CN117408949A - 一种季节性动态阈值的云及云阴影检测方法及装置 - Google Patents
一种季节性动态阈值的云及云阴影检测方法及装置 Download PDFInfo
- Publication number
- CN117408949A CN117408949A CN202311216587.5A CN202311216587A CN117408949A CN 117408949 A CN117408949 A CN 117408949A CN 202311216587 A CN202311216587 A CN 202311216587A CN 117408949 A CN117408949 A CN 117408949A
- Authority
- CN
- China
- Prior art keywords
- cloud
- image
- free
- time sequence
- pixels
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 34
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 20
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 17
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 17
- 230000000873 masking effect Effects 0.000 claims abstract description 9
- 238000012217 deletion Methods 0.000 claims abstract description 8
- 230000037430 deletion Effects 0.000 claims abstract description 8
- 230000003287 optical effect Effects 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 19
- 230000002194 synthesizing effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 14
- 238000011160 research Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000002310 reflectometry Methods 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 238000012733 comparative method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
- G06T11/00—2D [Two Dimensional] image generation
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种季节性动态阈值的云及云阴影检测方法及装置，包括：输入原始光学遥感时序影像，计算各时相影像的像元缺失率；判断影像缺失率是否小于设定阈值；根据时间分别对无云或少云时序影像、多云时序影像划分春夏秋冬四季；逐季节对无云或少云时序影像进行最大最小值合成；判断全部时序影像全部像元是否在合成的最大最小阈值范围内，对阈值范围内的像元进行保留，并对阈值范围外的像元进行掩膜。本发明的有益效果是：本发明可以同时大尺度、不同传感器进行云及云阴影检测，并且精度相较于现有云及云阴影检测方法有显著提升，有助于真实地表时序监测，具有重要的生产应用价值。
Description
技术领域
本发明涉及遥感技术领域，更确切地说，它涉及一种季节性动态阈值的云及云阴影检测方法及装置。
背景技术
随着遥感技术快速发展，遥感图像具有高空间分辨率、高时间分辨率、高光谱分辨率的特点，蕴含丰富的信息，已广泛应用于各领域，如地物分类、变化检测、天气预报、环境监测等。根据统计，全球大约55％的地区经常被云层笼罩，于是云像元时常出现在光学遥感影像中。对于地表观测而言，云遮挡则直接造成了下垫面信息的缺失。并且，云层伴随带来的云阴影会降低地表像元的真实值，这阻碍了地物分类、环境监测、资源调查等进一步生产应用。
