WO2019184269A1 - 基于Landsat8含雪影像的云检测方法 - Google Patents

基于Landsat8含雪影像的云检测方法 Download PDF

Info

Publication number
WO2019184269A1
WO2019184269A1 PCT/CN2018/105945 CN2018105945W WO2019184269A1 WO 2019184269 A1 WO2019184269 A1 WO 2019184269A1 CN 2018105945 W CN2018105945 W CN 2018105945W WO 2019184269 A1 WO2019184269 A1 WO 2019184269A1
Authority
WO
WIPO (PCT)
Prior art keywords
cloud
snow
image
coordinate system
landsat
Prior art date
Application number
PCT/CN2018/105945
Other languages
English (en)
French (fr)
Inventor
韩玲
吴婷婷
刘志恒
Original Assignee
长安大学
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 长安大学 filed Critical 长安大学
Priority to US16/627,915 priority Critical patent/US11151377B2/en
Publication of WO2019184269A1 publication Critical patent/WO2019184269A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/10036—Multispectral image; Hyperspectral image
    • 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
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30192—Weather; Meteorology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Definitions

  • the invention belongs to the technical field of remote sensing and influence processing, and particularly relates to a cloud detection method based on Landsat8 snow-containing image.
  • the texture feature was used to separate the cloud image of satellite imagery. It not only reflected the statistical information of the gray level in the image, but also reflected the relationship and structure of the spatial arrangement of the object.
  • the edges of the cloud are usually blurred and the gradient is slow.
  • Snow-covered land is affected by the terrain, and the edges are usually sharp, so it can be used to distinguish between clouds and snow.
  • the algorithm works well in cloud detection in snow-covered areas, especially for the detection of thin cirrus clouds.
  • the various types of clouds are complex and difficult to describe.
  • gray-scale co-occurrence matrices reduce the efficiency of the method. Therefore, achieving automation and high precision is still challenging.
  • the F-mask algorithm was used for cloud and snow separation. It provides a cloud, cloud shadow and snow mask for each scene image, using a scene-based threshold algorithm and applying the same threshold to all pixels in the remote sensing image. This method can be used to identify clouds, clouds and snow. However, since the F-mask algorithm applies the same threshold to all pixels in the remote sensing image, it is impossible to detect the cloud in an image with a special surface reflectivity.
  • Step 1 Select any Landsat 8 snow image as the current image
  • Step 2 Select any two bands in the green band, the infrared band, and the infrared band as the principal components of the separated cloud snow, and obtain the cloud in the gray frequency histogram of the selected principal component based on the fractal summation model.
  • the threshold value is the threshold value of the circled cloud range in the current image;
  • Step 3 Excluding the false anomaly in the cloud range circled by the cloud threshold in the current image, and obtaining the cloud image after the false abnormality is removed;
  • Step 31 superimposing a plurality of main component quantities capable of separating cloud snow, leaving a cloud shared by a plurality of main component quantities capable of separating cloud snow, and eliminating a cloud unique to each main component component;
  • step 32 through the hotspot analysis, the false anomalies in the cloud range delimited in the current image are eliminated.
