耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型研究

云覆盖阻碍了光学遥感卫星对地观测的有效范围,快速、准确的云检测是遥感应用产品生成过程中的重要一步。针对Google Earth Engine云平台中缺乏适用且高质量的云检测模型,以热带多云的斯里兰卡为研究区,构建了耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型,通过实验从目视判读与定量分析两个角度对比了其与QA60法、Cloud-Score算法以及Fmask的云检测精度,并在海南岛和亚马逊森林两个地区进行了云检测测试。研究结果表明：Fmask模型的云检测性能最低,总体精度仅为63.45%,存在严重的水体误分为云的现象,但其漏提率极低;QA60法对卷云识别不足,漏提率较高,同时存在一定的误分现象,并且低空间分辨率影响了云体边界提取结果的细节性;Cloud-Score算法的云检测性能明显好于QA60法,总体精度达到了89.83%,误提率仅为2.17%,但仍存在部分卷云漏提的现象;相比于其他3种云检测方法,本文提出的云检测模型总体精度最高,达到了98.21%,并且拥有极低的漏提率和误提率,能比较精准地识别出云体的边界,可满足Sentinel-2遥感产品的云检测预处理需求。     

国产高分辨率卫星影像云检测北大核心CSCD

针对高分辨率卫星影像在云检测过程中存在少云影像难以检测、云过渡区域检测不理想和类云地物难以去除的问题,提出一种联合阈值分割云检测算法和基于梯度的类云地物去除算法。首先,对影像进行梯度增强,以提高云与其他地物的光谱差异;其次,根据有云影像直方图呈现U形的特征,将影像分为有云和无云影像;然后,通过联合阈值分割方法检测云区域,并利用云区域内波谱特征验证云检测的正确性;最后,根据云与类云地物边缘梯度的差异性去除类云地物。选用高分一号、资源三号和天绘一号进行实验,并与大津法、树状结构法和目视解译结果进行对比。实验结果表明,所提出算法普适性强,不仅能够准确地检测多云影像,而且对于少云影像也具有较高的准确率,其检测效果优于大津法和树状结构法。     

针对FY2E影像的白天雾检测研究

传统基于遥感的雾检测方法,主要利用极轨卫星遥感影像（如MODIS、AVHRR）建立雾检测模型,尽管极轨卫星影像的光谱信息丰富,但是其过境时间一般比较迟,MODIS为当地时间11点左右,AVHRR为当地时间14时左右,而且单颗极轨卫星的时间分辨率为一天左右,无法很好地满足雾检测的实际需要。针对静止卫星的雾检测研究还比较少,其主要思想是利用光谱差异进行雾检测。选择FY2E影像并结合面向对象思想开展白天雾检测研究,利用Streamer辐射传输模型针对云、雾、雪、地表对FY2E影像的5个波段进行模拟,构建雪检测指数（SDI）、雾检测指数（FDI）等6个雾检测特征参数;选择特征波段,利用Mean Shift分割方法完成FY2E影像的分割,基于雾检测特征参数构建雾检测区域特征参数;建立白天雾检测模型,选择案例数据进行实验,并利用地面站点实测数据进行精度评定。实验结果表明,提出的雾检测模型取得了很好的检测效果。     

资源一号02D可见近红外和高光谱影像辐射质量评价

资源一号02D（ZY1-02D）卫星搭载了我国自主研制的可见近红外相机（VNIC）和高光谱相机（AHSI）,是我国首颗民用高光谱业务卫星,具有广泛的应用前景。通过整体辐射精度、信噪比、清晰度以及信息熵4个评价指标,对ZY1-02D VNIC和AHSI数据进行辐射质量评价,并分别采用Sentinel-2 MSI和GF-5 AHSI数据进行对比。结果表明： ZY1-02D VNIC数据在可见光波段具有亮度高、信噪比高等优势;在红边近红外等波段,影像具有灰度范围大、信息量大的特点。ZY-1-02D VNIC数据在影像亮度、灰度范围、清晰度和信息量方面均优于Sentinel-2,二者信噪比近似。ZY-1-02D AHSI数据在395—1 341 nm范围内辐射质量良好;在1 929—2 501 nm范围,存在噪声严重的波段,影像质量较差。与GF-5 AHSI数据对比,ZY-1-02D AHSI数据的影像亮度和信噪比相当,但ZY-1-02D AHSI数据在灰度范围方面优势明显,且短波红外谱段的清晰度和信息量优于GF-5 AHSI数据。     

