MODIS图象的云检测及分析

云一直是遥感图象处理、图象分析的一大障碍.为了解决这一问题,试图探讨利用中分辨率成像光谱仪MODIS检测云的方法,该方法充分考虑到MODIS数据具有36个光谱通道,特别是红外波段细分的特点,先是基于云的波谱特性采用多光谱综合法、红外差值法及指数法来对MODIS图象上的云点进行检测,鉴于这些方法有一定的局限性,因而还运用了一种基于空间结构分析和神经网络的云自动检测算法;最后将各种方法的云检测结果进行相互映证和对照分析,结果表明,这些方法检测到的云互相吻合,说明利用MODIS图象可成功地检测云点像元.这不仅为云的去除奠定了良好基础,而且也可以提高图象识别、图象分类及图象反演的精度.     

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。     

BP-ANN在荒漠草地高光谱分类研究中的应用

利用高分辨率光谱仪在实地测得的光谱数据来识别新疆阜康地区的7种典型荒漠草种,对原始高光谱数据作预处理（微分和平滑）,选取典型荒漠植被的光谱特征（红边、绿峰、红谷、RVI等）作为输入数据,植被类型作为输出数据,构建基于BP神经网络模型的典型荒漠草地分类器,进行了三组基于高光谱特征的草地类型分类实验,结果表明：（1）红边特征较其余吸收特征更能获得精确的分类结果;（2）波段550~790 nm间的窄波段光谱分类间隔中,20 nm优于10 nm的间隔;（3）草地分类器中BP网络模型的输入层、隐藏层神经元个数与BP网络训练时间、精度具有复杂的耦合关系,不可一概而论。     

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。     

星载LiDAR与MODIS多光谱数据联合估测区域生物量

针对区域森林生物量连续、高精度估测的难题,以黑龙江省伊春市带岭区作为研究区,提出了联合ICESat-GLAS波形数据、MODIS多光谱数据以及野外调查数据建立生物量模型的方法。该方法通过建立GLAS森林平均冠层高度估测模型、区域森林平均冠层高度的BP神经网络估算模型以及样地森林平均冠层高度-生物量模型,实现全区域森林生物量的连续高精度估测。实验结果为:GLAS森林平均冠层高度估测模型的R~2=0.801,RMSE=0.614;区域森林平均冠层高度的BP网络估测模型的R~2=0.886 7,RMSE=0.794;针叶林、阔叶林、针阔混交林样地森林平均冠层高度-生物量模型的R~2分别为0.802、0.826、0.794,RMSE分别为0.731、0.613、0.344。结果表明:将GLAS波形数据与MODIS多光谱数据联合,可以弥补由于GLAS光斑分布呈条带状而无法实现区域森林平均冠层高度估测的缺陷,实现对区域森林平均冠层高度以及生物量的高精度估测;利用森林平均冠层高度与森林生物量建模,可以解决大区域生物量计算中胸径参数难以获取的问题。     

基于MODIS数据的白天多层云检测算法

分析了一种利用中分辨率成像光谱仪(MODIS)数据进行白天多层云检测算法。首先利用IMAPP软件包中的云检测算法对像元区域进行云检测,然后采用红外三通道(8.5μm、11μm和12μm)技术进行云相态判识,区分出单层水云和单层冰云,最后利用2.1μm反射率和11μm亮度温度双通道散点图,计算出多层云像元在2.1μm和11μm两个通道上的取值范围,从而识别多层云系。利用该算法对热带风暴云系进行了多层云检测试验,试验结果显示算法可简单有效地识别典型的多层云系。     

基于BP神经网络的异常轨迹检测方法

为有效利用轨迹内外部属性进行异常检测,提出一种基于BP神经网络的异常轨迹识别方法。对原始轨迹数据进行去噪处理,存储至百度云的LBS云端,基于百度地图的轨迹数据可视化网站实现轨迹显示,并通过归一化数据计算轨迹属性值。同时,将轨迹内外部特征属性作为BP神经网络算法的输入层,轨迹相似度量值作为输出层,调整隐含层系数得到训练模型,从而识别用户异常轨迹。在2个用户数据集上的仿真结果表明,该方法的异常轨迹识别准确率分别达到92.3%和100%。     

基于FY-4A数据的青藏高原多时相云检测方法

基于我国新一代静止气象卫星FY-4A/AGRI的4 km分辨率全圆盘数据,利用其高时间分辨率、高光谱分辨率的特点,提出一种青藏高原地区多时相多通道阈值组合的云检测方法,并通过实际案例分析所提出的云检测方法有效可行。结果表明:对比中国国家气象中心云检测产品以及传统单时相云检测方法,多时相云检测方法,其准确率为94.4%,误检率为7.2%,漏检率为5.6%,均优于其他两种方法,体现了多时相检测的优越性;云相态检测中,分别使用GPM降水资料以及CALIPSO卫星云相态观测结果对检测结果进行精度评价,其中冰云分布与GPM实测降水分布相似度达到了0.883,云相态整体检测结果与CALIPSO实际观测的云相态也较吻合,进一步验证了云相态检测的合理性,这也是对青藏高原地区进行降水监测的一种辅助手段。     