  • the standard deviation ellipse of all anomalous discrete point groups is drawn under the new coordinate system X'O'Y'. If the long-axis direction of the standard deviation ellipse is the same as the mountain trend or the fracture structure extension direction, the abnormal discrete point group is false. Abnormal, the abnormal discrete point group is eliminated.
  • the wavelength of the infrared one band is 1.6 ⁇ m
  • the wavelength of the infrared two band is 2.1 ⁇ m.
  • the invention has the following technical effects:
  • the invention has the advantages of high efficiency, high precision, strong practical value and promotion significance
  • the invention can effectively solve the cloud and snow confusion problem generated by the traditional cloud detection method, and is applicable to different latitude regions and is not limited by the cloud amount.
  • the "threshold analysis + spatial clustering analysis + anisotropy analysis" model proposed by the present invention is a more advantageous cloud detection method, and the method has strong universality, especially for snow interference. It is difficult to perform image detection of clouds.
  • Figure 1 is a general flow chart of the present invention
  • Figure 3 (a) is the first principal component image after the principal component analysis of the example
  • Figure 4 is a logarithmic sum of log r and log N(r) of the second principal component
  • Figure 6 is the result of the hotspot analysis of the example
  • Figure 7 is a schematic diagram of the standard deviation ellipse.
  • Landsat 8 images of different locations, different cloud types, and different snow thicknesses are selected
  • the fractal summation model can be expressed by the following equation:
  • step 32 through the hotspot analysis, the false anomalies in the cloud range delimited in the current image are eliminated.
  • the original coordinate axis is rotated ⁇ in the clockwise direction to obtain a new coordinate system X'O'Y', and the new coordinate system X'O'
  • the coordinate origin O' of Y' is the average midpoint of all points in the discrete point set
  • the standard deviation ellipse of all anomalous discrete point groups is drawn under the new coordinate system X'O'Y'. If the long-axis direction of the standard deviation ellipse is the same as the mountain trend or the fracture structure extension direction, the abnormal discrete point group is false. Abnormal, the abnormal discrete point group is eliminated.
  • this embodiment uses Arcgis software to draw the standard deviation ellipse of all abnormal discrete point groups under the new coordinate system X'O'Y'.
  • the standard deviation ellipse of all anomalous point groups is drawn by Arcgis, and the true and false anomalies (clouds or ice and snow) are distinguished according to the similarities and differences between the long axis direction and the mountain direction and the extension direction of the fracture structure. Ice and snow false anomalies reduce misjudgment.
  • Another advantage of the standard deviation ellipse is to create a buffer, identify the residual thin cloud according to the wind direction, and make a weighted buffer at the boundary of the main extension direction of the detected cloud, which greatly improves the accuracy of cloud detection. At the same time, the universality of the cloud detection method is improved.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种基于Landsat 8含雪影像的云检测方法，包括以下步骤：步骤1，选取任一Landsat 8影像作为当前影像；步骤2，获取当前影像中圈定云范围的云阈值；步骤3，剔除通过云阈值在当前影像中圈定的云范围中的假异常，得到剔除假异常后的云影像。能够有效的解决传统云检测方法产生的云雪混淆问题，适用于不同纬度地区且不受云量的限制。