基于HSV色彩空间的MODIS云检测算法研究

云是一种自然现象,广泛、高频、不规律地出现在地球上空,因此云也经常在卫星影像上有所体现。在遥感影像中,云覆盖在很大程度上降低了数据的质量和利用率。云检测是进行遥感数据处理与分析的基础和必要环节,因此准确地提取云区所在位置是一个非常有意义的研究课题。提出基于HSV色彩空间的MODIS云检测算法,首次将HSV色彩空间引入云检测领域,提出的算法以云与其他地物的自身光谱特性和光谱差异为理论基础,以色彩空间HSV正变换为数学基础,将MODIS波段1、6和26的假彩色合成影像进行HSV正变换,对获得的色调值（H）进行简单的、客观的阈值限定,获得最后的云检测效果。该算法具有精度高、简单可行、客观性强和计算速度快等特点,适用于不同的下垫面和季节,云检测效果理想。     

基于波段运算和纹理特征的高分一号多光谱数据云检测

针对国产高分一号卫星16m宽幅多光谱遥感影像仅含有可见近红外波段的情况,提出了基于波段运算与空间纹理特征相结合的云检测方法。首先基于光谱特征和波段运算生成初始云掩膜,然后结合纹理特征提高检测精度,最后采用阈值分割生成云掩膜。实验结果表明,该方法能够很好地检测出不同时相、不同类型下垫面上空的云像元,可以满足应用需要。由于在云检测方法中综合应用了波段光谱和空间纹理特征,理论上具有一定的普适性,对其他仅有可见近红外波段的遥感影像云检测具有参考意义。     

激光雷达数据辅助的FY-3D影像阈值自适应云检测方法

国产风云系列卫星可为全球范围内大气、陆地和海洋的遥感监测提供重要数据支撑,由于光学卫星影像不可避免受到云覆盖的影响,通过云检测获取准确的云掩膜是风云系列卫星影像精细处理与应用的关键。现有的云检测方法大多采用简单高效的阈值法,然而由于传感器光谱响应以及不同场景云覆盖下垫面的辐射差异,在缺少大量真实云覆盖标记情况下,现有方法往往难以确定最优的检测阈值。鉴于此,提出了一种阈值自适应的云检测方法（TACD）,顾及传感器波段特性以及云覆盖下垫面差异,设置不同场景下的多通道阈值测试,包括反射率及反射率组合测试、亮度温度测试、亮度温度差异值测试、卷云测试等,联合具有高精度云层信息的激光雷达数据构建全球范围的云检测样本集,实现基于样本集真实云标记的迭代阈值优化,最终基于最优的阈值进行云检测。以风云三号（FY-3D）MERSI-II影像为例,联合CALIOP云层数据构建全球范围的云检测数据集,并将所提出的TACD方法云检测结果与官方云掩膜产品进行对比,结果表明该方法较官方云检测算法精度有明显提高,其中平均交并比从80.35%提升至84.09%,召回率可达92.67%,具有业务化应用的潜力。     