目前，利用云的光谱特征、计算机技术的发展，云检测方法主要分为三类：
①基于阈值，一种简单常用的云检测方法。原理是云像元和非云像元之间存在数值差异，通过设定一定的阈值来区分云区域和非云区域，然而在复杂地表要素下，如含有建筑物、沙漠、冰、雪、薄云要素等，阈值法则很难区分割开来。因而，阈值法只适合简单地物场景或特定传感器类型，不具备通用性。②基于时序模型，通过对比一段时间内的连续遥感影像进行比较，时间序列中反射率突然增加的像元更有可能是云，而反射率突然下降的像元很可能是云阴影。基于时序的云及云阴影检测方法通常优于单时相的方法，能够分辨出薄云、高亮物体。但是，基于时序的方法适合地表变化较小或周期性的区域，并对时间分辨率要求很高。③基于机器学习，使用机器学习算法来训练模型，自动学习云区和非云区域的特征。常用的机器学习算法包括支持向量机(SVM)、贝叶斯分类、随机森林(Random Forest)、深度学习等。原理是将带有标签的影像作为输入，训练模型来建立云和非云像元的分类模型。虽然基于机器学习的云检测方法在通用性上优于阈值法，但是方法模型复杂且耗时，并且精度依赖于输入数据的质量。
云及云阴影检测所使用的平台一般分为客户端和云端，客户端则利用Python、MATLAB等图像处理软件分析，利用图像的光谱特征或模型算法提取云、云阴影像元。云端则利用云计算平台的算力，如GEE，使用质量波段如QA60或云概率产品如probability对原始影像进行云掩膜，还可以使用SLC文件选择云阴影标识符，从而得出云阴影掩膜文件。
现有的云及云阴影检测的方法的不足之处在于：①高亮像元和云像元难以区分；②薄云、浅影检测不够精细；③深度学习的模型复杂，不易大尺度使用；④不同传感器使用不同的方法，通用性差；⑤少有从时序角度研究云及云阴影检测的方法。
发明内容
本发明的目的是针对现有技术的不足，提出了一种季节性动态阈值的云及云阴影检测方法及装置。
第一方面，提供了一种季节性动态阈值的云及云阴影检测方法，包括：
步骤1、输入原始光学遥感时序影像，通过质量波段或云概率产品计算各时相影像的像元缺失率；
步骤2、判断影像缺失率是否小于设定阈值；若小于设定阈值则判断为无云或少云的影像，否则判断为多云影像；
步骤3、根据时间分别对无云或少云时序影像、多云时序影像划分春夏秋冬四季；
步骤4、逐季节对无云或少云时序影像进行最大最小值合成；
步骤5、根据步骤4，判断全部时序影像全部像元是否在合成的最大最小阈值范围内，对阈值范围内的像元进行保留，并对阈值范围外的像元进行掩膜。
作为优选，步骤1中，像元缺失率的计算公式为：
其中，qt表示t时相影像的像元缺失率，St表示t时相影像的缺失像元数，T表示时序长度，Smn表示影像的像元总数，m是影像行数，n是影像列数。
作为优选，步骤4中，最大最小值合成的公式为：
Amin＝min(Dclear(i，j))，i＝0，1，...，m；j＝0，1，...，n.
Amax＝max(Dclear(i，j))，i＝0，1，...，m；j＝0，1，...，n.
其中，min(Dclear(i，j))表示在无云或少云时序影像Dclear中的第i行，第j列，长度为Tclear的单像元时间序列中寻找最小值，max(Dclear(i，j))表示在无云或少云时序影像Dclear中的第i行，第j列，长度为Tclear的单像元时间序列中寻找最大值，Amin表示全部像元的最小值合成影像，Amax表示全部像元的最大值合成影像。
作为优选，步骤5中，判断全部时序影像全部像元是否在合成的最大最小阈值范围内，通过以下公式：
其中，M(i，j，t)表示全部时序影像掩膜文件里第t时相文件的第i行，第j列的掩码值，D(i，j，t)表示在全部时序影像D里第t时相影像的第i行，第j列的像元值，Amin(i，j)表示Amin中第i行，第j列的像元值，Amax(i，j)表示Amax中第i行，第j列的像元值。
第二方面，提供了一种季节性动态阈值的云及云阴影检测装置，用于执行第一方面任一所述的季节性动态阈值的云及云阴影检测方法，包括：
计算模块，用于输入原始光学遥感时序影像，通过质量波段或云概率产品计算各时相影像的像元缺失率；
