督学习方法 | |
| CN112287999B (zh) | 利用卷积神经网络矫正梯度的弱监督目标定位方法 |
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 |