面向半球尺度数据的云检测方法

目的 云覆盖着地球上空大部分区域,在地球水循环、地气系统能量平衡和辐射传输过程中有着重要的作用,同时云也是天气气候中最重要、最活跃的因子之一;此外,云覆盖地表信息,导致影像配准、融合等处理过程的很多问题,所以云检测十分重要。方法 基于2015年发射的深空气候观测台（DSCOVR）卫星搭载的地球彩色成像相机（EPIC）数据,针对EPIC数据波段范围较广和影像数据是半球尺度的特点,以云指数法作为基础,提出一种新的面向半球尺度数据的云检测方法。首先,分析EPIC数据各个波段的波段特征,尤其是紫光波段,然后根据云在不同波段的反射特性,以指数的形式完成波段组合进行云检测,再与SVM（support vector machine）云检测法和可见光云检测法进行比较,最后利用EPIC L2产品对所获得的云分布图和统计云量值进行结果验证,以正确率、漏检率、误检率和Kappa系数作为参考标准完成精度评定。结果 实际EPIC夏季（2017年7月）和冬季（2017年1月）数据的实验结果表明,本文方法的正确率均高于91%,Kappa系数大于0.9;其他方法的正确率均低于89%,且Kappa系数在0.8左右,均小于0.9。所以本文能够有效地检测到薄云（即使在冬季）,且云量和云的分布都最为接近实际。结论 在EPIC影像的云检测过程中,本文方法从云分布图和云量结果两个方面都优于可见光云检测法和SVM云检测法,经EPIC L2产品验证,本文方法有效、可靠,且能够快速获得半球范围内云的分布情况,有助于对全球云的动态研究和自然天气预测。     

Sentinel-2卫星影像融合方法与质量评价分析

Sentinel-2卫星传感器获取的是3种不同空间分辨率的光学遥感影像,如何通过融合方法提高较低空间分辨率波段的空间分辨率成为Sentinel-2数据应用面临的问题之一。以Sentinel-2B影像为数据源,利用相关系数最大法、中心波长最近邻法、像元值最大法和主成分分析等4种方法从4个10 m分辨率的波段中产生一个高分辨率波段;采用主成分分析、高通滤波、小波变换、Gram-Schmidt变换以及Pansharp共5种融合方法,对产生的高分辨率数据和6个20 m分辨率的多光谱数据进行融合,并从定性、定量(信息熵、平均梯度、光谱相关系数、均方根误差和通用图像质量指数)以及融合影像的分类精度3个方面对融合效果进行评价,结果表明:相关系数最大法的Pansharp方法融合图像质量优于其他融合方法,分类精度略低于最高的像元值最大法的GS方法,并且远高于4个原始10 m分辨率的多光谱影像的分类精度。从实验数据的分类精度分析,不同融合方法在不同地物提取中各有优势,在实际应用中,应根据实际研究需要,选择适宜的方案。该研究可为Sentinel-2卫星以及相似卫星数据处理和应用提供参考。     

基于Sentinel-1双极化数据改进水体提取的Otsu算法

基于SAR图像的阈值分割法是水体信息有效提取的常用方法之一。针对Otsu算法对于SAR影像水体提取精度低、噪声大的问题,以C波段Sentinel-1 SAR为数据源,提出一种基于Otsu算法的SAR图像水体提取新方法。该方法首先基于双极化数据构建自然指数函数,优化原始Sentinel-1数据图像像元直方图分布,再结合Otsu算法对图像进行水体提取,最后基于DEM数据去除误提取的山体阴影。以同一天的Landsat 8光学影像作为真实水体样本进行精度评定,结果表明：在不同水体占比情况下,该方法水体提取精度均优于Otsu算法,在水体占比小于10%时综合精度提升约为20%—60%,而且噪声小、适用性强,可用于快速高效获取大范围内水体信息。     