第一判断模块，用于判断影像缺失率是否小于设定阈值；若小于设定阈值则判断为无云或少云的影像，否则判断为多云影像；
划分模块，用于根据时间分别对无云或少云时序影像、多云时序影像划分春夏秋冬四季；
合成模块，用于逐季节对无云或少云时序影像进行最大最小值合成；
第二判断模块，用于根据合成模块，判断全部时序影像全部像元是否在合成的最大最小阈值范围内，对阈值范围内的像元进行保留，并对阈值范围外的像元进行掩膜。
第三方面，提供了一种计算机存储介质，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行第一方面任一所述的季节性动态阈值的云及云阴影检测方法。
本发明的有益效果是：
本发明考虑地表季节性变化的实际，灵活设置阈值来区分无云、少云、多云影像，提出最大最小值合成无云清晰影像，从最大最小值中提取阈值范围。方法简单、高效、通用性强，同时可以大尺度、不同传感器进行云及云阴影检测，并且精度相较于现有云及云阴影检测方法有显著提升，有助于真实地表时序监测，具有重要的生产应用价值。
附图说明
图1为一种季节性动态阈值的云及云阴影检测方法路线图；
图2为马德里研究区域的一种实验结果及对比方法结果示意图；
图3为马德里研究区域的另一种实验结果及对比方法结果示意图；
图4为一种季节性动态阈值的云及云阴影检测装置示意图。
具体实施方式
下面结合实施例对本发明做进一步描述。下述实施例的说明只是用于帮助理解本发明。应当指出，对于本技术领域的普通人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
实施例1：
如图1所示，本申请实施例1提供了一种季节性动态阈值的云及云阴影检测方法，包括：
步骤1、输入原始光学遥感时序影像，通过质量波段或云概率产品计算各时相影像的像元缺失率。
步骤1中，像元缺失率的计算公式为：
其中，qt表示t时相影像的像元缺失率，St表示t时相影像的缺失像元数，T表示时序长度，Smn表示影像的像元总数，m是影像行数，n是影像列数。
步骤2、判断影像缺失率是否小于设定阈值；若小于设定阈值则判断为无云或少云的影像，否则判断为多云影像。
步骤3、根据时间分别对无云或少云时序影像、多云时序影像划分春夏秋冬四季。
步骤4、逐季节对无云或少云时序影像进行最大最小值合成。
步骤4中，最大最小值合成的公式为：
Amin＝min(Dclear(i，j))，i＝0，1，...，m；j＝0，1，...，n.
Amax＝max(Dclear(i，j))，i＝0，1，...，m；j＝0，1，...，n.
其中，min(Dclear(i，j))表示在无云或少云时序影像Dclear中的第i行，第j列，长度为Tclear的单像元时间序列中寻找最小值，max(Dclear(i，j))表示在无云或少云时序影像Dclear中的第i行，第j列，长度为Tclear的单像元时间序列中寻找最大值，Amin表示全部像元的最小值合成影像，Amax表示全部像元的最大值合成影像。
步骤5、根据步骤4，判断全部时序影像全部像元是否在合成的最大最小阈值范围内，对阈值范围内的像元进行保留，并对阈值范围外的像元进行掩膜。
步骤5中，判断全部时序影像全部像元是否在合成的最大最小阈值范围内，通过以下公式：
其中，M(i，j，t)表示全部时序影像掩膜文件里第t时相文件的第i行，第j列的掩码值，D(i，j，t)表示在全部时序影像D里第t时相影像的第i行，第j列的像元值，Amin(i，j)表示Amin中第i行，第j列的像元值，Amax(i，j)表示Amax中第i行，第j列的像元值。
实施例2：
在实施例1的基础上，本申请实施例2提供了更具体的季节性动态阈值的云及云阴影检测方法。
应当说明的，本发明提供的方法适用于能够获取蓝波段、绿波段、红波段的卫星，包括但不仅限于Sentinel-2、Landsat、高分一号系列。本申请实施例以Sentinel-2卫星为例进行阐述。Sentinel-2是多光谱卫星，共有13个波段，包括研究中所用到的蓝波段(中心波长490nm)、绿波段(中心波长560nm)、红波段(中心波长665nm)
本申请实施例依托Google Earth Engine(GEE)平台实现，以Sentinel-2的二级产品实现，研究区域为西班牙马德里，时序影像时间为2019年，影像大小为982×710pixel。如图1所示，其包括以下步骤：
