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。     

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。     

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。     

利用引导图像块排序的遥感影像厚云去除算法

针对现有厚云去除算法存在的辐射精确度不足和光谱不一致等问题,提出了一种利用引导图像块平滑排序的厚云去除算法。通过线性回归分析减轻多时相影像之间的光谱差异并增强时相相关性,然后从多时相影像中提取排序矩阵并引导云污染影像中的图像块进行排序,将相似性特征加入到排序后所得的平滑信号中,提高了信息重建的精确度,最后利用影像自身信息进行插值修复云污染区域信息,保证了光谱一致性。实验结果表明,与现有的2种基于辐射校正方法和图像信息克隆方法相比,该算法适用于复杂环境下遥感影像厚云去除问题,处理结果具有更好的辐射精确度和光谱一致性。     

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。     

陆地卫星遥感图像云检测及云去除方法研究

云一直是遥感图像处理、图像分析的一大障碍。由于受到云层遮挡的影响,就无法获得云层覆盖地区的信息,严重影响图像的质量。为了解决这一问题,研究了利用陆地卫星遥感图像ETM+云检测的方法,以及用相近时相卫星图像去除云的方法。通过相近时相卫星图像替代云区实现了云去除,保证了图像的连续性和客观性,提高了遥感图像的利用率。     

多源双时相光学遥感影像的厚云检测

遥感影像中厚云的存在完全遮蔽了下垫面,造成了厚云区域地物信息的丢失。针对厚云检测算法不够精准和适用性不够的问题,提出一种简单高效的多源双时相光学遥感影像的厚云检测方法。该方法不仅适用于中等空间分辨率和高空间分辨率的影像,而且也能进行多源影像的云检测。该方法需要2个时相影像:目标影像和参考影像,先进行影像配准和DN值归一化的预处理,然后基于云在蓝光波段的反射特征得到初始云掩膜。针对初始云掩膜中错检的高亮物体,该文提出了云边缘指数进行优化。最后使用区域生长法以得到最终的云掩膜。利用多幅中高分辨率影像,并且与PRC法和SVM法进行比较,实验结果证明了所提出方法的精确性和时效性。     

多时相遥感影像厚云去除

针对基于块的信息重建全局最优算法存在对云边界检测不精确、重建结果受边界条件影响的问题,提出了一种结合全变分和泊松方程多时相遥感影像厚云去除算法。通过对厚云边界梯度分布的分析,采用结合梯度直方图特性的云边界自动修订方法,解决了云边界定位不准的问题;通过影像无云区域的梯度估计云区域的变分模型自适应参数,结合参考影像梯度对替换梯度进行修订,减小了边界辐射不连续性和边界条件的影响。最后利用泊松方程对云覆盖区域信息进行了重建。试验结果表明,该方法具有较好的去除厚云效果。     

基于云影距离模型的遥感图像多尺度融合算法

为了对含云及云影遥感图像上的云影进行有效消除,首先构建了遥感云影成像距离模型,并依据遥感云影距离模型,提出了一种新的云影识别算法,用来对有云遥感图像中的云层和阴影进行检测与识别,并生成融合区域图;然后在融合区域图的基础上,提出了一种多尺度图像融合算法,用来消除云影,即先对源图像进行多尺度几何分解,得到源图像的粗糙和细节分量,然后对云影区域和非云影区域分别采用不同的融合策略进行处理得到融合图像。仿真实验结果表明,该新融合算法不仅对薄云的消除效果非常好,而且对厚云及阴影的消除效果也非常好,且不会产生衔接边缘。     

一种基于纹理域神经网络的彩色卫星图像分析方法

描述了一种利用纹理域神经网络,通过监督的学习方法来调整和权重,将预处理后成的彩色卫星图像中的纹理信息块进行分类,从而达到在彩色卫星图像中将有用的色彩块分析出来的目的,给出了纹理域的预处理过程,阐述了对原彩色图像进行颜色映射和量化的目标和方法;讨论了纹理域神经网络的构造方法及算法;最后给出了用以上方法对彩色卫星图像进行分类的实验结果,实验证明该方法对彩色卫星图像有较好的分类作用。     