一种基于噪声水平估计的扩展线性光谱分解算法

针对传统的光谱分解算法忽略了影像在不同波段的不同噪声水平,导致分解精度提高受限。为克服这个问题,以高光谱影像为基础,提出了一种基于噪声水平估计的扩展线性光谱分解算法（NELMM）。首先,根据高光谱应用中的多元回归理论,估计相邻波段的噪声;其次,从估计噪声中获得噪声权重矩阵;最后,将噪声权重矩阵引入到线性混合像元的框架中,可以减轻不同波段噪声水平的影响。为验证算法精度,利用全约束最小二乘法（FCLS）和协同稀疏分解算法（CLSUnSAL）来进行对比分析,并通过此算法反演TM影像的植被覆盖度来验证其在多光谱影像上的实用性。结果表明：NELMM算法对高光谱影像分解的结果比FCLS和CLSUnSAL好,其噪声权重矩阵很好地平衡了波段间的噪声,使NELMM算法分解影像的精度显著提高;同时,此算法对多光谱影像分解呈现很好的适用性。     

基于CNN的吉林一号卫星城市土地覆被制图潜力评估

以吉林一号视频07B星高分遥感影像为基础,采用卷积神经网络（CNN）对城区土地覆被进行精细分类,设置多组光谱变量集合,并与最大似然法、多层感知机和支持向量机分类方法进行对比,全面评估分析各方法对城区土地覆被信息提取的适用性及波谱特征对分类精度的影响。结果表明：CNN模型的分类精度最高,总体精度高于90%,相比其他方法提高幅度达12%以上,能够显著降低“椒盐”噪音;红边波段对所有方法总体分类精度贡献十分有限,而近红外波段对分类精度的提升较为明显;总体而言,红边和近红外波段对CNN分类精度影响较为微弱。深度学习应用于吉林一号高分遥感数据能获取高精度城区土地覆被分类图,可为城市土地资源配置,城市规划与管理提供重要的支撑。     

Sentinel-2 Satellite Image Fusion Methodand Quality Evaluation Analysis

Sentinel-2 satellite sensors acquire three kinds of optical remote sensing images with different spatial resolutions.How to improve the spatial resolution of lower spatial resolution bands by fusion method is one of the problems faced by Sentinel-2 applications.Taking the Sentinel\|2B image as the data source,a high spatial resolution band was generated or selected from the four 10m spatial resolution bands by four methods:the maximum correlation coefficient,the central wavelength nearest neighbor,the pixel maximum and the principal component analysis.We fused the one high spatial resolution band produced and six multispectral bands with 20 m spatial resolution by the five fusion methods of PCA,HPF,WT,GS and Pansharp to produce six multispectral bands with 10 m spatial resolution and the fusion results were evaluated from three aspects:qualitative and quantitative (information entropy,average gradient,spectral correlation coefficient,root mean square error and general image quality index) and classification accuracy of fused images.Results show that the fusion quality of Pansharp with the maximum correlation coefficient is better than other fusion methods,and the classification accuracy is slightly lower than the GS with the pixel maximum of the highest classification accuracy and far higher than the original four multispectral image with 10 m spatial resolution.According to the classification accuracy of experimental data,different fusion methods have different advantages in extraction of different ground objects.In application,appropriate schemes should be selected according to actual research needs.This research can provide reference for Sentinel-2 satellite and similar satellite data processing and application.     

标准分数降维的3D-CNN高光谱遥感图像分类

针对高光谱图像存在Hughes现象,以及空间和光谱特征利用效率低的问题,提出了一种结合标准分数降维和深度学习的高光谱图像分类算法。利用标准分数对高光谱数据的波段质量进行评价以剔除高光谱遥感图像中的冗余波段,结合优化过的3D-CNN（3D Convolutional Neural Network）分类方法,通过使用大步距卷积层替代池化层,引入L2正则化、批量归一化（Batch Normalization,BN）、Dropout等一系列策略,在减少网络参数的同时有效防止过拟合现象。通过Pavia Centre和Pavia University两个公开高光谱数据集的实验测试,该算法大幅度降低了网络模型的参数和计算量,取得了99.01%和95.99%的分类精度。     