第一步，筛选研究区域2019年所有2A级别的反射率影像，共计147景，裁剪大小，选择波段为B2蓝波段、B3绿波段、B4红波段。
第二步，选择相应波段初步检测云、云阴影、雪，本例子通过云概率产品的probability波段检测云，通过SLC文件中value＝3检测云阴影，通过雪概率波段检测雪。
第三步，通过在GEE编写无效像元数的统计算法，分别计算147景的掩膜文件的像元缺失率。
第四步，通过缺失率的大小，来判断每景影像的分类。若缺失率小于2％，说明影像拍摄当天晴朗无云或少云；若缺失率大于2％，说明多云。其中，缺失率的大小不一定为2％，可根据实际情况来进行设置。
第五步，分别对无云或少云时序影像、多云时序影像划分四季，因为马德里处于北纬40°附近，有着明显四季变化，所以根据常规四季时间划分即可。
第六步，如图2所示，对无云或少云时序影像进行最大最小值合成，合成图应为清晰无云的最大值影像和最小值影像。四季下来，一共是4张春夏秋冬的最大值合成图、4张春夏秋冬的最小值合成图。
第七步，将全部时序影像与最大最小合成图进行逐像元值判断，若多云影像中有像元值在阈值范围内，则保留，若超过阈值范围，则掩膜。具体说明的是，像元值超过阈值最大值，该像元为云像元；像元值小于阈值最小值，该像元为云阴影像元。
第八步，获得本研究区域2019年全部影像的云及云阴影检测的掩膜文件。
此外，图2为马德里研究区域的一种实验结果及对比方法结果示意图，其中，第一行的两图分别为原始图和手绘云及云阴影图，剩余的子图为采用不同方法的云及云阴影检测图，包括：(1)云概率产品；(2)sen2cor；(3)波段组合；(4)CDI；(5)Probability波段；(6)本申请提供的方法，其精度对比评价如下表1所示。
表1
同样地，图3为马德里研究区域的另一种实验结果及对比方法结果示意图，相比图2，选取了不同的实验时间。其中，第一行的两图分别为原始图和手绘云及云阴影图，剩余的子图为采用不同方法的云及云阴影检测图，包括：(1)云概率产品；(2)sen2cor；(3)波段组合；(4)CDI；(5)Probability波段；(6)本申请提供的方法，其精度对比评价如下表2所示。
表2
需要说明的，本实施例中与实施例1相同或相似的部分可相互参考，在本申请中不再赘述。
实施例3：
在实施例1的基础上，本申请实施例3提供了一种季节性动态阈值的云及云阴影检测装置，如图4所示，包括：
计算模块，用于输入原始光学遥感时序影像，通过质量波段或云概率产品计算各时相影像的像元缺失率；
第一判断模块，用于判断影像缺失率是否小于设定阈值；若小于设定阈值则判断为无云或少云的影像，否则判断为多云影像；
划分模块，用于根据时间分别对无云或少云时序影像、多云时序影像划分春夏秋冬四季；
合成模块，用于逐季节对无云或少云时序影像进行最大最小值合成；
第二判断模块，用于根据合成模块，判断全部时序影像全部像元是否在合成的最大最小阈值范围内，对阈值范围内的像元进行保留，并对阈值范围外的像元进行掩膜。
具体的，本实施例所提供的系统为实施例1提供的方法对应的装置，因此，在本实施例中与实施例1相同或相似的部分，可相互参考，在本申请中不再赘述。
Claims (6)
1.一种季节性动态阈值的云及云阴影检测方法，其特征在于，包括：
步骤1、输入原始光学遥感时序影像，通过质量波段或云概率产品计算各时相影像的像元缺失率；
步骤2、判断影像缺失率是否小于设定阈值；若小于设定阈值则判断为无云或少云的影像，否则判断为多云影像；
步骤3、根据时间分别对无云或少云时序影像、多云时序影像划分春夏秋冬四季；
步骤4、逐季节对无云或少云时序影像进行最大最小值合成；
步骤5、根据步骤4，判断全部时序影像全部像元是否在合成的最大最小阈值范围内，对阈值范围内的像元进行保留，并对阈值范围外的像元进行掩膜。
2.根据权利要求1所述的季节性动态阈值的云及云阴影检测方法，其特征在于，步骤1中，像元缺失率的计算公式为：
其中，qt表示t时相影像的像元缺失率，St表示t时相影像的缺失像元数，T表示时序长度，Smn表示影像的像元总数，m是影像行数，n是影像列数。
3.根据权利要求2所述的季节性动态阈值的云及云阴影检测方法，其特征在于，步骤4中，最大最小值合成的公式为：
Amin＝min(Dclear(i，j))，i＝0，1，...，m；j＝0，1，...，n.