Description

基于Landsat8含雪影像的云检测方法 技术领域
本发明属于遥感及影响处理技术领域，具体涉及一种基于Landsat8含雪影像的云检测方法。
背景技术
云和雪在可见光范围内有相似的光谱特性，这导致在常规的云检测方法中往往会产生将雪误判为云的现象。因此，选择合适的方法对含雪的影像进行准确的云检测是至关重要的。
从上世纪七十年代以来，国内不少遥感领域的科研工作者先后进行了这方面的研究。近年来基于光学遥感数据的冰雪信息提取方面取得了显著成果，例如：1977年采用近红外波段上云雪的差异来检测有冰雪覆盖区域的云层，在近红外波段下，云像素具有较高的反射率，而雪显得相对较暗，这大大减少了误判，但某些特殊类型的云和雪在近红外光谱中仍然显示出十分相似的光谱特征，因此，此法识别出的云的效果时好时坏，变动性较大。
2004年通过归一化积雪指数来识别积雪，将积雪掩膜后进行云检测从而减少积雪的误判，该方法可以明显减少由于云雪混淆而导致的云检测的误判现象，但很难确定归一化积雪指数的准确阈值，且对较薄的冰雪覆盖区域检测效果较差。
2001年采用纹理特征进行卫星影像的云雪分离，它不仅反映了图像中灰度的统计信息，而且也反映了物体空间排列的关系和结构。云区的边缘通常是模糊的，渐变的速度很慢。而冰雪覆盖的土地受到地形的影响，边缘通 常是尖锐的，因此，它可以用来区分云和雪。该算法在含雪区域进行云检测时效果较好，特别是对薄卷云的检测。然而，云的类型多种多样纹理复杂且难以描述，此外，灰度共生矩阵会降低该方法的效率。因此，实现自动化和高精度仍然具有挑战性。
2014年采用F-mask算法进行云雪分离，它可以为每景影像提供云，云阴影和雪的掩膜，使用一个基于场景的阈值算法，并将相同的阈值应用于遥感影像中的所有像素，该方法可以用来识别云层、云影和雪。但由于F-mask算法将相同的阈值应用于遥感影像中的所有像素，因此无法在含特殊表面反射率地物的影像中检测云。
上述方法都不同程度的取得了一些成就，但常会受云朵类型、积雪厚度、下垫面类型等限制从而导致效果时好时坏。因此选择准确的含雪影像的云检测方法已成为当务之急。
发明内容
针对现有技术存在的不足，本发明的目的在于，提供一种基于Landsat8含雪影像的云检测方法，解决现有技术中云检测过程中受云朵类型、积雪厚度、下垫面类型等限而导致检测效果时好时坏的问题。
为了解决上述技术问题，本发明采用如下技术方案予以实现：
一种基于Landsat 8含雪影像的云检测方法，其特征在于，包括以下步骤：
步骤1，选取任一Landsat 8含雪影像作为当前影像；
步骤2，在绿波段、红外一波段和红外二波段中选取任意两个波段作为分离云雪的主成分量，基于分形求和模型求取所选取主成分量的灰度频率直方图中的云阈值，即得到当前影像中圈定云范围的阈值；
步骤3，剔除通过云阈值在当前影像中圈定的云范围中的假异常，得到剔除假异常后的云影像；
包括：
步骤31，对多个能够分离云雪的主成分量进行叠置，将多个能够分离云雪的主成分量中共有的云留下，并剔除掉每个主成分分量中独有的云；
步骤32，通过热点分析，剔除当前影像中圈定的云范围中的假异常。
进一步地，还包括:
步骤4，剔除假异常后的云影像为一离散点集，在原始坐标系下假设存在一个方向，离散点集中的所有离散点到该方向的标准差距离最小，则设该方向为当前方向；
所述原始坐标系以云影像的任一顶点为坐标原点，以水平方向为x轴，以竖直方向为y轴；
设该当前方向与原始坐标系x轴的夹角为θ，则将原始坐标轴沿顺时针方向旋转θ，得到新的坐标系X’O’Y’，所述新的坐标系X’O’Y’的坐标原点O’为离散点集中所有点的平均值中点；
在新的坐标系X’O’Y’下绘制所有异常离散点群的标准差椭圆，若该标准差椭圆的长轴方向与山地走向或断裂构造延展方向相同，则该异常离散点群为假异常，剔除该异常离散点群。
进一步地，所述红外一波段的波长为1.6μm，红外二波段的波长为2.1μm。
本发明与现有技术相比，具有如下技术效果：
1.本发明快速高效，精度较高，具有较强的实用价值和推广意义；
2.本发明能够有效的解决传统云检测方法产生的云雪混淆问题，适用于不同纬度地区且不受云量的限制。
3.本发明提出的“阈值分析+空间群聚分析+各向异性分析”模型是一种比较有优势的云检测方法，该方法具有较强的普适性，特别是对于有雪干扰的较难进行云检测的影像。
