高分四号卫星数据云和云阴影检测算法

高分四号卫星(GF-4)是我国研制的首颗地球同步高分辨率光学成像卫星,具有高时间分辨率和较高的空间分辨率。针对高分四号卫星数据的特点,提出了一种光谱分析与几何算法相结合的云和云阴影检测算法。使用几何校正和辐射定标后的高分四号影像,基于云与典型地表的光谱特征,采用光谱差异分析技术识别出潜在云像元,根据有云地物和无云地物的光谱变化率差异计算云概率;由云和云阴影的几何关系,并结合传感器参数识别云阴影的投影带,然后根据阴影的光谱特征在投影带中设定基于影像的动态阈值,用于检测云阴影。该算法能较好地识别薄云,而且可以显著提高云阴影的检测精度。采用目视解译法对检测精度进行验证后发现,不同区域类型的云像元识别位置准确,形状完整;将所提云阴影检测方法与云和云阴影匹配算法进行对比后发现,前者识别的云阴影更为精确。     

基于双模态融合网络的目标检测算法

针对红外图像和可见光图像的融合目标检测问题,提出一种基于双模态融合网络的目标检测算法。在同时输入红外和可见光图像对后,利用设计的红外编码器提取红外图像空间特征信息;通过设计的可见光编码器将可见光图像从垂直和水平两个空间方向聚合特征,通过精确的位置信息对通道关系进行编码;最后,采用提出的门控融合网络自适应调节两路特征的权重分配,实现跨模态特征融合。在KAIST行人数据集上,与基准算法YOLOv5-n单独检测可见光图像和红外图像的结果相比,所提算法检测精度分别提升15.1%和2.8%;与基准算法YOLOv5-s相比,检测精度分别提升14.7%和3%;同时,检测速度在两个不同基准算法模型上分别达到117.6 FPS和102 FPS。在自建的GIR数据集上,所提算法的检测精度和速度也同样具有明显优势。此外,该算法还能对单独输入的可见光或红外图像进行目标检测,且检测性能与基准算法相比有明显提升。     

联合微光辅助红外遥感数据的夜间微小火点识别算法

基于美国国家极地操作环境（NPP）卫星可见光红外成像辐射仪（VIIRS）的红外和微光遥感数据开展夜间火点检测识别研究,并提出一种联合微光辅助红外遥感数据的夜间微小火点识别（FRJLI）算法。首先,采用VIIRS多天数据融合获得研究区的城市灯光背景图,为火点检测消除城市灯光影响;然后,在传统红外通道火点识别算法的基础上,联合微光通道的火点阈值调试,通过多通道阈值判别、绝对火点识别和上下文判别得到最终的识别结果。以韩国2022年3月4—13日森林火灾和蒙古国2022年4月18—19日草原火灾案例进行实验,根据夜间假彩图和植被指数验证了FRJLI算法识别火点的正确性,分析每天识别火点的亮温和辐射值关系,得出红外与微光数据的相关性及敏感性差异,FRJLI算法较NASA官方火点产品或其他火点算法结果具有更高的识别质量,特别是提高了微小火点的识别率,为更高效准确地识别火点提供了技术支持。针对森林和草原火点的识别效果表明,该算法适用性更广。     

应用单波段亮度变化率获取无云干扰的卫星数据

在卫星遥感检测中,云对数据的反演带来了严重的干扰。精确地确定云区及减弱云的干扰是具有挑战性的问题。根据云的大气辐射特性给出了卫星图像亮度变化率计算公式、图像反射率的变化率计算公式和热红外波段图像亮度温度变化率的计算方法。利用单波段亮度变化率检测卫星数据中云干扰相对强度的新方法,快速、精确地获取云区位置,得到云区以外无云干扰的数据。根据各光谱波段具有不同的透射云层能力的特点,文章还给出了卫星各红外波段对云层透射能力的客观评价以及影响透射效果的因素。在此基础上利用红外波段对伪卷云透射图像数据完成了多波段数据融合。很好地恢复了可见光波段云区下面的真实数据。统计数据表明,融合后的云区图像数据与可见光波段相关性保持一致。     

基于BP神经网络的云检测和云相态识别

为快速高效地进行云检测和云相态识别,提出了基于BP神经网络的云检测和云相态识别方法,并针对中分辨率成像光谱仪(MODIS)的相关数据建立了BP神经网络。利用该算法对MODIS图像进行了云检测和云相态识别,并把识别结果与MOD06数据进行了对比,对比结果表明,该算法对冰云、水云以及混合云的识别准确率分别达到了100%、100%以及99.94%。该算法快速、准确,消除了未确定态,具有很强的自主学习能力。     

