遥感图像的云分类和云检测技术研究

为了有效减小云层遮盖对遥感图像数据利用率的影响,提出了一种基于灰度特性 的算法,实现了遥感图像高效自动的云分类及云检测。该方法首先将大幅遥感图像切分成小块 子图,然后统计子图灰度值的均值和方差,在此基础上将云分成无云、薄云和厚云三类,最后 通过边缘检测算法,实现了对厚云影响范围的有效标记。对100 幅典型水域遥感图像的实验测 试结果表明：正确云分类判别率达到97%,误判率小于4%,漏判率小于2%,基本满足实时性 需求,证明了该算法的有效性。     

基于相似像元替换的遥感影像厚云去除方法研究

去云处理是遥感图像处理以及遥感制图的重要步骤。常规的去云处理算法在去除云对影像影响的同时, 通常也会伴随地物光谱信息的丢失。提出了一种基于相似像元替换遥感影像厚云去除方法。首先利用改进的单时相法对有云的图像进行云检测并制作云掩膜图像,然后利用该图像中掩膜之外区域的合适像元对掩膜部分的像元进行替换,最后对边界进行后处理得到一幅过渡平滑的云去除图像,结果表明, 该方法可以有效的实现厚云的去除,同时也能够有效地恢复地物的光谱信息。     

高分辨率遥感影像中的云阴影去除

文章提出了一种人机交互的半自动云阴影去除算法。首先通过人机交互半自动方式将图像分割为云区域、阴影区域、清晰地物区域以及过渡区域四个部分,然后通过将云阴影区域的直方图映射到清晰区域来对阴影区域灰度进行补偿,最后对边界进行后处理得到一幅过渡平滑的去除了云阴影的图像。实验结果表明,该方法对高分辨率遥感影像中的云阴影去除是有效的。     

基于支持向量机的遥感图像厚云去除算法

厚云的存在大大降低了遥感图像的利用率,利用支持向量机超强捕获边缘点的能力和图像融合方法,提出了一种基于支持向量机遥感图像厚云去除算法。首先构造支持向量值轮廓波变换并对图像进行分解,然后进行云层检测和图像融合,最后进行支持向量值轮廓波逆变换,得到重构图像。仿真实验表明,对于有厚云覆盖但无云区重叠的遥感图像,该算法能取得满意的去云效果,不仅保留了图像边缘信息,而且有效地解决了云层残留问题。     

遥感视频实时云检测的FPGA高效实现方法

针对目前遥感图像云检测算法及算法运行所需硬件平台复杂度高,无法进行在轨实时检测的问题,提出了一种基于FPGA的面向卫星在轨实时运行的遥感视频云检测方法.首先根据不同的遥感视频输入格式对其自适应降采样处理;其次对顺序流入的图像自适应阈值分割,然后对分割后的图像进行聚类获取云区域,进而提取每一块云区域的特征向量;最后计算整幅图像的云覆盖率和可用度,以此判断是否将图像下传.实验结果表明,在60 MHz的时钟下,且Camera Link接口每个时钟周期同时输入两个像素时,822×1096大小的遥感视频云检测速度可达132 fps,相对于传统的嵌入式双核CPU,速度提升了6～7倍.该方法可实现卫星在轨实时云检测,极大地缓解了有限的星地数传带宽和巨大的遥感数据量之间的矛盾,大幅提升遥感卫星系统应用效能,具有很强的实用价值.     

基于改进NSST-PCNN的光学与SAR图像融合去云方法

由于光学遥感穿透性差,光学图像常受到云层等天气因素干扰而影响其遥感应用。现有基于多时相或单幅图像修复的方法受地物变化及缺乏先验信息的影响,难以恢复云下真实地物信息。利用SAR图像不受云层、光照等因素干扰的特点,提出一种与SAR图像融合的光学图像去云方法。首先利用分形网络演化算法（FNEA）结合形状及光谱特性对云区进行检测,接着采用非下采样剪切波变换（NSST）对光学与SAR图像进行分解,最后对分解后系数结合云区检测结果进行融合,其中低频信息基于改进加权能量和进行融合,高频则结合方向信息熵及脉冲耦合神经网络（PCNN）模型进行融合。以高分一号、二号光学和高分三号SAR图像数据进行实验。结果表明,该方法相较其他5种算法在云区与参考图像有更高的相似性,可以更好地保持纹理及细节特征,在有效解决云层遮挡问题的同时实现图像增强,有利于后续图像分类、目标识别以及图像判别等遥感应用。     