附图说明
图1为本发明总体流程图；
图2为云和雪的反射率波谱曲线；
图3(a)为本实例主成分分析后的第一主成分量影像；
(b)为本实例主成分分析后的第二主成分量影像；
(c)为本实例主成分分析后的第三主成分量影像；
图4为第二主成分量的log r与log N(r)分形求和图；
图5为第三主成分量的log r与log N(r)分形求和图；
图6为本实例热点分析后的结果；
图7为标准差椭圆示意图。
以下结合附图对本发明的具体内容作进一步详细解释说明。
具体实施方式
以下给出本发明的具体实施例，需要说明的是本发明并不局限于以下具体实施例，凡在本申请技术方案基础上做的等同变换均落入本发明的保护范围。
实施例：
如图1所示，本实施例提供了一种基于Landsat8含雪影像的云检测方法，包括以下步骤：
步骤1，选取任一Landsat 8影像作为当前影像；
本实施例选取不同地点、不同云类型、不同雪厚度的Landsat 8影像；
步骤2，在绿波段、红外一波段和红外二波段中选取任意两个波段作为分离云雪的主成分量，基于分形求和模型求取所选取主成分量的灰度频率直方图中的云阈值，即得到当前影像中圈定云范围的阈值；
具体包括：
步骤21，选择当前影像的绿波段、短波红外一波段和短波红外二波段作为主成分量进行成分分析，得到多个主成分量；
如图2所示为云、雪在不同波段下的反射率分布情况。从图2中可以看出在可见光波段，云和雪的反射率高于其余下垫面的反射率，且二者具有相近的光谱特征，DN值也和雪大体接近，只有绿波段的云和雪反射率差异较大。在1.6μm和2.1μm附近的近红外波段上云与雪的吸收特性相差较多，雪因吸收太阳辐射强而导致反射率低，云则相对反射来自太阳的反射从而反射率高，即云和雪在绿波段、短波红外一波段、短波红外二波段具有较为典型的波普特性，能够较完整的表现云及雪的信息。
步骤22，在多个主成分量中选取多个能够分离云雪的主成分量；
对绿波段、短波红外一波段、短波红外二波段进行主成分分析可以剔除云雪混淆在一起的波段并且增强所要提取的信息，隔离噪声同时减少数据维数，把多元变量简化为少数几个独立的综合变量，将原本不同类型糅合在一起的物体分开成不同的主成分量，如图3所示。
表1列出了主成分分析后各主成分量的信息，通过表1可以看出：第一主成分量确实能够反映出云，其特征值在绿波段是正值，短波红外一波段和短波红外二波段是负值，符合云的吸收和反射特征，但是云和雪都具备该特征，第一主成分量能反映云也带入了大量的雪，导致云雪区分困难，因此第一主成分量主要是亮度的反映，亮度高的不只是云；第二主成分量也符合云的特征，因为与冰雪相比，云在绿波段的反射率要低一些，这里的特征值恰好为负值，恰好满足了这一特征，因此，第二主成分量体现了云和雪的对比；第三主成分量在短波红外二波段是正的，而云在该波段的反射率比冰雪要高，因此，第三主成也分量体现了云的特征。
综合来看，虽然第一主成分量能够反映云，但是会带入更多的假异常，而第二主成分量和第三主成分量在很大程度上展示了云和雪的光谱差异，因此更有利于提取云。
如图3(a)，第一主成分量上最亮的不是云，而是冰雪，云的特征被掩盖了，图3(b)和图3(c)中第二主成分量和第三主成分量上云的特征还是比较清楚的，在第三主成分量中云的亮度为最高，这与第一主成分量恰好相反。
综上，本实施例弃用第一主成分量，选用第二主成分量和第三主成分量。
表1.各主成分量的特征向量与特征值
Figure PCTCN2018105945-appb-000001
步骤23，基于分形求和模型选取多个能够分离云雪的主成分量的灰度频率直方图中的云阈值，即得到当前影像中圈定云范围的阈值；
分形求和模型可以用下面的等式表示：
Figure PCTCN2018105945-appb-000002
其中，r是特征线性测量，本实施例中r代表图像像素值从小到大；Dn(n＝1,2,3,4...)是分形维数，每个维数对应一个线性无标度区间，反映等于或大于相应的r值的像素数量或像素值的总和。
取上式的对数，得到如下：
logN(r)＝-Dlog(r)+logC
