长春地区云检测及云相态反演研究

采用经ENVI几何校正、定标及裁剪等预处理的2008年10月1日04:25和18:00(UTM)的MODIS L1B数据,利用MODIS云检测Ackerman方法及云相态反演红外二光谱技术,对长春地区进行了云检测和云相态反演。从检测及反演结果中看出,云检测及白天云相态反演效果都很好,而在夜晚条件下,由于低温,存在较大面积的不确定相态区域。     

基于MODIS数据的积雪监测

通过对遥感卫星资料中云和雪的光谱特征的分析,提出利用中分辨率成像光谱仪(MODIS)红外、可见光谱段数据进行云、雪监测和分离的方法;并提供监测实例来说明利用MODIS数据可进行积雪监测。     

基于BP神经网络的云相态检测方法研究

利用MODIS中5个光谱波段上不同云相态的特性,提出了一种基于BP神经网络的云相态检测方法。首先,分析了所选波段上不同云相态的特性,利用5个波段上光谱图像的反射率、亮温值和亮温差值构成4组特征数据作为输入层,隐层和输出层分别采用优化的传输函数。然后,利用3层前馈型BP神经网络对所选波段MODIS数据进行了云相态检测。最后,将两组测试数据用该BP神经网络算法进行云相态检测的结果与相应MOD06云相态数据进行了对比分析,结果表明该方法能很好地识别云相态,检测平均准确率达到86.11%,计算结果与标准结果平均相关性达到0.874的高度相关,且无需在计算前进行复杂的云和晴空分离处理。     

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。     

一种改进的基于最大似然法的MODIS云分类算法

MODIS资料云分类在大气和地表参数反演中有着十分重要的作用.首先利用NASA的MOD35云掩模产品将水体和陆地等晴空型下垫面从云图中分离出来,然后利用多光谱阈值法将云图中其他的所有云类进行初始化分类,最后应用基于最大似然和分类矩阵的动态聚类算法,对MODIS云图实现了云分类,主要云类有积雨云、卷云、高云、中云、低云.针对夏季我国东南沿海地区的实验结果表明了算法的有效性.     

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。     

基于动态聚类的MODIS云检测算法

利用多光谱阈值法进行云与下垫面的初始化分类,然后应用基于最小距离和分类矩阵的动态聚类算法,对MODIS云图实现云检测,并分离出积雨云、卷云、其他高云、中云、低云。针对我国东南沿海地区的试验结果证明了算法的有效性。     

一种用于大气污染监测的红外图象处理系统

介绍了一种用于污染监测的红外图象处理系统，它利用污染物质的红外光谱特性，把实时采集的目标图象与背景图象进行比较，当检测到污染物时报警，报知监控人员处理     

基于形态学Top—Hat算子的小目标检测方法

针对红外序列图象中运动弱小目标的检测问题，提出了一种基于能量累积与Ｔop-Hat算子的小目标检测方法，该方法是首先设置一定大小的滑动窗口，并通过对窗口内的图象序旬进行能量累积来去除图象中的随机噪声，以提高目标的信噪比；然后对能量累积后的图象采用形态学中的Ｔop-Hat算子完成候选小目标的检测工作；最后利用序列图象中目标运动的连续性和轨迹的一致性来筛选出真正的目标，同时进行了该方法与传统高通滤波检测方法，在抗噪声性能、背景抑制性能以及抑制虚警目标性能等方面差异的比较实验，实验结果表明，基于能量累积与Ｔop-Hat算子的小目标检测方法在这３个方面都优于高通滤波法，它能够快速、可靠检测出低信噪比的运动小目标。     

基于PCA变换与小波变换的遥感图象融合

针对多光谱图象与全色图象的融合问题,提出了一种基于PCA变换和小波变换的遥感图象融合方法.新方法通过对多光谱图象作PCA变换,首先得到3个主分量;然后,利用小波变换融合方法融合多光谱图象的第1主分量与全色图象,并用融合后的图象替代多光谱图象的第1主分量;最后,作PCA反变换来得到新的多光谱图象.主观视觉效果分析和客观统计参数评价分析表明,新方法的性能优于PCA变换融合方法、IHS变换融合方法和小波变换融合方法,该方法不仅较大地增强了结果图象空间细节的表现能力,而且很好地保留了多光谱图象的光谱信息.     

卫星云图的多通道FCM分割算法

卫星云图是对地球大气进行遥感测量的重要资料,云团的识别、跟踪及预测都需要对卫星云图进行图像分割和边缘提取。本文通过改进模糊C均值(FCM)算法对云图进行分割,改进后的算法显示出了效率高、分辨准确的特点。实验采用了2011年6月的RGB多通道卫星云图,通过对云图分层聚类,提取多通道聚类的相交区域等过程,实现了云团快速准确的分割。     

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。     

利用EOS/MODIS数据反演水云云底高度的初步研究

云底高度作为重要的云宏观物理特征参数,在云层与地表之间的能量交换中起着重要作用。传统的云底高度测量方法大多基于常规观测资料,利用星载被动遥感仪器的观测数据反演云底高度在国内尚未开展。论述了基于EOS/MODIS可见光、红外数据反演云底高度的原理、方法和可行性,并结合西北某空域的飞机探测数据进行了MODIS水云云底高度反演的对比试验。初步结果表明：利用MODIS数据反演水云的云底高度是可行的;在与3次飞机穿云记录的云高真实数据对比中,反演结果平均误差为249.4 m。     