基于差分吸收激光雷达的云消除算法研究

差分吸收激光雷达测量臭氧浓度过程中,云层信号会造成对流层臭氧浓度剧烈的抖动,带来了很大的测量误差.本文提出了一种云消除算法,该算法通过插值云层高度区域内的臭氧浓度,有效消除了对流层臭氧浓度的剧烈抖动.通过阐述其理论基础,给出了其算法关键点,即云信号的识别和云高度的精确定位.根据云层消光系数的特点,通过设定气溶胶消光系数阈值获取云层高度信息,利用累加平均有效减少噪音造成的测量误差.结果表明,在精确确定云高、云底的基础上,运用线性插值算法对臭氧测量结果进行修正,可以有效克服云层对测量结果造成的急剧起伏.     

基于机器学习的偏振遥感云检测优化算法

偏振遥感经验阈值云检测算法受主观因素影响较强,极易在亮地表上空出现云检测不准确的问题。针对该问题,本文提出了一种主动和被动遥感卫星相结合的机器学习云检测算法。该算法基于POLDER3载荷多通道多角度偏振特性以及CALIOP载荷高精度云垂直特性展开研究,利用POLDER3载荷和CALIOP载荷观测重合区域数据,搭建了粒子群算法优化的BP神经网络训练云检测模型。基于该云检测训练模型,利用POLDER3一级数据开展云检测试验,试验显示该算法云检测结果与MODIS云检测产品一致性为92.46%,高于POLDER3官方云检测产品与MODIS云检测产品的一致性83.13%。通过对比本文算法试验结果与POLDER3官方云检测产品不同的像元的光学特性发现,相比POLDER3官方算法,本算法对于亮地表上空薄云具有更强的敏感性,能更有效地进行云检测。     

一种适合高光谱卫星云识别的Fmask改进算法

近年来，我国卫星高光谱技术发展迅猛，高分五号、高分五号02星、资源一号02D星、资源一号02E星等相继发射为遥感领域带来了丰富的高光谱数据源。但高光谱卫星在成像过程中不可避免地会受到云及云阴影的影响，如何准确识别成为保障后续应用的关键，Fmask算法作为国内外诸多算法中的典型代表，已被Landsat和Sentinel业务化产品生产系统采用。Fmask算法作为国内外诸多算法中的典型代表，已被Landsat和Sentinel业务化产品生产系统采用。但该算法对于缺少热红外波段的数据精度偏低，例如对Sentinel-2数据的云和云阴影识别精度分别为84.5%和50%左右。鉴于此，本文通过在原有算法中优化云及云阴影识别算法结构、增加高亮地物识别辅助判据等改进手段，提出了一种适合高光谱卫星的Fmask改进算法，并在含有城区、山地、平原等三类不同下垫面场景的20景高分五号和资源一号高光谱影像中进行检验，结果表明：云识别的用户精度和生产者精度可达91.26%和99.97%，云阴影识别精度达到78.66%和79.41%，明显优于原始算法。本文算法对于高光谱数据的云及云阴影识别具有精度高、效果稳定和易于工...     

基于单景遥感影像的去云处理研究

去云处理是遥感图像处理以及大气纠正的重要步骤。常规的去云处理算法会随云的覆盖类型的不同而不同,如同态滤波或时间平均法,这些算法在去除云对影像影响的同时,往往会伴随地物信息的丢失。提出了基于单景遥感影像的去云处理算法———基于遥感影像分类结果及云检测结果的去云处理算法,目的是去除影像中云的散射影响,恢复地物的光谱信息。算法是针对局部有云的单景Landsat7 ETM+影像进行的。根据Landsat7 ETM+波段4,5,7对影像进行聚类分析,确定不同地物的覆盖类型;利用波段1,2,3及波段6划分出影像中的无云区以及不同覆盖厚度的云层;按照相同地物覆盖类型对非云区与不同云区进行平均反射率匹配,以达到去云的效果。结果表明,经过去云处理的影像,在分类运算中能够明显地提高分类精度,能够很好地恢复地物的光谱信息。     