如图4和图5所示，log N(r)与log(r)的曲线可以产生具有不同斜率的几条直线(至少两条)：D 1，2，3...，对于单条直线，凭借数据集(N(r i)，r i)(i＝1,2，...N)可以拟合成一条直线，其相应的斜率记为D。对于两条直线段拟合通过具有两个斜率D 1和D 2的最小二乘法，分割点由最佳最小平方回归方法如下确定，即剩余平方和(RSS)。它被定义如下：
Figure PCTCN2018105945-appb-000003
其中T n是分界点，即各类异常的阈值。以类似的方式，可以准确地确定几个尺度不变段的斜率以及它们之间的阈值(T n，n＝1,2,3...)，图4与图5中T 1、T 2为阈值分界点。
本实施例中的分形求和模型具体在MATLAB中实现。采用分形求和模型进行云提取时云和一部分的雪被归入了同一个分形无标度区中，如图4中D 1和D 2主要为地物，D 3主要代表云，然而它也与许多与冰雪相关的虚假异常混合在一起。在图5中，D 2和D 3表示云区域。T 1＝221.4064是真 实异常的下限，大多数假异常来自东北部的雪(反射率较低)和沙漠。PC2和PC3的结果表明，使用分形求和模型的云检测只会导致很多错误的异常，因为错误的异常与真实的异常共享光谱特征。第二主成分量和第三主成分量共有的部分主要是真异常，此外还有零星的雪；第二主成分量独有的部分是较高反射率的雪，这是由于云和雪异物同谱现象造成的；第三主成分量独有的部分是地面上高反射率地物产生的椒盐噪声和较低反射率的雪。分形求和模型的效果虽优于阈值法，但由于异物同谱现象的存在，像元值的大小并不能起到区分地物的作用，那么我们的思路就应该转向另一个诊断性的特征：空间分布。
步骤3，剔除通过云阈值在当前影像中圈定的云范围中的假异常，得到剔除假异常后的云影像；
步骤31，对多个能够分离云雪的主成分量进行叠置，将多个能够分离云雪的主成分量中共有的云留下，并剔除掉每个主成分分量中独有的云；
本实施例通过Arcgis软件对第二主成分量与第三主成分量进行叠置分析，将各主成分量独有的异常剔除，共有的云留下，然后真异常得以全部保留，但也保留了部分共有的噪声；
步骤32，通过热点分析，剔除当前影像中圈定的云范围中的假异常。
热点分析是局部空间自相关中的一种判定模式，根据在一定的分析规模内的所有要素，计算每个要素热点统计值，得到每个要素的z得分。通过Arcgis进行热点分析，可得知高值或者低值在空间上发生聚类的位置。统计学上，z得分为正表示热点，z得分越高，表示热点聚集就越紧密；z得分负值表示冷点，z得分越低，冷点的聚集就越紧密。根据统计学原理，热点参数z得分越高或越低则空间群聚程度越大，取值越接近于0则越离散，可见 厚云z值最高、薄云次之、冰雪z值均接近于0，本实施例热点分析z值的范围以及最终结果如图6。
由于空间的点除了群聚和分散的差别外还要方向性的差别，雪的出现肯定与山体的走势一致，也就是方向性。
步骤4，剔除假异常后的云影像为一离散点集，在原始坐标系下假设存在一个方向，离散点集中的所有离散点到该方向的标准差距离最小，则设该方向为当前方向；
原始坐标系以云影像的任一顶点为坐标原点，以水平方向为x轴，以竖直方向为y轴；
设该当前方向与原始坐标系x轴的夹角为θ，则将原始坐标轴沿顺时针方向旋转θ，得到新的坐标系X’O’Y’，所述新的坐标系X’O’Y’的坐标原点O’为离散点集中所有点的平均值中点；
在新的坐标系X’O’Y’下绘制所有异常离散点群的标准差椭圆，若该标准差椭圆的长轴方向与山地走向或断裂构造延展方向相同，则该异常离散点群为假异常，剔除该异常离散点群。
如图7，本实施例采用Arcgis软件在新的坐标系X’O’Y’下绘制所有异常离散点群的标准差椭圆。
由于冰雪的标准差椭圆受地形走势极其明显，如地形控制了海拔、风向、气候等因素，高海拔地区常年积雪冰封，而山体背阴面较之于阳面更容易发育冻土、积雪、冰川等地物。根据标准差椭圆的几何形状可以区分这类地物，这一步为定性判断需要一定的人工检视：积雪(含冰川)的分布具有很强的定向性，受高海拔山体或地形走向控制明显。云雾等大气对象无此限制。本实施例通过Arcgis绘制所有异常点群(图斑群)的标准差椭圆，对照其长轴方向 与山地走向、断裂构造延展方向之异同从而区分出真假异常(云层或冰雪)，这样可以剔除冰雪假异常从而减少误判。标准差椭圆的另一个好处就是创建缓冲区，根据风向利用缓冲区的方法识别残余的薄云，在检测到的云的主要延伸方向的边界处做加权缓冲区，大大提高了云检测的精度，同时提高了云检测方法的普适性。

