基于变分贝叶斯ICA的火山灰云检测研究

热红外遥感能够准确、快速地检测出火山灰云信息。针对热红外遥感数据和火山灰云检测特点,提出了基于变分贝叶斯ICA的火山灰云检测算法,通过引入贝叶斯网络的条件独立性准则和近似变分算法,将源信号后验概率分布的计算转化为更容易处理的负变自由能,去逼近真实后验概率分布的最佳近似值。实验表明该方法取得了85.25%的光谱匹配度,检测精度较高。     

基于热红外卫星遥感的火山灰云监测研究

热红外卫星遥感技术能够准确地进行火山灰云监测。针对火山灰云热红外卫星遥感图像,通过利用主成分分析(Principal component analysis,PCA)方法解决了热红外卫星遥感数据具有波段相关性和数据冗余问题,并提高了火山灰云的监测精度。以MODIS热红外卫星遥感图像为例,利用PCA方法对火山灰云进行监测研究,并采用USGS标准光谱数据库对监测出的火山灰云光谱特征进行验证。结果表明:PCA方法能够有效地提取出火山灰云信息,且得到的火山灰光谱特征与USGS标准光谱数据库的光谱匹配度达到了81.65%,具有较高的精度。     

基于卫星图像的火山灰云识别方法研究

大规模的火山灰云既会引起全球气候和环境系统的巨大变化,又会威胁航空安全。卫星遥感技术能够快速准确地获取大范围的空间变化信息,实现对火山灰云发生、扩散状况的识别和预警。首先阐述了火山灰云的光谱特征和常用的卫星图像类型;然后从紫外吸收法、模式识别法、分裂窗量温差和改进型分裂窗量温差算法方面系统地介绍了火山灰云的识别方法;最后对国内现有的基于卫星图像的火山灰云的研究进行了评述,并对其发展趋势进行了总结和讨论。     

综合高分卫星图像多维特征的云检测方法

云是遥感图像分析处理的一大障碍,为了解决这一问题,基于高分1号遥感影像光谱和纹理的多维特征信息,提出一种综合优化的云检测方法。针对光谱检测出的似云区域,该算法采用新的子图分割方法,结合动态阈值设置,有效提高了纹理检测的正确率。由于固定的光谱阈值设置和纹理检测都无法获取复杂环境下的云层边界信息,算法采用大津法予以修复。结果表明,该算法可有效地检测出影像中的云覆盖区域,实现薄云、厚云以及厚云边界信息的最佳提取。     

高分一号光学遥感数据自适应云区识别

光学卫星遥感数据在获取过程中易受云层干扰,云区识别是光学遥感数据应用及分析的一个基础但重要的步骤,高效的云区识别技术对节省数据收集成本和提高数据利用效率具有较强的现实意义.同态滤波算法是经典的基于单幅影像的云区识别方法之一,该算法具有计算快速方便、云区检测精度较高的优点,然而识别的云区范围极大程度取决于同态滤波器截止频率的位置.同态滤波截止频率通常采用经验值,显然经验截止频率无法适应批量遥感数据的自动处理需求.针对以上问题,本文通过建立输入影像频谱能量与截止频率的关系,结合白度指数(Whiteness Index)和形态学算子,实现对国产高分辨率光学卫星高分一号(GF-1)遥感数据的批量云区识别处理.与传统同态滤波方法相比,该算法能根据影像频谱能量自适应判定同态滤波时采用的截止频率,具有更强的适用性.通过对98景GF-1多光谱数据进行随机点人工目视标记精度检验,精度检验结果表明该算法对云区有较好的检测效果,总体识别精度达93. 81%.该算法对GF-1遥感数据能进行批量化云区检测,获得高精度的云区掩膜结果,并有效降低高反射率地物造成的误识率.     

基于独立成分分析的被动红外光谱弱信号检测

简要阐述了独立成分分析(independent component analysis,ICA)的基本模型及其假设、含混性、非高斯性度量和通用求解过程,介绍了一种基于峰度的快速ICA算法。提出了基于基本ICA模型的从被动遥感红外光谱中分离出弱目标信号的信号检测方法。实验结果表明：基于ICA的信号提取方法可不依赖于预先采集的“干净”背景光谱,并且与差谱法的结果进行了对比。     

基于独立成分分析的多时相遥感图像变化检测

变化检测是通过分析多时相遥感图像间的差异实现地物变化信息的提取,而消除多时相遥感图像中的相关性是提取变化信息的一种有效途径。独立成分分析(ICA)作为近年出现的盲源分离技术,能够有效地消除多源信号间的二阶和高阶相关,经其变换的各分量之间相互独立。该文提出一种应用ICA变换实现多时相遥感图像变化检测的算法,首先对多时相多光谱遥感图像进行独立成分分析,得到彼此没有相关信息的独立成分,并且各独立成分图像中的变化信息得到增强;然后通过分析变换后的独立成分实现地物的变化检测。实验结果显示该算法比传统的方法具有更好的性能。     

基于全卷积神经网络的卫星遥感图像云检测方法

云检测作为遥感影像数据处理中的重要组成部分,在气候分析等各个方面起到了重要的作用。在云检测研究中,无论是应用广泛的阈值法或是基于模式识别的方法,以及在二者基础上的综合分析法。这些方法大多都依赖于单一类型的遥感数据来源,且在特征提取方面十分依赖先验知识,受主观影响较大。本文利用两种不同类型"风云"系列气象遥感卫星的可见光红外扫描辐射计(Visibleand Infrared Radiometer,VIRR)以及多通道扫描成像辐射计(Advanced Geosynchronous Radiation Imager,AGRI)数据,以全卷积神经网络为基础进行云检测,利用其自动提取深层隐含特征等特性,极大保留特征信息。最后结合全连接条件随机场模型进行云系边缘优化。实验结果表明,该算法分别应用于以上两种不同类型遥感影像数据,都较好地完成了云像元和非云像元的分离。     

一种基于小波阈值理论的遥感图像复原新算法

通过分析云部分覆盖的单幅遥感图像,并经过多层小波变换后,得到景物信息和云噪声在小波分解系数中的分布关系,提出能有效去除云噪声的云区阈值法.实验证明,该算法的去云效果远优于同态滤波和Retinex算法,且能充分保留云区以外景物信息.     