多尺度膨胀卷积神经网络资源三号卫星影像云识别

为提高影像云识别精度,提出一种多尺度膨胀卷积深层神经网络云识别方法。结合卫星影像特征,设计云识别卷积神经网络结构,该结构包含深层特征编码模块、局部多尺度膨胀感知模块以及云区预测解码模块。首先,编码模块中通过基础卷积层获取深度特征;其次,联合多尺度膨胀卷积和池化层共同感知,每层操作连接非线性函数,以提升网络模型的表达能力;最后,云区预测解码模块中融合对应编码模块的特征,再利用L1正则化上采样算法实现端对端的像素级云识别结果。选用典型云遮挡区域影像进行云识别实验,并与Otsu算法和FCN-8S算法进行对比。结果表明,本文所提算法的检测精度较高,Kappa系数显著提升。     

高分五号可见短波红外高光谱影像云检测研究

高分五号(GF-5)卫星上荷载的可见短波红外高光谱相机(AHSI)能够同时获取330个谱段的光谱信息,对大气和陆地进行综合高光谱观测,能有效获取地物的精确信息。云的存在会对遥感影像造成污染,为了提高GF-5数据的利用率,本文结合AHSI的地物高光谱特性,研究多种下垫面背景下的云检测方法。对得到的1级产品,利用产品配套的定标系数以及光谱响应函数文件,得到各波段的大气顶层表观反射率数据。使用多种典型地物与云像元进行表观反射率的对比后发现,厚云与其他类型的像元在可见光波段具有显著差异。高光谱数据由于波段宽度窄,易受到噪声的影响,因此在进行厚云像元判定时,使用多个窄波段数据进行等效计算,得到对应的宽波段表观反射率,在此基础上使用简单的检测阈值可以将厚云筛选出来。之后使用卷云波段,筛选出潜在的薄云像元。高亮地表作为薄云检测的重点研究对象,检测时极易与薄云造成混淆,为了将薄云区域与高亮地表进行有效区分,统计不同波段之间表观反射率比值的变化,将薄云与易造成误判的高亮区域进行对比,确定最优判定波段与阈值。为了验证算法的精度,对多景AHSI影像进行目视解译,勾选出云像元区域作为基准数据。实验结果表明,本文所提方法的云检测总体精度可达91%以上,可以准确区分云与晴空区域,实现高精度的高光谱遥感影像云检测。     

基于深度迁移学习的脉冲涡流热成像裂纹缺陷检测

提出一种迁移学习与深度学习相结合的钢板裂纹缺陷检测方法。首先,通过非负矩阵分解（NMF）建立红外缺陷数据集的目标域特征空间,以余弦相似度为衡量指标选取可见光缺陷数据集的源域样本,对深度学习模型进行预训练,并将模型权重参数迁移至目标域,实现相似领域的知识迁移;然后,在YOLO v5算法基础上引入自适应空间特征融合（ASFF）模块,提高缺陷检测精度。实验结果表明：所提方法对钢板脉冲涡流热成像裂纹缺陷的检测精度达到98.6%,可实现不同长度裂纹的准确识别与定位。     

基于InGaN/GaN多量子阱双波长发光二极管生长及发光性能

差分吸收激光雷达测量臭氧浓度过程中,云层信号会造成对流层臭氧浓度剧烈的抖动,带来了很大的测量误差.本文提出了一种云消除算法,该算法通过插值云层高度区域内的臭氧浓度,有效消除了对流层臭氧浓度的剧烈抖动.通过阐述其理论基础,给出了其算法关键点,即云信号的识别和云高度的精确定位.根据云层消光系数的特点,通过设定气溶胶消光系数阈值获取云层高度信息,利用累加平均有效减少噪音造成的测量误差.结果表明,在精确确定云高、云底的基础上,运用线性插值算法对臭氧测量结果进行修正,可以有效克服云层对测量结果造成的急剧起伏.     

缺陷关联参数红外检测Levenberg-Marquardt改进识别算法研究

对Levenberg-Marquardt(LM)算法在缺陷参数估计修正过程中无法确保参数几何关联性的局限性进行改进,并保留原算法快速收敛的特性.以二维试件内部矩形缺陷红外检测为例,采用数值实验方法比较改进前后的LM算法,分析初始假设、红外测温误差对缺陷定量识别结果的影响.数值实验表明:改进后的LM算法参数修正过程中确保了关联性的一致性;不同初始假设对缺陷识别结果的影响不大;受红外测温误差的影响,各缺陷参数之间表现出不同的识别精度.     