Claims (3)

  1. 一种基于Landsat 8含雪影像的云检测方法，其特征在于，包括以下步骤：
    步骤1，选取任一Landsat 8含雪影像作为当前影像；
    步骤2，在绿波段、红外一波段和红外二波段中选取任意两个波段作为分离云雪的主成分量，基于分形求和模型求取所选取主成分量的灰度频率直方图中的云阈值，即得到当前影像中圈定云范围的阈值；
    步骤3，剔除通过云阈值在当前影像中圈定的云范围中的假异常，得到剔除假异常后的云影像；
    包括：
    步骤31，对多个能够分离云雪的主成分量进行叠置，将多个能够分离云雪的主成分量中共有的云留下，并剔除掉每个主成分分量中独有的云；
    步骤32，通过热点分析，剔除当前影像中圈定的云范围中的假异常。
  2. 根据权利要求1所述的基于Landsat8含雪影像的云检测方法，其特征在于，还包括:
    步骤4，剔除假异常后的云影像为一离散点集，在原始坐标系下假设存在一个方向，离散点集中的所有离散点到该方向的标准差距离最小，则设该方向为当前方向；
    所述原始坐标系以云影像的任一顶点为坐标原点，以水平方向为x轴，以竖直方向为y轴；
    设该当前方向与原始坐标系x轴的夹角为θ，则将原始坐标轴沿顺时针方向旋转θ，得到新的坐标系X’O’Y’，所述新的坐标系X’O’Y’的坐标原点O’为离散点集中所有点的平均值中点；
    在新的坐标系X’O’Y’下绘制所有异常离散点群的标准差椭圆，若该标准差椭圆的长轴方向与山地走向或断裂构造延展方向相同，则该异常离散点群为假异常，剔除该异常离散点群。
  3. 根据权利要求1所述的基于Landsat 8含雪影像的云检测方法，其特征在于，所述红外一波段的波长为1.6μm，红外二波段的波长为2.1μm。
PCT/CN2018/105945 2018-03-30 2018-09-17 基于Landsat8含雪影像的云检测方法 WO2019184269A1 (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US16/627,915 US11151377B2 (en) 2018-03-30 2018-09-17 Cloud detection method based on landsat 8 snow-containing image

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201810275450.XA CN108711159B (zh) 2018-03-30 2018-03-30 基于Landsat8含雪影像的云检测方法
CN201810275450.X 2018-03-30

Publications (1)

Publication Number Publication Date
WO2019184269A1 true WO2019184269A1 (zh) 2019-10-03

Family

ID=63866407

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2018/105945 WO2019184269A1 (zh) 2018-03-30 2018-09-17 基于Landsat8含雪影像的云检测方法

Country Status (3)

Country Link
US (1) US11151377B2 (zh)
CN (1) CN108711159B (zh)
WO (1) WO2019184269A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221634A (zh) * 2021-03-29 2021-08-06 重庆市规划和自然资源调查监测院 低辐射校准精度光学遥感影像云识别方法、系统及计算机存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838065B (zh) * 2021-09-23 2022-06-21 江苏天汇空间信息研究院有限公司 一种基于影像标记的自动化去云方法
CN114494821B (zh) * 2021-12-16 2022-11-18 广西壮族自治区自然资源遥感院 基于特征多尺度感知与自适应聚合的遥感影像云检测方法
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102540277A (zh) * 2012-01-16 2012-07-04 武汉大学 基于面向对象和时序影像的白天陆地辐射雾检测方法
CN104966298A (zh) * 2015-06-17 2015-10-07 南京大学 一种基于微光云图数据的夜间低云大雾监测方法
CN106251310A (zh) * 2016-08-08 2016-12-21 长安大学 一种多光谱遥感异常信息提取方法
US20170228743A1 (en) * 2016-02-05 2017-08-10 Weather Analytics, LLC Crop forecasting with incremental feature selection and spectrum constrained scenario generation
US20170323426A1 (en) * 2016-05-05 2017-11-09 The Climate Corporation Using digital images of a first type and a feature set dictionary to generate digital images of a second type
CN107730527A (zh) * 2017-10-16 2018-02-23 中国科学院遥感与数字地球研究所 一种基于遥感卫星影像的高原地区冰湖提取方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6053910B2 (ja) * 1981-10-06 1985-11-27 東北電力株式会社 積雪量推定装置
US7983446B2 (en) * 2003-07-18 2011-07-19 Lockheed Martin Corporation Method and apparatus for automatic object identification
US8594375B1 (en) * 2010-05-20 2013-11-26 Digitalglobe, Inc. Advanced cloud cover assessment
CN106446312A (zh) * 2015-08-10 2017-02-22 中国科学院遥感与数字地球研究所 基于多源卫星多光谱遥感数据的过火面积估算方法及系统
CN105930817A (zh) * 2016-05-05 2016-09-07 中国科学院寒区旱区环境与工程研究所 一种基于多源遥感数据的公路积雪灾害监测与预警方法
CN106294705B (zh) * 2016-08-08 2017-12-15 长安大学 一种批量遥感影像预处理方法
CN108304775B (zh) * 2017-12-26 2021-06-11 北京市商汤科技开发有限公司 遥感图像识别方法、装置、存储介质以及电子设备
EP3543910B1 (en) * 2018-03-19 2023-05-17 Rosemount Aerospace Limited Cloud detection in aerial imagery
US11010606B1 (en) * 2019-11-15 2021-05-18 Maxar Intelligence Inc. Cloud detection from satellite imagery