海洋上空云多角度偏振辐射阈值检测方法研究

云是海洋遥感的一项重要研究内容, 云检测精度对于海洋上空云微物理特性的反演和海洋水体观测具有重要 意义。以高分五号卫星搭载的大气气溶胶多角度偏振探测仪 (Directional polarimetric camera, DPC) 在轨成像数据为 研究对象, 提出了一种基于多角度偏振辐射信息的海洋上空云检测方法。首先用耀光角判别法区分出海洋耀光区域 和非耀光区域, 然后利用多角度偏振信息对耀光区域进行云检测, 并基于反射率阈值、可见近红外反射率比值和偏 振信息检验等方法对非耀光像元进行云检测。以印度洋和大西洋海域为例, 基于DPC数据进行了海洋上空云检测, 经 过时空匹配后, 其结果与 MODIS (Moderate-resolution imaging spectroradiometer) 云掩膜数据一致性分别为 91.39% 和 94.73%。此外, 用法国 POLDER3 (Polarization and directionality of the earth′s reflectances) 数据验证了文中算法的有效 性, 将云检测结果和 POLDER3 官方云检测产品对比, 一致性达到 90.40%。文中提出的多角度偏振辐射阈值云检测算 法, 可为卫星观测的海洋上空云特性研究和海洋水体观测提供有效云检测数据。     

基于深度学习的云参量反演方法研究

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。 随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感 领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。该方法 采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个 数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。     

基于多特征融合的层次支持向量机遥感图像云检测

云检测是遥感图像处理和应用的前提, 针对遥感图像云检测的准确率容易受到薄云及似云地物影响的挑战, 提出一种结合遥感影像灰度、纹理和频率特征的层次支持向量机云检测算法。该方法首先采用简单线性迭代聚类算 法将遥感图像分割为像素块, 再采用一种层次支持向量机分类器对遥感图像以像素块为单位进行云检测。层次支持 向量机的第一层将像素块初步分为 “云” 和 “地物” 两类。层次向量机的第二层针对第一层分类的结果分别设计两个 分类器进行进一步分类, 并将分类后的结果合并为 “厚云”、 “薄云”、 “地物” 三类。最后, 将分类结果进行膨胀处理, 得到最终的云检测结果。选取高分一号 WFV 的 RGB 波段遥感图像进行实验, 结果显示提出的新方法对实验图像的 云检测平均准确率为 95.4%, 表明该方法可适用于多种场景下遥感图像的云检测, 服务于遥感产品的生产和应用。     

基于BP神经网络的风云四号遥感图像云检测算法

通过对风云四号每两张相隔15分钟的图像进行分析,提出了归一化动云指数,加强数据集对低云、薄云及云系运动边缘的检测.在此基础上,提出了一种基于归一化动云指数的动态阈值法用于初步云检测,并进一步提出基于BP神经网络的云检测算法.实验结果表明,该算法可以消除阈值选取中的主观影响,在大范围复杂下垫面的遥感图像数据中可以取得较好的云检测效果.     

城区红外遥感云层检测技术

针对复杂地物背景下的城区红外遥感图像的云层干扰问题,提出了一种基于图像特征提取、区域投票表决和阈值分割的云层检测方法。对图像进行去噪和归一化拉伸处理,再进行多特征提取,并通过提取的特征向量对图像进行分区域云层投票表决,最后根据表决结果和分形特征度量矩阵进行阈值计算和阈值分割,并通过形态学处理得到精确的云层区域。统计检测结果显示算法对不同时刻的数据检测准确率在91%以上,证明了算法的适用性和有效性,为红外遥感图像的信息处理提供了有效的技术支持。     

结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复

利用多源多时相遥感图像,给出一种结合分类与迁移学习的薄云覆盖遥感图像地物信息恢复算法.首先利用多方向非抽样对偶树复小波变换对多源多时相遥感图像进行多分辨率分解,对分解后的薄云图像的高频系数利用贝叶斯方法进行地物初分类;再对每类地物的低频系数通过迁移最小方差支持向量回归模型进行域自适应学习,获取模型参数;最后利用所获的迁移回归模型,用无云参考图像的低频系数预测薄云覆盖图像的低频系数,去除薄云,恢复薄云覆盖图像的地物信息.实验结果表明,本文算法恢复的地物细节清楚,光谱失真较小.特别对地物季节性变化的薄云覆盖遥感图像,本文算法能有效恢复薄云覆盖区域的地物信息.     

基于小波方向滤波的有云层遥感图像舰船检测方法

提出了小波分析和方向滤波相结合的有云遥感图像目标检测方法。首先对原始遥感图像进行小波分解,采用比率-平均边缘检测法检测人造目标的边缘方向,在该方向上进行Frost滤波,有效抑制云层干扰的同时突出了人造目标及其边缘信息;然后进行阈值分割并剔除大块云层,根据区域的平均边缘梯度剔除小块云层,实现了有云遥感图像的舰船目标检测。实验证明,该方法能减少遥感图片云层对舰船检测的影响,并具有较高的目标检测率。