多维加权密集连接卷积网络的卫星云图云检测

云检测是多光谱卫星云图分析的前提。传统云检测方法不能很好地对多光谱卫星云图进行特征表示,导致了云检测不是很准确。卷积神经网络虽然能有效地提取特征,但训练时会产生梯度扩散,训练效率低,优化困难等问题。针对这些问题,提出多维加权密集连接卷积神经网络模型实现对多光谱卫星云图的云检测。跨层连接能够实现网络中所有层之间的信息流,从而减少训练过程中的梯度消失导致收敛困难的问题。特征图之间连接的权值不同使得网络能够更高效地利用特征信息。通过实验结果对比,该模型可以很好地提取云图特征,提高多光谱云图检测的准确率,具有更好的泛化性能和优化效率。     

基于深度极限学习机的卫星云图云量计算

卫星云图云量计算是卫星气象应用的基础,现阶段对其的研究未能充分利用卫星云图的特征,导致云检测及云量计算的效果不好。针对该问题,利用多层神经网络进行卫星云图的特征提取,并通过大量实验寻找到最优的深度学习的网络结构。基于度极限学习机对卫星云图的云进行检测和分类,再利用“空间相关法”计算云图中的总云量。实验结果表明,基于传统极限学习机的深度极限学习机能够充分提取云图的特征,在进行云分类时能够较清晰地区分厚云和薄云间的界限。相比于传统阈值法、极限学习机模型以及卷积神经网络,深度极限学习机的云识别率以及云量计算准确率更高,且所提方法比卷积神经网络的效率更高。     

基于卫星云图的三维立体云仿真

真实立体云仿真是计算机图形学中非常实用的研究.为了实时和逼真研究立体云图仿真,提出了一种基于卫星云图的三维立体云仿真方法.首先利用Micaps3.0处理卫星云图,提取二维云图像,然后从二维云图像中提取云的三维信息,并对其进行空间填充,最后通过充分利用GPU硬件加速改进性能,利用改进Billboard算法实现三维立体云仿真.与以往三维云实现方法相比,改进方法实现简单而且十分高效.实验表明,在气象地理信息系统应用中,方法可以获得更加实时、真实三维立体云效果.     

基于知识库的面向对象卫星云图分类

为了提高卫星云图分类精度和实时识别云类,基于云类知识库采用面向对象的分类方法对卫星云图进行分类。首先对2011年7~8月的FY\|3A/VIRR卫星云图进行预处理,从中裁截500个云样本,随机选取42%云样本作为训练样本,提取训练样本的光谱和纹理特征,基于ReliefF方法进行特征选择,采用反向传播神经网络进行训练构造分类器,利用剩余58%云样本进行网络测试,至此云类知识库构建完毕。然后对待解译的云图进行JSEG分割获取云对象,基于云类知识库已训练好的分类器实现面向对象的云图分类。试验结果表明:所设计的云图分类算法有效,分类结果与云分类产品数据基本达到一致。     

Mumford-Shah模型在卫星云图分割中的应用

利用Mumford-Shah模型对卫星云图进行分割和识别。根据卫星云图自身的特征,提出了基于核心灰度的Mumford-Shah模型,并用此模型分割出了单通道卫星云图中的高云、中云和低云。同时提出了一种基于核心灰度的Mumford-Shah模型的向量图像分割方法,对两个通道的卫星云图进行分割,更加准确地识别出中低云系在红外通道和可见光通道中的位置。     

基于不确定性理论的降水天气分类研究

首先介绍了云模型这种新兴的处理不确定性问题的工具,提出了一种基于云模型的层次聚类方法.该方法将原始数据集划分为许多小簇,然后分别用云模型来表示这些簇,再通过云综合的方法对这些小簇进行逐层合并,实现对数据集的聚类.将该方法应用于2006-2007年中国及周边亚太地区FY-2C卫星云图的聚类分析,得出不同降水类型的云图特征.最后以2006年7月6日FY-2C中国分区图所示地区对应的FY-2C卫星云图进行降水类型分类为实例,得到不同降水天气对应的云图辐射亮度值特征,并利用分类结果对实况云图进行降水天气的判别,结果表明该方法对大暴雨天气的判别效果良好.     