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102540277A (zh) * 2012-01-16 2012-07-04 武汉大学 基于面向对象和时序影像的白天陆地辐射雾检测方法
CN104966298A (zh) * 2015-06-17 2015-10-07 南京大学 一种基于微光云图数据的夜间低云大雾监测方法
US20170228743A1 (en) * 2016-02-05 2017-08-10 Weather Analytics, LLC Crop forecasting with incremental feature selection and spectrum constrained scenario generation
US20170323426A1 (en) * 2016-05-05 2017-11-09 The Climate Corporation Using digital images of a first type and a feature set dictionary to generate digital images of a second type
CN106251310A (zh) * 2016-08-08 2016-12-21 长安大学 一种多光谱遥感异常信息提取方法
CN107730527A (zh) * 2017-10-16 2018-02-23 中国科学院遥感与数字地球研究所 一种基于遥感卫星影像的高原地区冰湖提取方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113221634A (zh) * 2021-03-29 2021-08-06 重庆市规划和自然资源调查监测院 低辐射校准精度光学遥感影像云识别方法、系统及计算机存储介质
CN113221634B (zh) * 2021-03-29 2023-09-22 重庆市规划和自然资源调查监测院 低辐射校准精度光学遥感影像云识别方法、系统及计算机存储介质

Also Published As

Publication number Publication date
CN108711159B (zh) 2019-06-18
US11151377B2 (en) 2021-10-19
CN108711159A (zh) 2018-10-26
US20210286970A1 (en) 2021-09-16

Similar Documents

Publication Publication Date Title
Li et al. Multi-feature combined cloud and cloud shadow detection in GaoFen-1 wide field of view imagery
WO2019184269A1 (zh) 基于Landsat8含雪影像的云检测方法
CN109613513B (zh) 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法
Zhang et al. Object-oriented shadow detection and removal from urban high-resolution remote sensing images
US11227367B2 (en) Image processing device, image processing method and storage medium
US11017507B2 (en) Image processing device for detection and correction of cloud cover, image processing method and storage medium
CN103077515B (zh) 一种多光谱图像建筑物变化检测方法
CN109191432A (zh) 基于域变换滤波多尺度分解的遥感图像云检测方法
CN110175556B (zh) 基于Sobel算子的遥感图像云检测方法
CN107992856B (zh) 城市场景下的高分遥感建筑物阴影检测方法
CN111553922A (zh) 一种卫星遥感影像自动云检测方法
CN108051371A (zh) 一种面向生态环境参量遥感反演的阴影提取方法
Zhang et al. Multi-temporal cloud detection based on robust PCA for optical remote sensing imagery
CN104573662B (zh) 一种云判方法和系统
CN109682821B (zh) 一种基于多尺度高斯函数的柑橘表面缺陷检测方法
Zhang et al. A novel multitemporal cloud and cloud shadow detection method using the integrated cloud Z-scores model
CN113705441A (zh) 协同多光谱和sar影像的高时空分辨率地表水体提取方法
CN104966273A (zh) 适用于光学遥感影像的dcm-htm去雾霾方法
CN112686222B (zh) 星载可见光探测器对船舶目标检测的方法和系统
CN114792322A (zh) 一种检测山地国产高分辨率卫星影像云与云阴影的方法
Nagare et al. A unified method of cloud detection and removal robust to spectral variability
Abraham et al. Unsupervised building extraction from high resolution satellite images irrespective of rooftop structures
CN114119634A (zh) 结合植被剔除和图像特征一致性约束的建筑物自动提取方法及系统
Tian et al. Detection of early bruises on apples using near‐infrared camera imaging technology combined with adaptive threshold segmentation algorithm
Yin et al. Threshold segmentation based on information fusion for object shadow detection in remote sensing images

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18911885

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 18911885

Country of ref document: EP

Kind code of ref document: A1