BP神经网络在重建多光谱遥感影像波段中的应用

多光谱遥感影像波段之间存在着一定的相关性,发现并找出各波段之间的相关关系,并利用这种关系还原多光谱遥感影像损失的任意部分波段信息,对于深层次的影像信息提取具有重要作用.论文以Landsat TM遥感数据为例,随机选取多光谱遥感影像中六个波段任意同一位置部分影像作为神经网络的训练数据,剩余波段对应位置的数据作为神经网络的标签数据,通过BP神经网络去训练进行重建损失部分的波段研究.结果表明:1)对于重建任意影像波段的损失部分均取得相当好的效果;2)增加训练的数据量,同时适当地加深BP神经网络的深度层数,网络结构性能会变得更好,能提升重建图像质量;3)通过BP神经网络训练出的模型具有很好的稳定性,其原多光谱遥感影像波段和经BP神经网络训练出的模型所重建的波段之间的相关系数总体约可达0.99,PSNR值总体约为37.44,SSIM值总体约为0.97,MSSIM值总体约为0.97.研究表明,该BP神经网络结构及其模型在重建多光谱遥感影像波段方面具有一定的应用价值.     

MODIS光谱指数监测小麦长势变化研究

利用多个时次的小麦地面光谱与相应的生理参量测量数据(140组)，构建了常见宽波段植被指数形式的MODIS(中分辨率成像光谱仪)光谱指数。首先确定反映作物长势的因子为生物量和LAI(叶面积指数)，以地面光谱模拟MODIS的波段1～19，穷尽所有波段两两组合，寻找同时与生物量和LAI关系显著且有物理意义的光谱指数NDSI和RDSI。综合分析得出了3个最佳的波段组合：(619，62)，(619，617)和(619，616)，这3种组合所对应的NDSI和RDSI与两个长势因子都达到99％显著相关，而且明显优于Mc)DIS自身的植被指数产品MODIS—NDVI和MODIS_EVI。与NDSI相比，RDSI对LAI更敏感。MODIS_EVI比MODIS_NDVI有显著改进，它与长势因子的相关性可达到95％置信度。对MODIS图像的初步分析表明，NDSI(619，617)能够增强云与其他地物的差异，有可能改进云的识别精度。     

MODIS影像条带噪声行的判断及去除研究

为了提高MODIS_L1B含有条带噪声的波段5和波段27的影像质量,基于MODIS的扫描特性提出了一种通过扫描带行均最大值判断条带噪声行的方法。去除影像的噪声行时,在波段5的单行邻域插值法基础上,针对波段27提出了一种相邻多行插值方法。最后,通过对比原始数据和去条带噪声后数据的差值图、行均值图和数值分析来证实条带噪声处理效果。结果表明:该方法可以精确判断这两个波段影像的所有条带噪声行,且对条带噪声去除效果较好,去除条带过程简单且适用于复杂场景的光谱图像。     

基于变换域的条带噪声去除方法

为解决线扫描图像中的条带噪声干扰问题,提出了傅里叶变换与小波分解相结合的变换域条带噪声去除方法。首先对图像进行多尺度小波分解,将包含条带噪声的小波子带与包含图像信息的小波子带分离;然后对含有条带噪声的小波子带进行傅里叶变换,并对变换系数进行带阻滤波以消除条带噪声。利用实际采集的带有条带噪声的棉花异性纤维图像进行仿真实验,结果表明:傅里叶变换与小波分解相结合的方法,去噪效果明显优于单独使用傅里叶变换或小波分解的方法,既能有效地去除图像中的条带噪声,又能较好地保持图像的细节信息。     

MODIS影像条带噪声去除方法研究

条带噪声是影响MODIS影像质量的一个重要因子。分析了MODIS条带噪声形成的主要原因和特点,比较了几种常用条带噪声去除方法及其局限性,着重提出和改进了利用傅立叶变换法、小波变换法和插值法去除MODIS影像条带噪声。上述3种方法都能在一定程度上去除MODIS影像条带噪声。对实验结果的均值、标准偏差以及边缘保留的比较结果表明,在去除MODIS影像条带噪声方面,插值法优于小波变换,而小波变换优于傅立叶变换。     

A piece-wise approach to removing the nonlinear and irregular stripes in MODIS data

As a result of imaging acquisition conditions, Moderate Resolution Imaging Spectroradiometer (MODIS) imagery suffers from nonlinear and irregular striping. The nonlinear stripes are those whose degradation parameters change with the ground objects, and the irregular stripes are those in which only some of the pixels are contaminated. These kinds of stripes result in great difficulties for conventional statistical destriping methods. To deal with these problems effectively, we propose a piece-wise destriping method. This approach divides the recognized defective rows into different portions by the local statistical and mean curve information. The destriping is then performed in each portion, based on the different correction coefficients, with a neighbouring normal row as a reference. Experimental results demonstrate that the proposed algorithm can effectively destripe MODIS data.     