一种基于灰度共生矩阵的云图检索方法

卫星云图检索可帮助气象预报人员快速定位历史相似天气．根据云图纹理特征区分度较大的特点提出一种采用纹理特征对卫星云图进行相似性检索的方法。针时找到一个普遍适用的纹理特征非常困难的问题．提出一种根据特征值的方差分布情况从大量备选特征中快速找出适合某类图像检索所需的纹理特征值的方法,并以灰度共生矩阵的特征值提取为例．对卫星云图进行相似性检索。检索流程为：首先对云图进行云地分离的预处理．然后从云图的灰度共生矩阵中提取有效的检索特征生成特征值．并与历史云图库对应的特征库进行相似距离计算．最后根据距离的排序顺序输出最终的检索结果。实验表明．该方法能有效地从历史云图库中检索出具有相似视觉特征的云图．说明该方法可以用于卫星云图的相似性检索。     

基于纹理特征的卫星云图台风自动识别方法

利用图像的分形维数和灰度梯度共生矩阵提取了卫星云图中台风密蔽云区等目标的纹理特征,将图像分形维数和灰度梯度共生矩阵的三个二次统计特征结合起来,对卫星云图进行识别分类.     

卫星云图预测的运动矢量方法

现有的云迹风提取方法只提供了对云覆盖的简单二值灰度估计,该文利用运动矢量估计的思想提出了一种云覆盖（云图）预测的新方法,这种方法可实现对卫星云图的灰度预测,这种新的方法是通过将一幅ＧＭＳ云图分割成为许多大小相同的小块,并将它们分别匹配到一幅参考云图中以获取云的运动矢量,进而实现对卫星云图云覆盖的量化预测,进而还对该方法进行了优化,从而提高了算法运行速度,并对算法实现中出现的“马赛克”问题提出了解决     

卫星云图的遗传神经网络集合预测模型研究

针对目前缺乏卫星云图非线性预测技术理论方法问题,采用类似于数值预报模式的集合预报方法,构建了一种遗传神经网络的卫星云图非线性滚动预测模型。通过对每间隔3小时的红外卫星云图样本序列作自然正交展开,将提取出的时间系数作为云图预报建模的预报分量。考虑降水云系的发展变化,主要是受到云团环境物理量场的影响,利用数值预报模式的物理量预报产品作为各预报分量的预报因子,并采用系统降维计算处理方法,分别建立相应的时间系数遗传神经网络集合预报模型。将预报得出的各时间系数与空间向量合成,得出未来时刻的卫星云图预报图。预报试验结果表明,这种非线性预报模型可以较好地预报未来20~30小时的强降水云团发展、移动的主要特征和变化趋势。实况云图与预测云图的平均相关系数达到0.78。     

一种基于云模型和数学形态学的边缘检测算法

针对图像信息的不确定性,本文提出了一种基于云模型并结合数学形态学的边缘检测算法.该算法首先提取灰度图像的若干不确定面云,基于面云之间相邻、包含和相交的位置关系,利用云计算提取得到线云,使用数学形态学的边缘检测算子,对多种类型的边缘进行检测.最后进行了仿真试验,结果表明该算法对不同类型的边缘有一定的适宜度.     

基于融合分层条件随机场的道路分割模型

为了在道路检测中结合图像的多尺度特征以及点云的空间结构特征,使检测算法能有效地排除道路场景中的阴影、光线等干扰,本文提出一种基于融合分层条件随机场的图像和点云融合的道路分割模型．首先,利用Meanshift算法产生多个尺度的超像素分割,建立基于图像的多尺度分层条件随机场．将点云数据投影到图像平面,再建立基于点云的多尺度分层条件随机场．在条件随机场的像素层和点云层之间建立连接,构造多尺度的融合模型．然后,针对多尺度融合模型中图像层的每一层和点云层的每一层,分别提取对应尺度的图像特征或点云特征．每一层用梯度提升树算法根据提取的特征训练1个分类器,利用每一层的分类器得到对应层的数据项代价．最后,使用α扩张算法对融合模型进行联合优化求解．在KITTI Road数据集上的实验结果表明,该方法具有良好的道路检测性能．     

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.     

耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型研究

云覆盖阻碍了光学遥感卫星对地观测的有效范围,快速、准确的云检测是遥感应用产品生成过程中的重要一步。针对Google Earth Engine云平台中缺乏适用且高质量的云检测模型,以热带多云的斯里兰卡为研究区,构建了耦合SVM和Cloud-Score算法的Sentinel-2影像云检测模型,通过实验从目视判读与定量分析两个角度对比了其与QA60法、Cloud-Score算法以及Fmask的云检测精度,并在海南岛和亚马逊森林两个地区进行了云检测测试。研究结果表明：Fmask模型的云检测性能最低,总体精度仅为63.45%,存在严重的水体误分为云的现象,但其漏提率极低;QA60法对卷云识别不足,漏提率较高,同时存在一定的误分现象,并且低空间分辨率影响了云体边界提取结果的细节性;Cloud-Score算法的云检测性能明显好于QA60法,总体精度达到了89.83%,误提率仅为2.17%,但仍存在部分卷云漏提的现象;相比于其他3种云检测方法,本文提出的云检测模型总体精度最高,达到了98.21%,并且拥有极低的漏提率和误提率,能比较精准地识别出云体的边界,可满足Sentinel-2遥感产品的云检测预处...     

基于云空间和模糊嫡的边缘检测算法

基于模糊集理论及云理论,提出了对象云的图像模糊边缘检测方法(OCFD).算法充分考虑图像的模糊性和随机性,建立起图像空间与云空间的映射模型,生成模糊对象云和边界云,完成图像空间到云空间的映射.在云空间中实现逻辑云运算的边界云提取,提出并实现了基于边界云的过渡区定义及其提取算法.最后利用最大模糊熵在过渡区内实现检测边缘.实验证明,OCFD算法在检测性能方面优于模糊Sobel,Pal.King等算法,为图像的模糊理解和分析提供了一种新的思路,同时也丰富和拓展了云理论.     

基于核回归方法的人脸检测技术

核回归法是一种非参数估计方法,其显著优点是：回归模型完全由数据驱动,无需信号具体形式。近些年来,有研究者将该方法应用在图像降噪和图像修补等方面,得到较好效果。在理解该方法原理的基础上,通过实验说明核回归方法在人脸检测技术方面也值得应用,而且效果较好。     

Cloud detection for high-resolution remote-sensing images of urban areas using colour and edge features based on dual-colour models

ABSTRACT

In this article, the colour and edge features of clouds are proposed based on the analysis of a large number of cloudy high-resolution remote-sensing images of urban area. Using the cloud features, a cloud detection method based on dual-colour space is proposed. First, two candidate cloud regions maps are built based on hue–saturation–intensity model and blue, green, red model, respectively. According to the superposition analysis of the two maps, fine cloud regions map are obtained. After removing the fine cloud regions from the image, the image is linearly stretched to enhance the intensity of thin clouds around the fine cloud regions. In the stretched image, the thin cloud regions map is built with the threshold technique. Finally, the fine cloud regions map and the thin cloud regions map are combined to form the complete cloud regions map. The results of experiments and comparisons indicate that our algorithm has good accuracy and efficiency.     

遥感视频实时云检测的FPGA高效实现方法

针对目前遥感图像云检测算法及算法运行所需硬件平台复杂度高,无法进行在轨实时检测的问题,提出了一种基于FPGA的面向卫星在轨实时运行的遥感视频云检测方法.首先根据不同的遥感视频输入格式对其自适应降采样处理;其次对顺序流入的图像自适应阈值分割,然后对分割后的图像进行聚类获取云区域,进而提取每一块云区域的特征向量;最后计算整幅图像的云覆盖率和可用度,以此判断是否将图像下传.实验结果表明,在60 MHz的时钟下,且Camera Link接口每个时钟周期同时输入两个像素时,822×1096大小的遥感视频云检测速度可达132 fps,相对于传统的嵌入式双核CPU,速度提升了6～7倍.该方法可实现卫星在轨实时云检测,极大地缓解了有限的星地数传带宽和巨大的遥感数据量之间的矛盾,大幅提升遥感卫星系统应用效能,具有很强的实用价值.     

分布式计算环境下的入侵检测数据分类研究

为了有效处理迅速增长的海量信息数据安全问题,在Hadoop云计算平台上,应用朴素贝叶斯算法和Logistic回归算法对入侵检测大数据进行并行计算分析。实验在伪分布模式和分布模式下进行计算,结果表明2种算法分类准确率均超过90%,Logistic回归算法比朴素贝叶斯算法运行时间更长;集群环境下运行的朴素贝叶斯算法可以有效降低运行时间。综合算法运行时间和分类准确率等因素,朴素贝叶斯算法比Logistic回归算法更能有效处理入侵检测大数据;并行计算下朴素贝叶斯算法可以有效分析入侵检测大数据。