Amax＝max(Dclear(i，j))，i＝0，1，...，m；j＝0，1，...，n.
其中，min(Dclear(i，j))表示在无云或少云时序影像Dclear中的第i行，第j列，长度为Tclear的单像元时间序列中寻找最小值，max(Dclear(i，j))表示在无云或少云时序影像Dclear中的第i行，第j列，长度为Tclear的单像元时间序列中寻找最大值，Amin表示全部像元的最小值合成影像，Amax表示全部像元的最大值合成影像。
4.根据权利要求3所述的季节性动态阈值的云及云阴影检测方法，其特征在于，步骤5中，判断全部时序影像全部像元是否在合成的最大最小阈值范围内，通过以下公式：
其中，M(i，j，t)表示全部时序影像掩膜文件里第t时相文件的第i行，第j列的掩码值，D(i，j，t)表示在全部时序影像D里第t时相影像的第i行，第j列的像元值，Amin(i，j)表示Amin中第i行，第j列的像元值，Amax(i，j)表示Amax中第i行，第j列的像元值。
5.一种季节性动态阈值的云及云阴影检测装置，其特征在于，用于执行权利要求1至4任一所述的季节性动态阈值的云及云阴影检测方法，包括：
计算模块，用于输入原始光学遥感时序影像，通过质量波段或云概率产品计算各时相影像的像元缺失率；
第一判断模块，用于判断影像缺失率是否小于设定阈值；若小于设定阈值则判断为无云或少云的影像，否则判断为多云影像；
划分模块，用于根据时间分别对无云或少云时序影像、多云时序影像划分春夏秋冬四季；
合成模块，用于逐季节对无云或少云时序影像进行最大最小值合成；
第二判断模块，用于根据合成模块，判断全部时序影像全部像元是否在合成的最大最小阈值范围内，对阈值范围内的像元进行保留，并对阈值范围外的像元进行掩膜。
6.一种计算机存储介质，其特征在于，所述计算机存储介质内存储有计算机程序；所述计算机程序在计算机上运行时，使得计算机执行权利要求1至4任一所述的季节性动态阈值的云及云阴影检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311216587.5A CN117408949A (zh) | 2023-09-20 | 2023-09-20 | 一种季节性动态阈值的云及云阴影检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311216587.5A CN117408949A (zh) | 2023-09-20 | 2023-09-20 | 一种季节性动态阈值的云及云阴影检测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117408949A true CN117408949A (zh) | 2024-01-16 |
Family
ID=89487901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311216587.5A Pending CN117408949A (zh) | 2023-09-20 | 2023-09-20 | 一种季节性动态阈值的云及云阴影检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117408949A (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050175253A1 (en) * | 2002-01-22 | 2005-08-11 | National University Of Singapore | Method for producing cloud free and cloud-shadow free images |
| CN103901420A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
| 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 |
| CN104867139A (zh) * | 2015-05-12 | 2015-08-26 | 中国科学院遥感与数字地球研究所 | 一种基于辐射场的遥感图像云及阴影检测方法 |
| CN106127717A (zh) * | 2016-06-15 | 2016-11-16 | 中国科学院遥感与数字地球研究所 | 一种基于modis逐日积雪覆盖图像的去云方法及装置 |
| CN108319923A (zh) * | 2018-02-05 | 2018-07-24 | 山东科技大学 | 一种云阴影识别方法及系统 |
| CN108564002A (zh) * | 2018-03-22 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种遥感影像时间序列变化检测方法及系统 |
| CN109063663A (zh) * | 2018-08-10 | 2018-12-21 | 武汉大学 | 一种由粗到精的时序遥感影像厚云检测与去除方法 |
| CN109101894A (zh) * | 2018-07-19 | 2018-12-28 | 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 |
| CN109308688A (zh) * | 2018-09-25 | 2019-02-05 | 中国农业科学院农业资源与农业区划研究所 | 一种可见光和近红外波段厚云及阴影去除方法 |
| CN109961418A (zh) * | 2019-03-19 | 2019-07-02 | 中国林业科学研究院资源信息研究所 | 一种基于多时相光学遥感数据的无云影像合成算法 |
| CN110308097A (zh) * | 2019-07-05 | 2019-10-08 | 山东科技大学 | 一种卫星图像云检测方法及系统 |
| CN110751727A (zh) * | 2019-10-30 | 2020-02-04 | 南京林业大学 | 一种基于Landsat长时间序列的合成图像构建方法 |
| US20200125844A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Machine learning techniques for identifying clouds and cloud shadows in satellite imagery |