利用改进型AAGD算法的红外小目标检测

针对红外目标检测中小目标检测精度较低的问题,提出了一种利用改进型平均绝对灰度差(AAGD)算法的红外小目标检测。针对AAGD算法的缺点,在其基础上,融合灰度与显著性特征,用于核相关滤波器,以解决红外目标特征简单且信息量少的问题;提出一种自适应双滑动窗口,针对不同区域调节聚合窗口形状及像素点权重,以实现高强度结构背景附近的机动目标的匹配,提高小目标检测的准确度;利用MATLAB仿真平台对所提方法进行实验论证,结果表明,所提方法能够在噪声、高强度锐利边缘和结构背景等复杂图像中准确检测出小目标,且其准确度、稳定性、执行时间等方面均优于其他对比方法。     

复杂海空背景下红外弱小目标检测技术研究

为实现舰载红外警戒系统对海空背景下红外弱点目标的检测，根据目标识别系统的组成及目标检测识别信息处理流程，研究了远距离弱小目标的检测识别算法。结合形态学的方法给出一种目标检测算法，该算法可以有效地消除云层、海浪、海天线以及传感器本身引入的杂波和噪声干扰，仿真结果表明采用本文提出的算法有利于对目标的进一步识别，提高舰载红外警戒系统的目标检测性能。     

红外点目标检测的小波变换方法研究

在对红外图像目标特性及背景特性分析的基础上,提出了基于小波变换高频子图像处理算法及基于小波变换的区域相关算法,着重解决当目标距离成像系统较远时的点目标检测问题.实验结果表明:将区域相关算法和图像局部区域阈值的自适应滤波检测技术相结合,可显著提高红外点目标检测概率,实现较远距离的点目标检测.     

动态阈值云检测算法改进及在高分辨率卫星上的应用

基于先验地表反射率数据库支持的动态阈值云检测算法(UDTCDA)可以显著提高卫星数据的云检测精度。为进一步提高其在波段相对较少的高空间分辨率卫星数据云检测应用中的精度,改进了UDTCDA中先验地表反射率数据与待检测卫星数据的空间匹配方法。与原方法使用重采样达到空间分辨率一致不同,该方法根据待检测影像高空间分辨率的特点,采用逐像元空间地理坐标配准的方法与真实地表反射率数据进行配准,然后进行云像元检测。该方法保留了高分辨率影像空间分辨率的优势,可以有效降低空间重采样造成的像元信息丢失。分别使用资源3号、高分1号、高分2号和高分4号高分辨率卫星数据开展云检测实验。通过遥感目视解译的方法对结果进行精度验证,并与UDTCDA云识别结果进行对比。结果表明,改进后的算法能以较高的精度识别不同高分辨率卫星影像中的云,总体精度可达到93.92%,对于碎云和薄云具有整体较高的识别精度,漏分误差和错分误差分别低于10.40%和9.57%。     

基于伪模态转换的红外目标融合检测算法

为提高红外图像目标检测的精度和实时性,提出一种基于伪模态转换的红外目标融合检测算法.首先,利用双循环的生成对抗网络无需训练图像场景匹配的优势,获取红外图像所对应的伪可见光图像;然后,构建残差网络对双模态图像进行特征提取,并采取add叠加方式对特征向量进行融合,利用可见光图像丰富的语义信息来弥补红外图像目标信息的缺失,从而提高检测精度;最后,考虑到目标检测效率问题,采用YOLOv3单阶段检测网络对双模态目标进行三个尺度的预测,并利用逻辑回归模型对目标进行分类.实验结果表明,该算法能够有效地提高目标检测准确率.     

基于稳健主成分分析和多点恒虚警的红外弱小目标检测

针对红外图像中由复杂背景和目标多形态带来的单帧检测暗弱小目标比较困难的问题,提出了一种先进行阈值分割粗提取,后进行多点信噪比精检测的算法。在粗提取阶段,提出了改进的基于稳健主成分分析(RPCA)的阈值分割算法,利用邻域稀疏度均值与整幅稀疏图像均值的比值进行阈值分割,从而进一步剔除孤立噪点和背景云层边缘的杂波。在精检测阶段,提出了基于统计特性的多点恒虚警检测算法,统计候选点在邻域内每个像元的信噪比,利用虚警率门限和统计数量阈值筛选目标点,从而克服由小目标能量弥散带来的多形态特征问题。实验结果表明,所提算法在复杂背景下的探测率达到95.6%,与利用单像元和邻域像元均值计算信噪比的方法相比,虚警率分别降低了56.1%和47.1%。