基于RDA-Net模型的遥感影像云与云阴影检测方法

针对目前大多数云与云阴影检测方法容易产生误检、边缘细节丢失严重以及检测不够精确的问题,提出一种基于双注意力卷积神经网络模型(RDA Net)的遥感影像云与云阴影检测方法.模型中引入双注意力模块可以有效捕获全局特征的依赖关系,使用递归残差模块可以避免深层网络出现退化,改进空洞空间金字塔池化模块在不改变特征图尺寸的前提下可以提取图像的多尺度特征.首先对遥感影像数据集进行预处理并制作对应的标签,然后利用高分一号WFV遥感影像数据集进行训练和测试.实验结果表明,所提方法有效提高云与云阴影的检测精度,在复杂条件下仍能获得较好的云与云阴影的边缘细节.     

一种基于集成学习和特征融合的遥感影像分类新方法

针对多源遥感数据分类的需要,提出了一种基于全极化SAR影像、极化相干矩阵特征、光学遥感影像光谱和纹理的多种特征融合和多分类器集成的遥感影像分类新方法.对全极化PALSAR数据进行预处理和极化相干矩阵特征提取,利用灰度共生矩阵计算光学和SAR影像的对比度、逆差距、二阶距、差异性等纹理特征参数,并与光谱特征结合,形成6种组合策略.利用集成学习方法对随机森林分类器、子空间分类器、最小距离分类器、支持向量机分类器、反向传播神经网络分类器等分类器进行组合,对不同组合策略的遥感影像特征集进行分类.结果表明提出的基于多种特征和多分类器集成的新方法很好地利用了主被动遥感数据在不同地表景观类型提取上的潜力,综合了多种算法的优势,能够有效地提高总体精度和各类别的分类精度.     

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。     

亚米级全色遥感影像云地检测算法研究

为解决现行云地检测算法不适用于亚米级全色遥感 影像云地检测的问题,提出一种大尺度自适应匹配阈值(LS-AMTH,large-scale adaptiv e matching threshold)算法。算法构建包含光谱、纹理 与边缘特征的特征参量集,利用提升算法对影像子块进行大尺度云地分类;之后对大尺度分 类所得云地子 块进行阈值的自适应匹配选择,最终实现像素级云地区域检测并统计云地占比。试验表明, 针对亚米级全 色影像,本文算法准确度达97.3%,在复杂云地混合区域取得良好检 测效果。     

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。     

多层感知机结合辐射传输模型的复杂陆地表面云检测

云检测是卫星遥感数据预处理中至关重要的工作.本文将多层感知机和辐射传输模型相结合,利用可见光和近红外波段反射率信息从卫星影像中识别出云像元.该方法利用SBDART辐射传输模型,模拟获得了各种复杂陆地地表的反射率值数据集,为多层感知机提供训练样本.随后,用训练好的多层感知机模型区分FY-3D卫星MERSIⅡ影像中的云像元...     

国产卫星多角度偏振传感器的光谱特征云检测方法研究

在卫星遥感研究中, 云检测是基础环节, 其结果影响大气、地表各种参数的定量遥感, 同时也影响云微物理特 性的反演。本研究针对多角度偏振卫星载荷(高分五号DPC 传感器), 建立了一种改进的光谱特征云检测算法。该算 法综合利用云像元和非云像元在可见光反射率光谱、氧A 波段吸收、蓝光偏振反射率以及偏振虹等特性上的差异, 分别提出了陆地、海洋上空的云检测方案, 并进一步建立了多角度云检测融合策略以标记云、晴空和未定像元。在 陆地检测中, 通过增加表观压强检测和偏振虹检测分别改进了高层薄云和低层薄云的识别; 在海洋检测中, 利用表观 压强与云层的退偏特性改进了耀光区云像元的识别。全球云检测结果示例显示该算法整体检测效果较好, 同时典型 区域的检测结果与MODIS 云产品也具有较好的一致性。该研究可为高分五号02 星上的多角度偏振传感器云检测提 供方法基础。     

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。     

基于遥感图像的舰船目标检测与参数估计方法

利用遥感图像进行舰船检测与监视的研究和技术开发在海洋遥感领域得到了快速发展,并成为遥感数据重要的海洋应用之一。当海洋遥感图像用于舰船尾迹检测时,就可及时有效地发现和提取舰船目标信息。文中利用光学遥感图像的海面舰船尾迹特征以及相关参数,估测舰船目标的速度与航向。分别通过灰度累积法和Radon变换法两种不同的尾迹长度检测方法,对尾流长度进行了提取,并利用尾流长度特征简单估测了舰船航速与航向。对实验结果和误差进行了分析,并对影响舰船尾流检测的因素进行了讨论。估算结果初步验证了对航速与航向估算方法的有效性     

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.