MODIS 影像条带噪声去除的自相关插值法

条带噪声是影响MODIS 影像质量和反演精度的一个重要因子。针对MODIS 第五波段影像条带特征, 系统地分析了其形成的原因, 比较了几种常用条带噪声去除方法并讨论了其具体应用的局限性。应用常用的傅立叶变换法进行了MODIS 条带去除试验, 并根据MODIS 影像数据的自相关性提出了自相关插值法去除MOD IS 影像条带噪声的方法。两种方法在MODIS 条带噪声去除实验结果的均值和标准偏差的比较表明自相关插值法在去除MODIS 影像条带噪声方面要明显优于傅立叶变换法。     

基于小波变换的图像条带噪声去除方法

条带噪声的存在不但妨碍高光谱图像的目视判读,而且制约高光谱遥感的定量应用。针对小波变换法条带噪声去除过程中遇到的条带噪声和图像有用信息难以有效分离的问题,根据小波变换的方向性和数学显微镜特性,提出了一种新的基于小波变换的条带噪声去除方法。这种方法首先对含有条带噪声的图像进行一定层数的小波分解;然后对每一层分解得到的与条带噪声分布方向相同的子图像再进行一定层数的小波分解,从而实现条带噪声和图像有用信息的有效分离,将含有条带噪声的子图像置零;最后利用小波反变换得到去除条带噪声的图像。以欧洲空间局PROBA卫星上搭载的CHRIS高光谱数据为例,采用相关系数(R)、结构相似度(SSIM)和峰值信噪比(PSNR)3个定量指标,对比分析了新方法与矩匹配法、傅立叶滤波法和小波阈值法的条带噪声去除效果。结果表明新方法去噪后的图像具有最高的R、SSIM和PSNR,新方法能够有效地去除高光谱图像中的条带噪声,同时较好地保留了原始图像的有用信息。
     

分段线性动态矩匹配条带去除

由于探测器之间对接收的地物辐射信号的响应特征不同,导致遥感数据含有条带噪声,严重影响了图像质量及后续的定量计算。针对探测器响应函数在图像低值区及高值区呈非线性的特点,在着重分析矩匹配方法的基础上,提出分段线性动态矩匹配条带去除方法。方法设定阈值分割高中低值域统计区间,对探测器响应函数进行分段线性拟合,并对探测器每一分图像动态采用其领域内均值和标准差作为参考值进行条带纠正。应用TM数据第4波段及环境一号卫星高光谱数据进行去条带实验,并定性和定量地比较了该方法与动态矩匹配、傅里叶变换、自动均衡化曲线方法的去条带效果。结果表明该方法能够在保留图像基本信息的前提下,获得最佳的去条带效果,尤其能够提高非均匀地物分布区域内水体的条带去除效果。     

一种改进的CHRIS/PROBA垂直条带去除方法

多角度高光谱高空间分辨率的CHRIS数据是新一代小卫星PROBA平台上的CHRIS传感器获取的又一卓越的遥感数据源,虽然其数据有诸多优势,但也有一个缺陷:在图像上垂直条带噪声污染严重。本文在San-dra Mannheim提出的去除此类噪声的方法基础上,对该方法进行了另一种途径的探索,基于图像分割的原理,将图像分成灰度相近的几个片段,逐片断应用最小二乘法的多项式拟合,然后将去过条带的片段整合成一幅完整的图像。通过试验证明,用该途径实现的这种方法在地物复杂图像灰度变化剧烈的影像上取得了优越于其他方法的效果,并且证实,对于具有同类条带噪声的OMIS(Airborne Operational Modular Imaging Spectrometer),该方法也取得了比较好的效果,因而值得推广。     

一种CBERS-02星CCD原始条带噪声处理方法

在简略分析辐射均衡、矩匹配和直方图匹配的基础上,提出了一种直方图匹配结合线性方向滤波的方法来去除CBERS\|02星图像数据中存在的条带噪声。其中直方图匹配用于消除探测元间的条带噪声,线性方向滤波用于消除横向随机条带噪声和剩余的列向条带噪声。实验结果表明,该方法不仅能很好地消除CBERS\|02卫星图像条带噪声,而且保留了图像上有用的信息。最后,从定性和定量两个方面进一步验证了该方法的有效性。     

基于纹理分析的去噪声方法研究

中巴资源一号卫星高分辨率CCD相机接收的图像数据,灰度值偏低,对比度较差,且存在明显的条带噪声;当图像被增强时,这种条带更加突出,严重影响了图像的质量以及清晰度,不利于数据的应用。从与以往不同角度出发,提出了基于纹理分析的去条带方法。即将图像上具有特定特征的噪声信息看作是某种对应的纹理特征,在基于纹理特征滤波法去噪声基础上,再用灰度共生矩阵法进一步进行直方图平滑,以消除局部噪声。同时将此方法与基于统计的均值调节法进行对比分析。