基于小波分析的多源图像融合去云技术研究

云干扰是遥感图像解译过程中常遇到的问题。在介绍几种常用于多传感器遥感图像去云方法的基础上,采用多分辨力小波分解的图像融合法来达到对影像的去云目的。仿真结果表明:这种方法对多源或多时相影像进行融合处理,能较好地完成云区或阴影区域的填充与更新,达到了去云的效果。     

先验终端像元库支持下的GF-4多光谱影像自动云检测

高分四号卫星是我国第一颗地球同步轨道遥感卫星,以其高频、宽幅的特点,可为我国农业、林业、减灾、气象、环保和水利等应用提供快速、稳定的光学遥感影像,高效的影像自动云检测有助于进一步提高高分四号影像的利用效率。CDAG（Cloud Detection Algorithm-Generating）是一种基于像元组分光谱分析的自动云检测算法,能有效降低混合像元、复杂表面结构和大气等因素的影响。为了探索CDAG算法对于高分4号多光谱影像（GF4-PMS）的云检测应用能力,首先,从高光谱影像（AVIRIS）上选取不同的云类型和各种地表覆盖类型,建立云像元库和地物像元库;其次,基于高光谱像元库和GF4-PMS传感器光谱响应函数模拟出多光谱影像像元库;然后,根据碎云、薄云、厚云及非云像元的光谱差异性分析,将GF4-PMS影像的待检测像元与终端像元进行相似概率分析,实现基于最佳阈值自动迭代的GF4-PMS影像云检测;最后,从云像元正确率、晴空像元正确率、误判率、漏判率等多个指标进行云检测精度验证。结果表明：AVIRIS影像可以有效提取适用于GF4-PMS影像云检测的终端像元库,基于CDAG算法能较好地识别GF4-PMS影像上各种类型的云,对于不同时相、不同下垫面的碎云、薄云、厚云的检测精度可达90%以上。因此,基于先验终端像元库的云检测法对于提升GF4-PMS影像的利用效率具有较好的应用价值。     

Automatic Cloud Detection of GF4 Multispectral Imagery Supported by the Priori Terminal Pixel Library

The GaoFen4 (GF4) satellite is China’s first geo-synchronous orbit remote sensing satellite. With the advantages of high frequency and wide width, it can provide fast and stable optical remote sensing images for agricultural, forestry, disaster reduction, meteorology, environmental protection, water conservancy and other applications in China. Efficient image automatic cloud detection helps to further improve the utilization efficiency of GaoFen4 images. CDAG（Cloud Detection Algorihtm-Generating）Cloud detection is an automatic cloud detection algorithm based on spectral analysis of pixel components, which can effectively reduce the influence of mixed pixels, complex surface structure and atmosphere. This paper aims to explore the application of CDAG algorithm in cloud detection of GaoFen4 multispectral imagery (GF4-PMS). Firstly, different cloud types and surface cover types were selected from hyperspectral images (AVIRIS) to establish cloud pixel library and clear sky pixel library. Next, the pixel library of multispectral images was simulated based on Hyperspectral pixel library and spectral response function of GF4-PMS sensor. Then, according to the spectral difference analysis of broken cloud, thin cloud, thick cloud and non-cloud pixel, the similarity probability analysis was performed on the to-be-detected pixel of the GF4-PMS image and the terminal pixel, and the GF4-PMS image cloud detection based on the optimal threshold automatic iteration was realized. Finally, cloud detection accuracy verification was carried out from multiple indicators such as cloud pixel correct rate, clear sky pixel correct rate, false positive rate and missed rate. The results show that AVIRIS images can effectively extract terminal pixel libraries for GF4-PMS image cloud detection. Clouds of Various types on GF4-PMS images can be better identified based on the CDAG algorithm. The accuracy of detection results for broken clouds, thin clouds and thick clouds with different time phases and different underlying surfaces can reach more than 90%. Therefore, the cloud detection method based on the priori terminal pixel library has a good application value for improving the utilization efficiency of GF4-PMS images.     

A new Landsat 8 cloud discrimination algorithm using thresholding tests

ABSTRACT

In this work, we propose a Cloud Discrimination Algorithm for Landsat 8 (CDAL8) to improve a high-frequency automatic land change detection system developed at the National Institute of Advanced Industrial Science and Technology (AIST), Japan for large-scale satellite image analysis. Although the land change detection system can process several kinds of satellite remote sensing data, improvements are needed to enable practical applications using Landsat 8 data. Cloud discrimination is a necessary pre-processing step for land cover change detection. Currently, most of the prediction errors on land change detection are caused by the false cloud discrimination results as a pre-processing step. Therefore, we introduce an improved cloud discrimination algorithm (CDAL8) in this study to improve the overall performance of our land change detection system. The algorithm was developed based on a Moderate Resolution Imaging Spectroradiometer (MODIS) cloud mask algorithm and Cloud and Aerosol Unbiased Decision Intellectual Algorithm (CLAUDIA). CDAL8 is distinct in that it switches judgment tests and their thresholds using a threshold brightness temperature and uses separate features in cloud judgment and clear-sky judgment. To evaluate the accuracy of the proposed algorithm, we compared it with the Automated Cloud-Cover Assessment algorithm (ACCA) and Function of Mask (Fmask) version 3.3 using US Geological Survey Landsat 8 cloud cover assessment validation data, which contain 96 cloud masks. Our proposed cloud discrimination algorithm (CDAL8) have promising results with an accuracy of 88.1%, which was greater than that of the ACCA (82.5%) and Fmask (84.6%). Furthermore, we also confirmed that the average accuracy of CDAL8 was approximately 91.2% when low solar elevation scenes were removed.     

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。