极轨气象卫星图像的云自动检测方法研究

图像上云的存在给遥感图像的处理与分析带来了不便。本文探讨了利用极轨气象卫星图像可见光波段的反射率和热红外波段的亮温信息进行云自动检测的方法。该方法在可见光波段是否有效判断的基础上,进行图像水陆区域划分,然后对不同图像、不同波段的水域和陆域分别设定合理的阈值,实现了云自动检测目的。试验结果表明,该方法能够取得较高的云检测精度。     

Radiometric and geometric assessment of data from the RapidEye constellation of satellites

To monitor land surface processes over a wide range of temporal and spatial scales, it is critical to have coordinated observations of the Earth's surface using imagery acquired from multiple spaceborne imaging sensors. The RapidEye (RE) satellite constellation acquires high-resolution satellite images covering the entire globe within a very short period of time by sensors identical in construction and cross-calibrated to each other. To evaluate the RE high-resolution Multi-spectral Imager (MSI) sensor capabilities, a cross-comparison between the RE constellation of sensors was performed first using image statistics based on large common areas observed over pseudo-invariant calibration sites (PICS) by the sensors and, second, by comparing the on-orbit radiometric calibration temporal trending over a large number of calibration sites. For any spectral band, the individual responses measured by the five satellites of the RE constellation were found to differ <2–3% from the average constellation response depending on the method used for evaluation. Geometric assessment was also performed to study the positional accuracy and relative band-to-band (B2B) alignment of the image data sets. The position accuracy was assessed by comparing the RE imagery against high-resolution aerial imagery, while the B2B characterization was performed by registering each band against every other band to ensure that the proper band alignment is provided for an image product. The B2B results indicate that the internal alignments of these five RE bands are in agreement, with bands typically registered to within 0.25 pixels of each other or better.     

Band Selection of Hyperspectral Images for Automatic Detection of Poultry Skin Tumors

This paper presents a spectral band selection method for feature dimensionality reduction in hyperspectral image analysis for detecting skin tumors on poultry carcasses. A hyperspectral image contains spatial information measured as a sequence of individual wavelength across broad spectral bands. Despite the useful information for skin tumor detection, real-time processing of hyperspectral images is often a challenging task due to the large amount of data. Band selection finds a subset of significant spectral bands in terms of information content for dimensionality reduction. This paper presents a band selection method of hyperspectral images based on the recursive divergence for the automatic detection of poultry carcasses. For this, we derive a set of recursive equations for the fast calculation of divergence with an additional band to overcome the computational restrictions in real-time processing. A support vector machine is used as a classifier for tumor detection. From our experiments, the proposed band selection method shows high detection accuracy with low false positive rates compared to the canonical analysis at a small number of spectral bands. Also, compared with the enumeration approach of 93.75% detection rate, our proposed recursive divergence approach gives 90.6% detection rate, which is within the industry-accepted accuracy of 90-95%, while achieving the computational saving for real-time processing.     

基于类内拟合的遥感影像薄云雾校正方法

光学遥感观测极易受到云雾影响,降低数据质量并限制其后续应用潜力。由此,提出了一种基于类内拟合的遥感影像薄云雾校正方法。首先,利用滑动窗口逐波段地搜索局部最小值,称之为暗目标,通过拟合不同波段的暗目标样本估计出薄云雾辐射的相关性。基于此,联合云雾波段相关性与成像模型,生成不含云雾干扰的合成假彩色影像,利用K均值分类自动得到地表覆被类型。利用地类信息,进一步选取晴空区像元获取不同地类在不同波段对间的线性关系。最后,将上述两种线性关系进行联立,求解出各地表类型在不同波段上的值,从而完成影像校正。通过模拟与真实实验对方法有效性和场景适用性进行测试,并从定性目视与定量评估两方面对结果进行检验。实验结果表明：提出方法可有效去除薄云雾干扰,适用于不同地表覆被类型场景,获得高光谱保真的校正地表。