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.     

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...     

联合CloudSat-CALIPSO-MODIS进行云相态检测的新方法(英文)

云与生活息息相关,云参量的定量研究便显得极其重要 ,其中包括云相态的精确判识。由于传统基于单传感器的云相态识别算法都存在一定的局限性,提出了联合CloudSat-CALIPSO-MODIS多传感器进行云相态检测的新方法,提高了云相态的识别精度。利用2008年5月2日和2010年2月1日的CloudSat、CALIPSO、MODIS综合观测数据,获取了6种云相态,包括不确定云,混合云, 水云,过冷水云,冰云和晴空。结果表明协同算法可以更精确地进行云相态识别,并为数值天气预报提供条件,具有重要的科学意义。     

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。     

风云二号静止气象卫星的云相态识别算法

风云二号静止气象卫星上装载有可见光、中波红外、水汽和红外波段探测通道,其中白天的中波红外通道反射率可以反映云顶粒子的尺度和相态信息.联合使用可见光、中波红外和热红外通道辐射,可构建白天云顶粒子相态识别算法.云相态识别结果与CloudSat卫星的云分类产品相比较,个例分析表明,两种数据对于以深对流和卷云为主的高层冰云识别...     

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.     

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。     

基于集成学习的风云四号遥感图像云相态分类算法

云相态分类在气象预报和气候研究中具有重要的地位。我国新一代气象卫星风云四号的成像仪在光谱通道数量和空间分辨率较上一代风云二号有较大提升,这为云相态的研究提供了新的遥感数据。本文首先对风云四号相隔15 min的遥感图像进行分析,然后提出亮温云相态指数,该指数可以进行初步云相态分类,最后在此基础上提出基于集成学习的云相态分类算法。实验结果与风云四号官方云相态分类结果进行比较,水云的一致率达到91.69%,冰云的一致率达到76.10%。     

EOS卫星上基于MODIS云产品的AIRS像素云检测

联合使用搭载在地球观测系统(EOS)Aqua卫星上的中分辨力成像光谱仪MODIS和大气红外探测器AIRS,能够提高对全球云量分布情况的检测。利用几何扫描特性的空间匹配算法,MODIS云分类掩膜和云相态掩膜产品,结合业务上的云检测算法,实现了用空间匹配的MODIS数据对AIRS像素云特性的检测。结果表明,用MODIS 1 km分辨力产品可以鉴别出AIRS像素中不同的云类型、云层信息(低云、中云或者高云)和云相态信息(水云、冰云或者混合相态信息)。     

基于全卷积网络的遥感图像自动云检测

气象卫星图像云检测是气象预报领域中的一项重要任务。包含降水预测,气象灾害预测在内的若干气象预报任务都依赖精确的云检测结果。依据气象卫星遥感图像数据,本文提出了一种基于全卷积网络模型的遥感图像云分割算法,实现了高分辨率、大尺度、多通道遥感图像的云分割。我们的算法包含: 1)图像分块;2)块状图像分割;3)分割图像拼接三个主要步骤,实现了像素级精度的云分割。相比传统算法,我们的算法不依赖人工经验,完全由数据驱动,并在极端数据情形下具有更好的鲁棒性。测试数据结果显示,我们的算法能够满足气象预报的需要,且具有商业应用的潜力。      

道路三维点云多特征卷积神经网络语义分割方法

针对道路场景下三维激光点云语义分割精度低的问题,提出了一种基于卷积神经网络并结合几何点云多特征的端到端的语义分割方法。首先,通过球面投影构造出点云距离、相邻夹角及表面曲率等特征图像,以便于应用卷积神经网络;接着,利用卷积神经网络对多特征图像进行语义分割,得到像素级的分割结果。所提方法将传统点云特征融入到卷积神经网络中,提升了语义分割效果。使用KITTI点云数据集进行测试,结果表明:所提三维点云多特征卷积神经网络语义分割方法的效果优于SqueezeSeg V2等没有结合点云特征的语义分割方法;与SqueezeSeg V2网络相比,所提方法对车辆、自行车和行人分割的精确率分别提高了0.3、21.4、14.5个百分点。     

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...     

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。     

基于遥感图像的船舶目标检测方法综述

如何在复杂环境中准确、快速地实现各类船舶目标检测是一项重要研究课题,也是保障船舶航行安全、保护领土安全、加强水域资源监管的基础。红外成像、合成孔径雷达（Synthetic Aperture Radar,SAR）以及卫星遥感等成像技术的发展为船舶检测提供了丰富的图像数据,已取得许多研究成果。介绍了船舶目标检测的过程,从基于传统图像处理技术的船舶目标检测和基于深度学习的船舶目标检测两方面总结并分析了现有船舶目标检测方法,讨论了相关关键技术,最后指出了未来的研究方向。     

基于A-Clenet5的荒漠化草原草种识别与分类

草原退化已经成为人类面临的主要生态问题,其标 志之一是草原植被群落结构的改变,而草原草种的高光谱识别与分类是利用遥感进行大面积 高精度草原退化监测与治理的基础与前提。由于天然草原草种分布的随机性和遥感图像云系 情况的复杂性,草种识别精度低的问题未能得到满意的解决。本研究基于深度学习首次提出 A-Clenet5法,在天然草原自然光下采集典型牧草高光谱数据,对数据进行预处理,利用A -Clenet5法进行特征挖掘和数据分类。研究结果表明,该方法对草种识别精度可达到92.18%,满足基于高光谱的草原草种的识别要求,为草原退化高精度遥感 监测提供了可能。     

光学卫星遥感图像舰船目标检测综述

遥感图像的目标检测是把海量遥感数据转化为应用成果的重要一环,而光学遥感图像中舰船目标的检测更是遥感图像处理分析的研究热点,具有重要的应用价值.本文的主要目的是研究光学遥感图像中舰船目标检测的各种方法,对目前采用的检测方法做出系统性总结.重点介绍了基于灰度信息统计特征、视觉显著性、模板匹配和分类学习的四种传统舰船目标检测方法和深度学习方法在舰船目标检测中的应用,并分析了各种方法的优缺点和适用性,同时对舰船目标检测的未来发展进行了展望.     

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。     

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。