| CN111899194A (zh) * | 2020-07-30 | 2020-11-06 | 青海省地理空间和自然资源大数据中心 | 一种遥感影像中云和云阴影的去除方法 |
| KR102417412B1 (ko) * | 2021-10-26 | 2022-07-06 | (주)유에스티21 | 인공위성 식생지수 주기합성을 위한 구름 탐지 시스템 및 그 방법 |
| CN114792322A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 |
-
2023
- 2023-09-20 CN CN202311216587.5A patent/CN117408949A/zh active Pending
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050175253A1 (en) * | 2002-01-22 | 2005-08-11 | National University Of Singapore | Method for producing cloud free and cloud-shadow free images |
| CN103901420A (zh) * | 2014-04-18 | 2014-07-02 | 山东科技大学 | 先验地表反射率支持的动态阈值法遥感数据云识别方法 |
| 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 |
| CN104867139A (zh) * | 2015-05-12 | 2015-08-26 | 中国科学院遥感与数字地球研究所 | 一种基于辐射场的遥感图像云及阴影检测方法 |
| CN106127717A (zh) * | 2016-06-15 | 2016-11-16 | 中国科学院遥感与数字地球研究所 | 一种基于modis逐日积雪覆盖图像的去云方法及装置 |
| CN108319923A (zh) * | 2018-02-05 | 2018-07-24 | 山东科技大学 | 一种云阴影识别方法及系统 |
| CN108564002A (zh) * | 2018-03-22 | 2018-09-21 | 中国科学院遥感与数字地球研究所 | 一种遥感影像时间序列变化检测方法及系统 |
| CN109101894A (zh) * | 2018-07-19 | 2018-12-28 | 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 |
| 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 |
| CN109063663A (zh) * | 2018-08-10 | 2018-12-21 | 武汉大学 | 一种由粗到精的时序遥感影像厚云检测与去除方法 |
| CN109308688A (zh) * | 2018-09-25 | 2019-02-05 | 中国农业科学院农业资源与农业区划研究所 | 一种可见光和近红外波段厚云及阴影去除方法 |
| US20200125844A1 (en) * | 2018-10-19 | 2020-04-23 | The Climate Corporation | Machine learning techniques for identifying clouds and cloud shadows in satellite imagery |
| CN109961418A (zh) * | 2019-03-19 | 2019-07-02 | 中国林业科学研究院资源信息研究所 | 一种基于多时相光学遥感数据的无云影像合成算法 |
| CN110308097A (zh) * | 2019-07-05 | 2019-10-08 | 山东科技大学 | 一种卫星图像云检测方法及系统 |
| CN110751727A (zh) * | 2019-10-30 | 2020-02-04 | 南京林业大学 | 一种基于Landsat长时间序列的合成图像构建方法 |
| CN111899194A (zh) * | 2020-07-30 | 2020-11-06 | 青海省地理空间和自然资源大数据中心 | 一种遥感影像中云和云阴影的去除方法 |
| KR102417412B1 (ko) * | 2021-10-26 | 2022-07-06 | (주)유에스티21 | 인공위성 식생지수 주기합성을 위한 구름 탐지 시스템 및 그 방법 |
| CN114792322A (zh) * | 2022-06-23 | 2022-07-26 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种检测山地国产高分辨率卫星影像云与云阴影的方法 |
Non-Patent Citations (4)
| Title |
|---|
| WANG, J. ET AL: "Automatic cloud and cloud shadow detection in tropical areas for PlanetScope satellite images", REMOTE SENS., 1 October 2021 (2021-10-01) * |
| 卢鑫等: "一种陆地卫星影像厚云阴影检测方法", 测绘科学, 20 May 2016 (2016-05-20) * |
| 米雪婷;孙林;韦晶;田信鹏;: "基于多时相遥感数据的云阴影检测算法", 山东科技大学学报(自然科学版), no. 02, 30 April 2016 (2016-04-30) * |
| 陈梦露;李存军;官云兰;周静平;袁晨鑫;王道芸;: "基于Landsat8影像的厚云及云影去除方法", 北京测绘, no. 04, 25 April 2019 (2019-04-25) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8548248B2 (en) | Correlated land change system and method | |