一种基于ENVI二次开发的遥感薄云去除方法的改进

近年来常用的同态滤波去云算法因其采用滤波器的局限性只能去除低频区域的云而无法去除高频区域的云。因此在分析传统的同态滤波去云算法的基础上,引入了空域滤波,采用中值滤波器对图像进行处理,旨在去除高频区域的云。而后在ENVI遥感图像处理软件平台中采用IDL语言实现了算法并对ENVI进行二次开发。经实验结果分析表明,该法是有效的,并且为遥感数据的后续应用提供了方便。     

新型云区域检测算法

为了更加精确地检测出遥感图像中云区域的边界及细节信息,提出了将最小交叉熵和形态学相结合的方法来对遥感图像进行云区域检测。从遥感图像的灰度特征出发,通过最小交叉熵准则选取最优的阈值来检测图像中的云区域,再通过形态学的开运算,消除与云区域不相连或者被误判的小的光亮的地物信息,最后在彩色遥感图像上勾勒出云区域的边界。实验结果表明,该算法简单快速,能够很好地区分出云区域和下垫面,并且能够准确地对云区域边界细节信息做出判断。     

基于稠密残差网络的多序列卫星图像去云

遥感影像中最常见的问题是云层污染,它会导致图像信息缺失,降低遥感数据的可用性。针对该问题,提出了一种基于稠密残差网络的多序列卫星图像去云算法。首先,该网络使用多序列的有云卫星图像作为输入,能为网络提供更多的时序特征信息,提升去云效果;其次,在网络中段使用稠密残差层,以保证卷积层之间最大程度地传递和使用特征信息,让生成的修复图像整体结构合理、边缘细节更加清晰;最后,使用像素上采样来增强空间信息的利用,提升修复效果。该方法在欧洲"哨兵-2"遥感卫星图像数据集上进行验证,峰值信噪比和结构相似度指标为27.59和0.854 0,两项指标均超过了该数据集的原处理方法STGAN,提升了遥感图像去云的效果。     

基于边缘特征和AdaBoost分类的遥感图像云检测

传统遥感图像云检测方法在处理山地、雪地、暗云等场景时极易发生错判,准确度较低。通过对遥感图像中云与地物的不同特点进行分析,提出一种新的遥感图像边缘特征描述方法,结合图像的边缘特征和灰度特征使用AdaBoost分类器进行云图分类,并利用图像的空间相关性对分类结果进行修正。经10万余幅图像测试结果表明:该算法与传统算法相比准确度极大提高,正确率达到96%以上,且运算速度快,满足实时性要求。     

基于光谱特征分析的MODIS影像去云算法的研究

去云处理是遥感图像处理的重要步骤,提出了一种新的基于光谱特征分析的MODIS影像去云算法--首先分析云和云影地域的光谱特征,总结出云影响增强模型,计算一定周期内多时相遥感影像中云影响最小的影像的索引矩阵;为了进行图像之间的匹配,选择这些影像数据中云影响最小的一幅影像作为基准图像,对于无云的部分地域,对其余影像进行一元线性回归分析;利用提取的索引矩阵和图像之间的回归模型,通过像元替换方法,可以获得去除或者弱化云影响的图像。为了验证结果的准确性,通过该算法得到的250m空间分辨率的云检测图像与NASA提供的云检测图像进行对比分析,研究结果表明：提出的去云算法能消除或者大大减弱云对MODIS影像的影响。     

一种高保真同态滤波遥感影像薄云去除方法

同态滤波是一种常用的遥感影像薄云去除方法,但传统方法在抑制薄云对应的低频区域时,会不可避免地改变非云区的辐射信息。本文提出一种高保真遥感影像薄云去除方法,在同态滤波框架内利用基于区域模板的检测方法进行云区判别,处理时仅对云区用同态滤波结果进行替换,无云区则保留原始影像的亮度值。为进一步提高影像的保真度,影像拉伸处理时进一步剔除了云区对拉伸系数的影响。实验结果表明,本文方法能够在有效去除薄云的同时保留非云区的辐射信息,具有高保真特性。     

多光谱遥感图像去云方法

云覆盖是遥感图像解译过程中常遇到的问题。本文在介绍了几种常用于多传感器遥感图像去云方法的基础上,探讨了基于精度融合的频率域高通滤波去云方法,并对ETM图像进行去云处理,结果表明这种方法具有很好的去云效果,同时计算简便,此外这种方法还具有很强的普适性。     