基于流形学习的彩色遥感图像分维数估算

目的 纹理特征提取一直是遥感图像分析领域研究的热点和难点。现有的纹理特征提取方法主要集中于研究单波段灰色遥感图像,如何提取多波段彩色遥感图像的纹理特征,是多光谱遥感的研究前沿。方法 提出了一种基于流形学习的彩色遥感图像分维数估算方法。该方法利用局部线性嵌入方法,对由颜色属性所组成的5-D欧氏超曲面进行维数简约处理;再将维数简约处理后的颜色属性用于分维数估算。结果 利用Landsat-7遥感卫星数据和GeoEye-1遥感卫星数据进行实验,结果表明,同Peleg法和Sarkar法等其他分维数估算方法相比,本文方法具有较小的拟合误差。其中,其他4种对比方法所获拟合误差E平均值分别是本文方法所获得拟合误差E平均值的26.2倍、5倍、26.3倍、5倍。此外,本文方法不仅可提供具有较好分类特性的分维数,而且还能提供相对于其他4种对比方法更加稳健的分维数。结论 在针对中低分辨率的真彩遥感图像和假彩遥感图像以及高分辨率彩色合成遥感图像方面,本文方法能够利用不同地物所具有颜色属性信息,提取出各类型地物所对应的纹理信息,有效地改善了分维数对不同地物的区分能力。这对后续研究各区域中不同类型地物的分布情况及针对不同类型地物分布特点而制定区域规划及开发具有积极意义。     

一种基于物理机理的高光谱遥感图像真彩色校正模型

针对高光谱遥感影像由于各波段光谱范围窄,难以获得符合人们视觉效果的真彩色合成影像问题,提出一种基于物理机理的高光谱遥感图像真彩色校正模型。该模型充分利用高光谱影像在红、绿、蓝反射区的所有谱段信息,通过插补波段并进行波段加权积分重建真彩色合成图像,进而结合实测地物反射率光谱,利用辐射传输模拟的方式,构建具备普适性的真彩色校正模型。利用航空高光谱遥感影像进行色彩校正实验的结果表明,所构建的真彩色校正模型能够很好地应用于高光谱遥感影像真彩色校正。     

基于全变分模型的多时相遥感影像厚云去除算法

针对多时相遥感影像厚云去除出现的亮度不一致和明显边界的问题,提出了一种结合全变分模型和泊松方程的多时相遥感影像厚云去除算法。首先,通过多时相遥感影像间共同区域的亮度信息计算亮度校正系数,对图像的亮度进行校正,降低亮度差异对去云结果的影响。然后,基于选择多源全变分模型对亮度校正后的多时相遥感影像进行重建,提高融合结果的空间平滑性及其与原始影像的相似性。最后,利用泊松方程对重建图像的局部区域进行优化。实验结果表明,该算法能够有效解决亮度不一致和边界问题。     

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。     

区间二型模糊集彩色遥感图像边缘检测方法

针对一型模糊集其隶属度函数是确定的,不具有柔性,很难满足图像的多方面边缘检测要求,及传统PalKing算法采用单一阈值对图像进行增强难以满足灰度变化丰富且含大量信息的彩色遥感图像处理的要求。提出了一种新的基于区间二型模糊集的彩色遥感图像边缘检测方法。实验结果表明,它能较好地检测出彩色遥感图像边缘,因此是一种实用有效的彩色遥感图像边缘检测方法。     

基于高斯云变换的遥感图像多粒度聚类

遥感图像技术的迅猛发展,使得传统聚类方法的局限性日益凸显。针对其信息量大、结构复杂等特点,从多粒度、多层次的角度来分析与理解地学现象,能够更好地解决遥感图像的自适应聚类问题。基于云模型与混合高斯相结合的高斯云变换是一种求解多粒度问题的新方法,能够解决问题域中多粒度的生成问题,但是其时间复杂度较高以及对噪声敏感等缺点,导致对遥感图像的聚类结果不理想。因此提出一种改进的高斯云变换方法,首先通过K-Means聚类优化初始粒度的选择,其次结合幅度云综合对粒度跃升策略进行改进,然后使用一种隶属度距离进行粒度的区域划分,最终对遥感图像进行聚类。实验结果验证了所提方法的正确性和有效性。