| US20140205154A1 (en) | System for mapping and identification of plants using digital image processing and route generation | |
| Rosin et al. | Remote sensing image thresholding methods for determining landslide activity | |
| CN109977899B (zh) | 一种物品识别的训练、推理以及增加新种类的方法和系统 | |
| CN114563378B (zh) | 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备 | |
| CN106407978B (zh) | 一种结合似物度的无约束视频中显著物体检测方法 | |
| Manaf et al. | Hybridization of SLIC and Extra Tree for Object Based Image Analysis in Extracting Shoreline from Medium Resolution Satellite Images. | |
| Wu et al. | A comparison of 4 shadow compensation techniques for land cover classification of shaded areas from high radiometric resolution aerial images | |
| Ghofrani et al. | Evaluating coverage changes in national parks using a hybrid change detection algorithm and remote sensing | |
| Alcaras et al. | Coastline extraction from optical satellite imagery and accuracy evaluation | |
| WO2019150453A1 (en) | Image processing device, image processing method and storage medium | |
| Koc-San et al. | Support vector machines classification for finding building patches from IKONOS imagery: the effect of additional bands | |
| Latif et al. | Preprocessing of low-resolution time series contaminated by clouds and shadows | |
| Zhang et al. | Automatic extraction of building geometries based on centroid clustering and contour analysis on oblique images taken by unmanned aerial vehicles | |
| YURTSEVEN et al. | Using of high-resolution satellite images in object-based image analysis | |
| Xiao et al. | A Novel Image Fusion Method for Water Body Extraction Based on Optimal Band Combination. | |
| CN117408949A (zh) | 一种季节性动态阈值的云及云阴影检测方法及装置 | |
| Shabna et al. | HSEG and PCA for Hyper-spectral Image Classification | |
| Neves et al. | Hierarchical classification of Brazilian savanna physiognomies using very high spatial resolution image, superpixel and Geobia | |
| Manuputty et al. | Seagrass mapping based on satellite image Worldview-2 by using depth invariant index method | |
| Zhafarina et al. | Benthic habitat mapping on different coral reef types using random forest and support vector machine algorithm | |
| Marwaha et al. | Object-oriented and pixel-based classification approach for land cover using airborne long-wave infrared hyperspectral data | |
| Jafarzadeh et al. | Assessing and comparing the performance of endmember extraction methods in multiple change detection using hyperspectral data | |
| Yadav et al. | Comparative study of object based image analysis on high resolution satellite images for urban development | |
| Fan et al. | Vegetation coverage detection from very high resolution satellite imagery |
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 |