基于颜色空间变换的遥感图像去厚云方法

由于气候条件等因素,获取清晰无云的大面积遥感图像几乎不可能。在所获取的遥感图像中常含有大量的厚云完全遮盖了地表的实际地物情况。提出了一种基于遥感自动分类和颜色空间变换的多时相遥感图像厚云去除方法。实验结果表明,该方法不但能够去除厚云,而且能够很好地校正不同时相遥感图像间的颜色和亮度差异。     

基于生成对抗网络的遥感图像去云算法

计算机视觉中的许多问题可以抽象为将输入图像“转换”成对应的输出图像,图像转换算法是许多计算机视觉问题的通用解决方案,例如语义分割、风格转换等。本文将以遥感图像去云作为图像转换的特例,研究基于生成对抗网络的图像转换算法。提出基于残差模块的生成模型可以对单幅遥感图像进行厚云和薄云的去除;同时提出的多尺度判别网络以及VGG损失函数,有效地解决了复杂场景的云雾遮挡问题。实验结果表明,本文提出的图像转换算法在遥感图像薄云数据集上峰值信噪比提升了1.64 dB,在厚云数据集上峰值信噪比提升了1.92 dB,同时生成的无云遥感图像和真实的无云图像具有较高的结构相似性。     

遥感图像特征定位算法的仿真分析

研究遥感图像中的特征准确定位问题.天空中的碎云层会对通信卫星发出的成像射线形成一定的阻挡,造成遥感碎云干扰,使得在有碎云干扰情况下形成的遥感图像中的特征会发生较大程度的形变.传统的遥感图像匹配方法多是在无云情况下采集的图像,一旦遥感图像受到碎云干扰,会造成后期特征定位准确度大幅下降.提出一种基于人类视觉系统(HVS)优化模型的碎云干扰消除算法,通过提取存在碎云干扰的遥感图像纹理特征,将带有碎云干扰纹理特征转换到HVS空间,运用滤波方法对其进行碎云干扰的消除,克服干扰给后期识别带来的弊端.仿真结果表明:改进方法能够有效的定位碎云干扰下的特征,定位准确性有了提高.     

基于支持向量机的遥感影像薄云去除方法

提出了一种基于支持向量机的遥感影像薄云去除方法。利用支持向量机对边缘点的极强捕捉能力,将含云遥感影像进行多尺度分解,获得不同尺度上的变换系数,再结合方向滤波器组得到丰富的高频信息。采用自适应阈值的图像增强方法处理这片区域,重构时通过对高频区域的增强和低频区域的抑制,得到去云图像。实验结果表明,采用该方法能有效地去除遥感影像中的薄云。     

中分辨率遥感影像云检测与厚云去除研究综述

中分辨率遥感影像（10～100 m分辨率）具有适中的空间分辨率、较高的重访周期和较大幅宽实现大范围的对地观测，是当前准确获取地球表面信息的核心遥感数据源。已有研究表明，地球表面常年60%以上云量覆盖，成为中分辨率光学影像获取有效地表信息的最大的限制性因素之一。如何高效地标记云/阴影并合成晴空影像，是实现地表要素提取、土地覆盖动态变化和地球系统物质和能量循环参量反演的关键，可视为同辐射校正、几何精校正一样的遥感影像预处理必备步骤，这也是进行各种定量遥感应用的基础。总结过去中分辨率影像云检测和厚云去除的研究发现，云检测截止在2019年有多篇综述文章进行总结，但是厚云去除的综述性文章未有报道。因此，研究重点总结了2018年以来云检测方法的科研成果，尤其是基于机器学习的技术方法，梳理出了这一研究的现状和重点；对于厚云的去除方法，扩展了厚云去除方法的概念，全面总结了各种厚云的去除方法，分析了各种方法存在的优缺点，对今后的研究重点进行了展望，为相关的研究学者对这一方向提供一个全面而清晰的认识。     

一种基于光谱角原理的多光谱遥感图像云检测算法

为了满足遥感卫星实时云检测要求,提出了一种基于光谱角的云检测算法。首先在多光谱谱段构成的欧式空间中构造参考云矢量;然后计算图像中各像元矢量与参考云矢量的光谱角,对光谱角进行高斯滤波生成云掩膜;最后计算得到图像中云量百分比。利用该算法对156景人工标注过的Land Sat-7有云图像进行云检测,结果表明本文算法云检测整体精度能到达83.6%,平均执行速度为360 ms。本文算法原理简单,执行速度快,检测效果好,具有星上实时应用潜力。     

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。